使用Spark core和SparkSQL的窗口函数分别实现分组取topN的操作

在spark 1.4及以上版本中，针对sparkSQL，添加了很多新的函数，进一步扩展了SparkSQL对数据的处理能力。

本篇介绍一个强大的窗口函数 row_number()函数，常用于对数据进行分组并取每个分组中的TopN数据。

示例数据如下：

class1 90

class2 56

class1 87

class1 76

class2 88

class1 95

class1 74

class2 87

class2 67

class2 77

1、直接使用Spark core中的api来实现分组取topN功能： 
首先将数据源读入代JavaRDD中，然后解析每一行数据，将每一行的第一个元素作为key，第二元素作为value构成tuple的RDD

SparkConf conf = new SparkConf().setAppName("groupTopN").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaRDD lines = sc.textFile("C:\\Temp\\groupTopN.txt");
JavaPairRDD pairs = lines.mapToPair(new PairFunction() {
@Overridepublic Tuple2 call(String line) throws Exception { 
   String[] lineSplited = line.split(" ");   
   return new Tuple2(lineSplited[0],Integer.valueOf(lineSplited[1]));
   }
   } );

得到pairs是一个二元组的RDD，直接调用groupByKey()函数，就可以按照key来进行分组了

JavaPairRDD<String, Iterable<Integer>> grouped = pairs.groupByKey();

分组后每个key对应的这一个value的集合，这里，需要对每个key对应的value集合首先进行排序，然后取其前N个元素即可

JavaPairRDD groupedTopN = grouped.mapToPair(new PairFunction>, String, Iterable>() {        @Override
        public Tuple2 call(Tuple2> values) throws Exception {
            Iterator iter = values._2.iterator();
            List list = new ArrayList();
            while(iter.hasNext()){
                list.add(iter.next());
            }
            //将list中的元素排序
            list.sort(new Comparator() {
                @Override
                public int compare(Integer t1, Integer t2) {
                    int i1 = t1;
                    int i2 = t2;
                    return -(i1 - i2);//逆序排列
                }
            });

             List top3 = list.subList(0, 3);//直接去前3个元素
            return new Tuple2(values._1,top3);
        }
    });

为了便于验证，直接咋本地进行测试，并打印显示

groupedTopN.foreach(new VoidFunction>() { 
   @Override    
   public void call(Tuple2 t) 
   throws Exception {
   System.out.println(t._1); 
   Iterator iterator = t._2.iterator();    
   while(iterator.hasNext()){  
   System.out.println(iterator.next()); 
   }        
   System.out.println("====华丽的分割线======="); 
   }});

2、使用SparkSQL的窗口函数来时上同样的功能

思路： 
窗口函数是HiveSQL中特有的，因此，首先将数据导入到hive表中，然后映射到Spark的DataFrame，在sql语句中直接调用窗口函数即可实现该功能

首先，直接在HiveSQL中创建对应的hive表，然后导入本地数据到hive表中

SparkConf conf = new SparkConf().setAppName("WindowFunctionTopN").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
HiveContext hiveContext = new HiveContext(sc.sc());
//将数据导入到hive表中
hiveContext.sql("DROP TABLE IF EXISTS class_info");
hiveContext.sql("CREATE TABLE IF NOT EXISTS class_info ("        + "class STRING,"        + "score INT");
hiveContext.sql("LOAD DATA "        + "LOCAL INPATH '/cqt/testdata/groupTopN.txt' "        + "INTO TABLE class_info");

然后，直接调用窗口函数row_number()，注意窗口函数的调用语法

DataFrame tom3DF = hiveContext.sql("select class,score from" +"(select class,score,"
                + "row_number() OVER (PARTITION BY class ORDER BY score DESC) rank from class_info) tmp where rank<=3");
1
2

将得到的数据回写到hive表中保存即可

// 将每组排名前3的数据，保存到一个表中

hiveContext.sql("DROP TABLE IF EXISTS grouped_top3"); tom3DF.saveAsTable("grouped_top3");

至此，代码，编写完毕，相比于第一种方式，代码清爽很多！