Spark自定义排序

Spark自定义排序

1. 概述

在spark中，利用rdd的sortBy函数进行排序，我们只能单一对某个元素，然而这并不能解决工作中的实际业务。

2. 自定义排序步骤

定义一个类，继承Ordered
实现Serializable序列化（实体要在网络之间传递）
重写compare方法

3. 示例

示例情景：根据美女的颜值与年龄进行排序，如果颜值相等，年龄小的排在前面

object CustomSort {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[2]").setAppName("CustomSort")
    val sc = new SparkContext(conf)
    val rdd1 = sc.parallelize(List(("yuihatan", 90, 28, 1), ("angelababy", 90, 27, 2), ("JuJingYi", 95, 22, 3)))
    val rdd2 = rdd1.sortBy(x => Girl(x._2, x._3), false)
    println(rdd2.collect.toBuffer)
  }
}

case class Girl( faceValue: Int, age: Int) extends Ordered[Girl] with Serializable {
  override def compare(that: Girl): Int = {
    if (this.faceValue == that.faceValue) {
      that.age - this.age
    } else {
      this.faceValue - that.faceValue
    }
  }
}

4. Spark 排序API

在Spark中存在两种对RDD进行排序的函数，分别是 sortBy和sortByKey函数。sortBy是对标准的RDD进行排序，而sortByKey函数是对PairRDD进行排序，也就是有Key和Value的RDD。

soryBy

def sortBy[K](
	f: (T) => K,
	ascending: Boolean = true,
	numPartitions: Int = this.partitions.size
)

该函数最多可以传三个参数：
　　第一个参数是一个函数，该函数的也有一个带T泛型的参数，返回类型和RDD中元素的类型是一致的；
　　第二个参数是ascending，这参数决定排序后RDD中的元素是升序还是降序，默认是true，也就是升序；
　　第三个参数是numPartitions，该参数决定排序后的RDD的分区个数，默认排序后的分区个数和排序之前的个数相等，即为this.partitions.size。

scala>val rdd = sc.parallelize(List(3,2,90,5,12)
scala> rdd.collect
res0: Array[Int] = Array(3, 1, 90, 3, 5, 12)
scala> rdd.sortBy(x => x).collect
res1: Array[Int] = Array(1, 3, 3, 5, 12, 90)
scala> rdd.sortBy(x => x, false).collect
res3: Array[Int] = Array(90, 12, 5, 3, 3, 1)

soryByKey

sortByKey函数作用于Key-Value形式的RDD，并对Key进行排序

def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.size)

第一个参数是ascending，这参数决定排序后RDD中的元素是升序还是降序，默认是true，也就是升序；

第二个参数是numPartitions，该参数决定排序后的RDD的分区个数，默认排序后的分区个数和排序之前的个数相等，即为this.partitions.size。