Spark Core 和 Spark SQL 實現分組取Top N(基於scala)
分組取Top N在日常需求中很多見:
- 每個班級分數前三名同學的名字以及分數
- 各省指標數量前三的市的名字
等等需求,主要思想就是在某一個分割槽(班級,省)中取出該分割槽Top N的資料
測試資料格式:
如上圖,欄位含義為,班級,學生姓名,分數
下面我們通過一個Demo來實現各班級分數前三的學生姓名以及分數
1、通過Spark core 實現:
//讀取測試資料儲存為rdd
val rddtext = sc.textFile("file:///C:/Users/chunyuhe/Desktop/test1.txt")
//將資料轉化為Row形式(為下面Spark SQL 生成臨時表用)
/**
* spark core 實現分組取topN
*/
val classrdd = rddtext.map(x => {
//取到各資料並賦值給變數
val classname = x.split(" ")(0)val grade = x.split(" ")(2)
//生成一個便於計算的元組
(classname, (name, grade.toInt))}).groupByKey
//根據key聚合分組得到
val classname = m._1
//如上圖將各班級同學資訊轉化為Array陣列並且安裝成績進行降序排列取前三
val top3 = m._2.toArray.sortWith(_._2 > _._2).take(3)
(classname, top3)}).foreach(m => {
println(m._1 + "班級的前3名的成績為")
m._2.foreach(x => {
println(x)
})
})
輸出結果為:
2、通過Spark sql 實現:
//隱式轉換
import spark.implicits._
import spark.sql
//生成資料表表結構
val schema = StructType(mutable.ArraySeq(StructField("classname", StringType, true),
StructField("name", StringType, true),
StructField("grade", IntegerType, true)))
//將表結構和表資料組合生成表
val tablerow = spark.createDataFrame(rowrdd, schema)
//將生成的df轉換為一個表並且命名
tablerow.createTempView("testtable")val tetrow = sql("select * from testtable")
//tetrow.show()
//運用Spark sql 開窗函式進行計算
PARTITION BY 為需要開窗欄位
ORDER BY 為需要排序欄位
select a.classname,a.name,a.grade from (select classname,name,grade,row_number() OVER (PARTITION BY classname ORDER BY grade DESC) rank from testtable) as a where a.rank <= 3
""")
resultrow.show()
輸出結果:
本文結束,希望能幫到大家,也希望大家批評指正!