如何对 Spark 中的 RDD 和限制进行排序？

Question

我有 Foo class 的 RDD：class Foo( name : String, createDate : Date )。我想要一个旧 10% Foo 的另一个 RDD。我的第一个想法是按createDate排序，按0.1*count限制，但是没有限制功能

你有想法吗？

Answer 1

假设 Foo 是这样的情况 class:

import java.sql.Date
case class Foo(name: String, createDate: java.sql.Date)

使用纯 RDD：

import org.apache.spark.rdd.RDD
import scala.math.Ordering

val rdd: RDD[Foo] = sc
  .parallelize(Seq(
    ("a", "2015-01-03"), ("b", "2014-11-04"), ("a", "2016-08-10"),
    ("a", "2013-11-11"), ("a", "2015-06-19"), ("a", "2009-11-23")))
  .toDF("name", "createDate")
  .withColumn("createDate", $"createDate".cast("date"))
  .as[Foo].rdd

rdd.cache()
val  n = scala.math.ceil(0.1 * rdd.count).toInt

数据适合驱动程序内存：

而且你要的分数比较小

rdd.takeOrdered(n)(Ordering.by[Foo, Long](_.createDate.getTime))
// Array[Foo] = Array(Foo(a,2009-11-23))

你要的分数比较大：

rdd.sortBy(_.createDate.getTime).take(n)

否则

rdd
  .sortBy(_.createDate.getTime)
  .zipWithIndex
  .filter{case (_, idx) => idx < n}
  .keys

使用 DataFrame（注意 - 由于限制行为，这实际上不是最佳性能）。

import org.apache.spark.sql.Row

val topN = rdd.toDF.orderBy($"createDate").limit(n)
topN.show

// +----+----------+
// |name|createDate|
// +----+----------+
// |   a|2009-11-23|
// +----+----------+


// Optionally recreate RDD[Foo]
topN.map{case Row(name: String, date: Date) => Foo(name, date)}

如何对 Spark 中的 RDD 和限制进行排序？

How to sort an RDD and limit in Spark?

scala

apache-spark

rdd