如何对RDD进行排序

Question

我有 scoreTriplets 是 RDD[ARRAY[String]] 我正在按以下方式排序。

var ScoreTripletsArray = scoreTriplets.collect()
  if (ScoreTripletsArray.size > 0) {        
    /*Sort the ScoreTripletsArray descending by score field*/        
    scala.util.Sorting.stableSort(ScoreTripletsArray, (e1: Array[String], e2: Array[String]) => e1(3).toInt > e2(3).toInt)
}

但是如果缺少元素，collect()会很重。

所以我需要在不使用 collect() 的情况下按 score 对 RDD 进行排序。
scoreTriples 是 RDD[ARRAY[String]] RDD 的每一行将存储以下变量的数组。
EdgeId sourceID destID score sourceNAme destNAme 距离

请给我任何参考或提示。

Answer 1

由于混洗，即使不收集，排序也将是一项昂贵的操作，但您可以使用 sortBy 方法：

import scala.util.Random

val data = Seq.fill(10)(Array.fill(3)("") :+ Random.nextInt.toString)
val rdd  = sc.parallelize(data)

val sorted = rdd.sortBy(_.apply(3).toInt)
sorted.take(3)
// Array[Array[String]] = Array(
//   Array("", "", "", -1660860558),
//   Array("", "", "", -1643214719),
//   Array("", "", "", -1206834289))

如果您只对最高结果感兴趣，那么 top 和 takeOrdered 通常是首选。

import scala.math.Ordering

rdd.takeOrdered(2)(Ordering.by[Array[String], Int](_.apply(3).toInt))
// Array[Array[String]] = 
//   Array(Array("", "", "", -1660860558), Array("", "", "", -1643214719))

rdd.top(2)(Ordering.by[Array[String], Int](_.apply(3).toInt))
// Array[Array[String]] = 
//   Array(Array("", "", "", 1920955686), Array("", "", "", 1597012602))

Answer 2

RDD中有sortBy方法（参见doc）。你可以做类似的事情

scoreTriplets.sortBy( _(3).toInt )

如何对RDD进行排序

How to sort RDD

sorting

scala

apache-spark

rdd