Question

阅读Spark方法sortByKey：

sortByKey([ascending], [numTasks])   When called on a dataset of (K, V) pairs where K implements Ordered, returns a dataset of (K, V) pairs sorted by keys in ascending or descending order, as specified in the boolean ascending argument.

是否可以仅返回“N”个结果。因此，不是返回所有结果，而是返回前10个。我可以将已排序的集合转换为数组并使用take方法，但由于这是一个O（N）操作，是否有更有效的方法？

Answer 1

您很可能已经仔细阅读了源代码：

  class OrderedRDDFunctions {
   // <snip>
  def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.size): RDD[P] = {
    val part = new RangePartitioner(numPartitions, self, ascending)
    val shuffled = new ShuffledRDD[K, V, P](self, part)
    shuffled.mapPartitions(iter => {
      val buf = iter.toArray
      if (ascending) {
        buf.sortWith((x, y) => x._1 < y._1).iterator
      } else {
        buf.sortWith((x, y) => x._1 > y._1).iterator
      }
    }, preservesPartitioning = true)
  }

而且，正如您所说，整个数据必须经过随机播放阶段 - 如代码段中所示。

但是，您对随后调用take（K）的担忧可能不那么准确。此操作不会遍历所有N个项目：

  /**
   * Take the first num elements of the RDD. It works by first scanning one partition, and use the
   * results from that partition to estimate the number of additional partitions needed to satisfy
   * the limit.
   */
  def take(num: Int): Array[T] = {

那么，看起来似乎是：

O（myRdd.take（K））＆lt;＆lt; O（myRdd.sortByKey（））〜= O（myRdd.sortByKey.take（k））（至少对于小K）＆lt;＆lt; O（myRdd.sortByKey（）。收集（）

Answer 2

另一个选择，至少来自PySpark 1.2.0，是使用takeOrdered。

按升序排列：

rdd.takeOrdered(10)

按降序排列：

rdd.takeOrdered(10, lambda x: -x)

k，v对的前k个值：

rdd.takeOrdered(10, lambda (k, v): -v)

如何在Scala Spark中对RDD进行排序？

2 个答案: