Spark中的二级排序

时间:2014-11-03 09:11:32

标签: apache-spark

使用JavaPairRDD(键,值)对,我想以定义的顺序处理与每个键相关联的值(值比较器)。 是否可以在Apache Spark中使用?

使用Hadoop我会使用secondary sort模式。我正在寻找一种解决方案,它可以处理一组不适合内存的值(即使是一组具有相同键的值)

2 个答案:

答案 0 :(得分:6)

以下是Sandy Ryza使用Spark进行高级分析的实现:

github

我重命名了一些变量并添加了一些注释,因此在更一般的上下文中是有意义的(本书中使用了这个片段来分析出租车数据,并且相应地命名了一些变量)。

 def groupByKeyAndSortValues[K: Ordering : ClassTag, V: ClassTag, S](
    rdd: RDD[(K,V)],
    secondaryKeyFunc: (V) => S,
    splitFunc: (V, V) => Boolean,
    numPartitions: Int): RDD[(K, List[V])] = {
    // Extract the secondary key by applying a function to the value.
    val presess = rdd.map {
      case (key, value) => {
        ((key, secondaryKeyFunc(value)), value)
      }
    }
    // Define a partitioner that gets a partition by the first
    // element of the new tuple key.
    val partitioner = new FirstKeyPartitioner[K, S](numPartitions)

    // Set the implicit ordering  by the first element of the new
    // tuple key
    implicit val ordering: Ordering[(K, S)] = Ordering.by(_._1)

    presess.repartitionAndSortWithinPartitions(partitioner).mapPartitions(groupSorted(_, splitFunc))
  }
  /**
   * Groups the given iterator according to the split function. Assumes
   * the data comes in sorted. 
   */
  def groupSorted[K, V, S](
    it: Iterator[((K, S), V)],
    splitFunc: (V, V) => Boolean): Iterator[(K, List[V])] = {

    val res = List[(K, ArrayBuffer[V])]()
    it.foldLeft(res)((list, next) => list match {
      case Nil => {
        val ((key, _), value) = next
        List((key, ArrayBuffer(value)))
      }
      case cur :: rest => {
        val (curKey, valueBuf) = cur
        val ((key, _), value) = next
         if (!key.equals(curLic) || splitFunc(valueBuf.last, value)) {
          (key, ArrayBuffer(value)) :: list
        } else {
          valueBuf.append(value)
          list
        }
        }
    }).map { case (key, buf) => (key, buf.toList) }.iterator
  }

这是分区:

  class FirstKeyPartitioner[K1, K2](partitions: Int) extends
      Partitioner {
    val delegate = new HashPartitioner(partitions)
    override def numPartitions = delegate.numPartitions
    override def getPartition(key: Any): Int = {
      val k = key.asInstanceOf[(K1, K2)]
      delegate.getPartition(k._1)
    }

  }

答案 1 :(得分:4)

添加二级排序功能存在一个未解决的问题。然后到二级排序的方式是

rdd.map(row => (row.value, row.key)).sortByKey().map(row => (row.value, row.key))

sortByKey不会合并您的键,因此您可以使用相同值的倍数。