在groupBy之后取上前N并将它们视为RDD

时间:2014-12-03 15:09:17

标签: scala apache-spark rdd

我想在N的groupByKey之后获得热门RDD项,并将topNPerGroup的类型(在下面)转换为RDD[(String, Int)]其中List[Int] 1}}值为flatten

data

val data = sc.parallelize(Seq("foo"->3, "foo"->1, "foo"->2,
                              "bar"->6, "bar"->5, "bar"->4))

每组的前N个项目计算如下:

val topNPerGroup: RDD[(String, List[Int]) = data.groupByKey.map { 
   case (key, numbers) => 
       key -> numbers.toList.sortBy(-_).take(2)
}

结果是

(bar,List(6, 5))
(foo,List(3, 2))

打印
topNPerGroup.collect.foreach(println)

如果我达到,topNPerGroup.collect.foreach(println)将生成(预期结果!

(bar, 6)
(bar, 5)
(foo, 3)
(foo, 2)

4 个答案:

答案 0 :(得分:7)

Spark 1.4.0解决了这个问题。

查看https://github.com/apache/spark/commit/5e6ad24ff645a9b0f63d9c0f17193550963aa0a7

这会将BoundedPriorityQueueaggregateByKey

一起使用
def topByKey(num: Int)(implicit ord: Ordering[V]): RDD[(K, Array[V])] = {
  self.aggregateByKey(new BoundedPriorityQueue[V](num)(ord))(
    seqOp = (queue, item) => {
      queue += item
    },
    combOp = (queue1, queue2) => {
      queue1 ++= queue2
    }
  ).mapValues(_.toArray.sorted(ord.reverse))  // This is an min-heap, so we reverse the order.
}

答案 1 :(得分:6)

我最近一直在努力解决同样的问题,但我的需求略有不同,因为我需要每个键的最高K值以及(key: Int, (domain: String, count: Long))这样的数据集。虽然您的数据集更简单,但仍然存在扩展/性能问题,如文档中所述,使用groupByKey。

  

在(K,V)对的数据集上调用时,返回(K,   对(可迭代)对。注意:如果要进行分组以执行   使用每个密钥的聚合(例如总和或平均值)   reduceByKey或combineByKey将产生更好的性能。

在我的情况下,我很快就遇到了问题,因为Iterable中的(K, Iterable<V>)非常大,&gt; 100万,所以排名和领先的N变得非常昂贵,并产生潜在的记忆问题。

经过一番挖掘后,请参阅下面的参考资料,这是一个完整的示例,使用combineByKey以一种将执行和扩展的方式完成相同的任务。

import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._

object TopNForKey {

  var SampleDataset = List(
    (1, ("apple.com", 3L)),
    (1, ("google.com", 4L)),
    (1, ("stackoverflow.com", 10L)),
    (1, ("reddit.com", 15L)),
    (2, ("slashdot.org", 11L)),
    (2, ("samsung.com", 1L)),
    (2, ("apple.com", 9L)),
    (3, ("microsoft.com", 5L)),
    (3, ("yahoo.com", 3L)),
    (3, ("google.com", 4L)))

  //sort and trim a traversable (String, Long) tuple by _2 value of the tuple
  def topNs(xs: TraversableOnce[(String, Long)], n: Int) = {
    var ss = List[(String, Long)]()
    var min = Long.MaxValue
    var len = 0
    xs foreach { e =>
      if (len < n || e._2 > min) {
        ss = (e :: ss).sortBy((f) => f._2)
        min = ss.head._2
        len += 1
      }
      if (len > n) {
        ss = ss.tail
        min = ss.head._2
        len -= 1
      }
    }
    ss
  }

  def main(args: Array[String]): Unit = {

    val topN = 2
    val sc = new SparkContext("local", "TopN For Key")
    val rdd = sc.parallelize(SampleDataset).map((t) => (t._1, t._2))

    //use combineByKey to allow spark to partition the sorting and "trimming" across the cluster
    val topNForKey = rdd.combineByKey(
      //seed a list for each key to hold your top N's with your first record
      (v) => List[(String, Long)](v),
      //add the incoming value to the accumulating top N list for the key
      (acc: List[(String, Long)], v) => topNs(acc ++ List((v._1, v._2)), topN).toList,
      //merge top N lists returned from each partition into a new combined top N list
      (acc: List[(String, Long)], acc2: List[(String, Long)]) => topNs(acc ++ acc2, topN).toList)

    //print results sorting for pretty
    topNForKey.sortByKey(true).foreach((t) => {
      println(s"key: ${t._1}")
      t._2.foreach((v) => {
        println(s"----- $v")
      })

    })

  }

}

我在返回的rdd中获得了什么...

(1, List(("google.com", 4L),
         ("stackoverflow.com", 10L))
(2, List(("apple.com", 9L),
         ("slashdot.org", 15L))
(3, List(("google.com", 4L),
         ("microsoft.com", 5L))

参考

https://www.mail-archive.com/user@spark.apache.org/msg16827.html

https://stackoverflow.com/a/8275562/807318

http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.rdd.PairRDDFunctions

答案 2 :(得分:4)

您的问题有点令人困惑,但我认为这可以满足您的需求:

val flattenedTopNPerGroup = 
    topNPerGroup.flatMap({case (key, numbers) => numbers.map(key -> _)})

并在repl中打印出你想要的内容:

flattenedTopNPerGroup.collect.foreach(println)
(foo,3)
(foo,2)
(bar,6)
(bar,5)

答案 3 :(得分:0)

只需使用topByKey

import org.apache.spark.mllib.rdd.MLPairRDDFunctions._
import org.apache.spark.rdd.RDD

val topTwo: RDD[(String, Int)] = data.topByKey(2).flatMapValues(x => x)

topTwo.collect.foreach(println)
(foo,3)
(foo,2)
(bar,6)
(bar,5)

还可以提供备用Ordering(此处不需要)。例如,如果您想要n个最小值:

data.topByKey(2)(scala.math.Ordering.by[Int, Int](- _))