spark中使用groupByKey進行分組排序的示例代碼

任務需求:已知RDD[(query:String, item_id:String, imp:Int, clk:Int)],要求找到每個query對應的點擊最多的前2個item_id,即:按照query分組,並按照clk降序排序,每組取前兩個。

例如:

(連衣裙,1234,  22,  13)

(牛仔褲,2768,  34,  7)

(連衣裙,1673,45,  9)

(襯衣,3468, 67,  12)

(牛仔褲,2754, 68, 20)

(連衣裙,1976,93,  29)

希望得到:

(連衣裙,1976,93,  29)

(連衣裙,1234,  22,  13)

(牛仔褲,2754, 68, 20)

(牛仔褲,2768,  34,  7)

(襯衣,3468, 67,  12)

先看一個錯誤的版本:

val list = List(("連衣裙",1234, 22, 13),("牛仔褲",2768, 34, 7),("連衣裙",1673,45, 9)
    ,("襯衣",3468,67, 12),("牛仔褲",2754, 68, 20),("連衣裙",1976,93, 29))
val rdd = ss.sparkContext.parallelize(list)
 
val topItem_set= rdd.map(ele => (ele._1, (ele._2, ele._3, ele._4))).groupByKey()
  .map(line => {
        val topItem = line._2.toArray.sortBy(_._3)(Ordering[Int].reverse).take(2)
        topItem.mkString(",")
        topItem.map(x => {(line._1, x._1, x._2, x._3)})
  })
topItem_set.foreach(println)
println()
topItem_set.map(_.mkString).foreach(println)

我們把query作為key,其餘放到一起,groupByKey後(map之前),類型為:RDD[(String, Iterable[(String, Int, Int)])],根據query分組再map,line._2.toArray把Iterable轉為Array,sortBy(_._3)是按最後一個Int即clk排序,(Ordering[Int].reverse)表示從大到小(sortBy默認從小到大,註意這裡的sortBy是Array的成員函數而不是rdd的sortBy,用法比較不同),take(2)是取前2個,然後返回(query,  item_id)。跑一下上面的過程。

返回:

[Lscala.Tuple4;@2b672e4
[Lscala.Tuple4;@52e50126
[Lscala.Tuple4;@1362b124
 
(連衣裙,1976,93,29)(連衣裙,1234,22,13)
(襯衣,3468,67,12)
(牛仔褲,2754,68,20)(牛仔褲,2768,34,7)

上面3行是直接打印跟預期稍有差別,同一個key下的top兩個元素是作為一個整體,但已經很接近目標,如果希望拆分,需要使用flatMap:

val topItem_set= rdd.map(ele => (ele._1, (ele._2, ele._3, ele._4))).groupByKey()
  .flatMap(line => {
        val topItem = line._2.toArray.sortBy(_._3)(Ordering[Int].reverse).take(2)
        topItem.mkString(",")
        topItem.map(x => {(line._1, x._1, x._2, x._3)})
  })

為什麼呢?GroupByKey後,類型為RDD[(String, Iterable[(String, Int, Int)])],如果用map,那每一個key對應的一個Iterable變量,相當於一條數據,map後的結果自然還是一條。但flatMap,相當於map+flat操作,這才是我們真正的需要的形式。

任務進階:要求找到每個query對應的點擊最多的前2個item_id,當點擊一樣時,選曝光最少的,即:按照query分組,並優先按照clk降序排序,其次按照imp升序排序,每組取前兩個。

例如:

(連衣裙,1234,  22,  13)

(牛仔褲,2768,  34,  7)

(連衣裙,1673,45,  9)

(襯衣,3468, 67,  12)

(牛仔褲,2754, 68, 20)

(連衣裙,1976,93,  29)

(牛仔褲,1232,  20, 7)

希望得到:

(連衣裙,1976,93,  29)

(連衣裙,1234,  22,  13)

(牛仔褲,2754, 68, 20)

(牛仔褲,1232,  20,  7)

(襯衣,2768,  34,  7)

註意,上面樣本中牛仔褲有兩個樣本的點擊都是7,但標紅的樣本曝光數是更小,所以應該入選top2,直接上代碼吧:

val list2 = List(("連衣裙",1234, 22, 13),("牛仔褲",2768, 34, 7),("連衣裙",1673,45, 9)
    ,("襯衣",3468,67, 12),("牛仔褲",2754, 68, 20),("連衣裙",1976,93, 29),("牛仔褲",1232, 20, 7))
    val rdd2 = ss.sparkContext.parallelize(list2)
    rdd2.foreach(println)
    val topItem_set= rdd2.map(ele => (ele._1, (ele._2, ele._3, ele._4))).groupByKey()
      .flatMap(line => {
        val topItem = line._2.toArray.sortBy(x => (x._3, x._2))(Ordering.Tuple2(Ordering[Int].reverse, Ordering[Int])).take(2)
        topItem.map(x => {(line._1, x._1, x._2, x._3)})
      })
    topItem_set.foreach(println)

sortBy可以根據需要增加排序維度,參數按優先級排列,這個在日常使用較多。

到此這篇關於spark中使用groupByKey進行分組排序的文章就介紹到這瞭,更多相關spark使用groupByKey分組排序內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: