Java 使用spark进行分类
我需要对RDD进行排序。排序需要在我记录的多个字段上,因此我需要一个自定义比较器 我看到Java 使用spark进行分类,java,sorting,apache-spark,distributed-computing,Java,Sorting,Apache Spark,Distributed Computing,我需要对RDD进行排序。排序需要在我记录的多个字段上,因此我需要一个自定义比较器 我看到排序为,因为它只接受一个键。我偶然发现并因此使用了重新分区和sortwithintitions来实现同样的效果 为什么sortBy不接受自定义比较器和排序?为什么我必须重新分配才能使用自定义比较器?问题1:这是方法的签名,sortBy: /** * Return this RDD sorted by the given key function. */ def sortBy[K](
排序为,因为它只接受一个键。我偶然发现并因此使用了重新分区和sortwithintitions
来实现同样的效果
为什么sortBy
不接受自定义比较器和排序?为什么我必须重新分配才能使用自定义比较器?问题1:这是方法的签名,sortBy
:
/**
* Return this RDD sorted by the given key function.
*/
def sortBy[K](
f: (T) => K,
ascending: Boolean = true,
numPartitions: Int = this.partitions.length)
(implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T] = withScope {
this.keyBy[K](f)
.sortByKey(ascending, numPartitions)
.values
}
显然,您的RDD数据对象是T类型的
请注意,sortBy方法绝对只有一个关键参数字段:f:(T)=>K
它接受一个匿名函数,因此您可以轻松生成自定义的可比较结构,并充分利用具有自己定义良好的比较器的常见数据类型
例如,如果您的RDD[Int,Int],我们称之为数据,您可以执行以下操作:
val cmp = (t: (Int, Int)) => (t._1, -t._2)
data.sortBy(cmp)
这可以轻松实现多字段比较,对吗?
这将得到一个带有第一个字段ascend和第二个字段的排序RDD
下降
问题2:重新分区和排序分区用法
这是一个特定的rdd操作符,旨在比调用重新分区然后在每个分区内排序更有效
您的程序在排序之前不需要预先重新分区,它只是在这个特定的公共模式下进行内部优化,以获得高性能
详情请参阅
- mapPartitions,以使用对每个分区进行排序,例如,.sorted
- 重新分区和SortWithinPartitions可有效地对分区进行排序
同时进行重新分区
- sortBy要进行全局排序
RDD
- RDD的sortByKey方法用于总订购
- RDD的repartitionAndSortWithinPartitions在分区内使用排序,但不跨分区使用排序,但不幸的是,它添加了一个额外的步骤来进行重新分区
如Spark API中所述,repartitionAndSortWithinPartitions比调用repartition然后在每个分区内排序更有效,其他单词repartitionAndSortWithinPartitions将首先基于提供的分区器重新分区数据,然后按键排序:
所以,首先重新分区,然后再打电话给sortBy,这会给您带来良好的性能
使用重新分区和SortWithinPartitions可以实现相同的效果
添加一些排序示例希望能有所帮助
例1
结果:
rdd: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[101] at parallelize at command-1784487111427703:1
sorted1: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[104] at sortByKey at command-1784487111427703:12
sorted3: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[110] at sortByKey at command-1784487111427703:34
res28: Array[(String, Int)] = Array((science,59), (science,54), (math,55), (math,56), (english,57), (english,58))
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
case class MyRecord(time: Double, id: String)
val rdd = sc.parallelize(1 to 200, 200).flatMap(x =>Seq.fill(10000)(MyRecord(util.Random.nextDouble, "xxx")))
// sort this RDD by time:
val sorted = rdd.sortBy(x => x.time)
result.count
// convert the original RDD to Dataframe and sort again:
val df = sqlContext.createDataFrame(rdd)
df.registerTempTable("data")
val result = sqlContext.sql("select * from data order by time")
result.count
例2
RDD与数据集:
rdd: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[101] at parallelize at command-1784487111427703:1
sorted1: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[104] at sortByKey at command-1784487111427703:12
sorted3: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[110] at sortByKey at command-1784487111427703:34
res28: Array[(String, Int)] = Array((science,59), (science,54), (math,55), (math,56), (english,57), (english,58))
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
case class MyRecord(time: Double, id: String)
val rdd = sc.parallelize(1 to 200, 200).flatMap(x =>Seq.fill(10000)(MyRecord(util.Random.nextDouble, "xxx")))
// sort this RDD by time:
val sorted = rdd.sortBy(x => x.time)
result.count
// convert the original RDD to Dataframe and sort again:
val df = sqlContext.createDataFrame(rdd)
df.registerTempTable("data")
val result = sqlContext.sql("select * from data order by time")
result.count
我使用Java,我不认为我可以编写一个等价于valcmp=(t:(Int,Int))=>(t._1,-t._2)
。Java中的sortBy
只允许我选择一个用于排序的键。请参照此,,