Scala 基于最大日期记录的火花过滤器

我正在使用Spark/Scala处理一个

Hive

表，其中包含每个成员的事务数据。我需要获得每个成员的最大记录。我使用下面的代码完成了这项任务，它成功地工作了，但没有获得性能

我需要问一下，是否有其他方法可以提高这段代码的性能？我找到了一些使用spark sql的方法，但我更喜欢

spark

Dataframe或Dataset

下面的示例将重现我的代码和数据

  val mamberData = Seq(
    Row("1234", "CX", java.sql.Timestamp.valueOf("2018-09-09 00:00:00")),
    Row("1234", "CX", java.sql.Timestamp.valueOf("2018-03-02 00:00:00")),
    Row("5678", "NY", java.sql.Timestamp.valueOf("2019-01-01 00:00:00")),
    Row("5678", "NY", java.sql.Timestamp.valueOf("2018-01-01 00:00:00")),
    Row("7088", "SF", java.sql.Timestamp.valueOf("2018-09-01 00:00:00"))
  )



  val MemberDataSchema = List(
    StructField("member_id", StringType, nullable = true),
    StructField("member_state", StringType, nullable = true),
    StructField("activation_date", TimestampType, nullable = true)
  )

  import spark.implicits._

  val memberDF =spark.createDataFrame(
    spark.sparkContext.parallelize(mamberData),
    StructType(MemberDataSchema)
  )

  val memberDfMaxDate = memberDF.groupBy('member_id).agg(max('activation_date).as("activation_date"))

  val memberDFMaxOnly = memberDF.join(memberDfMaxDate,Seq("member_id","activation_date"))

输出如下

+---------+------------+-------------------+
|member_id|member_state|activation_date    |
+---------+------------+-------------------+
|1234     |CX          |2018-09-09 00:00:00|
|1234     |CX          |2018-03-02 00:00:00|
|5678     |NY          |2019-01-01 00:00:00|
|5678     |NY          |2018-01-01 00:00:00|
|7088     |SF          |2018-09-01 00:00:00|
+---------+------------+-------------------+

+---------+-------------------+------------+
|member_id|    activation_date|member_state|
+---------+-------------------+------------+
|     7088|2018-09-01 00:00:00|          SF|
|     1234|2018-09-09 00:00:00|          CX|
|     5678|2019-01-01 00:00:00|          NY|
+---------+-------------------+------------+

---

您可以使用许多技术，例如

排名

或

数据集

。我更喜欢使用

reducegroup

，因为这是一种函数风格的方式，而且易于解释

  case class MemberDetails(member_id: String, member_state: String, activation_date: FileStreamSource.Timestamp)

  val dataDS: Dataset[MemberDetails] = spark.createDataFrame(
    spark.sparkContext.parallelize(mamberData),
    StructType(MemberDataSchema)
  ).as[MemberDetails]
    .groupByKey(_.member_id)
    .reduceGroups((r1, r2) ⇒ if (r1.activation_date > r2.activation_date) r1 else r2)
    .map { case (key, row) ⇒ row }


  dataDS.show(truncate = false)

用于分配排名并筛选每个组中的第一个

import org.apache.spark.sql.expressions.Window

// Partition by member_id order by activation_date
val byMemberId = Window.partitionBy($"member_id").orderBy($"activation_date" desc)

// Get the new DF applying window function
val memberDFMaxOnly = memberDF.select('*, rank().over(byMemberId) as 'rank).where($"rank" === 1).drop("rank")

// View the results
memberDFMaxOnly.show()
+---------+------------+-------------------+
|member_id|member_state|    activation_date|
+---------+------------+-------------------+
|     1234|          CX|2018-09-09 00:00:00|
|     5678|          NY|2019-01-01 00:00:00|
|     7088|          SF|2018-09-01 00:00:00|
+---------+------------+-------------------+

---

数据帧的

groupBy

与它得到的效率一样高（由于部分聚合，比窗口函数效率更高）

但是您可以通过在聚合子句中使用

struct

来避免连接：

val memberDfMaxOnly = memberDF.groupBy('member_id).agg(max(struct('activation_date, 'member_state)).as("row_selection"))
  .select(
    $"member_id",
    $"row_selection.activation_date",
    $"row_selection.member_state"
  )

---

谢谢你的回答，我试着比较了窗口函数和reducegroup，但是reducegroup似乎更快。我不知道为什么？GroupByKey对于小数据集很快，但是对于大数据集，您应该避免使用它。我会使用窗口功能。谢谢你的回答，我试着将groupBy与window函数和reduceGroups进行比较，但是reduceGroups似乎更快。我不知道为什么？