摘要

Spark是一个Apache项目，它被标榜为“快如闪电的集群计算”。它拥有一个繁荣的开源社区，并且是目前最活跃的Apache项目。Spark提供了一个更快、更通用的数据处理平台。和Hadoop相比，Spark可以让你的程序在内存中运行时速度提升100倍，或者在磁盘上运行时速度提升10倍。同时spark也让传统的map reduce job开发变得更加简单快捷。本文将简单介绍几个经典hadoop的mr按理用spark实现，来让大家熟悉spark的开发。

最大值最小值

求最大值最小值一直是Hadoop的经典案例，我们用Spark来实现一下，借此感受一下spark中mr的思想和实现方式。话不多说直接上code：

@Test

def testMaxMin: Unit = {

val sconf = new SparkConf().setAppName(“test”)

val sc = new SparkContext(sconf)

//初始化测试数据

val data = sc.parallelize(Array(10,7,3,4,5,6,7,8,1001,6,2))

//方法一

val res = data.map(x => (“key”, x)).groupByKey().map(x => {

var min = Integer.MAX_VALUE

var max = Integer.MIN_VALUE

for(num <- x._2){ if(num>max){

max = num

}

if(num {

println(“max\t”+x._1)

println(“min\t”+x._2)

})

//方法二，下面用一个比较鸡贼的方式求最大最小值

val max = data.reduce((a,b) => Math.max(a,b))

val min = data.reduce((a,b) => Math.min(a,b))

println(“max : ” + max)

println(“min : ” + min)

sc.stop

}

预期结果：

max: 1001

min: 2

思路和hadoop中的mr类似，设定一个key，value为需要求最大与最小值的集合，然后再groupBykey聚合在一起处理。第二个方法就更简单，性能也更好。

平均值问题

求每个key对应的平均值是常见的案例，在spark中处理类似问题常常会用到combineByKey这个函数，详细介绍请google一下用法，下面看代码：

@Test

def testAvg(): Unit ={

val sconf = new SparkConf().setAppName(“test”)

val sc = new SparkContext(sconf)

//初始化测试数据

val foo = sc.parallelize(List(Tuple2(“a”, 1), Tuple2(“a”, 3), Tuple2(“b”, 2), Tuple2(“b”, 8)));

//这里需要用到combineByKey这个函数，需要了解的请google

val results=foo.combineByKey(

(v)=>(v,1),

(acc:(Int,Int),v) =>(acc._1+v,acc._2+1),

(acc1:(Int,Int),acc2:(Int,Int))=>(acc1._1+acc2._1,acc1._2+acc2._2)

).map{case(key,value)=>(key,value._1/value._2.toDouble)}

results.collect().foreach(println)

}

我们让每个partiton先求出单个partition内各个key对应的所有整数的和 sum以及个数 count，然后返回一个pair(sum, count)在shuffle后累加各个key对应的所有sum和count,再相除得到均值.

TopN问题

Top n问题同样也是hadoop种体现mr思想的经典案例,那么在spark中如何方便快捷的解决呢：

@Test

def testTopN(): Unit ={

val sconf = new SparkConf().setAppName(“test”)

val sc = new SparkContext(sconf)

//初始话测试数据

val foo = sc.parallelize(Array(

(“a”, 1),

(“a”, 2),

(“a”, 3),

(“b”, 3),

(“b”, 1),

(“a”, 4),

(“b”, 4),

(“b”, 2)

))

//这里测试，取top 2。

val groupsSort=foo.groupByKey().map(tu=>{

val key=tu._1

val values=tu._2

val sortValues=values.toList.sortWith(_>_).take(2)

(key,sortValues)

})

//转换格式进行print

val flattenedTopNPerGroup =

groupsSort.flatMap({case (key, numbers) => numbers.map(key -> _)})

flattenedTopNPerGroup.foreach((value: Any) => {

println(value)

})

sc.stop

}

思路很简单，把数据groupBykey以后按key形成分组然后取每个分组最大的2个。预期结果：

(a,4)

(a,3)

(b,4)

(b,3)

以上简单介绍了一下hadoop中常见的3个案例在spark中的实现。如果读者们已经接触过或者写过一些hadoop的mapreduce job，那么会不会觉得在spark中写起来方便快捷很多呢。

更多spark经典案例介绍期待下回分解。。。

作者信息

力谱宿云LeapCloud旗下MaxLeap团队_数据分析组 成员：谭杨【原创】
MaxLeap技术博客首发：https://blog.maxleap.cn/archives/1239

微信公众号：MaxLeap_yidongyanfa

作者往期佳作

浅析时间序列数据

浅析Apache Spark Caching和Checkpointing