需求:使用spark统计词频,并求出现次数最多的10个词以及出现次数 问题:用Spark算子top(),求top N的时候结果不准确
我们用一首被初中生唱收费的《That girl》来做测试:
步骤一:使用算子map() 、reduceByKey()、filter()统计词频 def wordcount(): Unit ={ val conf = new SparkConf().setAppName("wordcount").setMaster("local[*]") val sc = new SparkContext(conf) sc.setLogLevel("ERROR") val rdd1 = sc.textFile("song.txt") val sortWord = rdd1.flatMap(_.split(" ")) .map(x => (x,1)) .reduceByKey((v1,v2) => v1 + v2) .filter(x => x._1 != "") .foreach(println) sc.stop() }
输出:
步骤二:根据词频倒序排序 注意:sortBy(x => x._2,false,1),需要设置分区数为1,不然会在不同的分区内排序
def wordcount(): Unit ={
val conf = new SparkConf().setAppName("wordcount").setMaster("local[*]")
val sc = new SparkContext(conf)
sc.setLogLevel("ERROR")
val rdd1 = sc.textFile("song.txt")
val sortWord = rdd1.flatMap(_.split(" "))
.map(x => (x,1))
.reduceByKey((v1,v2) => v1 + v2)
.filter(x => x._1 != "")
.sortBy(x => x._2,false,1)
.foreach(println)
sc.stop()}
输出:
步骤三:使用top()算子求top 10
def wordcount(): Unit ={
val conf = new SparkConf().setAppName("wordcount").setMaster("local[*]")
val sc = new SparkContext(conf)
sc.setLogLevel("ERROR")
val rdd1 = sc.textFile("song.txt")
val sortWord = rdd1.flatMap(_.split(" "))
.map(x => (x,1))
.reduceByKey((v1,v2) => v1 + v2)
.filter(x => x._1 != "")
.sortBy(x => x._2,false,1)
.top(2)
.foreach(println)
sc.stop()}
输出:
注意: 这里问题来了,对比一下第二步和第三步的输出发现,得到的top 10结果并不是倒序排序后得到的前十个词!!!
我门来看看top()函数的源码:
def top(num: Int)(implicit ord: Ordering[T]): Array[T] = withScope {
takeOrdered(num)(ord.reverse)
}
top()调用takeOrdered()的源码:
def takeOrdered(num: Int)(implicit ord: Ordering[T]): Array[T] = withScope { if (num == 0) {
Array.empty
} else {
val mapRDDs = mapPartitions { items =>
val queue = new BoundedPriorityQueue[T](num)(ord.reverse)
queue ++= util.collection.Utils.takeOrdered(items, num)(ord)
Iterator.single(queue)
} if (mapRDDs.partitions.length == 0) {
Array.empty
} else {
mapRDDs.reduce { (queue1, queue2) =>
queue1 ++= queue2
queue1
}.toArray.sorted(ord)
}
}
}
问题分析: top()算子底层调用了 takeOrdered()这个函数,这个函数也是RDD中的一个算子,来看看上边的源码: 首先takeOrdered()里调用了 mapPartitions(),也就是说使用top()的时候会对我们第二次输出的结果进行分区,默认为2个分区,所以看到第三步的结果应该是每个分区的top(5)(这里我想的对不对,还有待商榷); 其次top()会对我之前sortBy()的结果按照key重新排序,所以导致了我们Top N的结果不准确; 解决方案: 方案一:指定top()的排序方法,这里我们直接根据value排序:sortBy(x => x._2,false).top(10)(Ordering.by(e => e._2) 方案二:不用top(),直接用sortBy(x =>x._2,false).take(10) 方案三:既然top()底层调用的是takeOrdered(),我们也直接可以用takeOrdered(10)(Ordering.by(e => e._2) *思考:方案一中,我们既然指定了top()的排序方式,还需要sortBy()嘛???当然可以不用啊!!!所以我们可以去掉sortBy() *科普一下:top(10)(Ordering.by(e => e._2) 这种写法叫做函数的柯里化。 *柯里化(Currying):把接受多个参数的函数变换成接受一个单一参数(最初函数的第一个参数)的函数,并且返回接受余下的参数且返回结果的新函数的技术。这个技术由 Christopher Strachey 以逻辑学家 Haskell Curry 命名的,尽管它是 Moses Schnfinkel 和 Gottlob Frege 发明的。 # 使用top():def wordcount(): Unit ={ val conf = new SparkConf().setAppName("wordcount").setMaster("local[*]") val sc = new SparkContext(conf) sc.setLogLevel("ERROR") val rdd1 = sc.textFile("song.txt") val sortWord = rdd1.flatMap(_.split(" ")) .map(x => (x,1)) .reduceByKey((v1,v2) => v1 + v2) .filter(x => x._1 != "") //.sortBy(x => x._2,false,1) .top(10)(Ordering.by(x => x._2)) .foreach(println) sc.stop()} # 使用take()def wordcount(): Unit ={ val conf = new SparkConf().setAppName("wordcount").setMaster("local[*]") val sc = new SparkContext(conf) sc.setLogLevel("ERROR") val rdd1 = sc.textFile("song.txt") val sortWord = rdd1.flatMap(_.split(" ")) .map(x => (x,1)) .reduceByKey((v1,v2) => v1 + v2) .filter(x => x._1 != "") .sortBy(x =>x._2,false).take(10) .foreach(println) sc.stop()} 两者结果都是一样的:
本文是一spark爱好者,投稿,在这里再次谢谢他的分享。