错误思想

举个列子，当我们想要比较 一个 类型为 RDD[(Long, (String, Int))] 的RDD，让它先按Long分组，然后按int的值进行倒序排序，最容易想到的思维就是先分组，然后把Iterable 转换为 list，然后sortby,但是这样却有一个致命的缺点，就是Iterable 在内存中是一个指针，不占内存，而list是一个容器，占用内存，如果Iterable 含有元素过多，那么极易引起OOM

val cidAndSidCountGrouped: RDD[(Long, Iterable[(String, Int)])] = cidAndSidCount.groupByKey() // 4. 排序, 取top10 val result: RDD[(Long, List[(String, Int)])] = cidAndSidCountGrouped.map { case (cid, sidCountIt) => // sidCountIt 排序, 取前10 // Iterable转成容器式集合的时候, 如果数据量过大, 极有可能导致oom (cid, sidCountIt.toList.sortBy(-_._2).take(5)) }

首先，我们要知道，RDD 的排序需要 shuffle, 是采用了内存+磁盘来完成的排序.这样能有效避免OOM的风险，但是RDD是全部排序，所以需要针对性的过滤Key值来进行排序

方法一 利用RDD排序特点

//把long（即key值）提取出来 val cids: List[Long] = categoryCountList.map(_.cid.toLong) val buffer: ListBuffer[(Long, List[(String, Int)])] = ListBuffer[(Long, List[(String, Int)])]() //根据每个key来过滤RDD for (cid <- cids) { val arr: Array[(String, Int)] = cidAndSidCount.filter(cid == _._1) .sortBy(-_._2._2) .take(5) .map(_._2) buffer += ((cid, arr.toList)) } buffer.foreach(println)

这样做也有缺点：即有多少个key，就有多少个Job，占用资源

方法二 利用TreeSet自动排序特性

def statCategoryTop10Session_3(sc: SparkContext, categoryCountList: List[CategroyCount], userVisitActionRDD: RDD[UserVisitAction]) = { // 1. 过滤出来 top10品类的所有点击记录 // 1.1 先map出来top10的品类id val cids = categoryCountList.map(_.cid.toLong) val topCategoryActionRDD: RDD[UserVisitAction] = userVisitActionRDD.filter(action => cids.contains(action.click_category_id)) // 2. 计算每个品类 下的每个session 的点击量 rdd ((cid, sid) ,1) val cidAndSidCount: RDD[(Long, (String, Int))] = topCategoryActionRDD .map(action => ((action.click_category_id, action.session_id), 1)) // 使用自定义分区器 重点理解分区器的原理 .reduceByKey(new CategoryPartitioner(cids), _ + _) .map { case ((cid, sid), count) => (cid, (sid, count)) } // 3. 排序取top10//因为已经按key分好了区，所以用Mappartitions ，在每个分区中新建一个TreeSet即可 val result: RDD[(Long, List[SessionInfo])] = cidAndSidCount.mapPartitions((it: Iterator[(Long, (String, Int))]) => {//new 一个TreeSet，并同时指定排序规则 var treeSet: mutable.TreeSet[CategorySession] = new mutable.TreeSet[CategorySession]()(new Ordering[CategorySession] { override def compare(x: CategorySession, y: CategorySession): Int = { if (x.clickCount >= y.clickCount) -1 else 1 } }) var id = 0l iter.foreach({ case (l, session) => { id = l treeSet.add(session) if (treeSet.size > 10) treeSet = treeSet.take(10) } }) Iterator(id, treeSet) }) result.collect.foreach(println) Thread.sleep(1000000) }}class CategoryPartitioner(cids: List[Long]) extends Partitioner { // 用cid索引, 作为将来他的分区索引. private val cidWithIndex: Map[Long, Int] = cids.zipWithIndex.toMap // 返回集合的长度 override def numPartitions: Int = cids.length // 根据key返回分区的索引 override def getPartition(key: Any): Int = { key match { // 根据品类id返回分区的索引! 0-9 case (cid: Long, _) => cidWithIndex(cid) } }}

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。