你好,游客 登录
背景:
阅读新闻

大数据有道之spark选择去重

[日期:2018-04-25] 来源:大数据有道  作者:Aerox_Lotus [字体: ]

  一.spark简介

  spark是基于内存运算的大数据分布式并行计算框架,本身具有丰富的API,可实现与HDFS、HBase、Hive、Kafka、Elasticsearch、Druid等组件的交互,同时也是优秀的MapReduce替代方案。

  spark卓越的计算性能得意于其核心的分布式数据架构:RDD和DataFrame。

大数据

  1、RDD

  RDD(Resilient Distributes Dataset), 是spark中最基础、最常用的数据结构。其本身封装了作业中input data数据,并以分区方式分布在内存或者磁盘上的Block中。但实质上RDD对象是一个元数据结构,存储着Block、Node映射关系等元数据信息。

  RDD常规去重算子:

  2、DataFrame

  DataFrame是一种以RDD为基础的分布式数据集,具有schema元数据信息,即标注了DataFrame中每一列名称和类型,能够大幅提升Transform、Action的计算效率。

  DataFrame常规去重算子:

  3、RDD与DataFrame对比

  二.选择去重

  接下来,大数据有道将和大家一起学习一下spark RDD和DataFrame选择去重的技巧。

  1、原始数据

  江南皮革厂订单数据(input),需要指出“original_price”和real_pay对应double类型、“create_time”和“modify_time”为long类型。

  源数据预处理:

  为了方便对每条订单进行提取和计算,作业中封装了订单对象RiveSouthOrder:

  2、RDD选择去重

  a.选择去重代码(scala):

  b.执行日志:

  c.计算结果:

  d.逻辑解析:

  第一部分,加载源数据并封装到RiveSouthOrder样例类中,生成RDD;

  第二部分,首先通过groupBy对order_id数据做分组后生成RDD[(String, Iterable[RiveSouthOrder])]对象([K,V]结构),随即使用map对每个Key(order_id)下多组记录(Iterable[RiveSouthOrder])进行reduce操作(maxBy),最后在maxBy算子传入一个字面量函数(也可写为x=>x.modify_time),即提取该order_id下每条记录中的modify_time进行比对,然后选出最新时间记录(maxBy为高阶函数,依赖reduceLeft实现);

  第三部分,toDebugString方法打印RDD转换过程,最后值得注意collect才是真正触发一系列运算的源头。

  3、DataFrame选择去重

  a.选择去重代码(scala):

  b.执行日志:

  c.计算结果:

  d.逻辑解析:

  第一部分,引入依赖和隐式转换,分别对应DataFrame类型识别、使用sql格式的$"modify_time"和row_number()+Window()函数的使用;

  第二部分,加载源数据,由于源数据由RiveSouthOrder封装,可直接toDF;

  第三部分,首先使用withColumn方法添加Num字段,Num是由row_number()+Window()+orderBy()实现(原理同Hive sql),原则是根据modify_time对每个order_id分区下的订单进行降序排序,接着使用where做过滤(也可使用filter),最后drop掉不再使用的Num字段;

  第四部分,通过explain打印dataFrame的物理执行过程,show方法作为action算子触发了以上的系列运算。

  三.归纳总结

  spark RDD和DataFrame均提供了丰富的API接口,极大的提升了开发效率和计算性能;

  RDD的计算更倾向于map和reduce方式,而DataFrame含有schema元信息更容易与sql计算方式相结合;

  RDD选择去重使用了groupBy+maxBy方法,一气呵成;DataFrame则使用row_number+window+orderBy方法,逻辑清晰;两者处理方式所展现的spark函数式编程的精妙之处都值得探索和学习。





收藏 推荐 打印 | 录入:Cstor | 阅读:
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款