|
|
|
|
移动端

大数据有道之spark选择去重

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。

作者:Aerox_Lotus来源:大数据有道|2018-04-25 08:45

 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。

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。

【编辑推荐】

  1. 探究:如何提升大数据云存储的安全性?
  2. 借助业界首款大数据管理云 Informatica重构集成平台即服务
  3. 基于新型存储的大数据存储管理
  4. 数据力!国双发布2017年互联网发展及中国政府网站发展两大数据报告,剖析“互联网+”发展变化
  5. 大数据之谜Spark基础篇,核心RDD特征分析讲解
【责任编辑:武晓燕 TEL:(010)68476606】


点赞 0
分享:
大家都在看
猜你喜欢

热门职位+更多

读 书 +更多

网络工程师必读——网络系统设计

本书是一本真正意义上的网络系统设计图书,从网络系统设计角度全面介绍了整个网络系统设计的思路和方法,而不是像传统网络集成类图书那样主...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊