我有一个Foo类的RDD:class Foo( name : String, createDate : Date )
。
我想要另一个RDD,其中包含比原RDD日期早10%的Foo
对象。
我的第一想法是按照createDate
进行排序,并通过0.1 * count来限制,但是没有limit
函数。
你有什么想法吗?
我有一个Foo类的RDD:class Foo( name : String, createDate : Date )
。
我想要另一个RDD,其中包含比原RDD日期早10%的Foo
对象。
我的第一想法是按照createDate
进行排序,并通过0.1 * count来限制,但是没有limit
函数。
你有什么想法吗?
假设Foo
是一个类似于这样的案例类:
import java.sql.Date
case class Foo(name: String, createDate: java.sql.Date)
使用普通的RDD:
import org.apache.spark.rdd.RDD
import scala.math.Ordering
val rdd: RDD[Foo] = sc
.parallelize(Seq(
("a", "2015-01-03"), ("b", "2014-11-04"), ("a", "2016-08-10"),
("a", "2013-11-11"), ("a", "2015-06-19"), ("a", "2009-11-23")))
.toDF("name", "createDate")
.withColumn("createDate", $"createDate".cast("date"))
.as[Foo].rdd
rdd.cache()
val n = scala.math.ceil(0.1 * rdd.count).toInt
数据适合驱动器内存:
且您需要的比例相对较小
rdd.takeOrdered(n)(Ordering.by[Foo, Long](_.createDate.getTime))
// Array[Foo] = Array(Foo(a,2009-11-23))
您想要的分数相对较大:
rdd.sortBy(_.createDate.getTime).take(n)
否则
rdd
.sortBy(_.createDate.getTime)
.zipWithIndex
.filter{case (_, idx) => idx < n}
.keys
使用DataFrame(注意 - 这实际上在性能方面并不是最优的,因为存在限制行为)。
import org.apache.spark.sql.Row
val topN = rdd.toDF.orderBy($"createDate").limit(n)
topN.show
// +----+----------+
// |name|createDate|
// +----+----------+
// | a|2009-11-23|
// +----+----------+
// Optionally recreate RDD[Foo]
topN.map{case Row(name: String, date: Date) => Foo(name, date)}
.zipWithIndex
不安全。也许zipWithUniqueId
更安全?哦,还有为什么limit
很慢? - Wonay