如何在Scala Spark中对RDD进行排序？

Question

读取Spark方法sortByKey：

sortByKey([ascending], [numTasks])   When called on a dataset of (K, V) pairs where K implements Ordered, returns a dataset of (K, V) pairs sorted by keys in ascending or descending order, as specified in the boolean ascending argument.

是否有可能仅返回“ N”个结果。 因此，除了返回所有结果之外，仅返回前10个即可。我可以将排序后的集合转换为Array并使用take方法，但是由于这是O（N）操作，有没有更有效的方法？

Answer 1

如果只需要前十名，请使用rdd.top(10) 。 它避免了排序，因此速度更快。

rdd.top使数据并行通过，收集堆中每个分区的前N个，然后合并堆。 这是一个O（rdd.count）操作。 排序将为O（rdd.count log rdd.count） ，并且会导致大量数据传输-它会进行随机排序，因此所有数据都将通过网络传输。

Answer 2

您很可能已经仔细阅读了源代码：

  class OrderedRDDFunctions {
   // <snip>
  def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.size): RDD[P] = {
    val part = new RangePartitioner(numPartitions, self, ascending)
    val shuffled = new ShuffledRDD[K, V, P](self, part)
    shuffled.mapPartitions(iter => {
      val buf = iter.toArray
      if (ascending) {
        buf.sortWith((x, y) => x._1 < y._1).iterator
      } else {
        buf.sortWith((x, y) => x._1 > y._1).iterator
      }
    }, preservesPartitioning = true)
  }

而且，正如您所说， 整个数据必须经过洗牌阶段-如摘要所示。

但是，您对随后调用take（K）的担心可能不太准确。 此操作不会循环浏览所有N个项目：

  /**
   * Take the first num elements of the RDD. It works by first scanning one partition, and use the
   * results from that partition to estimate the number of additional partitions needed to satisfy
   * the limit.
   */
  def take(num: Int): Array[T] = {

这样看来：

O（myRdd.take（K））<< O（myRdd.sortByKey（））〜= O（myRdd.sortByKey.take（k））（至少对于小K）<< O（myRdd.sortByKey（）。collect （）

Answer 3

至少从PySpark 1.2.0起，另一个选择是使用takeOrdered 。

升序排列：

rdd.takeOrdered(10)

降序排列：

rdd.takeOrdered(10, lambda x: -x)

k，v对的前k个值：

rdd.takeOrdered(10, lambda (k, v): -v)