[英]How to sort an RDD in Scala Spark?
讀取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.
是否有可能僅返回“ N”個結果。 因此,除了返回所有結果之外,僅返回前10個即可。我可以將排序后的集合轉換為Array並使用take
方法,但是由於這是O(N)操作,有沒有更有效的方法?
如果只需要前十名,請使用rdd.top(10)
。 它避免了排序,因此速度更快。
rdd.top
使數據並行通過,收集堆中每個分區的前N個,然后合並堆。 這是一個O(rdd.count)操作。 排序將為O(rdd.count log rdd.count) ,並且會導致大量數據傳輸-它會進行隨機排序,因此所有數據都將通過網絡傳輸。
您很可能已經仔細閱讀了源代碼:
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,正如您所說, 整個數據必須經過洗牌階段-如摘要所示。
但是,您對隨后調用take(K)的擔心可能不太准確。 此操作不會循環瀏覽所有N個項目:
/**
* 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] = {
這樣看來:
O(myRdd.take(K))<< O(myRdd.sortByKey())〜= O(myRdd.sortByKey.take(k))(至少對於小K)<< O(myRdd.sortByKey()。collect ()
至少從PySpark 1.2.0起,另一個選擇是使用takeOrdered 。
升序排列:
rdd.takeOrdered(10)
降序排列:
rdd.takeOrdered(10, lambda x: -x)
k,v對的前k個值:
rdd.takeOrdered(10, lambda (k, v): -v)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.