Spark如何解决常见的Top N问题

需求

假设我们有一张各个产品线URL的访问记录表，该表仅仅有两个字段：product、url，我们需要统计各个产品线下访问次数前10的URL是哪些？

解决方案

（1）模拟访问记录数据

模拟数据记录共有1000条，其中包括10个产品线：product1、product2、…、product10，100个 URL：url1、url2、…、url100，为了简化生成数据的过程，产品线和URL均使用了随机数。一条记录为一个字符串，产品线与URL使用空格 进行分隔。模拟数据存储在一个名为“data”的列表中，通过parallelize的方式形成一个RDD：table，再使用inferSchema的 方式注册为一张临时表“product_url”。

表“product_url”的示例数据如下：

（2）统计各个产品线下各个URL的访问次数

这个逻辑使用Spark SQL即可以实现，示例数据如下：

可以看出，数据多出了一个字段access，用于表示某产品线下某个URL的访问次数。

此外，如果我们有一个数据类型为Row的变量row，可以通过row.product、row.url、row.access或者row[0]、row[1]、row[2]访问product、url、access对应的数据。

（3）“分区排序取值”

我们的统计需求有一个明显的分界线：产品线，Top N的处理逻辑可以转变为：

a. 根据分界线做分区，即每一个产品线的记录进入同一个分区；

b. 每一个分区（产品线）内根据URL的访问次数（access）排序（降序）；

c. 每一个分区（产品线）内取前N条数据即可。

a、b实际就是一个“分区排序”的过程，Spark RDD也为“分区排序”提供了非常方便的API：repartitionAndSortWithinPartitions，但是该函数需要传入的数据类型 要求为（key, value），因此我们需要对（2）中的数据做一下简单的处理：

其实就是将数据类型Row映射为元组（Row, None），示例数据如下：

此外repartitionAndSortWithinPartitions还需要两个函数：partitionFunc、keyFunc，这两个函数都需要接收一个参数，该参数为（key, value）中的key。

partitionFunc用于根据（key, value）中的key如何选取分区，返回值要求为整型，数值即为分区号，即0表示分区0，1表示分区1，…。

这里key的数据类型即为Row。

因为我们模拟了10个产品线，每一个产品线的数据需要被划分到同一个分区内，因此我们也需要10个分区（分区序号为0—9），根据产品线划分分 区的规则为：产品线product1的分区为0，产品线product2的分区为1，…，产品线product10的分区为9。其中key[0]为产品线 名称，key[0][7]为产品线名称中的随机数，将key[0][7]转换为整数并减一即可得到对应的分区号。

keyFunc用于根据（key, value）中的key如何排序，“分区内排序”时即根据该函数的返回值进行排序。

其中，key[2]为访问次数access，我们就是需要在某个分区（产品线）内根据URL的访问次数做排序。

函数partitionFunc、keyFunc准备好之后，我们可以开始调用repartitionAndSortWithinPartitions：

需要注意的是，numPartitions值为10，该值取决于分区（产品线）的个数；ascending值为False，该值表示分区内排序时使用降序。

“分区排序”之后我们即可以开始“取值”，取值的过程比较简单：在每个分区内即前N（这里假设为10，即top 10）个值，将这些值“汇总”之后即可得出各个产品线下URL访问次数的Top 10。

考虑到我们需要“汇总”的需求，因此不能使用foreachPartition，需要通过mapPartitions实现，它需要一个函数：f，函数f的参数为一个“迭代器”，通过这个“迭代器”可以遍历分区内的所有数据。

从上面的代码可以看出，我们就是通过“迭代器”iter获取分区内的前10条数据（如果分区内的数据条数大于或等于10的话）。

“汇总”（collect）结果：

rows中保存着各个产品线下URL访问次数的Top 10记录。

（4）结果处理

计算完成之后，我们可以对结果进行一些处理，如：根据产品线、URL根据字典序排序并输出，代码如下：

示例数据：

总结

使用Spark解决Top N问题时，只需要经过“划分分区、分区内排序、分区内取值”三个过程即可完成。