spark-sortBy算子

上一篇已经简单说过了map等几个算子。今天，我们来了解一下sortBy算子，他们也是Transformation算子

模拟一个场景，来讲各个Transformation的API

在这里我们模拟一个统计网站页面浏览情况的需求。

业务场景

我们这里使用网站浏览日志作为业务场景，就用简单的三个字段页面埋点id、用户id、停留时长

业务场景

日志格式

假定网站浏览日志以HDFS形式通过我们的系统埋点到我们数据仓库中了，埋点日志的数据格式如下：

日志格式

假定我们代码中已经使用这样的格式，把日志记录到服务器上，并通过flume上传到了HDFS服务器上

页面id|用户id|停留时长
index|2|6
表示：用户id为2的用户访问了index页面，并停留了6秒钟

这次，我们包装一个实体类，BrowserLogInfo，字段分别为url（用户访问页面），userId(用户id)，time(停留时长)，来映射我们日志中的三个字段，并通过map算子把日志文档读取写入到一个BrowserLogInfo对象的rdd中，直接上代码

• 实体类BrowserLogInfo代码
• 这里注意java定义的实体类上需要实现scala.Serializable接口，否则会报object not serializable异常

- object not serializable (class: com.edu.spark.entity.BrowserLogInfo, value: BrowserLogInfo{url='index', userId=1, time=3})
    - element of array (index: 0)
    - array (class [Lcom.edu.spark.entity.BrowserLogInfo;, size 18)

如图所示：

object not serializable异常

• 实体类BrowserLogInfo代码

package com.edu.spark.entity;

import scala.Serializable;

/**
 * 用户浏览日志实体
 * @author xiaocaomei
 * @date 2021/4/22
 * @description
 */
public class BrowserLogInfo implements Serializable {

    /**
     * 访问url
     */
    private String url;
    /**
     * 用户id
     */
    private long userId;
    /**
     * 浏览时长
     */
    private long time;

    public String getUrl() {
        return url;
    }

    public void setUrl(String url) {
        this.url = url;
    }

    public long getUserId() {
        return userId;
    }

    public void setUserId(long userId) {
        this.userId = userId;
    }

    public long getTime() {
        return time;
    }

    public void setTime(long time) {
        this.time = time;
    }

    @Override
    public String toString() {
        return "BrowserLogInfo{" +
                "url='" + url + '\'' +
                ", userId=" + userId +
                ", time=" + time +
                '}';
    }
}

• map算子转化代码代码

object LogProcess {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()

    /**
      * 如果这个参数不设置，默认认为你运行的是集群模式
      * 如果设置成local代表运行的是local模式
      */
    conf.setMaster("local")

    //设置任务名
    conf.setAppName("EduSpark")
    //创建SparkCore的程序入口
    val sc = new SparkContext(conf)
    //读取文件 生成RDD
    val file : RDD[String] = sc.textFile("F:\\hdfs\\hello.log")
    println(file.collect().toBuffer)

    //把每一行数据按照 | 分割
    val traceRdd : RDD[BrowserLogInfo] = file.map(s => {
      //把每一行数据按照 | 分割
      //注意这里 | 需要使用转义字符
      var sArray: Array[String] = s.split("\\|")
      //split函数的作用是 通过|分隔字符串返回数组
      val info = new BrowserLogInfo
      //  sArray 数组为 url | userId | time
      info.setUrl(sArray(0))
      // string.toLong 是用来把字符串转化成long
      info.setUserId(sArray(1).toLong)
      info.setTime(sArray(2).toLong)
      println(info)
      info
    })

    println(traceRdd.collect().toBuffer)
    sc.stop()
  }
}

• 结果如下：

• 每一项遍历的对象

  
  每一项对象

• 整个list结果

  
  整个list结果

下面接入正题，来看sortBy算子

• sortBy就是用来对数据进行排序的算子
• 先直接上代码，来看使用方式吧
• 代码还是接上段，把日志读取出来后，转成了一个BrowserLogInfo对象的rdd，现在使用sortBy算子，对已经读取转成BrowserLogInfo对象的数据，按照time字段，用户浏览时长进行升序排序

直接上代码举栗子

object LogProcess {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()

    /**
      * 如果这个参数不设置，默认认为你运行的是集群模式
      * 如果设置成local代表运行的是local模式
      */
    conf.setMaster("local")

    //设置任务名
    conf.setAppName("EduSpark")
    //创建SparkCore的程序入口
    val sc = new SparkContext(conf)
    //读取文件 生成RDD
    val file : RDD[String] = sc.textFile("F:\\hdfs\\hello.log")
    println(file.collect().toBuffer)

    //把每一行数据按照 | 分割
    val traceRdd : RDD[BrowserLogInfo] = file.map(s => {
      //把每一行数据按照 | 分割
      //注意这里 | 需要使用转义字符
      var sArray: Array[String] = s.split("\\|")
      //split函数的作用是 通过|分隔字符串返回数组
      val info = new BrowserLogInfo
      //  sArray 数组为 url | userId | time
      info.setUrl(sArray(0))
      // string.toLong 是用来把字符串转化成long
      info.setUserId(sArray(1).toLong)
      info.setTime(sArray(2).toLong)
      println(info)
      info
    })

    println(traceRdd.collect().toBuffer)

    //按照对象BrowserLogInfo对象中的time字段进行升序排序
    //按照用户浏览时长 来升序 排序 浏览数据
    //第一个参数：函数，这里使用getTime获取time字段
    //第二个参数：ascending = true 升序，false降序
    val sortRdd = traceRdd.sortBy(x => x.getTime,ascending = true)

    println(sortRdd.collect().toBuffer)
    sc.stop()
  }
}

• 结果如下：

  
  运行结果
• 整个数据按照用户浏览量time字段进行了升序排序

sortBy使用方式

使用代码如下：

 //按照对象BrowserLogInfo对象中的time字段进行升序排序
    //按照用户浏览时长 来升序 排序 浏览数据
    //第一个参数：函数，这里使用getTime获取time字段
    //第二个参数：ascending = true 升序，false降序
    val sortRdd = traceRdd.sortBy(x => x.getTime,ascending = true)

• 算子的用法为：traceRdd.sortBy(x => x.getTime,ascending = true)
• 第一个参数为函数，这里就简单使用了getTime获取time字段
• 第二个参数为升序降序方式，ascending = true 升序，false降序

spark中的sortBy算子就简单给大家说到这里，欢迎大家来交流，指出文中一些说错的地方，让我加深认识，愿大家没有bug，谢谢！