如何获得Spark RDD的SQL row_number等价物？-Java 学习之路

我需要为包含许多列的数据表生成row_numbers的完整列表 .

在SQL中，这将如下所示：

select
   key_value,
   col1,
   col2,
   col3,
   row_number() over (partition by key_value order by col1, col2 desc, col3)
from
   temp
;

现在，让我们说在Spark中我有一个形式为（K，V）的RDD，其中V =（col1，col2，col3），所以我的条目就像

(key1, (1,2,3))
(key1, (1,4,7))
(key1, (2,2,3))
(key2, (5,5,5))
(key2, (5,5,9))
(key2, (7,5,5))
etc.

我想使用sortBy（），sortWith（），sortByKey（），zipWithIndex等命令对它们进行排序，并使用正确的row_number创建一个新的RDD .

(key1, (1,2,3), 2)
(key1, (1,4,7), 1)
(key1, (2,2,3), 3)
(key2, (5,5,5), 1)
(key2, (5,5,9), 2)
(key2, (7,5,5), 3)
etc.

（我不关心括号，所以表格也可以是（K，（col1，col2，col3，rownum））而不是）

我该怎么做呢？

这是我的第一次尝试：

val sample_data = Seq(((3,4),5,5,5),((3,4),5,5,9),((3,4),7,5,5),((1,2),1,2,3),((1,2),1,4,7),((1,2),2,2,3))

val temp1 = sc.parallelize(sample_data)

temp1.collect().foreach(println)

// ((3,4),5,5,5)
// ((3,4),5,5,9)
// ((3,4),7,5,5)
// ((1,2),1,2,3)
// ((1,2),1,4,7)
// ((1,2),2,2,3)

temp1.map(x => (x, 1)).sortByKey().zipWithIndex.collect().foreach(println)

// ((((1,2),1,2,3),1),0)
// ((((1,2),1,4,7),1),1)
// ((((1,2),2,2,3),1),2)
// ((((3,4),5,5,5),1),3)
// ((((3,4),5,5,9),1),4)
// ((((3,4),7,5,5),1),5)

// note that this isn't ordering with a partition on key value K!

val temp2 = temp1.???

另请注意，函数sortBy不能直接应用于RDD，但必须首先运行collect（），然后输出也不是RDD，而是数组

temp1.collect().sortBy(a => a._2 -> -a._3 -> a._4).foreach(println)

// ((1,2),1,4,7)
// ((1,2),1,2,3)
// ((1,2),2,2,3)
// ((3,4),5,5,5)
// ((3,4),5,5,9)
// ((3,4),7,5,5)

这里有一些进展，但仍未分区：

val temp2 = sc.parallelize(temp1.map(a => (a._1,(a._2, a._3, a._4))).collect().sortBy(a => a._2._1 -> -a._2._2 -> a._2._3)).zipWithIndex.map(a => (a._1._1, a._1._2._1, a._1._2._2, a._1._2._3, a._2 + 1))

temp2.collect().foreach(println)

// ((1,2),1,4,7,1)
// ((1,2),1,2,3,2)
// ((1,2),2,2,3,3)
// ((3,4),5,5,5,4)
// ((3,4),5,5,9,5)
// ((3,4),7,5,5,6)

3 回答

row_number() over (partition by ... order by ...) 功能已添加到Spark 1.4中 . 这个答案使用PySpark / DataFrames .

创建一个测试DataFrame：

from pyspark.sql import Row, functions as F

testDF = sc.parallelize(
    (Row(k="key1", v=(1,2,3)),
     Row(k="key1", v=(1,4,7)),
     Row(k="key1", v=(2,2,3)),
     Row(k="key2", v=(5,5,5)),
     Row(k="key2", v=(5,5,9)),
     Row(k="key2", v=(7,5,5))
    )
).toDF()

添加分区的行号：

from pyspark.sql.window import Window

(testDF
 .select("k", "v",
         F.rowNumber()
         .over(Window
               .partitionBy("k")
               .orderBy("k")
              )
         .alias("rowNum")
        )
 .show()
)

+----+-------+------+
|   k|      v|rowNum|
+----+-------+------+
|key1|[1,2,3]|     1|
|key1|[1,4,7]|     2|
|key1|[2,2,3]|     3|
|key2|[5,5,5]|     1|
|key2|[5,5,9]|     2|
|key2|[7,5,5]|     3|
+----+-------+------+

回复于 2024-05-05T00:44:17+08:00

4
这是你提出的一个有趣的问题 . 我将用Python回答它，但我相信你能够无缝地翻译成Scala .

以下是我将如何解决它：

1-简化您的数据：
```
temp2 = temp1.map(lambda x: (x[0],(x[1],x[2],x[3])))
```
temp2现在是一个“真正的”键值对 . 它看起来像这样：
```
[
((3, 4), (5, 5, 5)),  
((3, 4), (5, 5, 9)),   
((3, 4), (7, 5, 5)),   
((1, 2), (1, 2, 3)),  
((1, 2), (1, 4, 7)),   
((1, 2), (2, 2, 3))
```
]

2-然后，使用分组依据功能重现PARTITION BY的效果：
```
temp3 = temp2.groupByKey()
```
temp3现在是一个包含2行的RDD：
```
[((1, 2), <pyspark.resultiterable.ResultIterable object at 0x15e08d0>),  
 ((3, 4), <pyspark.resultiterable.ResultIterable object at 0x15e0290>)]
```
3-现在，您需要为RDD的每个值应用等级函数 . 在python中，我会使用简单的排序函数（枚举将创建你的row_number列）：
```
temp4 = temp3.flatMap(lambda x: tuple([(x[0],(i[1],i[0])) for i in enumerate(sorted(x[1]))])).take(10)
```
请注意，要实现您的特定订单，您需要提供正确的“key”参数（在python中，我只需创建一个lambda函数，如下所示：
```
lambda tuple : (tuple[0],-tuple[1],tuple[2])
```
最后（没有键参数函数，它看起来像那样）：
```
[
((1, 2), ((1, 2, 3), 0)), 
((1, 2), ((1, 4, 7), 1)), 
((1, 2), ((2, 2, 3), 2)), 
((3, 4), ((5, 5, 5), 0)), 
((3, 4), ((5, 5, 9), 1)), 
((3, 4), ((7, 5, 5), 2))
```
]

希望有所帮助！

祝好运 .
回复于 2024-05-05T00:44:17+08:00
1
```
val test = Seq(("key1", (1,2,3)),("key1",(4,5,6)), ("key2", (7,8,9)), ("key2", (0,1,2)))
```
test：Seq [（String，（Int，Int，Int））] = List（（key1，（1,2,3）），（key1，（4,5,6）），（key2，（7,8），9）），（key2，（0,1,2）））
```
test.foreach(println)
```
（KEY1，（1,2,3））

（KEY1，（4,5,6））

（KEY2，（7,8,9））

（KEY2，（0,1,2））
```
val rdd = sc.parallelize(test, 2)
```
rdd：org.apache.spark.rdd.RDD [（String，（Int，Int，Int））] = ParallelCollectionRDD [41]并行化：26
```
val rdd1 = rdd.groupByKey.map(x => (x._1,x._2.toArray)).map(x => (x._1, x._2.sortBy(x => x._1).zipWithIndex))
```
rdd1：org.apache.spark.rdd.RDD [（String，Array [（（Int，Int，Int），Int）]）] = MapPartitionsRDD [44] at map at：25
```
val rdd2 = rdd1.flatMap{ 
  elem =>
   val key = elem._1
   elem._2.map(row => (key, row._1, row._2))
 }
```
rdd2：org.apache.spark.rdd.RDD [（String，（Int，Int，Int），Int）] = MapPartitionsRDD [45] at flatMap at：25
```
rdd2.collect.foreach(println)
```
（KEY1，（1,2,3），0）

（KEY1，（4,5,6），1）

（KEY2，（0,1,2），0）

（KEY2，（7,8,9），1）
回复于 2024-05-05T00:44:17+08:00

如何获得Spark RDD的SQL row_number等价物？

3 回答

相关问题