赞
踩
最近正在看《Spark大数据处理:技术、应用与性能优化》这本书,然后对于最后一章的编程实战比较感兴趣。但是上面写的算法个人觉得还不是很简洁,无法体现出scala的优点,所以稍作了一些修改,仅供参考。
Top K算法有两步,一是统计词频,二是找出词频最高的前K个词。
1.实例描述
假设取Top 1,则有如下输入和输出。
输入:
Hello World Bye World
Hello Hadoop Bye Hadoop
Bye Hadoop Hello Hadoop
输出:
词Hadoop 词频4
2.设计思路
首先统计WordCount的词频,将数据转化为(词,词频)的数据对,第
二个阶段采用分
治的思想,求出RDD每个分区的Top K,最后将每个分区的Top K结果合并以产生新的集
合,在集合中统计出Top K的结果。
每个分区由于存储在单机的,所以可以采用单机求Top
K的方式。 本例采用堆的方式。 也可以直接维护一个含K个元素的数组,感兴趣的读者可以
参考其他资料了解堆的实现。
代码实现:
package spark import org.apache.spark.{SparkConf, SparkContext} object TopK { def main(arg: Array[String]):Unit={ val conf = new SparkConf().setAppName("dcd").setMaster("local") val sc = new SparkContext(conf) //词频统计 val dataRDD = sc.textFile("F://wordcount.txt") .flatMap(_.split(" ")) .map(x => (x, 1)) .reduceByKey((a, b) => (a+b)) dataRDD.foreach(println) //Top K val topRDD = dataRDD.map{ case(key, value) => (value, key) }.sortByKey().top(3).foreach(x =>println(x._2+"-->"+x._1)) } }
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。