Foo
Angenommen ist ein Fall, Klasse wie folgt:
import java.sql.Date
case class Foo(name: String, createDate: java.sql.Date)
mit Normalpapier RDDs:
import org.apache.spark.rdd.RDD
import scala.math.Ordering
val rdd: RDD[Foo] = sc
.parallelize(Seq(
("a", "2015-01-03"), ("b", "2014-11-04"), ("a", "2016-08-10"),
("a", "2013-11-11"), ("a", "2015-06-19"), ("a", "2009-11-23")))
.toDF("name", "createDate")
.withColumn("createDate", $"createDate".cast("date"))
.as[Foo].rdd
rdd.cache()
val n = scala.math.ceil(0.1 * rdd.count).toInt
Daten passt in den Treiber-Speicher:
und Bruch Sie wollen, ist relativ klein
rdd.takeOrdered(n)(Ordering.by[Foo, Long](_.createDate.getTime))
// Array[Foo] = Array(Foo(a,2009-11-23))
Fraktion Sie ist relativ groß:
rdd.sortBy(_.createDate.getTime).take(n)
sonst
rdd
.sortBy(_.createDate.getTime)
.zipWithIndex
.filter{case (_, idx) => idx < n}
.keys
Verwenden von DataFrame (beachten Sie, dass dies aufgrund des Grenzverhaltens nicht optimal ist).
import org.apache.spark.sql.Row
val topN = rdd.toDF.orderBy($"createDate").limit(n)
topN.show
// +----+----------+
// |name|createDate|
// +----+----------+
// | a|2009-11-23|
// +----+----------+
// Optionally recreate RDD[Foo]
topN.map{case Row(name: String, date: Date) => Foo(name, date)}
Hallo zero323 können Sie sagen, wirklich schnell, warum Datenrahmen der Leistung auf Grenz-Betrieb suboptimal ist? Was ist der Unterschied zu Top auf RDD in der Umsetzung vergleichen? @ Zero333 –
@XinweiLiu Ich habe bereits eine Antwort auf Ihre Frage zur Verfügung gestellt. Ich hoffe, es erklärt, was vor sich geht. – zero323
Große Antwort @ Zero323. Aber ich habe immer noch die gleiche Frage xinwei Liu hat. Warum ist df.limit() langsam? – guilhermecgs