社区首页 >问答首页 >如何获得与SparkRDD等效的SQL行号？

问如何获得与SparkRDD等效的SQL行号？

提问于 2018-03-20 20:50:28

回答 2关注 0查看 1.1K

我需要生成一个完整的行列表_具有多列的数据表的数字。

在SQL中，这看起来如下所示：

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

现在，假设在SPark中，我有一个(K，V)形式的RDD，其中V=(col1，col2，col3)，所以我的条目如下

(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.

我希望使用sortBy()、sortWith()、sortByKey()、zipWithIndex等命令对这些命令进行排序，并使用正确的行创建一个新的RDD。_数

(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，所以表单也可以是(K，(col1，col2，col3，rownum))

我该怎么做？

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.???

还请注意，函数sortBy不能直接应用于RDD，但必须首先运行Collection()，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，但仍然没有分区：

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)

sql

回答 2

人生的旅途

回答已采纳

发布于 2018-03-21 04:58:51

row_number() over (partition by ... order by ...)功能添加到Spark1.4。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|
+----+-------+------+

铁血之鹰

发布于 2018-03-21 06:37:20

这是你提出的一个有趣的问题。我将用Python来回答这个问题，但我相信你将能够无缝地将它翻译到Scala。

以下是我要处理的问题：

1.简化数据：

temp2 = temp1.map(lambda x: (x[0],(x[1],x[2],x[3])))

tv 2现在是一个“真正的”键值对。看起来是这样的：

[
((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，使用组-by函数通过以下方式再现分区的效果：

temp3 = temp2.groupByKey()

temo 3现在是一个有2行的RDD：

[((1, 2), <pyspark.resultiterable.ResultIterable object at 0x15e08d0>),  
 ((3, 4), <pyspark.resultiterable.ResultIterable object at 0x15e0290>)]

3-现在，需要为RDD的每个值应用一个秩函数。在python中，我将使用简单的排序函数(枚举将创建您的行)。_(编号栏)：

 temp4 = temp3.flatMap(lambda x: tuple([(x[0],(i[1],i[0])) for i in enumerate(sorted(x[1]))])).take(10)

请注意，要实现特定的顺序，需要输入正确的“key”参数(在python中，我只创建一个lambda函数，如下所示：

lambda tuple : (tuple[0],-tuple[1],tuple[2])

在结尾处(没有键参数函数，它看起来是这样的)：

[
((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))

]

希望能帮上忙！

祝好运!