spark-sql缩减版样例:获取每日top3搜索词和各自的次数,包括总次数
//获取出每天前3的搜索词
ArrayList<String> log = new ArrayList<String>();
log.add("2015-10-01,leo,a1,beijing,android");
log.add("2015-10-01,leo,a1,beijing,android");
log.add("2015-10-01,tom,a1,beijing,android");
log.add("2015-10-01,jack,a1,beijing,android");
log.add("2015-10-01,marry,a1,beijing,android");
log.add("2015-10-01,tom,bbf,beijing,android");
log.add("2015-10-01,jack,bbf,beijing,iphone");
log.add("2015-10-01,jack,bbf,beijing,android");
log.add("2015-10-01,leo,ttyu,beijing,android");
log.add("2015-10-01,leo,ttyu,beijing,android");
log.add("2015-10-01,wede,a1,beijing,android");
log.add("2015-10-01,wede,bbf,beijing,iphone");
log.add("2015-10-02,leo,a2,beijing,android");
log.add("2015-10-02,tom,a2,beijing,android");
log.add("2015-10-02,tom,a2,beijing,android");
log.add("2015-10-02,jack,a1,beijing,android");
log.add("2015-10-02,marry,a1,beijing,android");
log.add("2015-10-02,leo,bbf,beijing,iphone");
log.add("2015-10-02,jack,bbf,beijing,android");
log.add("2015-10-02,wede,bbf,beijing,android");
log.add("2015-10-02,leo,ttyu,beijing,android");
log.add("2015-10-02,leo,ttyu,beijing,android");
log.add("2015-10-02,jack,a1,beijing,android");
log.add("2015-10-02,wede,tour,beijing,android"); SparkConf conf = new SparkConf()
// .setMaster("local")
.setAppName("Top3UV");
JavaSparkContext sc = new JavaSparkContext(conf);
HiveContext sqlContext = new HiveContext(sc.sc()); JavaRDD<String> rdd_list = sc.parallelize(log, 2);
//0条件使用broadcast(每个worker节点共享一个变量)
final org.apache.spark.broadcast.Broadcast<String> bc = sc.broadcast("iphone"); //1条件过滤
JavaRDD<String> rdd_filter_list = rdd_list.filter(new Function<String, Boolean>() {
@Override
public Boolean call(String v1) throws Exception {
String ary[] = v1.split(",");
String platform = ary[4];
if (platform.contains(bc.value()))
return false;
return true;
}
});
//2将每行数据构建成tuple2
JavaPairRDD<String, String> rdd_tuple2_list = rdd_filter_list.mapToPair(new PairFunction<String, String, String>() {
@Override
public Tuple2<String, String> call(String s) throws Exception {
String ary[] = s.split(",");
String time = ary[0];
String word = ary[2];
String userName = ary[1];
return new Tuple2<String, String>(time + "_" + word, userName);
}
});
//3按照tuple._1进行combiner
JavaPairRDD<String, Iterable<String>> rdd_byKey = rdd_tuple2_list.groupByKey(); //4按照tuple._1进行用户数量去重后的统计
JavaPairRDD<String, Integer> rdd_byKey_uv = rdd_byKey.mapToPair(new PairFunction<Tuple2<String, Iterable<String>>, String, Integer>() {//tuple._1仍然为时间_搜索词,而tuple._2变为用户去重后的数量
@Override
public Tuple2<String, Integer> call(Tuple2<String, Iterable<String>> stringIterableTuple2) throws Exception {
String tuple_1 = stringIterableTuple2._1();
Iterable<String> userNames = stringIterableTuple2._2();
Set<String> userNameSet = new HashSet<String>();
for (String item : userNames) {
userNameSet.add(item);//用户名称
}
return new Tuple2<String, Integer>(tuple_1, userNameSet.size());
}
}); //5构建rdd<Row>用来映射DataFrame
JavaRDD<Row> rdd_byKey_row_uv = rdd_byKey_uv.map(new Function<Tuple2<String, Integer>, Row>() {
@Override
public Row call(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {
String ary[] = stringIntegerTuple2._1().split("_");
return RowFactory.create(ary[0], ary[1], stringIntegerTuple2._2());
}
}); List<StructField> list = new ArrayList<StructField>();
list.add(DataTypes.createStructField("date", DataTypes.StringType, true));
list.add(DataTypes.createStructField("word", DataTypes.StringType, true));
list.add(DataTypes.createStructField("uv_num", DataTypes.IntegerType, true));
StructType tmpType = DataTypes.createStructType(list);
DataFrame df_tuple = sqlContext.createDataFrame(rdd_byKey_row_uv, tmpType);
df_tuple.registerTempTable("tuple_keyDS_valUN"); //6使用DataFrame结合开窗函数row_number分组后过滤出访问量前3的搜索词
StringBuilder _sb = new StringBuilder();
_sb.append("select date,word,uv_num from ( ");
_sb.append(" select date,word,uv_num, row_number() OVER (PARTITION BY date ORDER BY uv_num DESC ) as rank from tuple_keyDS_valUN ");
_sb.append(" ) tmp_group_top3 where rank<=3"); DataFrame df_tuple_groupTop3 = sqlContext.sql(_sb.toString()).cache();
//df_tuple_groupTop3.show();//***************在最下面打印 //=====到这里已经获取到每天前3的“搜索词“和“uv数“,并倒叙排序 //在获取每天排名前三“搜索词”的总uv数 //7将结果从DataFrame转换回rdd,并拼接成tuple2(日期,总访问量_访问词)
JavaPairRDD<String, String> rdd_uvKey = df_tuple_groupTop3.javaRDD().mapToPair(new PairFunction<Row, String, String>() {
@Override
public Tuple2<String, String> call(Row row) throws Exception {
String date = row.getString(0);
String word = row.getString(1);
Integer uv_mun = row.getInt(2);
return new Tuple2<String, String>(date, uv_mun + "_" + word);
}
}); //8mapToPair后继续按照key合并
JavaPairRDD<String, Iterable<String>> rdd_dateKey_group = rdd_uvKey.groupByKey(); JavaPairRDD<Integer, String> rdd_uvKey_combiner = rdd_dateKey_group.mapToPair(new PairFunction<Tuple2<String, Iterable<String>>, Integer, String>() {
@Override
public Tuple2<Integer, String> call(Tuple2<String, Iterable<String>> stringIterableTuple2) throws Exception {
Integer uv_sum = 0;
String data_word = "";
Iterable<String> uv_word = stringIterableTuple2._2();
Iterator<String> uv_word_it = uv_word.iterator();
for (; uv_word_it.hasNext(); ) {
String uv_word_str = uv_word_it.next();
String ary[] = uv_word_str.split("_");
Integer uv = Integer.valueOf(ary[0]);
uv_sum += uv;//累加总uv数
String word = ary[1];
data_word += stringIterableTuple2._1() + "_" + word + "|";
} return new Tuple2<Integer, String>(uv_sum, data_word);
}
}); JavaPairRDD<Integer, String> rdd_uvKey_sort = rdd_uvKey_combiner.sortByKey(false); List<Tuple2<Integer, String>> ret = rdd_uvKey_sort.collect();
for (Tuple2<Integer, String> item : ret) {
System.out.println(item._1() + "<--->" + item._2());
}
df_tuple_groupTop3.show();
spark-sql缩减版样例:获取每日top3搜索词和各自的次数,包括总次数的更多相关文章
- HttpClient4.3.3 使用样例—获取静态资源
HttpClient4.3.3 使用样例—获取静态资源 学习了:http://shihlei.iteye.com/blog/2067688
- spark单机部署及样例运行
spark单机运行部署 环境预装 需要预先下载jdk和spark.机器使用centos6.6(推荐).然后依次运行 [root@spark-master root]# cd /root #安装必要的软 ...
- python获取每日涨跌停股票统计,封闭时间和打开次数
接口:limit_list 描述:获取每日涨跌停股票统计,包括封闭时间和打开次数等数据,帮助用户快速定位近期强(弱)势股,以及研究超短线策略. 限量:单次最大1000,总量不限制 积分:用户积2000 ...
- SQL集合操作符样例(UNION,INTERSECT,EXCEPT)
由于MYSQL目前只实现了UNION, 所以后面两个就没得玩罗.... SELECT emp_id, assigned_branch_id -> FROM employee -> WHER ...
- php 获取淘宝搜索词 内容
$s = file_get_contents('http://suggest.taobao.com/sug?extras=1&code=utf-8&callback=g_ks_sugg ...
- SQL SEVER 2008中的演示样例数据库
SQL SEVER 2008数据库是什么我就不说了,我在这里分享一下怎样学习SQL SEVER 2008数据库,假设是对数据库或是SQL SEVER 数据库全然陌生或是不熟悉的人来说,建议看看一些视频 ...
- 48、Spark SQL之与Spark Core整合之每日top3热点搜索词统计案例实战
一.概述 1.需求分析 数据格式: 日期 用户 搜索词 城市 平台 版本 需求: 1.筛选出符合查询条件(城市.平台.版本)的数据 2.统计出每天搜索uv排名前3的搜索词 3.按照每天的top3搜索词 ...
- spark mllib lda 中文分词、主题聚合基本样例
github https://github.com/cclient/spark-lda-example spark mllib lda example 官方示例较为精简 在官方lda示例的基础上,给合 ...
- Spark SQL 之 Data Sources
#Spark SQL 之 Data Sources 转载请注明出处:http://www.cnblogs.com/BYRans/ 数据源(Data Source) Spark SQL的DataFram ...
随机推荐
- zabbix使用自动发现监控esxi的磁盘存储storage
zabbix使用自动发现监控esxi的磁盘存储storage 在任意一台可以访问vcenter的zabbix-agent服务器上添加exsi的磁盘监控模板即可 创建模板过程: custom.esxi. ...
- Hibernate查询返回自定义VO的两种方式
说明:createQuery用的hql语句进行查询,createSQLQuery用sql语句查询: 前者以hibernate生成的Bean为对象装入list返回:后者则是以对象数组进行存储: 一.通过 ...
- html基础技巧:点击、placeholder、文本、字体、清楚浮动
点击处理: 消除a标签点击后的边框,颜色(background:#fff) 1:a:focus{outline:none;} button去除边框 1:border:none 2:border:0px ...
- JavaScript入门学习笔记(异常处理)
try:语句测试代码块的错误,当try中的代码块出错时执行catch中的代码块. catch:语句处理错误: throw:语句创建或抛出自定义异常. 三者一起使用可以控制程序流并生成自定义异常信息. ...
- jquery 第四章
1.回顾 节点.append(内容) 节点.prepend(内容) 节点.remove() 节点.attr("属性","值") 节点.css("样式& ...
- EurekaClient项目启动报错Invocation of destroy method failed on bean with name 'scopedTarget.eurekaClient': org.springframework.beans.factory.BeanCreationNotAllowedException: Error creating bean with name 'e
Disconnected from the target VM, address: '127.0.0.1:51233', transport: 'socket' Eureka Client的使用 使用 ...
- 树上背包O(n*m^2)|| 多叉树转二叉树 || o(n*m)???
#. 选课 描述 提交 自定义测试 问题描述 在大学里每个学生,为了达到一定的学分,必须从很多课程里选择一些课程来学习,在课程里有些课程必须在某些课程之前学习,如高等数学总是在其它课程之前学习.现在有 ...
- C# 在遍历中修改或者移除元素
; i >= ; i--) { var l = imgList[i].Trim(); if (!l.ToLower().Contains(".jpg") && ...
- 使用 NPOI 导出 Excel 文件
[NPOI简介] NPOI 是 POI 项目的 .NET 版本.POI是一个开源的Java读写Excel.WORD等微软OLE2组件文档的项目. 使用 NPOI 你就可以在没有安装 Office 或者 ...
- mq_receive
NAME mq_receive - 从消息队列中获取消息 (REALTIME) SYNOPSIS #include <mqueue.h> ssize_t mq_receive(mqd_t ...