如何按多个字段对JavaRDD进行排序<Row>，并在Java Spark中保留特定数据

Question

我有一个类型为 JavaRDD<Row> 的输入数据。Row有两个字段。

[
  {"fieldName":"requestId", "fieldType":"String"}, 
  {"fieldName":"price", "fieldType":"double"}
]

requestId和price可以在许多Rows中复制。我的目的是从具有相同requestId的那些Rows中保留具有最大price Row。实际上，即使不使用sort，任何方法都可以。

例如，输入如下所示：

76044601-8029-4e09-9708-41dd125ae4bb    1676.304091136485
76044601-8029-4e09-9708-41dd125ae4bb    3898.9987591932413
ad0acb4a-100d-4624-b863-fcf275ce28db    7518.603722172683
76044601-8029-4e09-9708-41dd125ae4bb    3308.4421575701463
26f639bc-2041-435c-86da-73b997c0cc64    1737.7186292370193
beeb7fc1-2a2d-4943-8237-c281ee7c9617    4941.882928279789
26f639bc-2041-435c-86da-73b997c0cc64    1710.328581775302

输出

数据应该是这样的（输出顺序不是问题）：

76044601-8029-4e09-9708-41dd125ae4bb    3898.9987591932413
ad0acb4a-100d-4624-b863-fcf275ce28db    7518.603722172683
26f639bc-2041-435c-86da-73b997c0cc64    1737.7186292370193
beeb7fc1-2a2d-4943-8237-c281ee7c9617    4941.882928279789

候选方法：

JavaRDD<Row> javaRDD = dataFrame.toJavaRDD().mapToPair(new PairFunction<Row, String, Row>() {
        @Override
        public Tuple2<String, Row> call(Row row) {
            String key = String.valueOf(row.getAs("requestid"));
            return new Tuple2<String, Row>(key, row);
        }
    }).reduceByKey(new Function2<Row, Row, Row>() {
        @Override
        public Row call(Row row1, Row row2) throws Exception {
            double rs1 = Double.parseDouble(String.valueOf(row1.getAs("price")));
            double rs2 = Double.parseDouble(String.valueOf(row2.getAs("price")));
            if (rs1 < rs2) {
                return row2;
            } else {
                return row1;
            }
        }
    }).map(new Function<Tuple2<String, Row>, Row>() {
        @Override
        public Row call(Tuple2<String, Row> tuple) {
            return tuple._2;
        }
    });

Answer 1

首先，你必须向JavaRDD对象创建原始数据。

并使用mapToPair功能，将数据格式设置为键值类型。（键：请求ID，值：价格）

并具有reduceByKey功能，选择最高价格作为键的值。

那么JavaRDD的结果就是你想要的。

Answer 2

你应该使用 groupByKey，而不是 reduceByKey，然后对 groupby 结果进行排序。

Answer 3

有一个简单的方法可以实现这一点。

只需使用 groupBy 然后max，您将在不解析 JavaRDD 的情况下获得结果。

df.groupBy("requestId").max("price").show();

测试

对于输入：

{"requestId": "1", "price": 10}
{"requestId": "1", "price": 15}
{"requestId": "1", "price": 19}
{"requestId": "2", "price": 20}
{"requestId": "2", "price": 21}
{"requestId": "2", "price": 26}
{"requestId": "3", "price": 30}
{"requestId": "3", "price": 38}

我有：

+---------+----------+
|requestId|max(price)|
+---------+----------+
|        1|        19|
|        2|        26|
|        3|        38|
+---------+----------+