spark groupByKey flatMapGroups初试

业务需要：

根据历史库存 预测未来某时间内库存

 

算法需求：

1. 统计历史3年内的库存量

2. 将库存划分为 平稳流量 和 波动（异常）流量

 

实际情况：

1. 每天数据量过亿

2. 每天细分维度小于10万

3. 数据中存在 时间断点

4. 尝试按月批次直接处理，过程较慢

 

回归正题，数据需要 按 各细分维度 计算异常，平稳，填充时间断点，

第一感觉，分组，然后对组内数据处理，

一顿百度 ， 发现 groupByKey 可以按 key(某几个字段分组)，然后使用flatMapGroups 对组内数据 单独处理

df2.groupByKey(row => {
      (row.getAs[](""),row.getAs[](""))
    }).flatMapGroups((key, it) => {
      ArrayBuffer[(String/**/,String/**/)]()　　
　　 })
}

　　一顿操作，本地ok

放入生产，集群环境，顿时懵了，结果完全不对。。。

怀疑executor导致问题，先添加日志

神奇是事情发生了，groupByKey之前数据是按时间排序了，然而，flatMapGroups 之后显示顺序完全错乱

百度无果，无奈 

只能在flatMapGroups 开始先 进行排序 

ArrayBuffer.sortBy(row=>(row._1))

　　到此问题解决。

 

spark新人一枚，记以做提醒。

此外发现领导给出的模板中 可以使用 

val df = dataFrame.repartition(dataFrame.col(""))

　　然后使用

df.flatMap（row=>{
      ArrayBuffer[(String/**/,String/**/)]()
}）

　　在集群环境同样会带来乱序问题，后续将寻找flatMap乱序的原因.