大数据算法：排位问题
此文已由作者叶林宝授权网易云社区发布。
欢迎访问网易云社区，了解更多网易技术产品运营经验。
问题描述
（1）如上图是一张表， 第一行是列名，除第一列是string类型外， 其它列都是double类型。第二行开始，每行代表一条记录
（2）需求：输入一个数组例如[2, 4](后文中， 简称排位数组)， 要求输出每列（除第一列）按升序取出第2、第4位的值。 结果如下图所示：
解决算法
一、迭代计算
简述：
简单来说， 就是迭代每一列， 然后迭代每一行， 然后找出满足相应排名的数据
代码：
/**
* 筛选出每个列满足给定的排位数组中要求的位置上的取值， 简单粗暴方案
*
* @param dataFrame 数据源
* @param ranks 排位数组
* @return
*/
def findRankStatistics(dataFrame: DataFrame, ranks: List[Long]): Map[Int, Iterable[Double]] = {
require(ranks.forall(_ > 0)) // 获取字段个数
val numberOfColumns = dataFrame.schema.length
var i = 0
// 保存结果， key为列索引， value为该列满足排序数组的值构成的列表
var result = Map[Int, Iterable[Double]]() while (i < numberOfColumns) { // 每轮迭代， 只filter出该列数据
val col = dataFrame.rdd.map(row => row.getDouble(i))
val sortedCol: RDD[(Double, Long)] = col.sortBy(v => v).zipWithIndex() // 只过滤出满足排位的数值
val ranksOnly = sortedCol.filter { case (colValue, index) => ranks.contains(index + 1)}.keys
val list = ranksOnly.collect()
result += (i -> list)
i += 1
}
result
}分析：
缺点：效率低， 每列排位的计算是串行的。
二、 groupByKey
简述：
解决方案一， 循环迭代每一列带来的效率问题， 列与列之间的计算本质上互不影响的， 所以， 方案二的改进方法是， 列索引作为key ， 每行的值作为value，依据key的hash值shuffle到不同的partition， 并行计算每个partition
代码：
/**
* 筛选出每个列满足给定的排位数组中要求的位置上的数值， groupByKey方案
*
* @param dataFrame 数据源
* @param ranks 排位数组
* @return
*/
def findRankStatistics(dataFrame: DataFrame, ranks: List[Long]): Map[Int, Iterable[Double]] = {
require(ranks.forall(_ > 0)) // 将源数据 依据列索引（后文简称field_index）和每行对应的数值（后文简称field_value）转换为pairRDD
val pairRDD: RDD[(Int, Double)] = mapToKeyValuePairs(dataFrame) // 依据field_index 聚合相应filed_value
val groupColumns: RDD[(Int, Iterable[Double])] = pairRDD.groupByKey()
// 对每个field_index, 计算其相应的field_values, 过滤出满足排位要求的数值
groupColumns.mapValues(
iter => { // 排序field_values
val sortedIter = iter.toArray.sorted
sortedIter.toIterable.zipWithIndex.flatMap({ case (colValue, index) => if (ranks.contains(index + 1)) {
Iterator(colValue)
} else {
Iterator.empty
}
})
}).collectAsMap()
}分析：
这种方案只使用数数据规模较小（指的是行数较少）的数据， 对于大规模数据， groupByKey操作， 容易oom。
groupByKey执行效果如下图所示：
groupByKey会在内存中暂存所有的<key, values>， 所以， 对于同一个key， value较多的情况， 容易引起executor端oom
三、二次排序
简述：
方案二， 除了容易引起executor端oom问题， 还有另外一个问题， 排序操作时在shuffle后， 在executor进行的。spark sort based shuffle 支持在shuffle阶段，直接对key进行排序。因此，可通过二次排序提高效率。
算法思想：
（1）将df的每行数据展开为(field_index, field_value)格式， 再转换为((field_index, field_value), 1)
（2）自定义分区器， 根据((field_index, field_value), 1)中的field_index分区
（3）调用repartitionAndSortWithinPartitions函数， 依据field_index分区， 依据(field_index, field_value)排序
（4）过滤出各列满足配位需求的值
（5）转换为所需输出格式
代码：
/**
* 筛选出每个列满足给定的排位数组中要求的位置上的数值， 二次排序方案
* @param dataFrame 数据源
* @param targetRanks 排位数组
* @param partitions 分区数
* @return
*/
def findRankStatistics(dataFrame: DataFrame, targetRanks: List[Long], partitions: Int) = { // 将df的每行数据展开为(field_index, field_value)格式， 再转换为((field_index, field_value), 1)
// 即最终为pariRdd
// 其中“1”只是pairRdd中value的一个占位符， 对最终计算结果不产生影响
val pairRDD: RDD[((Int, Double), Int)] = mapToKeyValuePairs(dataFrame).map((_, 1)) //自定义分区器， 根据((field_index, field_value), 1)中的field_index分区
val partitioner = new ColumnIndexPartition(partitions) //根据((field_index, field_value), 1)中的(field_index, field_value)排序
val sorted = pairRDD.repartitionAndSortWithinPartitions(partitioner) //过滤出所需数据
val filterForTargetIndex: RDD[(Int, Double)] =
sorted.mapPartitions(iter => {
var currentColumnIndex = -1
var runningTotal = 0
// 过滤出各列满足配位需求的值
iter.filter({ case (((colIndex, value), _)) => // 同一个分区中的数据，可能包含多个field_index即多列数据， 当遍历到新的field_index时， 需要重置计数器runningTotal
if (colIndex != currentColumnIndex) {
currentColumnIndex = colIndex
runningTotal = 1
} else {
runningTotal += 1
} //保留满足排位的数值
targetRanks.contains(runningTotal)
})
}.map(_._1), preservesPartitioning = true) // 转换为所需输出格式
groupSorted(filterForTargetIndex.collect())
} // 隐式转换， 对于二元数组， 先按第一排序， 再按第二个排序
implicit val ordering: Ordering[(K, S)] = Ordering.Tuple2 /**
* 将df的每行数据展开为(field_index, field_value)格式， 再转换为((field_index, field_value), 1)
* @param dataFrame
* @return
*/
def mapToKeyValuePairs(dataFrame: DataFrame): RDD[(Int, Double)] = { // 获取字段个数
val rowLength = dataFrame.schema.length
dataFrame.rdd.flatMap(
row => Range(0, rowLength).map(i => (i, row.getDouble(i)))
)
} /**
* 自定义分区器， 根据((field_index, field_value), 1)中的field_index分区
* @param numPartitions 分区个数
*/
class ColumnIndexPartition(override val numPartitions: Int) extends Partitioner {
require(numPartitions >= 0, s"Number of partitions " + s"($numPartitions) cannot be negative.") override def getPartition(key: Any): Int = {
val k = key.asInstanceOf[(Int, Double)]
Math.abs(k._1) % numPartitions //hashcode of column index
}
} /**
* 转换为所需输出格式
* 将it聚合为map， 其中key为field_index, value为同一个field_index下的field_value组成的数组
* @param it 数组中的元素为(field_index, field_value)
* @return
*/
private def groupSorted(it: Array[(Int, Double)]): Map[Int, Iterable[Double]] = {
val res = List[(Int, ArrayBuffer[Double])]()
it.foldLeft(res)((list, next) => list match { case Nil =>
val (firstKey, value) = next List((firstKey, ArrayBuffer(value))) case head :: rest =>
val (curKey, valueBuf) = head val (firstKey, value) = next if (!firstKey.equals(curKey)) {
(firstKey, ArrayBuffer(value)) :: list
} else {
valueBuf.append(value)
list
}
}).map { case (key, buf) => (key, buf.toIterable) }.toMap
}分析：
相比于方案二， 这种方案将数据排序下推到shuffle阶段， 然后对每个partitions的数据，迭代每条记录过滤出所需数据， 避免了executor将所有数据加载到内存中。但是， 在shuffle阶段， 也可能出现由于数据量过大（数据本身行数较多， 且不同的key都打到同一个executor）， 特别是重复数据特别多的情况下， 导致在二次排序过程中oom。
更多网易技术、产品、运营经验分享请点击。
相关文章：
【推荐】 django项目在uwsgi+nginx上部署遇到的坑
【推荐】 使用QUIC
