spark: 二次排序-1

之前文章有写过，使用mapreduce实现二次排序
在这里使用spark实现二次排序

1， 思路

输入数据
aa 12
bb 32
aa 3,
cc 43
dd 23
cc 5
cc 8
bb 23
bb 12

这里尝试一种想当然的错误思路

1. 把每一行数据map成二元组(key, value)
2. 数据继续map成复合二元组(key, value) =>(key%$#value, (key, value))
3. 按复合key进行字典排序 -- 数字也会被当作字符看待，导致排序结果错误
   比如 aa%$#12的字典顺序小于 aa%$#3
4. 重构排序后的结果，(key_value, (key, value)) => (key, value)

2， 实现

作为测试，数据存放在本地/home/hadoop/second_sort

val inputFile = sc.textFile("/home/hadoop/second_sort")

//  1. 把每一行数据map成二元组(key, value)
val splitRdd = inputFile.map{x=>val y = x.split(' '); (y(0), Integer.valueOf(y(1)))}

// 2. 数据继续map成复合二元组(key, value) =>(key%$#value, (key, value))
val combinedRdd = splitRdd.map(x=>(x._1+"%$#"+x._2, x))

// 3. 按复合key进行字典排序
val sortedRdd = combinedRdd.sortBy(x=>x)

// 4. 重构排序后的结果，(key_value, (key, value)) => (key, value)
val resultRdd = sortedRdd.map(x=>(x._2._1, x._2._2))

3 后记

这种方法存在2个问题：
1， 上面讲过的，按照复合key的字典排序结果并非我们所期望
2， 复合key的做法，使rdd的dize增加了1倍

后面使用自定义排序来实现二次排序，能够解决以上的2个严重问题