09、高级编程之基于排序机制的wordcount程序

package sparkcore.java;

import java.util.Arrays;

import java.util.Iterator;

import org.apache.spark.SparkConf;

import org.apache.spark.api.java.JavaPairRDD;

import org.apache.spark.api.java.JavaRDD;

import org.apache.spark.api.java.JavaSparkContext;

import org.apache.spark.api.java.function.FlatMapFunction;

import org.apache.spark.api.java.function.Function2;

import org.apache.spark.api.java.function.PairFunction;

import org.apache.spark.api.java.function.VoidFunction;

import scala.Tuple2;

/**

 * 排序的wordcount程序：根据单词出现的次数进行排序

 */

public class SortWordCount {

    public static void main(String[] args) {

        // 创建SparkConf和JavaSparkContext

        SparkConf conf = new SparkConf().setAppName("SortWordCount").setMaster("local");

        JavaSparkContext sc = new JavaSparkContext(conf);

        // 创建lines RDD

        JavaRDD<String> lines = sc.textFile("test.txt");

        // 执行我们之前做过的单词计数

        JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {

            private static final long serialVersionUID = 1L;

            @Override

            public Iterator<String> call(String t) throws Exception {

                return Arrays.asList(t.split(" ")).iterator();

            }

        });

        JavaPairRDD<String, Integer> pairs = words.mapToPair(

                new PairFunction<String, String, Integer>() {

                    private static final long serialVersionUID = 1L;

                    @Override

                    public Tuple2<String, Integer> call(String t) throws Exception {

                        return new Tuple2<String, Integer>(t, 1);

                    }

                });

        JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey(

                new Function2<Integer, Integer, Integer>() {

                    private static final long serialVersionUID = 1L;

                    @Override

                    public Integer call(Integer v1, Integer v2) throws Exception {

                        return v1 + v2;

                    }

                });

        // 到这里为止，就得到了每个单词出现的次数

        // 但是，问题是，我们的新需求，是要按照每个单词出现次数的顺序，降序排序

        // wordCounts RDD内的元素是什么？应该是这种格式的吧：(hello, 3) (you, 2)

        // 我们需要将RDD转换成(3, hello) (2, you)的这种格式，才能根据单词出现次数进行排序把！

        // 进行key-value的反转映射

        JavaPairRDD<Integer, String> countWords = wordCounts.mapToPair(

                new PairFunction<Tuple2<String, Integer>, Integer, String>() {

                    private static final long serialVersionUID = 1L;

                    @Override

                    public Tuple2<Integer, String> call(Tuple2<String, Integer> t) throws Exception {

                        return new Tuple2<Integer, String>(t._2, t._1);

                    }

                });

        // 按照key进行排序。注：其实可以使用sortBy()函数来根据自定义排序规则来进行排序，而不用像这里在排序前后进行Key与Value对调

        JavaPairRDD<Integer, String> sortedCountWords = countWords.sortByKey(false);

        // 再次将value-key进行反转映射

        JavaPairRDD<String, Integer> sortedWordCounts = sortedCountWords.mapToPair(

                new PairFunction<Tuple2<Integer, String>, String, Integer>() {

                    private static final long serialVersionUID = 1L;

                    @Override

                    public Tuple2<String, Integer> call(Tuple2<Integer, String> t) throws Exception {

                        return new Tuple2<String, Integer>(t._2, t._1);

                    }

                });

        // 到此为止，我们获得了按照单词出现次数排序后的单词计数

        // 打印出来

        sortedWordCounts.foreach(new VoidFunction<Tuple2<String, Integer>>() {

            private static final long serialVersionUID = 1L;

            @Override

            public void call(Tuple2<String, Integer> t) throws Exception {

                System.out.println(t._1 + " : " + t._2);

            }

        });

        // 关闭JavaSparkContext

        sc.close();

    }

}

package sparkcore.scala

import org.apache.spark.SparkConf

import org.apache.spark.SparkContext

object SortWordCount {

  def main(args: Array[String]) {

    val conf = new SparkConf()

      .setAppName("SortWordCount")

      .setMaster("local")

    val sc = new SparkContext(conf)

    val lines = sc.textFile("test.txt", 1)

    val words = lines.flatMap { line => line.split(" ") }

    val pairs = words.map { word => (word, 1) }

    val wordCounts = pairs.reduceByKey(_ + _)

    val countWords = wordCounts.map(wordCount => (wordCount._2, wordCount._1))

    val sortedCountWords = countWords.sortByKey(false)

    val sortedWordCounts = sortedCountWords.map(sortedCountWord => (sortedCountWord._2, sortedCountWord._1))

    sortedWordCounts.foreach(sortedWordCount => println(sortedWordCount._1 + " : " + sortedWordCount._2))

  }

}