Spark SQL 分组后取 top n 问题的解决方法

背景介绍

遇到一个需求,用 Spark SQL 查询每个分组的前 top n 个数据。由于一开始不知道 Spark SQL 有 row_number() 这么个东西,使得用普通的 SQL 语句把我想破了头也没写出来。

三个表的字段定义

数据示例

tbDate.txt
tbStock.txt
tbStockDetail.txt

现在的需求是,计算所有订单月销售额前十名

Spark SQL 实现

首先进入Spark SQL
spark-sql

创建三个表

CREATE TABLE tbDate(dateID string,theyearmonth string,theyear string,themonth
string,thedate string,theweek string,theweeks string,thequot string,thetenday
string,thehalfmonth string) ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
LINES
TERMINATED BY '\n' ;
CREATE TABLE tbStock(ordernumber STRING,locationid string,dateID string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LINES TERMINATED BY '\n' ;
CREATE TABLE tbStockDetail(ordernumber STRING,rownum int,itemid string,qty
int,price int ,amount int) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LINES
TERMINATED BY '\n' ;

把数据加载进来

load data local inpath '/data/sparksql_data/tbDate.txt' into table tbDate;
load data local inpath '/data/sparksql_data/tbStock.txt' into table tbStock;
load data local inpath '/data/sparksql_data/tbStockDetail.txt' into table tbStockDetail;

先来分析一下,要计算 所有订单月销售前十名,那么我们最后需要的字段有 年月,订单号,总金额,而这三个字段分别位于三个表中,那我们可以先创建一个视图,连接三个表,把上述三个字段的数据查出来

create view tempyearmonthorder as 
select a.theyearmonth,b.ordernumber,c.amount from tbDate as a 
join tbStock as b join tbStockDetail as c on a.dateID = b.dateID 
and b.ordernumber = c.ordernumber;

然后我们在这个视图的基础上继续执行分组和排序的操作,最后找出所有订单月销售前十名。

select theyearmonth,ordernumber,amount from 
(select theyearmonth,ordernumber,amount,Row_Number() OVER 
(partition by theyearmonth order by amount desc) as rank 
from tempyearmonthorder) temp where temp.rank <= 10;

row_number 其实就是行号,在对视图 tempyearmonthorder 利用 theyearmonth 分组之后再根据 amount 排序,然后对每一行排上号,最后取前十行就行了

理论上我们现在是能得到结果的,但是由于视图并不保存数据,所以相当于我们把所有的工作加入到一次查询作业里面,这会导致性能消耗很大,出现内存溢出的问题,所以我们不应该用视图,而是创建一个临时表,得到结果后之后再把它删掉

修改视图为临时表

drop view tempyearmonthorder;

create table tempyearmonthorder as 
select a.theyearmonth,b.ordernumber,c.amount from tbDate as a 
join tbStock as b join tbStockDetail as c on a.dateID = b.dateID 
and b.ordernumber = c.ordernumber;

然后再执行查询就行了。

Spark Shell实现

进入 Spark Shell
spark-shell

创建三个表

val sqlContext = new org.apache.spark.sql.SQLContext(sc)
import sqlContext.implicits._


case class tbDate(dateID:String,theyearmonth:String,theyear:String,themonth:String,thedate:String,theweek:String,theweeks:String,thequot:String,thetenday:String,thehalfmonth:String)
val dftbDate = sc.textFile("/user/hive/warehouse/tbdate").map(_.split(',')).map(line=>tbDate(line(0),line(1),line(2),line(3),line(4),line(5),line(6),line(7),line(8),line(9))).toDF()
dftbDate.registerTempTable("tbDate")

case class tbStock(ordernumber:String,locationid:String,dateID:String)
val dftbStock = sc.textFile("/user/hive/warehouse/tbstock").map(_.split(',')).map(line=>tbStock(line(0),line(1),line(2))).toDF()
dftbStock.registerTempTable("tbStock")

case class tbStockDetail(ordernumber:String,rownum:Int,itemid:String,qty:Int,price:Double,amount:Double)
val dftbStockDetail = sc.textFile("/user/hive/warehouse/tbstockdetail").map(_.split(',')).map(line=>tbStockDetail(line(0),line(1).toInt,line(2),line(3).toInt,line(4).toDouble,line(5).toDouble)).toDF()
dftbStockDetail.registerTempTable("tbStockDetail")

可以先查看一下表是否创建成功

sqlContext.sql("show tables").map(t=>"tableName is:" + t(0)).collect().foreach(println)
sqlContext.sql("select * from tbDate limit 3").collect

创建一个临时表 tempyearmonthorder

sqlContext.sql("select a.theyearmonth,b.ordernumber,c.amount from tbDate as a join tbStock as b join tbStockDetail as c on a.dateID = b.dateID and b.ordernumber = c.ordernumber").registerTempTable("tempyearmonthorder")

然后把临时表缓存一下,否则也会出现上面 Spark SQL 中提到的性能问题,导致内存溢出

sqlContext.cacheTable("tempyearmonthorder")

最后执行查询,为了避免内存溢出,可以把结果先存到一个临时表
tempyearmonthtopten 里面

sqlContext.sql("select * from (select theyearmonth,ordernumber,amount,Row_Number() OVER (partition by theyearmonth order by amount desc) as rank from tempyearmonthorder) as temp where temp.rank <= 10").drop("rank").registerTempTable("tempyearmonthtopten")

sqlContext.sql("select * from tempyearmonthtopten limit 20").collect
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,294评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,493评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,790评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,595评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,718评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,906评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,053评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,797评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,250评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,570评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,711评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,388评论 4 332
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,018评论 3 316
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,796评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,023评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,461评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,595评论 2 350

推荐阅读更多精彩内容