//获取出每天前3的搜索词
ArrayList<String> log = new ArrayList<String>();
log.add("2015-10-01,leo,a1,beijing,android");
log.add("2015-10-01,leo,a1,beijing,android");
log.add("2015-10-01,tom,a1,beijing,android");
log.add("2015-10-01,jack,a1,beijing,android");
log.add("2015-10-01,marry,a1,beijing,android");
log.add("2015-10-01,tom,bbf,beijing,android");
log.add("2015-10-01,jack,bbf,beijing,iphone");
log.add("2015-10-01,jack,bbf,beijing,android");
log.add("2015-10-01,leo,ttyu,beijing,android");
log.add("2015-10-01,leo,ttyu,beijing,android");
log.add("2015-10-01,wede,a1,beijing,android");
log.add("2015-10-01,wede,bbf,beijing,iphone");
log.add("2015-10-02,leo,a2,beijing,android");
log.add("2015-10-02,tom,a2,beijing,android");
log.add("2015-10-02,tom,a2,beijing,android");
log.add("2015-10-02,jack,a1,beijing,android");
log.add("2015-10-02,marry,a1,beijing,android");
log.add("2015-10-02,leo,bbf,beijing,iphone");
log.add("2015-10-02,jack,bbf,beijing,android");
log.add("2015-10-02,wede,bbf,beijing,android");
log.add("2015-10-02,leo,ttyu,beijing,android");
log.add("2015-10-02,leo,ttyu,beijing,android");
log.add("2015-10-02,jack,a1,beijing,android");
log.add("2015-10-02,wede,tour,beijing,android"); SparkConf conf = new SparkConf()
// .setMaster("local")
.setAppName("Top3UV");
JavaSparkContext sc = new JavaSparkContext(conf);
HiveContext sqlContext = new HiveContext(sc.sc()); JavaRDD<String> rdd_list = sc.parallelize(log, 2);
//0条件使用broadcast(每个worker节点共享一个变量)
final org.apache.spark.broadcast.Broadcast<String> bc = sc.broadcast("iphone"); //1条件过滤
JavaRDD<String> rdd_filter_list = rdd_list.filter(new Function<String, Boolean>() {
@Override
public Boolean call(String v1) throws Exception {
String ary[] = v1.split(",");
String platform = ary[4];
if (platform.contains(bc.value()))
return false;
return true;
}
});
//2将每行数据构建成tuple2
JavaPairRDD<String, String> rdd_tuple2_list = rdd_filter_list.mapToPair(new PairFunction<String, String, String>() {
@Override
public Tuple2<String, String> call(String s) throws Exception {
String ary[] = s.split(",");
String time = ary[0];
String word = ary[2];
String userName = ary[1];
return new Tuple2<String, String>(time + "_" + word, userName);
}
});
//3按照tuple._1进行combiner
JavaPairRDD<String, Iterable<String>> rdd_byKey = rdd_tuple2_list.groupByKey(); //4按照tuple._1进行用户数量去重后的统计
JavaPairRDD<String, Integer> rdd_byKey_uv = rdd_byKey.mapToPair(new PairFunction<Tuple2<String, Iterable<String>>, String, Integer>() {//tuple._1仍然为时间_搜索词,而tuple._2变为用户去重后的数量
@Override
public Tuple2<String, Integer> call(Tuple2<String, Iterable<String>> stringIterableTuple2) throws Exception {
String tuple_1 = stringIterableTuple2._1();
Iterable<String> userNames = stringIterableTuple2._2();
Set<String> userNameSet = new HashSet<String>();
for (String item : userNames) {
userNameSet.add(item);//用户名称
}
return new Tuple2<String, Integer>(tuple_1, userNameSet.size());
}
}); //5构建rdd<Row>用来映射DataFrame
JavaRDD<Row> rdd_byKey_row_uv = rdd_byKey_uv.map(new Function<Tuple2<String, Integer>, Row>() {
@Override
public Row call(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {
String ary[] = stringIntegerTuple2._1().split("_");
return RowFactory.create(ary[0], ary[1], stringIntegerTuple2._2());
}
}); List<StructField> list = new ArrayList<StructField>();
list.add(DataTypes.createStructField("date", DataTypes.StringType, true));
list.add(DataTypes.createStructField("word", DataTypes.StringType, true));
list.add(DataTypes.createStructField("uv_num", DataTypes.IntegerType, true));
StructType tmpType = DataTypes.createStructType(list);
DataFrame df_tuple = sqlContext.createDataFrame(rdd_byKey_row_uv, tmpType);
df_tuple.registerTempTable("tuple_keyDS_valUN"); //6使用DataFrame结合开窗函数row_number分组后过滤出访问量前3的搜索词
StringBuilder _sb = new StringBuilder();
_sb.append("select date,word,uv_num from ( ");
_sb.append(" select date,word,uv_num, row_number() OVER (PARTITION BY date ORDER BY uv_num DESC ) as rank from tuple_keyDS_valUN ");
_sb.append(" ) tmp_group_top3 where rank<=3"); DataFrame df_tuple_groupTop3 = sqlContext.sql(_sb.toString()).cache();
//df_tuple_groupTop3.show();//***************在最下面打印 //=====到这里已经获取到每天前3的“搜索词“和“uv数“,并倒叙排序 //在获取每天排名前三“搜索词”的总uv数 //7将结果从DataFrame转换回rdd,并拼接成tuple2(日期,总访问量_访问词)
JavaPairRDD<String, String> rdd_uvKey = df_tuple_groupTop3.javaRDD().mapToPair(new PairFunction<Row, String, String>() {
@Override
public Tuple2<String, String> call(Row row) throws Exception {
String date = row.getString(0);
String word = row.getString(1);
Integer uv_mun = row.getInt(2);
return new Tuple2<String, String>(date, uv_mun + "_" + word);
}
}); //8mapToPair后继续按照key合并
JavaPairRDD<String, Iterable<String>> rdd_dateKey_group = rdd_uvKey.groupByKey(); JavaPairRDD<Integer, String> rdd_uvKey_combiner = rdd_dateKey_group.mapToPair(new PairFunction<Tuple2<String, Iterable<String>>, Integer, String>() {
@Override
public Tuple2<Integer, String> call(Tuple2<String, Iterable<String>> stringIterableTuple2) throws Exception {
Integer uv_sum = 0;
String data_word = "";
Iterable<String> uv_word = stringIterableTuple2._2();
Iterator<String> uv_word_it = uv_word.iterator();
for (; uv_word_it.hasNext(); ) {
String uv_word_str = uv_word_it.next();
String ary[] = uv_word_str.split("_");
Integer uv = Integer.valueOf(ary[0]);
uv_sum += uv;//累加总uv数
String word = ary[1];
data_word += stringIterableTuple2._1() + "_" + word + "|";
} return new Tuple2<Integer, String>(uv_sum, data_word);
}
}); JavaPairRDD<Integer, String> rdd_uvKey_sort = rdd_uvKey_combiner.sortByKey(false); List<Tuple2<Integer, String>> ret = rdd_uvKey_sort.collect();
for (Tuple2<Integer, String> item : ret) {
System.out.println(item._1() + "<--->" + item._2());
}
df_tuple_groupTop3.show();

spark-sql缩减版样例:获取每日top3搜索词和各自的次数,包括总次数的更多相关文章

  1. HttpClient4.3.3 使用样例—获取静态资源

    HttpClient4.3.3 使用样例—获取静态资源 学习了:http://shihlei.iteye.com/blog/2067688

  2. spark单机部署及样例运行

    spark单机运行部署 环境预装 需要预先下载jdk和spark.机器使用centos6.6(推荐).然后依次运行 [root@spark-master root]# cd /root #安装必要的软 ...

  3. python获取每日涨跌停股票统计,封闭时间和打开次数

    接口:limit_list 描述:获取每日涨跌停股票统计,包括封闭时间和打开次数等数据,帮助用户快速定位近期强(弱)势股,以及研究超短线策略. 限量:单次最大1000,总量不限制 积分:用户积2000 ...

  4. SQL集合操作符样例(UNION,INTERSECT,EXCEPT)

    由于MYSQL目前只实现了UNION, 所以后面两个就没得玩罗.... SELECT emp_id, assigned_branch_id -> FROM employee -> WHER ...

  5. php 获取淘宝搜索词 内容

    $s = file_get_contents('http://suggest.taobao.com/sug?extras=1&code=utf-8&callback=g_ks_sugg ...

  6. SQL SEVER 2008中的演示样例数据库

    SQL SEVER 2008数据库是什么我就不说了,我在这里分享一下怎样学习SQL SEVER 2008数据库,假设是对数据库或是SQL SEVER 数据库全然陌生或是不熟悉的人来说,建议看看一些视频 ...

  7. 48、Spark SQL之与Spark Core整合之每日top3热点搜索词统计案例实战

    一.概述 1.需求分析 数据格式: 日期 用户 搜索词 城市 平台 版本 需求: 1.筛选出符合查询条件(城市.平台.版本)的数据 2.统计出每天搜索uv排名前3的搜索词 3.按照每天的top3搜索词 ...

  8. spark mllib lda 中文分词、主题聚合基本样例

    github https://github.com/cclient/spark-lda-example spark mllib lda example 官方示例较为精简 在官方lda示例的基础上,给合 ...

  9. Spark SQL 之 Data Sources

    #Spark SQL 之 Data Sources 转载请注明出处:http://www.cnblogs.com/BYRans/ 数据源(Data Source) Spark SQL的DataFram ...

随机推荐

  1. aiohttp使用队列

    获取百度的搜索结果,然后把百度的长链接,获取到真实的url import time import aiofiles import aiohttp import asyncio from lxml im ...

  2. 记录一次Python下Tensorflow安装过程,1.7带GPU加速版本

    最近由于论文需要,急需搭建Tensorflow环境,16年底当时Tensorflow版本号还没有过1,我曾按照手册搭建过CPU版本.目前,1.7算是比较新的版本了(也可以从源码编译1.8版本的Tens ...

  3. php html生成页面二维码

    这个方法主要是针对html页面生成二维码,因此需要一个配置文件phpqrcode.php(因内容太多所以请大家去百度网盘自己下载即可,链接: https://pan.baidu.com/s/1_2mA ...

  4. [原创]FPGA JTAG工具设计(一)

    先来看不同JTAG方案,下载配置QSPI Flash所耗时间 基于FTDI方案,JTAG下载时间为494sec JTAG chain configuration ------------------- ...

  5. UOJ#218. 【UNR #1】火车管理 线段树 主席树

    原文链接https://www.cnblogs.com/zhouzhendong/p/UOJ218.html 题解 如果我们可以知道每次弹出栈之后新的栈顶是什么,那么我们就可以在一棵区间覆盖.区间求和 ...

  6. asp.net core Csc任务不支持SharedCompilationId参数,请确认改参数存在于此任务中,并且是可设置的公共实例属性

    创建Asp.net Core2.0版本项目时,成功创建后编译时出现如下问题 解决方法 Nuget上安装Microsoft.Net.Compilers

  7. [转自大神]js拖拽小总结

    https://blog.csdn.net/u013040887/article/details/83059094 权侵删 这里写的是一个原生js实现拖拽的效果,首先: 1.实现拖拽的三大事件,是要首 ...

  8. HihoCoder1338 A Game (区间DP)

    <题目链接> 题目大意: 两个人轮流从一个序列中取数,他们都面临同样的二选一决策:是拿走最左边的数,还是拿走最右边的数?问先手最多能够得到的分数是多少. 解题分析: 一道比较经典的DP,因 ...

  9. CF1037E. Trips

    题目链接 CF1037E. Trips 题解 每次删点后,对不满足要求的点拓扑 代码 #include<map> #include<queue> #include<vec ...

  10. django——模型层之多表操作

    django的多表操作 1.使用场景 在实际生产过程多,我们面对的数据纷繁复杂,此时就需要良好的数据结构设计,多表之间的约束关系为我们提供了数据管理以及查询的便利.在MYsql中我们利用外键(fore ...