如何获得 Spark RDD 的 SQL row_number 等效项？

Posted 2023-02-16

【中文标题】如何获得 Spark RDD 的 SQL row_number 等效项？

【英文标题】：How do I get a SQL row_number equivalent for a Spark RDD?

【发布时间】：2015-01-18 22:37:48

【问题描述】：

我需要为包含许多列的数据表生成完整的行号列表。

在 SQL 中，这看起来像这样：

select
   key_value,
   col1,
   col2,
   col3,
   row_number() over (partition by key_value order by col1, col2 desc, col3)
from
   temp
;

现在，假设在 Spark 中我有一个形式为 (K, V) 的 RDD，其中 V=(col1, col2, col3)，所以我的条目是这样的

(key1, (1,2,3))
(key1, (1,4,7))
(key1, (2,2,3))
(key2, (5,5,5))
(key2, (5,5,9))
(key2, (7,5,5))
etc.

我想使用 sortBy()、sortWith()、sortByKey()、zipWithIndex 等命令对它们进行排序，并拥有一个具有正确 row_number 的新 RDD

(key1, (1,2,3), 2)
(key1, (1,4,7), 1)
(key1, (2,2,3), 3)
(key2, (5,5,5), 1)
(key2, (5,5,9), 2)
(key2, (7,5,5), 3)
etc.

（我不关心括号，所以形式也可以是(K, (col1,col2,col3,rownum)) 代替）

我该怎么做？

这是我的第一次尝试：

val sample_data = Seq(((3,4),5,5,5),((3,4),5,5,9),((3,4),7,5,5),((1,2),1,2,3),((1,2),1,4,7),((1,2),2,2,3))

val temp1 = sc.parallelize(sample_data)

temp1.collect().foreach(println)

// ((3,4),5,5,5)
// ((3,4),5,5,9)
// ((3,4),7,5,5)
// ((1,2),1,2,3)
// ((1,2),1,4,7)
// ((1,2),2,2,3)

temp1.map(x => (x, 1)).sortByKey().zipWithIndex.collect().foreach(println)

// ((((1,2),1,2,3),1),0)
// ((((1,2),1,4,7),1),1)
// ((((1,2),2,2,3),1),2)
// ((((3,4),5,5,5),1),3)
// ((((3,4),5,5,9),1),4)
// ((((3,4),7,5,5),1),5)

// note that this isn't ordering with a partition on key value K!

val temp2 = temp1.???

还要注意，函数 sortBy 不能直接应用于 RDD，必须先运行 collect()，然后输出的也不是 RDD，而是数组

temp1.collect().sortBy(a => a._2 -> -a._3 -> a._4).foreach(println)

// ((1,2),1,4,7)
// ((1,2),1,2,3)
// ((1,2),2,2,3)
// ((3,4),5,5,5)
// ((3,4),5,5,9)
// ((3,4),7,5,5)

这里有一点进展，但还没有分区：

val temp2 = sc.parallelize(temp1.map(a => (a._1,(a._2, a._3, a._4))).collect().sortBy(a => a._2._1 -> -a._2._2 -> a._2._3)).zipWithIndex.map(a => (a._1._1, a._1._2._1, a._1._2._2, a._1._2._3, a._2 + 1))

temp2.collect().foreach(println)

// ((1,2),1,4,7,1)
// ((1,2),1,2,3,2)
// ((1,2),2,2,3,3)
// ((3,4),5,5,5,4)
// ((3,4),5,5,9,5)
// ((3,4),7,5,5,6)

【问题讨论】：

这个问题是其他几个部分回答的问题的延伸，即***.com/questions/23838614/…、qnalist.com/questions/5086896/…、mail-archives.apache.org/mod_mbox/spark-user/201408.mbox/…、***.com/questions/27022059/…、***.com/questions/24677180/…

我也想回答这个问题。 Hive added analytic functions (including row_number()) in 0.11，Spark 1.1 支持 HiveQL / Hive 0.12。所以看起来sqlContext.hql("select row_number() over(partition by ... 应该可以工作，但我遇到了一个错误。

【参考方案1】：

这是您提出的一个有趣的问题。我会用 Python 回答这个问题，但我相信你能够无缝地翻译成 Scala。

以下是我的处理方法：

1- 简化您的数据：

temp2 = temp1.map(lambda x: (x[0],(x[1],x[2],x[3])))

temp2 现在是一个“真正的”键值对。看起来是这样的：

[
((3, 4), (5, 5, 5)),  
((3, 4), (5, 5, 9)),   
((3, 4), (7, 5, 5)),   
((1, 2), (1, 2, 3)),  
((1, 2), (1, 4, 7)),   
((1, 2), (2, 2, 3))

]

2- 然后，使用 group-by 函数重现 PARTITION BY 的效果：

temp3 = temp2.groupByKey()

temp3 现在是一个有 2 行的 RDD：

[((1, 2), <pyspark.resultiterable.ResultIterable object at 0x15e08d0>),  
 ((3, 4), <pyspark.resultiterable.ResultIterable object at 0x15e0290>)]

3- 现在，您需要为 RDD 的每个值应用一个排名函数。在 python 中，我会使用简单的排序函数（枚举将创建你的 row_number 列）：

 temp4 = temp3.flatMap(lambda x: tuple([(x[0],(i[1],i[0])) for i in enumerate(sorted(x[1]))])).take(10)

请注意，要实现您的特定订单，您需要提供正确的“关键”参数（在 python 中，我只需创建一个类似的 lambda 函数：

lambda tuple : (tuple[0],-tuple[1],tuple[2])

最后（没有key参数函数，看起来是这样的）：

[
((1, 2), ((1, 2, 3), 0)), 
((1, 2), ((1, 4, 7), 1)), 
((1, 2), ((2, 2, 3), 2)), 
((3, 4), ((5, 5, 5), 0)), 
((3, 4), ((5, 5, 9), 1)), 
((3, 4), ((7, 5, 5), 2))

]

希望对您有所帮助！

祝你好运。

【讨论】：

第 3 步是天才！

【参考方案2】：

row_number() over (partition by ... order by ...) 功能已添加到 Spark 1.4。此答案使用 PySpark/DataFrames。

创建一个测试数据框：

from pyspark.sql import Row, functions as F

testDF = sc.parallelize(
    (Row(k="key1", v=(1,2,3)),
     Row(k="key1", v=(1,4,7)),
     Row(k="key1", v=(2,2,3)),
     Row(k="key2", v=(5,5,5)),
     Row(k="key2", v=(5,5,9)),
     Row(k="key2", v=(7,5,5))
    )
).toDF()

添加分区行号：

from pyspark.sql.window import Window

(testDF
 .select("k", "v",
         F.rowNumber()
         .over(Window
               .partitionBy("k")
               .orderBy("k")
              )
         .alias("rowNum")
        )
 .show()
)

+----+-------+------+
|   k|      v|rowNum|
+----+-------+------+
|key1|[1,2,3]|     1|
|key1|[1,4,7]|     2|
|key1|[2,2,3]|     3|
|key2|[5,5,5]|     1|
|key2|[5,5,9]|     2|
|key2|[7,5,5]|     3|
+----+-------+------+

【参考方案3】：

val test = Seq(("key1", (1,2,3)),("key1",(4,5,6)), ("key2", (7,8,9)), ("key2", (0,1,2)))

测试：Seq[(String, (Int, Int, Int))] = List((key1,(1,2,3)), (key1,(4,5,6)), (key2,( 7,8,9)), (key2,(0,1,2)))

test.foreach(println)

(key1,(1,2,3))

(key1,(4,5,6))

(key2,(7,8,9))

(key2,(0,1,2))

val rdd = sc.parallelize(test, 2)

rdd: org.apache.spark.rdd.RDD[(String, (Int, Int, Int))] = ParallelCollectionRDD[41] at parallelize at :26

val rdd1 = rdd.groupByKey.map(x => (x._1,x._2.toArray)).map(x => (x._1, x._2.sortBy(x => x._1).zipWithIndex))

rdd1: org.apache.spark.rdd.RDD[(String, Array[((Int, Int, Int), Int)])] = MapPartitionsRDD[44] at map at :25

val rdd2 = rdd1.flatMap 
  elem =>
   val key = elem._1
   elem._2.map(row => (key, row._1, row._2))
 

rdd2: org.apache.spark.rdd.RDD[(String, (Int, Int, Int), Int)] = MapPartitionsRDD[45] at flatMap at :25

rdd2.collect.foreach(println)

(key1,(1,2,3),0)

(key1,(4,5,6),1)

(key2,(0,1,2),0)

(key2,(7,8,9),1)

【参考方案4】：

从 spark sql，读取数据文件... val df = spark.read.json("s3://s3bukcet/key/activity/year=2018/month=12/date=15/*");

上述文件有字段 user_id、pageviews 和 clicks

生成按 user_id 分区并按点击排序的活动 Id (row_number)

val output = df.withColumn("activity_id", functions.row_number().over(Window.partitionBy("user_id").orderBy("clicks")).cast(DataTypes.IntegerType));