我想知道如何过滤具有前N个值之一的RDD.通常我会对RDD进行排序并将前N个项目作为驱动程序中的数组来查找可以广播的第N个值来过滤rdd,如下所示：
val topNvalues = sc.broadcast(rdd.map(_.fieldToThreshold).distict.sorted.take(N)) val threshold = topNvalues.last val rddWithTopNValues = rdd.filter(_.fieldToThreshold >= threshold)
但是在这种情况下我的N太大了,所以我怎么能用RDD这样做呢？：
def getExpensiveItems(itemPrices: RDD[(Int,Float)],count: Int): RDD[(Int,Float)] = {
val sortedPrices = itemPrices.sortBy(-_._2).map(_._1).distinct
// How to do this without collecting results to driver??
val highPrices = itemPrices.getTopNValuesWithoutCollect(count)
itemPrices.join(highPrices.keyBy(x => x)).map(_._2._1)
}
解决方法
在已排序的rdd上使用zipWithIndex,然后按索引过滤最多n个项目.为了说明这种情况,请考虑将此rrd按降序排序,
val rdd = sc.parallelize((1 to 10).map( _ => math.random)).sortBy(-_)
然后
rdd.zipWithIndex.filter(_._2 < 4)
提供前四个项目而不将rdd收集到驱动程序.
