hadoop - 我们如何利用 mapreduce 或 spark 将二和算法解决为大数据问题?
问题描述
假设数字列表/数组存在于一个非常大的数据文件中,我们需要找到与特定数字“k”匹配的一对总和。我知道如何通常使用数据结构来解决它,但我想不出一种特别利用 Hadoop MR 或 spark 来解决它的方法。
假设一个文件有 1,2,3,6,7,7,8,9 我的思考过程: - 将数据考虑到一个数据框中,然后再向其中添加一列来识别差异,即如果 i<=k/2 那么其他我。那么现在我的上述数据的数据框是这样的:
数字 | 2号 |
---|---|
1 | 9 |
2 | 8 |
3 | 7 |
7 | 7 |
7 | 7 |
8 | 8 |
9 | 9 |
创建 df 后,我计划使用基于 number_2 的键聚合数据。但我无法假设聚合逻辑。任何帮助将不胜感激。
解决方案
假设您有一个文件numbers.txt
,名称如下:
10
5
8
7
3
6
9
11
3
1
你可以像这样实现你的目标:
int desiredSum = 15;
SparkSession spark = SparkSession
.builder()
.appName("My App")
.master("local[*]")
.getOrCreate();
Dataset<Row> rdd = spark
.read()
.text("numbers")
.withColumnRenamed("value", "number")
.withColumn("number", col("number").cast(DataTypes.LongType));
rdd.createOrReplaceTempView("myTable");
spark.sql("select first.number, second.number as number_2 from myTable first inner join myTable second on first.number + second.number =" + desiredSum + " where first.number <= second.number").show();
+------+--------+
|number|number_2|
+------+--------+
| 5| 10|
| 7| 8|
| 6| 9|
+------+--------+
或者,如果数据很小,您可以使用 Spark 中的笛卡尔积来实现您的目标,如下所示:
int desiredSum = 15;
SparkSession spark = SparkSession
.builder()
.appName("My App")
.master("local[*]")
.getOrCreate();
Dataset<Row> rdd = spark
.read()
.text("numbers.txt")
.withColumnRenamed("value", "number")
.withColumn("number", col("number").cast(DataTypes.LongType));
Dataset<Row> joinedRdd = rdd.crossJoin(rdd.withColumnRenamed("number", "number_2")).filter("number <= number_2");
UserDefinedFunction mode = udf((UDF2<Long, Long, Object>) Long::sum, DataTypes.LongType);
joinedRdd = joinedRdd.withColumn("sum", mode.apply(col("number"), col( "number_2"))).filter("sum = " + desiredSum);
joinedRdd.show();
结果如下:
+------+--------+---+
|number|number_2|sum|
+------+--------+---+
| 5| 10| 15|
| 7| 8| 15|
| 6| 9| 15|
+------+--------+---+
**take into account the Order of time and space complexity when you use Cross join**
推荐阅读
- go - 当向 Go 例程之外的通道发送值时,Go 例程是死锁的
- php - 在 header(), php 之前打印 echo
- sql - 如何更新数据流 ssis 中的变量值?
- java - 我需要帮助你如何在没有死代码的情况下打破循环?
- python - 当我尝试运行我的代码时,我得到了这个 ValueError
- python - 我可以将 csv 文件数据粘贴到 excel 中吗,因为 excel 已经有一些格式,
- python - 在“if”语句中使用“in”和“is”有什么区别?
- c++ - 为什么我们在vs代码中写C++代码时不能通过一个变量来定义数组大小?
- html - 如何在我的 html 页面上移动图片?
- cors - 在服务人员中获取 CORS 请求