1. 实验室名称：
大数据实验教学系统
2. 实验项目名称：
练习 Spark实现TopN
3. 实验学时：
4. 实验原理：
因为Spark RDD是分区并行计算的，因此要排序的话，需要指定一个分区。
使用sortByKey算子，按key排序，然后再使用take算子，取前几个元素，就得到了 Top N 的结果。
5. 实验目的：
掌握抓取文本中最大的前几位数字。
掌握排序算子的使用。
6. 实验内容：
1、使用Spark RDD实现 Top N。
假设我们有以下输入文件top.txt：
1. 2 2. 6 3. 3 4. 67 5. 23 6. 45 7. 78 8. 12 9. 234
编写RDD代码，获取值最大的三个数（Top 3）。
2、使用Spark RDD实现分组 Top N。
假设我们有以下输入文件classdata.txt：
1. class1 90 2. class2 56 3. class3 87 4. class1 76 5. class2 88 6. class1 95 7. class1 74 8. class2 87 9. class2 67 10. class2 77
编写RDD代码，获取每个班级的前三名（分组Top 3）。
7. 实验器材（设备、虚拟机名称）：
硬件：x86_64 ubuntu 16.04服务器
软件：JDK 1.8，Spark-2.3.2，Hadoop-2.7.3，zeppelin-0.8.1，Scala-2.11.11
8. 实验步骤：
8.1 启动Spark集群
在终端窗口下，输入以下命令，启动Spark集群：
1. $ cd /opt/spark 2. $ ./sbin/start-all.sh
然后使用jps命令查看进程，确保Spark的Master进程和Worker进程已经启动。
8.2 启动zeppelin服务器
在终端窗口下，输入以下命令，启动zeppelin服务器：
1. $ zeppelin-daemon.sh start
然后使用jps命令查看进程，确保zeppelin服务器已经启动。
8.3 创建notebook文档
1、首先启动浏览器，在地址栏中输入以下url地址，连接zeppelin服务器。
http://localhost:9090
2、如果zeppelin服务器已正确建立连接，则会看到如下的zeppelin notebook首页。
3、点击【Create new note】链接，创建一个新的笔记本，并命名为”rdd_demo”，解释器默认使用”spark”，如下图所示。
8.4 Top N 实现
1、加载数据集。在zeppelin中执行如下代码。
1. val inputPath = "file:///data/dataset/top.txt" 2. val inputRDD = sc.textFile(inputPath)
将光标放在代码单元中任意位置，然后同时按下【shift+enter】键，执行以上代码。
2、实现Top N，方法是先将每行的数字转换为元组，然后再执行sortByKey降序排序，最后使用take(3)方法取最前面的3个。在zeppelin中执行如下代码。
1. // 读取文件。注意，这里指定一个RDD分区，以便全局排序 2. val lines = sc.textFile("file:///data/dataset/top.txt",1) 3. 4. // 对linesRDD进行map操作 5. val pairs = lines.map { line => (line.toInt,line) } 6. 7. // 对pairsRDD进行降序sortByKey操作 8. val sortedPairs = pairs.sortByKey(false) 9. 10. // 对降序的RDD再次进行map操作，获取每一行的第一个数 11. val sortedNumbers = sortedPairs.map(sortedPair => sortedPair._1) 12. 13. // 取前3个数 14. val top3Number = sortedNumbers.take(3) 15. 16. // 打印输出 17. for(num <- top3Number){ 18. println(num) 19. }
将光标放在代码单元中任意位置，然后同时按下【shift+enter】键，执行以上代码。输出结果如下所示。
1. 234 2. 78 3. 67
8.5 分组 Top N 实现
1、加载数据集。在zeppelin中执行如下代码。
1. val inputPath = "file:///data/dataset/classdata.txt" 2. val inputRDD = sc.textFile(inputPath)
将光标放在代码单元中任意位置，然后同时按下【shift+enter】键，执行以上代码。
2、实现Top N，方法是先将每行的数字转换为元组，然后再执行sortByKey降序排序，最后使用take(3)方法取最前面的3个。在zeppelin中执行如下代码。
1. // 对获取的元素进行按空格切割成两部分 2. val pairs = inputRDD.map { line => (line.split(" ")(0),line.split(" ")(1).toInt) } 3. 4. // 对pairs中的每个元素进行按键分组操作 5. val grouped=pairs.groupByKey 6. 7. // 对分组的元素按分数取前3 8. val groupedTop3=grouped.map(grouped=> { 9. (grouped._1,grouped._2.toList.sortWith(_>_).take(3)) 10. }) 11. 12. // 进行降序排列（默认是降序） 13. val groupedKeySorted = groupedTop3.sortByKey() 14. 15. // 打印输出 16. groupedKeySorted 17. .collect 18. .foreach(pair=>{ 19. println(pair._1+":") 20. pair._2.foreach { println } 21. })
将光标放在代码单元中任意位置，然后同时按下【shift+enter】键，执行以上代码。输出结果如下所示。
1. class1: 2. 95 3. 90 4. 76 5. class2: 6. 88 7. 87 8. 77 9. class3: 10. 87
9. 实验结果及分析：
实验结果运行准确，无误
10. 实验结论：
经过本节实验的学习，通过练习 Spark实现TopN，进一步巩固了我们的Spark基础。
11. 总结及心得体会：
使用sortByKey算子，按key排序，然后再使用take算子，取前几个元素，就得到了 Top N 的结果。
