（PySpark）RDD实验实战——求商品销量排行

实验环境：

提前准备好findspark，pyspark，py4j等库

import findspark
from pyspark import SparkContext, SparkConf

findspark.init()

#初始化spark，默认为你所设定的环境变量

conf = SparkConf().setAppName("jsytest").setMaster("local[4]")

#创建一个SparkConf对象，用于配置Spark应用程序，用setAppName来设置程序名称，
#用setMaster来设置运行模式和线程数，这里为本地模式，4个线程

sc = SparkContext(conf=conf)

#创建一个SparkContext对象，它是与Spark集群通信的主要接口
# sc.stop()  #关闭spark上下文

goods = [("Book",30,50),("Pen",5,80),("Notebook",15,60),("Pencil",2,70),("Eraser",3,50)]

#创建所需的数据集（商品名，价格，销量）

n=2

#所需的前n个排序

rdd = sc.parallelize(goods)

#用parallelize方法将goods中的数据结构并行化成RDD

rdd.sortBy(lambda x:x[2], ascending=True,numPartitions=3).collect()

#rdd.sortBy()用于对RDD中的元素按照指定的排序键进行排序
#rdd.sortBy(keyfunc, ascending=True, numPartitions=None)
#keyfunc,是从 RDD 的每个元素中提取用于排序的键，多分区的话可以通过指定key的排序，来达到操作目的
#ascending表示排序的顺序。 True为升序，False为降序。
#numPartitions表示最终返回结果RDD的分区数。
#这里取的是数据中的第三分区销量作为key，返回的值也是三个分区

ss=rdd.sortBy(lambda x:x[2], ascending=True,numPartitions=3).collect()

##把最终排序导入ss数组中

c=rdd.count()-1

#取数组上限

ysj=0

#记录循环次数

while ysj<=n-1:
#循环输出
        print("销售第",ysj+1,"多的:",ss[c-ysj])

        ysj=ysj+1

所有代码如下

import findspark
from pyspark import SparkContext, SparkConf
findspark.init()
conf = SparkConf().setAppName("jsytest").setMaster("local[4]")
sc = SparkContext(conf=conf
goods = [("Book",30,50),("Pen",5,80),("Notebook",15,60),("Pencil",2,70),("Eraser",3,50)]
n=2
rdd = sc.parallelize(goods)
rdd.sortBy(lambda x:x[2], ascending=True,numPartitions=3).collect()
ss=rdd.sortBy(lambda x:x[2], ascending=True,numPartitions=3).collect()
c=rdd.count()-1
ysj=0
while ysj<=n-1:
        print("销售第",ysj+1,"多的:",ss[c-ysj])
        ysj=ysj+1

结果演示

销售第 1 多的: ('Pen', 5, 80)
销售第 2 多的: ('Pencil', 2, 70)