Spark代码可读性与性能优化——示例七（构建聚合器，以用于复杂聚合）

Spark代码可读性与性能优化——示例七（构建聚合器，以用于复杂聚合）

• 接第六篇，如未看过的同学，请先看Spark代码可读性与性能优化——示例六（GroupBy、ReduceByKey）

1. 多列聚合

1.1 前情提要

• 第六篇中，有个需求“统计历年全国高考生中数学成绩前100名”，咱们已经完成了。可是，突然领导又来需求了：
  • 领导：“你再统计一下语文、英语、物理……的前100名。下班前给我！”
  • 你：“~！@#￥%……”
  • 然后，你还是去统计（想了想，也就那么几个科目，大不了全部都跑一次！），终于在下班的时候统计完了，上交成果！！！Nice！^_^
  • 第二天，领导又找了张表，还是要求你统计每列字段的前100名，然而这张表有50多个字段。
  • 你：“……”
• 然后你就去跑50多次？？？？^_^！估计加班都跑不完！=.=！所以，咱们得想个办法，能不能一次就统计完？这个时候，就要改写代码，学会进行多列统计（顺便一提，sql boy是写不出来只进行一次遍历就统计完所有列前100的SQL的！^。^他们还是得跑50多次SQL……终于体现出代码狗的优势了！！！=O=）

1.2 尝试进行本地多列聚合

• Person类，就用Scala版的吧

class Person(val id: Long, val grade: Int) extends Ordered[Person]{

  override def compare(that: Person): Int = {
    var result = that.grade - this.grade // 降序
    if (result == 0)
      result = if (that.id - this.id > 0) 1 else -1
    result
  }

  override def equals(obj: Any): Boolean = {
    obj match {
      case person: Person => this.id == person.id
      case _ => false
    }
  }

  override def hashCode(): Int = (id ^ (id >>> 32)).toInt

  override def toString: String = "Person{" + "id=" + id + ", grade=" + grade + '}'

}

object Person {

  def apply(id: Long, grade: Int): Person = new Person(id, grade)

}

• 多列聚合的时候，每个成绩分开聚合就OK了。不过咱们需要找到一个类，能够装下3种排名，不过这次似乎真的没有这种类了=。=
• 现在，咱们需要自己编写一个聚合器类，用作聚合。而这个类的中心属性应该分别是数学前10集合、语文前10集合、英语前10集合，每次合并2个类时，分别将3个集合一一合并！示例如下：

/**
  * Description: 数学、语文、英语的前NUM名的聚合器
  * <br/>
  * Date: 2019/11/27 1:39
  *
  * @author ALion
  */
class PersonAggregator(val mathSet: MyTreeSet[Person],
                       val chineseSet : MyTreeSet[Person],
                       val englishSet : MyTreeSet[Person]) {

  /**
    * 向聚合器添加单个元素
    * @param element (人的id, 数学, 语文, 英语)
    * @return this PersonAggregator
    */
  def +=(element: (Long, Int, Int, Int)): PersonAggregator = {
    this.mathSet += Person(element._1, element._2)
    this.chineseSet += Person(element._1, element._3)
    this.englishSet += Person(element._1, element._4)

    this
  }

  /**
    * 聚合成绩的方法
    * @param that 另一个聚合器
    * @return this PersonAggregator
    */
  def ++=(that: PersonAggregator): PersonAggregator = {
    this.mathSet ++= that.mathSet
    this.chineseSet ++= that.chineseSet
    this.englishSet ++= that.englishSet

    this
  }

  override def toString: String =
    "PersonAggregator{" +
      "mathSet=" + mathSet +
      ", chineseSet=" + chineseSet +
      ", englishSet=" + englishSet +
      '}'

}

object PersonAggregator {

  def apply(): PersonAggregator =
    new PersonAggregator(MyTreeSet[Person](), MyTreeSet[Person](), MyTreeSet[Person]())

}

• 最后，在本地写个测试代码，试试看

object Demo {

  def main(args: Array[String]): Unit = {

    val aggregator1 = PersonAggregator()
    aggregator1 += (1, 80, 92, 100) += (2, 85, 90, 78) += (3, 88, 95, 67)
    println(s"aggregator1 = $aggregator1")

  }

}

• 我的输出结果如下，没问题！^_^

aggregator = PersonAggregator{mathSet=TreeSet(Person{id=3, grade=88}, Person{id=2, grade=85}), chineseSet=TreeSet(Person{id=3, grade=95}, Person{id=1, grade=92}), englishSet=TreeSet(Person{id=1, grade=100}, Person{id=2, grade=78})}

1.3 多列聚合最终代码

• 那么，修改我们Spark统计部分的主体代码，开始运行吧！--------------------->

    val resultRDD = studentDF.rdd
        .map(row => {
          val id = row.getLong(row.fieldIndex("id"))
          val math = row.getInt(row.fieldIndex("math"))
          val chinese = row.getInt(row.fieldIndex("chinese"))
          val english = row.getInt(row.fieldIndex("english"))
          val year = row.getInt(row.fieldIndex("year"))

          (year, (id, math, chinese, english))
        })
        .aggregateByKey(PersonAggregator())(
          (agg, v) => agg += v,
          (agg1, agg2) => agg1 ++= agg2
        ) // 依次合并2个聚合器PersonAggregator

2. 单列多重聚合（简单示例）

2.1 前情提要

• 前面咱们已经写出了多列聚合的代码，愉快的下了班……然而万恶的需求又来了
  • 这次，领导说：“给我统计一下每年数学前100名的，顺便算下每年的平均数学成绩……哦，还有数学考了0分的有多少个！”
  • 你：“~！@#￥%……”（我的内心是崩溃的! TAT）
  • 然而……毕竟只是只程序狗，还是得做。
• 不过，咱们做就要做得Perfect，还是一次统计完！不像sql boy一样偷偷摸摸地搞多次，浪费集群资源！真是可耻！=3=

2.2 尝试进行本地单列多重聚合

• Person类还是前面那个，就不贴代码了
• 单列多重聚合其实和多列聚合相似，关键是抓住业务需求（前100名，平均成绩，考0分的人数），以此为聚合点，构建你的聚合器（聚合点+聚合算法），看代码

/**
  * Description: 数学前100名，数学平均成绩，数学为0分的人数 -> 聚合器
  *
  * @note {{{
  *      前100名 -> mathSet
  *      分数之和 -> totalGrade
  *      总人数 -> totalCount
  *      平均成绩 -> totalGrade / totalCount (如果Long不够大，你可以换其他专用的数据类型，例如BigInt)
  *      0分的人数 -> zeroCount
  * }}}
  *
  * Date: 2019/11/27 1:39
  * @author ALion
  */
class PersonAggregator2(val mathSet: MyTreeSet[Person],
                        var totalGrade: Long, var totalCount: Long,
                        var zeroCount: Long) {
  /**
    * 向聚合器添加单个元素
    * @param element (人的id, 数学)
    * @return this PersonAggregator
    */
  def +=(element: (Long, Int)): PersonAggregator2 = {
    this.mathSet += Person(element._1, element._2)
    this.totalGrade += element._2
    this.totalCount += 1
    if (element._2 == 1) this.zeroCount += 1

    this
  }

  /**
    * 聚合成绩、人数的方法
    *
    * @param that 另一个聚合器
    * @return this PersonAggregator
    */
  def ++=(that: PersonAggregator2): PersonAggregator2 = {
    this.mathSet ++= that.mathSet
    this.totalGrade += that.totalGrade
    this.totalCount += that.totalCount
    this.zeroCount += that.zeroCount

    this
  }

  /**
    * 计算平均值
    */
  def calcAVG(): Double = {
    totalGrade / totalCount.toDouble
  }

  override def toString: String =
    "PersonAggregator2{" +
      "mathSet=" + mathSet +
      ", avgGrade=" + calcAVG() +
      ", zeroCount=" + zeroCount +
      '}'

}

object PersonAggregator2 {

  def apply(): PersonAggregator2 =
    new PersonAggregator2(MyTreeSet[Person](), 0, 0 ,0)

}

• 最后，在本地写个测试代码

import scala.collection.immutable.TreeSet

object Demo {

  def main(args: Array[String]): Unit = {

    val aggregator2 = PersonAggregator2()
    aggregator2 += (1, 80) += (2, 0) += (3, 0)
    println(s"aggregator2 = $aggregator2")
    
  }

}

• 结果如下。Perfect! ^_^Just a piece of cake!

aggregator2 = PersonAggregator2{mathSet=TreeSet(Person{id=1, grade=80}, Person{id=3, grade=0}, Person{id=2, grade=0}), avgGrade=26.666666666666668, zeroCount=2}

2.3 单列多重聚合最终代码

• Spark统计部分的主体代码如下

    val resultRDD = studentDF.rdd
      .map(row => {
        val id = row.getLong(row.fieldIndex("id"))
        val math = row.getInt(row.fieldIndex("math"))
        val year = row.getInt(row.fieldIndex("year"))

        (year, (id, math))
      })
      .aggregateByKey(PersonAggregator2())(
        (agg, v) => agg += v,
        (agg1, agg2) => agg1 ++= agg2
      )

3. 单列多重聚合（复杂示例）

3.1 新的需求

• 添加对数学的均方根误差（RMSE）的统计

3.2 聚合算法分析

• RMSE的计算公式： $\sqrt{\frac{1}{m}\sum_{i=1}^{m} (x_{i} - _x^{-})^2}$

• 咋一看上去似乎不可能能够一次性统计完，因为似乎得先算出平均数，才能继续计算RMSE的值啊！你的思路或许是这样的：

  • 第一步，求均值、总数
  • 第二步，对所有值与均值的差的方求和，然后将和除以总数，再开方

• 上面的逻辑没有问题，但是真的就不能一次完成聚合吗？

• 让我们先尝试对聚合算法进行拆解（当然有的算法确实没法拆解），对RMSE的算法进行转换，过程如下：

  • $\sqrt{\frac{1}{m}\sum_{i=1}^{m} (x_{i} - _x^{-})^2}$
  • $\xRightarrow{transform}$
  • $\sqrt{\frac{1}{m}\sum_{i=1}^{m} (x_{i}^2 - 2{x_i}_x^{-} + {_x^{-}}^2)}$
  • $\xRightarrow{transform}$
  • $\sqrt{\frac{1}{m}\sum_{i=1}^{m} x_{i}^2 - \frac{2_x^{-}}{m}\sum_{i=1}^{m} {x_i} + {_x^{-}}^2}$
  • $\xRightarrow{transform}$
  • $\sqrt{\frac{1}{m}\sum_{i=1}^{m} x_{i}^2 - 2{_x^{-}}^2 + {_x^{-}}^2}$
  • $\xRightarrow{transform}$
  • $\sqrt{\frac{1}{m}\sum_{i=1}^{m} x_{i}^2 - {_x^{-}}^2}$
  • 最后，我们拆成了根号内的两部分，分别由以下参数组成：
    • m 代表 数据的总数量
    • $\sum_{i=1}^{m} x_{i}^2$ 代表 对所有值的方求和
    • $_x^{-}$ 代表 所有值的均值（等于 $\sum_{i=1}^{m} x_i$除以m）

• 现在来看，显然简单了，你只需要找到m、 $\sum_{i=1}^{m} x_{i}^2$、 $\sum_{i=1}^{m} x_i$即可

3.3 代码编写示例

• Person类不变
• 编写聚合器Aggregator，记住关键点在于：
  • 分别聚合出m、 $\sum_{i=1}^{m} x_{i}^2$、 $\sum_{i=1}^{m} x_i$的值
  • 套用刚才最后得出的公式，计算出RMSE

/**
  * Description: 数学平均成绩，RMSE -> 聚合器
  *
  * @note {{{
  *      分数之和 -> totalGrade
  *      总人数 -> totalCount
  *      平均成绩 -> totalGrade / totalCount
  *      所有分数平方的和 -> sqrtSum
  *      (如果Long不够大，你可以换其他专用的数据类型，例如BigInt)
  * }}}
  *
  * Date: 2019/11/27 1:39
  * @author ALion
  */
class PersonAggregator3(var totalGrade: Long, var totalCount: Long, var powSum: Long) {


  /**
    * 聚合成绩、人数的方法
    *
    * @param that 另一个聚合器
    * @return this PersonAggregator
    */
  def ++(that: PersonAggregator3): PersonAggregator3 = {
    this.totalGrade += that.totalGrade
    this.totalCount += that.totalCount
    this.powSum += that.powSum

    new PersonAggregator3(totalGrade, totalCount, powSum)
  }

  /**
    * 计算平均值
    */
  def calcAVG(): Double = {
    totalGrade / totalCount.toDouble
  }

  /**
    * 根据化简后的公式计算 RMSE
    */
  def calcRMSE(): Double = {
    val avg = calcAVG()
    Math.sqrt(powSum / totalCount.toDouble - avg * avg)
  }

  // 懂lazy的话，就按下面的写法写
  //  lazy val avg: Double = totalGrade / totalCount.toDouble
  //
  //  lazy val rmse: Double = Math.sqrt(sqrtSum / totalCount.toDouble - avg * avg)

  override def toString: String =
    "PersonAggregator3{" +
      "avgGrade=" + calcAVG() +
      ", rmse=" + calcRMSE() +
      '}'

}

object PersonAggregator3 {

  def apply(math: Int): PersonAggregator3 =
    new PersonAggregator3(math, 1, math * math)

}

• Spark统计部分的主体代码

    val resultRDD = studentDF.rdd
      .map(row => {
        val math = row.getInt(row.fieldIndex("math"))
        val year = row.getInt(row.fieldIndex("year"))

		// 此处不用为每个元素生成一个大对象（集合等），无需使用aggregateByKey
        (year, PersonAggregator3(math))
      }).reduceByKey(_ ++ _)

4. 多列多重聚合

• 噢？？？这个已经不用说怎么做了吧？
• 领导：“对了，刚才的求数学前100名、均值、0分人数、RMSE的统计，再给我把语文、英语、物理……也整一个！”
  
  

5. 总结与整理

• 编写聚合器Aggregator的目的：（不写聚合器类，也能完成需求，请看附录）
  • 更好的封装性，易于扩展
  • 防止与聚合无关的代码发生耦合，以做到"高内聚，低耦合"
  • 有利于编写更加复杂的聚合逻辑
  • 代码更优雅、简洁
• 编写聚合器Aggregator的关键点：
  • 以需要聚合的点（最值、均值、计数等）为该聚合器的属性或者全局变量
  • 构建聚合算法（例如示例中的++，你也可以写成其他名字），编写你需要的聚合逻辑（除了一般的求均值、最值等聚合外，你还可以编写各种复杂的聚合需求！）
• 编写聚合器之前，你可以先找找Java是否有可以直接使用的类，以用于聚合：
  • 例如，第六篇的TreeSet，在reduceByKey处合并Set后，再取前n名
  • 例如，考虑“同时统计某个表所有字段对应的值的总数、去重后的总数，并要求对应字段值非空”时，你可以使用HashMap（key存字段值，value存该字段值的数量，你只需要在reduceByKey处编写一个合并Map的方法）
• 如果一个业务首先想到的是需要写groupByKey算子解决，那么你可以尝试使用本篇提供的思路来解决问题。另外，想法不要太机械，这只是一个通用的方法示例，不同的业务有不同的需求，可以按照不同的方式实现，很多业务需求不用这样编写聚合器也能完成聚合任务！！！（你可以试试前面的“统计字段值的总数、去重后的总数”，有很多种方法实现快速聚合）
• 不是一定要根据key分组聚合的话，你还可以尝试直接使用treeReduce方法聚合
• 不适用的场景：
  • 这种聚合方式只适用于多的数据聚合成少量的聚合（不然也不叫聚合了^_^哈哈！如果最后生成的数据量没有变化，无论怎么优化，也毫无意义，因为这些数据始终存在，必然占用空间）。例如，你要求排序，并保留所有数据的顺序，而不是取前n名。
  • 单次聚合分析必须要所有数据才能得出结果的业务是不适用的。（或者你可以考虑如何分化该聚合业务需求，很多业务并不是真的一定要得到所有数据后才能开始聚合）
  • 本身需要多次串行的聚合逻辑的业务不直接适用。（多想想再做决定，例如RMSE就是看起来必须先计算平均值再求结果，实际上转化计算公式后就不一样了）
• 关于现在网上有很多人传“用随机数的方式进行两次shuffle解决数据倾斜的复杂聚合问题”的方案，这种方案确实是有不错的效果，不过就是变成了2次shuffle，把问题弄复杂了

6. 附录

• 不用这里的聚合器，也是可以实现我们的需求的，示例如下：

// 针对前面求RMSE的业务
val resultRDD = studentDF.rdd
  .map { row =>
    val math = row.getInt(row.fieldIndex("math"))
    val year = row.getInt(row.fieldIndex("year"))

    (year, (math, 1, math * math))
  }.reduceByKey { case (t1, t2) =>
    (t1._1 + t2._1, t1._2 + t2._2, t1._3 + t2._3)
  }.mapValues { case (totalGrade, totalCount, powSum) =>
    val avg = totalGrade / totalCount.toDouble
    val rmse = Math.sqrt(powSum / totalCount.toDouble - avg * avg)
    (avg, rmse)
  }

• MyTreeSet（简易实现，针对mutable.TreeSet封装）

import scala.collection.mutable

class MyTreeSet[A](firstNum: Int, elem: Seq[A])(implicit val ord: Ordering[A]) {

  val set: mutable.TreeSet[A] = mutable.TreeSet[A](elem: _*)

  def +=(elem: A): MyTreeSet[A] = {
    this add elem

    this
  }

  def add(elem: A): Unit = {
    set.add(elem)

    // 删除排在最后的多余元素
    check10Size()
  }

  def ++=(that: MyTreeSet[A]) : MyTreeSet[A] = {
    that.set.foreach(e => this add e)

    this
  }

  def check10Size(): Unit = {
    // 如果超过了firstNum个，就删除
    if (set.size > firstNum) {
      set -= set.last
    }
  }

  override def toString: String = set.toString
}

object MyTreeSet {

  def apply[A](elem: A*)(implicit ord: Ordering[A]): MyTreeSet[A] = new MyTreeSet[A](10, elem)
  
  def apply[A](firstNum: Int, elem: A*)(implicit ord: Ordering[A]): MyTreeSet[A] = new MyTreeSet[A](firstNum, elem)
  
}