如何在 Hadoop 中计数？ [复制]

Question

我有一个巨大的标题列表。我想计算整个数据集中的每个标题。例如：

`title`

A
b
A
c
c
c

输出：

title fre
    A   2
    b   1
    c   3

我正在寻找一种在 Hadoop 中使用 reduce 函数的快速方法。我知道以下方式：

import pyspark.sql.functions as f
df.groupBy('title').agg(f.count('*').alias('count')).show()

我还需要获得出现次数少于 10 次的标题。

Answer 1

如果你想使用 RDD，你可以试试这个代码：

grouped_rdd = (df.rdd.map(lambda r: (r[0], 1))
                 .reduceByKey(lambda x, y: x + y)
                 .sortBy(lambda r: -r[1])    # descending order; remove - if ascending.
                 .take(10)
              )

grouped_df = spark.createDataFrame(grouped_rdd, ['title', 'count'])

但我不确定这是否会比df.groupBy('title').count() 更快。