我在 cassandra 数据库中有大量数据,我想使用 Spark java api 对某些列名称名称进行平均值、最大值和总和等聚合
我尝试过如下
cassandraRowsRDD
.select("name", "age", "ann_salaray", "dept","bucket", "resourceid", "salaray")
.where("timestamp = ?", "2018-01-09 00:00:00")
.withAscOrder()
我看到了这个方法 - .aggregate(zeroValue, seqOp, CombOp),但不知道如何使用它
预期:
max(salary column name)
avg(salary column name)
我尝试过使用CQL,但由于数据量太大而失败
任何人都可以给我一个使用 Spark java api 在 cassandra 表中聚合的示例
最佳答案
第一个参数提供所谓的“零值”,用于初始化“累加器”,第二个参数 - 从 RDD 中获取累加器和单个值的函数,第三个参数 - 接受 2 个累加器并将它们组合起来的函数。
对于您的任务,您可以使用类似的东西(伪代码)
res = rdd.aggregate((0,0,0),
(acc, value) => (acc._1 + 1,
acc._2 + value.salary,
if (acc._3 > value.salary) then acc._3 else value.salary),
(acc1, acc2) => (acc1._1 + acc2._1,
acc1._2 + acc2._2,
if (acc1._3 > acc2._3) then acc1._3 else acc2._3))
val avg = res._2/res._1
val max = res._3
在这种情况下,我们有:
(0,0,0)
- 3 个元素的元组,分别表示:RDD 中的元素数量、所有工资的总和以及最高工资- 从累加器和值生成新元组的函数
- 组合 2 个元组的函数
然后有了条目数、工资总额和最大值,我们就可以找到所有必要的数据。
关于java - 如何使用spark java api在cassandra表中进行平均值、最大总和等聚合,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48886382/