Spark的实战题目——寻找5亿次访问中，访问次数最多的人

场景描述：这是一个Spark的实战题目，也是在面试中经常出现的一类题目。

问题描述

对于一个大型网站，用户访问量尝尝高达数十亿。对于数十亿是一个什么样的概念，我们这里可以简单的计算一下。对于一个用户，单次访问，我们通常会记录下哪些数据呢？

1、用户的id
2、用户访问的时间
3、用户逗留的时间
4、用户执行的操作
5、用户的其余数据（比如IP等等）

我们单单从用户id来说，比如10011802330414，这个ID，那么我们一个id差不多就是一个long类型，因为在大量数据存储的时候，我们都是采用文本存储。因此对于5亿个用户ID，完全存储在磁盘当中，大概是5G的大小，对于这个大小，并不能算是大数据。但是对于一个案例来说，已经非常足够了。

我们会产生一个5亿条ID的数据集，我们上面说到，这个数据集大小为5G（不压缩的情况下），因此我不会在GitHub上上传这样一个数据集，但是我们提供一个方法，来生成一个5亿条数据。

当然要解决这个问题，你可以依然在local模式下运行项目，但是你得有足够的磁盘空间和内存空间，大概8G磁盘空间（因为除了数据本身，spark运行过程还要产生一些临时数据），5G内存（要进行reduceByKey）。为了真正展示spark的特性，我们这个案例，将会运行在spark集群上。

关于如何搭建集群，我准备在后续的章节补上。但是在网上有大量的集群搭建教程，其中不乏一些详细优秀的教程。当然，这节我们不讲如何搭建集群，但是我们仍然可以开始我们的案例。

问题分析
那么现在我们拥有了一个5亿条数据（实际上这个数据并不以文本存储，而是在运行的时候生成），从五亿条数据中，找出访问次数最多的人，这看起来并不难。但实际上我们想要通过这个案例了解spark的真正优势。

5亿条ID数据，首先可以用map将其缓存到RDD中，然后对RDD进行reduceByKey，最后找出出现最多的ID。思路很简单，因此代码量也不会很多。

实现

scala实现
首先是ID生成方法：
RandomId.class

import org.apache.spark.{SparkConf, SparkContext}object ActiveVisitor {def main(args: Array[String]): Unit = {val conf = new SparkConf().setMaster("spark://master:7077").setAppName("ActiveVisitor")val sc = new SparkContext(conf)//生成一个0-9999的列表val list = 1 until 10000val id =new RandomId()//这里记录最大的次数var max = 0//这里记录最大次数的IDvar maxId = 0Lval lastNum = sc.parallelize(list)//第一步生成5亿条数据.flatMap(num => {//遍历list列表//总共遍历1万次每次生成5万个IDvar list2 = List(id.next())for (i <- 1 to 50000){list2 = id.next() :: list2}//这里记录当前生成ID的百分比println(num/1000.0 +"%")//返回生成完成后的list//每次循环里面都包含5万个IDlist2})//遍历5亿条数据//为每条数据出现标记1.map((_,1))//对标记后的数据进行处理//得到每个ID出现的次数，即（ID，Count）.reduceByKey(_+_)//遍历处理后的数据.foreach(x => {//将最大值存储在max中if (x._2 > max){max = x._2maxId = x._1//若X比之前记录的值大，则输出该id和次数//最后一次输出结果，则是出现次数最多的的ID和以及其出现的次数//当然出现次数最多的可能有多个ID//这里只输出一个println(x)}})}}

然后是用它生成5亿条数据

import org.apache.spark.{SparkConf, SparkContext}object ActiveVisitor {def main(args: Array[String]): Unit = {val conf = new SparkConf().setMaster("spark://master:7077").setAppName("ActiveVisitor")val sc = new SparkContext(conf)val list = 1 until 100000val id =new RandomId()var max = 0var maxId = 0Lval lastNum = sc.parallelize(list).flatMap(num => {var list2 = List(id.next())for (i <- 1 to 50000){list2 = id.next() :: list2}println(num +"%")list2}).map((_,1)).reduceByKey(_+_).foreach(x => {if (x._2 > max){max = x._2maxId = x._1println(x)}})}
}

处理5亿条数据

import org.apache.spark.{SparkConf, SparkContext}object ActiveVisitor {def main(args: Array[String]): Unit = {val conf = new SparkConf().setMaster("spark://master:7077").setAppName("ActiveVisitor")val sc = new SparkContext(conf)//生成一个0-9999的列表val list = 1 until 10000val id =new RandomId()//这里记录最大的次数var max = 0//这里记录最大次数的IDvar maxId = 0Lval lastNum = sc.parallelize(list)//第一步生成5亿条数据.flatMap(num => {//遍历list列表//总共遍历1万次每次生成5万个IDvar list2 = List(id.next())for (i <- 1 to 50000){list2 = id.next() :: list2}//这里记录当前生成ID的百分比println(num/1000.0 +"%")//返回生成完成后的list//每次循环里面都包含5万个IDlist2})//遍历5亿条数据//为每条数据出现标记1.map((_,1))//对标记后的数据进行处理//得到每个ID出现的次数，即（ID，Count）.reduceByKey(_+_)//遍历处理后的数据.foreach(x => {//将最大值存储在max中if (x._2 > max){max = x._2maxId = x._1//若X比之前记录的值大，则输出该id和次数//最后一次输出结果，则是出现次数最多的的ID和以及其出现的次数//当然出现次数最多的可能有多个ID//这里只输出一个println(x)}})}
}

运行得到结果
将其提交到spark上运行，观察日志

1%
5000%
2%
5001%
3%
5002%
4%
5003%
5%
5004%
6%
5005%
7%
5006%
8%
5007%
9%
5008%
10%
5009%
11%
5010%
12%
5011%
5012%
13%
5013%
14%
15%
5014%...
...
...

这里是输出的部分日志，从日志中，我们显然发现，程序是并行的。我采用的集群由四个节点组成，每个节点提供5G的内存空间，集群在不同节点中运行，有节点分配到的分区是从1开始，而有节点则是从5000开始，因此程序并没有按照我们所想的从1%-9999%。好在未按照顺序执行，也并不影响最终结果，毕竟最终要进行一个reduceByKey，才是我们真正需要得到结果的地方。
再看日志另一部分：

5634%
5635%
5636%
5637%
5638%
5639%
5640%
5641%
5642%
5643%
5644%
5645%
2019-03-05 11:52:14 INFO  ExternalSorter:54 - Thread 63 spilling in-memory map of 1007.3 MB to disk (2 times so far)
647%
648%
649%
650%
651%
652%
653%
654%
655%
656%

注意到这里，spilling in-memory map of 1007.3 MB to disk，spilling操作将map中的 1007.3 MB的数据溢写到磁盘中。这是由于spark在处理的过程中，由于数据量过于庞大，因此将多的数据溢写到磁盘，当再次用到时，会从磁盘读取。对于实时性操作的程序来说，多次、大量读写磁盘是绝对不被允许的。但是在处理大数据中，溢写到磁盘是非常常见的操作。

事实上，在完整的日志中，我们可以看到有相当一部分日志是在溢写磁盘的时候生成的，大概49次（这是我操作过程中的总数）
如图：

总共出现49条溢写操作的日志，每次大概是1G，这也印证了我们5亿条数据，占据空间5G的一个说法。事实上，我曾将这5亿条数据存储在磁盘中，的确其占据的空间是5G左右。

结果

最终，我们可以在日志中看到结果。

整个过程持续了将近47min，当然在庞大的集群中，时间能够大大缩短，要知道，我们现在只采用了4个节点。

我们看到了次数2、4、6、8居然分别出现了两次，这并不奇怪，因为集群并行运行，异步操作，出现重复结果十分正常，当然我们也可以用并发机制，去处理这个现象。这个在后续的案例中，我们会继续优化结果。

从结果上看，我们发现5亿条数据中，出现最多的ID也仅仅出现了8次，这说明了在大量数据中，很多ID可能只出现了1次、2次。这也就是为什么最后我采用的是foreach方法去寻找最大值，而不采用如下的方法

import org.apache.spark.{SparkConf, SparkContext}object ActiveVisitor {def main(args: Array[String]): Unit = {val conf = new SparkConf().setMaster("spark://master:7077").setAppName("ActiveVisitor")val sc = new SparkContext(conf)//生成一个0-9999的列表val list = 1 until 10000val id =new RandomId()//这里记录最大的次数var max = 0//这里记录最大次数的IDvar maxId = 0Lval lastNum = sc.parallelize(list)//第一步生成5亿条数据.flatMap(num => {//遍历list列表//总共遍历1万次每次生成5万个IDvar list2 = List(id.next())for (i <- 1 to 50000){list2 = id.next() :: list2}//这里记录当前生成ID的百分比println(num/1000.0 +"%")//返回生成完成后的list//每次循环里面都包含5万个IDlist2})//遍历5亿条数据//为每条数据出现标记1.map((_,1))//对标记后的数据进行处理//得到每个ID出现的次数，即（ID，Count）.reduceByKey(_+_)//为数据进行排序//倒序.sortByKey(false)//次数最多的，在第一个，将其输出println(lastNum.first())}
}

这个方法中，我们对reduceByKey结果进行排序，输出排序结果的第一个，即次数最大的ID。这样做似乎更符合我们的要求。但是实际上，为了得到同样的结果，这样做，会消耗更多的资源。如我们所说，很多ID启其实只出现了一次，两次，排序的过程中，仍然要对其进行排序。要知道，由于很多ID只出现一次，排序的数据集大小很有可能是数亿的条目。

根据我们对排序算法的了解，这样一个庞大数据集进行排序，势必要耗费大量资源。因此，我们能够容忍输出一些冗余信息，但不影响我们的得到正确结果。

至此，我们完成了5亿数据中，找出最多出现次数的数据。如果感兴趣，可以尝试用这个方法解决50亿条数据，出现最多的数据条目。但是这样做的话，你得准备好50G的空间。尽管用上述的程序，属于阅后即焚，但是50亿数据仍然会耗费大量的时间。