[[178228]]

Spark是一個Apache項目，它被標榜為“快如閃電的集群計算”。它擁有一個繁榮的開源社區，并且是目前最活躍的Apache項目。Spark提供了一個更快、更通用的數據處理平臺。和Hadoop相比，Spark可以讓你的程序在內存中運行時速度提升100倍，或者在磁盤上運行時速度提升10倍。同時spark也讓傳統的map reduce job開發變得更加簡單快捷。本文將簡單介紹幾個經典hadoop的mr按理用spark實現，來讓大家熟悉spark的開發。

***值最小值

求***值最小值一直是Hadoop的經典案例，我們用Spark來實現一下，借此感受一下spark中mr的思想和實現方式。話不多說直接上code：

預期結果：

max: 1001min: 2

思路和hadoop中的mr類似，設定一個key，value為需要求***與最小值的集合，然后再groupBykey聚合在一起處理。第二個方法就更簡單，性能也更好。

平均值問題

求每個key對應的平均值是常見的案例，在spark中處理類似問題常常會用到combineByKey這個函數，詳細介紹請google一下用法，下面看代碼：

我們讓每個partiton先求出單個partition內各個key對應的所有整數的和 sum以及個數count，然后返回一個pair(sum, count)在shuffle后累加各個key對應的所有sum和count,再相除得到均值.

TopN問題

Top n問題同樣也是hadoop種體現mr思想的經典案例,那么在spark中如何方便快捷的解決呢：

思路很簡單，把數據groupBykey以后按key形成分組然后取每個分組***的2個。預期結果：

以上簡單介紹了一下hadoop中常見的3個案例在spark中的實現。如果讀者們已經接觸過或者寫過一些hadoop的mapreduce job，那么會不會覺得在spark中寫起來方便快捷很多呢。