Spark算子reduceByKey深度解析

最近经常使用到reduceByKey这个算子，懵逼的时间占据多数，所以沉下心来上国外的帖子仔细过了一遍，发现一篇不错的，在此加上个人的理解整体过一遍这个算子，那么我们开始：

国外的大牛一上来给出这么一句话，个人感觉高度概括了reduceByKey的功能：

Spark RDD reduceByKey function merges the values for each key 
using an associative reduce function.【Spark的RDD的reduceByKey
是使用一个相关的函数来合并每个key的value的值的一个算子（那么主
干就是reduceByKey是个算子/函数）】。

那么这就基本奠定了reduceByKey的作用域是key-value类型的键值对，并且是只对每个key的value进行处理，如果含有多个key的话，那么就对多个values进行处理。这里的函数是我们自己传入的，也就是说是可人为控制的【其实这是废话，人为控制不了这算子一点用没有】。那么举个例子：

  

scala> val x = sc.parallelize(Array(("a", 1), ("b", 1), ("a", 1),
     | ("a", 1), ("b", 1), ("b", 1),
     | ("b", 1), ("b", 1)), 3)

我们创建了一个Array的字符串，并把其存入spark的集群上，设置了三个分区【这里我们不关注分区，只关注操作】。那么我们调用reduceByKey并且传入函数进行相应操作【本处我们对相同key的value进行相加操作，类似于统计单词出现次数】：

scala> val y = x.reduceByKey((pre, after) => (pre + after))

这里两个参数我们逻辑上让他分别代表同一个key的两个不同values，那么结果想必大家应该猜到了：

scala> y.collect
res0: Array[(String, Int)] = Array((a,3), (b,5))

嗯，到这里大家对reduceByKey有了初步的认识和体会。论坛中有一段写的也很有帮助，由于英文不好怕翻译过来误导大家，所以每次附上原话：

Basically reduceByKey function works only for RDDs which contains key and value pairs kind of
 elements(i.e RDDs having tuple or Map as a data element). It is a transformation operation 
which means it is lazily evaluated.We need to pass one associative function as a parameter, 
which will be applied to the source RDD and will create anew RDD as with resulting values(i.e.
key value pair). This operation is a wide operation as data shuffling may happen across the 
partitions.【本质上来讲，reduceByKey函数（说算子也可以）只作用于包含key-value的RDDS上，它是
transformation类型的算子，这也就意味着它是懒加载的（就是说不调用Action的方法，是不会去计算的
）,在使用时，我们需要传递一个相关的函数作为参数，这个函数将会被应用到源RDD上并且创建一个新的
RDD作为返回结果，这个算子作为data Shuffling 在分区的时候被广泛使用】

看到这大家对这个算子应该有了更加深入的认识，那么再附上我的scala的一个小例

子，同样是统计字母出现次数：

import org.apache.spark.{SparkContext, SparkConf}

/**
 * mhc
 * Created by Administrator on 2016/5/17.
 */
object MyTest {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("MyTestApp").setMaster("local[1]")
    val sc = new SparkContext(conf)
    val x = sc.parallelize(List("a", "b", "a", "a", "b", "b", "b", "b"))
    val s = x.map((_, 1))
    val result = s.reduceByKey((pre, after) => pre + after)
    println(result.collect().toBuffer)

  }
}

结果是：ArrayBuffer((a,3), (b,5))，很简单对吧。论坛给出了java和python的版本的，如下：

Java：

packagecom.backtobazics.sparkexamples;

importjava.util.Arrays;

importorg.apache.spark.api.java.JavaPairRDD;
importorg.apache.spark.api.java.JavaRDD;
importorg.apache.spark.api.java.JavaSparkContext;
importorg.apache.spark.api.java.function.Function2;

importscala.Tuple2;

public classReduceByKeyExample {
    public static void main(String[] args) throws Exception {
        JavaSparkContext sc = new JavaSparkContext();
        
        //Reduce Function for sum Function2<Integer, Integer, Integer> reduceSumFunc = (accum, n) -> (accum + n);
        
        
        // Parallelized with 2 partitions JavaRDD<String> x = sc.parallelize(
                        Arrays.asList("a", "b", "a", "a", "b", "b", "b", "b"),
                        3);
        
        // PairRDD parallelized with 3 partitions// mapToPair function will map JavaRDD to JavaPairRDD JavaPairRDD<String, Integer> rddX = 
                        x.mapToPair(e -> newTuple2Integer>(e, 1));
        
        // New JavaPairRDD JavaPairRDD<String, Integer> rddY = rddX.reduceByKey(reduceSumFunc);
        
        //Print tuples for(Tuple2<String, Integer> element : rddY.collect()){
            System.out.println("("+element._1+", "+element._2+")");
        }
    }
}

// Output:// (b, 5)// (a, 3) 

python：

 Bazic reduceByKey example in python# creating PairRDD x with key value pairs>>> x = sc.parallelize([("a", 1), ("b", 1), ("a", 1), ("a", 1),
... ("b", 1), ("b", 1), ("b", 1), ("b", 1)], 3)

# Applying reduceByKey operation on x>>> y = x.reduceByKey(lambda accum, n: accum + n)
>>> y.collect()
[('b', 5), ('a', 3)]

# Define associative function separately >>>def sumFunc(accum, n):
...     return accum + n
...
>>> y = x.reduceByKey(sumFunc)
>>> y.collect()
[('b', 5), ('a', 3)]

感谢大家捧场，客官慢走。