[Spark基础]--聚合操作-reduceByKey、combineBykey、groupBy和AggregateByKey

1、Spark中的reduceByKey和CombineByKey有什么区别？

groupByKey和CombineByKey / reduceByKey有很大的区别。请参阅以下文章以深入了解。

 

reduceByKey和CombineByKey之间的唯一区别是API，在内部它们的功能完全相同。

reduceByKey	CombineByKey
reduceByKey在内部调用combineByKey	CombineByKey是通用API，由re​​duceByKey和aggregateByKey使用
reduceByKey的输入类型和outputType是相同的	CombineByKey更灵活，因此可以提到所需的outputType。 输出类型不一定需要与输入类型相同。

 AggregateByKey内部也调用CombineByKey

2、Spark中groupByKey和ReduceByKey的区别是什么？

GroupByKey

ReduceByKey / CombineByKey / AggregateByKey：

        

具体如下：

GroupByKey	ReduceByKey / CombineByKey / AggregateByKey：
所有数据都从mapTask发送到reduceTask	合并器在MapTask和reduceTask上运行
没有优化网络I / O	优化的网络I / O
只有在reduceTask中需要给定键的所有Value时才应该使用	应该总是使用，应该避免使用groupByKey。 当需要像sum，average，median，mode，top N这样的函数时应该使用
可能导致GC问题和JobFailure	更少的数据被洗牌，所以失败的机会更少
一个火花分区可以容纳最多2 GB的数据	一个火花分区可以容纳最多2 GB的数据

 

参考：

https://github.com/vaquarkhan/vk-wiki-notes/wiki/reduceByKey--vs-groupBykey-vs-aggregateByKey-vs-combineByKey

http://www.cnblogs.com/LuisYao/p/6813228.html

https://stackoverflow.com/questions/42632707/difference-between-reducebykey-and-combinebykey-in-spark

http://bytepadding.com/big-data/spark/reducebykey-vs-combinebykey/

http://bytepadding.com/big-data/spark/groupby-vs-reducebykey/

http://bytepadding.com/big-data/spark/combine-by-key-to-find-max/