KeyValue对RDDs之combineByKey函数

一 combineByKey()

(createCombiner,mergeValue,mergeCombiners,partitioner)

最常用的基于key的聚合函数，返回的类型可以与输入类型不一样

许多基于key的聚合函数都用到了它，向groupByKey()

二 combineByKey工作原理

遍历parition中的元素，元素的key，要么之前见过的，要么没见过。

如果是新元素，使用我们提供的creatCombiner()函数，相对于初始化

如果是这个parition中已经存在的key，就会使用mergeValue()函数

合计每个partition的结果的时候，使用mergeCominers()函数

三 实战：求平均值

scala> val scores=sc.parallelize(Array(("jake",80.0),("jake",90.0),("jake",85.0),("mike",85.0),("mike",93.0),("mike",89.0)))
scores: org.apache.spark.rdd.RDD[(String, Double)] = ParallelCollectionRDD[10] at parallelize at :24
scala> scores.foreach(println)
(jake,80.0)
(jake,90.0)
(jake,85.0)
(mike,85.0)
(mike,93.0)
(mike,89.0)
scala> val score2=scores.combineByKey(score=>(1,score),(c1:(Int,Double),newScore)=>(c1._1+1,c1._2+newScore),(c1:(Int,Double),c2:(Int,Double))=>(c1._1+c2._1,c1._2+c2._2))
score2: org.apache.spark.rdd.RDD[(String, (Int, Double))] = ShuffledRDD[11] at combineByKey at :26
scala> score2.foreach(println)
(jake,(3,255.0))
(mike,(3,267.0))
scala> val areage=score2.map{case(name,(num,score))=>(name,score/num)}
areage: org.apache.spark.rdd.RDD[(String, Double)] = MapPartitionsRDD[12] at map at :28
scala> areage.foreach(println)
(jake,85.0)
(mike,89.0)