Spark aggregateByKey 算子详解

aggregateByKey

def aggregateByKey[U: ClassTag](zeroValue: U)(seqOp: (U, V) => U,combOp: (U, U) => U): RDD[(K, U)]

• zeroValue: 初始值，每个分区中，同一种key，只用一次初始值，第一个值和zeroValue的结果，用于对应key的剩余值计算；初始值不参与combOp的计算
• seqOp: 区间内计算，每个分区中，同一种key的value进行操作
• combOp: 区间之间计算，各个分区得到的结果，与其他分区相同key的value结果进行操作
• RDD[(K, U)]：返回值类型，有多少个不同的key，肯定就有多少个(k,U)
  示例：

//将数据分成4个分区
var z=sc.makeRDD(List(("a",1),("b",2),("a",2),("a",3),("b",0),("c",1),("c",2),("c",9)),4)
//查看每个分区的数据
z.glom.collect  
// Array[Array[(String, Int)]] = Array(Array((a,1), (b,2)), Array((a,2), (a,3)), Array((b,0), (c,1)), Array((c,2), (c,9)))
z.aggregateByKey(0)(Math.max(_,_),_+_).collect  
//Array[(String, Int)] = Array((a,4), (b,2), (c,10))

结果分析:
第一分区:Array((a,1), (b,2))
第二分区:Array((a,2), (a,3))
第三分区:Array((b,0), (c,1))
第四分区:Array((c,2), (c,9))

1. 初始值0先和第一个分区进行计算，第一个分区不同的key有两个，分别为a和b，所以初始值0会被a和b分别使用一次；对于a:max(0,1)，结果为1，对于b:max(0,2)，结果为2；第一个分区结束，结果为(a,1)(b,2)
2. 初始值和第二个分区进行计算，由于第二个分区的key只有a，所以初始值0只使用1次，对于a:
   max(0,2)得到2，然后2再和(a,3)求最大值,(2,3)得到3；第二个分区结束，结果为(a,3)
3. 剩下两个分区以此类推，结果分别为:
   第三分区:(b,0), (c,1)
   第四分区: (c,9)
4. 每个区计算结束，然后对各个区间，相同的key进行计算，采用函数_+_
5. 第一分区的(a,1)和第二分区的(a,3)进行_+操作，得到(a,4)；第一分区的(b,2)和第三分区的(b,0)进行+操作，得到(b,2);第三分区的(c,1)和第四分区的(c,9)进行+_操作，得到(c,10)
6. 将这三个结果进行返回，得到Array[(String, Int)] = Array((a,4), (b,2), (c,10))
   备注:如果分区只有1个，那么combOp就不会执行啦

var z=sc.makeRDD(List(("a",1),("b",2),("a",2),("a",3),("b",0),("c",1),("c",2),("c",9)),1)
//  由于只有一个分区，所以_*_没执行
z.aggregateByKey(1)(_+_,_*_).collect  // Array((a,7), (b,3), (c,13))

补充：用aggregateByKey进行wordCount

var z=sc.makeRDD(List(("a",1),("b",1),("a",1),("a",1),("b",1),("c",1),("c",1),("c",1)),1)  
//几个分区不重要
z.aggregateByKey(0)(_+_,_+_).collect  //  Array((a,3), (b,2), (c,3))