Spark RDD操作之ReduceByKey

一、reduceByKey作用

    reduceByKey将RDD中所有K,V对中，K值相同的V进行合并，而这个合并，仅仅根据用户传入的函数来进行，下面是wordcount的例子。

import java.util.Arrays;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.VoidFunction;

import scala.Tuple2;

public class WordCount {

	public static void main(String[] args) {
		SparkConf conf = new SparkConf().setAppName("spark WordCount!").setMaster("local[*]");
		JavaSparkContext javaSparkContext = new JavaSparkContext(conf);
		List> list = Arrays.asList(new Tuple2("hello", 1),
				new Tuple2("word", 1), new Tuple2("hello", 1),
				new Tuple2("simple", 1));
		JavaPairRDD listRDD = javaSparkContext.parallelizePairs(list);
		
		/**
		 * spark的shuffle是hash-based的，也就是reduceByKey算子的两个入参一个是来源于hashmap，一个来源于从map端拉取的数据，对于wordcount例子而言，进行如下运行
		 * hashMap.get(Key)＋ Value，计算结果重新put回hashmap，循环往复，就迭代出了最后结果
		 */
		JavaPairRDD wordCountPair = listRDD.reduceByKey(new Function2() {
			@Override
			public Integer call(Integer v1, Integer v2) throws Exception {
				return v1 + v2;
			}
		});
		wordCountPair.foreach(new VoidFunction>() {
			@Override
			public void call(Tuple2 tuple) throws Exception {
				System.out.println(tuple._1 + ":" + tuple._2);
			}
		});
	}

}

    计算结果：

    

二、reduceByKey的原理如下图