Spark RDD的aggregate算子

aggregate算子签名：

  def aggregate[U: ClassTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U = withScope 

zeroValue是一个初始值，seqOp对每一个分区操作的函数，combOp对每一个分区结果进行操作的函数。 zeroValue在seqOp的每一次调用中都会参与函数计算，最后也参与combOp函数的计算
    

例如：

 def seqOP(a: Int, b: Int): Int = {
      println("seqOp: " + a + "\t" + b)
      math.min(a, b)
    }

    def combOp(a: Int, b: Int): Int = {
      println("combOp: " + a + "\t" + b)
      a + b
    }

计算：

    println(sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8), 2).aggregate(3)(seqOP, combOp))

    println(sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,12), 2).aggregate(3)(seqOP, combOp))

两个结果输出都是：7，接下来我们分析一下执行过程：

sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8,1), 2).aggregate(3)(seqOP, combOp)执行过程：首先是对序列生成两个分区的RDD，对每一个分区RDD计算最小值，在计算1,2,3,4时候，zeaoValue=3参与求最小值，所以此时最小值是1，对于5,6,7,8计算最小值时候3也参与计算最小值，所以此时最小值为3.最后调用combOp函数时候3再一次参与计算所以最后结果为1+3+3=7。（注意此处分区的划分是Spark按照List的顺序均分为“指定分区数”个分区，具体可以参见Spark源码）！

sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,12), 2).aggregate(3)(seqOP, combOp)执行过程：1, 2, 3, 4, 5, 6,划分为一个分区，划分为第二个分区：7, 8, 9, 10, 11,12

所以seqOP函数在第一个分区与3同时求最小值为1，第二个分区求最小值为3，最后comOp计算为1+3+3=7.

如果zeroValue=9的话，此时sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8), 2).aggregate(9)(seqOP, combOp)=15，赐一个最小值是1，第二个最小值是5，最后1+5+9=15

拓展：spark对序列分区划分原理：

sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8), 2)

划分函数：org.apache.spark.rdd.ParallelCollectionRDD#slice源码:

def slice[T: ClassTag](seq: Seq[T], numSlices: Int): Seq[Seq[T]] = {
    if (numSlices < 1) {
      throw new IllegalArgumentException("Positive number of slices required")
    }
    // Sequences need to be sliced at the same set of index positions for operations
    // like RDD.zip() to behave as expected
    def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = {
      (0 until numSlices).iterator.map { i =>
        val start = ((i * length) / numSlices).toInt
        val end = (((i + 1) * length) / numSlices).toInt
        (start, end)
      }
    }
    seq match {
      case r: Range =>
        positions(r.length, numSlices).zipWithIndex.map { case ((start, end), index) =>
          // If the range is inclusive, use inclusive range for the last slice
          if (r.isInclusive && index == numSlices - 1) {
            new Range.Inclusive(r.start + start * r.step, r.end, r.step)
          }
          else {
            new Range(r.start + start * r.step, r.start + end * r.step, r.step)
          }
        }.toSeq.asInstanceOf[Seq[Seq[T]]]
      case nr: NumericRange[_] =>
        // For ranges of Long, Double, BigInteger, etc
        val slices = new ArrayBuffer[Seq[T]](numSlices)
        var r = nr
        for ((start, end) <- positions(nr.length, numSlices)) {
          val sliceSize = end - start
          slices += r.take(sliceSize).asInstanceOf[Seq[T]]
          r = r.drop(sliceSize)
        }
        slices
      case _ =>
        val array = seq.toArray // To prevent O(n^2) operations for List etc
        positions(array.length, numSlices).map { case (start, end) =>
            array.slice(start, end).toSeq
        }.toSeq
    }
  }

中核心代码：

    def positions(length: Long, numSlices: Int): Iterator[(Int, Int)] = {
      (0 until numSlices).iterator.map { i =>
        val start = ((i * length) / numSlices).toInt
        val end = (((i + 1) * length) / numSlices).toInt
        (start, end)
      }
    }

可知是平均划分的，例如当我们将6个元素划分2个分区的话，positions函数的输出结果为：

(0,3)和(3,6)