Spark算子[09]：aggregateByKey、aggregate详解

aggregateByKey

aggregateByKey的用法同combineByKey，针对combineByKey的三个参数：

createCombiner: V => C，mergeValue: (C, V) => C，mergeCombiners: (C, C) => C

将createCombiner: V => C替换成一个初始值 C ，相当于aggregateByKey的三个参数为：

zeroValue: C，mergeValue: (C, V) => C，mergeCombiners: (C, C) => C

注意—>>：
需要注意的是，zeroValue这个值一般要求置为，0、“”、Nil。
因为最终的合并结果和分区个数有关。
mergeValue是针对每一个分区进行合并，每个分区都会调用一下初始值zeroValue；
如果初始值zeroValue非空，会导致最终合并每一个分区的值：mergeCombiners的合并结果不同。

源码

/**
  * 底层同样调用的是 combineByKeyWithClassTag
  */
def aggregateByKey[U: ClassTag](zeroValue: U, partitioner: Partitioner)(seqOp: (U, V) => U,
    combOp: (U, U) => U): RDD[(K, U)] = self.withScope {

    ...

  combineByKeyWithClassTag[U]((v: V) => cleanedSeqOp(createZero(), v),
    cleanedSeqOp, combOp, partitioner)
}

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

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

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

---

案例同combineByKey

请参考：Spark算子[08]：combineByKey详解

---

Scala实战案例

/***/
def avgScore(): Unit = {
//省略代码 ...

  val avgscoreRdd = studentDetailRdd.aggregateByKey(
    //1、zeroValue 
    // * 区别点：(0.0f,0) 代替 ：x => (x.score,1)
    (0.0f,0) ,
    //2、 mergeValue：合并值函数
    (acc: (Float, Int), x: ScoreDetail) => (acc._1 + x.score, acc._2 + 1),
    //3、 mergeCombiners：合并组合器函数
    (acc1: (Float, Int), acc2: (Float, Int)) => (acc1._1 + acc2._1, acc1._2 + acc2._2)
  )
}

---

Java实战案例

public static void avgScore() {
/**省略代码*/

    //2、mergeValue：合并值函数

    Function2<Tuple2<Float,Integer>,ScoreDetail003,Tuple2<Float,Integer>> mergeValue = new Function2<Tuple2<Float, Integer>, ScoreDetail003, Tuple2<Float, Integer>>() {
        @Override
        public Tuple2<Float, Integer> call(Tuple2<Float, Integer> v1, ScoreDetail003 v2) throws Exception {
            return new Tuple2<Float, Integer>(v1._1()+v2.score,v1._2()+1);
        }
    };

    //3、mergeCombiners：合并组合器函数

    Function2<Tuple2<Float,Integer>,Tuple2<Float,Integer>,Tuple2<Float,Integer>> mergeCombiners = new Function2<Tuple2<Float, Integer>, Tuple2<Float, Integer>, Tuple2<Float, Integer>>() {
        @Override
        public Tuple2<Float, Integer> call(Tuple2<Float, Integer> v1, Tuple2<Float, Integer> v2) throws Exception {
            return new Tuple2<Float, Integer>(v1._1()+v2._1(),v1._2()+v2._2());
        }
    };

    //4、aggregateByKey并求均值
    // * 区别点：new Tuple2<Float,Integer>(0.0f,0) 代替 createCombiner

    JavaPairRDD<String,Float> res = pairRDD
    .aggregateByKey(new Tuple2<Float,Integer>(0.0f,0), mergeValue, mergeCombiners, 2)
    .mapToPair(x -> new Tuple2<String, Float>(x._1(),x._2()._1()/x._2()._2()));

}

---

aggregate

/**
 * 聚合每个分区的元素，然后是聚合所有分区的结果，使用给定的组合函数和一个中性的"zero value". 
 *
 * @param zeroValue "seqOp"操作符的每个分区的合并结果的初始值，同时也是"combOp"操作对于不同分区合并结果的初始值；
 *                  这通常是中性元素(比如 `Nil` 对于集合操作 或者 `0` for 求和操作)
 * @param seqOp 用于在分区中累积结果的操作符
 * @param combOp  用于组合不同分区的结果的关联运算符
 */

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

注意—>>：
在seqOp的每一个分区内合并均调用一次初始值zeroValue；
在combOp操作中，每一个分区间合并时，也会掉用一次初始值zeroValue；

---

Scala实战案例

def aggregateOp(): Unit ={
  val conf = new SparkConf().setAppName("aggregateOp").setMaster("local")
  val sc = new SparkContext(conf)
  val list = List("aa","bb","cc")
  val rdd = sc.parallelize(list,2)

  def seqOp(a:String,b:String): String ={
    a+"-"+b
  }
  def combOp(a:String,b:String): String ={
    a+":"+b
  }
  val res = rdd.aggregate("oo")(seqOp,combOp)

  println(res) 
}

结果 oo:oo-aa:oo-bb-cc

  def main(args: Array[String]) {

    val conf = new SparkConf().setAppName("aggregateOp").setMaster("local")
    val sc = new SparkContext(conf)
    val list = List(5)
    val rdd = sc.parallelize(list)

    def seqOp(a: Int, b: Int): Int = {
      a + b
    }

    def combOp(a: Int, b: Int): Int = {
      a + b
    }

    val res = rdd.aggregate(2)(seqOp,combOp)

    println(res) //结果是 9 aggregate函数的zeroVal会被加两次seqOp、combOp
  }

从结果可以看出，zeroValue分别：
在seqOp的每一个分区中均作为一次初始值；
在combOp操作中，也作为一次初始值；

---

Java实战案例

public static void aggregateOp(){
    SparkConf conf = new SparkConf().setMaster("local").setAppName("aggregateOp");
    JavaSparkContext sc = new JavaSparkContext(conf);
    JavaRDD<Integer> rdd1 = sc.parallelize(Arrays.asList(1,2,3,4,5,6,7,8,9),2);

    // 1、seqOp
    Function2<Integer,Integer,Integer> seqOp = new Function2<Integer, Integer, Integer>() {
        @Override
        public Integer call(Integer v1, Integer v2) throws Exception {
            return Math.max(v1,v2);
        }
    };
    //2、combOp
    Function2<Integer,Integer,Integer> combOp = new Function2<Integer, Integer, Integer>() {
        @Override
        public Integer call(Integer v1, Integer v2) throws Exception {
            return Math.min(v1,v2);
        }
    };

    //3、aggregate
    Integer res = rdd1.aggregate(0,seqOp,combOp);

    System.out.println(res); 
}

结果：0