foldByKey（）分区内和分区间相同的aggregateByKey（）

1）函数签名：

def foldByKey(zeroValue:V)(func:(V,V)=>V):RDD[(K,V)]
// 参数zoreValue：是一个初始化值，它可以是任意类型
// 参数func：是一个函数，两个输入参数相同

2）功能说明：aggregateByKey的简化操作，seqop和combop相同。

即，分区内逻辑和分区间逻辑相同。

3）需求：求相同Key的value和，最大值

4）代码实现：

package com.huc.Spark.KeyAndValue

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Test05_foldByKey {
  def main(args: Array[String]): Unit = {

    //1.创建SparkConf并设置App名称
    val conf: SparkConf = new SparkConf().setAppName("SparkCore").setMaster("local[*]")

    //2.创建SparkContext，该对象是提交Spark App的入口
    val sc: SparkContext = new SparkContext(conf)

    //3.使用Scala进行spark编程
    val rdd: RDD[(String, Int)] = sc.makeRDD(List(("a", 1), ("a", 3), ("a", 5), ("b", 7), ("b", 2), ("b", 4), ("b", 6), ("a", 7)), 2)

    // 求wordcount
    println(rdd.aggregateByKey(0)(_ + _, _ + _).collect().mkString(","))
    println("------")
    println(rdd.foldByKey(0)(_ + _).collect().mkString(","))

    // 有初始值，类型和rdd中的value类型一致 ，初始值用在分区内的计算中，每一个key都需要使用一次初始值计算
    // 分区内和分区间的逻辑是一致的
    val value: RDD[(String, Int)] = rdd.foldByKey(10)((v1, v2) => v1 + v2)
    println(value.collect().mkString(","))

    //4.关闭连接
    sc.stop()

  }
}