通过 “由对象Ｖ到对象Ｃ的转换” 来说明 Spark_Streaming api中 reduceByKey 与 combineByKey 注意事项

今年以来一直在学习通过Spark Streaming 来处理公司大数据相关的业务需求。去重＼汇总 在大数据统计中是很常见的。而reduceByKey、combineByKey 在 Spark Streaming 中做合并操作时（由对象Ｖ到对象Ｃ的转换）很重要的两个api .  网上的事例大部分太过简单，或者讲解过于皮毛。

先对比下二者的函数签名：
class PairRDDFunctions[K, C](...) {
  def reduceByKey(func: (C, C) => C): RDD[(K, C)]

  def combineByKey[C](
      createCombiner: V => C,
      mergeValue: (C, V) => C,
      mergeCombiners: (C, C) => C): RDD[(K, C)]
}

总体来看， reduceByKey 比 combineByKey 更简单，combineByKey 比 reduceByKey 更通用，另外，在实际转换（从对象Ｖ到对象Ｃ）过程当中，对开发员来讲是非常讲究的。而我将就实际的需求事例，来做讲解：

现有 V 与 C 两个对象：

class Vobj(vId: String, vName: String, vType : String) extends Serializable{
  var id:String = vId
  val name:String = vName
  val stype:String = vType
}

class Cobj extends Serializable{

  var lists = new ObjectArraySet[Vobj]()

}

现有数据内容如下：

val c01 = new Vobj("1","hu","1")
val c02 = new Vobj("2","hu","2")
val c03 = new Vobj("3","hu","3")
val c04 = new Vobj("4","hu","1")
val c05 = new Vobj("5","hu","1")

现在需要按 Ｖ对象的值进行分组合并，将转化成 Ｃ对象，现有两种实现方式：

第一种：

val testCobjRdd = sc.parallelize(List(c01,c02,c03,c04,c05))
testCobjRdd.map(x => {
  //在map阶段就进行对象的转换
  val cj = new Cobj()
  cj.lists.add(x)
  (x.stype,cj)
}).reduceByKey((pre:Cobj,aft:Cobj) => {
  //构造一个新的中间对象并间数据进行汇集
  val mid = new Cobj()
  mid.lists.addAll(pre.lists)
  mid.lists.addAll(aft.lists)
  mid
}).foreach(x => {
  println(x._1+"-"+x._2.lists.size())
})

第二种：

testCobjRdd.map(x => {
  (x.stype,x)
}).combineByKey[Cobj]((v:Vobj)=>{
  //创建Ｖ对象的初始化[在第一个RDD中的第一条Ｃ记录中逻辑]
  val midC = new Cobj()
  midC.lists.add(v)
  midC
},(c:Cobj,v:Vobj) => {
  //由Ｃ到Ｖ汇集业务逻辑[在第一个RDD中的第一条Ｖ记录与第二条Ｃ记录的逻辑]
  c.lists.add(v)
  c
},(cPre:Cobj,cAft:Cobj) => {
  //由Ｖ到Ｖ汇集业务逻辑[在第一个与第二个RDD中汇集时的逻辑]
  val midC = new Cobj()
  midC.lists.addAll(cPre.lists)
  midC.lists.addAll(cAft.lists)
  midC
}).foreach(x => {
  println(x._1+"-"+x._2.lists.size())
})

结果都会如下：

2-1
3-1
1-3

其中，这两种实现逻辑是等价的。但是根据实际消耗的时间来看，第二种要好于第一种。

另外，重点讲一个严重错误事例，有的童鞋为了省事，只用Ｖ一个对象做合并，然后 Ｖ对象内新建一个集合属性，如下：

class Vobj(vId: String, vName: String, vType : String) extends Serializable{
  var id:String = vId
  val name:String = vName
  val stype:String = vType

  var lists = new ObjectArraySet[Vobj]()
}

然后，在代码中如下：

val testCobjRdd = sc.parallelize(List(c01,c02,c03,c04,c05))
testCobjRdd.map(x => {
  (x.stype,x)
}).reduceByKey((pre,aft) => {
  val cMid = new Vobj(null,null,null)
  cMid.lists.add(pre)
  cMid.lists.add(aft)
  cMid
}).foreach(x => {
  println(x._1+"-"+x._2.lists.size())
})

却发现结果为：

2-0
3-0
1-2

所以，上面的这种事例是严重错误的。因为，如果结果集中如果只有一个对象，那reduce的时候就不会参于里面的函数运算。