关于spark中的groupByKey、reduceByKey、foldByKey

最新推荐文章于 2023-04-28 17:21:15 发布

冽夫

最新推荐文章于 2023-04-28 17:21:15 发布

阅读量1.3k

点赞数 1

分类专栏： Spark

原文链接：https://blog.csdn.net/willyan2007/article/details/78875461

版权

Spark 专栏收录该内容

49 篇文章

订阅专栏

避免使用GroupByKey

我们看一下两种计算word counts 的方法，一个使用reduceByKey，另一个使用 groupByKey：

val words = Array("one", "two", "two", "three", "three", "three")
 
val wordPairsRDD = sc.parallelize(words).map(word => (word, 1))
 
val wordCountsWithReduce = wordPairsRDD
  .reduceByKey(_ + _)
  .collect()
 
val wordCountsWithGroup = wordPairsRDD
  .groupByKey()
  .map(t => (t._1, t._2.sum))
  .collect()

以上两个函数都会产生正确的结果，reduceByKey的例子在大型数据集上工作的效率会更高。因为Spark知道：在shuffle data之前，它可以根据key, 在每个partition上，对输出数据在本地做combine。

下图描述了reduceByKey的执行过程。值得注意的是，在shuffle 数据之前，同一个机器上具有相同key的item会先在本地combine（使用的combine函数是传递给reduceByKey的lambda 函数）。然后这个lambda 函数会再次在执行shuffle后的每个分区上被调用，以产生最终的结果。

而在groupByKey中，所有的key-value对被先shuffle到下游RDD分区中。这会导致很多不必要的网络数据传输。

在决定将一个key-value对shuffle到哪个机器上时，spark会key-value对中的key调用一个partitioning 函数，以决定分到的目标机器。在shuffle时，若是shuffle的数据（由于内存大小限制）无法全部放入到一个executor中，则Spark会将数据spill到disk。但是，在flush数据到disk时，一次只flush一个key（对应的key-value pairs 数据）：所以如果单个key对应的key-value pairs 数据超出了executor可用的memory，则会抛出OOM异常。在较新版的Spark中会处理此异常并让job可以继续执行，但是仍需要尽量避免此类现象：当spark需要spill到磁盘时，spark性能会受到显著影响。

所以在非常大的数据集上计算时，对于reduceByKey与groupByKey来说，它们所需要传输的shuffle数据是有显著不同的。

而在小型数据集上进行测试时（仍使用word count的例子），从测试结果来看，groupByKey的表现要优于reduceByKey。抛开shuffle阶段来看，reduceByKey对内存率会更高于groupByKey，所以相对会报出更多内存不足的情况。若是需要使用reduceByKey，则需要给executor 更多内存在本地做计算。

相对于groupByKey，除了reduceByKey，下面的函数也会是更好的选择：

combineByKey：可以用于combine元素，用于返回与输入类型不同类型的值
foldByKey：初始化一个“zero value”，然后对每个Key的值做聚合操作

接下来详细介绍一下这两个函数。

combineByKey

我们先看一下combineByKey的定义：

def combineByKey[C](
    createCombiner: V => C,
    mergeValue: (C, V) => C,
    mergeCombiners: (C, C) => C): RDD[(K, C)] = self.withScope {
  combineByKeyWithClassTag(createCombiner, mergeValue, mergeCombiners)(null)
 
}

可以看到此方法调用的是 combineByKeyWithClassTag：

def combineByKeyWithClassTag[C](
    createCombiner: V => C,
    mergeValue: (C, V) => C,
    mergeCombiners: (C, C) => C)(implicit ct: ClassTag[C]): RDD[(K, C)] = self.withScope {
  combineByKeyWithClassTag(createCombiner, mergeValue, mergeCombiners, defaultPartitioner(self))
 
}

继续查看下一层调用：

def combineByKeyWithClassTag[C](
    createCombiner: V => C,
    mergeValue: (C, V) => C,
    mergeCombiners: (C, C) => C,
    partitioner: Partitioner,
    mapSideCombine: Boolean = true,
    serializer: Serializer = null)(implicit ct: ClassTag[C]): RDD[(K, C)]

查看reduceByKey代码，可以发现它最终调用的也是combineByKeyWithClassTag 方法:

def reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD[(K, V)] = self.withScope {
  combineByKeyWithClassTag[V]((v: V) => v, func, func, partitioner)
}

从combineByKeyWithClassTag方法定义来看，第一个参数是提供用户自定义的类型，用于将输入的<K,V> 中的 V 转化为用户指定类型，第二个参数用于merge V 的值到 C（用户定义类型），第三个参数用于将 C 的值 combine 为一个单值。这里可以看到默认是会在map端做combine，所以默认combineByKey与reduceByKey都是会在map端先做combine操作。

但是对于 groupByKey来说：

def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])] = self.withScope {
  // groupByKey shouldn't use map side combine because map side combine does not
  // reduce the amount of data shuffled and requires all map side data be inserted
  // into a hash table, leading to more objects in the old gen.
  val createCombiner = (v: V) => CompactBuffer(v)
  val mergeValue = (buf: CompactBuffer[V], v: V) => buf += v
  val mergeCombiners = (c1: CompactBuffer[V], c2: CompactBuffer[V]) => c1 ++= c2
  val bufs = combineByKeyWithClassTag[CompactBuffer[V]](
    createCombiner, mergeValue, mergeCombiners, partitioner, mapSideCombine = false)
  bufs.asInstanceOf[RDD[(K, Iterable[V])]]
}

可以看到，groupByKey虽然最终调用的也是combineByKeyWithClassTag 方法，但是并不会在map端执行Combine操作（mapSideCombine为false）。

下面我们写一个combineByKey求解平均数的例子：

type ScoreCollector = (Int, Double)
type PersonScores = (String, (Int, Double))<br>
val initialScores = Array(("Alice", 90.0), ("Bob", 100.0), ("Tom", 93.0), ("Alice", 95.0), ("Bob", 70.0), ("Jack", 98.0))
val scoreData = sc.parallelize(initialScores).cache()
val createScoreCombiner = (score: Double) => (1, score)<br>
val scoreMerge = (scorecollector: ScoreCollector, score: Double) =>
  (scorecollector._1 +1, scorecollector._2 + score)
 
val scoreCombine = (scorecollector1: ScoreCollector, scorecollector2: ScoreCollector) =>
    (scorecollector1._1 + scorecollector2._1, scorecollector1._2 + scorecollector2._2)
 
scoreData.combineByKey(
  createScoreCombiner,
  scoreMerge,
  scoreCombine
).map( {pscore: PersonScores => (pscore._1, pscore._2._2 / pscore._2._1)}).collect

输出为： Array[(String, Double)] = Array((Tom,93.0), (Alice,92.5), (Bob,85.0), (Jack,98.0))

可以看到，首先原类型为(String, Double)，然后我们通过combineByKey的第一个参数，将其转化为(Int, Double) 形式，用于统计次数与分数。接下来第二个参数用于merge，将同样key条目出现的次数、以及分数相加。最后第三个参数用于做combine，对每个key，求得的分数求总和，然后除以次数，求得平均值。

这里可以看出 combineByKey与reduceByKey的区别是：combineByKey的可以返回与输入数据类型不一样的输出。

foldByKey

foldByKey 是初始化一个“zero value“，然后对key的value值做聚合操作。例如：

val initialScores = Array(("Alice", 90.0), ("Bob", 100.0), ("Tom", 93.0), ("Alice", 95.0), ("Bob", 70.0), ("Jack", 98.0))
val scoreData = sc.parallelize(initialScores).cache()
 
scoreData.foldByKey(0)(_+_).collect

输出为： Array[(String, Double)] = Array((Tom,93.0), (Alice,185.0), (Bob,170.0), (Jack,98.0))

可以看到，这里给出的“zero value“为0，在执行计算时，会先将所有key的value值与”zero value“做一次加法操作（由_+_定义），然后再对所有key-pair做加法操作。所以若是此时使用：

scoreData.foldByKey(1)(_+_).collect

则输出为：Array[(String, Double)] = Array((Tom,94.0), (Alice,187.0), (Bob,172.0), (Jack,99.0))

下面是 foldByKey的源码：

def foldByKey(
    zeroValue: V,
    partitioner: Partitioner)(func: (V, V) => V): RDD[(K, V)] = self.withScope {<br>
  // Serialize the zero value to a byte array so that we can get a new clone of it on each key
  val zeroBuffer = SparkEnv.get.serializer.newInstance().serialize(zeroValue)
  val zeroArray = new Array[Byte](zeroBuffer.limit)
 
  zeroBuffer.get(zeroArray)
 
  // When deserializing, use a lazy val to create just one instance of the serializer per task
  lazy val cachedSerializer = SparkEnv.get.serializer.newInstance()
  val createZero = () => cachedSerializer.deserialize[V](ByteBuffer.wrap(zeroArray))
 
  val cleanedFunc = self.context.clean(func)
  combineByKeyWithClassTag[V]((v: V) => cleanedFunc(createZero(), v),
    cleanedFunc, cleanedFunc, partitioner)
 
}

可以看到它与reduceByKey和combineByKye类似，最终调用的也是combineByKeyWithClassTag 方法，且未覆盖mapSideCombine 的值，所以默认也会在map端进行combine操作。

所以在大型数据集中，为了减少shuffle的数据量，相对于groupByKey来说，使用reduceByKey、combineByKey以及foldByKey 会是更好的选择。

References：

[1] https://databricks.gitbooks.io/databricks-spark-knowledge-base/content/best_practices/prefer_reducebykey_over_groupbykey.html

[2] http://codingjunkie.net/spark-combine-by-key/

原文链接：cnblogs.com/zackstang/p/10990750.html

Spark中groupBy groupByKey reduceByKey的区别

groupBy

和SQL中groupby一样，只是后面必须结合聚合函数使用才可以。

例如：

hour.filter($"version".isin(version: _*)).groupBy($"version").agg(countDistinct($"id"), count($"id")).show()

groupByKey

对Key-Value形式的RDD的操作。

例如(取自link)：

val a = sc.parallelize(List("dog", "tiger", "lion", "cat", "spider", "eagle"), 2)
val b = a.keyBy(_.length)//给value加上key，key为对应string的长度
b.groupByKey.collect
//结果 Array((4,ArrayBuffer(lion)), (6,ArrayBuffer(spider)), (3,ArrayBuffer(dog, cat)), (5,ArrayBuffer(tiger, eagle)))

reduceByKey

与groupByKey功能一样，只是实现不一样。本函数会先在每个分区聚合然后再进行总的统计，如图：

而groupByKey则是

因此，本函数比groupByKey节省了传播的开销，尽量少用groupByKey

参考

原文：cnblogs.com/wswang/p/8360755.html

Spark中reduceByKey()和groupByKey()的区别

在Spark当中，分组操作时，提供了这么两个函数，用WordCount程序来举例。

val words = Array("one", "two", "two", "three", "three", "three")
val wordPairsRDD = sc.parallelize(words).map(word => (word, 1))

val wordCountsWithReduce = wordPairsRDD
  .reduceByKey(_ + _)
  .collect()

val wordCountsWithGroup = wordPairsRDD
  .groupByKey()
  .map(t => (t._1, t._2.sum))
  .collect()

这两种做法的结果都是正确的。

在大的数据集上，reduceByKey()的效果比groupByKey()的效果更好一些。因为reduceByKey()会在shuffle之前对数据进行合并。

如图所示：
下面一张图就能表示reduceByKey()都做了什么。

reduceByKey

而当我们调用groupByKey()的时候，所有的键值对都会被shuffle到下一个stage，传输的数据比较多，自然效率低一些。

groupByKey

原文：Spark中reduceByKey()和groupByKey()的区别（译）

原文：jianshu.com/p/7f8d4484bfbd

Spark优化操作_自定义groupby

groupby或者groupbyKey算子效率太低，自己重写了一下。

//用combineByKey替代groupBy
val home_data_combine: RDD[(String, List[home_info])] = phone_date_key_data.
  map(home => (home.phone_date, home)).
  partitionBy(new org.apache.spark.HashPartitioner(1000)).
  combineByKey((x: home_info) => List(x),
    (curlist: List[home_info], x: home_info) => x :: curlist,
    (curlist1: List[home_info], curlist2: List[home_info]) => curlist1 ::: curlist2)

大家都应该了解，reduceByKey的效率会比groupbyKey高很多，但你就是要实现一个聚合的过程，并不需要reduce，就需要用groupby或者groupbyKey，但他们的效率太低了。需要自己实现一个。此处combineByKey来实现聚合的过程。实现说明： 1.先做partitionBy 2.调用combineByKey，在每个partition内用list实现聚合要充分理解的combineByKey实现过程，如上过程就会比较了解了。

原文：blog.csdn.net/willyan2007/article/details/78875461