参数:(zeroValue:U,[partitioner: Partitioner]) (seqOp: (U, V) => U,combOp: (U, U) => U)
-
作用:在kv对的RDD中,,按key将value进行分组合并,合并时,将每个value和初始值作为seq函数的参数,进行计算,返回的结果作为一个新的kv对,然后再将结果按照key进行合并,最后将每个分组的value传递给combine函数进行计算(先将前两个value进行计算,将返回结果和下一个value传给combine函数,以此类推),将key与计算结果作为一个新的kv对输出。
-
参数描述:
(1)zeroValue:给每一个分区中的每一个key一个初始值;
(2)seqOp:函数用于在每一个分区中用初始值逐步迭代value;
(3)combOp:函数用于合并每个分区中的结果。
也就是说,使用aggregateByKey算子,可以先对分区内进行seqOp处理,对于分区键使用combOp处理
比如:
val listRdd: RDD[(String, Int)] = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
listRdd.aggregateByKey(0)((x,y)=>math.max(x, y), (x, y)=>x+y).collect().foreach(println)
分区结果为
listRdd.glom().collect().foreach(x=>println(x.mkString(", ")))
(a,3), (a,2), (c,4)
(b,3), (c,6), (c,8)
得到结果
(b,3)
(a,3)
(c,12)
此处有个疑问,key为a的数据只在第一个分区中,key为b的数据只在第二个分区中,那他们怎么计算的?直接+0?
仅凭+运算无法证实,那么再运行combOp为-
val listRdd: RDD[(String, Int)] = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
listRdd.aggregateByKey(0)((x,y)=>math.max(x, y), (x, y)=>x-y).collect().foreach(println)
得到结果
(b,3)
(a,3)
(c,-4)
如果combOp变为y-x结果会不会有变化呢?
val listRdd: RDD[(String, Int)] = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
listRdd.aggregateByKey(0)((x,y)=>math.max(x, y), (x, y)=>y-x).collect().foreach(println)
得到结果
(b,3)
(a,3)
(c,4)
此处可以得出证明,x-y和y-x结果确实,不同,但是如果说一个数据只在一个分区中出现运算时会有0补位,那么a、b的结果就难以解释
为此,我们构造一个combOp函数输出中间的运算过程
def comb(x: Int, y: Int): Int={
println(s"x:${x},y:${y}")
x*y
}
val listRdd: RDD[(String, Int)] = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
listRdd.aggregateByKey(0)((x,y)=>math.max(x, y), (x, y)=>comb(x, y)).collect().foreach(println)
得到结果
(b,3)
(a,3)
(c,32)
以及comb函数的输出:
----------x:4,y:8-------------
这里可以证明,如果一类数据只在一个分区中出现,则comb运算时直接忽略
同理,我们对seqOp进行探索
def comb(x: Int, y: Int): Int={
println(s"----------x:${x},y:${y}-------------")
x*y
}
def seqOp(x: Int, y: Int): Int={
println(s"++++++++++x:${x},y:${y}+++++++++++++")
math.max(x, y)
}
val listRdd: RDD[(String, Int)] = sc.parallelize(List(("a",3),("a",2),("c",4),("b",3),("c",6),("c",8)),2)
listRdd.aggregateByKey(0)((x,y)=>seqOp(x, y), (x, y)=>comb(x, y)).collect().foreach(println)
结果以及中间结果
(b,3)
(a,3)
(c,32)
++++++++++x:0,y:3+++++++++++++
++++++++++x:0,y:3+++++++++++++
++++++++++x:3,y:2+++++++++++++
++++++++++x:0,y:6+++++++++++++
++++++++++x:0,y:4+++++++++++++
++++++++++x:6,y:8+++++++++++++
----------x:4,y:8-------------
由此可知seqOp的运算会有初始值的参与,但是combOp的运算不会有初始值参与