reduceByKey 和 groupByKey 都存在shuffle的操作,但
- reduceByKey: 按照key进行聚合,在shuffle之前对分区内相同 key 的数据进行combine(预聚合)操作,这样会减少落盘的数据量,返回结果是RDD[k,v];
- 而groupByKey: 只是按照key进行分组,直接进行shuffle;
- 所以,reduceByKey的性能要比groupByKey高。
- 但是在实际开发中需要注意 具体的业务逻辑 :因为reduceByKey 包含分组和聚合的功能。而groupByKey 只能分组,不能聚合,所以在分组聚合的场合下,推荐使用reduceByKey,如果仅仅是分组而不需要聚合。那么还是只能使用groupByKey。