JavaPairRDD的aggregateByKey方法讲解
官方文档说明
Aggregate the values of each key, using given combine functions and a neutral
"zero value". This function can return a different result type, U, than the type of
the values in this RDD, V. Thus, we need one operation for merging a V into
a U and one operation for merging two U's. The former operation is used for
merging values within a partition, and the latter is used for merging values between
partitions. To avoid memory allocation, both of these functions are allowed to modify
and return their first argument instead of creating a new U.
Parameters:
zeroValue - (undocumented)
seqFunc - (undocumented)
combFunc - (undocumented)
Returns:
(undocumented)
中文含义
aggregateByKey函数对PairRDD中相同Key的值进行聚合操作,在聚合过程中同样使用了一个中立的初始值。和aggregate函数类似,aggregateByKey返回值的类型不需要和RDD中value的类型一致。因为aggregateByKey是对相同Key中的值进行聚合操作,所以aggregateByKey函数最终返回的类型还是Pair RDD,对应的结果是Key和聚合好的值;而aggregate函数直接是返回非RDD的结果,这点需要注意。在实现过程中,定义了三个aggregateByKey函数原型,但最终调用的aggregateByKey函数都一致。
方法原型
// Scala
def aggregateByKey[U: ClassTag](zeroValue: U, partitioner: Partitioner)
(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]
def aggregateByKey[U: ClassTag](zeroValue: U, numPartitions: Int)
(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]
def aggregateByKey[U: ClassTag](zeroValue: U)
(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)]
// java
public <U> JavaPairRDD<K,U> aggregateByKey(U zeroValue,
Partitioner partitioner,
Function2<U,V,U> seqFunc,
Function2<U,U,U> combFunc)
public <U> JavaPairRDD<K,U> aggregateByKey(U zeroValue,
int numPartitions,
Function2<U,V,U> seqFunc,
Function2<U,U,U> combFunc)
public <U> JavaPairRDD<K,U> aggregateByKey(U zeroValue,
Function2<U,V,U> seqFunc,
Function2<U,U,U> combFunc)
第一个aggregateByKey函数我们可以自定义Partitioner。除了这个参数之外,其函数声明和aggregate很类似;其他的aggregateByKey函数实现最终都是调用这个。
第二个aggregateByKey函数可以设置分区的个数(numPartitions),最终用的是HashPartitioner。
最后一个aggregateByKey实现先会判断当前RDD是否定义了分区函数,如果定义了则用当前RDD的分区;如果当前RDD并未定义分区 ,则使用HashPartitioner。
实例
public class AggregateByKey {
public static void main(String[] args) {
System.setProperty("hadoop.home.dir","F:\\hadoop-2.7.1");
SparkConf conf = new SparkConf().setMaster("local").setAppName("TestSpark");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaPairRDD<String,Integer> javaPairRDD = sc.parallelizePairs(Lists.<Tuple2<String, Integer>>newArrayList(
new Tuple2<String, Integer>("cat",3),
new Tuple2<String, Integer>("dog",33),
new Tuple2<String, Integer>("cat",16),
new Tuple2<String, Integer>("tiger",66)),
2);
// 打印样例数据
javaPairRDD.foreach(new VoidFunction<Tuple2<String, Integer>>() {
public void call(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {
System.out.println("样例数据>>>>>>>" + stringIntegerTuple2);
}
});
JavaPairRDD<String,Integer> javaPairRDD1 = javaPairRDD.aggregateByKey(14, new Function2<Integer, Integer, Integer>() {
public Integer call(Integer v1, Integer v2) throws Exception {
System.out.println("seqOp>>>>> 参数One:"+v1+"--参数Two:"+v2);
return Math.max(v1,v2);
}
}, new Function2<Integer, Integer, Integer>() {
public Integer call(Integer v1, Integer v2) throws Exception {
System.out.println("combOp>>>>> 参数One:"+v1+"--参数Two:"+v2);
return v1+v2;
}
});
// 打印结果数据
javaPairRDD1.foreach(new VoidFunction<Tuple2<String, Integer>>() {
public void call(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {
System.out.println("结果数据>>>>>>>" + stringIntegerTuple2);
}
});
}
}
结果
// 打印样例数据 这里的分区是两个 其中分区内都有一个相同key值
19/03/03 22:16:07 INFO Executor: Running task 0.0 in stage 0.0 (TID 0)
样例数据>>>>>>>(cat,3)
样例数据>>>>>>>(dog,33)
19/03/03 22:16:07 INFO Executor: Running task 1.0 in stage 0.0 (TID 1)
样例数据>>>>>>>(cat,16)
样例数据>>>>>>>(tiger,66)
19/03/03 22:16:07 INFO Executor: Running task 0.0 in stage 1.0 (TID 2)
// 第一个分区比较大小 14 3 => 14(cat) , 14 33 => 33(dog)
seqOp>>>>> 参数One:14--参数Two:3
seqOp>>>>> 参数One:14--参数Two:33
19/03/03 22:16:08 INFO ShuffleBlockFetcherIterator: Started 0 remote fetches in 4 ms
19/03/03 22:16:07 INFO TaskSetManager: Finished task 0.0 in stage 1.0 (TID 2) in 76 ms on localhost (executor driver) (1/2)
// 第二个分区比较 14 16 => 16(cat) ,14 66 => 66(tiger)
seqOp>>>>> 参数One:14--参数Two:16
seqOp>>>>> 参数One:14--参数Two:66
19/03/03 22:16:08 INFO ShuffleBlockFetcherIterator: Started 0 remote fetches in 4 ms
// 这个就是combOp阶段 在不同分区内 相同key的值做聚合操作 也就是(cat)14 + (cat)16 = 30
combOp>>>>> 参数One:14--参数Two:16
// 最后结果
结果数据>>>>>>>(dog,33)
结果数据>>>>>>>(cat,30)
19/03/03 22:16:08 INFO ShuffleBlockFetcherIterator: Started 0 remote fetches in 0 ms
结果数据>>>>>>>(tiger,66)
解析
一定要记住: combOp 是聚合的不同分区相同key的值
从上述过程中,我们就能明白流程是什么了。
-
seqOp
开始我们的数据是:
分片1:(cat,3) (dog,33)
分片2:(cat,16) (tiger,66)// 这里只有两个分片 所以写两个过程 第一个分片开始seqOp过程: 14(zeroValue) 和 3(cat) 比较 = 14(结果1), 14(zeroValue) 和 33(dog) 比较 = 14(结果2) 第二个分片开始元素聚合过程: 14(zeroValue) 和 16(cat) 比较 = 14(结果3), 14(zeroValue) 和 66(tiger) 比较 = 14(结果4)
-
combOp(不同分区相同key值)
开始分片combOp过程:cat在不同分区有相同key值 结果1 + 结果3 = 30(结果5) 最终得到的结果2 ,结果4,结果5 结果数据>>>>>>>(dog,33) 结果数据>>>>>>>(cat,30) 结果数据>>>>>>>(tiger,66)
如果有什么不明白的评论留言即可。