GroupByKey和ReduceByKey对比

        GroupByKey和ReduceByKey两者都是spark中的Transformation算子，尽管二者通过操作可以实现相同的效果，但是二者有着很大的区别。

        在shuffle操作上，ReduceByKey会在shuffle之前发生提前聚合，这样会大量的减少落盘的数据量，提高性能与效率，在开发中也是更偏向于使用ReduceByKey.然而GroupByKey不会在分区内提前聚合，只会在发生shuffle的时候进行分组聚合，并且还要搭配mapValues()使用，将需要的操作转到mapValues()里。

        例：

                Examples：使用reduceByKey统计数值

                reduceByKey： 将数据按照value值累加(不是计数)

                 key2 = rdd3.reduceByKey(lambda x,y:x+y)

                 print(key2.collect())

                 [('b', 6), ('c', 3), ('a', 1)]

                 Examples：使用groupByKey+mapValues()统计词频个数

                groupByKey： groupByKey搭配mapValues()使用：

                >>> rdd = sc.parallelize([("a", 1), ("b", 1), ("a", 1)])

                >>> sorted(rdd.groupByKey().mapValues(len).collect())

                        [('a', 2), ('b', 1)]

                >>> sorted(rdd.groupByKey().mapValues(list).collect())

                        [('a', [1, 1]), ('b', [1])]

        

GroupBy:

ReduceBy:

        通过两张图片可知，两者的最主要的区别是否提前聚合，因为reduceByKey会提前聚合减少落盘的数据量，因此可以减少数据压力，可以使性能调优。