性能調優中有個方案, 叫使用 aggregateBykey 代替 groupbykey, 爲啥呢?
應爲aggregateByKe,使用map-side預聚合的shuffle操作, 相當於再map端進行了聚合的操作,相當於mapreduce 中進行combiner
介紹一下aggregateBykey這個方法
這裏面一共傳了三個 參數,這裏用到了柯里化 , 我分別做一下參數介紹,教不懂的同學看下怎末看方法
zeroValue : 這是傳個任意類型的初始值, 他的類型U你要注意, 因爲你最終返回的類型也必須是 這個類型U
seqOp(U,Int) : 這個方法主要是做相同key再同一個partition 的聚合操作, 兩個參數(U,int) 第一個參數是你開始初始值U,第二個類型是數據的value的類型, 返回類型爲你 定義的zeroValue 的類型
combOp : 根據key 對不同分區的數據進行一個聚合操作(也就是對seqOp的結果做合併操作), 連個參數(U,U)這兩個的類型都是你的 seqOp返回 類型,
這些信息其實都是可以從方法的定義中得到的, 注意看下我上面的截圖
使用 aggregateByKey 代替groupbyKey 的demo
val data=List((1,3),(1,2),(1,4),(2,3))
val rdd=sc.parallelize(data )
//合併不同partition中的值,a,b得數據類型爲zeroValue的數據類型
def combOp(a:List[Int],b:List[Int]):List[Int] ={
a ++ b
}
def seqOp(a:List[Int],b:Int):List[Int]={
List(a(0)+b)
}
val aggregateByKeyRDD=rdd.aggregateByKey(List(0))(seqOp, combOp)
aggregateByKeyRDD.foreach(println)
val groupbykeyRDD=rdd.groupByKey()
groupbykeyRDD.foreach(println)
這裏是運行的結果, 他們的都是一樣的