spark 使用aggregateByKey 代替groupbyKey

性能调优中有个方案， 叫使用 aggregateBykey 代替 groupbykey， 为啥呢？

应为aggregateByKe，使用map-side预聚合的shuffle操作， 相当于再map端进行了聚合的操作，相当于mapreduce 中进行combiner     

 

介绍一下aggregateBykey这个方法

这里面一共传了三个 参数，这里用到了柯里化 ，  我分别做一下参数介绍，教不懂的同学看下怎末看方法

zeroValue ： 这是传个任意类型的初始值， 他的类型U你要注意, 因为你最终返回的类型也必须是 这个类型U

seqOp(U,Int)  : 这个方法主要是做相同key再同一个partition 的聚合操作， 两个参数(U,int) 第一个参数是你开始初始值U,第二个类型是数据的value的类型，   返回类型为你 定义的zeroValue 的类型

combOp :  根据key 对不同分区的数据进行一个聚合操作(也就是对seqOp的结果做合并操作)，   连个参数(U,U)这两个的类型都是你的 seqOp返回 类型，

这些信息其实都是可以从方法的定义中得到的，  注意看下我上面的截图 

 

使用 aggregateByKey  代替groupbyKey  的demo

  val data=List((1,3),(1,2),(1,4),(2,3))
    val rdd=sc.parallelize(data )
    //合并不同partition中的值，a，b得数据类型为zeroValue的数据类型
    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)

这里是运行的结果， 他们的都是一样的