【SparkAPI JAVA版】JavaPairRDD——aggregateByKey（二）

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。

1. 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）
   

2. 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。