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

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)

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。

// 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 JavaPairRDD aggregateByKey(U zeroValue, Partitioner partitioner, Function2 seqFunc, Function2 combFunc) public JavaPairRDD aggregateByKey(U zeroValue, int numPartitions, Function2 seqFunc, Function2 combFunc) public JavaPairRDD aggregateByKey(U zeroValue, Function2 seqFunc, Function2 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。

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 javaPairRDD = sc.parallelizePairs(Lists.>newArrayList( new Tuple2("cat",3), new Tuple2("dog",33), new Tuple2("cat",16), new Tuple2("tiger",66)), 2); // 打印样例数据 javaPairRDD.foreach(new VoidFunction>() { public void call(Tuple2 stringIntegerTuple2) throws Exception { System.out.println("样例数据>>>>>>>" + stringIntegerTuple2); } }); JavaPairRDD javaPairRDD1 = javaPairRDD.aggregateByKey(14, new Function2() { 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() { 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>() { public void call(Tuple2 stringIntegerTuple2) throws Exception { System.out.println("结果数据>>>>>>>" + stringIntegerTuple2); } }); } }

// 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)

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。

EI企业智能 Java spark 可信智能计算服务 TICS 智能数据

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。