Spark操作中的aggregate、aggregateByKey怎么理解

今天就跟大家聊聊有關Spark操作中的之aggregate、aggregateByKey怎么理解，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

1. aggregate函數

將每個分區里面的元素進行聚合，然后用combine函數將每個分區的結果和初始值(zeroValue)進行combine操作。這個函數最終返回的類型不需要和RDD中元素類型一致。

seqOp操作會聚合各分區中的元素，然后combOp操作把所有分區的聚合結果再次聚合，兩個操作的初始值都是zeroValue. seqOp的操作是遍歷分區中的所有元素(T)，第一個T跟zeroValue做操作，結果再作為與第二個T做操作的zeroValue，直到遍歷完整個分區。combOp操作是把各分區聚合的結果，再聚合。aggregate函數返回一個跟RDD不同類型的值。因此，需要一個操作seqOp來把分區中的元素T合并成一個U，另外一個操作combOp把所有U聚合。

例子程序：

scala> val rdd = List(1,2,3,4,5,6,7,8,9)rdd: List[Int] = List(1, 2, 3, 4, 5, 6, 7, 8, 9)scala> rdd.par.aggregate((0,0))((acc,number) => (acc._1 + number, acc._2 + 1),(par1,par2) => (par1._1 + par2._1, par1._2 + par2._2))res0: (Int, Int) = (45,9)scala> res0._1 / res0._2res1: Int = 5

過程大概這樣：

首先，初始值是(0,0)，這個值在后面2步會用到。然后，(acc,number) => (acc._1 + number, acc._2 + 1)，number即是函數定義中的T，這里即是List中的元素。所以acc._1 + number,acc._2 + 1的過程如下。

1. 0+1, 0+12. 1+2, 1+13. 3+3, 2+14. 6+4, 3+15. 10+5, 4+16. 15+6, 5+17. 21+7, 6+18. 28+8, 7+19. 36+9, 8+1

結果即是(45,9)。這里演示的是單線程計算過程，實際Spark執行中是分布式計算，可能會把List分成多個分區，假如3個，p1(1,2,3,4)，p2(5,6,7,8)，p3(9)，經過計算各分區的的結果（10,4）,（26,4）,（9,1），這樣，執行(par1,par2) =>(par1._1 + par2._1, par1._2 + par2._2)就是（10+26+9,4+4+1）即(45,9),再求平均值就簡單了。

2. aggregateByKey函數：

對PairRDD中相同的Key值進行聚合操作，在聚合過程中同樣使用了一個中立的初始值。和aggregate函數類似，aggregateByKey返回值的類型不需要和RDD中value的類型一致。因為aggregateByKey是對相同Key中的值進行聚合操作，所以aggregateByKey'函數最終返回的類型還是PairRDD，對應的結果是Key和聚合后的值，而aggregate函數直接返回的是非RDD的結果。

例子程序：

import org.apache.spark.SparkConfimport org.apache.spark.SparkContextobject AggregateByKeyOp { def main(args:Array[String]){   val sparkConf: SparkConf = new SparkConf().setAppName("AggregateByKey").setMaster("local")  val sc: SparkContext = new SparkContext(sparkConf)      val data=List((1,3),(1,2),(1,4),(2,3))   val rdd=sc.parallelize(data, 2)      

//合并不同partition中的值，a，b得數據類型為zeroValue的數據類型   def combOp(a:String,b:String):String={    println("combOp: "+a+"\t"+b)    a+b   }   

//合并在同一個partition中的值，a的數據類型為zeroValue的數據類型，b的數據類型為原value的數據類型   def seqOp(a:String,b:Int):String={    println("SeqOp:"+a+"\t"+b)    a+b   }   rdd.foreach(println)   

//zeroValue:中立值,定義返回value的類型，并參與運算   

//seqOp:用來在同一個partition中合并值   

//combOp:用來在不同partiton中合并值   

val aggregateByKeyRDD=rdd.aggregateByKey("100")(seqOp, combOp)   sc.stop() }}

運行結果：

將數據拆分成兩個分區

//分區一數據(1,3)(1,2)//分區二數據(1,4)(2,3)

//分區一相同key的數據進行合并seq: 100 3 

//(1,3)開始和中立值進行合并 合并結果為 1003seq: 1003 2 //(1,2)再次合并 結果為 10032

//分區二相同key的數據進行合并seq: 100 4 

//(1,4) 開始和中立值進行合并 1004seq: 100 3 //(2,3) 開始和中立值進行合并 1003

將兩個分區的結果進行合并/

/key為2的，只在一個分區存在，不需要合并 (2,1003)(2,1003)

//key為1的, 在兩個分區存在，并且數據類型一致，合并comb: 10032 1004(1,100321004)

看完上述內容，你們對Spark操作中的之aggregate、aggregateByKey怎么理解有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業資訊頻道，感謝大家的支持。