深入理解groupByKey、reduceByKey

测试源码

下面来看看groupByKey和reduceByKey的区别：

    val conf = new SparkConf().setAppName("GroupAndReduce").setMaster("local")    val sc = new SparkContext(conf)    val words = Array("one", "two", "two", "three", "three", "three")    val wordsRDD = sc.parallelize(words).map(word => (word, 1))    val wordsCountWithReduce = wordsRDD.      reduceByKey(_ + _).      collect().      foreach(println)    val wordsCountWithGroup = wordsRDD.      groupByKey().      map(w => (w._1, w._2.sum)).      collect().      foreach(println)

虽然两个函数都能得出正确的结果， 但reduceByKey函数更适合使用在大数据集上。 这是因为Spark知道它可以在每个分区移动数据之前将输出数据与一个共用的key结合。

借助下图可以理解在reduceByKey里发生了什么。 在数据对被搬移前，同一机器上同样的key是怎样被组合的( reduceByKey中的 lamdba 函数)。然后 lamdba 函数在每个分区上被再次调用来将所有值 reduce成最终结果。整个过程如下：

image

另一方面，当调用 groupByKey时，所有的键值对(key-value pair) 都会被移动,在网络上传输这些数据非常没必要，因此避免使用 GroupByKey。

为了确定将数据对移到哪个主机，Spark会对数据对的key调用一个分区算法。 当移动的数据量大于单台执行机器内存总量时Spark会把数据保存到磁盘上。 不过在保存时每次会处理一个key的数据，所以当单个 key 的键值对超过内存容量会存在内存溢出的异常。 这将会在之后发行的 Spark 版本中更加优雅地处理，这样的工作还可以继续完善。 尽管如此，仍应避免将数据保存到磁盘上，这会严重影响性能。

image

你可以想象一个非常大的数据集，在使用 reduceByKey 和 groupByKey 时他们的差别会被放大更多倍。

我们来看看两个函数的实现：

  def reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD[(K, V)] = self.withScope {    combineByKeyWithClassTag[V]((v: V) => v, func, func, partitioner)  }

  /**  * Note: As currently implemented, groupByKey must be able to hold all the key-value pairs for any   * key in memory. If a key has too many values, it can result in an [[OutOfMemoryError]].   */  def groupByKey(partitioner: Partitioner): RDD[(K, Iterable[V])] = self.withScope {    // groupByKey shouldn't use map side combine because map side combine does not    // reduce the amount of data shuffled and requires all map side data be inserted    // into a hash table, leading to more objects in the old gen.    val createCombiner = (v: V) => CompactBuffer(v)    val mergeValue = (buf: CompactBuffer[V], v: V) => buf += v    val mergeCombiners = (c1: CompactBuffer[V], c2: CompactBuffer[V]) => c1 ++= c2    val bufs = combineByKeyWithClassTag[CompactBuffer[V]](      createCombiner, mergeValue, mergeCombiners, partitioner, mapSideCombine = false)    bufs.asInstanceOf[RDD[(K, Iterable[V])]]  }

注意mapSideCombine=false,partitioner是HashPartitioner，但是groupByKey对小数据量比较好，一个key对应的个数少于10个。

他们都调用了combineByKeyWithClassTag，我们再来看看combineByKeyWithClassTag的定义：

  def combineByKeyWithClassTag[C](      createCombiner: V => C,      mergeValue: (C, V) => C,      mergeCombiners: (C, C) => C,      partitioner: Partitioner,      mapSideCombine: Boolean = true,      serializer: Serializer = null)(implicit ct: ClassTag[C]): RDD[(K, C)]

combineByKey函数主要接受了三个函数作为参数，分别为createCombiner、mergeValue、mergeCombiners。这三个函数足以说明它究竟做了什么。理解了这三个函数，就可以很好地理解combineByKey。

combineByKey是将RDD[(K,V)]combine为RDD[(K,C)]，因此，首先需要提供一个函数，能够完成从V到C的combine，称之为combiner。如果V和C类型一致，则函数为V => V。倘若C是一个集合，例如Iterable[V]，则createCombiner为V => Iterable[V]。

mergeValue则是将原RDD中Pair的Value合并为操作后的C类型数据。合并操作的实现决定了结果的运算方式。所以，mergeValue更像是声明了一种合并方式，它是由整个combine运算的结果来导向的。函数的输入为原RDD中Pair的V，输出为结果RDD中Pair的C。

最后的mergeCombiners则会根据每个Key所对应的多个C，进行归并。

例如：

var rdd1 = sc.makeRDD(Array(("A", 1), ("A", 2), ("B", 1), ("B", 2),("B",3),("B",4), ("C", 1)))    rdd1.combineByKey(      (v: Int) => v + "_",      (c: String, v: Int) => c + "@" + v,      (c1: String, c2: String) => c1 + "$" + c2    ).collect.foreach(println)

result不确定欧，单机执行不会调用mergeCombiners：

(B,1_@2@3@4)(A,1_@2)(C,1_)

在集群情况下：

(B,2_@3@4$1_)(A,1_@2)(C,1_)或者(B,1_$2_@3@4)(A,1_@2)(C,1_)

mapSideCombine=false时，再体验一下运行结果。

有许多函数比goupByKey好：

1. 当你combine元素时，可以使用combineByKey，但是输入值类型和输出可能不一样
2. foldByKey合并每一个 key 的所有值，在级联函数和“零值”中使用。

    //使用combineByKey计算wordcount    wordsRDD.map(word=>(word,1)).combineByKey(      (v: Int) => v,      (c: Int, v: Int) => c+v,      (c1: Int, c2: Int) => c1 + c2    ).collect.foreach(println)    //使用foldByKey计算wordcount    println("=======foldByKey=========")    wordsRDD.map(word=>(word,1)).foldByKey(0)(_+_).foreach(println)    //使用aggregateByKey计算wordcount    println("=======aggregateByKey============")    wordsRDD.map(word=>(word,1)).aggregateByKey(0)((u:Int,v)=>u+v,_+_).foreach(println)

foldByKey,aggregateByKey都是由combineByKey实现，并且mapSideCombine=true，因此可以使用这些函数替代goupByKey。

参考

Spark中的combineByKey

databricks gitbooks

在Spark中尽量少使用GroupByKey函数

文／jacksu在简书（简书作者）
原文链接：http://www.jianshu.com/p/0c6705724cff
著作权归作者所有，转载请联系作者获得授权，并标注“简书作者”。