本文主要是介绍【SparkAPI JAVA版】JavaPairRDD——aggregateByKey（二），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
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。
-
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。
这篇关于【SparkAPI JAVA版】JavaPairRDD——aggregateByKey（二）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
