一、基本介紹
rdd.aggregateByKey(3, seqFunc, combFunc) 其中第一個函數是初始值
3代表每次分完組之后的每個組的初始值。
seqFunc代表combine的聚合邏輯
每一個mapTask的結果的聚合成為combine
combFunc reduce端大聚合的邏輯
ps:aggregateByKey默認分組
二、源碼
三、代碼
from pyspark import SparkConf,SparkContext from __builtin__ import str conf = SparkConf().setMaster("local").setAppName("AggregateByKey") sc = SparkContext(conf = conf) rdd = sc.parallelize([(1,1),(1,2),(2,1),(2,3),(2,4),(1,7)],2) def f(index,items): print "partitionId:%d" %index for val in items: print val return items rdd.mapPartitionsWithIndex(f, False).count() def seqFunc(a,b): print "seqFunc:%s,%s" %(a,b) return max(a,b) #取最大值 def combFunc(a,b): print "combFunc:%s,%s" %(a ,b) return a + b #累加起來 ''' aggregateByKey這個算子內部肯定有分組 ''' aggregateRDD = rdd.aggregateByKey(3, seqFunc, combFunc) rest = aggregateRDD.collectAsMap() for k,v in rest.items(): print k,v sc.stop()
四、詳細邏輯
PS：seqFunc函數 combine篇。
3是每個分組的最大值，所以把3傳進來，在combine函數中也就是seqFunc中第一次調用 3代表a,b即1,max(a,b)即3 第二次再調用則max(3.1)中的最大值3即輸入值，2即b值 所以結果則為(1,3)
底下類似。combine函數調用的次數與分組內的數據個數一致。
combFunc函數 reduce聚合
在reduce端大聚合，拉完數據后也是先分組，然后再調用combFunc函數
五、結果
