val
words
=
Array(
"one"
,
"two"
,
"two"
,
"three"
,
"three"
,
"three"
)
val
wordPairsRDD
=
sc.parallelize(words).map(word
=
> (word,
1
))
val
wordCountsWithReduce
=
wordPairsRDD
.reduceByKey(
_
+
_
)
.collect()
val
wordCountsWithGroup
=
wordPairsRDD
.groupByKey()
.map(t
=
> (t.
_
1
, t.
_
2
.sum))
.collect()
|
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。 注意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 函数在每个区上被再次调用来将所有值 reduce成一个最终结果。整个过程如下：
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有必要。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。
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。以下函数应该优先于 groupByKey ：
（1）、combineByKey组合数据，但是组合之后的数据类型与输入时值的类型不一样。
（2）、foldByKey 合并每一个 key 的所有值，在级联函数和“零值”中使用。