在Spark中有许多聚类操作是基于combineByKey的，例如group那个家族的操作等。所以combineByKey这个函数也是比较重要，所以下午花了点时间看来下这个函数。也参考了http://www.tuicool.com/articles/miueaqv这篇博客。
先看下combineByKey定义：
/**
* Generic function to combine the elements for each key using a custom set of aggregation
* functions. Turns an RDD[(K, V)] into a result of type RDD[(K, C)], for a "combined type" C
* Note that V and C can be different -- for example, one might group an RDD of type
* (Int, Int) into an RDD of type (Int, Seq[Int]). Users provide three functions:
*
* - `createCombiner`, which turns a V into a C (e.g., creates a one-element list)
* - `mergeValue`, to merge a V into a C (e.g., adds it to the end of a list)
* - `mergeCombiners`, to combine two C's into a single one.
*
* In addition, users can control the partitioning of the output RDD, and whether to perform
* map-side aggregation (if a mapper can produce multiple items with the same key).
*/
def combineByKey[C](createCombiner: V => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C,
partitioner: Partitioner,
mapSideCombine: Boolean = true,
serializer: Serializer = null): RDD[(K, C)] = {
//实现略
}
这个函数主要是将键值对[(K,V)]转换为[(K,C)]，并且这里的V,C类型可以不同。
对于里面的三个函数的作用，上述的博客的例子讲得很通俗，所以就拿过来直接讲下。
假设我们要将一堆的各类水果给榨果汁，并且要求果汁只能是纯的，不能有其他品种的水果。那么我们需要一下几步：
1 定义我们需要什么样的果汁
2 定义一个榨果汁机，即给定水果，就能给出我们定义的果汁
3 定义一个果汁混合器，即能将相同类型的水果果汁给混合起来。
那么有了这三步，我们就只需要往这个果汁机中仍水果，那么这个果汁机就会产生果汁，并且果汁经过果汁混合器就能将相同品种的水果给聚在一块了。
那么对比上述三步，combineByKey的三个函数也就是这三个功能
1 createCombiner就是定义了v如何转换为c
2 mergeValue 就是定义了如何给定一个V将其与原来的C合并成新的C
3 就是定义了如何将相同key下的C给合并成一个C
下面以一个例子来说明，例如有
data=sc.parallelize([("a",2),("a",3),("b",4)])这个数据，后面的数字表示该字符权重，我们现在想求每个字符出现的平均权重。
data.combineByKey((lambda v:(v,1)),
(lambda c,v:(c[0]+v,c[1]+1)),
(lambda x,y:(x[0]+y[0],x[1]+y[1])))
那么第一个函数
第二个函数
(lambda c,v:(c[0]+v,c[1]+1)) 这里的参数c可以理解为已经榨好的果汁，v为新加进去的水果，在这里假设此时c为(2,1)v为3,那么应该对应的权重相加，并且计数加1,c[0]+v就是权重相加，c[0]是2，接着就是对其计数加1.（其实这里已经是对相同的key进行归类了，否则c和v的key不同，在这里就会混乱）
第三个函数
(lambda x,y:(x[0]+y[0],x[1]+y[1]))，这里是将相同品种的水果果汁给混合起来，所以这里的参数x,y其实都是c类型的。所以这里需要做的就是相应的的权重相加，并且计数相加。这里的x[0]+y[0]就是权重相加，x[1]+y[1]就是计数相加。
利用combineByKey实现groupByKey
groupByKey是将key相同的value聚合成一个list
data=sc.parallelize([("a",2),("a",3),("b",4),("b",2)])
一开始自己的写法是：
temp=data.combineByKey((lambda v:[v]),
(lambda c,v:c.append(v)),
(lambda x,y:x.extend(y)))
但总是返回[("a",None),("b",None)]后来才发现原来是因为python中对于list.append()没有返回值，所以c.append(v)返回值为None。但是这三个函数都是需要返回值的。对于第二个而言返回的是V加入C后的C，对于第三个而言返回的是C和另一个C合并后的C
所以
def g(c,v);
c.append(v)
return c
def h(c1,c2):
c1.extend(c2)
return c1
data.combineByKey((lambda v:[v]),g,h)这样就能正确返回了
总结：
虽然对于细节了解不够深，但是猜测第二个函数像是Hadoop中的local combiner就是对本地中的相同的key的水果进行榨汁混合，第三个函数像是在全局中对相同的key的水果进行混合（此时不需要榨汁了）。