spark算子篇-aggregate 系列

aggregate

aggregate 是比较常用的 行动 操作，不是很好懂，这里做个解释。

aggregate(zeroValue, seqOp, combOp)

zeroValue 是一个初始值，自己根据实际情况进行设定；

首先我们知道 RDD 是被分区，然后并行操作的；

seqOp 是对每个分区进行聚合，每个分区聚合结果作为 combOp 的输入；

combOp 对分区聚合结果再次进行聚合；

seqOp 和 combOp 必须有且仅有2个参数

示例如下

seqOp：

把初始值设为 0，累加就是求和

把初始值设为 0，每次加1就是计数；然后 迭代 初始值

combOp：

每个分区的聚合结果为两部分（sum，count）

在初始值的基础上，把每个分区的 sum 相加，count 相加

迭代初始值

seqOp = (lambda x, y: (x[0] + y, x[1] + 1))     ## x 为 初始值，y 是 list 中的单个元素
combOp = (lambda x, y: (x[0] + y[0], x[1] + y[1]))  ## x 为 初始值，y 是 seqOp 单个分区的聚合结果
sc.parallelize([1, 2, 3, 4]).aggregate((0, 0), seqOp, combOp)       # (10, 4)

## 初始值变成 (3, 0), 分一个区，seqOp 聚合结果加 3， combOp 聚合结果加 3， 总共加 6，即 16
sc.parallelize([1, 2, 3, 4], 1).aggregate((3, 0), seqOp, combOp)    # (16, 4)  
## 初始值变成 (3, 0), 分两个区，seqOp 每个分区聚合结果加 3，共加 6，combOp 聚合结果加 3， 总共加 9，即 19
sc.parallelize([1, 2, 3, 4], 2).aggregate((3, 0), seqOp, combOp)    # (19, 4)

sc.parallelize([1, 2, 3, 4], 4).aggregate((3, 0), seqOp, combOp)    # (25, 4)
sc.parallelize([1, 2, 3, 4]).aggregate((3, 0), seqOp, combOp)    # 如果不写分区，默认为 cpu 核数个分区，即 4 核就分 4 个区

计算过程如下

aggregate 是针对 序列 进行操作的，还有一个 aggregateByKey 是针对 (key - value 对) 中的 key 进行 aggregate 操作的