PairRDD中算子aggregateByKey图解

标签：

PairRDD 有几个比较麻烦的算子，常理解了后面又忘记了，自己按照自己的理解记录好，以备查阅

1、aggregateByKey

    aggregate 是聚合意思，直观理解就是按照Key进行聚合。

    转化： RDD[(K,V)] ==> RDD[(K,U)] 

     可以看出是返回值的类型不需要和原来的RDD的Value类型一致的。

     在聚合过程中提供一个中立的初始值。

    原型：

    def  aggregateByKey[U:ClassTag](zeroValue:U, partitioner:Partitioner)(seqOp:(U,V) =>U, comOp:(U,U) =>U):RDD[(K,U)]

    def  aggregateByKey[U:ClassTag](zeroValue:U, numPartitions:Int)(seqOp:(U,V) =>U, comOp:(U,U) =>U):RDD[(K,U)]

    def  aggregateByKey[U:ClassTag](zeroValue:U)(seqOp:(U,V) =>U, comOp:(U,U) =>U):RDD[(K,U)]

    1、 第一个可以自己定义分区Partitioner; 2、第二个设置了分区数，最终定义了和HashPartitioner； 3、第三个会判断当前RDD是否定义分区函数，如果定义了则用当前的分区函数，没定义，则使用HashPartitioner

       例子：

        >val data = sc.parallelize(List((1,2),(1,4),(2,3)))

        > data.aggregateByKey(3)((x,y)=>math.max(x,y) ,(z,m)=>z+m)

         >Array((1,7)(2,3))

PairRDD中算子aggregateByKey图解

标签：

原文地址：http://www.cnblogs.com/seaspring/p/5721734.html