Spark算子groupbykey与reducebykey区别

@Author  : Spinach | GHB
@Link    : http://blog.youkuaiyun.com/bocai8058

---

0 算子reducebykey

reduceByKey，相较于普通的shuffle操作(比如groupByKey)，它的一个特点，就是说，会进行map端的本地聚合。

对map端给下个stage每个task创建的输出文件中，写数据之前，就会进行本地的combiner操作，也就是说对每一个key，对应的values，都会执行你的算子函数( _ + _ )

• 用reduceByKey对性能的提升：

1. 在本地进行聚合以后，在map端的数据量就变少了，减少磁盘IO。而且可以减少磁盘空间的占用。
2. 下一个stage，拉取数据的量，也就变少了。减少网络的数据传输的性能消耗。
3. 在reduce端进行数据缓存的内存占用变少了。
4. reduce端，要进行聚合的数据量也变少了。

1 算子groupbykey

groupByKey会对每一个RDD中的value值进行聚合形成一个序列(Iterator)，此操作发生在reduce端，所以势必会将所有的数据通过网络进行传输，造成不必要的浪费。同时如果数据量十分大，可能还会造成OutOfMemoryError。


引用：https://blog.youkuaiyun.com/wuxintdrh/article/details/81407859 | https://www.cnblogs.com/bonelee/p/7111395.html

---