（转载）spark常见算子的区别

一、reduceByKey和groupByKey的区别

1、reduceByKey：按照 key进行聚合，在 shuffle 之前有 combine(预聚合)操作，返回结果是 RDD[k,v]。

2、groupByKey：按照 key进行分组，直接进行 shuffle。开发指导：reduceByKey比 groupByKey，建议使用。但是需要注意是否会影响业务逻辑。

1、reduceByKey(func)：使用 func 函数合并具有相同键的值。

val list = List("hadoop","spark","hive","spark")

val rdd=sc.parallelize(list)

val pairRdd= rdd.map((_,1))

pairRdd.reduceByKey(_+_).collect.foreach(println)

上例中，我们先是建立了一个 list，然后建立通过这个 list 集合建立一个 rdd；然后我们通过 map 函数将 list 的 rdd 转化成键值对形式的 rdd；然后我们通过 reduceByKey 方法对具有相同 key 的值进行 func(_+_)的累加操作。

(hive,1)

(spark,2)

(hadoop,1)

list: List[String]=List(hadoop, spark, hive, spark)

rdd: org.apache.spark.rdd.RDD[String]= ParallelCollectionRDD[127] at parallelize at command-3434610298353610:2pairRdd: org.apache.spark.rdd.RDD[(String, Int)]= MapPartitionsRDD[128] at map at command-3434610298353610:3

pairRdd.collect.foreach(println)//打印pairRdd

(hive,1)

(spark,1)

(hadoop,1)

(spark,1)

我们需要留意的事情是，我们调用了reduceByKey操作的返回的结果类型是

org.apache.spark.rdd.RDD[(String, Int)]

注意，我们这里的collect()方法的作用是收集分布在各个worker的数据到driver节点。

如果不使用这个方法，每个worker的数据只在自己本地显示，并不会在driver节点显示。

2、groupByKey()：对具有相同key的value进行分组。

val list = List("hadoop","spark","hive","spark")

val rdd=sc.parallelize(list)

val pairRdd= rdd.map(x => (x,1))

pairRdd.groupByKey().collect.foreach(println)

得出的结果为

(hive,CompactBuffer(1))

(spark,CompactBuffer(1, 1))

(hadoop,CompactBuffer(1))

list: List[String]=List(hadoop, spark, hive, spark)

rdd: org.apache.spark.rdd.RDD[String]= ParallelCollectionRDD[130] at parallelize at command-3434610298353610:2pairRdd: org.apache.spark.rdd.RDD[(String, Int)]= MapPartitionsRDD[131] at map at command-3434610298353610:3

CompactBuffer：CompactBuffer并不是scala里定义的数据结构，而是spark里的数据结构，它继承自一个迭代器和序列，所以它的返回值是一个很容易进行循环遍历的集合。

可以看到，结果并不是把具有相同key值进行相加，而是就简单的进行了分组，生成一个sequence。因此，我们可以把groupByKey()当作reduceByKey(func)操作的一部分，reduceByKey(func)先是对rdd进行groupByKey()然后在对每个分组进行func操作。

pairRdd.reduceByKey(_+_).collect.foreach(println)

这里通过groupByKey()后调用map遍历每个分组，然后通过t => (t._1,t._2.sum)对每个分组的值进行累加。因为groupByKey()操作是把具有相同类型的key收集到一起聚合成一个集合，集合中有个sum方法，对所有元素进行求和。

注意：(k，v)形式的数据，我们可以通过 ._1，._2 来访问键和值，用占位符表示就是 _._1，_._2，这里前面的两个下划线的含义是不同的，前边下划线是占位符，后边的是访问方式。 我们记不记得 ._1，._2，._3 是元组的访问方式。我们可以把键值看成二维的元组。

3、区别：

reduceByKey()对于每个key对应的多个value进行了merge操作，最重要的是它能够先在本地进行merge操作。merge可以通过func自定义。

groupByKey()也是对每个key对应的多个value进行操作，但是只是汇总生成一个sequence，本身不能自定义函数，只能通过额外通过map(func)来实现。

使用reduceByKey()的时候，本地的数据先进行merge然后再传输到不同节点再进行merge，最终得到最终结果。

而使用groupByKey()的时候，并不进行本地的merge，全部数据传出，得到全部数据后才会进行聚合成一个sequence，

groupByKey()传输速度明显慢于reduceByKey()。

虽然groupByKey().map(func)也能实现reduceByKey(func)功能，但是，优先使用reduceByKey(func)

二、map和flatMap的区别：

三、repartition和partitionBy的区别：

repartition 和 partitionBy 都是对数据进行重新分区，默认都是使用 HashPartitioner，区别在于partitionBy 只能用于 PairRDD，但是当它们同时都用于 PairRDD时，结果却不一样：

不难发现，其实 partitionBy 的结果才是我们所预期的，我们打开 repartition 的源码进行查看：

/*** Return a new RDD that has exactly numPartitions partitions.

*

* Can increase or decrease the level of parallelism in this RDD. Internally, this uses

* a shuffle to redistribute data.

*

* If you are decreasing the number of partitions in this RDD, consider using `coalesce`,

* which can avoid performing a shuffle.

*

* TODO Fix the Shuffle+Repartition data loss issue described in SPARK-23207.*/def repartition(numPartitions: Int)(implicit ord: Ordering[T]= null): RDD[T] =withScope {undefined

coalesce(numPartitions, shuffle= true)

}/*** Return a new RDD that is reduced into `numPartitions` partitions.

*

* This results in a narrow dependency, e.g. if you go from 1000 partitions

* to 100 partitions, there will not be a shuffle, instead each of the 100

* new partitions will claim 10 of the current partitions. If a larger number

* of partitions is requested, it will stay at the current number of partitions.

*

* However, if you're doing a drastic coalesce, e.g. to numPartitions = 1,

* this may result in your computation taking place on fewer nodes than

* you like (e.g. one node in the case of numPartitions = 1). To avoid this,

* you can pass shuffle = true. This will add a shuffle step, but means the

* current upstream partitions will be executed in parallel (per whatever

* the current partitioning is).

*

* @note With shuffle = true, you can actually coalesce to a larger number

* of partitions. This is useful if you have a small number of partitions,

* say 100, potentially with a few partitions being abnormally large. Calling

* coalesce(1000, shuffle = true) will result in 1000 partitions with the

* data distributed using a hash partitioner. The optional partition coalescer

* passed in must be serializable.*/def coalesce(numPartitions: Int, shuffle: Boolean= false,

partitionCoalescer: Option[PartitionCoalescer]=Option.empty)

(implicit ord: Ordering[T]= null)

: RDD[T]=withScope {undefined

require(numPartitions> 0, s"Number of partitions ($numPartitions) must be positive.")if(shuffle) {/**Distributes elements evenly across output partitions, starting from a random partition.*/val distributePartition= (index: Int, items: Iterator[T]) =>{undefined

var position= newRandom(hashing.byteswap32(index)).nextInt(numPartitions)

items.map { t=>

//Note that the hash code of the key will just be the key itself. The HashPartitioner//will mod it with the number of total partitions.

position = position + 1(position, t)

}

} : Iterator[(Int, T)]//include a shuffle step so that our upstream tasks are still distributed

newCoalescedRDD(newShuffledRDD[Int, T, T](mapPartitionsWithIndex(distributePartition),newHashPartitioner(numPartitions)),

numPartitions,

partitionCoalescer).values

}else{new CoalescedRDD(this, numPartitions, partitionCoalescer)

}

}

即使是RairRDD也不会使用自己的key，repartition 其实使用了一个随机生成的数来当做 Key，而不是使用原来的 Key！！
————————————————
原文转自：spark算子之间的区别_spark常见算子的区别_黑岛人的博客-优快云博客https://blog.youkuaiyun.com/weixin_29531989/article/details/111895318?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522164716453016780274192152%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=164716453016780274192152&b