spark编程模型（二十）之RDD集合标量行为操作（Action Operation）——aggregate、fold、lookup

aggregate

• def aggregate[U](zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U)(implicit arg0: ClassTag[U]): U

• aggregate用于聚合RDD中的元素，先使用seqOp将RDD中每个分区中的T类型元素聚合成U类型，再使用combOp将之前每个分区聚合后的U类型聚合成U类型

• 特别注意seqOp和combOp都会使用zeroValue的值，zeroValue的类型为U

  var rdd1 = sc.makeRDD(1 to 10,2)
  rdd1.mapPartitionsWithIndex{
  (partIdx,iter) => {
  var part_map = scala.collection.mutable.MapString,List[Int]
  while(iter.hasNext){
  var part_name = "part_" + partIdx;
  var elem = iter.next()
  if(part_map.contains(part_name)) {
  var elems = part_map(part_name)
  elems ::= elem
  part_map(part_name) = elems
  } else {
  part_map(part_name) = List[Int]{elem}
  }
  }
  part_map.iterator

  }
  }.collect
  res16: Array[(String, List[Int])] = Array((part_0,List(5, 4, 3, 2, 1)), (part_1,List(10, 9, 8, 7, 6)))
  //第一个分区中包含5,4,3,2,1
  //第二个分区中包含10,9,8,7,6
  scala> rdd1.aggregate(1)(
  | {(x : Int,y : Int) => x + y},
  | {(a : Int,b : Int) => a + b}
  | )
  res17: Int = 58

计算过程：

先在每个分区中迭代执行 (x : Int,y : Int) => x + y 并且使用zeroValue的值1, 即：

part_0中 zeroValue+5+4+3+2+1 = 1+5+4+3+2+1 = 16

part_1中 zeroValue+10+9+8+7+6 = 1+10+9+8+7+6 = 41

再将两个分区的结果合并(a : Int,b : Int) => a + b ，并且使用zeroValue的值1, 即：

zeroValue+part_0+part_1 = 1 + 16 + 41 = 58

再比如：

scala> rdd1.aggregate(2)(
| {(x : Int,y : Int) => x + y},
| {(a : Int,b : Int) => a * b}
| )
res18: Int = 1428
这次zeroValue=2

part_0中 zeroValue + 5 + 4 + 3 + 2 + 1 = 2 + 5 + 4 + 3 + 2 + 1 = 17

part_1中 zeroValue + 10 + 9 + 8 + 7 + 6 = 2 + 10 + 9 + 8 + 7 + 6 = 42

最后：zeroValue * part_0 * part_1 = 2 * 17 * 42 = 1428

fold

• def fold(zeroValue: T)(op: (T, T) ⇒ T): T

• fold是aggregate的简化，将aggregate中的seqOp和combOp使用同一个函数op

  scala> rdd1.fold(1)(
  | (x,y) => x + y
  | )
  res19: Int = 58

  结果同上面使用aggregate的第一个例子一样，即：

  scala> rdd1.aggregate(1)(
  | {(x,y) => x + y},
  | {(a,b) => a + b}
  | )
  res20: Int = 58

lookup

• def lookup(key: K): Seq[V]

• lookup用于(K,V)类型的RDD,指定K值，返回RDD中该K对应的所有V值

  scala> var rdd1 = sc.makeRDD(Array(("A",0),("A",2),("B",1),("B",2),("C",1)))
  rdd1: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[0] at makeRDD at :21

  scala> rdd1.lookup("A")
  res0: Seq[Int] = WrappedArray(0, 2)

  scala> rdd1.lookup("B")
  res1: Seq[Int] = WrappedArray(1, 2)