Spark核心RDD：combineByKey函数详解

为什么单独讲解combineByKey？

因为combineByKey是Spark中一个比较核心的高级函数，其他一些高阶键值对函数底层都是用它实现的。诸如 groupByKey,reduceByKey等等

如下给出combineByKey的定义，其他的细节暂时忽略(1.6.0版的函数名更新为combineByKeyWithClassTag)

/**
* Simplified version of combineByKeyWithClassTag that hash-partitions the resulting RDD using the
* existing partitioner/parallelism level. This method is here for backward compatibility. It
* does not provide combiner classtag information to the shuffle.
*
* @see `combineByKeyWithClassTag`
*/
def combineByKey[C](
createCombiner: V => C,
mergeValue: (C, V) => C,
mergeCombiners: (C, C) => C): RDD[(K, C)] = self.withScope {
combineByKeyWithClassTag(createCombiner, mergeValue, mergeCombiners)(null)
}
如下解释下3个重要的函数参数：
createCombiner: V => C ，这个函数把当前的值作为参数，此时我们可以对其做些附加操作(类型转换)并把它返回 (这一步类似于初始化操作)
mergeValue: (C, V) => C，该函数把元素V合并到之前的元素C(createCombiner)上 (这个操作在每个分区内进行)
mergeCombiners: (C, C) => C，该函数把2个元素C合并 (这个操作在不同分区间进行)

如下看一个使用combineByKey来求解平均数的例子

val initialScores = Array(("Fred", 88.0), ("Fred", 95.0), ("Fred", 91.0), ("Wilma", 93.0), ("Wilma", 95.0), ("Wilma", 98.0))
val d1 = sc.parallelize(initialScores)
type MVType = (Int, Double) //定义一个元组类型(科目计数器,分数)
d1.combineByKey(
score => (1, score),
(c1: MVType, newScore) => (c1._1 + 1, c1._2 + newScore),
(c1: MVType, c2: MVType) => (c1._1 + c2._1, c1._2 + c2._2)
).map { case (name, (num, socre)) => (name, socre / num) }.collect
/**
* score => (1,score),我们把分数作为参数，并返回了附加的元组类型。以“Fred”为列，当前其分数为88.0 => (1,88.0)，
*                     1表示当前科目的计数器，此时只有一个科目
* (c1: MVType, newScore) => (c1._1 + 1, c1._2 + newScore) 这里的c1就是createCombine初始化得到的（1，88.0）.
*                      在一个分区内，我们又碰到了“Fred”的一个新的score，将计数器加1（c1._1 + 1） ，分数页相加（c1._2 + newScore）
*  (c1: MVType, c2: MVType) => (c1._1 + c2._1, c1._2 + c2._2)，“Fred”可能是个学霸，他选修的科目可能过多而分散在不同的分区中。
*                       所有的分区都进行mergeValue后，接下来就是对分区进行合并了，分区间科目数和科目数相加，分数和分数相加
*/

执行结果如下：

res1: Array[(String, Double)] = Array((Wilma,95.33333333333333), (Fred,91.33333333333333))