一文看懂Spark中reduceByKey 和 groupByKey 的区别

青旅半醒 2022-09-10 04:26 302阅读 0赞

**目录**

一、先看结论

二、举例、画图说明

1.实现的功能分别是什么？

1).groupByKey 实现 WordCount

2).reduceByKey 实现 WordCount

2.画图解析两种实现方式的区别

1) groupByKey 实现 WordCount

2).reduceByKey 实现 WordCount（简单流程）

3).reduceByKey 实现 WordCount（终极流程）

--------------------

# 一、先看结论 #

**1.从Shuffle的角度**

reduceByKey 和 groupByKey都存在shuffle操作，但是reduceByKey可以在shuffle之前对分区内相同key的数据集进行**预聚合（combine）**功能，这样会较少落盘的数据量，而groupByKey只是进行分组，不存在数据量减少的问题，reduceByKey性能比较高。

**2.从功能的角度**

**        **reduceByKey其实包含分组和聚合的功能；groupByKey只能分组，不能聚合，所以在分组聚合的场合下，推荐使用reduceByKey，如果仅仅是分组而不需要聚合，那么还是只能使用groupByKey。

# 二、举例、画图说明 #

## 1.实现的功能分别是什么？ ##

为方便理解，分别用两个算子来实现WordCount程序。假设单词已经被处理成(word,1)的形式，我用List(("a", 1), ("a", 1), ("a", 1), ("b", 1))作为数据源。

### 1).groupByKey 实现 WordCount ###

功能：groupByKey可以将数据源的数据根据 key 对 value 进行分组

首先来看下，单单使用groupByKey，其返回值是什么

def main(args: Array[String]): Unit = {
        val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
        val sc = new SparkContext(sparkConf)
        // 获取 RDD
        val rdd = sc.makeRDD(List(("a", 1), ("a", 1), ("a", 1), ("b", 1)))
        val reduceRDD = rdd.groupByKey()
        reduceRDD.collect().foreach(println)
        sc.stop()
        /**
         * 运行结果：
         * (a,CompactBuffer(1, 1, 1))
         * (b,CompactBuffer(1))
         */
      }

可以看到，返回的结果是RDD\[(String, Iterable\[Int\])\]，也就是(a,(1,1,1)),(b,(1,1,1))。

若要实现WordCount，还需要一步Map操作：

def main(args: Array[String]): Unit = {
        val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
        val sc = new SparkContext(sparkConf)
        // 获取 RDD
        val rdd = sc.makeRDD(List(("a", 1), ("a", 1), ("a", 1), ("b", 1)))
        val reduceRDD = rdd.groupByKey().map {
          case (word, iter) => {
            (word, iter.size)
          }
        }
        reduceRDD.collect().foreach(println)
        sc.stop()
    
        /**
         * 运行结果：
         * (a,3)
         * (b,1)
         */
      }

### 2).reduceByKey 实现 WordCount ###

功能：reduceByKey可以将数据按照相同的 Key 对 Value 进行两两聚合，这个聚合的方式是需要指定的。

def main(args: Array[String]): Unit = {
        val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Operator")
        val sc = new SparkContext(sparkConf)
        // 获取 RDD
        val rdd = sc.makeRDD(List(("a", 1), ("a", 1), ("a", 1), ("b", 1)))
        // 指定计算公式为 x+y
        val reduceRDD = rdd.reduceByKey((x,y) => x + y)
        reduceRDD.collect().foreach(println)
        sc.stop()
        /**
         * 运行结果：
         * (a,3)
         * (b,1)
         */
      }

## 2.画图解析两种实现方式的区别 ##

为方便演示Shuffle过程，现在假设有两个分区的数据。

### 1) groupByKey 实现 WordCount ###

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAVFJYMTAyNA_size_20_color_FFFFFF_t_70_g_se_x_16][]

解读：

1.红色RDD是数据源，包含两个分区的(word,1)数据

2.Shuffle过程（都知道Shuffle过程是需要磁盘IO的）

3.groupByKey后的RDD，根据key分组对Value进行聚合

4.Map操作计算WordCount

总结：groupbykey 会导致数据打乱重组，存在shuffle操作。

### 2).reduceByKey 实现 WordCount（简单流程） ###

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAVFJYMTAyNA_size_20_color_FFFFFF_t_70_g_se_x_16 1][]

解读：

1.红色RDD是数据源，包含两个分区的(word,1)数据

2.Shuffle过程

3.根据指定的聚合公式，对Value进行两两聚合后的结果RDD

到这来看，感觉 groupbykey 和 reduceByKey 实现WordCount的计算方式来看感觉差不多嘛，从性能上来说，都有Shuffle操作，所以从计算性能上来说没多大区别；从功能上来说，都有分组，只是reduceByKey有聚合操作，而groupbykey没有聚合操作，它的聚合是通过增加map操作来实现的，所以看似也没多大区别。

那么究竟他两的核心区别是什么呢？

### 3).reduceByKey 实现 WordCount（终极流程） ###

再来一遍reduceByKey的功能介绍：可以将数据按照相同的 Key 对 Value 进行两两聚合。

**思考一个问题**：从 2) 的图中有没有发现一个现象，在红色RDD的一个分区中就有相同的Key，而且value是可以聚合的。在 groupbykey 实现过程中，由于groupbykey没有聚合功能，实现聚合计算是将所有数据分组完成后再进行聚合。而 reduceByKey 是有聚合功能的，实现过程中，在分组前也同样满足聚合条件（有相同的key，value能聚合），那么reduceByKey是不是在分组前就将数据先进行聚合了呢？（答案是肯定的，我们叫预聚合操作）

所以，它的流程图就变成这样：

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAVFJYMTAyNA_size_20_color_FFFFFF_t_70_g_se_x_16 2][]

解读：

1.红色RDD是数据源，包含两个分区的(word,1)数据，在分组前先对分区内的数据进行预聚合

2.Shuffle操作

3.根据指定的聚合公式，对Value进行两两聚合后的结果RDD

有哪些变化呢？

1.分组前对数据进行了预聚合，参与分组的数据量变小，也即参与Shuffle的数据量变小

2.因为参与Shuffle的数据量变小，所以Shuffle时的磁盘IO次数将变少

3.聚合计算时量量计算的次数变少

**由此可以得出一个结论**：

reduceByKey支持分区内预聚合功能，可以有效减少Shuffle时落盘的数据量，提升Shuffle的性能。

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAVFJYMTAyNA_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/778df8e6c9db40aeb5aade636d278c40.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAVFJYMTAyNA_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/4c8aabb46709452a8152aeb559307ee4.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAVFJYMTAyNA_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220829/8ce4eca4287b4113b619c0b7bb4a4379.png