正文
Spark RDD的fold和aggregate为什么是两个API？为什么不是一个foldLeft？
小程序：扫一扫查出行【扫一扫了解最新限行尾号】
复制小程序
欢迎关注我的新博客地址：http://cuipengfei.me/blog/2014/10/31/spark-fold-aggregate-why-not-foldleft/
大家都知道Scala标准库的List有一个用来做聚合操作的foldLeft方法。
比方我定义一个公司类：
1 |
|
它有名字和子公司。 然后定义几个公司：
1 |
|
三家大公司，然后呢，我如果有一家超牛逼的公司把它们给合并了：
1 |
|
这个运行的结果是这种：
1 |
|
可见foldLeft的结果是一家包括了BAT三大家得新公司。
由List[Company]聚合出一个新的Company，这样的属于foldLeft的同构聚合操作。
同一时候，foldLeft也能够做异构的聚合操作：
1 |
|
它的运行结果是这种：
1 |
|
由List[Company]聚合出一个String。
这种API感觉非常方便。仅仅要是聚合。不管同构异构。都能够用它来做。
近期接触了Spark，当中的RDD是做分布式计算时最经常使用的一个类。
RDD有一个叫做fold的API，它和foldLeft的签名非常像，唯一差别是它仅仅能做同构聚合操作。
也就是说假设你有一个RDD[X]，通过fold，你仅仅能构造出一个X。
假设我想通过一个RDD[X]构造一个Y出来呢？
那就得用aggregate这个API了，aggregate的签名是这种：
1 |
|
它比fold和foldLeft多须要一个combOp做參数。
这让我非常不解，同构和异构的API干嘛非得拆成两个呢？怎么不能学Scala的标准库，把它做成类似foldLeft的样子呢？
后来想明确了，这是因为Spark须要分布运算造成的。
先想一下Scala List的foldLeft是怎么工作的？
1 |
|
- 拿到初始值，即名字为king的公司，把它和list中的第一个公司合并，成为一个包括一家子公司的新公司
- 把上一步中的新公司拿来和list中的第二个公司合并，成为一个包括两家子公司的新公司
- 把上一步中的新公司拿来和list中的第三个公司合并，成为一个包括三家子公司的新公司
这是同构的过程。
1 |
|
- 拿到初始值，即空字符串。把它和list中的第一个公司的名字拼在一起，成为B
- 把上一步中的B第二个公司名字拼一起。成为BA
- 把上一步中的BA拿来和list中的第三个公司的名字拼一起，成为BAT
这是异构的过程。
像多米诺骨牌一样，从左到右依次把list中的元素吸收入结果中。
如今如果RDD[X]中有一个类似foldLeft的API，其签名和foldLeft一致，我如今调用foldLeft，给它一个f:(Y,X)=>Y，接下来该发生什么呢？
- 由于要分布计算，所以我先要把手里的非常多个X分成几份。分发到不同的节点上去
- 每一个节点把拿到的非常多个X计算出一个Y出来
- 把全部节点的结果拿来，这时我手里就有了非常多个Y
- 啊。。。我不知道怎么把非常多个Y变成一个Y啊。。。
因为Spark的RDD不像Scala的List一样仅仅须要推倒一副多米诺骨牌。而是要推倒非常多副。最后再对非常多副多米诺骨牌的结果做聚合。
这时假设是同构还好，我仅仅须要再用f:(X,X)=>X做一遍就ok了。
可是假设是异构的，那我就必须得再须要一个f:(Y,Y)=>Y了。
