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。
比如我定义一个公司类：
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，我假设有一家超牛逼的公司把它们给合并了：
1 |
|
这个执行的结果是这样的：
1 2 |
|
可见foldLeft的结果是一家包含了BAT三大家得新公司。
由List[Company]聚合出一个新的Company，这种属于foldLeft的同构聚合操作。
同时，foldLeft也可以做异构的聚合操作：
1 |
|
它的执行结果是这样的：
1 2 |
|
由List[Company]聚合出一个String。
这样的API感觉很方便，只要是聚合，无论同构异构，都可以用它来做。
最近接触了Spark，其中的RDD是做分布式计算时最常用的一个类。
RDD有一个叫做fold的API，它和foldLeft的签名很像，唯一区别是它只能做同构聚合操作。
也就是说如果你有一个RDD[X]，通过fold，你只能构造出一个X。
如果我想通过一个RDD[X]构造一个Y出来呢？
那就得用aggregate这个API了，aggregate的签名是这样的：
1 |
|
它比fold和foldLeft多需要一个combOp做参数。
这让我很不解，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？
后来想明白了，这是由于Spark需要分布运算造成的。
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，成为一个包含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，成为一个包含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，成为一个包含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。
现在假设RDD[X]中有一个类似foldLeft的API，其签名和foldLeft一致，我现在调用foldLeft，给它一个f:(Y,X)=>Y，接下来该发生什么呢？
- 因为要分布计算，所以我先要把手里的很多个X分成几份，分发到不同的节点上去
- 每个节点把拿到的很多个X计算出一个Y出来
- 把所有节点的结果拿来，这时我手里就有了很多个Y
- 啊。。。我不知道怎么把很多个Y变成一个Y啊。。。
由于Spark的RDD不像Scala的List一样只需要推倒一副多米诺骨牌，而是要推倒很多副，最后再对很多副多米诺骨牌的结果做聚合。
这时如果是同构还好，我只需要再用f:(X,X)=>X做一遍就ok了。
但是如果是异构的，那我就必须得再需要一个f:(Y,Y)=>Y了。