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。