Spark aggregate介绍

问题导读
1、如何了解Spark的功能？
2、什么是Spark aggregate？

Spark的官方文档其实说得并不是明了，很多内容如果不去研究源码，或者不去实验查看过程，你压根就不知道它的真正功能是啥，比如今天要说的aggregate。

aggregate的官方描述是：
Aggregate the elements of each partition, and then the results for all the partitions, using a given combine functions and a neutral "zero value." The functions op(t1, t2) is allowed to modify t1 and return it as its result value to avoid object allocation; however, it should not modify t2. The first function (seqOp) can return a different result type, U, than the type of this RDD. Thus, we need one operation for merging a T into an U and one operation for merging two U.
（本文译：聚合每个分区的元素,然后所有的分区结果,使用给定的组合功能和一个中立的“零值。“功能op(t1,t2)允许修改t1和它作为结果返回值以避免对象分配;然而,它不应该修改t2。第一个函数可以返回不同的结果类型(seqOp),U,比这个抽样的类型。因此,我们需要一个操作合并T成一个和一个操作合并两个）

函数原型：aggregate(self, zeroValue, seqOp, combOp)

现在先用一段代码测试它的输出：

def test_aggregate(sc):
    def seq(c, v):
        print 'In seq c ' + str(c)
        print 'In seq v ' + str(v)
        return c[0]+v[1], c[1]+0.1
 
    def comb(c1, c2):
        print 'In comb c1 ' + str(c1)
        print 'In comb c2 ' + str(c2)
        return c1[0]-c2[0], c1[1]+c2[1]
 
    data = sc.parallelize([(1.0, np.arange(10)), (2.0, np.arange(10)), (2.0, np.arange(10)), (1.0, np.arange(10))],2)
    gradientSum, lossSum = data.aggregate((np.ones(10),0), seq, comb)
    print gradientSum, lossSum
 
if __name__ == '__main__':
    sc = SparkContext(appName='Test')
    test_aggregate(sc)
 
# 第一个partition的输出
In seq c (array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.]), 0)
In seq v (1.0, array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))
In seq c (array([  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.]), 0.1)
In seq v (2.0, array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))
In comb c1 (array([  1.,   3.,   5.,   7.,   9.,  11.,  13.,  15.,  17.,  19.]), 0.2)
In comb c2 (array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.]), 0)
 
# 第二个partition的输出
In seq c (array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.]), 0)
In seq v (2.0, array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))
In seq c (array([  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.]), 0.1)
In seq v (1.0, array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))
In comb c1 (array([  1.,   3.,   5.,   7.,   9.,  11.,  13.,  15.,  17.,  19.]), 0.2)
In comb c2 (array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.]), 0)
 
# combine的输出
In comb c1 (array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.]), 0)
In comb c2 (array([  0.,   2.,   4.,   6.,   8.,  10.,  12.,  14.,  16.,  18.]), 0.2)
In comb c1 (array([  1.,  -1.,  -3.,  -5.,  -7.,  -9., -11., -13., -15., -17.]), 0.2)
In comb c2 (array([  0.,   2.,   4.,   6.,   8.,  10.,  12.,  14.,  16.,  18.]), 0.2)
 
# 最后结果输出
[  1.  -3.  -7. -11. -15. -19. -23. -27. -31. -35.] 0.4
复制代码

从上面可以看出，aggregate的作用大概是对每个partition应用seqOp操作和combOp操作，然后对这个由各个partitions的结果构成的结果空间再做一次combOp。zeroValue是初值，seqOp输入U和T，U的初值就是zeroValue，T是RDD的element，seqOp对每个element操作的结果作为下一个element的U。combOp的输入是U1,U2，其中U1的初值是zeroValue，U2是各个partitions的输出。

让我不解的是，为什么在每个partition计算完seqOp之后，都要做一次combOp(U1, U2)操作，且U1是seqOp最终的计算结果，U2则是zeroValue？