Spark RDD的fold和aggregate为什么是两个API？为什么不是一个foldLeft？

发表于 Disqus： 本文字数： 2.1k 阅读时长 ≈ 2 分钟

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
case class Company(name:String, children:Seq[Company]=Nil)

它有名字和子公司。
然后定义几个公司：

1
val companies = List(Company("B"),Company("A"),Company("T"))

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
companies.foldLeft(Company("King"))((king,company)=>Company(name=king.name,king.children:+company))

这个执行的结果是这样的：

1
2
scala> companies.foldLeft(Company("King"))((king,company)=>Company(name=king.name,king.children:+company))
res6: Company = Company(King,List(Company(B,List()), Company(A,List()), Company(T,List())))

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
companies.foldLeft("")((acc,company)=>acc+company.name)

它的执行结果是这样的：

1
2
scala> companies.foldLeft("")((acc,company)=>acc+company.name)
res7: String = BAT

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
aggregate[U](zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U)(implicit arg0: ClassTag[U]): U

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
companies.foldLeft(Company("King"))((king,company)=>Company(name=king.name,king.children:+company))
  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
  2. 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
  3. 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
companies.foldLeft("")((acc,company)=>acc+company.name)
  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
  2. 把上一步中的B第二个公司名字拼一起，成为BA
  3. 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？

  1. 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
  2. 每个节点把拿到的很多个X计算出一个Y出来
  3. 把所有节点的结果拿来，这时我手里就有了很多个Y
  4. 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。