Spark DataFrame 的 groupBy vs groupByKey

在使用 Spark SQL 的過程中，經常會用到 groupBy 這個函數進行一些統計工作。但是會發現除了 groupBy 外，還有一個 groupByKey（注意RDD 也有一個 groupByKey，而這裡的 groupByKey 是 DataFrame 的 ） 。這個 groupByKey 引起了我的好奇，那我們就到源碼裡面一探究竟吧。

所用 spark 版本：spark 2.1.0

先從使用的角度來說，

groupBy：groupBy類似于傳統SQL語言中的group by子語句，但比較不同的是groupBy()可以帶多個列名，對多個列進行group。比如想根據 "id" 和 "name" 進行 groupBy 的話可以

df.goupBy("id","name")           

groupBy傳回的類型是RelationalGroupedDataset。

groupByKey：groupByKey則更加靈活，可以根據使用者自己對列的組合來進行groupBy，比如上面的那個例子，根據 "id" 和 "name" 進行 groupBy，使用groupByKey可以這樣。

//同前面的goupBy效果是一樣的，但傳回的類型是不一樣的
df..toDF("id","name").goupByKey(row =>{
    row.getString(0) + row.getString(1)
})           

但和groupBy不同的是groupByKey傳回的類型是KeyValueGroupedDataset。

下面來看看這兩個方法的實作有何差別。

groupBy

def groupBy(cols: Column*): RelationalGroupedDataset = {
    RelationalGroupedDataset(toDF(), cols.map(_.expr), RelationalGroupedDataset.GroupByType)
  }           

最終會去建立一個RelationalGroupedDataset，而這個方法提供count()，max()，agg()，等方法。值得一提的是，這個類在spark1.x的時候類名為“GroupedData”。看看類中的注釋吧

/**
 * A set of methods for aggregations on a `DataFrame`, created by `Dataset.groupBy`.
 *
 * The main method is the agg function, which has multiple variants. This class also contains
 * convenience some first order statistics such as mean, sum for convenience.
 *
 * This class was named `GroupedData` in Spark 1.x.
 *
 * @since 2.0.0
 */
@InterfaceStability.Stable
class RelationalGroupedDataset protected[sql](           

groupByKey

@Experimental
  @InterfaceStability.Evolving
  def groupByKey[K: Encoder](func: T => K): KeyValueGroupedDataset[K, T] = {
    val inputPlan = logicalPlan
    val withGroupingKey = AppendColumns(func, inputPlan)
    val executed = sparkSession.sessionState.executePlan(withGroupingKey)

    new KeyValueGroupedDataset(
      encoderFor[K],
      encoderFor[T],
      executed,
      inputPlan.output,
      withGroupingKey.newColumns)
  }           

可以發現最後生成和傳回的類是KeyValueGroupedDataset。這是dataset的子類，表示聚合過之後的dataset。

我們再看看這個類中的注釋吧

/**
 * :: Experimental ::
 * A [[Dataset]] has been logically grouped by a user specified grouping key.  Users should not
 * construct a [[KeyValueGroupedDataset]] directly, but should instead call `groupByKey` on
 * an existing [[Dataset]].
 *
 * @since 2.0.0
 */
@Experimental
@InterfaceStability.Evolving
class KeyValueGroupedDataset[K, V] private[sql](           

可以發現 groupByKey 還處于實驗階段。它是希望可以由使用者自己來實作 groupBy 的規則，而不像 groupBy() 一樣，需要被列屬性所束縛。

通過 groupByKey 使用者可以按照自己的需求來進行 grouping 。

總而言之，groupByKey雖然提供了更加靈活的處理 grouping 的方式，但 groupByKey 後傳回的類是 KeyValueGroupedDataset ，它裡面所提供的操作接口也不如 groupBy 傳回的 RelationalGroupedDataset 所提供的接口豐富。除非真的有一些特殊的 grouping 操作，否則還是使用 groupBy 吧。