Spark DataFrame的groupBy vs groupByKey

在使用Spark SQL的过程中，经常会用到groupBy这个函数进行一些统计工作。但是会发现除了groupBy外，还有一个groupByKey（注意RDD也有一个groupByKey，而这里的groupByKey是DataFrame的）。这个groupByKey引起了我的好奇，那我们就到源码里面一探究竟吧。

所用spark版本：spark2.1.0

先从使用的角度来说，

groupBy：groupBy类似于传统SQL语言中的group by子语句，但比较不同的是groupBy()可以带多个列名，对多个列进行group。比如想根据"id"和"name"进行groupBy的话可以

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

groupBy返回的类型是RelationalGroupedDataset。

groupByKey：groupByKey则更加灵活，可以根据用户自己对列的组合来进行groupBy，比如上面的那个例子，根据"id"和"name"进行groupBy，使用groupByKey可以这样。

//同前面的goupBy效果是一样的，但返回的类型是不一样的

df..toDF("id","name").goupByKey(row =>{

	row.getString(0) + row.getString(1)

})

但和groupBy不同的是groupByKey返回的类型是KeyValueGroupedDataset。

下面来看看这两个方法的实现有何区别。

groupBy源码

  def groupBy(cols: Column*): RelationalGroupedDataset = {

    RelationalGroupedDataset(toDF(), cols.map(_.expr), RelationalGroupedDataset.GroupByType)

  }

最终会去新建一个RelationalGroupedDataset，而这个方法提供count()，max()，agg()，等方法。值得一提的是，这个类在spark1.x的时候类名为“GroupedData”。看看类中的注释吧

/**

 * 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源码

  @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)

  }

可以发现最后生成和返回的类是KeyValueGroupedDataset。这是dataset的子类，表示聚合过之后的dataset。

我们再看看这个类中的注释吧

/**

 * :: 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](

可以发现groupByKey还处于实验阶段。它是希望可以由用户自己来实现groupBy的规则，而不像groupBy()一样，需要被列属性所束缚。

通过groupByKey用户可以按照自己的需求来进行grouping。

总而言之，groupByKey虽然提供了更加灵活的处理grouping的方式，但groupByKey后返回的类是KeyValueGroupedDataset，它里面所提供的操作接口也不如groupBy返回的RelationalGroupedDataset所提供的接口丰富。除非真的有一些特殊的grouping操作，否则还是使用groupBy吧。