在阅读spark mllib源码的时候，发现一个出镜率很高的函数——aggregate和treeAggregate，比如matrix.columnSimilarities()中。为了好好理解这两个方法的使用，于是整理了本篇内容。
由于treeAggregate是在aggregate基础上的优化版本，因此先来看看aggregate是什么.
更多内容参考我的大数据学习之路
aggregate先直接看一下代码例子：
import org.apache.spark.sql.SparkSession object AggregateTest { def main(args: Array[String]): Unit = { val spark = SparkSession.builder().master("local[*]").appName("tf-idf").getOrCreate() spark.sparkContext.setLogLevel("WARN") // 创建rdd，并分成6个分区 val rdd = spark.sparkContext.parallelize(1 to 12).repartition(6) // 输出每个分区的内容 rdd.mapPartitionsWithIndex((index:Int,it:Iterator[Int])=>{ Array((s" $index : ${it.toList.mkString(",")}")).toIterator }).foreach(println) // 执行agg val res1 = rdd.aggregate(0)(seqOp, combOp) } // 分区内执行的方法，直接加和 def seqOp(s1:Int, s2:Int):Int = { println("seq: "+s1+":"+s2) s1 + s2 } // 在driver端汇总 def combOp(c1: Int, c2: Int): Int = { println("comb: "+c1+":"+c2) c1 + c2 } }这段代码的主要目的就是为了求和。考虑到spark分区并行计算的特性，在每个分区独立加和，最后再汇总加和。
过程可以参考下面的图片：
首先看一下map阶段，即在每个分区内计算加和。初始情况如蓝色方块所示，内容为：
分区号：里面的内容 如，0分区内的数据为6和8当执行seqop时，会说先用初始值0开始遍历累加，原理类似如下：
rdd.mapPartitions((it:Iterator)=>{ var sum = init_value // 默认为0 it.foreach(sum + _) sum })因此屏幕上会出现下面的内容，由于分区之间是并行的，所以最后的结果是乱序的：
seq: 0:6 seq: 0:1 seq: 0:3 seq: 1:9 seq: 3:10 seq: 0:2 seq: 0:5 seq: 5:7 seq: 12:12 seq: 0:4 seq: 4:11 seq: 6:8计算完成后，依次遍历每个分区结果，进行累加：
comb: 0:10 comb: 10:13 comb: 23:2 comb: 25:24 comb: 49:15 comb: 64:14aggregate的源码也比较简单：
def aggregate[U: ClassTag](zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U = withScope { var jobResult = Utils.clone(zeroValue, sc.env.serializer.newInstance()) val cleanSeqOp = sc.clean(seqOp) val cleanCombOp = sc.clean(combOp) val aggregatePartition = (it: Iterator[T]) => it.aggregate(zeroValue)(cleanSeqOp, cleanCombOp) val mergeResult = (index: Int, taskResult: U) => jobResult = combOp(jobResult, taskResult) sc.runJob(this, aggregatePartition, mergeResult) jobResult } treeAggregatetreeAggregate在aggregate的基础上做了一些优化，因为aggregate是在每个分区计算完成后，把所有的数据拉倒driver端，进行统一的遍历合并，这样如果数据量很大，在driver端可能会OOM。
因此treeAggregate在中间多加了一层合并。
先来看看代码，没有任何的变化：
import org.apache.spark.sql.SparkSession object TreeAggregateTest { def main(args: Array[String]): Unit = { val spark = SparkSession.builder().master("local[*]").appName("tf-idf").getOrCreate() spark.sparkContext.setLogLevel("WARN") val rdd = spark.sparkContext.parallelize(1 to 12).repartition(6) rdd.mapPartitionsWithIndex((index:Int,it:Iterator[Int])=>{ Array(s" $index : ${it.toList.mkString(",")}").toIterator }).foreach(println) val res1 = rdd.treeAggregate(0)(seqOp, combOp) println(res1) } def seqOp(s1:Int, s2:Int):Int = { println("seq: "+s1+":"+s2) s1 + s2 } def combOp(c1: Int, c2: Int): Int = { println("comb: "+c1+":"+c2) c1 + c2 } }输出的结果则发生了变化，首先分区内的操作不变：
3 : 3,10 2 : 2 0 : 6,8 1 : 1,9 4 : 4,11 5 : 5,7,12 seq: 0:3 seq: 0:6 seq: 3:10 seq: 6:8 seq: 0:2 seq: 0:1 seq: 1:9 seq: 0:4 seq: 4:11 seq: 0:5 seq: 5:7 seq: 12:12 ...在合并的时候发生了 变化：
comb: 10:13 comb: 23:24 comb: 14:2 comb: 16:15 comb: 47:31配合下面的流程图，可以更好的理解：
搭配treeAggregate的源码来看一下： def treeAggregate[U: ClassTag](zeroValue: U)( seqOp: (U, T) => U, combOp: (U, U) => U, depth: Int = 2): U = withScope { require(depth >= 1, s"Depth must be greater than or equal to 1 but got $depth.") if (partitions.length == 0) { Utils.clone(zeroValue, context.env.closureSerializer.newInstance()) } else { // 这里都没什么变化，在分区中遍历数据累加 val cleanSeqOp = context.clean(seqOp) val cleanCombOp = context.clean(combOp) val aggregatePartition = (it: Iterator[T]) => it.aggregate(zeroValue)(cleanSeqOp, cleanCombOp) var partiallyAggregated = mapPartitions(it => Iterator(aggregatePartition(it))) // 关键是这下面的内容 !!!! // 首先获得当前的分区数 var numPartitions = partiallyAggregated.partitions.length // 计算合适的并行度，我这里相当于6^(1/2)，也就是2.4左右，ceill向上取整后变成3. // max(3,2)得到最后的结果为3。即每个树的分枝有3个叶子节点 val scale = math.max(math.ceil(math.pow(numPartitions, 1.0 / depth)).toInt, 2) // 遍历分区，通过对scale取模进行合并计算 // 这里判断一下，当前的分区数是否还够分。如果少于条件值 scale+(p/scale)，就停止分区 while (numPartitions > scale + math.ceil(numPartitions.toDouble / scale)) { numPartitions /= scale val curNumPartitions = numPartitions // 重新定义分区id，并按照分区id重新分区，执行合并计算 partiallyAggregated = partiallyAggregated.mapPartitionsWithIndex { (i, iter) => iter.map((i % curNumPartitions, _)) }.reduceByKey(new HashPartitioner(curNumPartitions), cleanCombOp).values } // 最后统计结果 partiallyAggregated.reduce(cleanCombOp) } } spark中的应用 // matrix求相似度 def columnSimilarities(threshold: Double): CoordinateMatrix = { ... columnSimilaritiesDIMSUM(computeColumnSummaryStatistics().normL2.toArray, gamma) } // 统计每一个向量的相关数据，里面包含了min max 等等很多信息 def computeColumnSummaryStatistics(): MultivariateStatisticalSummary = { val summary = rows.treeAggregate(new MultivariateOnlineSummarizer)( (aggregator, data) => aggregator.add(data), (aggregator1, aggregator2) => aggregator1.merge(aggregator2)) updateNumRows(summary.count) summary }
了解了treeAggregate之后，后续就可以看matrix的并行求解相似度的源码了！敬请期待吧...
参考spark-aggregate与treeAggregate的理解