原文链接：
为什么建议尽量在中少用GroupByKey，让我们看一下使用两种不同的方式去计算单词的个数，第一种方式使用reduceByKey ；另外一种方式使用groupByKey，代码如下：
06 | # 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货 |
07 | # 过往记忆博客微信公共帐号：iteblog_hadoop |
09 | val words = Array("one", "two", "two", "three", "three", "three") |
10 | val wordPairsRDD = sc.parallelize(words).map(word => (word, 1)) |
12 | val wordCountsWithReduce = wordPairsRDD |
16 | val wordCountsWithGroup = wordPairsRDD |
18 | .map(t => (t._1, t._2.sum)) |
虽然两个函数都能得出正确的结果， 但reduceByKey函数更适合使用在大数据集上。 这是因为知道它可以在每个分区移动数据之前将输出数据与一个共用的 key 结合。
借助下图可以理解在reduceByKey里发生了什么。 注意在数据对被搬移前同一机器上同样的 key 是怎样被组合的(reduceByKey中的 lamdba 函数)。然后 lamdba 函数在每个区上被再次调用来将所有值 reduce成一个最终结果。整个过程如下：
另一方面，当调用 groupByKey时，所有的键值对(key-value pair) 都会被移动。在网络上传输这些数据非常没有必要。避免使用 GroupByKey。
为了确定将数据对移到哪个主机，Spark会对数据对的 key 调用一个分区算法。 当移动的数据量大于单台执行机器内存总量时 Spark 会把数据保存到磁盘上。 不过在保存时每次会处理一个 key 的数据，所以当单个 key 的键值对超过内存容量会存在内存溢出的异常。 这将会在之后发行的 Spark 版本中更加优雅地处理，这样的工作还可以继续完善。 尽管如此，仍应避免将数据保存到磁盘上，这会严重影响性能。
如果想及时了解Spark、Hadoop或者Hbase相关的文章，欢迎关注微信公共帐号：
iteblog_hadoop
你可以想象一个非常大的数据集，在使用 reduceByKey 和 groupByKey 时他们的差别会被放大更多倍。以下函数应该优先于 groupByKey ：
（1）、
combineByKey组合数据，但是组合之后的数据类型与输入时值的类型不一样。
（2）、
foldByKey 合并每一个 key 的所有值，在级联函数和“零值”中使用。