spark的两种groupby，一种不易OOM

无rdd的，优点是不易内存溢出，缺点是只支持count、sum、max等groupby后操作

       df.select("the_key")
      .groupBy("the_key").count()
      .toDF("the_key", "the_count")
1
2
3

有rdd的，缺点是容易内存溢出，优点是可以进行groupby后每个group里的自定义操作

       df.rdd.groupBy(row => row.getAs[String]("the_key")).map(pair => {
        val the_key = pair._1
        (the_key, pair._2.size)
      }).toDF("the_key", "the_count")
1
2
3
4