在讲他们的性能之前，先分析一下 groupByKey 和 reduceByKey 的操作流程：
groupByKey：
groupByKey 会将相同 key 的数据进行分组，对数据进行打乱重组，存在 shuffle 操作。但不会聚合，所以数据量不会减少。
正常不同分区间的数据是并行执行的，互不影响，但因为有 shuffle 阶段，一个分区数据处理好了之后不可能直接就进行下一步操作，而是要等其他分区都处理好了之后再一起进行聚合，但是数据会放在内存中，当数据量越来越大的时候，可能会导致 OOM 内存溢出的问题。
因为不能在内存中等待数据，所以在 Spark 中，shuffle 操作必须落盘处理，也就是先把处理的数据都放到磁盘文件中，处理好了之后再从磁盘中读取，但这就涉及到了 IO 读取，因为数据量没有减少，数据量又大，所以会导致 shuffle 的性能低下。
reduceByKey：
reduceByKey 会将相同 key 的数据进行分组并聚合，跟 groupByKey 的操作流程一样，都是要进行 shuffle 操作，但 reduceByKey 有一点不同的是，reduceByKey 可以在 shuffle 前对分区内相同 key 的数据进行预聚合（combine）功能，这样会减少落盘的数据量，从而提高性能。
所以，综上所述，groupByKey 和 reduceByKey 的区别：
从 shuffle 的角度：reduceByKey 和 groupByKey 都存在 shuffle 的操作，但是 reduceByKey 可以在 shuffle 前对分区内相同 key 的数据进行预聚合（combine）功能，这样会减少落盘的数据量，而 groupByKey 只是进行分组，不存在数据量减少的问题，reduceByKey 性能比较高。
从功能的角度：reduceByKey 其实包含分组和聚合的功能。groupByKey 只能分组，不能聚合，所以在分组聚合的场景下，推荐使用 reduceByKey，但如果仅仅是分组而不需要聚合，那么还是只能使用 groupByKey。
