2.RDD 算子中，combineByKey是groupByKey及reduceByKey的实现基础。现给出 combineByKey(combiner,mergeVmergeC)的API，要求设计传参函数以实现wordCount任务，但计数逻辑修改为:map端以数据分区为单位，计算单词的加和;reduce端，对于同样的单词，统计单词出现的次数。此外RDD的数据分片需调整为5，补齐最终结果展示代码，

好的，以下是实现该任务的代码：

from pyspark import SparkContext

# 定义计算单词加和的函数
def combiner(value):
    return (value, 1)

# 定义合并单词出现次数的函数
def merge_value(value1, value2):
    return (value1[0] + value2[0], value1[1] + value2[1])

# 定义合并不同分区的单词出现次数的函数
def merge_combiner(value1, value2):
    return (value1[0] + value2[0], value1[1] + value2[1])

sc = SparkContext('local')
# 读取文本文件，分片为5
rdd = sc.textFile('file.txt', 5)
# 计算单词加和
rdd_combine = rdd.flatMap(lambda x: x.split(' ')).map(lambda x: (x, 1)).combineByKey(combiner, merge_value, merge_combiner)
# 计算单词出现次数
word_count = rdd_combine.map(lambda x: (x[0], x[1][1]))
# 展示最终结果
print(word_count.collect())

其中，combineByKey函数的参数分别为：

- combiner：将一个值转换为一个含有计数器的元组，即将单词转换为（单词出现次数，1）的形式。
- merge_value：合并同一分区内不同单词的元组，即将两个（单词出现次数，1）的元组合并为一个。
- merge_combiner：合并不同分区内相同单词的元组，即将两个（单词出现次数，1）的元组合并为一个。

最终展示结果为一个元组列表，每个元组包含一个单词和它出现的次数。