RDD常见函数
原文链接:[https://blog.csdn.net/qq_35885488/article/details/102745211]
相关链接:[https://www.cnblogs.com/StitchSun/p/10656246.html]
RDD提供了两种类型的操作：transformation和action
- 所有的
transformation都是采用的懒策略，如果只是将transformation提交是不会执行计算的，计算只有在action被提交的时候才被触发。 - action操作：action是得到一个值，或者一个结果（直接将RDD cache到内存中）
常见的转换操作有
| Transformation 算子 | 含义 |
|---|---|
| map(func) | 对原 RDD 中每个元素运用 func 函数，并生成新的 RDD |
| filter(func) | 对原 RDD 中每个元素使用func 函数进行过滤，并生成新的 RDD |
| flatMap(func) | 与 map 类似，但是每一个输入的 item 被映射成 0 个或多个输出的 items（ func 返回类型需要为 Seq ） |
| mapPartitions(func) | 与 map 类似，但函数单独在 RDD 的每个分区上运行， func函数的类型为 Iterator<T> => Iterator<U> ，其中 T 是 RDD 的类型，即 RDD[T] |
| mapPartitionsWithIndex(func) | 与 mapPartitions 类似，但 func 类型为 (Int, Iterator<T>) => Iterator<U> ，其中第一个参数为分区索引 |
| sample(withReplacement, fraction, seed) | 数据采样，有三个可选参数：设置是否放回（withReplacement）、采样的百分比（fraction）、随机数生成器的种子（seed）； |
| union(otherDataset) | 合并两个 RDD |
| intersection(otherDataset) | 求两个 RDD 的交集 |
| distinct([numPartitions])) | 去重 |
| groupByKey([numPartitions]) | 按照 key 值进行分区，即在一个 (K, V) 对的 dataset 上调用时，返回一个 (K, Iterable<V>) Note: 如果分组是为了在每一个 key 上执行聚合操作（例如，sum 或 average)，此时使用 reduceByKey 或 aggregateByKey 性能会更好Note: 默认情况下，并行度取决于父 RDD 的分区数。可以传入 numTasks 参数进行修改。 |
| reduceByKey(func, [numPartitions]) | 按照 key 值进行分组，并对分组后的数据执行归约操作。 |
| aggregateByKey(zeroValue)(seqOp, combOp, [numPartitions]) | 当调用（K，V）对的数据集时，返回（K，U）对的数据集，其中使用给定的组合函数和 zeroValue 聚合每个键的值。与 groupByKey 类似，reduce 任务的数量可通过第二个参数进行配置。 |
| sortByKey([ascending], [numPartitions]) | 按照 key 进行排序，其中的 key 需要实现 Ordered 特质，即可比较 |
| join(otherDataset, [numPartitions]) | 在一个 (K, V) 和 (K, W) 类型的 dataset 上调用时，返回一个 (K, (V, W)) pairs 的 dataset，等价于内连接操作。如果想要执行外连接，可以使用 leftOuterJoin, rightOuterJoin 和 fullOuterJoin 等算子。 |
| cogroup(otherDataset, [numPartitions]) | 在一个 (K, V) 对的 dataset 上调用时，返回一个 (K, (Iterable<V>, Iterable<W>)) tuples 的 dataset。 |
| cartesian(otherDataset) | 在一个 T 和 U 类型的 dataset 上调用时，返回一个 (T, U) 类型的 dataset（即笛卡尔积）。 |
| coalesce(numPartitions) | 将 RDD 中的分区数减少为 numPartitions。 |
| repartition(numPartitions) | 随机重新调整 RDD 中的数据以创建更多或更少的分区，并在它们之间进行平衡。 |
| action算子 | 含义 |
|---|---|
| reduce(func) | (func)使用函数func执行归约操作 |
| collect() | 以一个 array 数组的形式返回 dataset 的所有元素，适用于小结果集。 |
| count() | 返回 dataset 中元素的个数。 |
| first() | 返回 dataset 中的第一个元素，等价于 take(1)。 |
| take(n) | 将数据集中的前 n 个元素作为一个 array 数组返回。 |
| takeSample(withReplacement, num, [seed]) | 对一个 dataset 进行随机抽样** |
| takeOrdered**(n, [ordering]) | 按自然顺序（natural order）或自定义比较器（custom comparator）排序后返回前 n 个元素。只适用于小结果集，因为所有数据都会被加载到驱动程序的内存中进行排序。 |
| saveAsTextFile(path) | 将 dataset 中的元素以文本文件的形式写入本地文件系统、HDFS 或其它 Hadoop 支持的文件系统中。Spark 将对每个元素调用 toString 方法，将元素转换为文本文件中的一行记录。 |
| saveAsSequenceFile(path) | 将 dataset 中的元素以 Hadoop SequenceFile 的形式写入到本地文件系统、HDFS 或其它 Hadoop 支持的文件系统中。该操作要求 RDD 中的元素需要实现 Hadoop 的 Writable 接口。对于 Scala 语言而言，它可以将 Spark 中的基本数据类型自动隐式转换为对应 Writable 类型。(目前仅支持 Java and Scala) |
| saveAsObjectFile(path) | 使用 Java 序列化后存储，可以使用 SparkContext.objectFile() 进行加载。(目前仅支持 Java and Scala)** |
| countByKey**() | 计算每个键出现的次数。 |
| foreach(func) | 遍历 RDD 中每个元素，并对其执行fun函数 |
