Spark中RDD操作

Transformations(转换)

Transformation 说明 map(func) 根据传入的函数处理原有的RDD对象中每一个元素，每一个新元素处理完成后返回一个对象,这些新对象组装得到一个新的RDD,新的RDD和旧的RDD元素都是一一对应的 filter(func) 根据传入的函数来过滤RDD中每一个元素,通过过滤条件的的元素组成一个新的RDD flatMap(func) 先进行map操作,然后把map操作得到的结果合并为一个对象,假如map操作返回的是Array[Array[String]],那flatMap操作得到的应该是Array[String],自动将多个字符串数组合并为一个,另外一个意义是一个旧的RDD元素可以生成多个新元素，一对多的关系 mapPartitions(func) 可以将其看成map,但是他处理的是每个单独分区中的数据,然后把各个分区的值合并 mapPartitionsWithIndex(func) 把分区的索引值(index)交给输入函数处理 sample(withReplacement, fraction, seed) 取样函数,分放回和不放回,由withReplacement参数决定,fraction:抽样率 union(otherDataset) 两个RDD合并,不去重 intersection(otherDataset) 两个RDD交集且去重 distinct([numTasks])) 去重 groupByKey([numTasks]) 根据key来分组,同一个key的值放在一个集合中 reduceByKey(func, [numTasks]) 将key对应的值交给传入的函数处理 aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) 对key对应的值做聚合计算，返回的还是Pair RDD对象 sortByKey([ascending], [numTasks]) PairRDD以key值进行排序 join(otherDataset, [numTasks]) sql语句中内关联 cogroup(otherDataset, [numTasks]) SQL中的全外关联full outer join cartesian(otherDataset) 两个RDD进行笛卡尔集的操作，返回CartesianRDD pipe(command, [envVars]) 将RDD的每个数据分片都接到shell-command的标准输入上。经过shell-command的输出数据会重新生成新的RDD，新RDD是string类型的RDD coalesce(numPartitions) 合并分区,参数执行合并后的分区大小 repartition(numPartitions) 进行shuffle的coalesce操作 repartitionAndSortWithinPartitions(partitioner) 该方法依据partitioner对RDD进行分区，并且在每个结果分区中按key进行排序；通过对比sortByKey发现，这种方式比先分区，然后在每个分区中进行排序效率高，这是因为它可以将排序融入到shuffle阶段

Action(动作)

Action 说明 reduce(func) 根据映射函数f，对RDD中的元素进行二元计算，返回计算结果。 collect() 将RDD转换为数组 count() RDD的元素数量 first() 返回RDD第一个元素 take(n) 将RDD的前n个元素转换为数组返回 takeSample(withReplacement, num, [seed]) 随机取出num个元素转换为数组返回 takeOrdered(n, [ordering]) 取n个元素,用某个比较器排序后返回 saveAsTextFile(path) RDD保存到文件 saveAsSequenceFile(path) 保存为hadoop SequenceFile格式文件 saveAsObjectFile(path) 用于将RDD中的元素序列化成对象，存储到文件中 countByKey() PairRDD,计算Key的数量 foreach 无返回的,用于遍历RDD,将函数f应用于每一个元素。