RDD 两类操作详解(Scala)：转换与行动

1. 转换操作（Transformations）

定义

• 作用：从一个已有的 RDD 生成一个新的 RDD。

• 特点：延迟执行（Lazy Evaluation），仅记录操作逻辑，不立即计算。

• 示例：

  val rdd1 = sc.parallelize(1 to 10)  
  val rdd2 = rdd1.map(_ * 2)  // 转换操作：每个元素乘2  
  val rdd3 = rdd2.filter(_ > 10) // 转换操作：过滤大于10的元素 

常见转换操作

操作	说明	示例
map(func)	对每个元素应用函数	rdd.map(x => x + 1)
filter(func)	过滤满足条件的元素	rdd.filter(x => x % 2 == 0)
flatMap(func)	先映射后扁平化（如拆分文本行）	rdd.flatMap(_.split(" "))
groupByKey()	按键分组（仅适用于 Pair RDD）	rdd.groupByKey()
reduceByKey(func)	按键聚合（优化版 groupBy + reduce）	rdd.reduceByKey(_ + _)

---

2. 行动操作（Actions）

定义

• 作用：触发实际计算，返回结果到驱动程序或写入外部存储。

• 特点：立即执行（Eager Evaluation），会生成 Job 并提交到集群。

• 示例：

  val count = rdd3.count()  // 行动操作：统计元素数量  
  rdd3.saveAsTextFile("hdfs://output") // 行动操作：保存结果  

常见行动操作

操作	说明	示例
count()	返回 RDD 中元素的总数	rdd.count()
collect()	将所有元素以数组形式返回驱动端	rdd.collect()
take(n)	返回前 n 个元素	rdd.take(5)
first()	返回第一个元素（等价于 take(1))	rdd.first()
saveAsTextFile(path)	将 RDD 保存为文本文件	rdd.saveAsTextFile("hdfs://path")
foreach(func)	对每个元素应用函数（无返回值）	rdd.foreach(println)

---

两类操作的核心区别

特征	转换操作（Transformations）	行动操作（Actions）
执行时机	延迟执行，记录操作但不触发计算	立即执行，触发实际计算
返回值	返回一个新的 RDD	返回非 RDD 类型（如数值、数组等）
依赖关系	生成 RDD 的血缘关系（Lineage）	不生成新的 RDD，直接输出结果
优化机制	可被 Spark 优化器合并（如流水线执行）	无法优化，直接提交 Job
数据持久化	不缓存数据（除非显式调用 persist()）	可能触发缓存（如多次调用时）
用途	定义数据处理流程	获取结果或输出到外部系统

---

图解执行流程

---

关键原理：延迟执行（Lazy Evaluation）

• 优势：

  1. 优化执行计划：Spark 将多个转换操作合并为单个 Stage，减少计算步骤。

  2. 避免中间结果存储：仅在必要时计算，节省内存和磁盘 I/O。

  3. 容错简化：通过血缘关系（Lineage）重建数据，无需保存中间状态。

• 示例：

  val rdd = sc.textFile("data.txt")  
    .flatMap(_.split(" "))  // 转换1  
    .map(_.toUpperCase())   // 转换2  
    .filter(_.length > 3)   // 转换3  
  
  // 此时未执行任何计算，仅记录血缘关系  
  rdd.count()  // 行动操作触发所有转换的执行 

---

常见误区与注意事项

1. 重复计算问题：

   • 若多次调用行动操作，每次都会重新计算整个血缘链。

   • 解决方案：对重复使用的 RDD 调用 persist() 或 cache() 持久化。

2. Shuffle 操作：

   • 宽依赖转换（如 groupByKey）会触发 Shuffle，性能开销大。

   • 优化建议：优先使用 reduceByKey 代替 groupByKey。

3. 行动操作的数据量限制：

   • collect() 会将所有数据拉取到驱动端，可能导致 OOM。

   • 替代方案：使用 take(n) 或分批处理。

---

总结

• 转换操作：定义“要做什么”，如数据清洗、映射、过滤。

• 行动操作：定义“何时执行”，如统计、保存、输出结果。

• 核心口诀：

  • 转换是蓝图，行动是开工。

  • 优化靠血缘，容错靠血统。