Spark--常用行动算子

Spark–常用行动算子

1. reduce(func)

1. 作用：通过func函数聚集RDD中的所有元素，先聚合分区内数据，再聚合分区间数据。
2. 需求：创建一个RDD，将所有元素聚合得到结果。

（1）创建一个RDD[Int]
scala> val rdd1 = sc.makeRDD(1 to 10,2)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[85] at makeRDD at <console>:24

（2）聚合RDD[Int]所有元素
scala> rdd1.reduce(+)
res50: Int = 55

（3）创建一个RDD[String]
scala> val rdd2 = sc.makeRDD(Array(("a",1),("a",3),("c",3),("d",5)))
rdd2: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[86] at makeRDD at <console>:24

（4）聚合RDD[String]所有数据
scala> rdd2.reduce((x,y)=>(x.1 + y.1,x.2 + y.2))
res51: (String, Int) = (adca,12)

2. collect()

1. 作用：在驱动程序中，以数组的形式返回数据集的所有元素。
2. 需求：创建一个RDD，并将RDD内容收集到Driver端打印

（1）创建一个RDD
scala> val rdd = sc.parallelize(1 to 10)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:24

（2）将结果收集到Driver端
scala> rdd.collect
res0: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)   

3. count()

1. 作用：返回RDD中元素的个数
2. 需求：创建一个RDD，统计该RDD的条数

（1）创建一个RDD
scala> val rdd = sc.parallelize(1 to 10)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:24

（2）统计该RDD的条数
scala> rdd.count
res1: Long = 10

4. first()

1. 作用：返回RDD中的第一个元素
2. 需求：创建一个RDD，返回该RDD中的第一个元素

（1）创建一个RDD
scala> val rdd = sc.parallelize(1 to 10)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:24

（2）统计该RDD的条数
scala> rdd.first
res2: Int = 1

5. take(n)

1. 作用：返回一个由RDD的前n个元素组成的数组
2. 需求：创建一个RDD，统计该RDD的条数

（1）创建一个RDD
scala> val rdd = sc.parallelize(Array(2,5,4,6,8,3))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[2] at parallelize at <console>:24

（2）统计该RDD的条数
scala> rdd.take(3)
res10: Array[Int] = Array(2, 5, 4)

6 takeOrdered(n)

1. 作用：返回该RDD排序后的前n个元素组成的数组
2. 需求：创建一个RDD，统计该RDD的条数

（1）创建一个RDD
scala> val rdd = sc.parallelize(Array(2,5,4,6,8,3))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[2] at parallelize at <console>:24

（2）统计该RDD的条数
scala> rdd.takeOrdered(3)
res18: Array[Int] = Array(2, 3, 4)

7. aggregate

1. 参数：(zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U) 柯里化
2. 作用：aggregate函数将每个分区里面的元素通过seqOp和初始值进行聚合，然后用combine函数将每个分区的结果和初始值(zeroValue)进行combine操作。这个函数最终返回的类型不需要和RDD中元素类型一致。

注意：aggregate和aggregateByKey是不一样的，例如zeroValue=10，aggregateByKey进行分区内和分区外聚合，得到的结果会多20，因为两个分区都加了10；而aggregate则会是多30，因为分区间聚合的时候也加了10

3. 需求：创建一个RDD，将所有元素相加得到结果

（1）创建一个RDD
scala> var rdd1 = sc.makeRDD(1 to 10,2)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[88] at makeRDD at <console>:24
（2）将该RDD所有元素相加得到结果
scala> rdd.aggregate(0)(_+_,_+_)
res22: Int = 55

8. fold(num)(func)

1. 作用：折叠操作，aggregate的简化操作，seqop和combop一样。
2. 需求：创建一个RDD，将所有元素相加得到结果

（1）创建一个RDD
scala> var rdd1 = sc.makeRDD(1 to 10,2)
rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[88] at makeRDD at <console>:24

（2）将该RDD所有元素相加得到结果
scala> rdd.fold(0)(+)
res24: Int = 55

9. saveAsTextFile(path)

作用：将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本

10. saveAsSequenceFile(path)

作用：将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。

11. saveAsObjectFile(path)

作用：用于将RDD中的元素序列化成对象，存储到文件中。

12. countByKey()

1. 作用：针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。
2. 需求：创建一个PairRDD，统计每种key的个数

（1）创建一个PairRDD
scala> val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
rdd: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[95] at parallelize at <console>:24

（2）统计每种key的个数
scala> rdd.countByKey
res63: scala.collection.Map[Int,Long] = Map(3 -> 2, 1 -> 3, 2 -> 1)

13. foreach(func)

1. 作用：在数据集的每一个元素上，运行函数func进行更新。
2. 需求：创建一个RDD，对每个元素进行打印

注意：rdd.collect.foreach和rdd.foreach是不一样的

rdd.collect.foreach：这个foreach是scala中的foreach，以为collect返回的是Array类型的数据存在Driver内存中

rdd.foreach：是spark中的foreach

（1）创建一个RDD
scala> var rdd = sc.makeRDD(1 to 5,2)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[107] at makeRDD at <console>:24

（2）对该RDD每个元素进行打印
scala> rdd.foreach(println(_))
3
4
5
1
2