collect() 在驱动程序中,以数组的形式返回数据集的所有元素 返回单机的Scala Array数组。
count() 返回RDD的元素个数 first 返回RDD的第一个元素(类似于take(1))
take(n) 返回一个由数据集的前n个元素组成的数组
takeSample(withReplacement,num, [seed]) 返回从数据集中随机采样的num个元素组成的数组
takeOrdered(n) 返回前几个的排序
reduce
// reduce 通过function函数聚集RDD中的所有元素,这个功能必须是可交换且可并联的。
val reduceRdd1 = sc.makeRDD(1 to 10, 2)
reduceRdd1.reduce(_ + _)
val reduceRdd2 = sc.makeRDD(Array(("a", 1), ("a", 3), ("c", 3), ("d", 5)))
//(aacd,12)
reduceRdd2.reduce((x, y) => (x._1 + y._1, x._2 + y._2))
aggregate 与 folder
//aggregate (zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U)
// 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。
val rdd1 = sc.makeRDD(1 to 10, 2)
// 30361
rdd1.aggregate(1)(
{ (x: Int, y: Int) => x * y },
{ (a: Int, b: Int) => a + b }
)
// fold折叠操作 aggregate的简化操作
var rdd2 = sc.makeRDD(1 to 4,2)
rdd2.aggregate(1)(
{(x : Int,y : Int) => x + y},
{(a : Int,b : Int) => a + b}
)
//等价于rdd1.fold(1)(_+_)
存储为文件算子
saveAsTextFile(path) 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
saveAsSequenceFile(path) 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。
saveAsObjectFile(path) 用于将RDD中的元素序列化成对象,存储到文件中。
countByKey() 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。
foreach(func) 在数据集的每一个元素上,运行函数func进行更新。