(六)Spark源码理解之RDD----part4

3.2 动作

Spark中也有相应的动作函数，这些动作即可生成我们所需的最终结果，也是因为这些动作才真正触发了Spark的调度

3.2.1 foreach

foreach()函数是对RDD中的每个元素调用函数，结果为Unit，即空类型

如：

val disData1=sc.parallelize(Array(1,2,3,4),2)

d.foreach(println)

结果：1,2,3,4

3.2.2 collect

collect()函数在上面已经提到过，就是将RDD的所有元素转换为一个数组

例子就不单独贴出来了，上面的许多例子中已有

3.2.3 reduce

reduce()函数是Spark中用到最多的函数，它通常将RDD中的元素按照一定的函数进行整合，从而减少元素，最终的结果为特定类型的元素，它调用的函数通常有两个输入参数

如：

val disData1=sc.parallelize(Array(1,2,3,4),2)

val d=disData1.reduce((a,b)=>a+b)

结果：d=10

3.2.4 fold & aggregate

这两个动作应该是对数据进行聚合，至于具体的操作我也搞不懂，鉴于它不常用，就先放着吧

3.2.5 count

count()函数统计RDD中元素的个数，结果是一个Long型的整数

如：

val disData1=sc.parallelize(Array(1,2,3,4),2)

    val d=disData1.count

结果：d=4

3.2.6 take

take(n)函数从RDD中的第一个分区开始依次取出n个元素，结果返回一个数组，存放取出的元素

如：

val disData1=sc.parallelize(Array(1,2,3,4),2)

val d=disData1.take(3)

结果：d=Array(1,2,3)

感觉它与之前提到过的takeSample()作用类似，都是取元素，不过take并未用到样本选取器

3.2.7 max & min

max()和min()函数返回RDD中最大和最小的元素

如：

val disData1=sc.parallelize(Array(1,2,3,4),2)

val d=disData1.max

结果：d=4

如：

val disData1=sc.parallelize(Array(1,2,3,4),2)

val d=disData1.min

结果：d=1

3.2.8 saveAsTextFile

saveAsTextFile()函数将RDD存储在指定路径下，它会生成一个文件，文件中有各个分区的结果所组成的crc文件

未完待续。。。