【算子1】spark（三）：spark core：trans算子中value类型的算子使用说明

通过了解spark整体的算子，知道spark的RDD能够提供哪些数据处理的功能，以及掌握如何使用。

在 Spark Core中，RDD支持 2 种操作:

• transformation算子：从一个已知的 RDD 中创建出来一个新的 RDD 。
• action算子：触发SparkContext提交Job作业

算子整体上分为Value类型和Key-Value类型，
value类型的算子针对处理value类型的数据，而key-value类型用于处理数据是<key,value>类型的。

接下来的篇章我们会介绍不同类型的算子，本文介绍trans算子中value类型的算子使用。

1. 算子分类概述

1、 (输入与输出分区）一对一

map(func): 一条数据调用一次
mapPartitions(func)：功能类似于map，但是一个分区的数据调用一次
glom(func)：将每一个分区的数据形成一个数组
sortBy(func,[ascending], [numTasks]) :根据处理后的数据比较结果排序，默认为正序。

2、一对多

flatMap(func) ：对每一条数据操作，每次都返回一个序列

3、（输入分区与输出分区）多对一型

union(otherDataset): 源RDD和参数RDD求并集后返回一个新的RDD
subtract(otherDataset)：取差，去除两个RDD中相同的元素，不同的源RDD将保留下来
intersection(otherDataset)：交集后返回一个新的RDD
zip(otherDataset)：将两个RDD组合成Key/Value形式的RDD,这里默认两个RDD的partition数量以及元素数量都相同，否则会抛出异常。

4、(输入分区与输出分区)多对多

grouBy(func)：分组，按照传入函数的返回值进行分组。将相同返回值的对应值放入一个迭代器。

5、输出是输入的子集

filter(func)：根据func的逻辑去过滤数据，func返回为true的元素留下 	
distinct([numTasks]))：去重，经历了shuffle。默认情况下并行度为8。可选参数：可以设置来改变分区数，即储存的文件数量。	
sample(withReplacement, fraction, seed)：	withReplacement：抽取的元素是否放回；true：放回
											fraction：每个元素被选择的概率（也可所有元素抽取的比例）
											seed：用于指定随机数生成器种子

6、Cache型

cache()
persist算子

 

2. 常见算子使用举例

map

 

mapPartitions(func)

 

glom

 

distinct()

 

coalesce(numPartitions)

缩减分区数，用于大数据集过滤后，提高小数据集的执行效率。

 

coalesce和repartition的区别

coalesce重新分区，可以选择是否进行shuffle过程。由参数shuffle: Boolean = false/true决定。

repartition实际上是调用的coalesce，默认是进行shuffle的。
源码如下：
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
  coalesce(numPartitions, shuffle = true)
}