Spark中RDD操作

Transformations(转换)

Transformation 说明
map(func) 根据传入的函数处理原有的RDD对象中每一个元素,每一个新元素处理完成后返回一个对象,这些新对象组装得到一个新的RDD,新的RDD和旧的RDD元素都是一一对应的
filter(func) 根据传入的函数来过滤RDD中每一个元素,通过过滤条件的的元素组成一个新的RDD
flatMap(func) 先进行map操作,然后把map操作得到的结果合并为一个对象,假如map操作返回的是Array[Array[String]],那flatMap操作得到的应该是Array[String],自动将多个字符串数组合并为一个,另外一个意义是一个旧的RDD元素可以生成多个新元素,一对多的关系
mapPartitions(func) 可以将其看成map,但是他处理的是每个单独分区中的数据,然后把各个分区的值合并
mapPartitionsWithIndex(func) 把分区的索引值(index)交给输入函数处理
sample(withReplacement, fraction, seed) 取样函数,分放回和不放回,由withReplacement参数决定,fraction:抽样率
union(otherDataset) 两个RDD合并,不去重
intersection(otherDataset) 两个RDD交集且去重
distinct([numTasks])) 去重
groupByKey([numTasks]) 根据key来分组,同一个key的值放在一个集合中
reduceByKey(func, [numTasks]) 将key对应的值交给传入的函数处理
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) 对key对应的值做聚合计算,返回的还是Pair RDD对象
sortByKey([ascending], [numTasks]) PairRDD以key值进行排序
join(otherDataset, [numTasks]) sql语句中内关联
cogroup(otherDataset, [numTasks]) SQL中的全外关联full outer join
cartesian(otherDataset) 两个RDD进行笛卡尔集的操作,返回CartesianRDD
pipe(command, [envVars]) 将RDD的每个数据分片都接到shell-command的标准输入上。经过shell-command的输出数据会重新生成新的RDD,新RDD是string类型的RDD
coalesce(numPartitions) 合并分区,参数执行合并后的分区大小
repartition(numPartitions) 进行shuffle的coalesce操作
repartitionAndSortWithinPartitions(partitioner) 该方法依据partitioner对RDD进行分区,并且在每个结果分区中按key进行排序;通过对比sortByKey发现,这种方式比先分区,然后在每个分区中进行排序效率高,这是因为它可以将排序融入到shuffle阶段

Action(动作)

Action 说明
reduce(func) 根据映射函数f,对RDD中的元素进行二元计算,返回计算结果。
collect() 将RDD转换为数组
count() RDD的元素数量
first() 返回RDD第一个元素
take(n) 将RDD的前n个元素转换为数组返回
takeSample(withReplacement, num, [seed]) 随机取出num个元素转换为数组返回
takeOrdered(n, [ordering]) 取n个元素,用某个比较器排序后返回
saveAsTextFile(path) RDD保存到文件
saveAsSequenceFile(path) 保存为hadoop SequenceFile格式文件
saveAsObjectFile(path) 用于将RDD中的元素序列化成对象,存储到文件中
countByKey() PairRDD,计算Key的数量
foreach 无返回的,用于遍历RDD,将函数f应用于每一个元素。
发布了581 篇原创文章 · 获赞 236 · 访问量 234万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览