Spark中算子

Value型Transformation算子

处理数据类型为Value型的Transformation算子可以根据RDD变换算子的输入分区与输出分区关系分为以下几种类型

• 1.输入分区与输出分区一对一型
• 2.输入分区与输出分区多对一型
• 3.输入分区与输出分区多对多
• 4.输出分区为输入分区子集型
• 5.还有一种特殊的输入与输出分区一对一的算子类型：Cache型，对RDD分区进行缓存。

1.输入分区与输出分区一对一型

(1)map

将原来RDD中每个数据项通过map中的用户自定义函数f映射转变为一个新的元素。源码中map算子相当于初始化一个RDD，新RDD叫做MappedRDD(this,sc.clean(f))。

只有等到Action算子触发后，这个f函数才会和其他函数在一个Stage中对数据进行运算。

(2)flatmap

将原来RDD中每个元素通过f转换为新的元素，并将生成的RDD的每个集合中的元素合并为一个集合。内部创建新的FlatMappedRDD(this,sc.clean(f))。

(3)mapPartitions

mapPartitions函数获取到每个分区的迭代器，在函数中通过这个分区整体的迭代器对整个分区的元素进行操作。内部实现是生成MapPartitionsRDD。
如f(iter)=>iter.filter(_>=3)对分区中所有数据进行过滤，>=3的数据保留。

(3)glom

glom函数将每个分区形成一个数组，内部实现是返回的GlommedRDD。

2.输入分区与输出分区多对一型

(1)union

使用union需要保证两个RDD元素数据类型相同，返回的RDD数据类型和被合并的RDD元素数据类型相同，并不进行去重操作，保存所有元素。

(2)cartesian

对两个RDD内的所有元素进行笛卡尔积操作。操作后内部实现返回CartesianRDD。

3.输入分区与输出分区多对多

groupBy：将元素通过函数生成相应的key，数据就转化为Key-Value格式，之后将Key相同的元素分为一组。
函数实现如下：
1️⃣：sc.clean()函数将用户函数预处理
val cleanF=sc.clean()
2️⃣：对数据map进行函数操作，最后对groupByKey进行分组操作。
this.map(t=>(cleanF(t),t)).groupByKey(p)
其中p中确定分区个数和分区函数，也就决定了并行化程度。

4.输出分区为输入分区子集型

(1) filter

对每个元素应用f函数，返回值为true的元素在RDD中保留，返回为false的过滤掉。内部实现相当于生成FilteredRDD(this,sc.clean(f))。
def filter(f:T=>Boolean):RDD[T]=new FilteredRDD(this,sc.clean(f))

(2) distinct

将RDD中元素去重。

(3) subtract

subtract相当于进行集合的差操作。RDD1去除RDD1和RDD2交集中的所有元素。

(4) sample

sample将RDD这个集合内的元素这样采样，获取所有元素的子集。用户可以设定是否有放回的抽样、百分比、随机种子，进而决定采样方式。
内部实现是生成SampleRDD(withReplacement,fraction,seed)。

(5) takeSample

按照设定的采样个数进行采样，同时返回结果不再是RDD，而是相当于对采样后的数据进行Collect(),返回结果的集合为单机的数组。

5.Cache型

(1) cache

cache将RDD元素从磁盘缓存到内存，相当于persist(MEMORY_ONLY)函数的功能。

(2) persist

persist函数对RDD进行缓存操作。

Key-Value型Transformation算子

1.输入分区与输出分区一对一

mapValues：针对(Key,Value)型数据中的Value进行Map操作，而不对Key进行处理。
a=>a+2代表只针对(V1,1)数据中1进行+2操作。

2.对单个或者2个RDD聚集

(1)单个RDD聚集

• combineByKey

//定义combineByKey算子代码如下
combineByKey[C](
    //createCombiner:V=>C,在C不存在情况下，通过V创建seq C
    createCombiner:(V)=>C,

    //当C已经存在情况下，需要merge，把item V加到seq C中或者叠加
    mergeValues:(C,V)=>C,

    //合并2个C
    mergeCombiners:(C,C)=>C,

    //分区器，Shuffle时需要通过Partitioner分区策略进行分区
    partitioner:Partitioner

    //为了减少传输量，很多combine可以在map端先做。
    mapSideCombine:Boolean=true,

    //传输需要序列化，用户可以自定义序列化类
    serializer:Serializer=null):RDD[(K,C)]
    //如将(Int,Int)的RDD转变为了（Int,Seq[Int]）类型元素的RDD
)

• reduceByKey：两个值合并成一个值

• partitionBy：partitionBy函数对RDD进行分区操作。

(2)两个RDD进行聚集

cogroup函数将两个RDD进行协同划分。
对在两个RDD中的Key-Value类型的元素，每个RDD相同的Key的元素分别聚合为一个集合，并且返回两个RDD中对应Key的元素集合的迭代器。

连接