02-几个常用的转换算子(value类型)

• map(func)
  返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成
  
• mapPartitions(func)
  类似于map，但独立地在RDD的每一个分片（分区）上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]。
  假设有N个元素，有M个分区，那么map的函数的将被调用N次,而mapPartitions被调用M次,一个函数一次处理所有分区。
  
• mapPartitionsWithIndex(func)
  类似于mapPartitions，但func带有一个整数参数表示分片的索引值，因此在类型为T的RDD上运行时，func的函数类型必须是(Int, Interator[T]) => Iterator[U]
  
• flatMap(func)
  类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）
• map()和mapPartition()
  map()：每次处理一条数据。
  mapPartition()：每次处理一个分区的数据，这个分区的数据处理完后，原RDD中分区的数据才能释放，可能导致OOM。
  当内存空间较大的时候建议使用mapPartition()，以提高处理效率
• glom
  将每一个分区形成一个数组，形成新的RDD类型时RDD[Array[T]]
  
• groupBy(func)
  分组，按照传入函数的返回值进行分组。将相同的key对应的值放入一个迭代器
  
• filter(func)
  过滤。返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成。
• sample(withReplacement, fraction, seed)
  以指定的随机种子(seed)随机抽样出数量为fraction的数据，withReplacement表示是抽出的数据是否放回，true为有放回的抽样，false为无放回的抽样，seed用于指定随机数生成器种子。
  
• distinct([numTasks]))
  对源RDD进行去重后返回一个新的RDD。默认情况下，只有8个并行任务来操作，但是可以传入一个可选的numTasks参数改变它
• 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。
  
• repartition(numPartitions)
  根据分区数，重新通过网络随机洗牌所有数据。
• coalesce和repartition的区别

1. 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。
2. repartition实际上是调用的coalesce，默认是进行shuffle的。

def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null): RDD[T] = withScope {
  coalesce(numPartitions, shuffle = true)
}

• sortBy(func,[ascending], [numTasks])
  使用func先对数据进行处理，按照处理后的数据比较结果排序，默认为正序
• pipe(command, [envVars])
  管道，针对每个分区，都执行一个shell脚本，返回输出的RDD。