map(func) | 返回一个新的分布式数据集,其中每个元素都是由源RDD中每一个元素经过func函数转换得到的 |
filter(func) | 返回一个新的数据集,其中包含的元素来自源RDD中元素经过func函数过滤后的结果(func函数返回true的结果) |
flatMap(func) | 类似于map, 但是每个元素可以映射到0到n个输出元素(func函数必须返回的是一个Seq而不是单个元素) |
mapPartitions(func) | 类似于map, 但是它是基于RDD的每个Partition(或者数据block)独立运行,所以如果RDD包含元素类型为T,则func函数必须是Iterator => Iterator 的映射函数 |
mapPartitionsWithIndex(func) | 类似于mapPartitions,只是func多了一个整型的分区索引值,因此如果RDD包含元素类型为T,则func必须是Iterator => Iterator的映射函数 |
sample(withReplacement, fraction, seed) | 采样部分(比例取决于fraction)数据,同时可以指定是否使用回置采样(withReplacement),以及随机数种子(seed) |
union(otherDataset) | 返回源数据集和参数数据集(otherDataset)的并集 |
intersection(otherDataset) | 返回源数据集和参数数据集(otherDataset)的交集 |
distinct([numTasks]) | 返回对源数据集做元素去重后的新的数据集 |
groupByKey([numTasks]) | 必须应用于键值对的元素类型,如源RDD包含(K,V)对,则该算子返回一个新的数据集包含(K, Iterator)对。 注意:如果你需要按Key分组聚合的话(如sum或average),推荐使用reduceByKey或者aggregateByKey以获得更好的性能。* 注意*:默认情况下,输出计算的并行度取决于源RDD的分区个数。当然,你也可以通过设置可选参数numTasks来指定并行任务的个数 |
reduceByKey(func, [numTasks]) | 如果源RDD包含元素类型为(K,V)对,则该算子也返回包含(K, V)对的RDD, 只不过每个Key对应的Value是经过func函数聚合后的结果,而func函数本身是一个(V, V) => V的映射函数。 另外,和groupByKey类似,可以通过可选参数numTasks指定reduce任务的个数 |
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) | 如果源RDD包含(K, V)对,则返回的新RDD包含(K, V)对,其中每个Key对应的Value都是由combOp函数和一个”0”值zeroValue聚合得到。允许聚合后Value类型和输入Value类型不同,避免了不必要的开销。和groupByKey类似,可以通过可选参数numTasks指定reducer任务的个数 |
sortByKey([ascending], [numTasks]) | 如果源RDD包含元素类型(K, V)对,其中K可以排序,则返回新的RDD包含(K, V)对,并按照K进行排序(由ascending参数决定是升序还是降序) |
join(otherDataset, [numTasks]) | 如果源RDD包含元素类型(K, V)且参数RDD(otherDataset)包含元素类型(K, W), 则返回的新RDD中将包含内联后Key对应的(K, (V, W)对。外关联(Outer joins)操作请参考leftOuterJoin、rightOuterJoin以及fullOuterJoin算子) |
cogroup(otherDataset, [numTasks]) | 如果源RDD包含元素类型(K, V)且参数RDD(otherDataset)包含元素类型(K, W),则返回的新的RDD中包含(K, (Iterable, Iterable))。该算子还有个别名:groupWith |
cartesian(otherDataset) | 如果源RDD包含元素类型T且参数RDD(otherDataset)包含元素类型U,则返回的新RDD包含前二者的笛卡尔积,其元素类型为(T, U)对 |
pipe(command, [envVars]) | 以shell命令行管道处理RDD的每个分区,如:Perl或者bash脚本。RDD中每个元素都将依次写入进程的标准输入(stdin),然后按行输出到标准输出(stdout),每一行输出字符串即成为一个新的RDD元素 |
coalesce(numPartitions) | 将RDD的分区数减少到numPartitons。当以后大数据集被过滤成小数据集后,减少分区,可以提升效率 |
repartition(numPartitions) | 将RDD数据重新混洗(reshuffle)并随机分步到新的分区中,使数据分布更均衡,新的分区个数取决于numPartitions。该算子总是需要通过网络混洗所有数据。 |
repartitionAndSortWithPartitions(partitioner) | 根据Partitioner(spark自带有HashPartioner和RangePartitoner等)重新分区RDD,并且在每个结果分区中按Key做排序。这是一个组合算子,功能上等价于先reparation再在每个分区内排序,但这个算子内部做了优化(将排序过程下推到混洗同时进行),因此性能更好 |