spark 常用算子 详解

Spark算子可以分成两大类：
1.Transformation类算子
2.Action类算子。
转换（转化操作）算子，这类转化操作为懒执行，不会触发提交作业，从而也不会处理中间过程。Transformation 操作是延迟计算的，也就是说从一个RDD 转换生成另一个 RDD 的转换操作不是马上执行，需要等到有 Action 操作的时候才会真正触发运算。
行动算子，这类算子会触发SparkContext提交Job作业。
一、Transformation 转换算子：
RDD中的所有转换都是延迟加载的，也就是说，它们并不会直接计算结果。相反的，它们只是记住这些应用到基础数据集（例如一个文件）上的转换动作。只有当发生一个要求返回结果给Driver的动作时，这些转换才会真正运行。这种设计让Spark更加有效率地运行。

1. Map算子：map（func）

map是对RDD中的每个元素都执行一个指定的函数(func 传进来的逻辑)处理之后来产生一个新的RDD（注意：不是每个元素产生一个新的RDD，而是一起产生一个新的RDD）。任何原RDD中的元素在新RDD中都有且只有一个元素与之对应，即一一对应。Map传给func 的参数是每个元素。

Scala：

Java：

2. flatMap算子：flatMap(func)
类似于map，但是每一个输入元素，会被映射为0到多个输出元素（因此，func函数的返回值是一个Seq，而不是单一元素），最后映射结果整合。

Scala：

Java：

测试样例：

scala> val rdd1 = sc.parallelize(1 to 4, 2)
scala> val rdd2= rdd1.flatMap(x => 1 to x)//每个元素扩展
scala> rdd2.collect
res1: Array[Int] = Array(1, 1, 2, 1, 2, 3, 1, 2, 3, 4)

3.mapPartitions算子
map是对每个元素操作, mapPartitions是对其中的每个partition操作，即map传给处理函数的是每个元素，而mapPartition传给处理函数的是一个分区的元素的迭代器（Iterator）
mapPartitions是map的一个变种。map的输入函数是应用于RDD中每个元素，而mapPartitions的输入函数是应用于每个分区，也就是把每个分区中的内容作为整体来处理的。
源码定义为：

def mapPartitions[U: ClassTag](f: Iterator[T] => Iterator[U], preservesPartitioning: Boolean = false): RDD[U]

f为输入函数，它处理每个分区里面的内容。每个分区中的内容将以Iterator[T]传递给输入函数f，f的输出结果是Iterator[U]。最终的RDD由所有分区经过输入函数处理后的结果合并起来的。
mapPartition 与map：
该函数和map函数类似，只不过映射函数的参数由RDD中的每一个元素变成了RDD中每一个分区的迭代器。如果在映射的过程中需要频繁创建额外的对象，使用mapPartitions要比map高效的过。

比如，将RDD中的所有数据通过JDBC连接写入数据库，如果使用map函数，可能要为每一个元素都创建一个connection，这样开销很大，如果使用mapPartitions，那么只需要针对每一个分区建立一个connection。

*********未完待续********