Spark常用算子

算子

• 算子是RDD中定义的函数，可以对RDD中的数据进行转换和操作。
• 1.Transformation（转换）：Transformation属于延迟lazy计算，当一个RDD转换成另一个RDD时并没有立即进行转换，仅仅是记住了数据集的逻辑操作
• 2.Action（执行）：触发Spark作业的运行，真正触发转换算子的计算。
• 3.Cache：如果数据需要复用，可以通过这个算子将数据缓存到内存

常见Transformation

• 1)map(func):返回一个新的分布式数据集，由每个原元素经过func函数转换后组成，one-2-one的操作。
• 2)filter(func): 返回一个新的数据集，由经过func函数后返回值为true的原元素组成
• 3)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）。
• one-2-many。
• 4)sample(withReplacement, frac, seed): 根据给定的随机种子seed，随机抽样出数量为frac的数据
• 5)union(otherDataset): 返回一个新的数据集，由原数据集和参数联合而成
• 6)groupByKey([numTasks]): 在一个由（K,V）对组成的数据集上调用，返回一个（K，Seq[V])对的数据集。注意：默认情况下，使用8个并行任务进行分组，你可以传入numTask可选参数，根据数据量设置不同数目的Task
• 7)reduceByKey(func, [numTasks]): 在一个（K，V)对的数据集上使用，返回一个（K，V）对的数据集，key相同的值，都被使用指定的reduce函数聚合到一起。和groupbykey类似，任务的个数是可以通过第二个可选参数来配置的。
• 8)join(otherDataset, [numTasks]): 在类型为（K,V)和（K,W)类型的数据集上调用，返回一个（K,(V,W))对，每个key中的所有元素都在一起的数据集
• 9)groupWith(otherDataset, [numTasks]): 在类型为（K,V)和(K,W)类型的数据集上调用，返回一个数据集，组成元素为（K, Seq[V], Seq[W]) Tuples。这个操作在其它框架，称为CoGroup
• 10)cartesian(otherDataset): 笛卡尔积。但在数据集T和U上调用时，返回一个(T，U）对的数据集，所有元素交互进行笛卡尔积。

常见Action

• 1)reduce(func): 通过函数func聚集数据集中的所有元素。Func函数接受2个参数，返回一个值。这个函数必须是关联性的，确保可以被正确的并发执行
• 2)collect(): 在Driver的程序中，以数组的形式，返回数据集的所有元素。这通常会在使用filter或者其它操作后，返回一个足够小的数据子集再使用，直接将整个RDD集Collect返回，很可能会让Driver程序OOM
• 3)count(): 返回数据集的元素个数
• 4)take(n): 返回一个数组，由数据集的前n个元素组成。注意，这个操作目前并非在多个节点上，并行执行，而是Driver程序所在机器，单机计算所有的元素(Gateway的内存压力会增大，需要谨慎使用）
• 5)first(): 返回数据集的第一个元素（类似于take(1)）
• 6)saveAsTextFile(path): 将数据集的元素，以textfile的形式，保存到本地文件系统，hdfs或者任何其它hadoop支持的文件系统。Spark将会调用每个元素的toString方法，并将它转换为文件中的一行文本
• 7)saveAsSequenceFile(path): 将数据集的元素，以sequencefile的格式，保存到指定的目录下，本地系统，hdfs或者任何其它hadoop支持的文件系统。RDD的元素必须由key-value对组成，并都实现了Hadoop的Writable接口，或隐式可以转换为Writable（Spark包括了基本类型的转换，例如Int，Double，String等等）
• 8)foreach(func): 在数据集的每一个元素上，运行函数func。这通常用于更新一个累加器变量，或者和外部存储系统做交互