Spark常用RDD操作

spark常用RDD操作，操作包括两种类型，即转换（Transformation）操作和行动（Action）操作

一、转换操作（Transformation）
1、filter（func）

筛选出满足函数func的元素，并返回一个新的数据集
例：

val lines=sc.textFile("file:///usr/local/spark/mycode/rdd/word.txt")
val linesWithspark=lines.filter(line => line.contians("Spark"))  

该操作表示依次取出lines这个RDD中的每个元素，对于当前取到的元素，把它赋值给表达式中满足的line变量，执行函数lines.contains(“Spark”)，如果lines中包含“spark”这个单词，就把这个元素加入到新的RDD变量（linesWithspark）中。

2、map（func）

将每个元素传递到函数func中，并将结果返回为一个新的数据集。
例：

val data=Array(1,2,3,4,5)
val rdd1= sc.parallelize(data)  //将data创建生成RDD
val rdd2=rdd1.map(x->+10)  

该操作表示通过创建的Array数组生成的RDD（rdd1），执行rdd1.map(x->+10)表示依次取出这五个元素，对于取到的元素x+10，返回新的值作为一个元素放入到新的额RDD（rdd2），·最终生成的RDD包含五个元素，即（11,12,13,14,15）

3、fiatMap(func)

与map()相似，但每个输入元素都可以映射到0到多个输出结果。
例如：

 val lines = sc.textfile("file:///usr/local/spark/mycode/rdd/word.txt") //word.txt中元素均为String类型，即每个RDD元素就是一行文本
 val words= lines.flatMap(line=>line.split(" "))

该操作表示使用生成的RDD(lines)，执行lines.flatMap(lines=>line.split(" ")，等价于两个操作结果，先将lines中元素按照空格分成多个元素生成多个RDD，如 "I like spark"执行生成“I”、“like”、“spark”,三个RDD元素，将lines中RDD全部转换完成之后，再将每个RDD加入到同一块区中，比如lines中有三个RDD（“I love hadoop”，“I love spark ”，“spark is good ”），转换后每个RDD中又有三个RDD，最后将所有RDD整合在一起，得到
（“I”, “I”, “spark”,
“love”, “love”, “is”,
“hadoop”,“spark”,“good”）

4、groupByKey()

在一个（K,V）对组成的数据集上调用，返回一个（K,Iterable）形式的数据集。
将所有形同的key，归并为一个新的键值对。
例：

sc.parallelize(Seq(("a", 1), ("a", 1), ("b", 1)))
  .groupByKey()
  .collect()

5、reduceByKey(func)

reduceByKey(func)应用于(K,V)键值对的数据集时，返回一个新的(K,V)形成的数据集，其中的每个值是将每个key传递到函数func中进行聚合后得到的结果，总的来说就是计算每个key的个数。
例：

sc.parallelize(Seq(("a", 1), ("a", 1), ("b", 1)))
  .reduceByKey( (curr, agg) => curr + agg )
  .collect()

二、行动操作（action）

1、count（）

返回数据集中的元素个数。

2、collect（）

以数组形式返回数据集中的所有元素

3、first（）

返回数据集中的第一个元素

4、take（n）

以数组的形式返回数据集中的前n个元素

5、reduce(func)

通过函数func(输入两个参数并返回一个值)聚合数据集中的元素

val rdd = sc.parallelize(Seq(("手机", 10.0), ("手机", 15.0), ("电脑", 20.0)))
val result = rdd.reduce((curr, agg) => ("总价", curr._2 + agg._2))
println(result)

结果计算出总价45.0。

6、foreach（func）

将数据集中的每个元素传递到函数func中进行，遍历每一个元素，可后加println()输出元素

7、countByKey()

求得整个数据集中 Key 以及对应 Key 出现的次数

val rdd = sc.parallelize(Seq(("手机", 10.0), ("手机", 15.0), ("电脑", 20.0)))
val result = rdd.countByKey()
println(result)

求得整个数据集中 Key 以及对应 Key 出现的次数