RDD 算子分类
发布网友
发布时间：2022-11-09 20:20
共1个回答
热心网友
时间：2023-11-22 13:27
转换：Transformation ， 行动： Action
RDD算子分类，大致可以分为两类，即：
1. Transformation：转换算子，这类转换并不触发提交作业，完成作业中间过程处理。
2. Action：行动算子，这类算子会触发SparkContext提交Job作业。
下面分别对两类算子进行详细介绍：
一：Transformation：转换算子
1. map：
将原来RDD的每个数据项通过map中的用户自定义函数f映射转变为一个新的元素。源码中map算子相当于初始化一个RDD，新RDD叫做MappedRDD(this,sc.clean(f) )。即：
map是对RDD中的每个元素都执行一个指定的函数来产生一个新的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。
上述例子中把原RDD中每个元素都乘以3来产生一个新的RDD。
2. mapPartitions：
mapPartitions函数获取到每个分区的迭代器，在函数中通过这个分区整体的迭代器对整个分区的元素进行操作。内部实现是生成MapPartitionsRDD。
上述例子是通过 函数filter 对分区中所有数据进行过滤。
3. mapValues
针对(key,value)型数据中的Value进行操作，而不对Key进行处理。即：
mapValues顾名思义就是输入函数应用于RDD中Kev-Value的Value，原RDD中的Key保持不变，与新的Value一起组成新的RDD中的元素。因此，该函数只适用于元素为KV对的RDD。
4. mapWith:
mapWith是map的另外一个变种，map只需要一个输入函数，而mapWith有两个输入函数。
eg: 把partition index 乘以10，然后加上2作为新的RDD的元素.(3 是将十个数分为三个区)
5. flatMap：
将原来RDD中的每个元素通过函数f转换为新的元素，并将生成的RDD的每个集合中的元素合并为一个集合，内部创建FlatMappedRDD(this,sc.clean() )。即：
与map类似，区别是原RDD中的元素经map处理后只能生成一个元素，而原RDD中的元素经flatmap处理后可生成多个元素来构建新RDD。
eg：对原RDD中的每个元素x产生y个元素（从1到y，y为元素x的值）。
6. flatMapWith：
flatMapWith与mapWith很类似，都是接收两个函数，一个函数把partitionIndex作为输入，输出是一个新类型A；另外一个函数是以二元组（T,A）作为输入，输出为一个序列，这些序列里面的元素组成了新的RDD。
7. flatMapWithValues：
flatMapValues类似于mapValues，不同的在于flatMapValues应用于元素为KV对的RDD中Value。每个一元素的Value被输入函数映射为一系列的值，然后这些值再与原RDD中的Key组成一系列新的KV对。
上述例子中原RDD中每个元素的值被转换为一个序列（从其当前值到5），比如第一个KV对(1,2), 其值2被转换为2，3，4，5。然后其再与原KV对中Key组成一系列新的KV对(1,2),(1,3),(1,4),(1,5)。
8. rece：
rece将RDD中元素两两传递给输入函数，同时产生一个新的值，新产生的值与RDD中下一个元素再被传递给输入函数直到最后只有一个值为止。
eg：对元素求和。
9. receByKey
顾名思义，receByKey就是对元素为KV对的RDD中Key相同的元素的Value进行rece，因此，Key相同的多个元素的值被rece为一个值，然后与原RDD中的Key组成一个新的KV对。
eg：对Key相同的元素的值求和，因此Key为3的两个元素被转为了(3,10)。
10. cartesian：
对两个RDD内的所有元素进行笛卡尔积操作(耗内存)，内部实现返回CartesianRDD。
11. Sample：
sample将RDD这个集合内的元素进行采样，获取所有元素的子集。用户可以设定是否有有放回的抽样，百分比，随机种子，进而决定采样方式。
内部实现： SampledRDD(withReplacement,fraction,seed)。
函数参数设置：
� withReplacement=true，表示有放回的抽样。
� withReplacement=false，表示无放回的抽样。
根据fraction指定的比例，对数据进行采样，可以选择是否用随机数进行替换，seed用于指定随机数生成器种子。
12. union:
使用union函数时需要保证两个RDD元素的数据类型相同，返回的RDD数据类型和被合并的RDD元素数据类型相同。并不进行去重操作，保存所有的元素，如果想去重，可以使用distinct()。同时，spark还提供更为简洁的使用union的API，即通过++符号相当于union函数操作。
eg： a 与 b 的联合
去重复：
13. groupBy：
将元素通过函数生成相应的Key，数据就转化为Key-Value格式，之后将Key相同的元素分为一组。
eg：根据数据集中的每个元素的K值对数据分组
14. join：
join对两个需要连接的RDD进行cogroup函数操作，将相同key的数据能偶放到一个分区，在cgroup操作之后形成新RDD对每个key下的元素进行笛卡尔积的操作，返回的结果在展平，对应key下的所有元组形成一个集合。最后返回 RDD[(K， (V， W))]。
eg：a与b两个数据连接，相当于表的关联
15. cache：
cache将RDD元素从磁盘缓存到内存。相当于 persist(MEMORY_ONLY) 函数的
功能。
16. persist：
persist函数对RDD进行缓存操作，数据缓存在哪里，由StorageLevel这个枚举类型进行确定。DISK 代表磁盘，MEMORY 代表内存， SER 代表数据是否进行序列化存储。
函数定义： persist(newLevel:StorageLevel)
StorageLevel 是枚举类型，代表存储模式。
MEMORY_AND_DISK_SER 代表数据可以存储在内存和磁盘，并且以序列化的方式存储，其他同理。
二：Action：行动算子
1. foreach：
foreach对RDD中的每个元素都应用f函数操作，不返回 RDD 和 Array， 而是返回Uint。
2. saveAsTextFile：
函数将数据输出，存储到 HDFS 的指定目录。
函数的内 部实现，其内部通过调用 saveAsHadoopFile 进行实现：
this.map(x => (NullWritable.get(), new Text(x.toString)))
.saveAsHadoopFile[TextOutputFormat[NullWritable, Text]](path)
将 RDD 中的每个元素映射转变为 (null， x.toString)，然后再将其写入 HDFS。
3. collect：
collect相当于toArray，不过已经过时不推荐使用，collect将分布式的RDD返回为一个单机的scala Array数据，在这个数组上运用 scala 的函数式操作。
4. count：
count返回整个RDD的元素个数。
