写回答
-
官方文档上列举共有32种常见算子，包括Transformation的20种操作和Action的12种操作。
Transformation：
1.map
map的输入变换函数应用于RDD中所有元素，而mapPartitions应用于所有分区。区别于mapPartitions主要在于调用粒度不同。如parallelize（1 to 10， 3），map函数执行10次，而mapPartitions函数执行3次。
2.filter（function）
过滤操作，满足filter内function函数为true的RDD内所有元素组成一个新的数据集。如：filter（a == 1）。
3.flatMap（function）
map是对RDD中元素逐一进行函数操作映射为另外一个RDD，而flatMap操作是将函数应用于RDD之中的每一个元素，将返回的迭代器的所有内容构成新的RDD。而flatMap操作是将函数应用于RDD中每一个元素，将返回的迭代器的所有内容构成RDD。
flatMap与map区别在于map为“映射”，而flatMap“先映射，后扁平化”，map对每一次（func）都产生一个元素，返回一个对象，而flatMap多一步就是将所有对象合并为一个对象。
4.mapPartitions（function）
区于foreachPartition（属于Action，且无返回值），而mapPartitions可获取返回值。与map的区别前面已经提到过了，但由于单独运行于RDD的每个分区上（block），所以在一个类型为T的RDD上运行时，（function）必须是Iterator => Iterator 类型的方法（入参）。
5.mapPartitionsWithIndex（function）
与mapPartitions类似，但需要提供一个表示分区索引值的整型值作为参数，因此function必须是（int， Iterator ）=>Iterator 类型的。
6.sample（withReplacement， fraction， seed）
采样操作，用于从样本中取出部分数据。withReplacement是否放回，fraction采样比例，seed用于指定的随机数生成器的种子。（是否放回抽样分true和false，fraction取样比例为(0, 1]。seed种子为整型实数。）
7.union（otherDataSet）
对于源数据集和其他数据集求并集，不去重。
8.intersection（otherDataSet）
对于源数据集和其他数据集求交集，并去重，且无序返回。
9.distinct（[numTasks]）
返回一个在源数据集去重之后的新数据集，即去重，并局部无序而整体有序返回。
10.groupByKey([numTasks])
在一个PairRDD或（k,v）RDD上调用，返回一个（k,Iterable ）。主要作用是将相同的所有的键值对分组到一个集合序列当中，其顺序是不确定的。groupByKey是把所有的键值对集合都加载到内存中存储计算，若一个键对应值太多，则易导致内存溢出。
在此，用之前求并集的union方法，将pair1，pair2变为有相同键值的pair3，而后进行groupByKey
11.reduceByKey（function，[numTasks]）
与groupByKey类似，却有不同。如(a,1), (a,2), (b,1), (b,2)。groupByKey产生中间结果为( (a,1), (a,2) ), ( (b,1), (b,2) )。而reduceByKey为(a,3), (b,3)。
reduceByKey主要作用是聚合，groupByKey主要作用是分组。（function对于key值来进行聚合）
12.aggregateByKey（zeroValue）（seqOp， combOp， [numTasks]）
类似reduceByKey，对pairRDD中想用的key值进行聚合操作，使用初始值（seqOp中使用，而combOpenCL中未使用）对应返回值为pairRDD，而区于aggregate（返回值为非RDD）
13.sortByKey（[ascending], [numTasks]）
同样是基于pairRDD的，根据key值来进行排序。ascending升序，默认为true，即升序；numTasks
14.join（otherDataSet，[numTasks]）
加入一个RDD，在一个（k，v）和（k，w）类型的dataSet上调用，返回一个（k，（v，w））的pair dataSet。
15.cogroup（otherDataSet，[numTasks]）
合并两个RDD，生成一个新的RDD。实例中包含两个Iterable值，第一个表示RDD1中相同值，第二个表示RDD2中相同值（key值），这个操作需要通过partitioner进行重新分区，因此需要执行一次shuffle操作。（若两个RDD在此之前进行过shuffle，则不需要）
16.cartesian（otherDataSet）
求笛卡尔乘积。该操作不会执行shuffle操作。
17.pipe（command，[envVars]）
通过一个shell命令来对RDD各分区进行“管道化”。通过pipe变换将一些shell命令用于Spark中生成的新RDD，如：
18.coalesce（numPartitions）
重新分区，减少RDD中分区的数量到numPartitions。
19.repartition（numPartitions）
repartition是coalesce接口中shuffle为true的简易实现，即Reshuffle RDD并随机分区，使各分区数据量尽可能平衡。若分区之后分区数远大于原分区数，则需要shuffle。
20.repartitionAndSortWithinPartitions（partitioner）
该方法根据partitioner对RDD进行分区，并且在每个结果分区中按key进行排序。
Action：
1.reduce（function）
reduce将RDD中元素两两传递给输入函数，同时产生一个新值，新值与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。
2.collect（）
将一个RDD以一个Array数组形式返回其中的所有元素。
3.count（）
返回数据集中元素个数，默认Long类型。
4.first（）
返回数据集的第一个元素（类似于take(1)）
5.takeSample（withReplacement， num， [seed]）
对于一个数据集进行随机抽样，返回一个包含num个随机抽样元素的数组，withReplacement表示是否有放回抽样，参数seed指定生成随机数的种子。
该方法仅在预期结果数组很小的情况下使用，因为所有数据都被加载到driver端的内存中。
6.take（n）
返回一个包含数据集前n个元素的数组（从0下标到n-1下标的元素），不排序。
7.takeOrdered（n，[ordering]）
返回RDD中前n个元素，并按默认顺序排序（升序）或者按自定义比较器顺序排序。
8.saveAsTextFile（path）
将dataSet中元素以文本文件的形式写入本地文件系统或者HDFS等。Spark将对每个元素调用toString方法，将数据元素转换为文本文件中的一行记录。
若将文件保存到本地文件系统，那么只会保存在executor所在机器的本地目录。
9.saveAsSequenceFile（path）（Java and Scala）
将dataSet中元素以Hadoop SequenceFile的形式写入本地文件系统或者HDFS等。（对pairRDD操作）
10.saveAsObjectFile（path）（Java and Scala）
将数据集中元素以ObjectFile形式写入本地文件系统或者HDFS等。
11.countByKey（）
用于统计RDD[K,V]中每个K的数量，返回具有每个key的计数的（k，int）pairs的hashMap。
12.foreach（function）
对数据集中每一个元素运行函数function。
2020-03-19 19:21:29赞同 展开评论 打赏 -
map，reducebykey，filter，mapPartition，flatmap，cogroup，foreach，first，take， join， sortBy，distinct，等等
2020-02-14 19:57:11赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
