Spark中RDD操作
Transformations(转换)
Transformation 说明
map(func) 根据传入的函数处理原有的RDD对象中每一个元素，每一个新元素处理完成后返回一个对象,这些新对象组装得到一个新的RDD,新的RDD和旧的RDD元素都是一一对应的
filter(func) 根据传入的函数来过滤RDD中每一个元素,通过过滤条件的的元素组成一个新的RDD
flatMap(func) 先进行map操作,然后把map操作得到的结果合并为一个对象,假如map操作返回的是Array[Array[String]],那flatMap操作得到的应该是Array[String],自动将多个字符串数组合并为一个,另外一个意义是一个旧的RDD元素可以生成多个新元素，一对多的关系
mapPartitions(func) 可以将其看成map,但是他处理的是每个单独分区中的数据,然后把各个分区的值合并
mapPartitionsWithIndex(func) 把分区的索引值(index)交给输入函数处理
sample(withReplacement, fraction, seed) 取样函数,分放回和不放回,由withReplacement参数决定,fraction:抽样率
union(otherDataset) 两个RDD合并,不去重
intersection(otherDataset) 两个RDD交集且去重
distinct([numTasks])) 去重
groupByKey([numTasks]) 根据key来分组,同一个key的值放在一个集合中
reduceByKey(func, [numTasks]) 将key对应的值交给传入的函数处理
aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) 对key对应的值做聚合计算，返回的还是Pair RDD对象
sortByKey([ascending], [numTasks]) PairRDD以key值进行排序
join(otherDataset, [numTasks]) sql语句中内关联
cogroup(otherDataset, [numTasks]) SQL中的全外关联full outer join
cartesian(otherDataset) 两个RDD进行笛卡尔集的操作，返回CartesianRDD
pipe(command, [envVars]) 将RDD的每个数据分片都接到shell-command的标准输入上。经过shell-command的输出数据会重新生成新的RDD，新RDD是string类型的RDD
coalesce(numPartitions) 合并分区,参数执行合并后的分区大小
repartition(numPartitions) 进行shuffle的coalesce操作
repartitionAndSortWithinPartitions(partitioner) 该方法依据partitioner对RDD进行分区，并且在每个结果分区中按key进行排序；通过对比sortByKey发现，这种方式比先分区，然后在每个分区中进行排序效率高，这是因为它可以将排序融入到shuffle阶段
Action(动作) Action 说明
reduce(func) 根据映射函数f，对RDD中的元素进行二元计算，返回计算结果。
collect() 将RDD转换为数组
count() RDD的元素数量
first() 返回RDD第一个元素
take(n) 将RDD的前n个元素转换为数组返回
takeSample(withReplacement, num, [seed]) 随机取出num个元素转换为数组返回
takeOrdered(n, [ordering]) 取n个元素,用某个比较器排序后返回
saveAsTextFile(path) RDD保存到文件
saveAsSequenceFile(path) 保存为hadoop SequenceFile格式文件
saveAsObjectFile(path) 用于将RDD中的元素序列化成对象，存储到文件中
countByKey() PairRDD,计算Key的数量
foreach 无返回的,用于遍历RDD,将函数f应用于每一个元素。
例子
val rdd1 = sc.makeRDD(Array(("1","Spark"),("2","Hadoop"),("3","Scala"),("4","Java")),2)
//建立一个行业薪水的键值对RDD，包含ID和薪水，其中ID为1、2、3、5
val rdd2 = sc.makeRDD(Array(("1","30K"),("2","15K"),("3","25K"),("5","10K")),2)
println("//下面做Join操作，预期要得到（1,×）、（2,×）、（3,×）")
val joinRDD=rdd1.join(rdd2).collect.foreach(println) 输出
(2,(Hadoop,15K))
(3,(Scala,25K))
(1,(Spark,30K))
转自 http://blog.csdn.net/itfootball/article/details/52769302
本文转自whk66668888 51CTO博客，原文链接:http://blog.51cto.com/12597095/2057733
