Spark中的RDD操作简介

map(func)

对数据集中的元素逐一处理，变为新的元素，但一个输入元素只能有一个输出元素

scala> pairData.collect()
res6: Array[Int] = Array(1, 2, 3, 4, 5)
scala> val pairData = distData.map(a=>(a,1)).collect()
res2: Array[(Int, Int)] = Array((1,1), (2,1), (3,1), (4,1), (5,1))

flatMap(func)

类似与map，对数据集中的元素逐一处理，变为新的元素，但一个输入元素可以被映射为0或多个输出元素

scala> val file = sc.textFile("/tmp/input")
scala> file.collect()
res11: Array[String] = Array("1 2 3 4 ", test hello world, 123 8997 876, hai bai du) // 每一行为一个元素
scala> file.flatMap(a => a.split(" ")).collect()
res12: Array[String] = Array(1, 2, 3, 4, test, hello, world, 123, 8997, 876, hai, bai, du)

filter(func)

对数据集中的元素注意处理，返回经过func函数计算后返回值为true的输入元素组成

scala> pairData.collect()
res7: Array[(Int, Int)] = Array((1,1), (2,1), (3,1), (4,1), (5,1))
scala> pairData.filter(r => r._1 == r._2).collect()
res8: Array[(Int, Int)] = Array((1,1))

mapValues(func)

对数据集中的value进行逐个处理， 如RRD.mapValues(v => 1.0/20)，将所有的value变为1.0/20

scala> pairData.collect()
res2: Array[(Int, Int)] = Array((1,1), (2,1), (3,1), (4,1), (5,1))
scala> pairData.mapValues( v=> 1.0/5 ).collect()
res5: Array[(Int, Double)] = Array((1,0.2), (2,0.2), (3,0.2), (4,0.2), (5,0.2))

distinct()

返回一个包含源数据集中所有不重复元素的新数据集

scala> val a = Array(1,1,3,3,4)
a: Array[Int] = Array(1, 1, 3, 3, 4)
scala> sc.parallelize(a).distinct().collect()
res6: Array[Int] = Array(1, 3, 4)

groupByKey()

对相同key的数据进行group操作，在一个（K,V）对的数据集上调用，返回一个（K，Seq[V])对的数据集

scala> pairData.collect()
res7: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData.groupByKey().collect()
res9: Array[(Int, Seq[Int])] = Array((1,ArrayBuffer(1, 1)), (3,ArrayBuffer(1, 1)), (4,ArrayBuffer(1)))

reduceByKey(func)

使用指定的reduce函数，将相同key的值聚合到一起，并执行函数

scala> pairData.collect()
res7: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData.reduceByKey(_+_).collect()
res10: Array[(Int, Int)] = Array((1,2), (3,2), (4,1))

sortByKey([ascending], [numTasks])

scala> pairData.collect()
res7: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData.sortByKey(false).collect
res12: Array[(Int, Int)] = Array((4,1), (3,1), (3,1), (1,1), (1,1))

union(otherDataSet)

返回一个新的数据集，新数据集是由源数据集和参数数据集联合而成

scala> pairData.collect()
res16: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData2.collect()
res14: Array[(Int, Int)] = Array((1,1), (2,1), (3,1), (4,1), (5,1), (6,1), (7,1))
scala> pairData.union(pairData2).collect()
res15: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1), (1,1), (2,1), (3,1), (4,1), (5,1), (6,1), (7,1))

join(otherDataSet)

在类型为（K,V)和（K,W)类型的数据集上调用时，返回一个相同key对应的所有元素对在一起的(K, (V, W))数据集

scala> pairData.collect()
res16: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData2.collect()
res14: Array[(Int, Int)] = Array((1,1), (2,1), (3,1), (4,1), (5,1), (6,1), (7,1))
scala> pairData.distinct().join(pairData2.distinct()).collect()
res18: Array[(Int, (Int, Int))] = Array((1,(1,1)), (3,(1,1)), (4,(1,1)))

cogroup(otherDataSet)

在类型为（K,V)和（K,W)的数据集上调用，返回一个 (K, Seq[V], Seq[W])元组的数据集

scala> pairData.collect()
res16: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData2.collect()
res14: Array[(Int, Int)] = Array((1,1), (2,1), (3,1), (4,1), (5,1), (6,1), (7,1))
scala> pairData.distinct().cogroup(pairData2.distinct()).collect()
res19: Array[(Int, (Seq[Int], Seq[Int]))] = Array((5,(ArrayBuffer(),ArrayBuffer(1))), (6,(ArrayBuffer(),ArrayBuffer(1))), (1,(ArrayBuffer(1),ArrayBuffer(1))), (2,(ArrayBuffer(),ArrayBuffer(1))), (7,(ArrayBuffer(),ArrayBuffer(1))), (3,(ArrayBuffer(1),ArrayBuffer(1))), (4,(ArrayBuffer(1),ArrayBuffer(1))))

cartesian(otherDataSet)

笛卡尔积，在类型为 T 和 U 类型的数据集上调用时，返回一个 (T, U)对数据集(两两的元素对)

scala> pairData.distinct().collect()
res16: Array[(Int, Int)] = Array((1,1), (3,1), (4,1))
scala> pairData2.collect()
res14: Array[(Int, Int)] = Array((1,1), (2,1), (3,1), (4,1), (5,1), (6,1), (7,1))
scala> pairData.distinct().cartesian(pairData2).collect()
res20: Array[((Int, Int), (Int, Int))] = Array(((3,1),(1,1)), ((3,1),(2,1)), ((3,1),(3,1)), ((3,1),(4,1)), ((3,1),(5,1)), ((3,1),(6,1)), ((3,1),(7,1)), ((4,1),(1,1)), ((4,1),(2,1)), ((4,1),(3,1)), ((4,1),(4,1)), ((4,1),(5,1)), ((4,1),(6,1)), ((4,1),(7,1)), ((1,1),(1,1)), ((1,1),(2,1)), ((1,1),(3,1)), ((1,1),(4,1)), ((1,1),(5,1)), ((1,1),(6,1)), ((1,1),(7,1)))

sample(withReplacement,fraction, seed)

返回一个数组，在数据集中随机采样num个元素组成，可以选择是否用随机数替换不足的部分，Seed用于指定的随机数生成器种子

scala> pairData.collect()
res16: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData.sample(false, 0.2, 1)
res34: Array[(Int, Int)] = Array((4,1))

reduce(func)

通过函数func（接受两个参数，返回一个参数）聚集数据集中的所有元素。

scala> val c = Array(1, 2, 3, 4, 5)
c: Array[Int] = Array(1, 2, 3, 4, 5)
scala> sc.parallelize(c).reduce(_+_)
res24: Int = 15

collect()

以数组的形式，返回数据集的所有元素

scala> pairData.collect()
res16: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))

count()

返回数据集的元素的个数

scala> pairData.collect()
res16: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData.count()
res29: Long = 5

first()

返回数据集中的第一个元素

scala> pairData.collect()
res16: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData.first()
res30: (Int, Int) = (1,1)

take(n)

返回一个由数据集的前n个元素组成的数组。

scala> pairData.collect()
res16: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData.take(3)
res31: Array[(Int, Int)] = Array((1,1), (1,1), (3,1))

takeSample(withReplacement,num, seed)

返回一个数组，在数据集中随机采样num个元素组成，可以选择是否用随机数替换不足的部分，Seed用于指定的随机数生成器种子

scala> pairData.collect()
res16: Array[(Int, Int)] = Array((1,1), (1,1), (3,1), (3,1), (4,1))
scala> pairData.takeSample(false, 2, 1)
res36: Array[(Int, Int)] = Array((3,1), (3,1))

countByKey()

返回一个(K，Int)对的Map，表示每一个key对应的元素个数

scala> pairData.countByKey()
res37: scala.collection.Map[Int,Long] = Map(3 -> 2, 4 -> 1, 1 -> 2)

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。

saveAsSequenceFile(path)

将数据集的元素，以Hadoop 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。

foreach()

在数据集的每一个元素上，运行函数func进行更新。这通常用于边缘效果，例如更新一个累加器

scala> val accum = sc.accumulator(0)
scala> sc.parallelize(Array(1, 2, 3, 4)).foreach(x => accum += x)
scala> accum.value
res47: Int = 10