spark中RDD的transformation&action

简介：

1，transformation是获得一个新的RDD，方式不少，好比从数据源生成一个新的RDD，从RDD生成一个新的RDD

2，action是获得一个值，或者一个结果（直接将RDDcache到内存中）

全部的transformation都是采用的懒策略，就是若是只是将transformation提交是不会执行计算的，计算只有在action被提交的时候才被触发。

transformation操做：

  map(func):对调用map的RDD数据集中的每一个element都使用func，而后返回一个新的RDD,这个返回的数据集是分布式的数据集

  filter(func): 对调用filter的RDD数据集中的每一个元素都使用func，而后返回一个包含使func为true的元素构成的RDD

flatMap(func):和map差很少，可是flatMap生成的是多个结果

mapPartitions(func):和map很像，可是map是每一个element，而mapPartitions是每一个partition

mapPartitionsWithSplit(func):和mapPartitions很像，可是func做用的是其中一个split上，因此func中应该有index

sample(withReplacement,faction,seed):抽样

union(otherDataset)：返回一个新的dataset，包含源dataset和给定dataset的元素的集合

distinct([numTasks]):返回一个新的dataset，这个dataset含有的是源dataset中的distinct的element

groupByKey(numTasks):返回(K,Seq[V])，也就是hadoop中reduce函数接受的key-valuelist

reduceByKey(func,[numTasks]):就是用一个给定的reducefunc再做用在groupByKey产生的(K,Seq[V]),好比求和，求平均数

sortByKey([ascending],[numTasks]):按照key来进行排序，是升序仍是降序，ascending是boolean类型

join(otherDataset,[numTasks]):当有两个KV的dataset(K,V)和(K,W)，返回的是(K,(V,W))的dataset,numTasks为并发的任务数

cogroup(otherDataset,[numTasks]):当有两个KV的dataset(K,V)和(K,W)，返回的是(K,Seq[V],Seq[W])的dataset,numTasks为并发的任务数

cartesian(otherDataset)：笛卡尔积就是m*n，你们懂的

action操做：

reduce(func)：说白了就是汇集，可是传入的函数是两个参数输入返回一个值，这个函数必须是知足交换律和结合律的

collect()：通常在filter或者足够小的结果的时候，再用collect封装返回一个数组

count():返回的是dataset中的element的个数

first():返回的是dataset中的第一个元素

take(n):返回前n个elements，这个士driverprogram返回的

takeSample(withReplacement，num，seed)：抽样返回一个dataset中的num个元素，随机种子seed

saveAsTextFile（path）：把dataset写到一个textfile中，或者hdfs，或者hdfs支持的文件系统中，spark把每条记录都转换为一行记录，而后写到file中

saveAsSequenceFile(path):只能用在key-value对上，而后生成SequenceFile写到本地或者hadoop文件系统

countByKey()：返回的是key对应的个数的一个map，做用于一个RDD

foreach(func):对dataset中的每一个元素都使用func