共计 7346 个字符，预计需要花费 19 分钟才能阅读完成。
本篇内容主要讲解“Spark RDD 算子分为哪几类”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让丸趣 TV 小编来带大家学习“Spark RDD 算子分为哪几类”吧!
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。
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。
scala val a = sc.parallelize(1 to 9, 3)
a: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[6] at parallelize at :27
scala val b = a.map(x = x*3)
b: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[7] at map at :29
scala a.collect
res7: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9)
scala b.collect
res8: Array[Int] = Array(3, 6, 9, 12, 15, 18, 21, 24, 27)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。
scala val a = sc.parallelize(1 to 9, 3)
a: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[10] at parallelize at :27
scala a.collect
res11: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9)
scala var c = a.mapPartitions( a= a.filter(_ =7) )
c: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[11] at mapPartitions at :29
scala c.collect
res12: Array[Int] = Array(7, 8, 9)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。
scala val a = sc.parallelize(List( Hadoop , HBase , Hive , Spark), 2)
a: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[12] at parallelize at :27
scala val b = a.map(x = (x.length,x) )
b: org.apache.spark.rdd.RDD[(Int, String)] = MapPartitionsRDD[13] at map at :29
scala b.mapValues(+_+).collect
res14: Array[(Int, String)] = Array((6,Hadoop), (5,HBase), (4,Hive), (5,Spark))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)
scala val x = sc.parallelize(List(1,2,3,4,5,6,7,8,9,10),3)
scala x.mapWith( a = a*10 )( (a,b)= (b+2)).collect
res16: Array[Int] = Array(2, 2, 2, 12, 12, 12, 22, 22, 22, 22)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）。
scala val a = sc.parallelize(1 to 4,2)
scala val b = a.flatMap(x = 1 to x )
scala a.collect
res17: Array[Int] = Array(1, 2, 3, 4)
scala b.collect
res18: Array[Int] = Array(1, 1, 2, 1, 2, 3, 1, 2, 3, 4)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。
scala val a = sc.parallelize(List(1,2,3,4,5,6,7,8,9),3)
scala a.collect
res0: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9)
scala a.flatMapWith(x = x,true)((x,y)= List(y,x)).collect
res1: Array[Int] = Array(0, 1, 0, 2, 0, 3, 1, 4, 1, 5, 1, 6, 2, 7, 2, 8, 2, 9)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。
scala val a = sc.parallelize( List((1,2),(3,4),(3,6)) )
scala a.collect
res2: Array[(Int, Int)] = Array((1,2), (3,4), (3,6))
scala val b = a.flatMapValues( x = x.to(5))
scala b.collect
res3: Array[(Int, Int)] = Array((1,2), (1,3), (1,4), (1,5), (3,4), (3,5))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. reduce：
reduce 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。
scala val a = sc.parallelize(1 to 10 )
scala a.reduce( (x,y) = x + y )
res5: Int = 559. reduceByKey
顾名思义，reduceByKey 就是对元素为 KV 对的 RDD 中 Key 相同的元素的 Value 进行 reduce，因此，Key 相同的多个元素的值被 reduce 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)。
scala val a = sc.parallelize(List((1,2),(3,4),(3,6)))
scala a.reduceByKey((x,y)= x+y).collect
res6: Array[(Int, Int)] = Array((1,2), (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。
scala val a = sc.parallelize(List(1,2,3))
scala val b = sc.parallelize(List(4,5,6))
scala val c = a.cartesian(b)
scala c.collect
res15: Array[(Int, Int)] = Array((1,4), (1,5), (1,6), (2,4), (3,4), (2,5), (2,6), (3,5), (3,6))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。
scala val a = sc.parallelize(1 to 100,3)
scala a.sample(false,0.1,0).count
res16: Long = 12
scala a.sample(false,0.1,0).collect
res17: Array[Int] = Array(10, 47, 55, 73, 76, 84, 87, 88, 91, 92, 95, 98)
scala a.sample(true,0.7,scala.util.Random.nextInt(10000)).count
res19: Long = 75
scala a.sample(true,0.7,scala.util.Random.nextInt(10000)).collect
res20: Array[Int] = Array(1, 3, 3, 3, 5, 6, 9, 9, 9, 9, 10, 10, 15, 17, 20, 23, 23, 27, 28, 31, 32, 32, 34, 35, 36, 36, 36, 36, 38, 39, 41, 42, 42, 43, 45, 47, 49, 49, 50, 50, 51, 51, 54, 55, 55, 57, 57, 57, 57, 57, 59, 59, 61, 61, 63, 67, 72, 74, 76, 76, 80, 80, 81, 81, 81, 82, 83, 85, 87, 88, 90, 93, 95, 96, 97, 97, 99, 100)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
scala val a = sc.parallelize(List(( A ,1),(B ,2),(c ,3),(A ,4),(C ,5) ))
scala val b = sc.parallelize(List(( A ,5),(B ,6),(A ,4),(C ,9) ))
scala a.union(b).collect
res22: Array[(String, Int)] = Array((A,1), (B,2), (c,3), (A,4), (C,5), (A,5), (B,6), (A,4), (C,9))去重复：
scala val d = sc.parallelize(List(( A ,5),(B ,6),(A ,5) ))
scala d.distinct.collect
res25: Array[(String, Int)] = Array((B,6), (A,5))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
scala val a = sc.parallelize(List(( A ,1),(B ,2),(c ,3),(A ,4),(C ,5) ))
scala a.groupByKey().collect
res21: Array[(String, Iterable[Int])] = Array((B,CompactBuffer(2)), (A,CompactBuffer(1, 4)), (C,CompactBuffer(5)), (c,CompactBuffer(3)))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
scala val a = sc.parallelize(List(( A ,1),(B ,2),(c ,3),(A ,4),(C ,5) ))
scala val b = sc.parallelize(List(( A ,5),(B ,6),(A ,4),(C ,9) ))
scala a.join(b).collect
res23: Array[(String, (Int, Int))] = Array((B,(2,6)), (A,(1,5)), (A,(1,4)), (A,(4,5)), (A,(4,4)), (C,(5,9)))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。
scala val a = sc.parallelize(List(1,2,3,4,5,6,7,8,9),3)
scala a.foreach(println(_))
32. 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。
scala val a = sc.parallelize(1 to 10 )
scala a.collect
res9: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
scala a.count
res10: Long = 10到此，相信大家对“Spark RDD 算子分为哪几类”有了更深的了解，不妨来实际操作一番吧！这里是丸趣 TV 网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
