Spark 算子- Value Transformation

Spark算子的作用

Spark的输入、运行转换、输出过程，在运行转换中通过算子对RDD进行转换

输入：外部数据空间（HDFS、Scala集合）输入Spark，数据进入Spark运行时数据空间，转化为Spark数据块，通过BlockManager管理

运行：输入形成RDD后，通过算子操作生成新的RDD，通过Action算子，触发Spark提交作业

输出：程序结束数据输出到运行时数据空间，存储到分布式存储或Scala数据

---

算子分类

Value数据类型的Transformation算子
Key-Value数据类型的Transformation算子
Action算子

Value数据类型的Transformation算子

输入输出一对一

map
将原RDD的每一个数据通过map中用户自定义函数f映射转为一个新的元素

map

flatMap
将原RDD的每一个数据通过函数f转换为新的元素，将生成的RDD的每个集合中的元素合并为一个集合

flatMap

mapPartitions
获取到每个分区的迭代器（Iterator），通过这个分区整体的迭代器对整个分区的元素进行操作

mapPartitions

glom
将每个分区形成一个数组

glom

输入输出多对一

union
在两个RDD元素数据类型相同时，合并两个RDD的元素，并不去重
如果要去重使用distinct()，++相当于union()

union

cartesian
对两个RDD内的所有元素进行笛卡尔积操作

cartesian

输入输出多对多

groupBy
将元素通过函数生成相应的key，数据转化为key-value，然后将key相同的元素分为一组

groupBy

输入是输出子集

filter
对元素进行过滤

filter

distinct
元素去重操作

distinct

subtract
集合差操作，RDD1-RDD2

subtract

sample
对RDD集合中的元素进行采样，获取所有元素的子集，可以设定有放回抽样、百分比、随机种子，决定采样方式

sample

takeSample
与sample函数原理相同，但不使用相对比例采样，按设定的采样个数进行采样，返回的不是RDD而是单机的数组，相当于执行了collect()操作

takeSample

cache类型

cache
将RDD元素从磁盘缓存到内存，相当于persist(MEMORY_ONLY)

cache

persist
对RDD缓存，缓存模式由StorageLevel决定，参考 RDD持久化级别