spark transformation和action算子

spark transformation和action的算子
map(func)
返回一个新的分布式数据集，由每个原元素经过func函数处理后的新元素组成
filter(func)
返回一个新的数据集，由经过func函数处理后返回值为true的原元素组成
flatMap(func)
类似于map，但是每一个输入元素，会被映射为0个或多个输出元素，(因此，func函数的返回值是一个seq，而不是单一元素)
mapPartitions(func)
类似于map，对RDD的每个分区起作用，在类型为T的RDD上运行时，func的函数类型必须是Iterator[T]=>Iterator[U]

mapPartitionsWithIndex(func) 和mapPartitions类似，但func带有一个整数参数表上分区的索引值，在类型为T的RDD上运行时，func的函数参数类型必须是(int,Iterator[T])=>Iterator[U]
sample(withReplacement,fraction,seed)
根据给定的随机种子seed，随机抽样出数量为fraction的数据
pipe(command,[envVars])
通过管道的方式对RDD的每个分区使用shell命令进行操作，返回对应的结果
union(otherDataSet)
返回一个新的数据集，由原数据集合参数联合而成
intersection(otherDataset)
求两个RDD的交集
distinct([numtasks])
返回一个包含源数据集中所有不重复元素的i新数据集
groupByKey([numtasks])
在一个由(K,v)对组成的数据集上调用，返回一个(K,Seq[V])对组成的数据集。默认情况下，输出结果的并行度依赖于父RDD的分区数目，如果想要对key进行聚合的话，使用reduceByKey或者combineByKey会有更好的性能
reduceByKey(func,[numTasks])
在一个(K,V)对的数据集上使用，返回一个(K,V)对的数据集，key相同的值，都被使用指定的reduce函数聚合到一起，reduce任务的个数是可以通过第二个可选参数来配置的
sortByKey([ascending],[numTasks])
在类型为(K,V)的数据集上调用，返回以K为键进行排序的(K,V)对数据集，升序或者降序有boolean型的ascending参数决定
join(otherDataset,[numTasks])
在类型为(K,V)和(K,W)类型的数据集上调用，返回一个(K,(V,W))对，每个key中的所有元素都在一起的数据集
cogroup(otherDataset,[numTasks])
在类型为(K,V)和(K,W)类型的数据集上调用，返回一个数据集，组成元素为(K,Iterable[V],Iterable[W]) tuples
cartesian(otherDataset)
笛卡尔积，但在数据集T和U上调用时，返回一个(T,U)对的数据集，所有元素交互进行笛卡尔积
coalesce(numPartitions)
对RDD中的分区减少指定的数目，通常在过滤完一个大的数据集之后进行此操作
repartition(numpartitions)
将RDD中所有records平均划分到numparitions个partition中

action操作
reduce(func)
通过函数func聚集数据集中的所有元素，这个函数必须是关联性的，确保可以被正确的并发执行
collect()
在driver的程序中，以数组的形式，返回数据集的所有元素，这通常会在使用filter或者其它操作后，返回一个足够小的数据子集再使用
count()
返回数据集的元素个数
first()
返回数据集的第一个元素(类似于take(1))
take(n)
返回一个数组，由数据集的前n个元素组成。注意此操作目前并非并行执行的，而是driver程序所在机器
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
saveAsTextFile(path)
将数据集的元素，以textfile的形式保存到本地文件系统hdfs或者任何其他hadoop支持的文件系统，spark将会调用每个元素的toString方法，并将它转换为文件中的一行文本
takeOrderd(n,[ordering])
排序后的limit(n)
saveAsSequenceFile(path)
将数据集的元素，以sequencefile的格式保存到指定的目录下，本地系统，hdfs或者任何其他hadoop支持的文件系统，RDD的元素必须由key-value对组成。并都实现了hadoop的writable接口或隐式可以转换为writable
saveAsObjectFile(path)
使用java的序列化方法保存到本地文件，可以被sparkContext.objectFile()加载
countByKey()
对(K,V)类型的RDD有效，返回一个(K,Int)对的map，表示每一个可以对应的元素个数
foreache(func)
在数据集的每一个元素上，运行函数func,t通常用于更新一个累加器变量，或者和外部存储系统做交互