【Spark】spark常用算子总结
一、Transformations转换算子
filter：过滤符合条件的记录数，true的保留、false的过滤
map：将RDD中的数据项，通过map中的函数映射变为一个新的元素（1进1出）
mapPartition：执行结果与map相同，但是可以一次遍历整个patition
mapPartitionWithIndex:类似于mapPartitions,除此之外还会携带分区的索引值
mapToPair:返回（k，v）格式的RDD
flatMap:对RDD中的数据项，先map再flat（1进多出）
flatMapToPair:对RDD中的数据项，先map再flat,在返回（k，v）格式的RDD
reduceByKey：将相同的Key根据逻辑进行处理
sample：抽样，传进一个比例值，可以选择传入参数决定是否有放回的抽样
sortBy/sortByKey：作用在K,V格式的RDD上，对Key进行升序或降序排序
join：作用在K,V格式的RDD上。根据K进行连接，对（K,V）join(K,W)返回（K,(V,W)）
leftOuterJoin：作用在K,V格式的RDD上。根据K进行连接，对（K,V）join(K,W)返回（K,(V,W)），左边中的key为主，只显示左边中存在的key值
rightOuterJoin：作用在K,V格式的RDD上。根据K进行连接，对（K,V）join(K,W)返回（K,(V,W)），右边中的key为主，只显示右边中存在的key值
fullOuterJoin：作用在K,V格式的RDD上。根据K进行连接，对（K,V）join(K,W)返回（K,(V,W)），两边的key值都显示
- join后的分区数与父RDD分区数多的那一个相同。
例：
JavaPairRDD nameRDD = sc.parallelizePairs(Arrays.asList(
new Tuple2<>(0, "aa"),
new Tuple2<>(1, "a"),
new Tuple2<>(2, "b"),
new Tuple2<>(3, "c")
));
JavaPairRDD scoreRDD = sc.parallelizePairs(Arrays.asList(
new Tuple2<>(1, 100),
new Tuple2<>(2, 200),
new Tuple2<>(3, 300),
new Tuple2<>(4, 400)
));
结果：
1.nameRDD.join(scoreRDD)
(1,(a,100))
(3,(c,300))
(2,(b,200))
2.nameRDD.leftOuterJoin(scoreRDD)
(0,(aa,Optional.empty))
(1,(a,Optional[100]))
(3,(c,Optional[300]))
(2,(b,Optional[200]))
3.nameRDD.rightOuterJoin(scoreRDD)
(4,(Optional.empty,400))
(1,(Optional[a],100))
(3,(Optional[c],300))
(2,(Optional[b],200))
4.nameRDD.fullOuterJoin(scoreRDD)
(4,(Optional.empty,Optional[400]))
(0,(Optional[aa],Optional.empty))
(1,(Optional[a],Optional[100]))
(3,(Optional[c],Optional[300]))
(2,(Optional[b],Optional[200])) union：合并两个数据集。两个数据集的类型要一致。返回新的RDD的分区数是合并RDD分区数的总和
intersection:交集
subtract：差集
distinct：去重
cogroup：当调用类型（K,V）和（K，W）的数据上时，返回一个数据集（K，（Iterable
repartition:增加或减少分区。会产生shuffle
coalesce:常用来减少分区，第二个参数是减少分区的过程中是否产生shuffle。如果用来增加分区，必须设置为true
groupByKey：作用在K，V格式的RDD上。根据Key进行分组。作用在（K，V），返回（K，Iterable
zip：将两个RDD中的元素（KV格式/非KV格式）变成一个KV格式的RDD,两个RDD的个数必须相同
zipWithIndex:该函数将RDD中的元素和这个元素在RDD中的索引号（从0开始）组合成（K,V）对。
二、Action触发算子（行动算子）
count：返回数据集中的元素数，会在结果计算完成后返回到Driver端
countByKey: 作用到K,V格式的RDD上，根据Key计数相同Key的数据集元素
countByValue:根据数据集每个元素相同的内容来计数。返回相同内容的元素对应的条数
Collect：将计算结果回收到Driver端
foreach：循环遍历数据集中的元素，运行相应的逻辑
take：返回一个包含数据集前n个元素的集合take（n）
first：返回数据集中的第一个元素first=take（1）
foreachPartition：遍历的是一个patition上的数据
reduce:根据聚合逻辑聚合数据集中的每个元素
三、持久化算子
cache：将RDD持久化到内存中cache=persist（）=memory_only
Persist:指定持久化级别none、memory_only、disk_only、memory_and_disk、memory_only_ser、off_heap
checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关
cache和persist都是懒执行的。必须有一个action类算子触发执行
cache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。
cache和persist算子后不能立即紧跟action算子
Checkpoint的执行流程：
（1） 当RDD的job执行完毕后，会从finalRDD从后往前回溯。
（2） 当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记。
（3） Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数据持久化到HDFS上。
Ø 优化：对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步