reduce（func）:通过function 函数聚合RDD中的所有元素，
RDD必须是可交换且可并联的
1 scala> val rdd1 = sc.makeRDD(1 to 10,2) 2 rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[85] at makeRDD at <console>:24 3 4 scala> rdd1.reduce(_+_) 5 res50: Int = 55 6 7 scala> val rdd2 = sc.makeRDD(Array(("a",1),("a",3),("c",3),("d",5))) 8 rdd2: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[86] at makeRDD at <console>:24 9 10 scala> rdd2.reduce((x,y)=>(x._1 + y._1,x._2 + y._2)) 11 res51: (String, Int) = (adca,12)collect () ：在驱动程序中，以数组的形式返回数据集的所有元素
将分布式的RDD返回为一个单机的 scala Array 数组。
在这个数组上运用 Scala 的函数式操作。
通过函数操作，将结果返回到 Driver 程序所在的节点，以数组形式存储。
count()返回RDD的元素个数first()返回RDD的第一个元素（类似于take(1)）take(n)返回一个由数据集的前n个元素组成的数组takeSample(withReplacement,num, [seed])返回一个数组，该数组由从数据集中随机采样的num个元素组成，可以选择是否用随机数替换不足的部分，seed用于指定随机数生成器种子takeOrdered(n)&top(n)返回前几个的排序(小到大)&（大到小）
aggregate (zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U)
aggregate函数将每个分区里面的元素通过seqOp和初始值进行聚合，然后用combine函数将每个分区的结果和初始值(zeroValue)进行combine操作。这个函数最终返回的类型不需要和RDD中元素类型一致。
1 scala> var rdd1 = sc.makeRDD(1 to 10,2) 2 rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[88] at makeRDD at <console>:24 3 4 scala> rdd1.aggregate(1)( 5 | {(x : Int,y : Int) => x + y}, 6 | {(a : Int,b : Int) => a + b} 7 | ) 8 res56: Int = 58 9 10 scala> rdd1.aggregate(1)( 11 | {(x : Int,y : Int) => x * y}, 12 | {(a : Int,b : Int) => a + b} 13 | ) 14 res57: Int = 30361 aggregate（）（）
fold(num)(func) ：折叠操作，aggregate的简化操作，seqop和combop一样。
1 scala> var rdd1 = sc.makeRDD(1 to 4,2) 2 rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[90] at makeRDD at <console>:24 3 4 scala> rdd1.aggregate(1)( 5 | {(x : Int,y : Int) => x + y}, 6 | {(a : Int,b : Int) => a + b} 7 | ) 8 res59: Int = 13 9 10 scala> rdd1.fold(1)(_+_) 11 res60: Int = 13 fold【aggregate的简化】saveAsTextFile(path)： 将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本saveAsSequenceFile(path) 将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统。saveAsObjectFile(path)
用于将RDD中的元素序列化成对象，存储到文件中。
countByKey() ：
针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。
1 scala> val rdd = sc.parallelize(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3) 2 rdd: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[95] at parallelize at <console>:24 3 4 scala> rdd.countByKey() 5 res63: scala.collection.Map[Int,Long] = Map(3 -> 2, 1 -> 3, 2 -> 1) countByKey
foreach(func)：
在数据集的每一个元素上，运行函数func进行更新。
对RDD中的每一个元素都应用 f 函数操作。不返回RDD和Array，而是返回 Unit。
1 scala> var rdd = sc.makeRDD(1 to 10,2) 2 rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[107] at makeRDD at <console>:24 3 4 scala> var sum = sc.accumulator(0) 5 warning: there were two deprecation warnings; re-run with -deprecation for details 6 sum: org.apache.spark.Accumulator[Int] = 0 7 8 scala> rdd.foreach(sum+=_) 9 10 scala> sum.value 11 res68: Int = 55 12 13 scala> rdd.collect().foreach(println) 14 1 15 2 16 3 17 4 18 5 19 6 20 7 21 8 22 9 23 10 foreach(func)
转载于:https://www.cnblogs.com/Vowzhou/p/10830998.html
