本文共 2705 字，大约阅读时间需要 9 分钟。
| Transfomation算子 | 描述 |
|---|---|
| map | 返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成.就是讲传进去的Rdd的每个元素转换成新的元素 |
| mapPartitions(func) | 类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T] => Iterator[U]。假设有N个元素，有M个分区，那么map的函数的将被调用N次,而mapPartitions被调用M次,一个函数一次处理所有分区 |
| flatMap | flatMapRdd算子就是把里面的元素,经过一个方法,把原来的元素由一个变成多个 |
| filter | 过滤。返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成 |
| distinct([numTasks])) | 对源RDD进行去重后返回一个新的RDD。默认情况下，只有8个并行任务来操作，但是可以传入一个可选的numTasks参数改变它 |
| coalesce(numPartitions) | 缩减分区数，用于大数据集过滤后，提高小数据集的执行效率 |
| repartition(numPartitions) | 根据分区数，重新通过网络随机洗牌所有数据 |
| sortBy(func,[ascending],[numTasks]) | 使用func先对数据进行处理，按照处理后的数据比较结果排序，默认为正序 |
| union(otherDataset) | 对源RDD和参数RDD求并集后返回一个新的RDD |
| subtract (otherDataset) | 计算差的一种函数，去除两个RDD中相同的元素，不同的RDD将保留下来 |
| intersection(otherDataset) | 对源RDD和参数RDD求交集后返回一个新的RDD |
| cartesian(otherDataset) | 笛卡尔积（尽量避免使用，没啥用，给自己找事） |
| partitionBy | 对pairRDD进行分区操作，如果原有的partionRDD和现有的partionRDD是一致的话就不进行分区， 否则会生成ShuffleRDD，即会产生shuffle过程。 |
| groupByKey | groupByKey也是对每个key进行操作，但只生成一个sequence |
| reduceByKey(func, [numTasks]) | 在一个(K,V)的RDD上调用，返回一个(K,V)的RDD，使用指定的reduce函数，将相同key的值聚合到一起，reduce任务的个数可以通过第二个可选的参数来设置。就是对key相同的value进行处理 |
| aggregateByKey（1）zeroValue：给每一个分区中的每一个key一个初始值；（2）seqOp：函数用于在每一个分区中用初始值逐步迭代value；（3）combOp：函数用于合并每个分区中的结果。 | 在kv对的RDD中，，按key将value进行分组合并，合并时，将每个value和初始值作为seq函数的参数，进行计算，返回的结果作为一个新的kv对，然后再将结果按照key进行合并，最后将每个分组的value传递给combine函数进行计算（先将前两个value进行计算，将返回结果和下一个value传给combine函数，以此类推），将key与计算结果作为一个新的kv对输出 |
| sortByKey([ascending], [numTasks]) | 在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD |
| join(otherDataset, [numTasks]) | 在类型为(K,V)和(K,W)的RDD上调用，返回一个相同key对应的所有元素对在一起的(K,(V,W))的RDD就是说两个Rdd的键一样，但值不相同，讲键相同的value整合成数据集 |
| cogroup(otherDataset, [numTasks]) | 在类型为(K,V)和(K,W)的RDD上调用，返回一个(K,(Iterable,Iterable))类型的RDD就是说cogroup:是把两个rdd合并一下;但是两个rdd,得是tuple2;当调用类型为(K，V)和(K，W)的数据集时，返回(K，(Iterable，Iterable)元组的数据集 |
| 算子 | 描述 |
|---|---|
| reduce(func) | 通过func函数聚集RDD中的所有元素，先聚合分区内数据，再聚合分区间数据 |
| collect() | 在驱动程序中，以数组的形式返回数据集的所有元素 |
| count() | 返回RDD中元素的个数 |
| first() | 返回RDD中的第一个元素 |
| take(n) | 返回一个由RDD的前n个元素组成的数组 |
| takeOrdered(n) | 返回该RDD排序后（默认升序）的前n个元素组成的数组 |
| 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 |
| foreach(func) | 在数据集的每一个元素上，运行函数func进行更新 |
转载地址：http://fwgzi.baihongyu.com/