变换算子
地图(函数)
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
过滤器(函数)
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(函数)
类似于地图,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(函数)
类似于地图,对抽样的每个分区起作用,在类型为T的抽样上运行时,函数的函数类型必须是迭代器[T]=在迭代器(U)
样本(withReplacement,分数,种子)
根据给定的随机种子种子,随机抽样出数量为分数的数据
管(命令,[envVars])
通过管道的方式对抽样的每个分区使用壳命令进行操作,返回对应的结果
联盟(otherDataSet)
返回一个新的数据集,由原数据集合参数联合而成
十字路口(otherDataset)
求两个抽样的交集
不同([numtasks])
返回一个包含源数据集中所有不重复元素的我新数据集
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抽样的分区数目,如果想要对关键进行聚合的话,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,关键相同的值,都被使用指定的减少函数聚合到一起,减少任务的个数是可以通过第二个可选参数来配置的
sortByKey((提升),[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,升序或者降序有布尔型的提升参数决定
加入(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,每个键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])元组
笛卡尔(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
合并(numPartitions)
对抽样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
重新分区(numpartitions)
将抽样中所有记录平均划分到numparitions个分区中
<人力资源/>操作算子
减少(函数)
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
收集()
在司机的程序中,以数组的形式,返回数据集的所有元素,这通常会在使用过滤或者其它操作后,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
第()
返回数据集的第一个元素(类似于(1))
带(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,而是司机程序所在机器
takeSample (num withReplacement,种子)
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,种子用于指定的随机数生成器种子
saveAsTextFile(路径)
将数据集的元素,以文本文件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,火花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,[点])
排序后的限制(n)
saveAsSequenceFile(路径)
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,抽样的元素必须由键值对组成。并都实现了hadoop的可写的接口或隐式可以转换为可写的
saveAsObjectFile(路径)
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)类型的抽样有效,返回一个(K, Int)对的地图,表示每一个可以对应的元素个数
foreach(函数)
在数据集的每一个元素上,运行函数函数,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