Spark Basic RDD 操作示例

map()

将函数应用到 RDD 中的每一个元素并以 RDD 的形式返回结果

rdd.map(x => x+1)

{2, 3, 4, 4}

flatMap()

将函数应用到 RDD 中的每一个元素，并以 RDD 的形式返回 iterator 的内容。通常用于提取词语。

rdd.flatMap(x => x.to(3))

{1, 2, 3, 2, 3, 3, 3}

filter()

返回一个 RDD, 该 RDD 中仅包含了能够通过 filter() 函数的元素

rdd.filter(x => x != 1)

{2, 3, 3}

distinct()

去除重复项

rdd.distinct()

{1, 2, 3}

union()

并集，生成一个包含了两个 RDD 元素的 RDD

rdd.union(other)

{1, 2, 3, 3, 4, 5}

intersection()

交集，生成 RDD 包含了在两个 RDD 中同时出现的元素

rdd.intersection(other)

{3}

subtract()

移除一个 RDD 中的内容

rdd.subtract(other)

{1, 2}

cartesian()

以另一个 RDD 的 笛卡尔积

rdd.cartesian(other)

{(1, 3), (1, 4), (1, 5), (2, 3), (2, 4)}, ..., (3, 5)

collect()

返回 RDD 中的所有元素

rdd.collect()

{1, 2, 3, 3}

count()

RDD 中的元素数目

rdd.count()

4

countByValue()

RDD 中每个元素出现的次数

rdd.countByValue()

{(1, 1), (2, 1), (3, 2)}

take(num)

返回 RDD 中的 num 个元素

rdd.take(2)

{1, 2}

top(num)

返回 RDD 中的前 num 个元素

rdd.top(2)

{3, 3}

takeOrdered(num)(ordering)

基于 ordering 返回 num 个元素

rdd.takeOrdered(2)(myOrdering)

{3, 3}

takeSample(withReplacement, num, [seed])

随机返回 num 个元素

rdd.takeSample(false, 1)

不确定

reduce(func)

并行地组合 RDD 中的元素(比如，sum)

rdd.reduce((x, y) => x + y)

9

fold(zero)(func)

与 reduce() 一样只是需要提供一个 0

rdd.fold(0)((x, y) => x + y)

9

aggregate(zeroValue)(seqop, combop)

与 reduce() 相似，不过用于返回不同类型

rdd.aggregate((0, 0))((x, y) => (x._1 + y, x._2 + 1), (x, y) => (x._1 + y._1, x._2 + y._2))

(9, 4)

foreach(func)

将 func 应用到 RDD 中的每一个元素

rdd.foreach(func)

无