11-pyspark的RDD的变换与动作算子总结

前言

一般来说，RDD包括两个操作算子：

变换（Transformations）：变换算子的特点是懒执行，变换操作并不会立刻执行，而是需要等到有动作（Actions）操作的时候才会真正进行计算，并显示结果。变换算子主要有：map、flatMap、groupByKey和reduceByKey等。

动作（Actions）：动作算子的特点是会立刻执行，动作操作会对RDD计算出一个结果，并把结果返回到驱动器程序中，或把结果存储到外部存储系统（如HDFS）中。动作算子主要有：collect、count、take、top和first等

默认情况下，在RDD上执行动作算子时，Spark会重新计算并刷新RDD，但借助RDD的持久化存储（cache和persist）方法可以将RDD缓存在内存当中，这样后续在RDD上执行动作算子时，Spark就不会重新计算和刷新RDD，从而显著提高计算速度。

官方文档：https://spark.apache.org/docs/latest/api/python/reference/pyspark.html

变换算子

操作	调用形式	参数说明	作用	示例
glom	rdd.glom()		将RDD中每一个分区中类型为T的元素转换成Array[T]，这样每一个分区就只有一个数组元素
coalesce	rdd.coalesce(numPartitions,[isShuffle=False])	numPartitions：重新分区的分区数；isShuffle：是否在重新分区过程中进行混洗操作	将RDD进行重新分区
repartition	rdd.repartiton(numParttions)	numPartitions：重新分区的分区数；	coalesce()方法shuffle为true的情况
combineByKey	rdd.combineByKey(createCombiner, mergeValue,mergeCombiners,[partitioner], [mapSideCombiner], [serializer])	createCombiner 将 Value 进行初步转换；mergeValue 在每个分区把上一步转换的结果聚合；mergeCombiners 在所有分区上把每个分区的聚合结果聚合；partitioner 可选, 分区函数；mapSideCombiner 可选, 是否在 Map 端 Combine；serializer 序列化器	对数据集按照Key进行聚合	PySpark之Spark中的CombineByKey
distinct	rdd.distinct()duid		去重，即多个重复元素只保留一个
filter	rdd.filter(func)	func：过滤函数	根据过滤函数func的逻辑含义对原RDD中的元素进行过滤，并返回一个新的RDD，其由满足过滤函数的True的元素构成
flatMap	rdd.flatMap(func)	func:定义的函数名	对RDD中每个元素按照func函数定义的处理逻辑进行操作，并将结果扁平化
flatMapValues	rdd.flatMapValues(func)	func：定义的函数	对RDD元素格式为KV对中的V进行func定义的逻辑处理，Value中每一个元素被输入函数func映射为一系列的值，然后这些值再与原RDD中的Key组成一系列新的KV对，并将结果进行扁平化处理
fold	rdd.fold(value,func)	value：设定的初始值	对RDD每个元素按照func定义的逻辑进行处理。func包含两个参数a,b，其中a的初始值为value，后续代表累计值，b代表当前元素值。	spark的fold函数理解
foldByKey	rdd.foldByKey(value,func)	value：设定的初始值	此操作作用于元素为KV格式的RDD。它的作用是对RDD每个元素按照Key进行func定义的逻辑进行处理。func包含两个参数a,b，其中a的初始值为value，后续代表累计值，而b代表的是当前元素值。
foreach	rdd.foreach(func)		对RDD每个元素按照func定义的逻辑进行处理。
foreachPartition	rdd.foreachPartition(func)		对RDD每个分区中的元素按照func定义的逻辑进行处理
map	rdd.map(func,preservesPartitioning=False)		对RDD每个元素按照func定义的逻辑进行处理，它在统计单词个数等场景下经常使用
mapPartitions	rdd.mapPartitions(func,preservesPartitioning=False)		对RDD每个分区中的元素按照func定义的逻辑进行处理，并分别返回值
mapValues	rdd.mapValues(func)		对KV格式的RDD中的每个元素应用函数func，这个过程汇总不会更改键K，同时也保留了原始RDD的分区，即返回新的RDD
groupBy	rdd.groupBy(func,numPartitions=None,partitionFunc=<function portable_hash><function portable_hash>)		它接收一个函数func，这个函数返回的值作为Key，然后通过这个Key来对其中的元素进行分组，并返回一个新的RDD对象(返回的RDD中是KV格式的数据，其中V是一个迭代对象，因此需要遍历进行元素访问。)
goupyByKey	rdd.groupByKey(numPartitions=None,partitionFunc=<function portable_hash><function portable_hash>)		将RDD中每个键的值分组为单个序列，用numPartitions分区对生成的RDD进行哈希分区，并返回一个新的RDD对象
keyBy	rdd.keyBy(func)		在RDD上应用函数func，其中将原有RDD中的元素作为Key，该Key通过func函数返回的值作为Value创建一个元组，并返回一个新的RDD对象
keys	rdd.keys()		获取KV格式的RDD中的Key序列，并返回一个新的RDD对象
zip	rdd.zip(oterRdd)		将第一个RDD中的元素作为Key，第二个RDD对应的元素作为Value，组合成元素格式为元组的新RDD。这两个参与运算的RDD元素个数应该相同。
zipWithIndex	rdd.zipWithIndex()		是将RDD中的元素作为Key, Key对应的元素索引作为Value，组合成元素格式为元组的新RDD
values	rdd.values()		获取KV格式的RDD中的Value序列，并返回一个新的RDD对象
union	rdd.union(oterRDD)		将第一个RDD中的元素与第二个RDD对应的元素进行合并，返回新RDD
takeOrdered	rdd.takeOrdered(num,key=None)	num：获取的元素个数；key：排序依据	从RDD中获取排序后的前num个元素构成的RDD，默认按照升序对元素进行排序，但也支持用可选函数进行指定
takeSample	rdd.takeSample(withReplacement,num,seed=None)	withReplacement：布尔值，代表元素是否可以多次抽样；num：代表抽样的样本数量；seed：代表随机数生成器的种子	从RDD中抽样出固定大小的子数据集合，返回新的RDD
subtrack	rdd.subtract(otherRDD,numPartitions=None)	numPartitons：可选，用于指定产生的差集RDD的分区数	从RDD中排除掉otherRDD中的元素，并返回一个新的RDD
subtractByKey	rdd.subtractByKey(otherRDD,numPartitions=None)	numPartitons：可选，用于指定产生的差集RDD的分区数	从元素为KV格式的RDD中排除掉otherRDD中的元素，只要两个RDD的元素Key一致，则排除，并返回一个新RDD
sortBy	rdd.sortBy(keyfunc,ascending=True,numPartitions=None)		根据函数keyfunc来对RDD对象元素进行排序，并返回一个新的RDD
sortByKey	rdd.sortByKey(ascending=True, numPartitions=None, keyfunc=<function RDD.<lambda><lambda>>)	keyfunc：可选，不提供则按照RDD中元素的key进行排序	针对元素格式为KV的RDD，根据函数keyfunc来对RDD对象元素进行排序，并返回一个新的RDD
sample	rdd.sample(withReplacement,fraction,seed=None)	withReplacement：布尔值，用于表示在采样过程中是否可以对同一个元素进行多次采样；fraction：数值，在[0,1]之间，指定抽样的比例；seed：随机数生成器的种子	对数据按照指定的比例进行抽样（并不精确，例如100个元素的0.2不一定就是20个，可能存在偏差。）
reduce	rdd.reduce(func)		以按照函数func的逻辑对RDD中的元素进行运算，以减少元素个数(不能在空RDD上操作，会报ValueError错误）
reduceByKey	rdd.reduceByKey(func,numPartitions=None,partitionFunc=<function partable_hash>)		按照函数func的逻辑对元素格式为KV的RDD中的数据进行运算，以减少元素个数
randomSplit	rdd.randomSplit(weights,seed=None)	weights：随机分割的权重	按照权重weights对RDD进行随机分割，并返回多个RDD构成的列表
lookup	rdd.lookup(key)	key：指定的查找键值	根据key值从RDD中查找到相关的元素，返回RDD中键值的值列表
join	rdd.join(otherRDD,numPartitions=None)		返回一个RDD，其中包含自身和otherRDD匹配键的所有成对元素。每对元素将以(k,(v1,v2))元组返回，其中(k,v1)在自身中，而(k,v2)在另一个otherRDD中
intersection	rdd.intersection(otherRDD)		返回一个此RDD和另一个otherRDD的交集，在这个过程中，会进行去重操作
fullOuterJoin	rdd.fullOuterJoin(otherRDD,numPartitions=None)		对于RDD自身中的每个元素(k,v)，如果另外一个otherRDD匹配到k，那么生成的RDD元素格式为(k,(v,w))；如果另外一个otherRDD匹配不到k，则生成的RDD元素格式为(k,(v,None))。同样地，在otherRDD匹配到k的值，但是在RDD自身没有匹配到值w，则返回None，即生成的RDD元素格式为(k,(None,w))。
leftOuterJoin	rdd.leftOuterJoin(otherRDD,numPartitions=None)		返回此RDD和另一个otherRDD的左外部连接（left outer join）。对于RDD自身中的每个元素(k,v)，如果另外一个otherRDD匹配到k，那么生成的RDD元素格式为(k,(v,w))，如果另外一个otherRDD匹配不到k，则生成的RDD元素格式为(k,(v,None))。
rightOuterJoin	rdd.rightOuterJoin(otherRDD,numPartitions=None)		返回此RDD和另一个otherRDD的右外部连接（left outer join）。
aggregateByKey	rdd.aggregateByKey(zeroValue,seqFunc,combFunc,numPartitions=None,partitionFunc=<function partable_hash>)	zeroValue代表每次按Key分组之后的每个组的初始值。seqFunc函数用来对每个分区内的数据按照key分别进行逻辑计算。combFunc对经过seqFunc处理过的数据按照key分别进行逻辑计算。
cartesian	rdd.cartesian(oterRDD)		返回自身元素和另外一个otherRDD中元素的笛卡尔积

动作算子

操作	调用形式	参数说明	作用
first	rdd.first()		获取到RDD中的一个元素
max	rdd.max()		获取到RDD中最大的一个元素
min	rdd.min()		获取到RDD中最小的一个元素
sum	rdd.sum()		获取到RDD中元素的和
take	rdd.take(n)	n：代表获取的元素个数	获取到RDD中指定的前n个元素
top	rdd.top(n)	n：代表获取的元素个数	获取到RDD中排序后的前n个元素
count	rdd.count()		获取到RDD中元素的个数
collect	rdd.collect()		将RDD类型的数据转化为数组，同时会从集群中拉取数据到driver端
collectAsMap	rdd.collectAsMap()		与collect操作类似，但适用于键值RDD并将它们转换为Map映射以保留其键值结构
countByKey	rdd.countByKey()		统计RDD[K,V]中每个K的数量，字典形式返回各键的统计数量情况
countByValue	rdd.countByValue()		统计RDD中各个Value出现的次数，并返回一个字典。字典的K为元素的值，而V是出现的次数
stats	rdd.stats()		给出RDD数据的统计信息，包括计数、均值、方差、最大值和最小值，返回的是一个StatCounter对象
aggregate	rdd.aggregate(zeroValue,seqOp,combOp)	zeroValue：初始值,形式是(x,y)；seqOp函数：是对每个分区上的数据信息操作；combOp函数对每个分区的计算结果再进行合并操作	使用给定的seqOp函数和给定的零值zeroValue来聚合每个分区上的元素，然后再用combOp函数和给定的零值zeroValue汇总所有分区的结果。
cache	rdd.cache()		在RDD对象上进行缓存操作，后续的RDD操作会直接从内存中加载数据进行计算。使用默认存储级别（MEMORY_ONLY）保留该RDD，防止多次进行创建，从而提高效率。
persist	rdd.persist(storageLevel)	storageLevel:指定缓存的存储级别	在RDD对象上按照指定的存储级别进行缓存操作
saveAsTextFile	rdd.saveAsTextFile(path,compressionCodecClass=None)	path：代码保存的文件路径；compressionCodecClass：用于压缩，默认为“org.apache.hadoop.io.compress.GzipCodec”	保存RDD对象为一个文件，其中元素以字符串的形式体现。