链接：https://pan.baidu.com/s/1eiQX7C4hExXSUYf5F-hm7Q 

提取码：83yo 

 

Transformation算子 作用 map(func)

返回一个新的分布式数据集，其中每个元素都是由源RDD中 每一个元素经过func函数转换得到的 filter(func)

返回一个新的数据集，其中包含的元素来自源RDD中元素经 过func函数过滤后的结果（func函数返回true的结果） flatMap(func)

类似于map, 但是每个元素可以映射到0到n个输出元素(func 函数必须返回的是一个Seq而不是单个元素) mapPartitions(func)

类似于map, 但是它是基于RDD的每个Partition(或者数据 block)独立运行，所以如果RDD包含元素类型为T，则func 函数必须是Iterator => Iterator 的映射函数 mapPartitionsWithIndex(func)

类似于mapPartitions，只是func多了一个整型的分区索引 值，因此如果RDD包含元素类型为T，则func必须是Iterator => Iterator的映射函数 mapWith(func)(func)

mapWith是map的另外一个变种，map只需要一个输入函 数，而mapWith有两个输入函数, 第一个函数是把RDD的 partition index（index从0开始）作为输入，输出为新类型 A；第二个函数f是把二元组(T, A)作为输入（其中T为原RDD 中的元素，A为第一个函数的输出），输出类型为U flatMapWith(func)(func)

与mapWith很类似，都是接收两个函数，一个函数把 partitionIndex作为输入，输出是一个新类型A；另外一个函 数是以二元组（T,A）作为输入，输出为一个序列，这些序 列里面的元素组成了新的RD mapValues(func)

mapValues顾名思义就是输入函数应用于RDD中Kev-Value 的Value，原RDD中的Key保持不变，与新的Value一起组成 新的RDD中的元素。因此，该函数只适用于元素为KV对的 RDD。 flatMapValues(func)

flatMapValues类似于mapValues，不同的在于 flatMapValues应用于元素为KV对的RDD中Value。每个一 元素的Value被输入函数映射为一系列的值，然后这些值再 与原RDD中的Key组成一系列新的KV对。 sample(withReplacement, fraction, seed) 采样部分(比例取决于fraction)数据，同时可以指定是否使用 回置采样(withReplacement)，以及随机数种子(seed) union(otherDataset) 返回源数据集和参数数据集(otherDataset)的并集 intersection(otherDataset) 返回源数据集和参数数据集(otherDataset)的交集 distinct([numTasks]) 返回对源数据集做元素去重后的新的数据集 groupByKey([numTasks]) 必须应用于键值对的元素类型，如源RDD包含(K,V)对，则该 算子返回一个新的数据集包含(K, Iterator)对

Transformation算子 作用 reduceByKey(func, [numTasks]) 如果源RDD包含元素类型为(K,V)对，则该算子也返回包含(K, V)对的RDD， 只不过每个Key对应的Value是经过func函数 聚合后的结果，而func函数本身是一个(V, V) => V的映射函 数。 另外，和groupByKey类似，可以通过可选参数 numTasks指定reduce任务的个数 aggregateByKey(zeroValue)(seqOp, combOp, [numTasks]) 如果源RDD包含(K, V)对，则返回的新RDD包含(K, V)对，其 中每个Key对应的Value都是由combOp函数和一个”0”值 zeroValue聚合得到。允许聚合后Value类型和输入Value类 型不同，避免了不必要的开销。和groupByKey类似，可以 通过可选参数numTasks指定reducer任务的个数 sortByKey([ascending], [numTasks]) 如果源RDD包含元素类型(K, V)对，其中K可以排序，则返回 新的RDD包含(K, V)对，并按照K进行排序(由ascending参数 决定是升序还是降序) sortBy(func,[ascending], [numTasks]) 类似于sortByKey，只不过sortByKey只能够按照key去排 序，sortBy会更加灵活，既可以按照key，也可以按照value 排序。 join(otherDataset, [numTasks]) 如果源RDD包含元素类型(K, V)且参数RDD(otherDataset)包 含元素类型(K, W), 则返回的新RDD中将包含内联后Key对应 的(K, (V, W)对。外关联(Outer joins)操作请参考 leftOuterJoin、rightOuterJoin以及fullOuterJoin算子)

cogroup(otherDataset, [numTasks]) 如果源RDD包含元素类型(K, V)且参数RDD(otherDataset)包 含元素类型(K, W)，则返回的新的RDD中包含(K, (Iterable, Iterable))。该算子还有个别名：groupWith

cartesian(otherDataset) 如果源RDD包含元素类型T且参数RDD(otherDataset)包含 元素类型U，则返回的新RDD包含前二者的笛卡尔积，其元 素类型为(T, U)对 pipe(command, [envVars]) 以shell命令行管道处理RDD的每个分区，如：Perl或者bash 脚本。RDD中每个元素都将依次写入进程的标准输入 (stdin)，然后按行输出到标准输出(stdout)，每一行输出字 符串即成为一个新的RDD元素

coalesce(numPartitions) 将RDD的分区数减少到numPartitons。当以后大数据集被 过滤成小数据集后，减少分区，可以提升效率 repartition(numPartitions) 将RDD数据重新混洗(reshuffle)并随机分步到新的分区中， 使数据分布更均衡，新的分区个数取决于numPartitions。 该算子总是需要通过网络混洗所有数据。 repartitionAndSortWithPartitions(partitioner) 根据Partitioner(spark自带有HashPartioner和 RangePartitoner等)重新分区RDD，并且在每个结果分区中 按Key做排序。这是一个组合算子，功能上等价于先 reparation再在每个分区内排序，但这个算子内部做了优化 (将排序过程下推到混洗同时进行)，因此性能更好