转自：http://my.oschina.net/hanzhankang/blog/200275
附：各种操作的逻辑执行图 https://github.com/JerryLead/SparkInternals/blob/master/markdown/2-JobLogicalPlan.md
本文提供的是0.7.3版本中的action和transformation接口，RDD提供了两种类型的操作：transformation和action
1. transformation是得到一个新的RDD，方式很多，比如从数据源生成一个新的RDD，从RDD生成一个新的RDD
2. action是得到一个值，或者一个结果（直接将RDD cache到内存中）
所有的transformation都是采用的懒策略，就是如果只是将transformation提交是不会执行计算的，计算只有在action被提交的时候才被触发。下面介绍一下RDD的常见操作：（注意是dataset还是RDD）
transformation操作：
|
map(func):对调用map的RDD数据集中的每个element都使用func，然后返回一个新的RDD,这个返回的数据集是分布式的数据集 filter(func) : 对调用filter的RDD数据集中的每个元素都使用func，然后返回一个包含使func为true的元素构成的RDD flatMap(func):和map差不多，但是flatMap生成的是多个结果 mapPartitions(func):和map很像，但是map是每个element，而mapPartitions是每个partition mapPartitionsWithSplit(func):和mapPartitions很像，但是func作用的是其中一个split上，所以func中应该有index sample(withReplacement,faction,seed):抽样 union(otherDataset)：返回一个新的dataset，包含源dataset和给定dataset的元素的集合 distinct([numTasks]):返回一个新的dataset，这个dataset含有的是源dataset中的distinct的element groupByKey(numTasks):返回(K,Seq[V])，也就是hadoop中reduce函数接受的key-valuelist reduceByKey(func,[numTasks]):就是用一个给定的reduce func再作用在groupByKey产生的(K,Seq[V]),比如求和，求平均数 sortByKey([ascending],[numTasks]):按照key来进行排序，是升序还是降序，ascending是boolean类型 join(otherDataset,[numTasks]):当有两个KV的dataset(K,V)和(K,W)，返回的是(K,(V,W))的dataset,numTasks为并发的任务数 cogroup(otherDataset,[numTasks]):当有两个KV的dataset(K,V)和(K,W)，返回的是(K,Seq[V],Seq[W])的dataset,numTasks为并发的任务数 cartesian(otherDataset)：笛卡尔积就是m*n，大家懂的 |
action操作：
|
reduce(func)：说白了就是聚集，但是传入的函数是两个参数输入返回一个值，这个函数必须是满足交换律和结合律的 collect()：一般在filter或者足够小的结果的时候，再用collect封装返回一个数组 count():返回的是dataset中的element的个数 first():返回的是dataset中的第一个元素 take(n):返回前n个elements，这个士driver program返回的 takeSample(withReplacement，num，seed)：抽样返回一个dataset中的num个元素，随机种子seed saveAsTextFile（path）：把dataset写到一个text file中，或者hdfs，或者hdfs支持的文件系统中，spark把每条记录都转换为一行记录，然后写到file中 saveAsSequenceFile(path):只能用在key-value对上，然后生成SequenceFile写到本地或者hadoop文件系统 countByKey()：返回的是key对应的个数的一个map，作用于一个RDD foreach(func):对dataset中的每个元素都使用func |
在spark新版中，也许会有更多的action和transformation，可以参照spark的主页
hadoop提供的接口只有map和reduce函数，spark是mapreduce的扩展，提供两类操作，而不是两个，使使用更方便，开发时的代码量会尽量的被spark的这种多样的API减少数十倍