本文由cmd markdown編輯，原始鏈接：https://www.zybuluo.com/jewes/note/35032
RDD是什么？
RDD是Spark中的抽象數據結構類型，任何數據在Spark中都被表示為RDD。從編程的角度來看，
RDD可以簡單看成是一個數組。和普通數組的區別是，RDD中的數據是分區存儲的，這樣不同分區的數據就可以分布在不同的機器上，同時可以被並行處理。因此,spark應用程序所做的無非是把需要處理的數據轉換成RDD，然后對RDD進行一系列的變換和操作從而得到結果。本文為第一部分，將介紹Spark RDD中與Map和Reduce相關的API。
如何創建RDD?
RDD可以從普通數組創建出來，也可以從文件系統或者HDFS中的文件創建出來。
方式(一)：舉例：從普通數組創建RDD,里面包含了1到9這9個數字，他們分別在3個分區中。
scala>val a=sc.parallelize(1 to 9, 3) a:org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[1] at parallelize at <console>:12
方式(二):舉例：讀取文件README.md來創建RDD,文件中的每一行就是RDD中的一個元素
scala> val b = sc.textFile("README.md") b: org.apache.spark.rdd.RDD[String] = MappedRDD[3] at textFile at <console>:12
Text file RDDs的創建可以使用SparkContext的textFile方法。該方法接受一個文件的URI地址(或者是機器上的一個本地路徑，或者是一個hdfs://，等URI)作為參數，並讀取文件的一行數據，放入集合中。下面是一個調用例子：
scala>val distFile = sc.textFile("data.txt") distFile:RDD[String]= MappedRDD@1D4CEE08
一旦創建完成，就可以在distFile上執行數據集操作。例如：想要對所有行的長度進行求和，我們就可以通過如下的map和reduce操作來完成：
distFile.map(s =>s.length).reduce((a+b) =>a+b)
雖然還有別的方式可以創建RDD,但在本文中我們主要使用上述兩種方式來創建RDD以說明RDD的API.
map
map是對RDD中的每個元素都執行一個指定的函數來產生一個新的RDD。任何原RDD中的元素在新RDD中都有且只有一個元素與之對應。
舉例：
scala>val a = sc.paralleize(1 to 9, 3) scala>val b = a.map(x=>x*2) scala>a.collect res10:Array[Int] = Array(1,2,3,4,5,6,7,8,9) scala>b.collect res11:Array[Int] = Array(2,4,6,8,10,12,14,16,18)
上述例子中把原RDD中每個元素都乘以2來產生一個新的RDD。
mapPartitions
mapPartitions是map的一個變種。map的輸入函數是應用於RDD中每個元素，而mapPartitions的輸入函數是應用於每個分區，也就是把每個分區中的內容作為整體來處理的。
它的函數定義為：
def mapPartitions[U:ClassTag](f:Iterator[T] =>Iterator[U],preserversPartitioning:Boolean=false:RDD[U])
f即為輸入函數，它處理每個分區里面的內容。每個分區中的內容將以Iterator[T]傳遞給輸入函數f，f的輸出結果是Iterator[U]。最終的RDD由所有分區經過輸入函數處理后的結果合並起來的。
舉例：
scala>val a = sc.parallelize(1 to 9,3) scala>def myfunc[T](iter:Iterator[T]:Iterator[(T,T)] = { var res = List[(T,T)]() var pre = iter.next.while(iter,hasNext){ val cur = iter.next; res.::=(pre,cur) pre = cur; } res.iterator }) scala>a.mapPartitions(myfunc).collect res0:Array[(Int,Int)] = Array((2,3),(1,2),(5,6),(4,5),(8,9),(7.8))
上述例子中的函數myfunc是把分區中一個元素和它的下一個元素組成一個Tuple。因為分區中最后一個元素沒有下一個元素了，所以(3,4)和(6,7)不在結果中。
mapPartitions還有些變種，比如mapPartitionsWithContext，它能把處理過程中的一些狀態信息傳遞給用戶指定的輸入函數。還有mapPartitionsWithIndex，它能把分區的index傳遞給用戶指定的輸入函數。
mapValuesmapValues顧名思義就是輸入函數應用於RDD中key-value的Value。原RDD中的key保持不變，與新的value一起組成新的RDD中的元素。因此，該函數只適用於元素為KV對的RDD.
scala>val a = sc.parallelize(List("dog","tiger","lion","cat","panther","eagle"),2) scala>val b =a.map(x=>(x.length,x)) scala>b.mapValues("x"+_+"x").collect res5:Array[(Int,String)] = Array((3,xdogx),(5,xtigerx),(4,xlions),(3,xcatx),(7,xpantherx),(5,xeaglex))
mapWith
mapWth是map的另外一個變種，map只需要一個輸入函數,而mapWth有兩個輸入函數。它的定義如下：def mapWith[A: ClassTag, U: ](constructA: Int => A, preservesPartitioning: Boolean = false)(f: (T, A) => U): RDD[U]
- 第一個函數constructA是把RDD的partition index（index從0開始）作為輸入，輸出為新類型A；
- 第二個函數f是把二元組(T, A)作為輸入（其中T為原RDD中的元素，A為第一個函數的輸出），輸出類型為U。
舉例：把partition index乘以10，然后加上2作為新的RDD的元素。
val x = sc.parallelize(List(1,2,3,4,5,6,7,8,9,10),3) x.mapWith(a=>a*10)((a,b)=>(b+2)).collect res4:Array[Int] = Array(2,2,2,12,12,12,22,22,22,22)
flatMap
與map類似，區別是原RDD中的元素經map處理后只能生產一個元素，而原RDD中的元素經flatmap處理后可生成多個元素來構建新RDD。
舉例：對原RDD中的每個元素x產生y個元素（從1到y，y為元素x的值）
scala>val a = sc.parallelize(1 to 4,2) scala>val b = a.flatMap(x=>1 to x) scala>b.collect res12:Array[Int] =Array(1,1,2,1,2,3,1,2,3,4)
flatMapWith
flatMapWith與mapWith很類似，都是接收兩個函數，一個函數把partitionIndex作為輸入，輸出是一個新類型A；另外一個函數是以二元組（T,A）作為輸入，輸出為一個序列，這些序列里面的元素組成了新的RDD。它的定義如下：
def flatMapWith[A: ClassTag, U: ClassTag](constructA: Int => A, preservesPartitioning: Boolean = false)(f: (T, A) => Seq[U]): RDD[U]
舉例：
scala> val a = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 3) scala> a.flatMapWith(x => x, true)((x, y) => List(y, x)).collect res58: Array[Int] = Array(0, 1, 0, 2, 0, 3, 1, 4, 1, 5, 1, 6, 2, 7, 2, 8, 2, 9)
flatMapValues
flatMapValues類似於mapValues，不同的在於flatMapValues應用於元素為KV對的RDD中Value。每個一元素的Value被輸入函數映射為一系列的值，然后這些值再與原RDD中的Key組成一系列新的KV對。
舉例
scala> val a = sc.parallelize(List((1,2),(3,4),(3,6))) scala> val b = a.flatMapValues(x=>x.to(5)) scala> b.collect res3: Array[(Int, Int)] = Array((1,2), (1,3), (1,4), (1,5), (3,4), (3,5))
上述例子中原RDD中每個元素的值被轉換為一個序列（從其當前值到5），比如第一個KV對(1,2), 其值2被轉換為2，3，4，5。然后其再與原KV對中Key組成一系列新的KV對(1,2),(1,3),(1,4),(1,5)。
reduce
reduce將RDD中元素兩兩傳遞給輸入函數，同時產生一個新的值，新產生的值與RDD中下一個元素再被傳遞給輸入函數直到最后只有一個值為止。
舉例
scala> val c = sc.parallelize(1 to 10) scala> c.reduce((x, y) => x + y) res4: Int = 55
上述例子中對RDD中的元素求和。
reduceByKey
顧名思義，reduceByKey就是對元素為KV對的RDD中Key相同的元素的Value進行reduce，因此，Key相同的多個元素的值被reduce為一個值，然后與原RDD中的Key組成一個新的KV對。
舉例:
scala> val a = sc.parallelize(List((1,2),(3,4),(3,6))) scala> a.reduceByKey((x,y) => x + y).collect res7: Array[(Int, Int)] = Array((1,2), (3,10))
上述例子中，對Key相同的元素的值求和，因此Key為3的兩個元素被轉為了(3,10)。