RDD行動算子API詳細(xì)講解

行動算子主要是將在數(shù)據(jù)集上運(yùn)行計算后的數(shù)值返回到驅(qū)動程序，從而觸發(fā)真正的計算。下面，列舉一些常用的行動算子API，如表1所示。

表1 常用的行動算子API

下面，結(jié)合具體的示例對這些行動算子API進(jìn)行詳細(xì)講解。

• count()

count()主要用于返回數(shù)據(jù)集中的元素個數(shù)。假設(shè)，現(xiàn)有一個arrRdd，如果要統(tǒng)計arrRdd元素的個數(shù)，示例代碼如下：

  scala> val arrRdd=sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize at <console>:24
  scala> arrRdd.count()
  res0: Long = 5

上述代碼中，第1行代碼創(chuàng)建了一個RDD對象，當(dāng)arrRdd調(diào)用count()操作后，返回的結(jié)果是5，說明成功獲取到了RDD數(shù)據(jù)集的元素。值得一提的是，可以將第一行代碼分解成下面兩行代碼，具體如下：

val arr = Array(1，2，3，4，5)
val arrRdd = sc.parallelize(arr)

上述代碼中，第1行代碼創(chuàng)建了一個RDD對象，當(dāng)arrRdd調(diào)用count()操作后，返回的結(jié)果是5，說明成功獲取到了RDD數(shù)據(jù)集的元素。值得一提的是，可以將第一行代碼分解成下面兩行代碼，具體如下：

val arr = Array(1，2，3，4，5)
val arrRdd = sc.parallelize(arr)

• first()

first()主要用于返回數(shù)組的第一個元素。現(xiàn)有一個arrRdd，如果要獲取arrRdd中第一個元素，示例代碼如下：

  scala> val arrRdd=sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize at <console>:24
  scala> arrRdd.first()
  res1: Int = 1

從上述結(jié)果可以看出，當(dāng)執(zhí)行arrRdd.first()操作后返回的結(jié)果是1，說明成功獲取到了第1個元素。

• take(n)

take()主要用于以數(shù)組的形式返回數(shù)組集中的前n個元素?，F(xiàn)有一個arrRdd，如果要獲取arrRdd中的前三個元素，示例代碼如下：

 scala> val arrRdd =sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize  at <console>:24
  scala> arrRdd.take(3)
  res2: Array[Int]=Array(1,2,3)

從上述代碼可以看出，執(zhí)行arrRdd.take(3)操作后返回的結(jié)果是Array(1，2，3)，說明成功獲取到了RDD數(shù)據(jù)集的前3個元素。

• reduce(func)

reduce()主要用于通過函數(shù)func（輸入兩個參數(shù)并返回一個值）聚合數(shù)據(jù)集中的元素。現(xiàn)有一個arrRdd，如果要對arrRdd中的元素進(jìn)行聚合，示例代碼如下：

 scala> val arrRdd =sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize at <console>:24
  scala> arrRdd.reduce((a,b)=>a+b)
  res3: Int = 15

在上述代碼中，執(zhí)行arrRdd.reduce((a，b)=>a+b)操作后返回的結(jié)果是15，說明成功的將RDD數(shù)據(jù)集中的所有元素進(jìn)行求和，結(jié)果為15。

• collect()

collect()主要用于以數(shù)組的形式返回數(shù)據(jù)集中的所有元素?，F(xiàn)有一個rdd，如果希望rdd中的元素以數(shù)組的形式輸出，示例代碼如下：

  scala> val arrRdd =sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize at <console>:24
  scala> arrRdd.collect()
  res4: Array[Int] = Array(1,2,3,4,5)

在上述代碼中，執(zhí)行arrRdd.collect()操作后返回的結(jié)果是Array(1，2，3，4，5)，說明成功的將RDD數(shù)據(jù)集中的元素以數(shù)組的形式輸出。

• foreach(func)

foreach()主要用于將數(shù)據(jù)集中的每個元素傳遞到函數(shù)func中運(yùn)行?，F(xiàn)有一個arrRdd，如果希望遍歷輸出arrRdd中的元素，示例代碼如下：

 scala> val arrRdd =sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize at <console>:24
  scala> arrRdd.foreach(x => println(x))  1
  2
  3
  4
  5

在上述代碼中，foreach(x => println(x))的含義是依次遍歷arrRdd中的每一個元素，把當(dāng)前遍歷的元素賦值給變量x，并且通過println(x)打印出x的值。執(zhí)行arrRdd.foreach()操作后，arrRdd中的元素被依次輸出了（即RDD數(shù)據(jù)集中所有的元素被遍歷輸出）。這里的arrRdd.foreach(x => println(x))可以簡寫為arrRdd.foreach(println)。

怎樣給RDD分區(qū)？各種模式下的分區(qū)數(shù)目設(shè)置

RDD是如何操作數(shù)據(jù)轉(zhuǎn)換的？RDD轉(zhuǎn)換算子API示例

兩種RDD的依賴關(guān)系介紹    

傳智教育Python+大數(shù)據(jù)開發(fā)