RDD[T]
Transformations
| rdd api | 备注 |
|---|---|
| persist/cache | |
| map(f: T => U) | |
| keyBy(f: T => K) | 特殊的map，提key |
| flatMap(f: T => Iterable[U]) | map的一种，类似UDTF |
| filter(f: T => Boolean) | map的一种 |
| distinct(numPartitions) | rdd的实现为 map(x => (x, null)).reduceByKey((x, y) => x, numPartitions).map(_._1) reduceByKey是特殊的combineByKey，其mergeValue函数和mergeCombiners函数一致，都是(x, y) => x |
| repartition(numPartitions)/coalesce(numPartitions) | repartition用于增减rdd分区。coalesce特指减少分区，可以通过一次窄依赖的映射避免shuffle |
| sample()/randomSplit()/takeSample() | 采样 |
| union(RDD[T]) | 不去重。使用distinct()去重 |
| sortBy[K](f: (T) => K) | 传入的f是提key函数，rdd的实现为 keyBy(f).sortByKey().values() 这次操作为RDD设置了一个RangePartitioner |
| intersection(RDD[T]) | 两个集合取交集，并去重。RDD的实现为 map(v => (v, null)).cogroup(other.map(v => (v, null))).filter(两边都空).keys() cogroup是生成K, List[V], List[V]的形态，这个过程可能内含一次shuffle操作，为了两边RDD的分区对齐。 |
| glom():RDD[Array[T]] | 把每个分区的数据合并成一个Array。原本每个分区是T的迭代器。 |
| cartesian(RDD[U]): RDD[(T, U)] | 求两个集合的笛卡尔积。RDD的做法是两个RDD内循环、外循环yield出每对(x, y) |
| groupBy[K](f: T => K): RDD[(K, Iterable[T])] | RDD建议如果后续跟agg的话，直接使用aggregateByKey或reduceByKey更省时，这两个操作本质上就是combineByKey |
| pipe(command: String) | 把RDD数据通过ProcessBuilder创建额外的进程输出走 |
| mapPartitions(f: Iterator[T] => Iterator[U])/mapPartitionsWithIndex(f: (Int, Iterator[T]) => Iterator[U]) | RDD的每个分区做map变换 |
| zip(RDD[U]): RDD[(T, U)] | 两个RDD分区数目一致，且每个分区数据条数一致 |
Actions
| rdd api | 备注 |
|---|---|
| foreach(f: T => Unit) | rdd实现为调用sc.runJob()，把f作用于每个分区的每条记录 |
| foreachPartition(f: Iterator[T] => Unit) | rdd实现为调用sc.runJob()，把f作用于每个分区 |
| collect(): Array[T] | rdd实现为调用sc.runJob()，得到results，把多个result的array合并成一个array |
| toLocalIterator() | 把所有数据以迭代器返回，rdd实现是调用sc.runJob()，每个分区迭代器转array，收集到driver端再flatMap一次打散成大迭代器。理解为一种比较特殊的driver端cache |
| collect[U](f: PartailFunction[T, U]): RDD[U] | rdd实现为filter(f.isDefinedAt).map(f) 先做一次filter找出满足的数据，然后一次map操作执行这个偏函数。 |
| subtract(RDD[T]) | rdd实现为map(x => (x, null)).subtractByKey(other.map((_, null)), p2).keys 与求交类似 |
| reduce(f: (T, T) => T) | rdd实现为调用sc.runJob()，让f在rdd每个分区计算一次，最后汇总merge的时候再计算一次。 |
| treeReduce(f: (T, T) => T, depth = 2) | 见treeAggregate |
| fold(zeroValue: T)(op: (T, T) => T) | 特殊的reduce，带初始值，函数式语义的fold |
| aggregate(zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U) | 带初始值、reduce聚合、merge聚合三个完整条件的聚合方法。rdd的做法是把函数传入分区里去做计算，最后汇总各分区的结果再一次combOp计算。 |
| treeAggregate(zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U)(depth = 2) | 在分区处，做两次及以上的merge聚合，即每个分区的merge计算可能也会带shuffle。其余部分同aggregate。理解为更复杂的多阶aggregate |
| count() | rdd实现为调用sc.runJob()，把每个分区的size汇总在driver端再sum一次 |
| countApprox(timeout, confidence) | 提交个体DAGScheduler特殊的任务，生成特殊的任务监听者，在timeout时间内返回，没计算完的话返回一个大致结果，返回值的计算逻辑可见ApproximateEvaluator的子类 |
| countByValue(): Map[T, Long] | rdd实现为map(value => (value, null)).countByKey() 本质上是一次简单的combineByKey，返回Map，会全load进driver的内存里，需要数据集规模较小 |
| countByValueApprox() | 同countApprox() |
| countApproxDistinct() | 实验性方法，用streamlib库实现的HyperLogLog做 |
| zipWithIndex(): RDD[(T, Long)]/zipWithUniqueId(): RDD[(T, Long)] | 与生成的index做zip操作 |
| take(num): Array[T] | 扫某个分区 |
| first() | 即take(1) |
| top(n)(ordering) | 每个分区内传入top的处理函数，得到分区的堆，使用rdd.reduce()，把每个分区的堆合起来，排序，取前n个 |
| max()/min() | 特殊的reduce，传入max/min比较函数 |
| saveAsXXXXX | 输出存储介质 |
| checkpoint | 显示cp声明 |
特殊RDD
PairRDDFunctions
| rdd api | 备注 |
|---|---|
| combineByKey[C](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C): RDD[(K, C)] | 传统MR定义拆分，重要基础api |
| aggregateByKey[U](zeroValue: U, seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)] | rdd里，把zeroValue转成了一个createCombiner方法，然后调用了combineByKey()。本质上两者是一样的。 |
| foldByKey(zeroValue: V, func: (V, V) => V): RDD[(K, V)] | func即被当作mergeValue，又被当作mergeCombiners，调用了combineByKey() |
| sampleByKey() | 生成一个与key相关的sampleFunc，调用rdd.mapPartitionsWithIndex(sampleFunc) |
| reduceByKey() | 调用combineByKey |
| reduceByKeyLocally(func: (V, V) => V): Map[K, V] | rdd实现为self.mapPartitions(reducePartition).reduce(mergeMaps) reducePartition是在每个分区生成一个HashMap，mergeMaps是合并多个HashMap |
| countByKey() | rdd实现为mapValues(_ => 1L).reduceByKey(_ + _).collect().toMap |
| countByKeyApprox() | rdd实现为map(_._1).countByValueApprox |
| countApproxDistinctByKey() | 类似rdd的countApproxDistinct方法，区别是把方法作用在了combineByKey里面 |
| groupByKey() | 简单的combineByKey实现 |
| partitionBy(partitioner) | 为rdd设置新的分区结构 |
| join(RDD[(K, W)]): RDD[(K, (V, W))] | rdd实现为cogroup(other, partitioner).flatMapValues(...) |
| leftOuterJoin(…) | 实现同上，只是flatMapValues里面遍历两个rdd，yield出结果的判断逻辑变了下 |
| rightOuterJoin(…) | 同上 |
| fullOuterJoin(…) | 同上 |
| collectAsMap() | rdd实现为collect().foreach(pairToMap) |
| mapValues(f: V => U) | 一种简单的map()操作 |
| flatMapValues(f: V => Iterable[U]) | 一种简单的map()操作 |
| cogroup(RDD[(K, W)]): RDD[(K, (Iterable[V], Iterable[W]))] | 做集合性操作的基础api，包括各种join、求交等 |
| subtractByKey(RDD[(K, W)]): RDD[(K, V)] | 从原来的rdd里排除右侧有的keys |
| lookup(key: K): Seq[V] | rdd实现的时候，然后分区是基于key的，那比较高效可以直接遍历对应分区，否则全部遍历。全部遍历的实现为filter(_._1 == key).map(_._2).collect() |
| saveAsXXX | 写外部存储 |
| keys() | 一种简单的map()操作 |
| values() | 一种简单的map()操作 |
AsyncRDDActions
countAsync, collectAsync, takeAsync, foreachAsync, foreachPartitionAsync
OrderedRDDFunctions
针对RDD[K: Ordering, V]
| rdd api | 备注 |
|---|---|
| sortByKey() | 见rdd.sortBy()里的解释 |
| filterByRange(lower: K, upper: K) | 当rdd分区是RangePartition的时候可以做这样的filter |
DoubleRDDFunctions
针对RDD[Double]
| rdd api | 备注 |
|---|---|
| sum() | rdd实现是reduce(_ + _) |
| stats() | rdd实现是mapPartitions(nums => Iterator(StatCounter(nums))).reduce((a, b) => a.merge(b)) StatCounter在一次遍历里统计出中位数、方差、count三个值，merge()是他内部的方法 |
| mean() | rdd实现是stats().mean |
| variance()/sampleVariance() | rdd实现是stats().variance |
| stdev()/sampleStdev() | rdd实现是stats().stdev 求标准差 |
| meanApprox()/sumApprox() | 调用runApproximateJob |
| histogram() | 比较复杂的计算，rdd实现是先mapPartitions再reduce，包含几次递归 |