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

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

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

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

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