RDD动作算子(action)

RDD的动作算子

• reduce(func)

  通过func函数聚集RDD中的所有元素，这个功能必须是可交换且可并联的。（符合结合律和交换律），func输入为两个元素，返回为一个元素。

    def add(x,y):
        return x+y
  
    sc.parallelize([1, 2, 3, 4, 5]).reduce(add)
    #结果
    15

• collect()

  以列表的形式返回数据集的所有元素

    sc.parallelize([1, 2, 3, 4, 5]).collect()
    #结果
    [1,2,3,4,5]

• count()

  返回RDD的元素个数

    sc.parallelize([2, 3, 4]).count()
    #结果
    3

• first()

  返回RDD的第一个元素（类似与take（1））

    sc.parallelize([2,3,4]).first()
    #结果
    2

• take(n)

  返回一个由数据集的前n个元素组成的数组

    sc.parallelize([1,2,3,4,5]).take(3)
    #结果
    [1,2,3]

• foreach(func)

  将一个函数应用于此RDD的所有元素。

    def f(x):
        print(x)
  
    sc.parallelize([1,2,3]).foreach(f)
    #结果
    1
    2
    3

• top(num)

  返回RDD内部元素的前n个最大值

    sc.parallelize([2,3,4]).top(2)
    #结果
    [4,3]

• saveAsTextFile(path)

  将数据集的元素以textfile的形式保存到HDFS文件系统或者其他支持的文件系统，对于每个元素，Spark将会调用toString方法，将它装换为文件中的文本

    sc.parallelize([2,3,4]).saveAsTextFile('/home/hadoop/0444')
  
    cd 0444/
    cat part-00000
    #结果
    2
    3
    4

• aggregate(zeroValue, seqOp, combOp)

操作的初始值是zeroValue，seqOp是聚合各分区中的元素，combop是将聚合各分区中元素的结果再次进行聚合

rdd1 = sc.parallelize([1,2,3,4,5],2)
result2 = rdd1.aggregate(0,lambda x,y:max(x,y),lambda x,y:x+y)
print(result2)

result3 = rdd1.aggregate(0,lambda x,y:x+y,lambda x,y:x+y)
print(result3)

result4 = rdd1.aggregate(10,lambda x,y:max(x,y),lambda x,y:x+y)
print(result4)

rdd1 = sc.parallelize(["a","b","c","d","e","f"],2)
result5 = rdd1.aggregate("",lambda x,y:x+y,lambda x,y:x+y)
print(result5)

result6 = rdd1.aggregate("|",lambda x,y:x+y,lambda x,y:x+y)
print(result6)

rdd7=sc.parallelize(["12","23","345","4567"],2)
rdd7.aggregate('',lambda x,y:max(len(str(x)),len(str(y))),lambda x,y:str(x)+str(y))