浅谈Spark算子

Posted 2020-10-20

RDD的操作类型分为两类：

? Transformation，根据原有的RDD创建一个新的RDD

? actions，对RDD操作后把结果返回给driver

  Transfrmation操作是延迟的，也就是说从一个RDD转换到另一个RDD的转换不是马上执行的，需要等到有Action操作的时候才会真正触发运算。

  Action会触发Spark提交作业，并将数据输出spark系统。

从小方向来说，Spark 算子大致可以分为以下三类:

　　（1）Value数据类型的Transformation算子，这种变换并不触发提交作业，针对处理的数据项是Value型的数据。
　　（2）Key-Value数据类型的Transfromation算子，这种变换并不触发提交作业，针对处理的数据项是Key-Value型的数据对。

　　（3）Action算子，这类算子会触发SparkContext提交Job作业。

      例如map是一个转换，他把RDD中的数据经过一系列的转换后转换成一个新的RDD，而reduce则是一个action，它收集RDD所有的数据经过一系列的处理，最后把结果传递给driver。

  RDD的所有转换操作都是lazy模式的，即Spark不会立马计算出结果，而是记住所有对数据集的转换操作，这些转换只有遇到action的时候才会开始计算。这样的设计使得spark更加高效。例如，对一个数据做一次map操作后进行reduce操作，只有reduce的结果返回给driver，而不是把数据量更大的map操作后传递给driver。

1.1 Transformation

  transformation返回一个新的RDD方式有很多，如从数据源生成一个新的RDD，从RDD生成一个新的RDD。所有的transformation都是采用的懒策略，就是只将transformation提交是不会执行的。

   详情参考：http://spark.apache.org/docs/latest/rdd-programming-guide.html

1.2   Action

     Action是得到一个值，或者一个结果。计算只有在action被提交的时候才被触发。

欢迎关注个人微信公众号：大数据and机器学习(CLbigdata）