Spark处理过程-转换算子和行动算子

（一）RDD的处理过程

  RDD经过一系列的“转换”操作，每一次转换都会产生不同的RDD，以供给下一次“转换”操作使        用，直到最后一个RDD经过“行动”操作才会真正被计算处理。

1.延迟。RDD中所有的转换都是延迟的，它们并不会直接计算结果。相反，他们只是记住这些应用    到基础数据集上的转换动作。只有当发生要求返回结果给driver的动作时，这些转换才会真正运     行。
2.血缘关系。一个RDD运算之后，会产生新的RDD。

（二）转换算子
转换算子用于对 RDD 进行转换操作，生成一个新的 RDD。转换操作是惰性的，即当调用转换算子时，Spark 并不会立即执行计算，而是记录下操作步骤，直到遇到行动算子时才会触发实际的计算。

从格式和用法上来看，它就是集合对象的方法。

以下是一些常见的转换算子：

        1.map 算子
作用：对 RDD 中的每个元素应用给定的函数 f，将每个元素转换为另一个元素，最终返回一个新的 RDD。这个函数 f 接收一个输入类型为 T 的元素，返回一个类型为 U 的元素。

        2.filter 算子
作用：筛选出 RDD 中满足函数 f 条件（即 f 函数返回 true）的元素，返回一个新的 RDD，新 RDD 中的元素类型与原 RDD 相同。

格式：def filter(f: T => Boolean): RDD[T]

        3.flatMap算子
作用：对 RDD 中的每个元素应用函数 f，函数 f 返回一个可遍历的集合，然后将这些集合中的元素扁平化合并成一个新的 RDD。

格式：def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U]

4.reduceByKey 算子
reduceByKey 是 Spark 中用于处理键值对（Key - Value）类型 RDD 的一个重要转换算子。它的核心作用是对具有相同键的所有值进行聚合操作，通过用户提供的聚合函数将这些值合并成一个结果，从而实现数据的归约和统计。例如统计每个键出现的次数、计算每个键对应值的总和、平均值等。

格式：def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]

（三）行动算子
行动算子（Action） 是一种触发 RDD 计算的操作。与转换算子（Transformation）不同，行动算子会返回一个结果给驱动程序（Driver Program），或者将结果写入外部存储系统。行动算子是触发 Spark 计算的“触发点”，因为 Spark 的 RDD 是懒惰计算的，只有在执行行动算子时，才会真正开始计算。

下面介绍集中常见的行动算子。

        1. collect算子
作用：用于将分布式存储在集群中各个节点上的 RDD 元素收集到驱动程序（Driver Program）中，并以数组的形式返回。这意味着该算子会触发 Spark 作业的执行，将之前的转换操作进行实际计算，并将结果汇总到驱动程序所在的节点。

格式：def collect(): Array[T]

        2.reduce算子
作用：reduce 用于对 RDD 中的元素进行全局聚合操作，例如计算 RDD 中所有元素的总和、最大值、最小值等。在分布式计算环境中，reduce 会先在每个分区内进行局部聚合，然后将各个分区的结果进行全局聚合，最终得到一个单一的结果。

格式：def reduce(func: (T, T) => T): T

        3.count算子
作用：count 是 Spark 中的一个行动算子，用于统计 RDD 中元素的数量。它会触发 Spark 作业的实际执行，对 RDD 中的所有元素进行计数，并将最终的计数结果返回给驱动程序。例如在进行数据验证、抽样或者评估数据处理任务的复杂度时，都可能需要知道 RDD 中元素的数量

格式：def count(): Long

        4.foreach算子
作用：foreach 用于对 RDD 中的每个元素应用指定的函数。它主要用于执行一些副作用操作，比如将数据写入外部存储系统（如数据库、文件系统等），或者进行日志记录等。与其他转换算子不同，foreach 不会返回一个新的 RDD，而是直接对每个元素执行操作。

格式：def foreach(f: T => Unit): Unit