专业做网站开发公司网络工程师是干什么的

RDD转换算子

RDD 根据数据处理方式的不同将算子整体上分为 Value 类型、双 Value 类型和 Key-Value 类型。

Value类型：
map算子:用于映射转换，可以进行类型转换和值转换。

mapPartitions算子:在分区基础上进行映射，可以并行处理数据，提高处理速度，但可能占用更多内存。

mapPartitionsWithIndex算子：将待处理的数据以分区为单位发送到计算节点进行处理，这里的处理是指可以进行任意的处理，哪怕是过滤数据，在处理时同时可以获取当前分区索引。

flatMap算子:先扁平化数据再映射，适用于嵌套数据的处理。

glom算子：将同一个分区的数据直接转换为相同类型的内存数组进行处理，分区不变。

groupBy算子:根据指定规则进行分组，可能导致数据在不同分区之间重新分布。
flter算子:根据指定规则筛选数据，分区不变但数据分布可能不均衡。
sample算子:根据指定概率抽取数据，可以设置放回和不放回。
distinct算子:去重操作，可以选择是否分区。
coalesce算子:缩减分区数量，提高小数据集的执行效率。
repartition算子:调整分区数量，可以增加或减少分区。
sortBy算子:对数据进行排序，可以选择升序或降序，并指定分区数量。

区别：

map 和 mapPartitions 的区别：

数据处理角度：

Map 算子是分区内一个数据一个数据的执行，类似于串行操作。而 mapPartitions 算子是以分区为单位进行批处理操作。

功能的角度：

Map 算子主要目的将数据源中的数据进行转换和改变。但是不会减少或增多数据。MapPartitions 算子需要传递一个迭代器，返回一个迭代器，没有要求的元素的个数保持不变，所以可以增加或减少数据

性能的角度：

Map 算子因为类似于串行操作，所以性能比较低，而是 mapPartitions 算子类似于批处理，所以性能较高。但是 mapPartitions 算子会长时间占用内存，那么这样会导致内存可能不够用，出现内存溢出的错误。所以在内存有限的情况下，不推荐使用。使用 map 操作。

map和flatMap的区别：

map会将每一条输入数据映射为一个新对象。

flatMap包含两个操作：会将每一个输入对象输入映射为一个新集合，然后把这些新集合连成一个大集合。

双Value类型：

intersection算子:对源 RDD 和参数 RDD 求交集后返回一个新的 RDD。
union算子:对源 RDD 和参数 RDD 求并集后返回一个新的 RDD（重复数据不会去重）。
subtract算子:求两个RDD的差集，以第一个RDD为主，去掉重复元素（求差集）。
zip算子:将两个RDD的数据按位置配对，组成键值对形式，其中，键值对中的 Key 为第 1 个 RDD中的元素，Value 为第 2 个 RDD 中的相同位置的元素。

Key-Value类型：

partitionBy：将数据按照指定 Partitioner 重新进行分区。Spark 默认的分区器是 HashPartitioner。

groupByKey：将数据源的数据根据 key 对 value 进行分组。

reduceByKey：可以将数据按照相同的 Key 对 Value 进行聚合。

aggregateByKey：将数据根据不同的规则进行分区内计算和分区间计算。

foldByKey：当分区内计算规则和分区间计算规则相同时，aggregateByKey 就可以简化为 foldByKey。

combineByKey：最通用的对 key-value 型 rdd 进行聚集操作的聚集函数（aggregation function）。类似于aggregate()，combineByKey()允许用户返回值的类型与输入不一致。

区别：

reduceByKey 和 groupByKey 的区别：

从 shuffle 的角度：

reduceByKey 和 groupByKey 都存在 shuffle 的操作，但是 reduceByKey可以在 shuffle 前对分区内相同 key 的数据进行预聚合（combine）功能，这样会减少落盘的数据量，而 groupByKey 只是进行分组，不存在数据量减少的问题，reduceByKey 性能比较高。

从功能的角度：

reduceByKey 其实包含分组和聚合的功能。GroupByKey 只能分组，不能聚合，所以在分组聚合的场合下，推荐使用 reduceByKey，如果仅仅是分组而不需要聚合。那么还是只能使用 groupByKey。

reduceByKey、foldByKey、aggregateByKey、combineByKey 的区别：

reduceByKey:

相同 key 的第一个数据不进行任何计算，分区内和分区间计算规则相同

FoldByKey:

每一个key 对应的数据和初始值进行分区内计算，分区内和分区间计算规则相同。

AggregateByKey：

每一个 key 对应的数据和初始值进行分区内计算，分区内和分区间计算规则可以不相同。

CombineByKey:

当计算时，发现数据结构不满足要求时，可以让第一个数据转换结构。分区内和分区间计算规则不相同。