reduce(f:(T,T)=>T)
1. 作用：通过func函数聚集RDD中的所有元素，先聚合分区内数据，再聚合分区间数据
2.创建一个RDD针对里面的元素进行累加计算获取结果
val rdd=sc.makeRDD(1 to 10)
rdd.reduce(_ + _)
count()
1.作用：在驱动程序中，以数组的形式返回数据集的所有元素
2. 需求：创建一个RDD，并将RDD内容收集到Driver端打印
val rdd=sc.makeRDD(1 to 10)
rdd.count()
结果:
10
first()
1. 作用：返回RDD中的第一个元素
2.创建一个RDD,获取里面的第一个元素调用first函数返回第一个元祖,底层调用的就是take()函数
val rdd2=sc.makeRDD(Arrray(("qiuxiang",1),("tangbohu",3),("huangrong",3)))
rdd2.first()
结果:
("qiuxiang",1)
take(num: Int)
1. 作用：返回一个由RDD的前n个元素组成的数组,
2.创建一个RDD,获取里面的第一个元素调用first函数返回第一个元祖
val rdd2=sc.makeRDD(Arrray(("qiuxiang",1),("tangbohu",3),("huangrong",3)))
rdd2.take(3)
结果:
("qiuxiang",1),("tangbohu",3),("huangrong",3
takeOrdered(num:Int)&& top(num:Int)
1. 作用：返回该RDD排序后的前n个元素组成的数组,内部涉及排序默认是升序,top是降序
2.创建一个RDD,获取里面的第一个元素调用takeOrdered算子
val rdd=sc.makeRDD(Array(1,90,23,10,11,88,23,-1))
rdd.takeOrdered(3)
rdd.top(3)
结果:
Aarray(-1, 1, 10)
Array(90, 88, 23)
aggregat[U: ClassTag]((zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U))
0.参数(zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U)
1.作用：aggregate函数将每个分区里面的元素通过seqOp和初始值进行聚合(即第一个参数的作用)，然后用combine函数将每个分区的结果和初始值(zeroValue)进行combine操作。这个函数最终返回的类型不需要和RDD中元素类型一致 为了更好的理解这个这个算子的作用我们下面进行一个简单的操作
2.需求:创建一个RDD指定RDD由Array（num:Int）,2个分区组成计算这个RDD元素的值
val rdd=sc.makeRDD(Array(10,29,90,11,24,10),2)
rdd.aggregate(0)((x:Int,y:Int)=>(x+y),(x:Int,y:Int)=>(x+y))
结果 ：174
上面结果其实没有问题但是如果将初始值改成10的话
rdd.aggregate(10)((x:Int,y:Int)=>(x+y),(x:Int,y:Int)=>(x+y))
结果:204
204的计算结果是是怎么算出来的呢?
我们这里计算的有两个分区aggregat（）算子,是先分区内计算,再分区之间计算，然后再分区数计算
p0 （10,20,90） p0分区内的数据计算结果是10+10+20+90=139
p1 （11,24,10 ） p1分区内的数据计算结果是: 10+11+24+10=55
p0 p1 两个分区 计算结果为:10
最终结果是:139+55+10=204
fold(zeroValue:T)(op: (T, T) =>T)
1. 作用：折叠操作，aggregate的简化操作，seqop和combop一样
2.val rdd=sc.makeRDD(Array(10,29,90,11,24,10),2)
rdd.fold(0)(_+_)
结果:174
saveAsTextFile(path:String)
1.作用：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
saveAsSequenceFile(path:String)
作用：将数据集中的元素以Hadoop sequencefile的格式保存到指定的目录下，可以使HDFS或者其他Hadoop支持的文件系统
saveAsObjectFile(path:String)
作用：用于将RDD中的元素序列化成对象，存储到文件中
countByKey()
1. 作用：针对(K,V)类型的RDD，返回一个(K,Int)的map，表示每一个key对应的元素个数。
2.创建一个PairRDD，统计每种key的个数
val rdd= sc.makRDD(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
rdd.countByKey
结果:Map(3 -> 2, 1 -> 3, 2 -> 1)
foreach[U](f:A =>U)
1. 作用：在数据集的每一个元素上，运行函数func进行更新
需求：创建一个RDD，对每个元素进行打印
val rdd= sc.makRDD(List((1,3),(1,2),(1,4),(2,3),(3,6),(3,8)),3)
rdd.foreach(t=>{print(t._1+"--"+t._2)})
结果:1--3 1--2 1--4 2--3 3--6 3--8
