Spark之pyspark转换函数

0、前言

 本文列举5个常见的RDD转换函数：

操作	含义
filter(func)	筛选出满足函数func的元素，并返回一个新的数据集
map(func)	将每个元素传递到函数func中，并将结果返回一个新的数据集
flatMap(func)	与map类似，但每个输入元素都可以映射到0个或多个输出结果
groupByKey()	应用于(K, V)键值对的数据集时，返回一个新的(K, Iterable)形式的数据集
reduceByKey(func)	应用于(K, V)键值对的数据集时，返回一个新的(K, V)形式的数据集，其中每个值是将每个key传递到函数func中进行聚合后的结果

1、filter(func)

word.txt:
Hadoop is good
Spark is better
Spark is fast

# sc.textFile('word.txt')是创建RDD对象的一种方式，可以是打开本地文件，可以是打开HDFS文件，也可以是打开云端文件
# 另一种创建RDD对象的方式是并行化数组或集合，eg：sc.parallelize([1, 2, 3, 4, 5])
lines = sc.textFile('word.txt')
linesWithSpark = lines.filter(lambda line : 'Spark' in line)
# collect是动作函数，作用是返回RDD中的数据，以list形式
linesWithSpark.collect()

输出：

Spark is better
Spark is fast

2、map(func)

eg1:

rdd1 = sc.parallelize([1, 2, 3, 4, 5])
rdd2 = rdd1.map(lambda x:x + 10)
rdd2.collect()

输出：

11
12
13
14