行动算子

行动算子主要是将在数据集上运行计算后的数值返回到驱动程序，从而触发真正的计算。下面，列举一些常用的行动算子API，如表1所示。

表1 常用的行动算子API

下面，结合具体的示例对这些行动算子API进行详细讲解。

• count()

count()主要用于返回数据集中的元素个数。假设，现有一个arrRdd，如果要统计arrRdd元素的个数，示例代码如下：

  scala> val arrRdd=sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize at <console>:24
  scala> arrRdd.count()
  res0: Long = 5

上述代码中，第1行代码创建了一个RDD对象，当arrRdd调用count()操作后，返回的结果是5，说明成功获取到了RDD数据集的元素。值得一提的是，可以将第一行代码分解成下面两行代码，具体如下：

val arr = Array(1，2，3，4，5)
val arrRdd = sc.parallelize(arr)

• first()

first()主要用于返回数组的第一个元素。现有一个arrRdd，如果要获取arrRdd中第一个元素，示例代码如下：

  scala> val arrRdd=sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize at <console>:24
  scala> arrRdd.first()
  res1: Int = 1

从上述结果可以看出，当执行arrRdd.first()操作后返回的结果是1，说明成功获取到了第1个元素。

• take(n)

take()主要用于以数组的形式返回数组集中的前n个元素。现有一个arrRdd，如果要获取arrRdd中的前三个元素，示例代码如下：

 scala> val arrRdd =sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize  at <console>:24
  scala> arrRdd.take(3)
  res2: Array[Int]=Array(1,2,3)

从上述代码可以看出，执行arrRdd.take(3)操作后返回的结果是Array(1，2，3)，说明成功获取到了RDD数据集的前3个元素。

• reduce(func)

reduce()主要用于通过函数func（输入两个参数并返回一个值）聚合数据集中的元素。现有一个arrRdd，如果要对arrRdd中的元素进行聚合，示例代码如下：

 scala> val arrRdd =sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize at <console>:24
  scala> arrRdd.reduce((a,b)=>a+b)
  res3: Int = 15

在上述代码中，执行arrRdd.reduce((a，b)=>a+b)操作后返回的结果是15，说明成功的将RDD数据集中的所有元素进行求和，结果为15。

• collect()

collect()主要用于以数组的形式返回数据集中的所有元素。现有一个rdd，如果希望rdd中的元素以数组的形式输出，示例代码如下：

  scala> val arrRdd =sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize at <console>:24
  scala> arrRdd.collect()
  res4: Array[Int] = Array(1,2,3,4,5)

在上述代码中，执行arrRdd.collect()操作后返回的结果是Array(1，2，3，4，5)，说明成功的将RDD数据集中的元素以数组的形式输出。

• foreach(func)

foreach()主要用于将数据集中的每个元素传递到函数func中运行。现有一个arrRdd，如果希望遍历输出arrRdd中的元素，示例代码如下：

 scala> val arrRdd =sc.parallelize(Array(1,2,3,4,5))
  arrRdd: org.apache.spark.rdd.RDD[Int]=
ParallelcollectionRDD[0] at parallelize at <console>:24
  scala> arrRdd.foreach(x => println(x))
  1
  2
  3
  4
  5

在上述代码中，foreach(x => println(x))的含义是依次遍历arrRdd中的每一个元素，把当前遍历的元素赋值给变量x，并且通过println(x)打印出x的值。执行arrRdd.foreach()操作后，arrRdd中的元素被依次输出了（即RDD数据集中所有的元素被遍历输出）。这里的arrRdd.foreach(x => println(x))可以简写为arrRdd.foreach(println)。