map算子返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成（）

SparkRdd使用Transformation算子会销毁上一个rdd（） reduceByKey算子在一个（K，V）的RDD上调用，返回一个（K，V）的RDD，使用指定的reduce函数，将相同key的值聚合到一起 RDD的flatMap操作是将函数应用于RDD之中的每一个元素，将返回的迭代器(数组、列表等)中的所有元素构成新的RDD。() Spark Streming中()函数可以通过对源DStream的每RDD应用RDD-to-RDD函数返回一个新的DStream，这可以用来在DStream做任意RDD操作。 RDD的subtract用于用于将前一个RDD 中在后一个RDD 出现的元素删除。() RDD的subtract用于用于将前一个RDD中在后一个RDD出现的元素删除。() mapPartitions算子类似于map，但独立地在RDD的每一个分片上运行，因此在类型为T的RDD上运行时，func的函数类型必须是Iterator[T]=>Iterator[U] join算子在类型为（K,V）和（K,W）的RDD上调用，返回一个相同key对应的所有元素对在一起的（K,（V,W））的RDD（） Action是RDD的算子的一个类型，不可以将结果写入（） count算子返回RDD的元素个数 RDD是一个()的数据结构 spark中的rdd是一个（）数据集 PairRDD的()方法，可以把两个RDD中键相同的元素组合在一起，合并为一个RDD。 Spark Streming中()函数可以使用func将源DStream中的每个元素进行聚合操作，返回一个内部所包含的RDD只有一个元素的新DStream Spark RDD是惰性求值的，如果需要对一个RDD多次使用，那么调用行动操作时每次都需要重复计算RDD以及它的依赖。() RDD的map操作不会改变RDD的分区数目。() dataFrame和RDD类似，也是一个分布式数据容器（） 与RDD类似，DataFrame也是一个分布式数据容器 当需要将一个普通的RDD转化为一个PairRDD时可以使用()函数来进行操作 flatMap类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）,所有元素会被压瘪（）