1.reduce?

功能?：聚集RDD中的所有元素，先聚合分區內數據，再聚合分區間數據。

示例?：rdd.reduce(_+_)?將RDD中的所有整數相加。

2.collect?

功能?：在驅動程序中，以數組Array的形式返回數據集的所有元素。

示例?：rdd.collect()?返回RDD中所有元素的數組。

3.foreach?

功能?：分布式遍歷RDD中的每一個元素，調用指定函數。

示例?：rdd.collect().foreach(println)?先收集RDD元素，然后逐個打印。

4.count?

功能?：返回RDD中元素的個數。

示例?：rdd.count()?返回RDD中的元素數量。

5.first?

功能?：返回RDD中的第一個元素。

示例?：rdd.first()?返回RDD中的第一個元素。

6.take?

功能?：返回一個由RDD的前n個元素組成的數組。

示例?：rdd.take(2)?返回RDD中的前兩個元素組成的數組。

7.takeOrdered?

功能?：返回RDD排序后的前n個元素組成的數組。

示例?：rdd.takeOrdered(2)?返回RDD中排序后的前兩個元素。

8.aggregate?

功能?：分區的數據通過初始值和分區內的數據進行聚合，然后再和初始值進行分區間的數據聚合。

示例?：rdd.aggregate(0)(_+_, _+_)?將RDD的所有元素相加。

9.fold?

功能?：折疊操作，aggregate的簡化版操作。

示例?：rdd.fold(0)(_+_)?將RDD的所有元素相加，與aggregate的示例類似但更簡潔。

10.countByKey?

功能?：統計每種key的個數，適用于RDD[(K, V)]類型。

示例?：rdd.countByKey()?統計每種key出現的次數。

11.save相關算子?

功能?：將數據保存到不同格式的文件中，包括文本文件、對象文件和序列文件。

示例?：

rdd.saveAsTextFile("path")?保存為文本文件。rdd.saveAsObjectFile("path")?保存為對象文件。

rdd.saveAsSequenceFile("path")?保存為序列文件（了解即可）。

12.累加器（Accumulator）

?實現原理?：
累加器用于把Executor端的變量信息聚合到Driver端。在Driver程序中定義的變量，在Executor端的每個Task都會得到這個變量的一份新的副本。每個Task更新這些副本的值后，傳回Driver端進行merge操作。

?常用方法?：

sparkContext.longAccumulator(name: String): 創建一個長整型累加器。

sparkContext.doubleAccumulator(name: String): 創建一個雙精度浮點型累加器。

自定義累加器：通過繼承AccumulatorV2類，實現自定義的累加邏輯。

13.廣播變量（Broadcast Variable）

?實現原理?：
廣播變量用于高效分發較大的只讀對象。它向所有工作節點發送一個較大的只讀值，以供一個或多個Spark操作使用。Spark會為每個任務分別發送該變量，但在多個并行操作中可以共享同一個廣播變量，從而提高效率。

?常用方法?：

sparkContext.broadcastT](value: T): 創建一個廣播變量。

總結?：

累加器適用于在分布式計算過程中聚合數據，如統計和、最大值、最小值等。

廣播變量適用于在多個任務之間共享大對象，以減少數據傳輸開銷，提高計算效率。