countByKey为针对（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

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（） 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。 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。() 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。() Action是RDD的算子的一个类型，不可以将结果写入（） RDD是一个()的数据结构 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 count算子返回RDD的元素个数 spark中的rdd是一个（）数据集 SparkRdd使用Transformation算子会销毁上一个rdd（） 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。 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] 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。() 当一个函数无返回值时，函数的类型应为（）。 与RDD类似，DataFrame也是一个分布式数据容器 dataFrame和RDD类似，也是一个分布式数据容器（） 在C++语言中,main函数默认返回一个（　　）类型的值 RDD有几种操作类型（）