在Scala中，可以使用以下代码示例编写函数以处理RDD和Seq：

import org.apache.spark.rdd.RDD

object RDDSeqFunctions {

  /*函数可以接受RDD、Seq、Array或List并转换为RDD。*/
  def toRDD[T](seq: Seq[T]): RDD[T] = {
    val sc = SparkContext.getOrCreate()
    sc.parallelize(seq)
  }

  /*此函数对Seq或RDD执行过滤操作。*/
  def filter[T](data: Seq[T], predicate: T => Boolean): Seq[T] = {
    data.filter(predicate)
  }

  /*此函数在Seq或RDD中查找给定的值。*/
  def find[T](data: Seq[T], value: T): Option[T] = {
    data.find(_ == value)
  }

}

// 使用函数

val seq = Seq(1,2,3,4,5)
val rdd = RDDSeqFunctions.toRDD(seq)

println(RDDSeqFunctions.filter(seq, _ % 2 == 0))
println(RDDSeqFunctions.find(seq, 3))

println(RDDSeqFunctions.filter(rdd.collect(), _ % 2 == 0))
println(RDDSeqFunctions.find(rdd.collect(), 3))

在上面的代码中，我们定义了三个函数：toRDD、filter和find。

toRDD函数将Seq转换为RDD，使用SparkContext.parallelize方法将Seq并行化。

filter函数可以对Seq或RDD执行过滤操作，传递一个谓词函数即可。对于每个元素，函数将谓词应用于它，仅返回结果为真的元素。find函数在Seq或RDD中查找给定的值，如果找到了则返回第一个匹配的元素，否则返回“无”。

我们也可以使用Spark函数来操作RDD，比如：

import org.apache.spark.SparkContext
import org.apache.spark.sql.SparkSession

object RDDFunctions {

  /*函数可以接受RDD、Seq、Array或List并转换为RDD。*/
  def toRDD[T](seq: Seq[T]): RDD[T] = {
    val ss = SparkSession.builder().getOrCreate()
    import ss.implicits._
    seq.toDF().rdd.map(row => row.getAs[T](0))
  }

  /*此函数对RDD执行过滤操作*/
  def filter[T](data: RDD[T], predicate: T => Boolean): RDD[T] = {
    data.filter(predicate)
  }

  /*此函数在RDD中查找给定的