Spark中map与flatMap

map将函数作用到数据集的每一个元素上，生成一个新的分布式的数据集(RDD)返回

map函数的源码：

def map(self, f, preservesPartitioning=False):
        """
        Return a new RDD by applying a function to each element of this RDD.

        >>> rdd = sc.parallelize(["b", "a", "c"])
        >>> sorted(rdd.map(lambda x: (x, 1)).collect())
        [('a', 1), ('b', 1), ('c', 1)]
        """
        def func(_, iterator):
            return map(fail_on_stopiteration(f), iterator)
        return self.mapPartitionsWithIndex(func, preservesPartitioning)

map将每一条输入执行func操作并对应返回一个对象，形成一个新的rdd，如源码中的rdd.map(lambda x: (x, 1) -->  [('a', 1), ('b', 1), ('c', 1)]

flatMap会先执行map的操作，再将所有对象合并为一个对象，返回值是一个Sequence

flatMap源码：

def flatMap(self, f, preservesPartitioning=False):
        """
        >>> rdd = sc.parallelize([2, 3, 4])
        >>> sorted(rdd.flatMap(lambda x: range(1, x)).collect())
        [1, 1, 1, 2, 2, 3]
        >>> sorted(rdd.flatMap(lambda x: [(x, x), (x, x)]).collect())
        [(2, 2), (2, 2), (3, 3), (3, 3), (4, 4), (4, 4)]
        """
        def func(s, iterator):
            return chain.from_iterable(map(fail_on_stopiteration(f), iterator))
        return self.mapPartitionsWithIndex(func, preservesPartitioning)

注意：flatMap将输入执行func操作时，对象必须是可迭代的

 map与flatMap的区别：

from pyspark import SparkConf, SparkContext

conf = SparkConf()
sc = SparkContext(conf=conf)


def func_map():
    data = ["hello world", "hello fly"]
    data_rdd = sc.parallelize(data)
    map_rdd = data_rdd.map(lambda s: s.split(" "))
    print("map print:{}".format(map_rdd.collect()))


def func_flat_map():
    data = ["hello world", "hello fly"]
    data_rdd = sc.parallelize(data)
    flat_rdd = data_rdd.flatMap(lambda s: s.split(" "))
    print("flatMap print:{}".format(flat_rdd.collect()))


func_map()
func_flat_map()
sc.stop()

执行结果：

map print:[['hello', 'world'], ['hello', 'fly']]                                
flatMap print:['hello', 'world', 'hello', 'fly']

可以看出，map对 "hello world", "hello fly"这两个对象分别映射为['hello', 'world'], ['hello', 'fly']，而flatMap在map的基础上做了一个合并操作，将这两个对象合并为一个['hello', 'world', 'hello', 'fly']，这就造就了flatMap在词频统计方面的优势。