在Spark中有map和mapPartitions算子,处理数据上,有一些区别
主要区别:
map是对rdd中的每一个元素进行操作;
mapPartitions则是对rdd中的每个分区的迭代器进行操作
MapPartitions的优点:
如果是普通的map,比如一个partition中有1万条数据。ok,那么你的function要执行和计算1万次。
使用MapPartitions操作之后,一个task仅仅会执行一次function,function一次接收所有
的partition数据。只要执行一次就可以了,性能比较高。如果在map过程中需要频繁创建额外的对象(例如将rdd中的数据通过jdbc写入数据库,map需要为每个元素创建一个链接而mapPartition为每个partition创建一个链接),则mapPartitions效率比map高的多。
的partition数据。只要执行一次就可以了,性能比较高。如果在map过程中需要频繁创建额外的对象(例如将rdd中的数据通过jdbc写入数据库,map需要为每个元素创建一个链接而mapPartition为每个partition创建一个链接),则mapPartitions效率比map高的多。
SparkSql或DataFrame默认会对程序进行mapPartition的优化。
MapPartitions的缺点:
如果是普通的map操作,一次function的执行就处理一条数据;那么如果内存不够用的情况下, 比如处理了1千条数据了,那么这个时候内存不够了,那么就可以将已经处理完的1千条数据从内存里面垃圾回收掉,或者用其他方法,腾出空间来吧。
所以说普通的map操作通常不会导致内存的OOM异常。
所以说普通的map操作通常不会导致内存的OOM异常。
但是MapPartitions操作,对于大量数据来说,比如甚至一个partition,100万数据,
一次传入一个function以后,那么可能一下子内存不够,但是又没有办法去腾出内存空间来,可能就OOM,内存溢出。
一次传入一个function以后,那么可能一下子内存不够,但是又没有办法去腾出内存空间来,可能就OOM,内存溢出。
实现将每个数字变成原来的2倍的功能 def main(args: Array[String]): Unit = { var conf = new SparkConf().setMaster("local[*]").setAppName("partitions") var sc = new SparkContext(conf) println("1.map--------------------------------") var aa = sc.parallelize(1 to 9, 3) def doubleMap(a:Int) : (Int, Int) = { (a, a*2) } val aa_res = aa.map(doubleMap) println(aa.getNumPartitions) println(aa_res.collect().mkString) println("2.mapPartitions-------------------") val bb = sc.parallelize(1 to 9, 3) def doubleMapPartition( iter : Iterator[Int]) : Iterator[ (Int, Int) ] = { var res = List[(Int,Int)]() while (iter.hasNext){ val cur = iter.next() res .::= (cur, cur*2) } res.iterator } val bb_res = bb.mapPartitions(doubleMapPartition) println(bb_res.collect().mkString) println("3.mapPartitions-------------------") var cc = sc.makeRDD(1 to 5, 2) var cc_ref = cc.mapPartitions( x => { var result = List[Int]() var i = 0 while(x.hasNext){ val cur = x.next() result.::= (cur*2) } result.iterator }) cc_ref.foreach(println) }
运行结果:
1.map-------------------------------- 3 (1,2)(2,4)(3,6)(4,8)(5,10)(6,12)(7,14)(8,16)(9,18) 2.mapPartitions------------------- (3,6)(2,4)(1,2)(6,12)(5,10)(4,8)(9,18)(8,16)(7,14) 3.mapPartitions------------------- 4 2 10 8 6