【上海校区】如何高效用mapPartitions - 黑马程序员技术交流社区

本文主要想讲如何高效的使用mappartition。首先，说到mappartition大家肯定想到的是map和MapPartition的对比。网上这类教程很多了，比如foreach和foreachPartition的区别。主要是map和foreach这类的是针对一个元素调用一次我们的函数，也即是我们的函数参数是单个元素，假如函数内部存在数据库链接、文件等的创建及关闭，那么会导致处理每个元素时创建一次链接或者句柄，导致性能底下，很多初学者犯过这种毛病。而foreachpartition是针对每个分区调用一次我们的函数，也即是我们函数传入的参数是整个分区数据的迭代器，这样避免了创建过多的临时链接等，提升了性能。下面的例子都是1-20这20个数字,经过map或者MapPartition然后返回a*3。

[Scala] 纯文本查看 复制代码

val a = sc.parallelize(1 to 20, 2)

def mapTerFunc(a : Int) : Int = {

    a*3

}

val mapResult = a.map(mapTerFunc)

println(mapResult.collect().mkString(","))

[Scala] 纯文本查看 复制代码

3,6,9,12,15,18,21,24,27,30,33,36,39,42,45,48,51,54,57,60

[Scala] 纯文本查看 复制代码

val a = sc.parallelize(1 to 20, 2)

  def terFunc(iter: Iterator[Int]) : Iterator[Int] = {

    var res = List[Int]()

    while (iter.hasNext)

    {

      val cur = iter.next;

      res.::= (cur*3) ;

    }

    res.iterator

  }

val result = a.mapPartitions(terFunc)

println(result.collect().mkString(","))

[Scala] 纯文本查看 复制代码

30,27,24,21,18,15,12,9,6,3,60,57,54,51,48,45,42,39,36,33

注意，3中的例子，会在mappartition执行期间，在内存中定义一个数组并且将缓存所有的数据。假如数据集比较大，内存不足，会导致内存溢出，任务失败。对于这样的案例，Spark的RDD不支持像mapreduce那些有上下文的写方法。下面有个方法是无需缓存数据的，那就是自定义一个迭代器类。

[Scala] 纯文本查看 复制代码

class CustomIterator(iter: Iterator[Int]) extends Iterator[Int] {    def hasNext : Boolean = {

      iter.hasNext

    }    def next : Int= {    

    val cur = iter.next

     cur*3

    }

  }  

  val result = a.mapPartitions(v => new CustomIterator(v))

  println(result.collect().mkString(","))

[Scala] 纯文本查看 复制代码

3,6,9,12,15,18,21,24,27,30,33,36,39,42,45,48,51,54,57,60