Apache Spark：map vs mapPartitions？

Question

RDD'smap和mapPartitions方法有什么区别？ flatMap的行为如同map还是像mapPartitions？谢谢。

（编辑） 即有什么区别（无论是语义或执行方面）

def map[A, B](rdd: RDD[A], fn: (A => B)) 
       (implicit a: Manifest[A], b: Manifest[B]): RDD[B] = { 
    rdd.mapPartitions({ iter: Iterator[A] => for (i <- iter) yield fn(i) }, 
     preservesPartitioning = true) 
    } 

之间：

def map[A, B](rdd: RDD[A], fn: (A => B)) 
       (implicit a: Manifest[A], b: Manifest[B]): RDD[B] = { 
    rdd.map(fn) 
    } 

Answer 1

什么是RDD的地图和mapPartitions之间的区别方法？

方法map源RDD的每个元件转换成通过应用函数RDD结果的单个元素。 mapPartitions将源RDD的每个分区转换为结果的多个元素（可能没有）。

并且flatMap的行为像map还是像mapPartitions？

都不是，flatMap作品的单个元件上（如map）和产生的结果的多个元件（如mapPartitions）。

Answer 2

Imp。提示：

只要你有重量级的初始化应该对许多RDD元素，而不是每个RDD元素进行一次 完成，如果这 初始化，如创建从第三方 库对象，不能被序列化（以便Spark可以通过集群上的 将其传输到工作节点），使用mapPartitions()而不是 map()。 mapPartitions()规定初始化完成 每个工作者任务/线程/分区而不是一次RDD数据 元素为example :见下文。

val newRd = myRdd.mapPartitions(partition => { 
    val connection = new DbConnection /*creates a db connection per partition*/ 

    val newPartition = partition.map(record => { 
    readMatchingFromDB(record, connection) 
    }).toList // consumes the iterator, thus calls readMatchingFromDB 

    connection.close() // close dbconnection here 
    newPartition.iterator // create a new iterator 
}) 

---

Q2。 确实flatMap表现如同地图或像mapPartitions？

是的。请参阅flatmap的示例2 ..其自我解释。

Q1。什么之间的RDD的map和mapPartitions

map的作品被使用在每个单元级的功能，而 mapPartitions行使在分区级别功能的差异。

示例方案：如果我们有在特定RDD分区100K元件那么我们将会触发关闭功能正在使用的映射变换100K时候，我们使用map。相反，如果我们使用mapPartitions，那么我们将只调用一次特定函数，但是我们将传递所有100K记录并在一次函数调用中取回所有响应。

自从map在特定函数上工作很多次以来，性能会有所提高，特别是如果函数每次都会花费很多代价，如果我们一次传入所有元素，案例mappartitions）。

地图

适用于RDD的每个项目转换函数，并返回 结果作为新RDD。

清单异体

DEF映射[U：ClassTag]（F：T => U）：RDD [U]

实施例：

val a = sc.parallelize(List("dog", "salmon", "salmon", "rat", "elephant"), 3) 
val b = a.map(_.length) 
val c = a.zip(b) 
c.collect 
res0: Array[(String, Int)] = Array((dog,3), (salmon,6), (salmon,6), (rat,3), (elephant,8)) 

mapPartitions

这是一个专门的地图，被称为每个分区只有一次。 通过输入参数（Iterarator [T]），各个分区的全部内容可作为 顺序值的数据流提供。 自定义函数必须返回另一个Iterator [U]。结合的 结果迭代器会自动转换为新的RDD。请注意，由于我们选择了分区，因此下面的 结果中缺少元组（3,4）和（6,7）。

preservesPartitioning指示输入功能是否保留 分割器，这应该是false除非这是一双RDD和输入 函数不修改的键。

清单异体

DEF mapPartitions [U：ClassTag]（F：迭代[T] =>迭代[U]， preservesPartitioning：布尔=假）：RDD [U]

实施例1

val a = sc.parallelize(1 to 9, 3) 
def myfunc[T](iter: Iterator[T]) : Iterator[(T, T)] = { 
    var res = List[(T, T)]() 
    var pre = iter.next 
    while (iter.hasNext) 
    { 
    val cur = iter.next; 
    res .::= (pre, cur) 
    pre = cur; 
    } 
    res.iterator 
} 
a.mapPartitions(myfunc).collect 
res0: Array[(Int, Int)] = Array((2,3), (1,2), (5,6), (4,5), (8,9), (7,8)) 

实施例2

val x = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9,10), 3) 
def myfunc(iter: Iterator[Int]) : Iterator[Int] = { 
    var res = List[Int]() 
    while (iter.hasNext) { 
    val cur = iter.next; 
    res = res ::: List.fill(scala.util.Random.nextInt(10))(cur) 
    } 
    res.iterator 
} 
x.mapPartitions(myfunc).collect 
// some of the number are not outputted at all. This is because the random number generated for it is zero. 
res8: Array[Int] = Array(1, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 4, 4, 5, 7, 7, 7, 9, 9, 10) 

上述程序还可以使用flatMap如下写入。使用flatmap

val x = sc.parallelize(1 to 10, 3) 
x.flatMap(List.fill(scala.util.Random.nextInt(10))(_)).collect 

res1: Array[Int] = Array(1, 2, 3, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 4, 5, 5, 6, 6, 6, 6, 6, 6, 6, 6, 7, 7, 7, 8, 8, 8, 8, 8, 8, 8, 8, 9, 9, 9, 9, 9, 10, 10, 10, 10, 10, 10, 10, 10) 

结论

例2：

mapPartitions转型比map更快，因为它要求你的函数次/分，没有一次/元..

Answer 3

地图：

1. 它处理在一次一行，非常类似于映射（）的MapReduce的方法。
2. 您从每一行后的转换中返回。

MapPartitions

1. 它处理完整区块一气呵成。
2. 您可以处理整个分区后从函数返回只有一次。
3. 所有的中间结果需要在内存中保存，直到你处理整个分区。
4. 提供您喜欢的设置（）图（）和清理（）的MapReduce功能

Map Vs mapPartitions http://bytepadding.com/big-data/spark/spark-map-vs-mappartitions/

Spark Maphttp://bytepadding.com/big-data/spark/spark-map/

Spark mapPartitions http://bytepadding.com/big-data/spark/spark-mappartitions/