Spark算子之mapPartitions

import java.util.ArrayList;
import java.util.Arrays;
import java.util.HashMap;
import java.util.Iterator;
import java.util.List;
import java.util.Map;


import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;


public class MapPartitions {

public static void main(String[] args) {
SparkConf conf = new SparkConf()
.setAppName("MapPartitions")
.setMaster("local");  
JavaSparkContext sc = new JavaSparkContext(conf);

// 准备一下模拟数据
List studentNames = Arrays.asList("张三", "李四", "王二", "麻子");  
JavaRDD studentNamesRDD = sc.parallelize(studentNames, 2);

final Map studentScoreMap = new HashMap();
studentScoreMap.put("张三", 278.5);  
studentScoreMap.put("李四", 290.0);  
studentScoreMap.put("王二", 301.0);  
studentScoreMap.put("麻子", 205.0);  

// mapPartitions
// 类似map，不同之处在于，map算子，一次就处理一个partition中的一条数据
// mapPartitions算子，一次处理一个partition中所有的数据

// 推荐的使用场景
// 如果你的RDD的数据量不是特别大，那么建议采用mapPartitions算子替代map算子，可以加快处理速度
// 但是如果你的RDD的数据量特别大，比如说10亿，不建议用mapPartitions，可能会内存溢出

JavaRDD studentScoresRDD = studentNamesRDD.mapPartitions(

new FlatMapFunction, Double>() {


private static final long serialVersionUID = 1L;

@Override
public Iterable call(Iterator iterator)
throws Exception {
// 因为算子一次处理一个partition的所有数据
// call函数接收的参数，是iterator类型，代表了partition中所有数据的迭代器
// 返回的是一个iterable类型，代表了返回多条记录，通常使用List类型

List studentScoreList = new ArrayList();

while(iterator.hasNext()) {
String studentName = iterator.next();
Double studentScore = studentScoreMap.get(studentName);
studentScoreList.add(studentScore);
}

return studentScoreList;
}

});

for(Double studentScore: studentScoresRDD.collect()) {
System.out.println(studentScore);  
}

sc.close();
}

}