Spark算子--map和mapPartition的区别，配实例讲解

map和mapParttion都是spark的算子，他们在进行数据处理时有一定的区别：

• map是RDD中的每一个元素进行操作。
• mapPartition是对RDD的每一个分区的迭代器进行操作，返回的是迭代器。

mapPartiton的优势：

• 提高性能，比如我们对一个含有100条log数据的分区进行操作，使用map的话函数要执行100次计算。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。如果map执行的过程中还需要创建对象，比如创建redis连接，jdbc连接等。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。

mapPartiton的缺点：

• 对于一个partition有很多数据的话，一次函数处理可能会导致OOM。普通的map一般不会导致OOM。

 

比如以下代码，分析某个报表的时候，我们用mapPartition进行处理，这样一个partition我们创建了一次redis连接，和一个ListBuffer，然后遍历这个分区，将数据存储到ListBuffer中。需要注意的是mapPartition返回的是iterator。

package DMP0505.Repoort

import DMP0505.Bean.Log
import DMP0505.Util.{JedisPools, RptUtils}
import org.apache.commons.lang.StringUtils
import org.apache.spark.{SparkConf, SparkContext}
import redis.clients.jedis.Jedis

object AppAnalyseRptV2 {
  def main(args: Array[String]): Unit = {
    if (args.length != 2) {
      println(
        """
          |cn.dmp.report.AppAnalyseRptV2
          |参数：
          | 输入路径
          | 输出路径
        """.stripMargin)
      sys.exit()
    }
    val Array(inputPath, outputPath) = args
    // 2 创建sparkconf->sparkContext
    val sparkConf = new SparkConf()
    sparkConf.setAppName(s"${this.getClass.getSimpleName}")
    sparkConf.setMaster("local[*]")
    // RDD 序列化到磁盘 worker与worker之间的数据传输
    sparkConf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")

    val sc = new SparkContext(sparkConf)
    sc.textFile("inputPath")
      .map(_.split(",", -1))
      .filter(_.length >= 85)
      .map(Log(_)).filter(log => !log.appname.isEmpty || !log.appid.isEmpty)
      //为什么要对分区进行操作？  map和mapPartition区别，普通的partition如果有1000条数据使用map要调用1000次
      //如果使用mapPartition，调用一次function就可以处理1000条数据，但数据量大了可能OOM
      //而且本例中有创建jedis  ，使用map的话每次都要创建jedis连接，用partition的话只需要创建一次redis就可以处理一个partition
      .mapPartitions(itr => {

        val jedis: Jedis = JedisPools.getResource()
        val parResult = new collection.mutable.ListBuffer[(String, List[Double])]()

        //遍历分区的所有数据，查询redis（把appname为空的数据进行转换），将结果放入到Listbuffer
        itr.foreach(log => {
          var newAppName = log.appname
          if (StringUtils.isEmpty(newAppName)) {
            newAppName = jedis.get(log.appname)
          }
          val req = RptUtils.caculateReq(log.requestmode, log.processnode)
          val rtb = RptUtils.caculateRtb(log.iseffective, log.isbilling, log.isbid, log.adorderid, log.iswin, log.winprice, log.adpayment)
          val showClick = RptUtils.caculateShowClick(log.requestmode, log.iseffective)

          parResult += ((newAppName, req ++ rtb ++ showClick))

        })
        jedis.close()
        parResult.iterator
      }).reduceByKey((list1, list2) => {
      list1.zip(list2).map(t => t._1 + t._2)
    }).map(t => t._1 + "," + t._2.mkString(",")).saveAsTextFile("outputPath")
  }
}