[spark]Spark算子：RDD基本转换操作(5)–mapPartitions、mapPartitionsWithIndex

mapPartitions

def mapPartitions[U](f: (Iterator[T]) => Iterator[U], preservesPartitioning: Boolean = false)(implicit arg0: ClassTag[U]): RDD[U]

该函数和map函数类似，只不过映射函数的参数由RDD中的每一个元素变成了RDD中每一个分区的迭代器。如果在映射的过程中需要频繁创建额外的对象，使用mapPartitions要比map高效的过。

比如，将RDD中的所有数据通过JDBC连接写入数据库，如果使用map函数，可能要为每一个元素都创建一个connection，这样开销很大，如果使用mapPartitions，那么只需要针对每一个分区建立一个connection。

参数preservesPartitioning表示是否保留父RDD的partitioner分区信息。

 

  
  
  
  

   
   
   
   
var rdd1 = sc.makeRDD(1 to 5,2)
   
   
   
   
//rdd1有两个分区
   
   
   
   
scala> var rdd3 = rdd1.mapPartitions{ x => {
   
   
   
   
 | var result = List[Int]()
   
   
   
   
 | var i = 0
   
   
   
   
 | while(x.hasNext){
   
   
   
   
 | i += x.next()
   
   
   
   
 | }
   
   
   
   
 | result.::(i).iterator
   
   
   
   
 | }}
   
   
   
   
rdd3: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[84] at mapPartitions at :23
   
   
   
   
 
   
   
   
   
//rdd3将rdd1中每个分区中的数值累加
   
   
   
   
scala> rdd3.collect
   
   
   
   
res65: Array[Int] = Array(3, 12)
   
   
   
   
scala> rdd3.partitions.size
   
   
   
   
res66: Int = 2
   
   
   
   
 
  
  
  
  

mapPartitionsWithIndex

def mapPartitionsWithIndex[U](f: (Int, Iterator[T]) => Iterator[U], preservesPartitioning: Boolean = false)(implicit arg0: ClassTag[U]): RDD[U]

函数作用同mapPartitions，不过提供了两个参数，第一个参数为分区的索引。

  
  
  
  

   
   
   
   
var rdd1 = sc.makeRDD(1 to 5,2)
   
   
   
   
//rdd1有两个分区
   
   
   
   
var rdd2 = rdd1.mapPartitionsWithIndex{
   
   
   
   
 (x,iter) => {
   
   
   
   
 var result = List[String]()
   
   
   
   
 var i = 0
   
   
   
   
 while(iter.hasNext){
   
   
   
   
 i += iter.next()
   
   
   
   
 }
   
   
   
   
 result.::(x + "|" + i).iterator
   
   
   
   
 
   
   
   
   
 }
   
   
   
   
 }
   
   
   
   
//rdd2将rdd1中每个分区的数字累加，并在每个分区的累加结果前面加了分区索引
   
   
   
   
scala> rdd2.collect
   
   
   
   
res13: Array[String] = Array(0|3, 1|12)
   
   
   
   
 
   
   
   
   
 
  
  
  
  

转载请注明：lxw的大数据田地 » Spark算子：RDD基本转换操作(5)–mapPartitions、mapPartitionsWithIndex