你真知道如何高效用mapPartitions吗？

2024-04-02 18:16:47

你真知道如何高效用mapPartitions吗？

浪尖浪尖聊大数据

1. mappartition简介

首先，说到mapPartitions大家肯定想到的是map和MapPartitions的对比。大家都知道mapPartition算子是使用一个函数针对分区计算的，函数参数是一个迭代器。而map只针对每条数据调用的，所以存在访问外部数据库等情况时mapParititons更加高效。
mapPartitions函数：


  /**
   * Return a new RDD by applying a function to each partition of this RDD.
   *
   * `preservesPartitioning` indicates whether the input function preserves the partitioner, which
   * should be `false` unless this is a pair RDD and the input function doesn't modify the keys.
   */
  def mapPartitions[U: ClassTag](
      f: Iterator[T] => Iterator[U],
      preservesPartitioning: Boolean = false): RDD[U] = withScope {
    val cleanedF = sc.clean(f)
    new MapPartitionsRDD(
      this,
      (_: TaskContext, _: Int, iter: Iterator[T]) => cleanedF(iter),
      preservesPartitioning)
  }

有代码可知mapPartitions的函数参数是传入一个迭代器，返回值是另一个迭代器。
map函数：


  /**
   * Return a new RDD by applying a function to all elements of this RDD.
   */
  def map[U: ClassTag](f: T => U): RDD[U] = withScope {
    val cleanF = sc.clean(f)
    new MapPartitionsRDD[U, T](this, (_, _, iter) => iter.map(cleanF))
  }

map函数就是将rdd的元素由T类型转化为U类型。
综上可知，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/mapPartitions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完成a*3的转换：


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

def mapTerFunc(a : Int) : Int = {a*3}

val mapResult = a.map(mapTerFunc)

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

结果


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

3. mappartitions低效用法

大家通常的做法都是申请一个迭代器buffer，将处理后的数据加入迭代器buffer，然后返回迭代器。如下面的demo。


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(","))

结果乱序了，因为我的list是无序的，可以使用LinkList：


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

4. mappartitions高效用法

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。其实，浪尖有个方法是无需缓存数据的，那就是自定义一个迭代器类。如下例：


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(","))

结果：


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

其实，主要问题就是返回值类型和参数类型要一致，那么不一致咋办呢？

码农公寓