在面试候选人Spark相关知识点时, 我总喜欢问这么一个问题:
如果一个源数据有1亿行, 对这个源数据分别做map()操作和flatMap()操作, 过程是下面描述的那种流程, 为什么?
1 每读1条数据, 顺次执行map()和flatMap(), 再读取下一条;
2 对1亿条数据遍历做完map()后, 然后再重新读取一遍这1亿条数据, 做flatMap()操作.
意外的是, 很多候选人能说出同一个stage的RDD变换, 是一个pipeline操作; 但是对于上面的选择题,基本都表现地非常迟疑, 很少能做出正确的选择, 并说出原因.
上面的答案1是正确的, 原因请见下面的分析.
设有这么一个连续的变换, 会经过sc.textFile() -> map() -> filter() -> mapPartitions() -> flatMap():
sc.txtFile("1.txt").map(_ + 1).filter(_ > 0).mapPartitions{
iter => {
dbConnection.open();
iter.map{
val result = _ + 2