Spark中,最基本的原则,就是每个task处理一个RDD的partition。
MapPartitions操作的优点:
如果是普通的map,比如一个partition中有1万条数据;ok,那么你的function要执行和计算1万次。
但是,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。只要执行一次就可以了,性能比较高。
MapPartitions的缺点:可能会OOM。
如果是普通的map操作,一次function的执行就处理一条数据;那么如果内存不够用的情况下, 比如处理了1千条
数据了,那么这个时候内存不够了,那么就可以将已经处理完的1千条数据从 内存里面垃圾回收掉,或者用其他方
法,腾出空间来。
所以说普通的map操作通常不会导致内存的OOM异常。
在项目中,自己先去估算一下RDD的数据量,以及每个partition的量,还有自己分配给每个executor 的内存资
源。看看一下子内存容纳所有的partition数据,行不行。如果行,可以试一下,能跑通就好。 性能肯定是有提升
的。
//map和partition的区别:
scala> val rdd2 = rdd1