rdd的mapPartitions是map的一个变种,它们都可进行分区的并行处理。
两者的主要区别是调用的粒度不一样:map的输入变换函数是应用于RDD中每个元素,而mapPartitions的输入函数是应用于每个分区。
假设一个rdd有10个元素,分成3个分区。如果使用map方法,map中的输入函数会被调用10次;而使用mapPartitions方法的话,其输入函数会只会被调用3次,每个分区调用1次。
mapPartitionsWithIndex则是带上分区下标进行操作。
# Example: mapPartition and mapPartitionWithIndex
a = sc.parallelize(range(0,20),4)
print(a.glom().collect()) #有了glom所以自动分数组
def f(it):
s = 0
for i in it:
s += i
yield s
print(a.mapPartitions(f).collect()) #似乎没有自动分组,又被拆散了,函数逻辑是前一个的值加上这组数组中的下标。
def f(index, it):
s = index
for i in it:
s += i
yield s
print(a.mapPartitionsWithIndex(f).collect())#mapPartitionsWithIndex对RDD中的每个分区(带有下标)进行操作,通过自己定义
#的一个函数来处理。也就是把并行组列的序号0123当做Index
[[0, 1, 2, 3, 4], [5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19]]
[0, 1, 3, 6, 10, 5, 11, 18, 26, 35, 10, 21, 33, 46, 60, 15, 31, 48, 66, 85]
[0, 1, 3, 6, 10, 6, 12, 19, 27, 36, 12, 23, 35, 48, 62, 18, 34, 51, 69, 88]