spark--transform算子--coalesce

import org.apache.spark.{SparkConf, SparkContext}

import scala.collection.mutable.ArrayBuffer

/**
  * Created by yz02 on 2017/6/15.
  */
object T_coalesce {
  System.setProperty("hadoop.home.dir","F:\\hadoop-2.6.5")

  def fun_index(index : Int, iter : Iterator[String]) : Iterator[String] = {
    var list  = ArrayBuffer[String]()
    while (iter.hasNext)
    {
      val name : String = iter.next()
      var fs = index + ":" + name
      list += fs
//      println(fs)
    }
    return list.iterator
  }

  def fun_index1(index : Int, iter : Iterator[String]) : Iterator[String] = {
    var list  = ArrayBuffer[String]()
    while (iter.hasNext)
    {
      val name : String = iter.next()
      var fs = index + ":" + name
      list += fs
      println(fs)
    }
    return list.iterator
  }


  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("coalesce_test").setMaster("local")
    val sc = new SparkContext(conf)

    //coalesce算子，功能是将RDD的partition的数量减缩，减少
    //将一定的数据压缩到更少的partition分区中去
    //使用场景！很多时候在filter算子之后会优化一下使用coalesce算子
    //filter算子应用到RDD上面，说白了会应用到RDD对应的里面的每一个partition上去
    //数据倾斜，换句话说就是有可能有的partition里面就剩下了一条数据！！
    //建议使用coalesce算子，从而让各个partition中的数据都更加紧凑！
    val nameList : List[String] = List("liupeng1", "liupeng2", "liuipeng3",
      "liupeng4", "liupeng5", "liupeng6",
      "liupeng7", "liupeng8", "liupeng9",
      "liupeng10", "liupeng11", "liupeng12"
    )

    val nameRDD = sc.parallelize(nameList, 6)
    val nameRDD2 = nameRDD.mapPartitionsWithIndex(fun_index)
    val nameRDD3 = nameRDD2.coalesce(3)
    val nameRDD4 = nameRDD3.mapPartitionsWithIndex(fun_index1)
    val info : Array[String] = nameRDD4.collect()
  }
}

运行结果：

0:0:liupeng1
0:0:liupeng2
0:1:liuipeng3
0:1:liupeng4

1:2:liupeng5
1:2:liupeng6
1:3:liupeng7
1:3:liupeng8

2:4:liupeng9
2:4:liupeng10
2:5:liupeng11
2:5:liupeng12