Spark原理 | 关于 mapPartitions 的误区

前言

今天 Review 了一下同事的代码，发现其代码中有非常多的 mapPartitions，问其原因，他说性能比 map 更好。我说为什么性能好呢？于是就有了这篇文章。

网上推崇  mapPartitions 的原因

按照某些文章的原话来说

一次函数调用会处理一个partition所有的数据，而不是一次函数调用处理一条，性能相对来说会高一些。

又比如说

如果是普通的map，比如一个partition中有1万条数据；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

这种说法如果按照上面的方式来理解其实也是那么一回事，但是也很容易让一些新人理解为：

map要执行1万次，而 MapPartitions 只需要一次，这速度杠杠的提升了啊

实际上，你使用MapPartitions迭代的时候，还是一条条数据处理的，这个次数其实完全没变。

其实这个问题我们可以来看看源码。

map算子源码

def map[U: ClassTag](f: T => U): RDD[U] = withScope {
    val cleanF = sc.clean(f)
    new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.map(cleanF))
}

接受用户传入的一个函数，new 一个 MapPartitionsRDD 对象，我们的函数是作用在 MapPartitionsRDD 的迭代器 iter 上。

mapPartition算子源码

def mapPartitions[U: ClassTag](
      f: Iterator[T] => Iterator[U],
      preservesPartitioning: Boolean = false): RDD[U] = withScope {
    val cleanedF = sc.clean(f)
    new MapPartitionsRDD(
      this,
      (context: TaskContext, index: Int, iter: Iterator[T]) => cleanedF(iter),
      preservesPartitioning)
  }

接受一个迭代器，new 一个 MapPartitionsRDD 对象，传入的迭代器是作为 MapPartitionsRDD 的迭代器。

说白了，这两个算子真没什么差，map 算子可以理解为 mapPartitions 的一个高级封装而已。

mapPartitions  带来的问题

其实就我个人经验来看，mapPartitions 的正确使用其实并不会造成什么大的问题，当然我也没看出普通场景 mapPartitions  比 map 有什么优势，所以 完全没必要刻意使用 mapPartitions。

反而，mapPartitions 会带来一些问题。

1、使用起来并不是很方便，这个写过代码的人应该都知道。
当然这个问题并不是不能解决，我们可以写类似下面的代码，确实也变的和 map 简洁性也差不太多，恩，我不会告诉你可以尝试在生产环境中用用噢。

//抽象出一个函数，以后所有的 mapPartitions 都可以用
def mapFunc[T, U](iterator: Iterator[T], f: T => U) = {
  iterator.map(x => {
    f(x)
  })
}
//使用    
rdd.mapPartitions(x => {
    mapFunc(x, line => {
        s"${line}转换数据"
    })
})

2、容易造成 OOM，这个也是很多博客提到的问题，
他们大致会写出如下的代码来做测试，

rdd.mapPartitions(x => {
   xxxx操作
   while (x.hasNext){
     val next = x.next()
   }
   xxx操作
})

如果你的代码是上面那样，那OOM也就不足为奇了，不知道你注意到了没有，mapPartitions 是接受一个迭代器，再返回一个迭代器的，如果你这么写代码，就完全没有使用到迭代器的懒执行特性。

将数据都堆积到了内存，真就变成了一次处理一个partition的数据了，在某种程度上已经破坏了 Spark Pipeline 的计算模式了。

mapPartitions  到底该怎么用

一对一的普通使用

存在即是道理，虽然上面一直在吐槽，但是其确实有存在的理由。其一个分区只会被调用一次的特性，在一些写数据库的时候确实很有帮助，因为我们的 Spark 是分布式执行的，所以连接数据库的操作必须放到算子内部才能正确的被Executor执行，那么 mapPartitions 就显示比 map 要有优势的多了。
比如下面这段伪代码

rdd.mapPartitions(x => {
  println("连接数据库")
  val res = x.map(line=>{
  print("写入数据：" + line)
     line
  })
  res
})

这样我就一个分区只要连接一次数据库，而如果是 map 算子，那可能就要连接 n 多次了。
不过上面这种就没法关闭数据库连接了，
所以可以换另外一种方式：

rdd1.mapPartitions(x => {
      println("连接数据库")
      new Iterator[Any] {
        override def hasNext: Boolean = {
          if (x.hasNext) {
            true
          } else {
            println("关闭数据库")
            false
          }
        }
        override def next(): Any = "写入数据：" + x.next()
     }
 })

自定义一个迭代器，这样虽然麻烦了一点，但是无疑才是正确的。当然还有一些复杂的处理，
比如类似 flatMap那种要输出多条怎么办？这个时候可以去参考下 Iterator 的源码是怎么实现的，同样不难，这里就不赘述了。

一对多的的高级使用

本来是想偷点懒的，不过既然有人问起这个，这里就补充说下输出多条的方式。思路其实很简单，我们可以查看迭代器的源码，他是有一个 flatMap 算子的，我们仿照一下就ok啦。

下面我们来解读下 Iterator.flatMap 算子这段的源码吧。

// f 函数是 传入每一条数据都需要返回一个迭代器
 // 也就是说一条记录可以返回多个值
def flatMap[B](f: A => GenTraversableOnce[B]): Iterator[B] = new AbstractIterator[B] {
       //定义当前的迭代器是空的
       private var cur: Iterator[B] = empty
        //这是源码，为了方便理解，我稍微改写了下
        //def hasNext: Boolean =
        //cur.hasNext || self.hasNext && {
        //   cur = f(self.next).toIterator;
        //   hasNext
        //}
        def hasNext: Boolean ={
          if(cur.hasNext){
            //如果当前迭代器还有值，
            //则返回true
            return true
          }
          if(self.hasNext){
            //如果cur已经没有值了
            //但是本身的迭代器还有值
            //则我们把本身迭代器的一个值拿出来
            //通过 f函数 构造一个迭代器放到当前的迭代器
            cur = f(self.next).toIterator;
            //再递归一次本函数来看是否还有值
            return hasNext
          }
        }
        //这个就没什么好说的了
        def next(): B = (if (hasNext) cur else empty).next()
}

上面的代码为了方便理解，我修改了下，并加了注释，应该是很好理解了。这里如果你要做伸手党的话，我也给出一个实例代码

    val conf = new SparkConf()
      .setMaster("local[1]")
      .setAppName("test")
    val sc = new SparkContext(conf)
    sc.setLogLevel("WARN")
    sc.parallelize(Seq("a,a,a,a,a"))
      .mapPartitions(iter => {
      
        new AbstractIterator[String] {
          def myF(data: String): Iterable[String] = {
            println(data)
            data.split(",").toIterable
          }


          var cur: Iterator[String] = Iterator.empty


          override def hasNext: Boolean = {
            cur.hasNext || iter.hasNext && {
              cur = myF(iter.next).toIterator
              hasNext
            }
          }


          override def next(): String = (if (hasNext) cur else Iterator.empty).next()
        }
      })
      .foreach(println)

这里捎带提一下就是，其实迭代器本身就有 Map flatMap 等算子，之所以还要去自定义，就是因为自定义提供了更加自由的一些操作，比如开启和关闭数据库等，但是大部分情况下，还是能不自定义，谁想去折腾呢？

其他

另外一点就是 mapPartitions 提供给了我们更加强大的数据控制力，怎么理解呢？我们可以一次拿到一个分区的数据，那么我们就可以对一个分区的数据进行统一处理，虽然会加大内存的开销，但是在某些场景下还是很有用的，比如一些矩阵的乘法。

后记

不管你要使用哪个算子，其实都是可以的，但是大多数时候，我还是推荐你使用 map 算子，
当然遇到一些map算子不合适的场景，那就没办法了...不过就算你是真的要使用 mapPartitions，那么请记得充分发挥一下 迭代器的懒执行特性。

作者：code_solve
链接：https://www.jianshu.com/p/ffa782798883