Spark中parallelize函数和makeRDD函数的区别

我们知道，在Spark中创建RDD的创建方式大概可以分为三种：（1）、从集合中创建RDD；（2）、从外部存储创建RDD；（3）、从其他RDD创建。

　　而从集合中创建RDD，Spark主要提供了两中函数：parallelize和makeRDD。我们可以先看看这两个函数的声明：

def parallelize[T:ClassTag](
      seq:Seq[T],
      numSlices:Int =defaultParallelism):RDD[T]
 
def makeRDD[T:ClassTag](
      seq:Seq[T],
      numSlices:Int =defaultParallelism):RDD[T]
 
def makeRDD[T:ClassTag](seq:Seq[(T, Seq[String])]):RDD[T]

　　我们可以从上面看出makeRDD有两种实现，而且第一个makeRDD函数接收的参数和parallelize完全一致。其实第一种makeRDD函数实现是依赖了parallelize函数的实现，来看看Spark中是怎么实现这个makeRDD函数的：

def makeRDD[T:ClassTag](
    seq:Seq[T],
    numSlices:Int =defaultParallelism):RDD[T] =withScope {
  parallelize(seq, numSlices)
}

　　我们可以看出，这个makeRDD函数完全和parallelize函数一致。但是我们得看看第二种makeRDD函数函数实现了，它接收的参数类型是Seq[(T, Seq[String])]，Spark文档的说明是

Distribute a local Scala collection to form an RDD, with one or more location preferences (hostnames of Spark nodes) for each object. Create a new partition for each collection item.

原来，这个函数还为数据提供了位置信息，来看看我们怎么使用：

scala>val iteblog1= sc.parallelize(List(1,2,3))
iteblog1:org.apache.spark.rdd.RDD[Int] =ParallelCollectionRDD[10] at parallelize at <console>:21
 
scala>val iteblog2= sc.makeRDD(List(1,2,3))
iteblog2:org.apache.spark.rdd.RDD[Int] =ParallelCollectionRDD[11] at makeRDD at <console>:21
 
scala>val seq =List((1, List("iteblog.com","sparkhost1.com","sparkhost2.com")),
     | (2, List("iteblog.com","sparkhost2.com")))
seq:List[(Int, List[String])] =List((1,List(iteblog.com, sparkhost1.com, sparkhost2.com)),
 (2,List(iteblog.com, sparkhost2.com)))
 
scala>val iteblog3= sc.makeRDD(seq)
iteblog3:org.apache.spark.rdd.RDD[Int] =ParallelCollectionRDD[12] at makeRDD at <console>:23
 
scala> iteblog3.preferredLocations(iteblog3.partitions(1))
res26:Seq[String] =List(iteblog.com, sparkhost2.com)
 
scala> iteblog3.preferredLocations(iteblog3.partitions(0))
res27:Seq[String] =List(iteblog.com, sparkhost1.com, sparkhost2.com)
 
scala> iteblog1.preferredLocations(iteblog1.partitions(0))
res28:Seq[String] =List()

我们可以看到，makeRDD函数有两种实现，第一种实现其实完全和parallelize一致；而第二种实现可以为数据提供位置信息，而除此之外的实现和parallelize函数也是一致的，如下：

def parallelize[T:ClassTag](
    seq:Seq[T],
    numSlices:Int =defaultParallelism):RDD[T] =withScope {
  assertNotStopped()
  newParallelCollectionRDD[T](this, seq, numSlices, Map[Int, Seq[String]]())
}
 
def makeRDD[T:ClassTag](seq:Seq[(T, Seq[String])]):RDD[T] =withScope {
  assertNotStopped()
  valindexToPrefs =seq.zipWithIndex.map(t => (t._2, t._1._2)).toMap
  newParallelCollectionRDD[T](this, seq.map(_._1), seq.size, indexToPrefs)
}

都是返回ParallelCollectionRDD，而且这个makeRDD的实现不可以自己指定分区的数量，而是固定为seq参数的size大小。

本文链接: 【Spark中parallelize函数和makeRDD函数的区别】（https://www.iteblog.com/archives/1512）