spark foreach java_Spark中foreachRDD的正确使用

常出现的使用误区：

误区一：在driver上创建连接对象(比如网络连接或数据库连接)

如果在driver上创建连接对象，然后在RDD的算子函数内使用连接对象，那么就意味着需要将连接对象序列化后从driver传递到worker上。而连接对象(比如Connection对象)通常来说是不支持序列化的，此时通常会报序列化的异常(serialization errors)。因此连接对象必须在worker上创建，不要在driver上创建。

dstream.foreachRDD { rdd =>val connection = createNewConnection() // 数据库连接在driver上执行

rdd.foreach { record =>connection.send(record) // 在worker上执行

}

}

误区二：为每一条记录都创建一个连接对象

通常来说，连接对象的创建和销毁都是很消耗时间的。因此频繁地创建和销毁连接对象，可能会导致降低spark作业的整体性能和吞吐量。

dstream.foreachRDD { rdd =>rdd.foreach { record =>val connection = createNewConnection() //每插入一条数据，创建一个连接

connection.send(record)

connection.close()

}

}

比较正确的做法是：对DStream中的RDD，调用foreachPartition，对RDD中每个分区创建一个连接对象，使用一个连接对象将一个分区内的数据都写入数据库中。这样可以大大减少创建的连接对象的数量。

正确做法一：为每个RDD分区创建一个连接对象

dstream.foreachRDD { rdd =>rdd.foreachPartition { partitionOfRecords =>val connection =createNewConnection()

partitionOfRecords.foreach(record =>connection.send(record))

connection.close()

}

}

正确做法二：为每个RDD分区使用一个连接池中的连接对象

dstream.foreachRDD { rdd =>rdd.foreachPartition { partitionOfRecords =>

// 从数据库连接池中获取连接

val connection =ConnectionPool.getConnection()

partitionOfRecords.foreach(record =>connection.send(record))

ConnectionPool.returnConnection(connection) // 用完以后将连接返 回给连接池，进行复用

}

}