spark foreach java_Spark:foreach和foreachpartition的区别

一、RDD基础

1.RDD分布式数据集的五大特性

(1)A list of partitions

(2)A function for computing each split

(3)A list of dependencies on other RDDs

(4)Optionally,a Partitioner for key-value RDDs

(5)Optionally,a list of preferred locations to compute each split

2.RDD的操作类型

Transformations:转换，lazy型，不会触发计算

Action：触发job

Persist：缓存也不会触发job，在第一次触发job之后才会真正进行缓存

3.RDD的计算

RDD的计算实际上我们可以分为两大部分。

1)Driver端的计算

主要是stage划分，task的封装，task调度执行

2)Executor端的计算

真正的计算开始，默认情况下每个cpu运行一个task。一个task实际上就是一个分区，我们的方法无论是转换算子里封装的，还是action算子里封装的都是此时在一个task里面计算一个分区的数据。

二、源码相关

1.第一次封装

/**

* Applies a function f to all elements of this RDD.

*/

def foreach(f: T => Unit): Unit = withScope {

val cleanF = sc.clean(f)

sc.runJob(this, (iter: Iterator[T]) => iter.foreach(cleanF))

}

/**

* Applies a function f to each partition of this RDD.

*/

def foreachPartition(f: Iterator[T] => Unit): Unit = withScope {

val cleanF = sc.clean(f)

sc.runJob(this, (iter: Iterator[T]) => cleanF(iter))

}

可以看到方法通过clean操作(清理闭包，为序列化和网络传输做准备)，进行了一次匿名函数的封装， 针对foreach方法，是我们的方法被传入了迭代器foreach(每个元素遍历执行一次函数)， 而对于foreachpartition方法是迭代器被传入了我们的方法(每个分区执行一次函数，我们获取迭代器后需要自行进行迭代处理)

2.第二次封装

def runJob[T, U: ClassTag](

rdd: RDD[T],

func: Iterator[T] => U,

partitions: Seq[Int]): Array[U] = {

val cleanedFunc = clean(func)

runJob(rdd, (ctx: TaskContext, it: Iterator[T]) => cleanedFunc(it), partitions)

}

就是讲上述封装的方法进一步按照匿名函数封装

(ctx:TaskContext,it:Iterator[T] => cleanFunc(it))

3.执行的时候

Spark的Task类型我们用到的也就两个

1)shuffleMapTask

2)ResultTask

Action算子的方法是在ResultTask中执行的，也即ResultTask的runTask方法。

首先反序列化得到我们的方法和RDD，然后执行。传入的是迭代器

override def runTask(context: TaskContext): U = {

// Deserialize the RDD and the func using the broadcast variables.

val threadMXBean = ManagementFactory.getThreadMXBean

val deserializeStartTime = System.currentTimeMillis()

val deserializeStartCpuTime = if (threadMXBean.isCurrentThreadCpuTimeSupported) {

threadMXBean.getCurrentThreadCpuTime

} else 0L

val ser = SparkEnv.get.closureSerializer.newInstance()

val (rdd, func) = ser.deserialize[(RDD[T], (TaskContext, Iterator[T]) => U)](

ByteBuffer.wrap(taskBinary.value), Thread.currentThread.getContextClassLoader)

_executorDeserializeTime = System.currentTimeMillis() - deserializeStartTime

_executorDeserializeCpuTime = if (threadMXBean.isCurrentThreadCpuTimeSupported) {

threadMXBean.getCurrentThreadCpuTime - deserializeStartCpuTime

} else 0L

func(context, rdd.iterator(partition, context))

}

三、总结

RDD.foreach(foreachFunction)

RDD.foreachPatition(foreachPartitionFunction)

经过第二部分析我们可以理解，展开之后实际上就是

RDD的每个分区的iterator:

iterator.foreach(foreachFunction)

foreachPartitionFunction(iterator)

这就很明显了，假如我们的Function中有数据库，网络TCP等IO连接，文件流等等的创建关闭操作，采用foreachPartition方法，针对每个分区集合进行计算，更能提高我们的性能。