map和mapParttion都是spark的算子,他们在进行数据处理时有一定的区别:
- map是RDD中的每一个元素进行操作。
- mapPartition是对RDD的每一个分区的迭代器进行操作,返回的是迭代器。
mapPartiton的优势:
- 提高性能,比如我们对一个含有100条log数据的分区进行操作,使用map的话函数要执行100次计算。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。如果map执行的过程中还需要创建对象,比如创建redis连接,jdbc连接等。map需要为每个元素创建一个链接而mapPartition为每个partition创建一个链接。
mapPartiton的缺点:
- 对于一个partition有很多数据的话,一次函数处理可能会导致OOM。普通的map一般不会导致OOM。
比如以下代码,分析某个报表的时候,我们用mapPartition进行处理,这样一个partition我们创建了一次redis连接,和一个ListBuffer,然后遍历这个分区,将数据存储到ListBuffer中。需要注意的是mapPartition返回的是iterator。
package DMP0505.Repoort
import DMP0505.Bean.Log
import DMP0505.Util.{JedisPools, RptUtils}
import org.apache.commons.lang.StringUtils
i