Spark_8 Spark常用算子对比

map与mapPartitions

map详解：
Return a new RDD by applying a function to all elements of this RDD
对RDD中的每一个元素都执行一个function

mapPartitions:
Return a new RDD by applying a function to each partition of this RDD
RDD由n个Partition构成，每个Partition由m条数据构成
map是将函数作用到每一个元素上
而mapPartitions是将函数作用到每一个分区上

如果RDD 10Partitions，每个Par存储100w
map：1000w次 connection
mapPartitions 10次 connection

但是Map也是有优势的：
普通的map操作，这一堆操作是处理那一条记录的数据(那一个元素的)
处理完之后，内存里就清掉了,空间就腾出来了。所以map一般不会涉及到OOM的
但是MapPartitions不一样，每次处理一个分区的数据，这个分区的数据处理完后，原 RDD 中分区的数据才能释放。这种情况可能导致 OOM 。如果一个分区数据太多，内存扛不住了，直接就死掉了

第一选择是MapPartitions，如果出现OOM，再考虑Map
foreach与foreachPartition同理：
在写数据到外部数据库时，优先使用foreachPartition

coalesce与repartition

coalesce 重新分区，可以选择是否进行 shuffle 过程。默认将RDD的分区数减少到指定的分区数，不能放大，多的分区数变成少的分区数，不需要数据的shuffle；如果要放大 需要将第二个参数变成true。
由于分区数决定了之后产生的文件的个数，用于合并小文件(不shuffle，从多变少)
常用于和filter算子做配合，filter过滤之后使用coalesce来减少分区。

repartition 底层是调用coalesce(num,true)，能够增加或者减少分区，是肯定要进行shuffle的。
repartition用来打散数据，提高并行度，处理数据倾斜

reduceByKey与groupByKey

reduceByKey:
	sc.textFile("").flatMap(_.split("\t")).map((_,1)).reduceByKey(_+_).collect
groupByKey:
	sc.textFile("").flatMap(_.split("\t")).map((_,1)).groupByKey().map(x=>(x._1,x._2.sum)).collect

两个算子底层都是调用的combineByKeyWithClassTag。
reduceByKey不仅简单，shuffle的数据还比groupByKey的shuffle的数据少：
原因是reduceByKey 事先在map端本地做了一次聚合操作(combiner)，combiner的结果再做了shuffle，所以shuffle的数据量少一些
groupByKey可以实现分区间的函数的自定义，分区内函数也可以自定义，功能上灵活一些，不像reduceByKey直接把它写死了

排序算子的区别

Order By 是全局排序的，是只有一个reduce处理的；
Sort By 是分区排序的，只能实现分区内有序，不能实现全局排序；
Distributed By不是排序，是按照后面的字段来分发数据；
Cluster By是Sort By和Distributed By合起来的；