leafsRDD = leafsRDD.mapPartitions(reducer, True) \
.coalesce(numPartitions) \
.cache()
mapPartitions():
Return a new DStream in which each RDD is generated by applying
mapPartitions() to each RDDs of this DStream.
rdd的mapPartitions是map的一个变种,它们都可进行分区的并行处理。
两者的主要区别是调用的粒度不一样:map的输入变换函数是应用于RDD中每个元素,而mapPartitions的输入函数是应用于每个分区。
假设一个rdd有10个元素,分成3个分区。如果使用map方法,map中的输入函数会被调用10次;而使用mapPartitions方法的话,其输入函数会只会被调用3次,每个分区调用1次。
coalesce函数
可以控制是否shuffle,但当shuffle为false时,只能减小Partition数,无法增大。
SQL like coalesce.
coalesce(a, b) = {
a if a is not NULL
b otherwise
}
Examples
--------
>>> coalesce(1, 2)
1
>>> coalesce(1, None)
1
>>> coalesce(None, 2)
2
>>> coalesce(None, None) is None
True