前言
今天 Review 了一下同事的代码，
发现其代码中有非常多的 mapPartitions,
问其原因，他说性能比 map 更好。
我说为什么性能好呢？
于是就有了这篇文章
网上推崇 mapPartitions 的原因
按照某些文章的原话来说
一次函数调用会处理一个partition所有的数据，而不是一次函数调用处理一条，性能相对来说会高一些。
又比如说:
如果是普通的map，比如一个partition中有1万条数据；
那么你的function要执行和计算1万次。
但是，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。
只要执行一次就可以了，性能比较高
这种说法如果按照上面的方式来理解其实也是那么一回事，
但是也很容易让一些新人理解为：
map要执行1万次，而 MapPartitions 只需要一次，这速度杠杠的提升了啊
实际上，你使用MapPartitions迭代的时候，
还是是一条条数据处理的，这个次数其实完全没变。
其实这个问题我们可以来看看源码
map算子源码
def map[U: ClassTag](f: T => U): RDD[U] = withScope {
val cleanF = sc.clean(f)
new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.map(cleanF))
}
接受用户传入的一个函数，
new 一个 MapPartitionsRDD 对象，
我们的函数是作用在 MapPartitionsRDD 的迭代器 iter 上。
mapPartition算子源码
def mapPartitions[U: ClassTag](
f: Iterator[T] => Iterator[U],
preservesPartitioning: Boolean = false): RDD[U] = withScope {
val cleanedF = sc.clean(f)
new MapPartitionsRDD(
this,
(context: TaskContext, index: Int, iter: Iterator[T]) => cleanedF(iter),
preservesPartitioning)
}
接受一个迭代器，
new 一个 MapPartitionsRDD 对象，
传入的迭代器是作为 MapPartitionsRDD 的迭代器。
说白了，这个两算子真没什么差，
map 算子可以理解为 mapPartitions 的一个高级封装而已。
mapPartitions 带来的问题
其实就我个人经验来看，
mapPartitions 的正确使用其实并不会造成什么大的问题，
当然我也没看出普通场景 mapPartitions 比 map 有什么优势，
所以 完全没必要刻意使用 mapPartitions
反而，mapPartitions 会带来一些问题。
- 使用起来并不是很方便，这个写过代码的人应该都知道。
当然这个问题并不是不能解决，我们可以写类似下面的代码，
确实也变的和 map 简洁性也差不太多，
恩，我不会告诉你可以尝试在生产环境中用用噢。//抽象出一个函数，以后所有的 mapPartitions 都可以用 def mapFunc[T, U](iterator: Iterator[T], f: T => U) = { iterator.map(x => { f(x) }) } //使用 rdd.mapPartitions(x => { mapFunc(x, line => { s"${line}转换数据" }) }) - 容易造成 OOM，这个也是很多博客提到的问题，
他们大致会写出如下的代码来做测试，
如果你的代码是上面那样，那OOM也就不足为奇了，rdd.mapPartitions(x => { xxxx操作 while (x.hasNext){ val next = x.next() } xxx操作 })
不知道你注意到了没有，mapPartitions 是接受一个迭代器，
再返回一个迭代器的，
如果你这么写代码，就完全没有使用到迭代器的懒执行特性。
将数据都堆积到了内存，
真就变成了一次处理一个partition的数据了，
在某种程度上已经破坏了 Spark Pipeline 的计算模式了。
mapPartitions 到底该怎么用
一对一的普通使用
存在即是道理，
虽然上面一直在吐槽，
但是其确实有存在的理由。
其一个分区只会被调用一次的特性，
在一些写数据库的时候确实很有帮助，
因为我们的 Spark 是分布式执行的，
所以连接数据库的操作必须放到算子内部才能正确的被Executor执行，
那么 mapPartitions 就显示比 map 要有优势的多了。
比如下面这段伪代码
rdd.mapPartitions(x => {
println("连接数据库")
val res = x.map(line=>{
print("写入数据：" + line)
line
})
res
})
这样我就一个分区只要连接一次数据库，
而如果是 map 算子，那可能就要连接 n 多次了。
不过上面这种就没法关闭数据库连接了，
所以可以换另外一种方式：
rdd1.mapPartitions(x => {
println("连接数据库")
new Iterator[Any] {
override def hasNext: Boolean = {
if (x.hasNext) {
true
} else {
println("关闭数据库")
false
}
}
override def next(): Any = "写入数据：" + x.next()
}
})
自定义一个迭代器，
这样虽然麻烦了一点，
但是无疑才是正确的。
当然还有一些复杂的处理，
比如类似 flatMap那种要输出多条怎么办？
这个时候可以去参考下 Iterator 的源码是怎么实现的，
同样不难，这里就不赘述了。
一对多的的高级使用
本来是想偷点懒的，
不过既然有人问起这个，
这里就补充说下输出多条的方式。
思路其实很简单，
我们可以查看迭代器的源码，
他是有一个 flatMap 算子的,
我们仿照一下就ok啦。
下面我们来解读下 Iterator.flatMap算子这段的源码吧。
// f 函数是 传入每一条数据都需要返回一个迭代器
// 也就是说一条记录可以返回多个值
def flatMap[B](f: A => GenTraversableOnce[B]): Iterator[B] = new AbstractIterator[B] {
//定义当前的迭代器是空的
private var cur: Iterator[B] = empty
//这是源码，为了方便理解，我稍微改写了下
// def hasNext: Boolean =
// cur.hasNext || self.hasNext && {
// cur = f(self.next).toIterator;
// hasNext
// }
def hasNext: Boolean ={
if(cur.hasNext){
//如果当前迭代器还有值，
//则返回true
return true
}
if(self.hasNext){
//如果cur已经没有值了
//但是本身的迭代器还有值
//则我们把本身迭代器的一个值拿出来
//通过 f函数 构造一个迭代器放到当前的迭代器
cur = f(self.next).toIterator;
//再递归一次本函数来看是否还有值
return hasNext
}
}
//这个就没什么好说的了
def next(): B = (if (hasNext) cur else empty).next()
}
上面的代码为了方便理解，
我修改了下，并加了注释，
应该是很好理解了。
这里如果你如果要做伸手党的话，
我也给出一个实例代码
val conf = new SparkConf()
.setMaster("local[1]")
.setAppName("test")
val sc = new SparkContext(conf)
sc.setLogLevel("WARN")
sc.parallelize(Seq("a,a,a,a,a"))
.mapPartitions(iter => {
new AbstractIterator[String] {
def myF(data: String): Iterable[String] = {
println(data)
data.split(",").toIterable
}
var cur: Iterator[String] = Iterator.empty
override def hasNext: Boolean = {
cur.hasNext || iter.hasNext && {
cur = myF(iter.next).toIterator
hasNext
}
}
override def next(): String = (if (hasNext) cur else Iterator.empty).next()
}
})
.foreach(println)
这里捎带提一下就是，
其实迭代器本身就有 Map flatMap 等算子，
之所以还要去自定义，
就是因为自定义提供了更加自由的一些操作，
比如开启和关闭数据库等，
但是大部分情况下，
还是能不自定义，谁想去折腾呢？
其他
另外一点就是 mapPartitions 提供给了我们更加强大的数据控制力，
怎么理解呢？我们可以一次拿到一个分区的数据，
那么我们就可以对一个分区的数据进行统一处理，
虽然会加大内存的开销，但是在某些场景下还是很有用的，
比如一些矩阵的乘法。
后记
不管你要使用哪个算子，其实都是可以的，
但是大多数时候，我还是推荐你使用 map 算子，
当然遇到一些map算子不合适的场景，
那就没办法了...
不过就算你是真的要使用 mapPartitions，
那么请记得充分发挥一下 迭代器的 懒执行特性。
