spark——比较map和mapPartitions

最新推荐文章于 2025-05-11 14:20:24 发布

ZhuangYQ丶

最新推荐文章于 2025-05-11 14:20:24 发布

阅读量639

点赞数

CC 4.0 BY-SA版权

分类专栏：大数据学习

本文链接：https://blog.youkuaiyun.com/iilegend/article/details/90708305

大数据学习专栏收录该内容

57 篇文章

订阅专栏

本文探讨了Spark中的map和mapPartitions操作。mapPartitions的优势在于每个task只执行一次function，处理整个partition的数据，提高性能，但可能引发OOM问题。相反，map操作每次处理一条数据，即使内存紧张也能及时释放，避免OOM。在实际项目中，需根据RDD大小和executor内存资源评估是否使用mapPartitions以优化性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Spark中，最基本的原则，就是每个task处理一个RDD的partition。

MapPartitions操作的优点：
如果是普通的map，比如一个partition中有1万条数据；ok，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。
MapPartitions的缺点：可能会OOM。
如果是普通的map操作，一次function的执行就处理一条数据；那么如果内存不够用的情况下，比如处理了1千条
数据了，那么这个时候内存不够了，那么就可以将已经处理完的1千条数据从内存里面垃圾回收掉，或者用其他方
法，腾出空间来。
所以说普通的map操作通常不会导致内存的OOM异常。
在项目中，自己先去估算一下RDD的数据量，以及每个partition的量，还有自己分配给每个executor 的内存资
源。看看一下子内存容纳所有的partition数据，行不行。如果行，可以试一下，能跑通就好。性能肯定是有提升
的。

//map和partition的区别：
scala> val rdd2 = rdd1.mapPartitions(_.map(_*10))
rdd2: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[1] ...
scala> rdd2.collect
res1: Array[Int] = Array(10, 20, 30, 40, 50, 60, 70)
scala> rdd1.map(_ * 10).collect
res3: Array[Int] = Array(10, 20, 30, 40, 50, 60, 70)
介绍mapPartition和map的区别，引出下面的内容：
mapPartitionsWithIndex
val func = (index: Int, iter: Iterator[(Int)]) => {
iter.toList.map(x => "[partID:" + index + ", val: " + x + "]").iterator
}
val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)
rdd1.mapPartitionsWithIndex(func).collect