MapPartition和Map的区别

在Spark中有map和mapPartitions算子，处理数据上，有一些区别
主要区别：
map是对rdd中的每一个元素进行操作；
mapPartitions则是对rdd中的每个分区的迭代器进行操作
MapPartitions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。
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。如果在map过程中需要频繁创建额外的对象(例如将rdd中的数据通过jdbc写入数据库,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),则mapPartitions效率比map高的多。
SparkSql或DataFrame默认会对程序进行mapPartition的优化。
MapPartitions的缺点：
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，腾出空间来吧。
所以说普通的map操作通常不会导致内存的OOM异常。
但是MapPartitions操作，对于大量数据来说，比如甚至一个partition，100万数据，
一次传入一个function以后，那么可能一下子内存不够，但是又没有办法去腾出内存空间来，可能就OOM，内存溢出。

package com.zpark.lucas

import org.apache.spark.{SparkConf, SparkContext}

object MapPartitionTest {
//  实现将每个数字变成原来的2倍的功能
  def main(args: Array[String]): Unit = {

    var conf = new SparkConf().setMaster("local[*]").setAppName("partitions")
    var sc   = new SparkContext(conf)

    println("1.map--------------------------------")
    var aa = sc.parallelize(1 to 9, 3)
    def doubleMap(a:Int) : (Int, Int) = {(a, a*2) }
    val aa_res = aa.map(doubleMap)
    println(aa.getNumPartitions)
    println(aa_res.collect().mkString)


    println("2.mapPartitions-------------------")
    val bb = sc.parallelize(1 to 9, 3)
    def doubleMapPartition( iter : Iterator[Int]) : Iterator[ (Int, Int) ] = {
      var res = List[(Int,Int)]()
      while (iter.hasNext){
        val cur = iter.next()
        res .::= (cur, cur*2)
      }
      res.iterator
    }
    val bb_res = bb.mapPartitions(doubleMapPartition)
    println(bb_res.collect().mkString)


    println("3.mapPartitions-------------------")
    var cc = sc.makeRDD(1 to 5, 2)
    var cc_ref = cc.mapPartitions( x => {
      var result = List[Int]()
      var i = 0
      while(x.hasNext){
        val cur = x.next()
        result.::= (cur*2)
      }
      result.iterator
    })
    cc_ref.foreach(println)
  }

}