Spark基础05-map和mapValue

0、前言

真实面试题：

• 使用了reduceByKey()和groupByKey()等xxxByKey()算子一定会产生shuffle吗？
• Spark 如何优化或者减少shuffle？

1、map

1.1、官方的解释

• 输入函数针对源RDD所有元素进行操作，并且返回一个新的RDD
  

1.2、代码示例

val dataKv: RDD[String] = sc.parallelize(List(
  "hello world",
  "hello spark",
  "hello world",
  "hello hadoop",
  "hello world",
  "hello world"
))

val words: RDD[String] = dataKv.flatMap(_.split(" "))
val kv: RDD[(String, Int)] = words.map((_, 1))
val res: RDD[(String, Int)] = kv.reduceByKey(_ + _)
/**
  * 关注这一步
  */
val res1: RDD[(String, Int)] = res.map(x => (x._1, x._2 * 10))
val result: RDD[(String, Iterable[Int])] = res1.groupByKey()
result.foreach(println)

while (true) {
}

1.3、job运行截图

1.4、小结

从上面截图可知，这里产生了两次shuffle，分别是因为使用了reduceByKey()和groupByKey()方法产生的

2、mapValue

2.1、官方的解释

• 输入函数针对源RDD中的Value操作，不改变键值
• 返回原RDD，保留原分区不变
  

2.2、代码示例

val dataKv: RDD[String] = sc.parallelize(List(
  "hello world",
  "hello spark",
  "hello world",
  "hello hadoop",
  "hello world",
  "hello world"
))

val words: RDD[String] = dataKv.flatMap(_.split(" "))
val kv: RDD[(String, Int)] = words.map((_, 1))
val res: RDD[(String, Int)] = kv.reduceByKey(_ + _)
/**
  * 关注这一步：上文使用的是 map(x => (x._1, x._2 * 10))
  */
val res1: RDD[(String, Int)] = res.mapValues(x => x * 10)
val result: RDD[(String, Iterable[Int])] = res1.groupByKey()
result.foreach(println)

while (true) {
}

2.3、job运行截图

2.4、小结

• 从上面截图可知，这里产生了一次shuffle，此处代码与上文不同的是使用了mapValue，而不是map
• 代码块中使用了reduceByKey()和groupByKey()，却只产生一次shuffle，这里先给出结论使用reduceByKey()等xxxByKey()算子不一定会产生shuffle
• 产生一次shuffle的原因：
  • 第一次使用reduceByKey()，已经将RDD按照Key相应关系进行排列
  • mapValue不会修改RDD中的Key的对应关系

3、对比

我们回到上文两个算子的官方解释寻找不同点：

• map会改变源RDD，且将函数作用于Key和Value，并返回一个新的RDD
• mapValue则是将函数作用于源RDD的Value且不产生新的RDD，既：源RDD的分区不受到影响

下面我们用一张不是很正确的图来解释下，我们可以看到，map会将源RDD的分区关系进行打散，因为涉及到修改Key操作，且返回了新的RDD，而mapValue则不会影响到分区依赖关系，因为不涉及修改Key

• 由前面文章(Spark基础02-RDD数据集操作)提到的Spark的人性化优化，spark在针对我们代码算子的使用情况，进一步优化我们的程序，减少了shuffle次数，进一步减少stage数量

4、总结

• 使用了reduceByKey等shuffle算子不一定会产生shuffle，因为Spark会根据算子特定优化，在特定场景不会产生shuffle
• 善用mapValue和flatMapValue等算子减少对Key操作，可以有效的减少shuffle，如上演示的案例