【RDD Transformation】mapPartitions、mapPartitionswithIndex、repartition、coalesce、partitionBy

谁践踏了优雅 2022-11-25 13:13 141阅读 0赞

# 一、Rdd转化算子 #

1、【mapPartitions】遍历出集合（rdd）中的每一个元素，并对元素可以进一步操作；是对每个分区中的数据进行迭代；

2、【mapPartitionswithIndex】是对rdd中每个分区的遍历操作；

3、【repartition】可以对rdd进行重新分区，可以是超过原有分区个数，也可以小于原有分区个数。 默认会执行shuffle 即对分区中的数据重新计算；

4、【coalesce】算子也可以对rdd进行重新分区，这个分区只能是小于原有分区的值。coalesce是不会进行shuffle；

5、【partitionBy】rdd中存储的元素是元组类型，此时可以使用partitionby进行重新分区。参数为默认分区器 即HashParrtitioner 也可传入自定义分区；

## 二、实例 ##

package com.cn.rddOperator
    
    import org.apache.spark.rdd.RDD
    import org.apache.spark.{HashPartitioner, SparkConf, SparkContext}
    
    object Transformation04 {
      def main(args: Array[String]): Unit = {
        val conf = new SparkConf().setAppName("transformation04").setMaster("local[1]")
        val sc = new SparkContext(conf)
        sc.setLogLevel("WARN")
    
        /**
          * mapPartitions:遍历出集合（rdd）中的每一个元素，并对元素可以进一步操作
          * mapPartitions是对每个分区中的数据进行迭代
          */
        val rdd1=sc.parallelize(List(1,2,3,4,5),3)
        val rdd2: RDD[Int] = rdd1.mapPartitions(_.map(_*2))
        println(rdd2.collect().toList)//List(2, 4, 6, 8, 10)
    
        /**
          * mapPartitionswithIndex 是对rdd中每个分区的遍历操作
          */
    
        val Iter=(index:Int,iter:Iterator[(Int)])=>{
          iter.map(x=>"partId:"+index+",value:"+x)
        }
        val rdd3: RDD[String] = rdd1.mapPartitionsWithIndex(Iter)
        println(rdd3.collect().toBuffer)//ArrayBuffer(partId:0,value:1, partId:1,value:2, partId:1,value:3, partId:2,value:4, partId:2,value:5)
    
        /**
          * repartition可以对rdd进行重新分区，可以是超过原有分区个数，也可以小于原有分区个数
          * 默认会执行shuffle 即对分区中的数据重新计算
          */
    
        val rdd4: RDD[Int] = rdd1.repartition(5)
        println(rdd4.partitions.length)//5
    
        /**
          * coalesce 算子也可以对rdd进行重新分区，这个分区只能是小于原有分区的值
          * coalesce是不会进行shuffle
          */
        val rdd5: RDD[Int] = rdd1.coalesce(5)
        println(rdd5.partitions.length)//3
        val rdd6: RDD[Int] = rdd1.coalesce(2)
        println(rdd6.partitions.length)//2
    
        /**
          * rdd中存储的元素是元组类型，此时可以使用partitionby进行重新分区
          * 参数为默认分区器 即HashParrtitioner 也可传入自定义分区
          */
        val rdd7: RDD[(String, Int)] = sc.parallelize(List(("aa",1),("bb",2),("cc",3),("dd",4)),2)
        val rdd8: RDD[(String, Int)] = rdd7.partitionBy(new HashPartitioner(4))
        val rdd9: RDD[(String, Int)] = rdd7.repartition(5)
        println(rdd8.partitions.length)//4
        println(rdd9.partitions.length)//5
      }
    }