Spark中map、mappartition、foreach 以

在 Spark 性能调优中，经常会被建议尽量用 mappartition 操作去替代 map 操作。本文将会对这一论断背后的原因进行阐述。

一、map 操作 V.S. mappartition 操作

• map 操作：对 RDD 中的每个元素进行操作（可以理解为遍历），比如使用一个function则需要执行该 function n 次，其中 n 为元素个数；
• mappartition 操作：对 RDD 中每个 partition 的 iterator 进行操作，比如使用一个 function 则每个 partition 只需要各执行该 function 1 次（一个partition中的所有元素被一次传给该 function）；

因此，存在如下结论：

1. map 操作： 执行 1 次 function 只处理 1 个元素（或者称为一条数据），比如 partition 中的元素较多，当前已经处理了 1000 个元素，在内存不足的情况下，Spark 可以通过GC等方法（比如将已处理掉的 1000 个元素从内存中回收）回收内存。因此，通常 map 操作不会导致OOM的异常；
2. mappartition 操作： 执行 1 次 function 需要接收该 partition 中的所有元素，因此一旦元素很多而处理内存不足，就容易导致OOM的异常；
3. 一般而言，mappartition 的性能更高；初始化操作、数据库访问等操作适合使用 mappartition操作，这是因为：
   • 假设需要对 RDD 中的每个元素做加密计算，在加密之前需要在每个 executor 中执行 initialization 操作，试想一下，如果该 initialization 放在 map 中执行将会导致该 initialization 被执行很多次，非常耗时；但是如果放在 mappartition 中则只需要每个 executor 中执行 1 次即可；
   • 假设需要将 RDD 中的每个元素写入数据库中，这时候就应该把创建数据库的链接connection 操作放置在 mappartition 中，访问数据库操作本身就是个比较耗时的任务，如果该操作放在 map 中执行将会非常耗时且影响数据库的稳定。

二、foreach 操作 V.S. foreachpartition 操作

map 和 foreach 的区别在于：

• 前者是 transformation 操作（不会立即执行），后者是 action 操作（会立即执行）；
• 前者返回值是一个新 RDD，后者没有返回值。

其他的和 map V.S. mappartition 类似。

笔者水平有限，如有错误，敬请指正！