Spark系列——关于 mapPartitions的误区

前言

今天 Review 了一下同事的代码， 发现其代码中有非常多的 mapPartitions, 问其原因，他说性能比 map 更好。 我说为什么性能好呢？ 于是就有了这篇文章

网上推崇 mapPartitions 的原因

• 执行次数变少，速度更快 按照某些文章的原话来说 一次函数调用会处理一个partition所有的数据，而不是一次函数调用处理一条，性能相对来说会高一些。 我想说的是： 一次函数调用会处理一个partition所有的数据， 确实是可以节省你调用函数的那微乎其微的时间开销， 但是这个节省的时间真的太小了， 尤其是对与spark这种框架， 本身就不是用来做毫秒级响应的东西， 甚至硬要扯的话，你引入迭代器， 做迭代器的操作难道就不要消耗时间的么？ 如果说上面这种说法还有那么一丢丢靠谱的话， 有些说法就真的让我很无语了， 比如说: 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 这种说法如果按照上面的方式来理解其实也是那么一回事， 但是也很容易让一些新人理解为： map要执行1万次，而 MapPartitions 只需要一次，这速度杠杠的提升了啊 实际上，你使用MapPartitions迭代的时候，还是是一条条数据处理的，这个次数其实完全没变。

mapPartitions 带来的问题

其实就我个人经验来看， mapPartitions 的正确使用其实并不会造成什么大的问题， 当然我也没看出普通场景 mapPartitions 比 map 有什么优势， 所以 完全没必要刻意使用 mapPartitions 反而，mapPartitions 会带来一些问题。

1. 使用起来并不是很方便，这个写过代码的人应该都知道。 当然这个问题并不是不能解决，我们可以写类似下面的代码， 确实也变的和 map 简洁性也差不太多， 恩，我不会告诉你可以尝试在生产环境中用用噢。 //抽象出一个函数，以后所有的 mapPartitions 都可以用 def mapFunc[T, U](iterator: Iterator[T], f: T => U) = { iterator.map(x => { f(x) }) } //使用 rdd.mapPartitions(x => { mapFunc(x, line => { s"${line}转换数据" }) })
2. 容易造成 OOM，这个也是很多博客提到的问题， 他们大致会写出如下的代码来做测试， rdd.mapPartitions(x => { xxxx操作 while (x.hasNext){ val next = x.next() } xxx操作 }) 如果你的代码是上面那样，那OOM也就不足为奇了， 不知道你注意到了没有，mapPartitions 是接受一个迭代器， 再返回一个迭代器的， 如果你这么写代码，就完全没有使用到迭代器的懒执行特性。 将数据都堆积到了内存， 真就变成了一次处理一个partition的数据了， 在某种程度上已经破坏了 Spark Pipeline 的计算模式了。

mapPartitions 到底该怎么用

存在即是道理， 虽然上面一直在吐槽， 但是其确实有存在的理由。 其一个分区只会被调用一次的特性， 在一些写数据库的时候确实很有帮助， 因为我们的 Spark 是分布式执行的， 所以连接数据库的操作必须放到算子内部才能正确的被Executor执行， 那么 mapPartitions 就显示比 map 要有优势的多了。 比如下面这段伪代码

rdd.mapPartitions(x => {
        println("连接数据库")
        val res = x.map(line=>{
          print("写入数据：" + line)
          line
        })
        println("断开数据库")
        res
      })

这样我就一个分区只要连接一次数据库， 而如果是 map 算子，那可能就要连接 n 多次了。

另外一点就是 mapPartitions 提供给了我们更加强大的数据控制力， 怎么理解呢？我们可以一次拿到一个分区的数据， 那么我们就可以对一个分区的数据进行统一处理， 虽然会加大内存的开销，但是在某些场景下还是很有用的， 比如一些矩阵的乘法。

后记

不管你要使用哪个算子，其实都是可以的， 但是大多数时候，我还是推荐你使用 map 算子， 当然遇到一些map算子不合适的场景， 那就没办法了... 不过就算你是真的要使用 mapPartitions， 那么请记得充分发挥一下 迭代器的 懒执行特性。