Spark:foreach和foreachpartition的区别

时间:2021-11-20 00:01:35

一、RDD基础

1.RDD分布式数据集的五大特性

(1)A list of partitions

(2)A function for computing each split

(3)A list of dependencies on other RDDs

(4)Optionally,a Partitioner for key-value RDDs

(5)Optionally,a list of preferred locations to compute each split

2.RDD的操作类型

Transformations:转换,lazy型,不会触发计算

Action:触发job

Persist:缓存也不会触发job,在第一次触发job之后才会真正进行缓存

3.RDD的计算

RDD的计算实际上我们可以分为两大部分。

1)Driver端的计算

主要是stage划分,task的封装,task调度执行

2)Executor端的计算

真正的计算开始,默认情况下每个cpu运行一个task。一个task实际上就是一个分区,我们的方法无论是转换算子里封装的,还是action算子里封装的都是此时在一个task里面计算一个分区的数据。

二、源码相关

1.第一次封装

Spark:foreach和foreachpartition的区别

Spark:foreach和foreachpartition的区别

可以看到方法通过clean操作(清理闭包,为序列化和网络传输做准备),进行了一次匿名函数的封装,

针对foreach方法,是我们的方法被传入了迭代器foreach(每个元素遍历执行一次函数),

而对于foreachpartition方法是迭代器被传入了我们的方法(每个分区执行一次函数,我们获取迭代器后需要自行进行迭代处理)

2.第二次封装

Spark:foreach和foreachpartition的区别

就是讲上述封装的方法进一步按照匿名函数封装

(ctx:TaskContext,it:Iterator[T] => cleanFunc(it))

3.执行的时候

Spark的Task类型我们用到的也就两个

1)shuffleMapTask

2)ResultTask

Action算子的方法是在ResultTask中执行的,也即ResultTask的runTask方法。

首先反序列化得到我们的方法和RDD,然后执行。传入的是迭代器

Spark:foreach和foreachpartition的区别

三、总结

RDD.foreach(foreachFunction)

RDD.foreachPatition(foreachPartitionFunction)

经过第二部分析我们可以理解,展开之后实际上就是

RDD的每个分区的iterator:

iterator.foreach(foreachFunction)

foreachPartitionFunction(iterator)

这就很明显了,假如我们的Function中有数据库,网络TCP等IO连接,文件流等等的创建关闭操作,采用foreachPartition方法,针对每个分区集合进行计算,更能提高我们的性能。