參考文章 :https://www.cnblogs.com/schoolbag/p/9640990.html
在Spark中有map和mapPartitions算子,處理數據上,有一些區別
主要區別:
map是對rdd中的每一個元素進行操作;
mapPartitions則是對rdd中的每個分區的迭代器進行操作
MapPartitions的優點:
如果是普通的map,比如一個partition中有1萬條數據。ok,那麼你的function要執行和計算1萬次。
使用MapPartitions操作之後,一個task僅僅會執行一次function,function一次接收所有
的partition數據。只要執行一次就可以了,性能比較高。如果在map過程中需要頻繁創建額外的對象(例如將rdd中的數據通過jdbc寫入數據庫,map需要爲每個元素創建一個鏈接而mapPartition爲每個partition創建一個鏈接),則mapPartitions效率比map高的多。
SparkSql或DataFrame默認會對程序進行mapPartition的優化。
總結 :
MapPartiton 的性能較高
MapPartitions的缺點:
(未遇到過mapPartition OOM , 遇到的歡迎評論 !!!)
如果是普通的map操作,一次function的執行就處理一條數據;那麼如果內存不夠用的情況下, 比如處理了1千條數據了,那麼這個時候內存不夠了,那麼就可以將已經處理完的1千條數據從內存裏面垃圾回收掉,或者用其他方法,騰出空間來吧。
所以說普通的map操作通常不會導致內存的OOM異常。 )
但是MapPartitions操作,對於大量數據來說,比如甚至一個partition,100萬數據,一次傳入一個function以後,那麼可能一下子內存不夠,但是又沒有辦法去騰出內存空間來,可能就OOM,內存溢出。
總結:
MapPartition 有可能會導致內存溢出,數據一次獲取過多 !!
相應的案例