spark编程模型（九）之RDD基础转换操作（Transformation Operation）——mapPartitions、mapPartitionsWithIndex

mapPartitions():

• def mapPartitions[U](f: (Iterator[T]) => Iterator[U], preservesPartitioning: Boolean = false)(implicit arg0: ClassTag[U]): RDD[U]

• 该函数和map函数类似，只不过映射函数的参数由RDD中的每一个元素变成了RDD中每一个分区的迭代器。如果在映射的过程中需要频繁创建额外的对象，使用mapPartitions要比map高效

• 比如，将RDD中的所有数据通过JDBC连接写入数据库，如果使用map函数，可能要为每一个元素都创建一个connection，这样开销很大，如果使用mapPartitions，那么只需要针对每一个分区建立一个connection

• 参数preservesPartitioning表示是否保留父RDD的partitioner分区信息

    var rdd1 = sc.makeRDD(1 to 5,2)
  
    //rdd1有两个分区
    scala> var rdd3 = rdd1.mapPartitions{ x => {
         | var result = List[Int]()
         |     var i = 0
         |     while(x.hasNext){
         |       i += x.next()
         |     }
         |     result.::(i).iterator
         | }}
    rdd3: org.apache.spark.rdd.RDD[Int] = MapPartitionsRDD[84] at mapPartitions at :23
  
    //rdd3将rdd1中每个分区中的数值累加
    scala> rdd3.collect
    res65: Array[Int] = Array(3, 12)
  
    scala> rdd3.partitions.size
    res66: Int = 2
  

mapPartitionsWithIndex():

• def mapPartitionsWithIndex[U](f: (Int, Iterator[T]) => Iterator[U], preservesPartitioning: Boolean = false)(implicit arg0: ClassTag[U]): RDD[U]

• 函数作用同mapPartitions，不过提供了两个参数，第一个参数为分区的索引

    var rdd1 = sc.makeRDD(1 to 5,2)
  
    //rdd1有两个分区
    var rdd2 = rdd1.mapPartitionsWithIndex{
            (x,iter) => {
              var result = List[String]()
                var i = 0
                while(iter.hasNext){
                  i += iter.next()
                }
                result.::(x + "|" + i).iterator
               
            }
          }
  
    //rdd2将rdd1中每个分区的数字累加，并在每个分区的累加结果前面加了分区索引
    scala> rdd2.collect
    res13: Array[String] = Array(0|3, 1|12)