spark中makerdd和parallelize的區別
阿新 • • 發佈:2018-12-23
我們知道,在Spark中建立RDD的建立方式大概可以分為三種:(1)、從集合中建立RDD;(2)、從外部儲存建立RDD;(3)、從其他RDD建立。
而從集合中建立RDD,Spark主要提供了兩中函式:parallelize和makeRDD。我們可以先看看這兩個函式的宣告:
Spark提供了兩種建立RDD的方式:讀取外部資料集,以及在驅動器程式中對一個集合進行並行化。
在驅動器程式中對一個集合進行並行化的方式有兩種:parallelize()和makeRDD()。
1、parallelize()
def parallelize[T: ClassTag]( seq: Seq[T], numSlices: Int = defaultParallelism): RDD[T] = withScope { assertNotStopped() new ParallelCollectionRDD[T](this, seq, numSlices, Map[Int, Seq[String]]()) }
2、makeRDD(),有兩種重構方法,如下:
2.1、方法一:
/** Distribute a local Scala collection to form an RDD.
*
* This method is identical to `parallelize`.
*/
def makeRDD[T: ClassTag](
seq: Seq[T],
numSlices: Int = defaultParallelism): RDD[T] = withScope {
parallelize(seq, numSlices)
}
可以發現,該重構方法的實現就是呼叫parallelize()方法。
2.2、方法二:
/** * Distribute a local Scala collection to form an RDD, with one or more * location preferences (hostnames of Spark nodes) for each object. * Create a new partition for each collection item. */ def makeRDD[T: ClassTag](seq: Seq[(T, Seq[String])]): RDD[T] = withScope { assertNotStopped() val indexToPrefs = seq.zipWithIndex.map(t => (t._2, t._1._2)).toMap new ParallelCollectionRDD[T](this, seq.map(_._1), math.max(seq.size, 1), indexToPrefs) }
註釋的意思為:分配一個本地Scala集合形成一個RDD,為每個集合物件建立一個最佳分割槽。
給出如下例子,可以更清晰的看到它們之間的區別:
首先定義集合物件:
val seq = List(("American Person", List("Tom", "Jim")), ("China Person", List("LiLei", "HanMeiMei")), ("Color Type", List("Red", "Blue")))
使用parallelize()建立RDD:
val rdd1 = sc.parallelize(seq)
查詢rdd1的分割槽數:
rdd1.partitions.size // 2
使用makeRDD()建立RDD
val rdd2 = sc.makeRDD(seq)
檢視rdd2的分割槽數
rdd2.partitions.size // 3
總之:
第一種makerdd與parallerize兩者完全一致,傳遞的都是集合的形式;其實第一種makerdd實現是依賴了parallelize函式
第二種makerdd還提供了計算位置。