如何通過map操作看RDD的Map過程

本篇內容介紹了“如何通過map操作看RDD的Map過程”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

RDD中的map,flatMap等操作是怎么串在一起形成DAG圖的呢？這是個很重要的問題，理解了這一點才能更好的理解Spark的內核實現。本文通過map過程來試圖解釋這一點。

先看看RDD的一個子類：MapPartitionsRDD，它會用在map函數場景下。

它的定義：

private[spark] class MapPartitionsRDD[U: ClassTag, T: ClassTag](
    var prev: RDD[T],
    f: (TaskContext, Int, Iterator[T]) => Iterator[U],  // (TaskContext, partition index, iterator)
    preservesPartitioning: Boolean = false,
    isFromBarrier: Boolean = false,
    isOrderSensitive: Boolean = false)
  extends RDD[U](prev)

prev是父RDD，就是父類RDD的入參，在后面的代碼里就是firstParent。

F代表了map函數的定義，其中第二個Int參數是分區索引號。我們先不管這個f入參怎么傳進來的，先看看MapPartitionsRDD需要做哪些事。

前面說過，對于RDD來說，最重要的函數就是compute，MapPartitionsRDD的compute方法定義：

override def compute(split: Partition, context: TaskContext): Iterator[U] =
    f(context, split.index, firstParent[T].iterator(split, context))

很明確，就是用當前的solit分區來執行入參的f函數！

那么，這個MapPartitionsRDD是怎么產生的呢？原來是在RDD類中的map函數產生的：

def map[U: ClassTag](f: T => U): RDD[U] = withScope {
    val cleanF = sc.clean(f)
    new MapPartitionsRDD[U, T](this, (_, _, iter) => iter.map(cleanF))
  }

這幾行代碼什么意思？這里還是需要好好分析一下的。

對照MapPartitionsRDD的定義，我們知道：

(_, _, iter) => iter.map(cleanF)

里面的_,_代表TaskContext和分區索引，因為在MapPartitionsRDD的compute方法中已經有了split入參和context入參，所以在RDD中就不需要傳這兩個參數了。

iter代表要處理的數據集，在MapPartitionsRDD中的compute方法中定義為：

firstParent[T].iterator(split, context)

函數就是第一個父類RDD的split分區的數據集。這里就很清楚了，對這個數據集做cleanF操作（也就是sc.clean之后的map函數，sc.clean是去掉不能序列號的字節碼的意思，保證可以序列化后分發到其他節點執行）。

“如何通過map操作看RDD的Map過程”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！