Spark源码系列之foreach和foreachPartition的区别

一，基本使用

1，RDD分布式数据集的五大特性

1)，A list of partitions(一系列的分区)

2)，A function for computing each split(计算每个分片的方法)

3)，A list of dependencies on other RDDs(一系列的依赖RDD)

4)，Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)

(可选，对于key-value类型的RDD都会有一个分区器)

5)，Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)(可选，最佳位置)

2，RDD的操作类型：

Transformations：转换操作，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个大部分：

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。

下面就那这两个例子，开始讲解吧，针对转换类型的操作可以类比查看。

jsonRDD.foreach(each=>{
 //连接数据库
  //插入数据库
  //关闭数据库连接
})

jsonRDD.foreachPartition(partition=>{
 //此处连接上数据库
 partition.foreach(each=>
 //插入数据
 })
 //关闭数据库连接
})

这两个算子里面，上述我说的”我们的方法是”，每个算子圆括号内部的所有内容。

二，源码相关

1，第一次封装

/**
 * Applies a function f to all elements of this RDD.
 */
def foreach(f: T => Unit): Unit = withScope {
 val cleanF = sc.clean(f)
  sc.runJob(this, (iter: Iterator[T]) => iter.foreach(cleanF))
}
/**
 * Applies a function f to each partition of this RDD.
 */
def foreachPartition(f: Iterator[T] => Unit): Unit = withScope {
 val cleanF = sc.clean(f)
  sc.runJob(this, (iter: Iterator[T]) => cleanF(iter))
}

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)，进行了一层匿名函数的封装，

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

而对于foreachpartiton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，也即上述第二个demo的partition.foreach)。

2，第二次封装

这次很统一就在

/**
 * Run a job on a given set of partitions of an RDD, but take a function of type
 * `Iterator[T] => U` instead of `(TaskContext, Iterator[T]) => U`.
 */
def runJob[T, U: ClassTag](
    rdd: RDD[T],
 func: Iterator[T] => U,
 partitions: Seq[Int]): Array[U] = {
 val cleanedFunc = clean(func)
  runJob(rdd, (ctx: TaskContext, it: Iterator[T]) => cleanedFunc(it), partitions)
}

就是讲上述进一步封装的方法进一步按照匿名函数封装

(ctx: TaskContext, it: Iterator[T]) => cleanedFunc(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算子的方法执行是在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(2步骤封装的)和RDD，然后执行。传入的是迭代器

val (rdd, func) = ser.deserialize[(RDD[T], (TaskContext, Iterator[T]) => U)](
  ByteBuffer.wrap(taskBinary.value), Thread.currentThread.getContextClassLoader)
_executorDeserializeTime = System.currentTimeMillis() - deserializeStartTime

metrics = Some(context.taskMetrics)
func(context, rdd.iterator(partition, context))

三，总结

RDD.foreach(foreachFunction)

RDD.foreachPatition(foreachPartitionFunction)

经过第二步的分析我们可以理解，展开之后实际上就是

RDD的每个分区的iterator(集合):

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链接，文件流等等的创建关闭操作，采用foreachPatition方法，针对每个分区集合进行计算，更能提高我们的性能。