RDD的分区操作算子-mapPartitions算子

[wux_labs]

mapPartitions算子与map算子类似，调用一个指定的函数对RDD中的元素进行处理，生成一个新的RDD。与map算子不同的是，map算子的函数每次处理一个元素，RDD中有多少个元素，函数就会被调用多少次，而mapPartitions算子每次处理RDD的一个分区，RDD有多少个分区，函数就会被调用多少次。mapPartitions算子的定义如下：

def mapPartitions(
self: "RDD[T]",
f: Callable[[Iterable[T]], Iterable[U]],
preservesPartitioning: bool = False
) -> "RDD[U]"

案例：

rdd1 = sc.parallelize(["Hello Python", "Hello Spark You", "Hello Python Spark", "You know PySpark"])

print("map处理的类型：", rdd1.map(lambda x: type(x)).collect())
print("mapPartitions处理的类型：", rdd1.mapPartitions(lambda x: [type(x)]).collect())

print("map转换的结果：", rdd1.map(lambda x: (x, len(x))).collect())
print("mapPartitions转换的结果：", rdd1.mapPartitions(lambda x: [(x1, len(x1)) for x1 in list(x)]).collect())