火花中的flatMap是否会导致混乱？

Question

spark中的flatMap是否像map函数一样，因此不会导致混乱，或者是否会触发shuffle。我怀疑它确实导致了改组。有人可以证实吗？

Answer 1

map或flatMap都没有改组。导致洗牌的操作是：

• 重新分配业务： 重新分配： 合并：
• ByKey操作（计数除外）： GroupByKey： ReduceByKey：
• 加盟业务： 协同组： 加入：

尽管新洗牌数据的每个分区中的元素集将是确定性的，并且分区本身的排序也是如此，但这些元素的排序不是。如果在随机播放后需要可预测的有序数据，则可以使用：

• mapPartitions使用例如.sorted对每个分区进行排序
• repartitionAndSortWithinPartitions在同时重新分区的同时有效地对分区进行排序
• sortBy来创建一个全局排序的RDD

更多信息：http://spark.apache.org/docs/latest/programming-guide.html#shuffle-operations

Answer 2

没有洗牌。以下是这两个功能的来源：

/**
 * Return a new RDD by applying a function to all elements of this RDD.
 */
def map[U: ClassTag](f: T => U): RDD[U] = withScope {
  val cleanF = sc.clean(f)
  new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.map(cleanF))
}

/**
 *  Return a new RDD by first applying a function to all elements of this
 *  RDD, and then flattening the results.
 */
def flatMap[U: ClassTag](f: T => TraversableOnce[U]): RDD[U] = withScope {
  val cleanF = sc.clean(f)
  new MapPartitionsRDD[U, T](this, (context, pid, iter) => iter.flatMap(cleanF))
}

正如你所看到的，RDD.flatMap只是在代表分区的Scala迭代器上调用flatMap。

Answer 3

在某些情况下，flatMap可能会导致随机写入。就像你在同一个分区中生成多个元素并且该元素不能放入同一个分区一样，然后将它们写入不同的分区。

如下例所示：

val rdd = RDD[BigObject]

rdd.flatMap{ bigObject => 
    val rangList: List[Int] = List.range(1, 1000)
    rangList.map( num => (num, bigObject))
}

上面的代码将在同一个分区上运行，但由于我们创建的BigObject实例太多，它会将这些对象写入单独的分区，这将导致shuffle写入