Question

所以，我想对我的spark DataFrame进行某些操作，将它们写入DB并在最后创建另一个DataFrame。它看起来像这样：

import sqlContext.implicits._

val newDF = myDF.mapPartitions(
  iterator => {
    val conn = new DbConnection
    iterator.map(
       row => {
         addRowToBatch(row)
         convertRowToObject(row)
     })
    conn.writeTheBatchToDB()
    conn.close()
  })
  .toDF()

这给了我一个错误，因为mapPartitions期望返回类型为Iterator[NotInferedR]，但这里是Unit。我知道这可以用forEachPartition，但我也想做映射。分开进行将是一个开销（额外的火花工作）。怎么办？

谢谢！

Answer 1

在大多数情况下，如果没有减慢作业速度，那么急于使用迭代器将导致执行失败。因此，我所做的是检查迭代器是否已经为空，然后执行清理程序。

rdd.mapPartitions(itr => {
    val conn = new DbConnection
    itr.map(data => {
       val yourActualResult = // do something with your data and conn here
       if(itr.isEmpty) conn.close // close the connection
       yourActualResult
    })
})

起初认为这是一个火花问题但实际上是一个scala。 http://www.scala-lang.org/api/2.12.0/scala/collection/Iterator.html#isEmpty:Boolean

Answer 2

匿名函数实现中的最后一个表达式必须是返回值：

import sqlContext.implicits._

val newDF = myDF.mapPartitions(
  iterator => {
    val conn = new DbConnection
    // using toList to force eager computation - make it happen now when connection is open
    val result = iterator.map(/* the same... */).toList
    conn.writeTheBatchToDB()
    conn.close()
    result.iterator
  }
).toDF()

Spark：如何使用mapPartition并为每个分区创建/关闭连接

2 个答案: