当我在RDD上使用collectAsMap而不是RDD .collect()时,是否有任何性能影响?toMap吗?
我有一个键值rdd,我想转换为HashMap据我所知,collect()在大型数据集上效率不高,因为它运行在驱动程序上,我可以使用collectAsMap,而不是有任何性能影响吗?
原始:val QuoteHashMap=QuoteRDD.collect().toMap
val QuoteRDDData=QuoteHashMap.values.toSeq
val QuoteRDDSet=sc.parallelize(QuoteRDDData.map(x => x.toString.replace("(","").replace(")","")))
QuoteRDDSet.saveAsTextFile(Quotepath)
改变:
val QuoteHashMap=QuoteRDD.collectAsMap()
val QuoteRDDData=QuoteHashMap.values.toSeq
val QuoteRDDSet=sc.parallelize(QuoteRDDData.map(x => x.toString.replace("(","").replace(")","")))
QuoteRDDSet.saveAsTextFile(Quotepath)
collectAsMap
的实现如下
def collectAsMap(): Map[K, V] = self.withScope {
val data = self.collect()
val map = new mutable.HashMap[K, V]
map.sizeHint(data.length)
data.foreach { pair => map.put(pair._1, pair._2) }
map
}
因此,collect
和collectAsMap
之间没有性能差异,因为collectAsMap
在底层也调用collect
。
无差异。尽量避免使用collect(),因为它破坏了并行的概念,并收集驱动程序上的数据。