Spark中parallelize函數和makeRDD函數的區別

咱們知道，在Spark中建立RDD的建立方式大概能夠分爲三種：

• 從集合中建立RDD；
• 從外部存儲建立RDD；
• 從其餘RDD建立。

而從集合中建立RDD，Spark主要提供了兩種函數：parallelize和makeRDD。咱們能夠先看看這兩個函數的聲明：

def parallelize[T: ClassTag](
    seq: Seq[T],
    numSlices: Int = defaultParallelism):RDD[T]

def makeRDD[T: ClassTag](
    seq: Seq[T],
    numSlices: Int = defaultParallelism): RDD[T]

def makeRDD[T: ClassTag](seq: Seq[(T, Seq[String])]): RDD[T]

咱們能夠從上面看出makeRDD有兩種實現，並且第一個makeRDD函數接收的參數和parallelize徹底一致。其實第一種makeRDD函數實現是依賴了parallelize函數的實現，來看看Spark中是怎麼實現這個makeRDD函數的：

def makeRDD[T: ClassTag](
    seq: Seq[T],
    numSlices: Int = defaultParallelism): RDD[T] = withScope {
    parallelize(seq, numSlices)
}

咱們能夠看出，這個makeRDD函數徹底和parallelize函數一致。可是咱們得看看第二種makeRDD函數函數實現了，它接收的參數類型是Seq[(T, Seq[String])]，Spark文檔的說明是

Distribute a local Scala collection to form an RDD, with one or more location preferences (hostnames of Spark nodes) for each object. Create a new partition for each collection item.

原來，這個函數還爲數據提供了位置信息，來看看咱們怎麼使用：

scala> val iteblog1 = sc.parallelize(List(1,2,3))
iteblog1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[10] at parallelize at <console>:21

scala> val iteblog2 = sc.makeRDD(List(1,2,3))
iteblog2: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[11] at makeRDD at <console>:21

scala> val seq = List((1, List("iteblog.com", "sparkhost1.com", "sparkhost2.com")),(2, List("iteblog.com", "sparkhost2.com")))
seq: List[(Int, List[String])] = List((1,List(iteblog.com, sparkhost1.com,sparkhost2.com)),(2,List(iteblog.com, sparkhost2.com)))

scala> val iteblog3 = sc.makeRDD(seq)
iteblog3: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[12] at makeRDD at <console>:23

scala> iteblog3.preferredLocations(iteblog3.partitions(1))
res26: Seq[String] = List(iteblog.com, sparkhost2.com)

scala> iteblog3.preferredLocations(iteblog3.partitions(0))
res27: Seq[String] = List(iteblog.com, sparkhost1.com, sparkhost2.com)

scala> iteblog1.preferredLocations(iteblog1.partitions(0))
res28: Seq[String] = List()

咱們能夠看到，makeRDD函數有兩種實現，第一種實現其實徹底和parallelize一致；而第二種實現能夠爲數據提供位置信息，而除此以外的實現和parallelize函數也是一致的，以下：

def parallelize[T: ClassTag](
    seq: Seq[T],
    numSlices: Int = defaultParallelism): RDD[T] = withScope {
    assertNotStopped()
    new ParallelCollectionRDD[T](this, seq, numSlices, Map[Int, Seq[String]]())
}

def makeRDD[T: ClassTag](seq: Seq[(T, Seq[String])]): RDD[T] = withScope {
    assertNotStopped()
    val indexToPrefs = seq.zipWithIndex.map(t => (t._2, t._1._2)).toMap
    new ParallelCollectionRDD[T](this, seq.map(_._1), seq.size, indexToPrefs)
}

都是返回ParallelCollectionRDD，並且這個makeRDD的實現不能夠本身指定分區的數量，而是固定爲seq參數的size大小。