因此,我想在我的 Spark DataFrame 上执行某些操作,将它们写入数据库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
。我知道这对于 forEachPartition 是可能的,但我也想进行映射。单独进行会产生开销(额外的 Spark 工作)。该怎么办?
谢谢!
最佳答案
在大多数情况下,如果不减慢作业速度,急切地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为空,然后执行清理例程。
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
})
})
一开始我认为这是一个 Spark 问题,但实际上是一个 scala 问题。 http://www.scala-lang.org/api/2.12.0/scala/collection/Iterator.html#isEmpty:Boolean
关于scala - Spark : How to use mapPartition and create/close connection per partition,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/36545579/