Spark优化之一：分布式下的map操作是闭包

例如对一个JavaPairRDD<String, String>做遍历操作，常见的，我们可以通过先通过collect()操作将它转化为Map对象再进行遍历，也可以使用Spark提供的mapToPair方法进行遍历。然而两者的性能差距是非常显著的。

仅仅遍历1500条长度为155的序列，前者需要消耗6s，后者只需要消耗不到1s的时间。这说明，将Spark内存对象转化为普通Java对象有时会产生巨大的开销！

这里需要提到的是，我依旧还没有源代码，过年争取看一下。

贴上两个遍历操作的源代码：

第一种Map遍历：

        List<String> s_key = new ArrayList<>();
        fastaDataJavaPairRDD.collect().forEach(a -> {
            s_key.add(a._1);
        });
        fastaDataJavaPairRDD = null;
        List<String> s_out1 = new ArrayList<>();
        List<String> s_out2 = new ArrayList<>();
        fastaMSADataJavaPairRDD.collect().forEach(a -> {
            s_out1.add(a._1);
            s_out2.add(a._2);
        });
        fastaMSADataJavaPairRDD = null;
        System.out.println((System.currentTimeMillis()-startTime)+"ms");

　　

第二种mapToPair遍历：

        List<String> s_key = new ArrayList<>();
        fastaDataJavaPairRDD.mapToPair(
                (PairFunction<Tuple2<String, String>, String, String>) stringTuple2 -> {
                    s_key.add(stringTuple2._1);
                    return new Tuple2<>(null, null);
                }
        );
        fastaDataJavaPairRDD = null;
        List<String> s_out1 = new ArrayList<>();
        List<String> s_out2 = new ArrayList<>();
        fastaMSADataJavaPairRDD.mapToPair(
                (PairFunction<Tuple2<String, String>, String, String>) stringTuple2 -> {
                    s_out1.add(stringTuple2._1);
                    s_out2.add(stringTuple2._2);
                    return new Tuple2<>(null, null);
                }
        );
        fastaMSADataJavaPairRDD = null;
        System.out.println((System.currentTimeMillis()-startTime)+"ms");

　　

但是，也请注意，分布式下的map，mapToPair等操作都是闭包的，也要注意这些操作内部调用的类和方法都必须是序列化后的，否则是线程不安全的。Spark在操作时，将map等算子内部的操作代码拷贝到每台从节点，从节点进行分别的操作，因此内部不应该出现线程不安全的类和方法。需要注意。