在 Apache Spark 中，map 和 flatMap 是 RDD（弹性分布式数据集）中最常用的转换操作之一。

map

假设你有一个包含整数的 RDD，你想要计算每个元素的平方。

from pyspark import SparkContext

sc = SparkContext(appName="MapExample")

# 创建一个包含整数的 RDD
numbers = sc.parallelize([1, 2, 3, 4, 5])

# 使用 map 计算每个元素的平方
squares = numbers.map(lambda x: x * x)

# 收集并打印结果
print(squares.collect())  # 输出: [1, 4, 9, 16, 25]

flatMap

flatMap 类似于 map，但它会对每个输入元素应用一个返回可迭代对象的函数，并将所有的结果扁平化成一个单一的输出流。这意味着 flatMap 可以将多个输出项合并成一个输出 RDD。

from pyspark import SparkContext

sc = SparkContext(appName="FlatMapExample")

# 创建一个包含字符串的 RDD
words = sc.parallelize(["hello", "world"])

# 使用 flatMap 将每个字符串拆分成字符
characters = words.flatMap(lambda word: list(word))

# 收集并打印结果
print(characters.collect())  # 输出: ['h', 'e', 'l', 'l', 'o', 'w', 'o', 'r', 'l', 'd']

区别

1. 输出数量：

   • map 对每个输入元素只产生一个输出元素。
   • flatMap 可以对每个输入元素产生多个输出元素。

2. 适用场景：

   • 当你需要对每个元素进行简单的转换时，使用 map。
   • 当你需要将每个元素拆分成多个元素时，使用 flatMap。

3. 性能：

   • map 和 flatMap 在性能上差异不大，但 flatMap 可能会在某些情况下因为需要处理更多的输出元素而显得稍微慢一点。
   • flatMap 在内部实现了优化，它可以将多个输出元素合并成单一批次发送，从而减少网络传输开销。