[英]Spark : DB connection per Spark RDD partition and do mapPartition
[英]Spark : How to use mapPartition and create/close connection per partition
所以,我想对我的spark DataFrame进行某些操作,将它们写入DB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Iterator[NotInferedR]
返回类型,但这里它是Unit
。 我知道这可以用forEachPartition,但我也想做映射。 分开进行将是一个开销(额外的火花工作)。 该怎么办?
谢谢!
在大多数情况下,如果不减慢作业速度,那么急于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经为空,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
})
})
起初认为这是一个火花问题但实际上是一个scala。 http://www.scala-lang.org/api/2.12.0/scala/collection/Iterator.html#isEmpty:Boolean
匿名函数实现中的最后一个表达式必须是返回值:
import sqlContext.implicits._
val newDF = myDF.mapPartitions(
iterator => {
val conn = new DbConnection
// using toList to force eager computation - make it happen now when connection is open
val result = iterator.map(/* the same... */).toList
conn.writeTheBatchToDB()
conn.close()
result.iterator
}
).toDF()
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.