如何在沒有本地迭代器的情況下返回Spark RDD分區值？

Question

我正在學習Spark及其與RDD分區分布有關的並行性。 我有一台4 CPU的計算機，因此我有4個並行單元。 要返回分區索引“ 0”的成員，我找不到不強制RDD使用localIterator的方法來返回此分區。

我習慣火花很簡潔。 是否有更簡潔的方法來按分區過濾RDD？ 以下兩種方法有效，但看起來很笨拙。

scala> val data = 1 to 20
data: scala.collection.immutable.Range.Inclusive = Range(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20)

scala> val distData = sc.parallelize(data)
distData: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[75] at parallelize at <console>:26

scala> distData.mapPartitionsWithIndex{
   (index,it) => {
      it.toList.map(x => if (index == 0) (x)).iterator
   }
}.toLocalIterator.toList.filterNot(
   _.isInstanceOf[Unit]
)
res107: List[AnyVal] = List(1, 2, 3, 4, 5)

scala> distData.mapPartitionsWithIndex{
   (index,it) => {
      it.toList.map(x => if (index == 0) (x)).iterator
   }
}.toLocalIterator.toList.filter(
   _ match{
      case x: Unit => false
      case x => true
   }
)
res108: List[AnyVal] = List(1, 2, 3, 4, 5)

Answer 1

distData.mapPartitionsWithIndex{ (index, it) => 
      if (index == 0) it else Array[Int]().iterator
}

您可以返回一個空的迭代器，它將正常工作。