火花：如何使用映射分区和创建/关闭每个分区的连接

Question

所以，我想对我的spark数据帧执行某些操作，将它们写入DB，并在最后创建另一个数据帧。看起来是这样的：

import sqlContext.implicits._

val newDF = myDF.mapPartitions(
  iterator => {
    val conn = new DbConnection
    iterator.map(
       row => {
         addRowToBatch(row)
         convertRowToObject(row)
     })
    conn.writeTheBatchToDB()
    conn.close()
  })
  .toDF()

这给我一个错误，因为map分区期望返回Iterator[NotInferedR]的类型，但这里是Unit。我知道这在forEach分区中是可能的，但我也想做映射。单独做会有开销（额外的火花工作）。该怎么办？

谢谢

Answer 1

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()

Answer 2

在大多数情况下，如果不减慢作业速度，急于消耗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问题。http://www.scala-lang.org/api/2.12.0/scala/collection/Iterator.html#isEmpty:Boolean