传递函数到 Spark

Spark 的 API 很大程度上依靠在驱动程序里传递函数到集群上运行。这里有两种推荐的方式：

  • 匿名函数 (Anonymous function syntax)，可以在比较短的代码中使用。
  • 全局单例对象里的静态方法。例如，你可以定义 object MyFunctions 然后传递 MyFounctions.func1，像下面这样：
  1. object MyFunctions {
  2.   def func1(s: String): String = { ... }
  3. }
  5. myRdd.map(MyFunctions.func1)

注意，它可能传递的是一个类实例里的一个方法引用(而不是一个单例对象)，这里必须传送包含方法的整个对象。例如：

  1. class MyClass {
  2.   def func1(s: String): String = { ... }
  3.   def doStuff(rdd: RDD[String]): RDD[String] = { rdd.map(func1) }
  4. }

这里，如果我们创建了一个 new MyClass 对象，并且调用它的 doStuff，map 里面引用了这个 MyClass 实例中的 func1 方法，所以这个对象必须传送到集群上。类似写成 rdd.map(x => this.func1(x))。

以类似的方式，访问外部对象的字段将会引用整个对象：

  1. class MyClass {
  2.   val field = "Hello"
  3.   def doStuff(rdd: RDD[String]): RDD[String] = { rdd.map(x => field + x) }
  4. }

相当于写成 rdd.map(x => this.field + x)，引用了整个 this 对象。为了避免这个问题，最简单的方式是复制 field 到一个本地变量而不是从外部访问它：

  1. def doStuff(rdd: RDD[String]): RDD[String] = {
  2.   val field_ = this.field
  3.   rdd.map(x => field_ + x)
  4. }