【knowledgebase】不要在一个很大的RDD上调用collect

如果一个RDD很大以至于它的所有元素并不能在driver端机器的内存中存放下，请不要进行如下调用：

val values = myVeryLargeRDD.collect()

collect将尝试拷贝RDD中的每个元素到Driver端，容易导致OOM或者crash；

相反，如果你能通过调用take、takeSample、filter、sample等操作对返回的元素个数上限进行限制，再使用collect还是可以的；

查看RDD的collect方法源码：

def collect(): Array[T] = {
    val results = sc.runJob(this, (iter: Iterator[T]) => iter.toArray)
    Array.concat(results: _*)
}

注意：

countByKey、countByValue、collectAsMap操作在使用的时候也要注意数据集的大小能存放到内存中；

如果你确实想要知道RDD(数据非常大)中的每个元素，建议将RDD导出到文件、数据库中再进行查看。

countByKey、countByValue、collectAsMap方法源码：

PairRDDFunctions.scala
def countByKey(): Map[K, Long] = self.mapValues(_ => 1L).reduceByKey(_ + _).collect().toMap

def collectAsMap(): Map[K, V] = {
    val data = self.collect()
    val map = new mutable.HashMap[K, V]
    map.sizeHint(data.length)
    data.foreach { pair => map.put(pair._1, pair._2) }
    map
}

RDD.scala
def countByValue()(implicit ord: Ordering[T] = null): Map[T, Long] = {
    map(value => (value, null)).countByKey()
}