map 和 flatMap 之间有什么区别，并且每个都有一个好的用例？

以下是作为 spark-shell 会话的差异示例：

首先，一些数据 - 两行文本：

val rdd = sc.parallelize(Seq("Roses are red", "Violets are blue"))  // lines

rdd.collect

    res0: Array[String] = Array("Roses are red", "Violets are blue")

现在，map 将一个长度为 N 的 RDD 转换为另一个长度为 N 的 RDD。

例如，它从两行映射到两个行长：

rdd.map(_.length).collect

    res1: Array[Int] = Array(13, 16)

但是flatMap（粗略地说）将长度为 N 的 RDD 转换为 N 个集合的集合，然后将它们展平为单个 RDD 的结果。

rdd.flatMap(_.split(" ")).collect

    res2: Array[String] = Array("Roses", "are", "red", "Violets", "are", "blue")

我们每行有多个单词，多行，但我们最终得到一个单词输出数组

只是为了说明这一点，从行集合到单词集合的 flatMapping 看起来像：

["aa bb cc", "", "dd"] => [["aa","bb","cc"],[],["dd"]] => ["aa","bb","cc","dd"]

因此，对于 flatMap，输入和输出 RDD 通常具有不同的大小。

如果我们尝试将 map 与 split 函数一起使用，我们最终会得到嵌套结构（单词数组的 RDD，类型为 RDD[Array[String]]），因为每个输入必须只有一个结果：

rdd.map(_.split(" ")).collect

    res3: Array[Array[String]] = Array(
                                     Array(Roses, are, red), 
                                     Array(Violets, are, blue)
                                 )

最后，一个有用的特殊情况是与可能不返回答案的函数进行映射，因此返回 Option。我们可以使用 flatMap 过滤出返回 None 的元素，并从返回 Some 的元素中提取值：

val rdd = sc.parallelize(Seq(1,2,3,4))

def myfn(x: Int): Option[Int] = if (x <= 2) Some(x * 10) else None

rdd.flatMap(myfn).collect

    res3: Array[Int] = Array(10,20)

（请注意，Option 的行为更像是一个包含一个元素或零个元素的列表）

---

通常我们在 hadoop 中使用字数统计示例。我将采用相同的用例并使用 map 和 flatMap，我们将看到它处理数据的不同之处。

下面是示例数据文件。

hadoop is fast
hive is sql on hdfs
spark is superfast
spark is awesome

将使用 map 和 flatMap 解析上述文件。

使用地图

>>> wc = data.map(lambda line:line.split(" "));
>>> wc.collect()
[u'hadoop is fast', u'hive is sql on hdfs', u'spark is superfast', u'spark is awesome']

输入有 4 行，输出大小也是 4，即 N 个元素 ==> N 个元素。

使用平面地图

>>> fm = data.flatMap(lambda line:line.split(" "));
>>> fm.collect()
[u'hadoop', u'is', u'fast', u'hive', u'is', u'sql', u'on', u'hdfs', u'spark', u'is', u'superfast', u'spark', u'is', u'awesome']

输出与地图不同。

让我们为每个键分配 1 作为值以获取字数。

fm：使用 flatMap 创建的 RDD

wc：使用地图创建的RDD

>>> fm.map(lambda word : (word,1)).collect()
[(u'hadoop', 1), (u'is', 1), (u'fast', 1), (u'hive', 1), (u'is', 1), (u'sql', 1), (u'on', 1), (u'hdfs', 1), (u'spark', 1), (u'is', 1), (u'superfast', 1), (u'spark', 1), (u'is', 1), (u'awesome', 1)]

而 RDD wc 上的 flatMap 将给出以下不需要的输出：

>>> wc.flatMap(lambda word : (word,1)).collect()
[[u'hadoop', u'is', u'fast'], 1, [u'hive', u'is', u'sql', u'on', u'hdfs'], 1, [u'spark', u'is', u'superfast'], 1, [u'spark', u'is', u'awesome'], 1]

如果使用 map 而不是 flatMap，则无法获得字数。

根据定义，map 和 flatMap 之间的区别是：

map：它通过将给定的函数应用于 RDD 的每个元素来返回一个新的 RDD。 map 中的函数只返回一项。 flatMap：和map类似，通过对RDD的每个元素应用一个函数，返回一个新的RDD，但是输出是扁平化的。

---

它归结为您最初的问题：您所说的 flattening 是什么意思？

当你使用 flatMap 时，一个“多维”集合变成了“一维”集合。

val array1d = Array ("1,2,3", "4,5,6", "7,8,9")  
//array1d is an array of strings

val array2d = array1d.map(x => x.split(","))
//array2d will be : Array( Array(1,2,3), Array(4,5,6), Array(7,8,9) )

val flatArray = array1d.flatMap(x => x.split(","))
//flatArray will be : Array (1,2,3,4,5,6,7,8,9)

您想在以下情况下使用 flatMap，

您的地图功能会导致创建多层结构

但你想要的只是一个简单的 - 平面 - 一维结构，通过删除所有内部分组

---

所有的例子都很好......这是很好的视觉插图......来源礼貌：DataFlair training of spark

地图：地图是 Apache Spark 中的一种转换操作。它适用于 RDD 的每个元素，并将结果作为新的 RDD 返回。在 Map 中，运维开发者可以定义自己的自定义业务逻辑。相同的逻辑将应用于 RDD 的所有元素。

Spark RDD map 函数将一个元素作为输入，根据自定义代码（由开发人员指定）对其进行处理，并一次返回一个元素。 Map 将一个长度为 N 的 RDD 转换为另一个长度为 N 的 RDD。输入和输出 RDD 通常具有相同数量的记录。

https://i.stack.imgur.com/cqSea.gif

使用 scala 的 map 示例：

val x = spark.sparkContext.parallelize(List("spark", "map", "example",  "sample", "example"), 3)
val y = x.map(x => (x, 1))
y.collect
// res0: Array[(String, Int)] = 
//    Array((spark,1), (map,1), (example,1), (sample,1), (example,1))

// rdd y can be re writen with shorter syntax in scala as 
val y = x.map((_, 1))
y.collect
// res1: Array[(String, Int)] = 
//    Array((spark,1), (map,1), (example,1), (sample,1), (example,1))

// Another example of making tuple with string and it's length
val y = x.map(x => (x, x.length))
y.collect
// res3: Array[(String, Int)] = 
//    Array((spark,5), (map,3), (example,7), (sample,6), (example,7))

平面图：

flatMap 是一种转换操作。它适用于 RDD 的每个元素，并将结果作为新的 RDD 返回。它类似于 Map，但 FlatMap 允许从 map 函数返回 0、1 或更多元素。在 FlatMap 操作中，开发者可以定义自己的自定义业务逻辑。相同的逻辑将应用于 RDD 的所有元素。

“使结果变平”是什么意思？

FlatMap 函数将一个元素作为输入，根据自定义代码（由开发人员指定）对其进行处理，并一次返回 0 个或多个元素。 flatMap() 将一个长度为 N 的 RDD 转换为另一个长度为 M 的 RDD。

https://i.stack.imgur.com/uOD2O.gif

使用 scala 的 flatMap 示例：

val x = spark.sparkContext.parallelize(List("spark flatmap example",  "sample example"), 2)

// map operation will return Array of Arrays in following case : check type of res0
val y = x.map(x => x.split(" ")) // split(" ") returns an array of words
y.collect
// res0: Array[Array[String]] = 
//  Array(Array(spark, flatmap, example), Array(sample, example))

// flatMap operation will return Array of words in following case : Check type of res1
val y = x.flatMap(x => x.split(" "))
y.collect
//res1: Array[String] = 
//  Array(spark, flatmap, example, sample, example)

// RDD y can be re written with shorter syntax in scala as 
val y = x.flatMap(_.split(" "))
y.collect
//res2: Array[String] = 
//  Array(spark, flatmap, example, sample, example)

---

如果您在 Spark 中询问 RDD.map 和 RDD.flatMap 之间的区别，map 会将大小为 N 的 RDD 转换为另一个大小为 N 的 RDD。例如。

myRDD.map(x => x*2)

例如，如果 myRDD 由 Doubles 组成。

而 flatMap 可以将 RDD 转换为另一种不同大小的 RDD：例如：

myRDD.flatMap(x =>new Seq(2*x,3*x))

这将返回大小为 2*N 的 RDD 或

myRDD.flatMap(x =>if x<10 new Seq(2*x,3*x) else new Seq(x) )

---

以 test.md 为例：

➜  spark-1.6.1 cat test.md
This is the first line;
This is the second line;
This is the last line.

scala> val textFile = sc.textFile("test.md")
scala> textFile.map(line => line.split(" ")).count()
res2: Long = 3

scala> textFile.flatMap(line => line.split(" ")).count()
res3: Long = 15

scala> textFile.map(line => line.split(" ")).collect()
res0: Array[Array[String]] = Array(Array(This, is, the, first, line;), Array(This, is, the, second, line;), Array(This, is, the, last, line.))

scala> textFile.flatMap(line => line.split(" ")).collect()
res1: Array[String] = Array(This, is, the, first, line;, This, is, the, second, line;, This, is, the, last, line.)

如果使用 map 方法，您将获得 test.md 的行数，对于 flatMap 方法，您将获得字数。

map 方法与 flatMap 类似，都是返回一个新的 RDD。 map 方法经常使用返回一个新的 RDD，flatMap 方法经常使用拆分词。

---

map 和 flatMap 是相似的，它们从输入 RDD 中取一行并在其上应用一个函数。它们的不同之处在于 map 中的函数只返回一个元素，而 flatMap 中的函数可以返回一个元素列表（0 个或多个）作为迭代器。

此外，flatMap 的输出被展平。虽然 flatMap 中的函数返回一个元素列表，但 flatMap 返回一个 RDD，它以平面方式（不是列表）包含列表中的所有元素。

---

map 返回相同数量元素的 RDD，而 flatMap 可能不会。

flatMap 的示例用例过滤掉丢失或不正确的数据。

map 的示例用例用于输入和输出元素数量相同的各种情况。

数字.csv

1
2
3
-
4
-
5

map.py 将 add.csv 中的所有数字相加。

from operator import *

def f(row):
  try:
    return float(row)
  except Exception:
    return 0

rdd = sc.textFile('a.csv').map(f)

print(rdd.count())      # 7
print(rdd.reduce(add))  # 15.0

flatMap.py 在添加之前使用 flatMap 过滤掉缺失的数据。与以前的版本相比，添加的数字更少。

from operator import *

def f(row):
  try:
    return [float(row)]
  except Exception:
    return []

rdd = sc.textFile('a.csv').flatMap(f)

print(rdd.count())      # 5
print(rdd.reduce(add))  # 15.0

---

从下面的示例 pyspark 代码可以看出差异：

rdd = sc.parallelize([2, 3, 4])
rdd.flatMap(lambda x: range(1, x)).collect()
Output:
[1, 1, 2, 1, 2, 3]


rdd.map(lambda x: range(1, x)).collect()
Output:
[[1], [1, 2], [1, 2, 3]]

---

map：它通过对 RDD 的每个元素应用一个函数来返回一个新的 RDD。 .map 中的函数只能返回一项。

flatMap：类似于 map，它通过对 RDD 的每个元素应用一个函数来返回一个新的 RDD，但输出是扁平的。

此外，flatMap 中的函数可以返回元素列表（0 个或更多）

例如：

sc.parallelize([3,4,5]).map(lambda x: range(1,x)).collect()

输出：[[1, 2], [1, 2, 3], [1, 2, 3, 4]]

sc.parallelize([3,4,5]).flatMap(lambda x: range(1,x)).collect()

输出：通知 o/p 在单个列表中被展平 [1, 2, 1, 2, 3, 1, 2, 3, 4]

来源：https://www.linkedin.com/pulse/difference-between-map-flatmap-transformations-spark-pyspark-pandey/

---

Flatmap 和 Map 都转换集合。

区别：

map(func) 返回一个新的分布式数据集，通过函数 func 传递源的每个元素形成。

flatMap(func) 类似于 map，但是每个输入项可以映射到 0 个或多个输出项（因此 func 应该返回一个 Seq 而不是单个项）。

变换函数：map：一个元素入->一个元素出。 flatMap：一个元素输入 -> 0 个或多个元素输出（一个集合）。

---

RDD.map 返回单个数组中的所有元素

RDD.flatMap 返回数组中的元素

假设我们在 text.txt 文件中有文本

Spark is an expressive framework
This text is to understand map and faltMap functions of Spark RDD

使用地图

val text=sc.textFile("text.txt").map(_.split(" ")).collect

输出：

text: **Array[Array[String]]** = Array(Array(Spark, is, an, expressive, framework), Array(This, text, is, to, understand, map, and, faltMap, functions, of, Spark, RDD))

使用平面地图

val text=sc.textFile("text.txt").flatMap(_.split(" ")).collect

输出：

 text: **Array[String]** = Array(Spark, is, an, expressive, framework, This, text, is, to, understand, map, and, faltMap, functions, of, Spark, RDD)

---

对于所有想要 PySpark 相关的人：

示例转换：flatMap

>>> a="hello what are you doing"
>>> a.split()

['你好'，'什么'，'是'，'你'，'正在做']

>>> b=["hello what are you doing","this is rak"]
>>> b.split()

Traceback（最近一次调用最后一次）：文件“”，第 1 行，在 AttributeError 中：'list' 对象没有属性'split'

>>> rline=sc.parallelize(b)
>>> type(rline)

>>> def fwords(x):
...     return x.split()


>>> rword=rline.map(fwords)
>>> rword.collect()

[['你好', 'what', 'are', 'you', 'doing'], ['this', 'is', 'rak']]

>>> rwordflat=rline.flatMap(fwords)
>>> rwordflat.collect()

['你好'，'什么'，'是'，'你'，'做'，'这个'，'是'，'rak']

希望能帮助到你 ：）

---

地图 ：

是一种高阶方法，它将函数作为输入并将其应用于源 RDD 中的每个元素。

http://commandstech.com/difference-between-map-and-flatmap-in-spark-what-is-map-and-flatmap-with-examples/

平面图：

采用输入函数的高阶方法和转换操作。

---

地图

通过对该 RDD 的每个元素应用一个函数来返回一个新的 RDD。

>>> rdd = sc.parallelize([2, 3, 4])
>>> sorted(rdd.map(lambda x: [(x, x), (x, x)]).collect())
[[(2, 2), (2, 2)], [(3, 3), (3, 3)], [(4, 4), (4, 4)]]

平面图

通过首先对该 RDD 的所有元素应用一个函数，然后将结果展平，返回一个新的 RDD。这里可以将一个元素转换为多个元素

>>> rdd = sc.parallelize([2, 3, 4])
>>> sorted(rdd.flatMap(lambda x: [(x, x), (x, x)]).collect())
[(2, 2), (2, 2), (3, 3), (3, 3), (4, 4), (4, 4)]

---

map(func) 返回一个新的分布式数据集，通过声明的函数 func 传递源的每个元素形成。所以 map() 是单项

时间

flatMap(func) 类似于 map，但每个输入项可以映射到 0 个或多个输出项，因此 func 应该返回一个序列而不是单个项。

---

map 和 flatMap 输出的区别：

1.flatMap

val a = sc.parallelize(1 to 10, 5)

a.flatMap(1 to _).collect()

输出：

 1, 1, 2, 1, 2, 3, 1, 2, 3, 4, 1, 2, 3, 4, 5, 1, 2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6, 7, 1, 2, 3, 4, 5, 6, 7, 8, 1, 2, 3, 4, 5, 6, 7, 8, 9, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10

2.map：

val a = sc.parallelize(List("dog", "salmon", "salmon", "rat", "elephant"), 3)

val b = a.map(_.length).collect()

输出：

3 6 6 3 8

---