首先Spark算是一个分布式系统（分布式，分布式），对于每一个RDD，可以把他看成里面储存的是一堆指针，这些指针指向每一个RDD里的partition储存的位置。

 

Dstream.foreachRDD：

首先他操作的是Dstream， Dstream是一个由RDD组成的流，foreachRDD是一个输出的操作，它可以操作RDD，比如把RDD的数据写入的数据库

 

要是想要操作RDD里面的数据，就要用RDD.foreach

 

foreeachRDD操作的是Dstream，而foreach操作的是RDD，举个栗子，有一群人排队看中国打波兰的世界杯。你知道排队的都是要进去看比赛的，但是不知道到底有多少人，这样就要用foreachRDD。 而对于每一个人，要查身份证，安检一堆此操作，这就是对每个观众干的活，就是RDD里的elements。

 

ps：RDD.foreach（）

这是一个挺奇怪的方法，他跟map的区别就是，map会返回操作的结果然后生成一个RDD，而foreach就只能操作每一个item，操作完了就没有然后了。

 

就像这样

def f(x):  print(x+1) 
sc.parallelize([1, 2, 3, 4, 5]).foreach(f)

比如对于RDD.map()他是操作每一个element后记录返回的结果，而foreach则会直接丢弃返回的结果

 

但是。。我发现个问题

A = []
def f(x):  
    print(x+1)
    A.append(x) 
sc.parallelize([1, 2, 3, 4, 5]).foreach(f)

这样A里却不会有任何结果

 

但是对于foreachRDD

min_of_elements  = []
average_per_RDD = []

def aaa(x):
    if x.isEmpty():
        print("empty")
        min_of_elements.append(0)
        average_per_RDD.append(0)
    else:
        min_of_elements.append(x.min())
        average_per_RDD.append(x.sum()/x.count())

这个就能把得到的结果存储来

 

对于一个RDD，他不一定会存在一个地方，可能一个partition在不同的位置，而操作RDD是并行的，所以每一个node都会去操作RDD的一部分，而那个A = 【】 每个node里是没有的，

spark中collect和foreach spark foreach_数据库

能看到其实每个node里是没有A的。

 

再看看print的效果

spark中collect和foreach spark foreach_数据库_02

打印时没有顺序的，因为他们时并行输出的。但是对于foreach，只能进行操作，比如把他们都存到mongoDB里，时刻都要记住，他只是在每个node里有你要操作的命令和一部分RDD。最重要的是他是并行的

 

 

 那为啥foreachRDD能行

foreachRDD操作的时Dstream。Dstream已经就是一个完整的流，如果一个node里处理这个dstream的，那在处理这个dstream的node里储存的变量就可以一直update。

图有点丑。。

spark中collect和foreach spark foreach_数据库_03