[Apache Spark][教學] 不要隨便Collect RDD!

圖片來源：http://www.leavedebtbehind.com/free-tools/sample-letters/sample-letter-how-to-stop-collection-agency-harassment/

        先講結論：如果你的RDD很大，千萬不要隨便Collect．原文出處為http://databricks.gitbooks.io/databricks-spark-knowledge-base/content/best_practices/dont_call_collect_on_a_very_large_rdd.html．只說Collect會將所有元素複製到單一台機器上，但是沒說清楚為什麼會發生這種現象．


        在[Spark]RDD的不可變性中，有提到RDD在不同的階段會產生不同的RDD物件，直到我們做了reduce後資料才從RDD中計算結果，吐回一個Int給我們．雖然我們說Spark是分散式計算，但是”分散式“這件事其實是RDD物件本身的特性，當我們把資料透過reduce變成Int後，那個Int物件其實是沒有分散的（Int物件是Scala下面的特性）．所以要查清楚為什麼Collect後資料會吐回一台機器上，就要來看Collect後是什麼東西：
先延續之前的例子：

到numMap為止都還是RDD物件，那我們將他collect一下：
scala> val numColl = numMap.collect()
numColl: Array[Int] = Array(11, 12, 13, 14, 15, 16, 17, 18, 19)
很清楚看到Collect這個動作執行後，資料就從RDD中拆開來變成了一個Int Array，Array本身也是Scala原有的物件，不支援分散式，也難怪如果RDD太大Collect後會炸機器了．

        其他類似的功能還包括了

• countByKey
• countByValue
• collectAsMap

使用時請千萬小心