这是根本不同的。

一方面

spark.parallize(range(1,10k)).map(taskDone)

这将在本地（在驱动程序节点上）创建一个包含10k元素的范围对象。这个范围被传送到集群的executor节点（每个接收n个元素），每个worker将任务应用到这n个元素，而驱动程序（可能是因为这里需要最后一步来真正开始计算）等待返回结果。
更具体地说：

spark.parallize(range(1,10k))

是在驱动程序上单线程运行的代码。它所做的是创建一个范围，并要求spark将其拆分（将其发送到executor节点）
然后

.map(taskDone)

将代码发送到 taskDone 以使任务在触发计算后在集群允许的范围内并发应用。

另一方面。。。

range(1, 10k).stream().parallel().map(spark.rdd(x).collect() /*do one using spark*/)

这将在驱动程序上创建一个范围，包含10k元素。然后，将10k元素中的每一个并行地（并行级别是一台机器的并行级别，驱动程序节点，与集群无关）分配给rdd（包含单个元素），并且（大概）为集群创建10k任务，每个任务在单个元素上工作。
这种第二种做事方式几乎肯定会非常低效。spark被设计成分布式地处理（非常）大的集合，使用的编程模型使它看起来像是在本地处理的。这是您的第一个代码示例。
您的第二个代码的工作方式与此相反：它在一台“计算机”（主节点）上创建大量非常小的集合，这违背了目的：将单个元素的集合传送到计算集群是没有用的！
更具体地说：

range(1, 10k).stream().parallel().map(spark.rdd(x)

这是在一台计算机（驱动程序）上串行运行的代码。它创建一个范围，将其（平行地）拆分为单个（size=1）元素，并将这些单个元素中的每个元素转换为该单个元素的rdd（spark分布式集合）。
实现的并行级别是驱动程序节点的并行级别。并行化的是RDD的创建，而不是对元素执行工作
然后：

.collect()

您要求执行并收回每个rdd。只要sparksession是线程安全的和并发的，那么这些非常小的（1项）rdd就会被处理并发回。
因此，您将并行性限制为驱动程序节点的并行性（通常没有那么大），而不是使用集群的并行性（可能非常大）。
用第一种方法。