Spark控制算子

Spark控制算子

1. 控制算子分类

Spark中控制算子也是懒执行的，需要Action算子触发才能执行，主要是为了对数据进行缓存。

cache()，persist()，checkpoint()算子

其中【cache () = persist()=persist(StorageLevel.Memory_Only)】

以上算子都可以将RDD持久化，持久化的最小单位是partition。

SparkConf conf = new SparkConf();

 conf.setMaster("local").setAppName("CacheTest");

 JavaSparkContext jsc = new JavaSparkContext(conf);

 JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95");

 

 lines = lines.cache();

 long startTime = System.currentTimeMillis();

 long count = lines.count();//count是action算子，到这里才能触发cache执行，所以这一次count加载是从磁盘读数据，然后拉回到driver端。

 long endTime = System.currentTimeMillis();

 System.out.println("共"+count+ "条数据，"+"初始化时间+cache时间+计算时间="+

          (endTime-startTime));

        

 long countStartTime = System.currentTimeMillis();

 long countrResult = lines.count();//这一次是从内存种中读数据

 long countEndTime = System.currentTimeMillis();

 System.out.println("共"+countrResult+ "条数据，"+"计算时间="+ (countEndTime-

           countStartTime));

        

 jsc.stop();

2. persist持久化级别

如下：

1、MEMORY_AND_DISK 意思是先往内存中放数据，内存不够再放磁盘

2、最常用的是MEMORY_ONLY和MEMORY_AND_DISK。”_2”表示有副本数。

3、选择的原则是：首先考虑内存，然后考虑序列化之后再放入内存，最后考虑内存加磁盘。

4、尽量避免使用“_2”和DISK_ONLY级别。

5、deserialized是不序列化的意思。

3.注意事项

1、cache和persist都是懒执行，必须有一个action类算子触发执行。

2、cache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。

3、cache和persist算子后不能立即紧跟action算子。如下：

错误做法：

rdd.cache().count();

因为rdd.cache()返回的不是持久化的RDD，而是一个数值了

正确做法：

JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95");

lines = lines.cache();

long count = lines.count();

4.Checkpoint（对Lineage非常长时使用）

1、Checkpoint概念和特征：

1>.不仅可以将数据持久化到磁盘，还可以切断RDD之间的依赖关系，checkpoint也是懒执行。

2>.Checkpoint不仅存储结果，还会存储逻辑，还可以存储元数据。

3>.Persisit切断不了RDD的依赖关系。

2、优化checekpoint

1>.因为最后是要触发当前application的action算子，所以在触发之前加一层cache操作，一样会往前执行cache操作，实现对数据的cache ,所以考虑将cache优化到checkpoi的优化流程里。

2>.对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job（回溯完成之后重新开的job）只需要将内存中的数据（cache缓存好的checkpoint那个点的数据）拷贝到HDFS上就可以。

3>.省去了重新计算这一步，不需要重头开始来走到checkpoint这个点了。

3、Checkpoint算子的执行流程？

Checkpoint：设置检查点（懒执行），可以将RDD的数据持久化到HDFS上，以切断RDD的依赖关系。

执行流程：

1>.在我们RDD的job执行完成后，他会从finalRDD（最后一个RDD）从后往前回溯。

2>.回溯的时候发现某一个RDD设置了检查点，他会对这个RDD做一个标记。

3>.全部回溯完成后，他会重新启动一个（checkpointRDD）job，来重新计算这个RDD的值，同时将这个RDD的值写入到HDFS上。

优化：谁要设置检查点，最好在设置之前进行cache一把放入内存

这个RDD的依赖关系会被切断，统一改为checkpointRDD。

注意事项：如果在一个RDD的job里面会有多个RDD设置了检查点，那么在RDD的job执行完成后，只需要启动一个checkpoint job就可以了。job寻找持久化的数据的顺序是：cache/persist-->checkpoint-->再基于他的父RDD重新计算。

 

 文章仅作个人学习，部分摘自他处，内容不断更新