Spark 学习笔记----RDD持久化原理

最新推荐文章于 2023-02-04 16:16:46 发布

PZ~浪味仙

最新推荐文章于 2023-02-04 16:16:46 发布

阅读量1.5k

点赞数 2

分类专栏： Spark

Spark 专栏收录该内容

20 篇文章

订阅专栏

1、RDD持久化的原理
Spark非常重要的一个功能特性，就是可以将RDD持久化到内存中，当对RDD执行持久化操作时，每个节点都会将自己操作的RDD的partition持久化到内存中，并在在之后对该RDD的反复使用中，直接使用内存缓存的partition。这样对于针对一个RDD的反复执行多个操作的场景，就只要对RDD计算一次即可，后面直接使用该RDD，而不需要反复计算多次该RDD。

2、RDD持久化的作用
巧妙使用RDD持久化，在某些场景下，可以将Spark应用程序的性能提升10倍，对于迭代式算法和快速交互式应用来说，RDD持久化是非常重要的。

3、RDD持久化的方法
调用RDD的cache()或者persist()方法即可，在该RDD第一次被计算出来时，就会直接缓存在每一个节点中，而且Spark的持久化机制还是自动容错的，如果持久化的RDD的任何partition丢失了，Spark会自动通过其源RDD，使用transformation操作重新计算该partition

4、cache()与persist()的区别
cache()是persist()的一种简化方法，cache(）的底层就是调用persist(）的无参版本，同时就是调用persist(MEMORY_ONLY)，将数据持久化到内存中。如果需要从内存中清除缓存，则可以使用unpersist()方法

5、注意
Spark自己也会在shuffle操作时，进行数据的持久化。比如写入磁盘，主要是为了在节点失败时，避免需要计算整个过程

6、RDD持久化实战

        //cache()或者persist()的使用是有规则的
        //必须在transformation或者textFile等创建一个RDD之后，直接连续调用cache()或者persist()
        //如果先创建一个RDD，然后单独另起一行再执行cache()或者persist()是没有用的，而且会报错，大量的文件会丢失
        JavaRDD<String> lines = sc.textFile("文件路径").cache();
        //JavaRDD<String> lines = sc.textFile("文件路径").persist();

7、RDD持久化策略

RDD持久化是可以手动选择不同的策略的，比如可以将RDD持久化在内存中、磁盘上、使用序列化的方法持久化，持久化的数据进行多路复用。
只要在调用persist()时传入对应的StorageLevel即可。

持久化级别	含义
MEMORY_ONLY	以非序列化的Java对象的方式持久化在JVM内存中，如果内存无法完全存储RDD所有的partition，那么那些没有持久化的partition就会在下一次需要使用它的时候重新被计算。
MEMORY_AND_DISK	同上，但是当某些partition无法存储在内存中时，会持久化到磁盘中，下次需要使用这些partition时，需要从磁盘上读取
MEMORY_ONLY_SER	同MEMORY_ONLY，但是会使用Java序列化方式，将Java对象序列化后进行持久化，可以减少内存开销，但是需要进行反序列化，因此会加大CPU开销
MEMORY_AND_DISK_SER	同MEMORY_AND_DISK，但是使用序列化方式持久化Java对象
DISK_ONLY	使用非序列化Java对象的方式持久化，完全存储到磁盘上
MEMORY_ONLY_2 MEMORY_AND_DISK_2 等等	如果是尾部加了2的持久化级别，表示会将持久化数据复用一份，保存到其他节点，从而在数据丢失时，不需要再次急促安，只需要使用备份数据即可

8、如何选择RDD持久化策略

Spark提供的多种持久化级别，主要是为了在CPU和内存消耗之间进行取舍，下面是一些通用的持久化级别的选择建议：
（1）优先使用MEMORY_ONLY，如果可以缓存所有数据的话，那么就使用这种策略。因为纯内存速度最快，而且没有序列化，不需要消耗CPU进行反序列化操作。
（2）如果MEMORY_ONLY策略，无法存储下所有数据，那么使用MEMORY_ONLY_SER，将数据进行序列化进行存储，纯内存操作还是非常快，只是要消耗CPU进行反序列化
（3）如果需要进行快速的失败回复，那么就选择后缀为_2的策略，进行数据的备份，这样在失败时，就不需要重新计算了
（4）能不适用DISK相关的策略就不使用，有时从磁盘读取数据，还不如重新计算一次

本文为北风网Spark2.0培训视频的学习笔记
视频链接：https://www.bilibili.com/video/av19995678?p=52