spark core源码分析11 RDD缓存及checkpoint

博客地址: http://blog.youkuaiyun.com/yueqian_zhu/

RDD有cache和persist方法，用于将RDD进行缓存。

cache方法其实就是persist(MEMORY_ONLY)

我们看一下这个方法干了什么事情

def persist(newLevel: StorageLevel): this.type = {
    // TODO: Handle changes of StorageLevel
    if (storageLevel != StorageLevel.NONE && newLevel != storageLevel) {
      throw new UnsupportedOperationException(
        "Cannot change storage level of an RDD after it was already assigned a level")
    }
    sc.persistRDD(this)
    // Register the RDD with the ContextCleaner for automatic GC-based cleanup
    sc.cleaner.foreach(_.registerRDDForCleanup(this))
    storageLevel = newLevel
    this
  }

/**
   * Register an RDD to be persisted in memory and/or disk storage
   */
  private[spark] def persistRDD(rdd: RDD[_]) {
    _executorAllocationManager.foreach { _ =>
      logWarning(
        s"Dynamic allocation currently does not support cached RDDs. Cached data for RDD " +
        s"${rdd.id} will be lost when executors are removed.")
    }
    persistentRdds(rdd.id) = rdd
  }

相当简单，只是将我们设定的level记录到storageLevel中，以及保存这个rdd及rddId的映射到persistentRdds中，这里还看不出有什么作用！

以前讲到过，action触发后，会执行iterator方法从而获得指定分区的数据迭代器。

final def iterator(split: Partition, context: TaskContext): Iterator[T] = {
    if (storageLevel != StorageLevel.NONE) {
      SparkEnv.get.cacheManager.getOrCompute(this, split, context, storageLevel)
    } else {
      computeOrReadCheckpoint(split, context)
    }
  }

如果这个rdd之前我们设置过cache或者persist，这里就执行if语句中的内容。

如果没有设置过，才从checkpoint中读取；如果没有checkpoint,才重新计算。

if语句中的代码比较多，就不贴代码纯发挥口才了。。

1、用rddID和partition组合成RDDBlockId作为blockmanager中的key，我们就是根据这个key从blockmanager中获取数据（如果之前有缓存的话）

2、如果没有数据，就执行计算，然后将结果存到blockmanager中。

3、如果设置的level不是存内存的，就调用blockmanager的putIterator方法真正存储数据。

4、如果设置的level是存内存的，且可以全部放入内存中，那就这么干吧；如果不能全部放入内存中，且也设置了Disk存储，就全部放入Disk中，否则就不存了呗

在需要做checkpoint之前，需要调用RDD.checkpoint()来mark一下先，不然是不起作用的。并且最好选择persist这个RDD，不然的话会重新计算之前的所有rdd，因为checkpoint操作也是一个新的runJob的过程。

在SparkContext.runJob中, 最后会调用rdd.doCheckpoint() ，所以，mark必须在run job之前完成。