Spark核心编程：RDD持久化详解

86 阅读 0 评论 57 点赞

我是靠谱客的博主潇洒黑猫，最近开发中收集的这篇文章主要介绍Spark核心编程：RDD持久化详解，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

1.RDD持久化原理

1.Spark非常重要的一个功能特性就是可以将RDD持久化在内存中。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，并且在之后对该RDD的反复使用中，直接使用内存缓存的partition。这样的话，对于针对一个RDD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.巧妙使用RDD持久化，甚至在某些场景下，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.要持久化一个RDD，只要调用其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，那么Spark会自动通过其源RDD，使用transformation操作重新计算该partition。
4.cache()和persist()的区别在于，cache()是persist()的一种简化方式，cache()的底层就是调用的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楚缓存，那么可以使用unpersist()方法。
5.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，避免需要重新计算整个过程。

2.持久化和不持久化的对比

1.不使用RDD持久化的问题的原理：
这里写图片描述
2.RDD持久化的工作原理：

3.案例：检查第二次统计文档行数所要时间。
Java版：

// cache()或者persist()的使用，是有规则的
// 必须在transformation或者textFile等创建了一个RDD之后，直接连续调用cache()或persist()才可以
// 如果你先创建一个RDD，然后单独另起一行执行cache()或persist()方法，是没有用的
// 而且，会报错，大量的文件会丢失
JavaRDD<String> lines = sc.textFile("C://Users//Administrator//Desktop//spark.txt").cache();
long beginTime = System.currentTimeMillis();
long count = lines.count();
System.out.println(count);

long endTime = System.currentTimeMillis();
System.out.println("cost " + (endTime - beginTime) + " milliseconds.");

beginTime = System.currentTimeMillis();
count = lines.count();
System.out.println(count);

endTime = System.currentTimeMillis();
System.out.println("cost " + (endTime - beginTime) + " milliseconds.");

结果：
不持久化（没加catch（））：
第一次count：
这里写图片描述
第二次count：

持久化（加catch（））：
第一次count：

第二次count：

对比可以看出，持久化后第二次count花费51毫秒，远远小于没持久所花费的时间，持久化后spark的性能大幅度提高。

3.RDD持久化策略

1.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、持久化到磁盘上、使用序列化的方式持久化，多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。
1>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。
2>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。
3>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。
4>MEMORY_AND_DSK_SER:同MEMORY_AND_DSK。但是使用序列化方式持久化Java对象。
5>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。
6>MEMORY_ONLY_2或者MEMORY_AND_DISK_2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，不需要再次计算，只需要使用备份数据即可。

4.选择RDD持久化策略

1.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，无法存储的下所有数据的话，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恢复，那么就选择带后缀为_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>能不使用DISK相关的策略，就不用使用，有的时候，从磁盘读取数据，还不如重新计算一次。