Spark学习笔记之RDD持久化（四）

内容简介：Spark学习笔记之RDD持久化（四）

一：SparkRDD持久化的有点

Spark最重要的一个功能，就是在不同操作间，持久化（或缓存）一个数据集在内存中。当你持久化一个RDD，每一个结点都将把它的计算分块结果保存在内存中，并在对此数据集（或者衍生出的数据集）进行的其它动作中重用。这将使得后续的动作（action）变得更加迅速（通常快10倍）。缓存是用Spark构建迭代算法的关键。RDD的缓存能够在第一次计算完成后，将计算结果保存到内存、本地文件系统或者Tachyon(分布式内存文件系统)中。通过缓存，Spark避免了RDD上的重复计算，能够极大地提升计算速度。

二：如何持久化

Spark通过 persist()或cache() 方法可以标记一个要被持久化的RDD，一旦首次被触发，该RDD将会被保留在计算节点的内存中并重用。实际上 cache()是使用persist()的快捷方法 。

首先，在action中计算得到rdd；然后，将其保存在每个节点的内存中。Spark的缓存是一个容错的技术，如果RDD的任何一个分区丢失，它可以通过原有的转换（transformations）操作自动的重复计算并且创建出这个分区。

此外，我们可以利用不同的存储级别存储每一个被持久化的RDD。例如，它允许我们持久化集合到磁盘上、将集合作为序列化的 Java 对象持久化到内存中、在节点间复制集合或者存储集合到Tachyon中。我们可以通过传递一个StorageLevel对象给persist()方法设置这些存储级别。 cache()方法使用了默认的存储级别—StorageLevel.MEMORY_ONLY 。完整的存储级别介绍如下图

StorageLevel 源码

val NONE = new StorageLevel(false, false, false, false)
  val DISK_ONLY = new StorageLevel(true, false, false, false)
  val DISK_ONLY_2 = new StorageLevel(true, false, false, false, 2)
  val MEMORY_ONLY = new StorageLevel(false, true, false, true)
  val MEMORY_ONLY_2 = new StorageLevel(false, true, false, true, 2)
  val MEMORY_ONLY_SER = new StorageLevel(false, true, false, false)
  val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, false, 2)
  val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)
  val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true, 2)
  val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false, false)
  val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, false, 2)
  val OFF_HEAP = new StorageLevel(true, true, true, false, 1)

说明： 上面"_2"代表的是份数,就是把持久化的数据存为2份

StorageLevel有五个属性分别是

    private var _useDisk: Boolean, //useDisk_是否使用磁盘
    private var _useMemory: Boolean, //useMemory_是否使用内存
    private var _useOffHeap: Boolean, //useOffHeap_是否使用堆外内存如：Tachyon，
    private var _deserialized: Boolean,//deserialized_是否进行反序列化
    private var _replication: Int = 1) //replication_备份数目。

三：存储级别的选择

Spark的多个存储级别意味着在内存利用率和cpu利用效率间的不同权衡。我们推荐通过下面的过程选择一个合适的存储级别：

1：如果你的RDD适合 默认的存储级别（MEMORY_ONLY） ，就选择默认的存储级别。因为这是cpu利用率最高的选项，会使RDD上的操作尽可能的快。

2：如果不适合用默认的级别，选择MEMORY_ONLY_SER。选择一个更快的序列化库提高对象的空间使用率，但是仍能够相当快的访问。

3：除非函数计算RDD的花费较大或者它们需要过滤大量的数据，不要将RDD存储到磁盘上，否则，重复计算一个分区就会和重磁盘上读取数据一样慢。

4：如果你希望更快的错误恢复，可以利用重复存储级别。所有的存储级别都可以通过重复计算丢失的数据来支持完整的容错，但是重复的数据能够使你在RDD上继续运行任务，而不需要重复计算丢失的数据。

看下图

注意只能设置一种：不然会抛异常： Cannot change storage level of an RDD after it was already assigned a level

异常源码如下

 private def persist(newLevel: StorageLevel, allowOverride: Boolean): this.type = {
    // TODO: Handle changes of StorageLevel
    if (storageLevel != StorageLevel.NONE && newLevel != storageLevel && !allowOverride) {
      throw new UnsupportedOperationException(
        "Cannot change storage level of an RDD after it was already assigned a level")
    }
    // If this is the first time this RDD is marked for persisting, register it
    // with the SparkContext for cleanups and accounting. Do this only once.
    if (storageLevel == StorageLevel.NONE) {
      sc.cleaner.foreach(_.registerRDDForCleanup(this))
      sc.persistRDD(this)
    }
    storageLevel = newLevel
    this
  }

四：如何使用缓存

1： 调用rdd.persist(); 变量可以这样设置 如：rdd.persist(StorageLevel.MEMORY_ONLY); 这里使用了MEMORY_ONLY级别存储。当然也可以选择其他的如： rdd.persist(StorageLevel.DISK_ONLY());

2： 调用rdd.cache() 方法， cache()是rdd.persist(StorageLevel.MEMORY_ONLY)的简写 ，效果和他一模一样的。

3: 调用rdd.unpersist()清除缓存

我通过一个demo看下

 public class SparkCacheDemo {
    private static JavaSparkContext sc;
    public static void main(String[] args) {
        List list = Arrays.asList(5, 4, 3, 2, 1, 6, 9);
        SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("SparkCacheDemo");
        sc = new JavaSparkContext(conf);
        JavaRDD rdd = sc.parallelize(list);
        // rdd.persist(StorageLevel.DISK_ONLY()); //磁盘存储
        rdd.persist(StorageLevel.MEMORY_ONLY());//内存
        // rdd.persist(StorageLevel.MEMORY_ONLY_2()); //内存存储两份
        rdd.collect();
        rdd.collect();   //这里可以设置debug断点便于查看
        rdd.unpersist(); //清楚缓存
        rdd.collect();  //这里也可以设置debug断点便于查看
    }
}

启动后设置上面连个debug点  然后查看页面 http://127.0.0.1:4040/storage/ 可以看到相关信息 如下图

磁盘

内存

 五：缓存性能测试

我们知道StorageLevel.MEMORY_ONLY级别和不用缓存的级别相差10倍，我们一起来验证下，看代码

package com.demo.spark.cache;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.storage.StorageLevel;
public class SparkCacheTest {
    private static JavaSparkContext sc;
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("SparkCacheTest");
        sc = new JavaSparkContext(conf);
        sc.setLogLevel("error");
        noCache();
        cache();
        System.out.println("");
    }
    /**
     * 不用缓存
     * 
     * @Title: noCache
     * @author zhuhuipei
     * @date 2017年6月2日 下午4:22:01
     */
    public static void noCache() {
        JavaRDD rdd = sc.textFile("./test.txt");
        rdd.count();
        Long t1 = System.currentTimeMillis();
        System.out.println("noCache()=rdd.count()=" + rdd.count());
        Long t2 = System.currentTimeMillis();
        Long t2_t1 = t2 - t1;
        System.out.println("nocache()=" + t2_t1);
    }
    /**
     * 用缓存
     * @Title: cache
     * @author zhuhuipei
     * @date 2017年6月2日 下午5:03:51
     */
    public static void cache() {
        JavaRDD rdd = sc.textFile("./test.txt").persist(StorageLevel.MEMORY_ONLY());
        rdd.count();
        Long t1 = System.currentTimeMillis();
        System.out.println(" cache()=rdd.count()=" + rdd.count());
        Long t2 = System.currentTimeMillis();
        Long t2_t1 = t2 - t1;
        System.out.println("cache()=" + t2_t1);
    }
}

本人本地直接运行两者相差不大差不多在（3~5倍左右），并没有达到10倍性能，可能和数据量和运行环境有关系。

源码地址：

https://github.com/zhp8341/sparkdemo/blob/master/src/main/java/com/demo/spark/cache/SparkCacheTest.java

https://github.com/zhp8341/sparkdemo/blob/master/src/main/java/com/demo/spark/cache/SparkCacheDemo.java

测试文件： https://raw.githubusercontent.com/zhp8341/sparkdemo/master/test.txt 文件有点大16M 

以上所述就是小编给大家介绍的《Spark学习笔记之RDD持久化（四）》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！

查看所有标签

猜你喜欢:

• RocketMQ 持久化
• docker数据持久化
• Redis的持久化
• Redis持久化操作
• 浅谈redis持久化
• redis持久化策略浅析

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。