缓存Apache Spark RDD - 性能调优

栏目: 编程工具 · 发布时间: 7年前

内容简介：有时您需要多次处理RDD，而不是一次操作。这带来了一个主要问题...... Spark 确实总是会在磁盘上找到数据。但是你需要处理性能问题。RDD带有cache（）和persist（）方法，其中cache() = persist(StorageLevel.MEMORY_ONLY).将帮助我们将RDD保存到内存中，详细了解

有时您需要多次处理RDD，而不是一次操作。这带来了一个主要问题...... Spark 确实总是会在磁盘上找到数据。但是你需要处理性能问题。

RDD带有cache（）和persist（）方法，其中

cache() = persist(StorageLevel.MEMORY_ONLY).将帮助我们将RDD保存到内存中，详细了解其他选项。

让我们用简单的例子来测试它：

<b>import</b> org.apache.spark.storage.StorageLevel._;

val fileRDD = sc.textFile(<font>"/tests/yahoo_stocks.csv"</font><font>);

fileRDD.persist(MEMORY_ONLY);

System.out.println(</font><font>"Count of RDD (first run): "</font><font>+fileRDD.count());

System.out.println(</font><font>"Count of RDD (second run): "</font><font>+fileRDD.count());
</font>

(download the yahoo_stocks.csv from https://github.com/dmatrix/examples/blob/master/spark/hdp/data/yahoo_stocks.csv )

现在让我告诉你发生了什么：

如果没有持久化（MEMORY_ONLY）调用，首先调用fileRDD.count（）将触发从磁盘获取数据和计数行。fileRDD.count（）的第二次命中意味着同样的事情。

通过持久（MEMORY_ONLY）调用，我们告诉Spark：

做懒加载：

读取文件
将RDD缓存到内存中

现在第二次调用fileRDD.count（）应该比第一次调用快得多，因为它不会使用磁盘作为计算内容的源（当然，如果RDD适合内存）

让我们证明一下（运行）：

park-shell -i test14.scala

第一次

fileRDD.count() 运行输出：

18/02/17 22:21:10 INFO DAGScheduler: Job 0 finished: count at <console>:33,  
took 1,425495 s
Count of RDD (first run): 4794

第二次 fileRDD.count() 运行输出

18/02/17 22:21:11 INFO DAGScheduler: Job 1 finished: count at <console>:33,  
took 0,121783 s
Count of RDD (second run): 4794

看看第二个RDD动作的巨大加速。

以上所述就是小编给大家介绍的《缓存Apache Spark RDD - 性能调优》，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:

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。

码农书籍

数据结构与算法分析（Java版）（英文原版）

(美)Clifford A.Shaffer / 电子工业出版社 / 2002-5 / 39.00元

《数据结构与算法分析(C++版)(第2版)》采用程序员最爱用的面向对象C++语言来描述数据结构和算法，并把数据结构原理和算法分析技术有机地结合在一起，系统介绍了各种类型的数据结构和排序、检索的各种方法。作者非常注意对每一种数据结构的不同存储方法及有关算法进行分析比较。书中还引入了一些比较高级的数据结构与先进的算法分析技术，并介绍了可计算性理论的一般知识。本版的重要改进在于引入了参数化的模板，从而提......一起来看看《数据结构与算法分析（Java版）（英文原版）》这本书的介绍吧!

码农工具

正则表达式在线测试

HEX CMYK 转换工具

HEX CMYK 互转工具