Spark独到见解--3控制算子

  概念：

控制算子有三种，cache,persist,checkpoint，以上算子都可以将RDD持久化，持久化的单位是partition。

cache和persist都是懒执行的。必须有一个action类算子触发执行。checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系。

1、cache

默认将RDD的数据持久化到内存中。cache是懒执行。

注意：chche() = persist()=persist(StorageLevel.Memory_Only)

2、persist：

可以指定持久化的级别。最常用的是MEMORY_ONLY和MEMORY_AND_DISK。”_2”表示有副本数。

持久化级别如下：

*cache和persist的注意事项：

1.   cache和persist都是懒执行，必须有一个action类算子触发执行。

2.   cache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。

3.   cache和persist算子后不能立即紧跟action算子。

错误：rdd.cache().count()返回的不是持久化的RDD，而是一个数值了。

3、checkpoint

checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系。

Ø  checkpoint 的执行原理：

1.   当RDD的job执行完毕后，会从finalRDD从后往前回溯。

2.   当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记。

3.   Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数据持久化到HDFS上。

优化：对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步。