Spark -- cache和unpersist的正确用法

背景

  cache和unpersist没有使用好，跟根本没用没啥区别，例如下面的例子，有可能很多人这样用：

val rdd1 = ... // 读取hdfs数据，加载成RDD
rdd1.cache

val rdd2 = rdd1.map(...)
val rdd3 = rdd1.filter(...)

rdd1.unpersist

rdd2.take(10).foreach(println)
rdd3.take(10).foreach(println)

  上面代码的意图是：既然rdd1会被利用两次，那么就缓存起来，用完后释放内存。问题是，rdd1还没有被复用，就被“释放”了，导致rdd2,rdd3在执行take时，仍然需要从hdfs中加载rdd1,没有到达cache效果。
  这就是很多人使用cache和unpersist的误区，以为cache没起作用，其实是自己使用的问题。

原理

  这里要从RDD的操作谈起，RDD的操作分为两类：action和tranformation。
  区别是tranformation输入RDD，输出RDD，且是缓释执行的；而action输入RDD，输出非RDD，且是即刻执行的。
  上面的代码中，hdfs加载数据，map，filter都是transformation，take是action。所以当rdd1加载时，并没有被调用，直到take调用时，rdd1才会被真正的加载到内存。

  cache和unpersisit两个操作比较特殊，他们既不是action也不是transformation。cache会将标记需要缓存的rdd，真正缓存是在第一次被相关action调用后才缓存；unpersisit是抹掉该标记，并且立刻释放内存。

  所以，综合上面两点，可以发现，在rdd2的take执行之前，rdd1，rdd2均不在内存，但是rdd1被标记和剔除标记，等于没有标记。所以当rdd2执行take时，虽然加载了rdd1，但是并不会缓存。然后，当rdd3执行take时，需要重新加载rdd1，导致rdd1.cache并没有达到应该有的作用。所以，正确的做法是将take提前到unpersist之前。

例子

失败案例

package com.wisers.spark.qc.cpc

import com.wisers.spark.utils.{DFUtil, IsNullUtil}
import org.apache.spark.sql.{DataFrame, RelationalGroupedDataset, SparkSession}
import org.apache.spark.sql.functions._

/**
 * Created By TheBigBlue on 2020/8/6
 * Description : 入文量统计和解析量统计：总的、pubcode级别的，listing级别的
 */
object EntryStatistics {

  def main(args: Array[String]): Unit = {
    val spark: SparkSession = SparkSession.builder()/*.master("local[6]")*/.appName("EntryStatistics").getOrCreate()
    spark.sparkContext.setLogLevel("WARN")
    val inputFile = if (args.size == 0) System.getProperty("user.dir") + "\\data\\input\\htmlparse\\*.data" else args(0)
) + "\\data\\output1" else args(1)
    import spark.implicits._
    //读文件、base64解码、解压缩、转json、获取属性
    val inputDF = DFUtil.readAndDecomp(spark.sparkContext, inputFile)
      .map(obj => {
        val succFlag = if (IsNullUtil.isEmpty(obj.getString("data"))) 0 else 1
        Data(obj.getString("pubcode"), obj.getString("listing"), succFlag)
      }).toDF().cache()

    //总入文量
    val totalEntry = inputDF.agg(count("succFlag").alias("total"),
      sum(when($"succFlag" === 1, 1).otherwise(0)).alias("succ"),
      sum(when($"succFlag" === 0, 1).otherwise(0)).alias("err"))


    //listing级别的入文量统计
    val listingEntry = aggFunc(inputDF.groupBy("pubcode", "listing"), spark)

	
	inputDF.unpersist()
    
    DFUtil.saveAsExcel(totalEntry, outputFile, "入文量统计")
    DFUtil.saveAsExcel(listingEntry, outputFile, "入文量listing级别统计")
    spark.close()
  }

  def aggFunc(groupedDS: RelationalGroupedDataset, spark: SparkSession): DataFrame = {
    import spark.implicits._
    groupedDS.agg(count("succFlag").alias("总数量"),
      sum(when($"succFlag" === 1, 1).otherwise(0)).alias("成功数量"),
      sum(when($"succFlag" === 0, 1).otherwise(0)).alias("失败数量"))
      .sort($"总数量".desc)
  }

  case class Data(pubcode: String, listing: String, succFlag: Int)
}

成功案例

package com.wisers.spark.qc.cpc

import com.wisers.spark.utils.{DFUtil, IsNullUtil}
import org.apache.spark.sql.{DataFrame, RelationalGroupedDataset, SparkSession}
import org.apache.spark.sql.functions._

/**
 * Created By TheBigBlue on 2020/8/6
 * Description : 入文量统计和解析量统计：总的、pubcode级别的，listing级别的
 */
object EntryStatistics {

  def main(args: Array[String]): Unit = {
    val spark: SparkSession = SparkSession.builder()/*.master("local[6]")*/.appName("EntryStatistics").getOrCreate()
    spark.sparkContext.setLogLevel("WARN")
    val inputFile = if (args.size == 0) System.getProperty("user.dir") + "\\data\\input\\htmlparse\\*.data" else args(0)
    val outputFile = if (args.size == 0) System.getProperty("user.dir") + "\\data\\output1" else args(1)
    import spark.implicits._
    //读文件、base64解码、解压缩、转json、获取属性
    val inputDF = DFUtil.readAndDecomp(spark.sparkContext, inputFile)
      .map(obj => {
        val succFlag = if (IsNullUtil.isEmpty(obj.getString("data"))) 0 else 1
        Data(obj.getString("pubcode"), obj.getString("listing"), succFlag)
      }).toDF().cache()

    //总入文量
    val totalEntry = inputDF.agg(count("succFlag").alias("total"),
      sum(when($"succFlag" === 1, 1).otherwise(0)).alias("succ"),
      sum(when($"succFlag" === 0, 1).otherwise(0)).alias("err"))
    DFUtil.saveAsExcel(totalEntry, outputFile, "入文量统计")

    //listing级别的入文量统计
    val listingEntry = aggFunc(inputDF.groupBy("pubcode", "listing"), spark)
    DFUtil.saveAsExcel(listingEntry, outputFile, "入文量listing级别统计")

    inputDF.unpersist()
    spark.close()
  }

  def aggFunc(groupedDS: RelationalGroupedDataset, spark: SparkSession): DataFrame = {
    import spark.implicits._
    groupedDS.agg(count("succFlag").alias("总数量"),
      sum(when($"succFlag" === 1, 1).otherwise(0)).alias("成功数量"),
      sum(when($"succFlag" === 0, 1).otherwise(0)).alias("失败数量"))
      .sort($"总数量".desc)
  }

  case class Data(pubcode: String, listing: String, succFlag: Int)
}