Spark大数据处理讲课笔记3.5 RDD持久化机制

零、本讲学习目标

1. 理解RDD持久化的必要性
2. 了解RDD的存储级别
3. 学会如何查看RDD缓存

一、RDD持久化

（一）引入持久化的必要性

• Spark中的RDD是懒加载的，只有当遇到行动算子时才会从头计算所有RDD，而且当同一个RDD被多次使用时，每次都需要重新计算一遍，这样会严重增加消耗。为了避免重复计算同一个RDD，可以将RDD进行持久化。
• Spark中重要的功能之一是可以将某个RDD中的数据保存到内存或者磁盘中，每次需要对这个RDD进行算子操作时，可以直接从内存或磁盘中取出该RDD的持久化数据，而不需要从头计算才能得到这个RDD。

（二）案例演示持久化操作

1、RDD的依赖关系图

• 读取文件，进行一系列操作，有多个RDD，如下图所示。

2、不采用持久化操作

• 在上图中，对RDD3进行了两次算子操作，分别生成了RDD4和RDD5。若RDD3没有持久化保存，则每次对RDD3进行操作时都需要从textFile()开始计算，将文件数据转化为RDD1，再转化为RDD2，最终才得到RDD3。

• 查看要操作的HDFS文件

• 以集群模式启动Spark Shell 

•  按照图示进行操作，得RDD4和RDD5

•  查看RDD4内容，会从RDD1到RDD2到RDD3到RDD4跑一趟

显示RDD5内容，也会从RDD1到RDD2到RDD3到RDD5跑一趟 

3、采用持久化操作

• 可以在RDD上使用persist()或cache()方法来标记要持久化的RDD（cache()方法实际上底层调用的是persist()方法）。在第一次行动操作时将对数据进行计算，并缓存在节点的内存中。Spark的缓存是容错的：如果缓存的RDD的任何分区丢失，Spark就会按照该RDD原来的转换过程自动重新计算并缓存。
• 计算到RDD3时，标记持久化

 

计算RDD4，就是基于RDD3缓存的数据开始计算，不用从头到尾跑一趟 

计算RDD5，就是基于RDD3缓存的数据开始计算，不用从头到尾跑一趟 

 二、存储级别
（一）持久化方法的参数

• 利用RDD的persist()方法实现持久化，向persist()方法中传入一个StorageLevel对象指定存储级别。每个持久化的RDD都可以使用不同的存储级别存储，默认的存储级别是StorageLevel.MEMORY_ONLY。

（二）Spark RDD存储级别表

• Spark RDD有七种存储级别

（三）如何选择存储级别

• 选择原则：权衡内存使用率和CPU效率
• 如果RDD存储在内存中不会发生溢出，那么优先使用默认存储级别（MEMORY_ONLY），该级别会最大程度发挥CPU的性能，使在RDD上的操作以最快的速度运行。
• 如果RDD存储在内存中会发生溢出，那么使用MEMORY_ONLY_SER并选择一个快速序列化库将对象序列化，以节省空间，访问速度仍然相当快。
• 除非计算RDD的代价非常大，或者该RDD过滤了大量数据，否则不要将溢出的数据写入磁盘，因为重新计算分区的速度可能与从磁盘读取分区一样快。
• 如果希望在服务器出故障时能够快速恢复，那么可以使用多副本存储级别MEMORY_ONLY_2或MEMORY_AND_DISK_2。该存储级别在数据丢失后允许在RDD上继续运行任务，而不必等待重新计算丢失的分区。其他存储级别在发生数据丢失后，需要重新计算丢失的分区。

（四）persist()与cache()的关系

• 查看两个方法的源码

/**                                                                                           
 * 在第一次行动操作时持久化RDD，并设置存储级别，当RDD从来没有设置过存储级别时才能使用该方法                                           
 */                                                                                          
def persist(newLevel: StorageLevel): this.type = {                                            
  if (isLocallyCheckpointed) {                                                                
    // 如果之前已将该RDD设置为localCheckpoint，就覆盖之前的存储级别                                                
    persist(LocalRDDCheckpointData.transformStorageLevel(newLevel), allowOverride = true)     
  } else {                                                                                    
    persist(newLevel, allowOverride = false)                                                  
  }                                                                                           
}                                                                                             
/**                                                                                           
  * 持久化RDD，使用默认存储级别(MEMORY_ONLY)                                                              
  */                                                                                          
def persist(): this.type = persist(StorageLevel.MEMORY_ONLY)                                  
                                                                                              
/**                                                                                           
  * 持久化RDD，使用默认存储级别(MEMORY_ONLY)                                                              
  */                                                                                          
def cache(): this.type = persist()                                                            

• 从上述代码可以看出，cache()方法调用了无参的persist()方法，两者的默认存储级别都为MEMORY_ONLY，但cache()方法不可更改存储级别，而persist()方法可以通过参数自定义存储级别。

（五）案例演示设置存储级别

• 在net.huawei.rdd根包里创建day05子包，然后在子包里创建SetStorageLevel对象

 

package net.zyf.rdd.day05
import org.apache.log4j.{Level, Logger}
import org.apache.spark.storage.StorageLevel
import org.apache.spark.{SparkConf, SparkContext}

/**
 * 功能：
 * 作者：zyf
 * 时间：2023年03月00号
 */



object SetStorageLevel {
  def main(args: Array[String]): Unit = {
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setAppName("SetStorageLevel") // 设置应用名称
      .setMaster("local[*]") // 设置主节点位置（本地调试）
    // 基于Spark配置对象创建Spark容器
    val sc = new SparkContext(conf)

    // 去除Spark运行信息
    Logger.getLogger("org").setLevel(Level.OFF)
    Logger.getLogger("com").setLevel(Level.OFF)
    System.setProperty("spark.ui.showConsoleProgress", "false")
    Logger.getRootLogger().setLevel(Level.OFF)

    // 读取HDFS文件，得到rdd
    val rdd = sc.textFile("hdfs://master:9000/park/words.txt")
    // 将rdd标记为持久化，采用默认存储级别 - StorageLevel.MEMORY_ONLY
    rdd.persist() // 无参持久化方法

    // 对rdd做扁平化映射，得到rdd1
    val rdd1 = rdd.flatMap(_.split(" "))
    // 将rdd1持久化到磁盘
    rdd1.persist(StorageLevel.DISK_ONLY)

    // 将rdd1映射成二元组，得到rdd2
    val rdd2 = rdd1.map((_, 1))
    // 将rdd2持久化到内存，溢出的数据持久化到磁盘
    rdd2.persist(StorageLevel.MEMORY_AND_DISK)

    // 第一次行动算子，对标记为持久化的RDD进行不同级别的持久化操作
    println("元素个数：" + rdd2.count)

    // 第二次行动算子，直接利用rdd2的持久化数据进行操作，无须从头进行计算
    rdd2.collect.foreach(println)
  }
}

运行程序，查看结果

 

三、利用Spark WebUI查看缓存

• 最好重启Spark Shell

（一）创建RDD并标记为持久化

• 执行命令：val rdd = sc.parallelize(List(56, 67, 32, 89, 90, 66, 100))

 

（二）Spark WebUI查看RDD存储信息

• 浏览器中访问Spark Shell的WebUI http://master:4040/storage/查看RDD存储信息，可以看到存储信息为空

执行命令：rdd.collect，收集RDD数据

刷新WebUI，发现出现了一个ParallelCollectionRDD的存储信息，该RDD的存储级别为MEMORY，持久化的分区为8，完全存储于内存中。

• 上述操作说明，调用RDD的persist()方法只是将该RDD标记为持久化，当执行行动操作时才会对标记为持久化的RDD进行持久化操作。

• 执行以下命令，创建rdd2，并将rdd2持久化到磁盘

刷新上述WebUI，发现多了一个MapPartitionsRDD的存储信息，该RDD的存储级别为DISK，持久化的分区为8，完全存储于磁盘中。 

（三）将RDD从缓存中删除

• Spark会自动监视每个节点上的缓存使用情况，并以最近最少使用的方式从缓存中删除旧的分区数据。如果希望手动删除RDD，而不是等待该RDD被Spark自动从缓存中删除，那么可以使用RDD的unpersist()方法。
• 执行命令：rdd.unpersist()，将rdd（ParallelCollectionRDD）从缓存中删除

刷新上述WebUI，发现只剩下了MapPartitionsRDD，ParallelCollectionRDD已被移除。