一、RDD持久化原理
1. 持久化原理
Spark中有一个非常重要的功能就是可以对RDD进行持久化。当对RDD执行持久化操作时,每个节点都会将自己操作的RDD的partition数据持久化到内存中,并且在之后对该RDD的反复使用中,直接使用内存中缓存的partition数据。这样的话,针对一个RDD反复执行多个操作的场景,就只需要对RDD计算一次即可,后面直接使用该RDD,而不需要反复计算多次该RDD。因为正常情况下这个RDD的数据使用过后内存中是不会一直保存的。
val dataRDD = sc.parallelize(Array(1,2,3,4,5))
val mapRDD = dataRDD.map(...)
mapRDD.foreach(...)
mapRDD.saveAsTextFile(...)
mapRDD.collect()
例如这样的操作:针对mapRDD需要多次使用的,巧妙使用RDD持久化,在某些场景下,对spark应用程序的性能有很大提升。特别是对于迭代式算法和快速交互式应用来说,RDD持久化,是非常重要的。
2. 如何使用持久化
要持久化一个RDD,只需要调用它的cache()或者persist()方法就可以了。在该RDD第一次被计算出来时,就会直接缓存在每个节点中。
3. Spark持久化自动容错
而且Spark的持久化机制还是自动容错的,如果持久化的RDD的任何partition数据丢失了,那么Spark会自动通过其源RDD,使用transformation算子重新计算该partition的数据。
4. cache()和persist()的区别
cache()是persist()的一种简化方式,cache()的底层就是调用的persist()的无参版本,也就是调用persist(MEMORY_ONLY),将数据持久化到内存中。如果需要从内存中清除缓存,那么可以使用unpersist()方法。
二、持久化策略
策略 | 介绍 |
MEMORY_ONLY | 以非序列化的方式持久化在JVM内存中 |
MEMORY_AND_DISK | 同上,但是当某些partition无法存储在内存中时,会持久化到磁盘中 |
MEMORY_ONLY_SER | 同MEMORY_ONLY,但是会序列化 |
MEMORY_AND_DISK_SER | 同MEMORY_AND_DSK,但是会序列化 |
DISK_ONLY | 以非序列化的方式完全存储到磁盘上 |
MEMORY_ONLY_2、MEMORY_AND_DISK_2 | 尾部加了2的持久化级别,表示会将持久化数 据复制一份,保存到其他节点 |
补充说明:
- MEMORY_ONLY:以非序列化的Java对象的方式持久化在JVM内存中。如果内存无法完全存储RDD所有的partition,那么那些没有持久化的partition就会在下一次需要使用它的时候,重新被计算。
- MEMORY_AND_DISK:当某些partition无法存储在内存中时,会持久化到磁盘中。下次需要使用这些partition时,需要从磁盘上读取,不需要重新计算
- MEMORY_ONLY_SER:同MEMORY_ONLY,但是会使用Java的序列化方式,将Java对象序列化后进行持久化。可以减少内存开销,但是在使用的时候需要进行反序列化,因此会增加CPU开销。
- MEMORY_AND_DISK_SER:同MEMORY_AND_DSK。但是会使用序列化方式持久化Java对象。
- DISK_ONLY:使用非序列化Java对象的方式持久化,完全存储到磁盘上。
- MEMORY_ONLY_2、MEMORY_AND_DISK_2等:如果是尾部加了2的持久化级别,表示会将持久化数据复制一份,保存到其它节点,从而在数据丢失时,不需要重新计算,只需要使用备份数据即可。
三、如何选择RDD持久化策略
Spark提供了多种持久化级别,主要是为了在CPU和内存消耗之间进行取舍。
下面是一些通用的持久化级别的选择建议:
1. 优先使用MEMORY_ONLY,纯内存速度最快,而且没有序列化不需要消耗CPU进行反序列化操作,缺点就是比较耗内存
2. MEMORY_ONLY_SER,将数据进行序列化存储,纯内存操作还是非常快,只是在使用的时候需要消耗CPU进行反序列化
注意:
(1)如果需要进行数据的快速失败恢复,那么就选择带后缀为_2的策略,进行数据的备份,这样在失败时,就不需要重新计算了
(2)能不使用DISK相关的策略,就不要使用,因为有的时候,从磁盘读取数据,还不如重新计算一次。
四、案例:使用RDD的持久化
在没有添加cache之前,每一次都耗时很长时间,加上cache之后,在第二次计算耗时就很少了。
1. Scala代码
package com.sanqian.scala
import org.apache.spark.{SparkConf, SparkContext}
object PersistRddScala {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
conf.setAppName("PersistRddScala").setMaster("local[*]")
val sc = new SparkContext(conf)
val rdd = sc.textFile("D:\\data\\part-00000").cache()
var startTime = System.currentTimeMillis()
var count = rdd.count()
var endTime = System.currentTimeMillis()
println("第一次耗时:" + (endTime - startTime))
startTime = System.currentTimeMillis()
count = rdd.count()
endTime = System.currentTimeMillis()
println("第二次耗时:" + (endTime - startTime))
}
}
2. Java代码
package com.sanqian.java;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
public class PersistRddJava {
public static void main(String[] args) {
SparkConf conf = new SparkConf();
conf.setAppName("PersistRddJava").setMaster("local[*]");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaRDD<String> rdd = sc.textFile("D:\\data\\part-00000").cache();
long startTime = System.currentTimeMillis();
long count = rdd.count();
long endTime = System.currentTimeMillis();
System.out.println("第一次耗时:" + (endTime - startTime));
startTime = System.currentTimeMillis();
count = rdd.count();
System.out.println(count);
endTime = System.currentTimeMillis();
System.out.println("第二次耗时:" + (endTime - startTime));
}
}