Spark RDD持久化

1、RDD性质

RDD数据是过程数据，即计算得到后一个RDD时，前一个RDD就会被释放。如图就是当RDD4被计算出来RDD3就会被释放。

2、为什么要持久化呢？

如图，一个应用程序中存在两个collect，中间链路都调用了RDD3，可是在第一个collect执行完时，由于RDD时过程数据，RDD3已经被释放，所以执行第二个collect需要重新计算RDD1、RDD2、RDD3，这样就浪费资源。为了避免重新计算RDD3，则对RDD3进行持久化。

3、RDD持久化方法

rdd3.cache()                            # 等效于下一行代码
rdd3.persist(StorageLevel.MEMORY_ONLY)    # 在内存中持久化
rdd3.persist(StorageLevel.DISK_ONLY)    # 在硬盘中持久化

4、测试RDD持久化效果 

from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
    def f(x):
        print("rdd1")
        return x * 10


    conf = SparkConf().setAppName("test").setMaster("local[*]")
    sc = SparkContext(conf=conf)
    rdd = sc.parallelize([1, 2, 3])
    rdd1 = rdd.map(f)
    rdd1.cache()
    rdd2 = rdd1.map(lambda x: -x)
    print(rdd2.collect())
    rdd3 = rdd1.map(lambda x: x+100)
    print(rdd3.collect())
    rdd1.persist()

rdd1
rdd1
rdd1
[-10, -20, -30]
[110, 120, 130]

此代码修改将f方法作为rdd1.map中的方法，通过运行代码可得，在对rdd1进行持久化的情况下，print("rdd1")只在第一次调用collect的时候执行，第二次调用collect时不被执行