1- 缓存表
1、cache table
//缓存全表
sqlContext.sql("CACHE TABLE activity")
//缓存过滤结果
sqlContext.sql("CACHE TABLE activity_cached as select * from activity where ...")
CACHE TABLE是即时生效(eager)的,如果你想等到一个action操作再缓存数据可以使用CACHE LAZY TABLE,这样操作会直到一个action操作才被触发,例如count(*)
sqlContext.sql("CACHE LAZY TABLE ...")
// 取消缓存表
sqlContext.sql("UNCACHE TABLE activity")
2、将dataFrame注册成表并缓存
val df = sqlContext.sql("select * from activity")
df.registerTempTable("activity_cached")
sqlContext.cacheTable("activity_cached")
//Tip:cacheTable操作是lazy的,需要一个action操作来触发缓存操作。
//对应的uncacheTable可以取消缓存
sqlContext.uncacheTable("activity_cached")
3、缓存dataFrame
val df = sqlContext.sql("select * from tableName")
df.cache()
2-缓存结果查看
3-缓存参数设置
//该参数默认为10M,在进行join等聚合操作时,将小于该值的表broadcast到每台worker,消除了大量的shuffle操作。
spark.sql.autoBroadcastJoinThreshold
//将rdd存入mem或disk前再进行一次压缩,效果显著,我使用cacheTable了一张表,没有开启该参数前总共cache了54G数据,开启这个参数后只34G,可是执行速度并没有收到太大的影响。
spark.rdd.compress true
//这个参数默认为200,是join等聚合操作的并行度,
spark.sql.shuffle.partitions
//如果有大量的数据进行操作,造成单个任务比较重,运行时间过长的时候,会报如下的错误:
org.apache.spark.shuffle.FetchFailedException: Connection from /192.168.xx.xxx:53450 closed
//这个时候需要提高该值。