一个Spark缓存的使用示例

之前一直不是非常理解Spark的缓存应该如何使用 今天在使用的时候, 为了提高性能, 尝试使用了一下Cache, 并收到了明显的效果

之前一直不是非常理解 Spark的缓存应该如何使用. 今天在使用的时候, 为了提高性能, 尝试使用了一下Cache, 并收到了明显的效果.

关于Cache的一些理论介绍, 网上已经很多了. 但是貌似也没有一个简单的例子说明.

注：因为使用的是内部数据文件, 在这边就不公布出来了. 大家看看测试代码跟测试结果即可.

这次测试是在JupyterNotebook这种交互式的环境下测试的. 如果是直接的submit一个job, 可能结果不太一样.

测试步骤

初始化Spark.

from pyspark.sql import SparkSession

 

spark = SparkSession\

.builder\

.appName("Cache Demo")\

.master("spark://10.206.132.113:7077") \

.config('spark.driver.memory', '5g') \

.config('spark.executor.memory', '5g') \

.config("spark.cores.max", 20) \

.getOrCreate()

分别读两个文件做测试, 并且其中一个使用Cache

ds1 = spark.read.json(os.path.join(data_path, "data.2018-01-04"))

ds2 = spark.read.json(os.path.join(data_path, "data.2018-01-05"))

 

ds1.cache() # 对于第一个dataframe进行cache.

注: 这两个数据文件分别是1月4日跟1月5日产生的. 大小非常接近, 都是3.1G.

为了防止Spark自己做了什么Cache影响实验, 在这里读取两个不同的数据文件.

计算时间：

import time

def calc_timing(ds, app_name) :

t1 = time.time()

related = ds.filter("app_name = '%s'" % app_name)

_1stRow = related.first()

t2 = time.time()

print "cost time:", t2 - t1

测试结果：

calc_timing(ds1, "DrUnzip") # cost time: 13.3130679131

calc_timing(ds2, "DrUnzip") # cost time: 18.0472488403

calc_timing(ds1, "DrUnzip") # cost time: 0.868658065796

calc_timing(ds2, "DrUnzip") # cost time: 15.8150720596

可以看到:

对于DS1, 虽然调用了Cache ,但是因为没有真正的使用到, 所以第一次进行filter操作还是很慢的
第二次使用DS1的时候, 因为有了缓存, 速度快了很多
相对的, DS2两次执行时间差别不大

如果进到Spark UI 查看具体每个Job的执行时间, 会发现, 只读取数据文件消耗的时间也就在15~20s.

因此可以猜想, Spark的DataFrame读取数据之后, 即使进行两个相同的操作, 消耗的时间也不能减少, 因为Spark 默认不会把DS放到内存之中.