RDD架构重构与优化
一种情况是从一个RDD到几个不同的RDD,算子和计算逻辑其实是完全一样的,结果因为人为的疏忽计算了多次,获取到了多个RDD。所以尽量去复用RDD,差不多的RDD可以抽取称为一个共同的RDD,供后面的RDD计算时,反复使用。
公共RDD一定要实现持久化
当第一次对RDD2执行算子,获取RDD3的时候,就会从RDD1开始计算,就是读取HDFS文件,然后对RDD1执行算子,获取到RDD2,然后再计算得到RDD3
默认情况下,多次对一个RDD执行算子,去获取不同的RDD都会对这个RDD以及之前的父RDD全部重新计算一次,计算过程为读取HDFS->RDD1->RDD2->RDD4。这种情况,是绝对绝对一定要避免的,一旦出现一个RDD重复计算的情况,就会导致性能急剧降低。比如,HDFS->RDD1-RDD2的时间是15分钟,那么此时就要走两遍,变成30分钟。
所以对于要多次计算和使用的公共RDD,一定要进行持久化。持久化是将RDD的数据通过BlockManager缓存到内存中/磁盘中,以后无论对这个RDD做多少次计算,都是直接取这个RDD的持久化的数据,比如从内存中或者磁盘中直接提取一份数据,过程示意图大致为:
持久化进行序列化
如果正常将数据持久化在内存中,那么可能会导致内存的占用过大,这样的话,也许会导致OOM(内存溢出)。
当纯内存无法支撑公共RDD数据完全存放的时候,就优先考虑使用序列化的方式在纯内存中存储。将RDD的每个partition的数据序列化成一个大的字节数组,就一个对象。序列化后,大大减少内存的空间占用。
序列化的方式,唯一的缺点就是,在获取数据的时候,需要反序列化。
如果序列化纯内存方式还是导致OOM(内存溢出),那就只能考虑磁盘的方式,内存+磁盘的普通方式(无序列化),如果还不行就要考虑内存+磁盘(序列化)的形式。
双副本机制进行持久化
为了数据的高可靠性,而且内存充足,可以使用双副本机制进行持久化。
如果持久化后的一个副本因为机器宕机了,副本丢了,就还是得重新计算一次。持久化的双副本机制持久化的每个数据单元,存储一份副本,放在其他节点上面,从而进行容错,一个副本丢了,不用重新计算,还可以使用另外一份副本。这种方式,仅仅针对你的内存资源极度充足的情况。
持久化
持久化 sessionid2actionRDD
因为 sessionid2actionRDD 使用了两次,所以要对 sessionid2actionRDD 进行持久化操作。
持久化只需对RDD调用persist()方法,并传入一个持久化级别即可。 persist(StorageLevel.MEMORY_ONLY())
,纯内存,无序列化,可以用cache()方法来替代 StorageLevel.MEMORY_ONLY_SER()
,纯内存,序列化,第二选择 StorageLevel.MEMORY_AND_DISK()
,内存 + 磁盘,无序列号,第三选择 StorageLevel.MEMORY_AND_DISK_SER()
,内存 + 磁盘,序列化,第四选择 StorageLevel.DISK_ONLY()
,纯磁盘,第五选择
如果内存充足,要使用双副本高可靠机制, 选择后缀带_2
的策略,比如:StorageLevel.MEMORY_ONLY_2()
sessionid2actionRDD = sessionid2actionRDD.persist(StorageLevel.MEMORY_ONLY());