一、导读
What?RDD重构和持久化是什么?
How?怎么做?
Why?为什么要重构或持久化?
总结
二、RDD重构和持久化是什么?
三、怎么做?
四、为什么要重构或持久化?
4.1 RDD架构重构与优化。
尽量去复用RDD,差不多的RDD,可以抽取为一个共同的RDD,供后面的RDD计算时,反复使用。
4.2 公共RDD一定要实现持久化。
北方吃饺子,现包现煮。
对于多次计算和公共的RDD,一定要进行持久化。
持久化,也就是说,将RDD的数据缓存到内存中、磁盘中,BlockManager。
以后无论对这个RDD做多少次计算,那么都直接取这个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。
4.3 持久化,是可以进行序列化的。
如果正常将数据持久化在内存中,那么可能会导致内存占用过大,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,在纯内存中村粗。
将RDD的每个partion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,获取数据的时候,需要反序列化。
如果序列化纯内存的方式,还是导致OOM,内存溢出。
就只能考虑磁盘的方式,内存+磁盘,普通方式(持久化)
内存+磁盘 ,序列化。
4.4 为了数据的高可靠,而且内存充足,可以使用双副本机制,进行持久化。
持久化双副本,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;
持久化的每个数据单元,存储一份副本,放在其他节点上,从而进行容错。一个副本丢了,可以使用另外一个。
这种方式,仅仅针对内存资源极度充足。!