40 CacheManager

第四十课CacheManager

本文的主要内容：

CacheManager详解

 

 Spark是一体化、多元化的框架。可以使得一个团队和技术堆栈来进行项目的开发。对于迭代式的算法特别有用。（例如多步奏的迭代算法在图计算和机器学习中广泛运用）

CacheManager用来管理缓存（缓存不一定在内存中，有可能在磁盘之中）

一、CacheManager分析：

1.     CacheManager管理的是缓存，而缓存可以是基于内存的缓存，也可以是基于磁盘的缓存；

2.     CacheManager需要通过BlockManager来操作数据；

当Task运行的时候会调用RDD的compute方法进行计算，而compute方法会调用iterator方法

/**
 * Internal method to this RDD; will read from cache if applicable, or otherwise compute it.
 * This should ''not'' be called by users directly, but is available for implementors of custom
 * subclasses of RDD.
 */
final def iterator(split: Partition, context: TaskContext): Iterator[T] = {
  if (storageLevel != StorageLevel.NONE) {
    SparkEnv.get.cacheManager.getOrCompute(this, split, context, storageLevel)
  } else {
    computeOrReadCheckpoint(split, context)
  }
}

二、CacheManager源码详解：

1、Cache在工作时候会最大化的保留数据，但是数据不一定绝对完整，因为当前的计算如果需要内存空间的话，那么cache在内存中数据必须让出空间，此时如果在RDD持久化的时候同时指定了可以把数据放在Disk上，那么部分cache的数据就可以从内存转化到磁盘上，否则的话，数据就会丢失！！！

2、具体的CacheManager在获得缓存数据的时候会通过BlockManager来抓到数据。
/**
 * Get a block from the block manager (either local or remote).
 */
def get(blockId: BlockId): Option[BlockResult] = {
  val local = getLocal(blockId)
  if (local.isDefined) {
    logInfo(s"Found block $blockId locally")
    return local
  }
  val remote = getRemote(blockId)
  if (remote.isDefined) {
    logInfo(s"Found block $blockId remotely")
    return remote
  }
  None
}

3、如果CacheManager没有通过BlockManager获得缓存内容的话，此时会通过RDD的如下方法来获得数据

val computedValues = rdd.computeOrReadCheckpoint(partition, context)

上述方法首先会查看当前的RDD是否进行了CheckPoint，若进行了的话，就直接读取CheckPoint的数据，否则的话，就必须进行计算。（CheckPoint会使迭代的性能大幅度提高，所以机器学习和图计算特别喜欢进行CheckPoint）计算之后通过PutInBlockManager会吧数据按照StorgeLevel重新缓存起来；

4、计算之后通过PutInBlockManager会把数据按照StorgLevel重新缓存的时候的需要放在内存之中。

二、Cache具体流程图