一:SparkRDD持久化的有点
Spark最重要的一个功能,就是在不同操作间,持久化(或缓存)一个数据集在内存中。当你持久化一个RDD,每一个结点都将把它的计算分块结果保存在内存中,并在对此数据集(或者衍生出的数据集)进行的其它动作中重用。这将使得后续的动作(action)变得更加迅速(通常快10倍)。缓存是用Spark构建迭代算法的关键。RDD的缓存能够在第一次计算完成后,将计算结果保存到内存、本地文件系统或者Tachyon(分布式内存文件系统)中。通过缓存,Spark避免了RDD上的重复计算,能够极大地提升计算速度。
二:如何持久化
Spark通过persist()或cache()方法可以标记一个要被持久化的RDD,一旦首次被触发,该RDD将会被保留在计算节点的内存中并重用。实际上cache()是使用persist()的快捷方法。
首先,在action中计算得到rdd;然后,将其保存在每个节点的内存中。Spark的缓存是一个容错的技术,如果RDD的任何一个分区丢失,它可以通过原有的转换(transformations)操作自动的重复计算并且创建出这个分区。
此外,我们可以利用不同的存储级别存储每一个被持久化的RDD。例如,它允许我们持久化集合到磁盘上、将集合作为序列化的Java对象持久化到内存中、在节点间复制集合或者存储集合到Tachyon中。我们可以通过传递一个StorageLevel对象给persist()方法设置这些存储级别。cache()方法使用了默认的存储级别—StorageLevel.MEMORY_ONLY。完整的存储级别介绍如下图
StorageLevel 源码val NONE = new StorageLevel(false, false, false, false)
val DISK_ONLY = new StorageLevel(true, false, false, false)
val DISK_ONLY_2 = new StorageLevel(true, false, false, false, 2)
val MEMORY_ONLY = new StorageLevel(false, true, false, true)
val MEMORY_ONLY_2 = new StorageLevel(false, true, false, true, 2)
val MEMORY_ONLY_SER = new StorageLevel(false, true, false, false)
val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, false, 2)
val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)
val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true, 2)
val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false, false)
val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, false, 2)
val OFF_HEAP = new StorageLevel(true, true, true, false, 1)
说明:上面"_2"代表的是份数,就是把持久化的数据存为2份
StorageLevel有五个属性分别是private var _useDisk: Boolean, //useDisk_是否使用磁盘
private var _useMemory: Boolean, //useMemory_是否使用内存
private var _useOffHeap: Boolean, //useOffHeap_是否使用堆外内存如:Tachyon,
private var _deserialized: Boolean,//deserialized_是否进行反序列化
private var _replication: Int = 1) //replication_备份数目。
三:存储级别的选择
Spark的多个存储级别意味着在内存利用率和cpu利用效率间的不同权衡。我们推荐通过下面的过程选择一个合适的存储级别:
1:如果你的RDD适合默认的存储级别(MEMORY_ONLY),就选择默认的存储级别。因为这是cpu利用率最高的选项,会使RDD上的操作尽可能的快。
2:如果不适合用默认的级别,选择MEMORY_ONLY_SER。选择一个更快的序列化库提高对象的空间使用率,但是仍能够相当快的访问。
3:除非函数计算RDD的花费较大或者它们需要过滤大量的数据,不要将RDD存储到磁盘上,否则,重复计算一个分区就会和重磁盘上读取数据一样慢。
4:如果你希望更快的错误恢复,可以利用重复存储级别。所有的存储级别都可以通过重复计算丢失的数据来支持完整的容错,但是重复的数据能够使你在RDD上继续运行任务,而不需要重复计算丢失的数据。
看下图
注意只能设置一种:不然会抛异常: Cannot change storage level of an RDD after it was already assigned a level
异常源码如下private def persist(newLevel: StorageLevel, allowOverride: Boolean): this.type = {
// TODO: Handle changes of StorageLevel
if (storageLevel != StorageLevel.NONE && newLevel != storageLevel && !allowOverride) {
throw new UnsupportedOperationException(
"Cannot change storage level of an RDD after it was already assigned a level")
}
// If this is the first time this RDD is marked for persisting, register it
// with the SparkContext for cleanups and accounting. Do this only once.
if (storageLevel == StorageLevel.NONE) {
sc.cleaner.foreach(_.registerRDDForCleanup(this))
sc.persistRDD(this)
}
storageLevel = newLevel
this
}
四:如何使用缓存
1:调用rdd.persist();变量可以这样设置 如:rdd.persist(StorageLevel.MEMORY_ONLY); 这里使用了MEMORY_ONLY级别存储。当然也可以选择其他的如: rdd.persist(StorageLevel.DISK_ONLY());
2:调用rdd.cache()方法,cache()是rdd.persist(StorageLevel.MEMORY_ONLY)的简写,效果和他一模一样的。
3: 调用rdd.unpersist()清除缓存
我通过一个demo看下public class SparkCacheDemo {
private static JavaSparkContext sc;
public static void main(String[] args) {
List list = Arrays.asList(5, 4, 3, 2, 1, 6, 9);
SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("SparkCacheDemo");
sc = new JavaSparkContext(conf);
JavaRDD rdd = sc.parallelize(list);
// rdd.persist(StorageLevel.DISK_ONLY()); //磁盘存储
rdd.persist(StorageLevel.MEMORY_ONLY());//内存
// rdd.persist(StorageLevel.MEMORY_ONLY_2()); //内存存储两份
rdd.collect();
rdd.collect(); //这里可以设置debug断点便于查看
rdd.unpersist(); //清楚缓存
rdd.collect(); //这里也可以设置debug断点便于查看
}
}
启动后设置上面连个debug点 然后查看页面 http://127.0.0.1:4040/storage/ 可以看到相关信息 如下图
磁盘
内存
五:缓存性能测试
我们知道StorageLevel.MEMORY_ONLY级别和不用缓存的级别相差10倍,我们一起来验证下,看代码
package com.demo.spark.cache;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.storage.StorageLevel;
public class SparkCacheTest {
private static JavaSparkContext sc;
public static void main(String[] args) {
SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("SparkCacheTest");
sc = new JavaSparkContext(conf);
sc.setLogLevel("error");
noCache();
cache();
System.out.println("");
}
/**
* 不用缓存
*
* @Title: noCache
* @author zhuhuipei
* @date 2017年6月2日 下午4:22:01
*/
public static void noCache() {
JavaRDD rdd = sc.textFile("./test.txt");
rdd.count();
Long t1 = System.currentTimeMillis();
System.out.println("noCache()=rdd.count()=" + rdd.count());
Long t2 = System.currentTimeMillis();
Long t2_t1 = t2 - t1;
System.out.println("nocache()=" + t2_t1);
}
/**
* 用缓存
* @Title: cache
* @author zhuhuipei
* @date 2017年6月2日 下午5:03:51
*/
public static void cache() {
JavaRDD rdd = sc.textFile("./test.txt").persist(StorageLevel.MEMORY_ONLY());
rdd.count();
Long t1 = System.currentTimeMillis();
System.out.println(" cache()=rdd.count()=" + rdd.count());
Long t2 = System.currentTimeMillis();
Long t2_t1 = t2 - t1;
System.out.println("cache()=" + t2_t1);
}
}
本人本地直接运行两者相差不大差不多在(3~5倍左右),并没有达到10倍性能,可能和数据量和运行环境有关系。
源码地址: