Spark---RDD持久化

1.RDD持久化

在Spark中，持久化是将RDD存储在内存中，以便在多次计算之间重复使用。这可以显著减少不必要的计算，提高Spark应用程序的性能。

    val lines = context.textFile("D:\\learnSoftWare\\IdeaProject\\Spark_Demo\\Spark_Core\\src\\main\\com.mao\\datas\\1.txt")
    //执行扁平化操作
    //扁平化就是将多个集合打散为一个集合
    val words = lines.flatMap((a: String) => a.split(" "))

    //对每个单词进行改造(hello,1)
    val wordMap = words.map(word => {
      println("@@@@@@@@@@@@@@@@@")
      (word, 1)
    })


    //reduceByKey要使用wordMap
    val wordToCount=wordMap.reduceByKey((t1,t2)=>t1+t2)
    wordToCount.collect().foreach(println)

    //groupByKey要使用wordMap
    val wordToGroup = wordMap.groupByKey()
    wordToGroup.collect().foreach(println)

如上述代码，reduceByKey和groupByKey都要是用wordMap的结果，由于RDD中是不存储数据的，在reduceByKey使用完成之后，groupByKey想要再次使用的时候，需要查找血缘关系，从头开始一步一步的执行，如果数据量大的情况下，会造成很大的成本上的浪费。

1.1 RDD Cache 缓存

RDD 通过 Cache 或者 Persist 方法将前面的计算结果缓存，默认情况下会把数据以缓存在 JVM 的堆内存中。 但是并不是这两个方法被调用时立即缓存，而是触发后面的 action 算子时，该 RDD 将会被缓存在计算节点的内存中，并供后面重用。

可以通过设置persist来将数据存储到内存或者磁盘中。

    // 数据缓存。
    wordMap.cache()
    // 可以更改存储级别
    //wordMap.persist(StorageLevel.MEMORY_AND_DISK_2)

可以看出将中间结果放入缓存中后，第二次使用中间结果的时候，将不会从头再执行一遍，而是直接从缓存中读取数据，

存储级别：

object StorageLevel {
 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)

Spark 会自动对一些 Shuffle 操作的中间数据做持久化操作(比如：reduceByKey)。这样做的目的是为了当一个节点 Shuffle 失败了避免重新计算整个输入。但是，在实际使用的时候，如果想重用数据，仍然建议调用persist 或 cache。

1.2 RDD CheckPoint 检查点

检查点其实就是通过将 RDD 中间结果写入磁盘
由于血缘依赖过长会造成容错成本过高，这样就不如在中间阶段做检查点容错，如果检查点之后有节点出现问题，可以从检查点开始重做血缘，减少了开销。
对 RDD 进行 checkpoint 操作并不会马上被执行，必须执行 Action 操作才能触发。

检查点的数据需要进行落盘，当作业执行结束后，不会被删除。检查点数据一般都是存储在hdfs上。

    //建立与Spark框架的连接
    val wordCount = new SparkConf().setMaster("local").setAppName("WordCount")//配置文件
    val context = new SparkContext(wordCount)//读取配置文件

    // 设置检查点路径
    //这里选择将数据落盘在本地
    context.setCheckpointDir("./checkpoint1")

    //执行业务操作
    val lines = context.textFile("D:\\learnSoftWare\\IdeaProject\\Spark_Demo\\Spark_Core\\src\\main\\com.mao\\datas\\1.txt")
    //执行扁平化操作
    //扁平化就是将多个集合打散为一个集合
    val words = lines.flatMap((a: String) => a.split(" "))

    //对每个单词进行改造(hello,1)
    val wordMap = words.map(word => {
      println("@@@@@@@@@@@@@@@@@")
      (word, 1)
    })

    // 数据缓存。
    wordMap.cache()

    // 数据检查点：针对 wordToOneRdd 做检查点计算
    wordMap.checkpoint()


    //reduceByKey要使用wordMap
    val wordToCount=wordMap.reduceByKey((t1,t2)=>t1+t2)
    wordToCount.collect().foreach(println)

    //groupByKey要使用wordMap
    val wordToGroup = wordMap.groupByKey()
    wordToGroup.collect().foreach(println)



    //关闭连接
    context.stop()

1.3 缓存和检查点区别

1）Cache 缓存只是将数据保存起来，不切断血缘依赖，即Cache相当于增加一个依赖关系。Checkpoint 检查点切断血缘依赖。
2）Cache 缓存的数据通常存储在磁盘、内存等地方，可靠性低。Checkpoint 的数据通常存
储在 HDFS 等容错、高可用的文件系统，可靠性高。
3）建议对 checkpoint()的 RDD 使用 Cache 缓存，这样 checkpoint 的 job 只需从 Cache 缓存
中读取数据即可，否则需要再从头计算一次 RDD。

2.RDD分区器

Spark 目前支持 Hash 分区和 Range 分区，和用户自定义分区。Hash 分区为当前的默认分区。分区器直接决定了 RDD 中分区的个数、RDD 中每条数据经过 Shuffle 后进入哪个分区，进而决定了 Reduce 的个数。

只有 Key-Value 类型的 RDD 才有分区器，非 Key-Value 类型的 RDD 分区的值是 None
每个 RDD 的分区 ID 范围：0 ~ (numPartitions - 1)，决定这个值是属于那个分区的。

val dataRdd=sparkRdd.makeRDD(List(
      1，2，3，4
    )，2)

在上述代码中创建的dataRDD是没有分区器的，但是Spark会根据指定的分区数（在这个例子中是2）来将数据分布到不同的分区中，但这种分布并不是由分区器控制的。而是根据数据的本地性（locality）或者简单的轮询（round-robin）方式来分配的。

2.1 Hash 分区：

对于给定的 key，计算其 hashCode,并除以分区个数取余

2.2 Range 分区：

将一定范围内的数据映射到一个分区中，尽量保证每个分区数据均匀，而且分区间有序

2.3 用户自定义分区

自定义分区器,实现将王同学分到一个分区，张同学分到另一个分区

package bigdata.wordcount.RDD

import org.apache.spark.rdd.RDD
import org.apache.spark.{Partitioner, SparkConf, SparkContext}

/**
 * 自定义分区器
 */
object SelfPartitioner {
  def main(args: Array[String]): Unit = {
    //建立与Spark框架的连接
    val rdd = new SparkConf().setMaster("local[*]").setAppName("RDD") //配置文件
    val sparkRdd = new SparkContext(rdd) //读取配置文件

    val dataRDD: RDD[(String, String)] = sparkRdd.makeRDD(List(
      ("小王", "xxxxxxxxx"),
      ("小张", "xxxxxxxxx"),
      ("小王", "xxxxxxxxx"),
    ), 2)
    //采用自定义分区器
    val dataRes: RDD[(String, String)] = dataRDD.partitionBy(new MyPartitioner)
    dataRes.saveAsTextFile("output0")

    sparkRdd.stop()
  }

}

/**
 * 自定义分区器
 * 1.继承Partitioner
 * 2.重写相关方法
 */
class MyPartitioner extends Partitioner
{
  //设置分区数量
  override def numPartitions: Int = 2

  //根据得到的key值获取到分区的索引(从0开始)
  override def getPartition(key: Any): Int = {
     key match {
     case "小王" => 0
     case "小张" => 1
     }
     }
}