Spark程序性能优化之persist()

Spark的RDD Persistence，是一个重要的能力，可以将中间结果保存，提供复用能力，加速基于中间结果的后续计算，经常可以提高10x以上的性能。在PySpark的DataFrame中同样适用。

主要方法是persist()和cache()。官方说明请看RDD Persistence。

需要注意的是，Spark Python API中，默认存储级别是MEMORY_AND_DISK。

本文记录一下实际开发中使用Spark这个能力的一些心得，主要是PySpark。

persist()和cache()该使用哪个？

建议总是使用persist()。

原因：persist()功能更加强大，由于其支持设置存储级别，所以用起来更加灵活方便。cache()虽然是使用默认存储级别，但是在网上看到，使用cache()出现内存溢出的问题，换成persist()就没问题。我一般使用persist()，所以没遇到过这个问题。

什么时候使用persist()?

1、当一个中间数据集，后面被多个计算重复使用，你应该对这个数据集使用persist()。

2、如果资源允许，你应该尽可能多的使用persist()，因为这可以极大的减少重复计算，提高程序性能。

关于第2点，至少我写这篇随笔时，是这样认为的。为什么这么说，是因为我在实际开发中做过一个对比测试。

我开发了一个PySpark程序，只对最大的几个需要重复使用的数据集使用了persist()，程序运行时间10分钟左右。这个程序中，有不少中间结果会被重复使用，当我对一部分中间结果数据集也使用了persist()之后，程序运行时间降低为8.7分钟左右。当我对大部分会被重复使用的中间结果数据集使用了persist()之后，程序运行时间进一步降低为8分钟左右。

我对比了三种程序的stage情况，发现使用persist()多的程序，stage数量有一定的减少，另外相同的stage，可以达到几秒的差距，当然也许和机器配置有关。不过这个性能提升确实非常明显！！也许存在偶然性，不过理论上来说，这个应该可以提升性能。

什么时候使用unpersist()？

unpersist()是用来释放资源的，是persist()的反向操作。

你应该在第一时间使用unpersist()，也就是说，当这个数据集不再被使用，应该立刻释放其占用的资源。

该如何选择存储级别？

如果条件允许，建议使用默认存储级别。

在PySpark中，persist()的默认存储级别是MEMORY_AND_DISK，个人觉得这个存储级别是一个非常好的策略。

至于其他存储级别，可以在程序调试中对比测试其性能，来决定使用哪个存储级别。