文章目录
- 零、本讲学习目标
- 一、RDD持久化
- （一）引入持久化的必要性
- （二）案例演示持久化操作
- 1、RDD的依赖关系图
- 2、不采用持久化操作
- 3、采用持久化操作
- 二、存储级别
- （一）持久化方法的参数
- （二）Spark RDD存储级别表
- （三）如何选择存储级别
- （四）persist()与cache()的关系
- （五）案例演示设置存储级别
- 三、利用Spark WebUI查看缓存
- （一）创建RDD并标记为持久化
- （二）Spark WebUI查看RDD存储信息
- （三）将RDD从缓存中删除
零、本讲学习目标
- 理解RDD持久化的必要性
- 了解RDD的存储级别
- 学会如何查看RDD缓存
一、RDD持久化
（一）引入持久化的必要性
- Spark中的RDD是懒加载的，只有当遇到行动算子时才会从头计算所有RDD，而且当同一个RDD被多次使用时，每次都需要重新计算一遍，这样会严重增加消耗。为了避免重复计算同一个RDD，可以将RDD进行持久化。
- Spark中重要的功能之一是可以将某个RDD中的数据保存到内存或者磁盘中，每次需要对这个RDD进行算子操作时，可以直接从内存或磁盘中取出该RDD的持久化数据，而不需要从头计算才能得到这个RDD。
（二）案例演示持久化操作
1、RDD的依赖关系图
- 读取文件，进行一系列操作，有多个RDD，如下图所示。
2、不采用持久化操作
-
在上图中，对RDD3进行了两次算子操作，分别生成了RDD4和RDD5。若RDD3没有持久化保存，则每次对RDD3进行操作时都需要从textFile()开始计算，将文件数据转化为RDD1，再转化为RDD2，最终才得到RDD3。
-
查看要操作的HDFS文件
-
以集群模式启动Spark Shell
-
按照图示进行操作，得RDD4和RDD5
-
查看RDD4内容，会从RDD1到RDD2到RDD3到RDD4跑一趟
-
显示RDD5内容，也会从RDD1到RDD2到RDD3到RDD5跑一趟
3、采用持久化操作
-
可以在RDD上使用
persist()或cache()方法来标记要持久化的RDD（cache()方法实际上底层调用的是persist()方法）。在第一次行动操作时将对数据进行计算，并缓存在节点的内存中。Spark的缓存是容错的：如果缓存的RDD的任何分区丢失，Spark就会按照该RDD原来的转换过程自动重新计算并缓存。 -
计算到RDD3时，标记持久化
-
计算RDD4，就是基于RDD3缓存的数据开始计算，不用从头到尾跑一趟
-
计算RDD5，就是基于RDD3缓存的数据开始计算，不用从头到尾跑一趟
二、存储级别
（一）持久化方法的参数
- 利用RDD的
persist()方法实现持久化，向persist()方法中传入一个StorageLevel对象指定存储级别。每个持久化的RDD都可以使用不同的存储级别存储，默认的存储级别是StorageLevel.MEMORY_ONLY。
（二）Spark RDD存储级别表
- Spark RDD有七种存储级别
| 存储级别 | 说明 |
|---|---|
| MEMORY_ONLY | 将RDD存储为JVM中的反序列化Java对象。如果内存不够，部分分区就不会被缓存，并且在每次需要这些分区的时候都会被动态地重新计算。此为默认级别。 |
| MEMORY_AND_DISK | 将RDD存储为JVM中的反序列化Java对象。如果内存不够，就将未缓存的分区存储在磁盘上，并在需要这些分区时从磁盘读取。 |
| MEMORY_ONLY_SER | 将RDD存储为序列化的Java对象（每个分区一个字节数组）。这通常比反序列化对象更节省空间,特别是在使用快速序列化时，但读取时会增加 CPU负担。 |
| MEMORY_AND_DISK_SER | 类似于MEMORY_ONLY_SER，但是溢出的分区将写到磁盘，而不是每次需要对其动态地重新计算。 |
| DISK_ONLY | 只在磁盘上存储RDD分区。 |
| MEMORY_ONLY_2 | 与MEMORY_ONLY 相同，只是每个持久化的分区都会复制一份副本，存储在其他节点上。这种机制主要用于容错，一旦持久化数据丢失，可以使用副本数据，而不需要重新计算。 |
| MEMORY_AND_DISK_2 | 与MEMORY_AND_DISK相同,只是每个持久化的分区都会复制一份副本，存储在其他节点上。这种机制主要用于容错，一旦持久化数据丢失，可以使用副本数据，而不需要重新计算。 |
- 在Spark的Shuffle操作（例如
reduceByKey()中，即使用户没有使用persist()方法，也会自动保存一些中间数据。这样做是为了避免在节点洗牌的过程中失败时重新计算整个输入。如果想多次使用某个RDD，那么强烈建议在该RDD上调用persist()方法。
（三）如何选择存储级别
- 选择原则：权衡内存使用率和CPU效率
- 如果RDD存储在内存中不会发生溢出，那么优先使用默认存储级别（MEMORY_ONLY），该级别会最大程度发挥CPU的性能，使在RDD上的操作以最快的速度运行。
- 如果RDD存储在内存中会发生溢出，那么使用MEMORY_ONLY_SER并选择一个快速序列化库将对象序列化，以节省空间，访问速度仍然相当快。
- 除非计算RDD的代价非常大，或者该RDD过滤了大量数据，否则不要将溢出的数据写入磁盘，因为重新计算分区的速度可能与从磁盘读取分区一样快。
- 如果希望在服务器出故障时能够快速恢复，那么可以使用多副本存储级别MEMORY_ONLY_2或MEMORY_AND_DISK_2。该存储级别在数据丢失后允许在RDD上继续运行任务，而不必等待重新计算丢失的分区。其他存储级别在发生数据丢失后，需要重新计算丢失的分区。
（四）persist()与cache()的关系
- 查看两个方法的源码
/** * 在第一次行动操作时持久化RDD，并设置存储级别，当RDD从来没有设置过存储级别时才能使用该方法 */
def persist(newLevel: StorageLevel): this.type = { if (isLocallyCheckpointed) { // 如果之前已将该RDD设置为localCheckpoint，就覆盖之前的存储级别 persist(LocalRDDCheckpointData.transformStorageLevel(newLevel), allowOverride = true) } else { persist(newLevel, allowOverride = false) }
}
/** * 持久化RDD，使用默认存储级别(MEMORY_ONLY) */
def persist(): this.type = persist(StorageLevel.MEMORY_ONLY) /** * 持久化RDD，使用默认存储级别(MEMORY_ONLY) */
def cache(): this.type = persist()
- 从上述代码可以看出，
cache()方法调用了无参的persist()方法，两者的默认存储级别都为MEMORY_ONLY，但cache()方法不可更改存储级别，而persist()方法可以通过参数自定义存储级别。
（五）案例演示设置存储级别
- 在
net.huawei.rdd根包里创建day05子包，然后在子包里创建SetStorageLevel对象
package net.huawei.rdd.day05import org.apache.log4j.{Level, Logger}
import org.apache.spark.storage.StorageLevel
import org.apache.spark.{SparkConf, SparkContext}/*** 功能：设置存储级别* 作者：华卫* 日期：2023年05月06日*/
object SetStorageLevel {def main(args: Array[String]): Unit = {// 创建Spark配置对象val conf = new SparkConf().setAppName("SetStorageLevel") // 设置应用名称.setMaster("local[*]") // 设置主节点位置（本地调试）// 基于Spark配置对象创建Spark容器val sc = new SparkContext(conf)// 去除Spark运行信息Logger.getLogger("org").setLevel(Level.OFF)Logger.getLogger("com").setLevel(Level.OFF)System.setProperty("spark.ui.showConsoleProgress", "false")Logger.getRootLogger().setLevel(Level.OFF)// 读取HDFS文件，得到rddval rdd = sc.textFile("hdfs://master:9000/park/words.txt")// 将rdd标记为持久化，采用默认存储级别 - StorageLevel.MEMORY_ONLYrdd.persist() // 无参持久化方法// 对rdd做扁平化映射，得到rdd1val rdd1 = rdd.flatMap(_.split(" "))// 将rdd1持久化到磁盘rdd1.persist(StorageLevel.DISK_ONLY)// 将rdd1映射成二元组，得到rdd2val rdd2 = rdd1.map((_, 1))// 将rdd2持久化到内存，溢出的数据持久化到磁盘rdd2.persist(StorageLevel.MEMORY_AND_DISK)// 第一次行动算子，对标记为持久化的RDD进行不同级别的持久化操作println("元素个数：" + rdd2.count)// 第二次行动算子，直接利用rdd2的持久化数据进行操作，无须从头进行计算rdd2.collect.foreach(println)}
}
- 运行程序，查看结果
三、利用Spark WebUI查看缓存
- 最好重启Spark Shell
（一）创建RDD并标记为持久化
- 执行命令：
val rdd = sc.parallelize(List(56, 67, 32, 89, 90, 66, 100))
（二）Spark WebUI查看RDD存储信息
-
浏览器中访问Spark Shell的WebUI
http://master:4040/storage/查看RDD存储信息，可以看到存储信息为空
-
执行命令：
rdd.collect，收集RDD数据
-
刷新WebUI，发现出现了一个
ParallelCollectionRDD的存储信息，该RDD的存储级别为MEMORY，持久化的分区为8，完全存储于内存中。
-
单击
ParallelCollectionRDD超链接，可以查看该RDD的详细存储信息
-
上述操作说明，调用RDD的persist()方法只是将该RDD标记为持久化，当执行行动操作时才会对标记为持久化的RDD进行持久化操作。
-
执行以下命令，创建rdd2，并将rdd2持久化到磁盘
-
刷新上述WebUI，发现多了一个
MapPartitionsRDD的存储信息，该RDD的存储级别为DISK，持久化的分区为8，完全存储于磁盘中。
（三）将RDD从缓存中删除
-
Spark会自动监视每个节点上的缓存使用情况，并以最近最少使用的方式从缓存中删除旧的分区数据。如果希望手动删除RDD，而不是等待该RDD被Spark自动从缓存中删除，那么可以使用RDD的
unpersist()方法。 -
执行命令：
rdd.unpersist()，将rdd（ParallelCollectionRDD）从缓存中删除
-
刷新上述WebUI，发现只剩下了
MapPartitionsRDD，ParallelCollectionRDD已被移除。
