【赵渝强老师】Spark RDD的缓存机制

Spark RDD通过persist方法或cache方法可以将盘算效果的缓存，但是并不是这两个方法被调用时立刻缓存，而是触发后面的action时，该RDD才会被缓存在盘算节点的内存中并供后面重用。下面是persist方法或cache方法的函数定义：

1. def persist(): this.type = persist(StorageLevel.MEMORY_ONLY)
2. def cache(): this.type = persist()

复制代码

视频解说如下                 【赵渝强老师】Spark RDD的缓存机制
      通过函数的定义发现，cache最终也是调用了persist方法，默认的存储级别都是仅在内存存储一份，Spark在object StorageLevel中定义了缓存的存储级别。下面是在StorageLevel中的定义的缓存级别。

1. val NONE = new StorageLevel(false, false, false, false)
2. val DISK_ONLY = new StorageLevel(true, false, false, false)
3. val DISK_ONLY_2 = new StorageLevel(true, false, false, false, 2)
4. val MEMORY_ONLY = new StorageLevel(false, true, false, true)
5. val MEMORY_ONLY_2 = new StorageLevel(false, true, false, true, 2)
6. val MEMORY_ONLY_SER = new StorageLevel(false, true, false, false)
7. val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, false, 2)
8. val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)
9. val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true, 2)
10. val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false, false)
11. val MEMORY_AND_DISK_SER_2=new StorageLevel(true, true, false, false, 2)
12. valOFF_HEAP = new StorageLevel(true, true, true, false, 1)

复制代码

  需要阐明的是，使用RDD的缓存机制，数据可能丢失；或者会由于内存的不敷而造成数据被删除。可以通过使用RDD的查抄点机制了包管缓存的容错，纵然缓存丢失了也能包管盘算的正确执行。
  下面是使用RDD缓存机制的一个示例。这里使用RDD读取一个大的文件，该文件中包罗918843条记录。通过Spark Web Console可以对比出在不使用缓存和使用缓存时，执行效率的差异。
（1）读取一个大文件。

1. scala> val rdd1 = sc.textFile("/root/temp/sales")

复制代码

（2）触发一个盘算，这里没有使用缓存。

1. scala> rdd1.count

复制代码

（3）调用cache方法标识该RDD可以被缓存。

1. scala> rdd1.cache

复制代码

（4）第二次触发盘算，盘算完成后会将效果缓存。

1. scala> rdd1.count

复制代码

（5）第三次触发盘算，这里会直接从之前的缓存中获取效果。

1. scala> rdd1.count

复制代码

（6）访问Spark的Web Console观察这三次count盘算的执行时间，可以当作末了一次count盘算只耗费了98ms，如下图所示。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。