【spark】持久化

Spark RDD 是惰性求值的。

如果简单地对RDD 调用行动操作，Spark 每次都会重算RDD 以及它的所有依赖。这在迭代算法中消耗格外大。

换句话来说就是

当DAG图遇到转化操作的时候是不求值的。

只有当遇到行动操作的时候才会求值，但是每次求值都是从头到尾来求的。

并不会从上一个行动操作为起点来计算。这样一来迭代计算就会重复计算好多数值。

我们可以通过持久化(缓存)机制避免这种重复计算的开销。

使用persist()方法对一个RDD标记为持久化。

之所以说“标记为持久化”，是因为出现persist()语句的地方，并不会马上计算成RDD并把它持久化。

而是要等到遇到下一个行动操作真正发生产生计算的时候，才会把计算结果持久化。

持久化后的RDD将被保留在计算节点的内存中，可以被后面的行动操作重复使用。

import org.apache.spark._
object MyRdd {
    def main(args:Array[String]): Unit ={
        //初始化配置：设置主机名和程序主类的名字
        val conf = new SparkConf().setMaster("local").setAppName("MyRdd");
        //通过conf来创建sparkcontext
        val sc = new SparkContext(conf);
        val list = List("Hadoop","Spark","Hive");
        val rdd = sc.parallelize(list);
        rdd.persist();//调用了持久化进行标记，但是这里并不会缓存rdd，因为rdd还没有计算生成
        println(rdd.count());//标记后第一次的行动操作count()产生计算值，才会执行上边的rdd.persist()
        println(rdd.collect());//标记后的第二次行动操作,不需要从头开始重新计算，只需要使用缓存中的rdd
    }
}

注意persist()方法是有持久化级别参数的。

1.persist(MEMORY_ONLY)：表示将RDD作为反序列化对象存储于JVM中，如果内存不足，就按照LRU原则替换内存中的内容。

2.persist(MEMORY_AND_DISK)：表示将RDD作为反序列化的对象存储在JVM中，超出的分区将存放在磁盘中。

我们日常中经常使用cache()方法，这个方法会调用persist(MEMORY_ONLY)。例如，rdd.cache()

我们可以通过unpersist()方法手动的把放在缓存中的持久化对象移除。