RDD通过persist方法或cache方法可以将前面的计算结果缓存,默认情况下 persist() 会把数据以序列化的形式缓存在 JVM 的堆空间中。 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时,该RDD的计算结果将会被缓存在计算节点的内存中,并供后面重用。

示例如下:

  1. def main(args: Array[String]): Unit = {
  2. val sc: SparkContext = new SparkContext(new SparkConf().
  3. setMaster("local[*]").setAppName("spark"))
  4.  
  5. val raw: RDD[String] = sc.makeRDD(Array("hello"))
  6. val current: RDD[String] = raw.map(_.toString + System.currentTimeMillis())
  7. //current.persist()
  8. current.collect().foreach(println)
  9. current.collect().foreach(println)
  10. current.collect().foreach(println)
  11. }

如果不加persist方法,执行结果如下:

hello1582190762213

hello1582190762463

hello1582190762526

加了persist方法之后,执行结果变为:

hello1582190869308

hello1582190869308

hello1582190869308

可见:current这个rdd的计算结果被缓存起来了 ,下游的rdd直接从缓存拿数据并进行运算。rdd及其rdd上游的计算过程被省略了,从而加快了计算过程。

存储级别:

  1. object StorageLevel {
  2. val NONE = new StorageLevel(false, false, false, false)
  3. val DISK_ONLY = new StorageLevel(true, false, false, false)
  4. val DISK_ONLY_2 = new StorageLevel(true, false, false, false, 2)
  5. val MEMORY_ONLY = new StorageLevel(false, true, false, true)
  6. val MEMORY_ONLY_2 = new StorageLevel(false, true, false, true, 2)
  7. val MEMORY_ONLY_SER = new StorageLevel(false, true, false, false)
  8. val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, false, 2)
  9. val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)
  10. val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true, 2)
  11. val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false, false)
  12. val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, false, 2)
  13. val OFF_HEAP = new StorageLevel(true, true, true, false, 1)
  1. class StorageLevel private(
    private var _useDisk: Boolean,
    private var _useMemory: Boolean,
    private var _useOffHeap: Boolean,
    private var _deserialized: Boolean,
    private var _replication: Int = 1)

堆外内存:区别于JVM内存。这一块内存不受JVM的GC回收机制的影响,而是直接向操作系统申请并自主管理的一块内存空间。为什么需要这块内存:JVM中的内存由于受到GC的影响,如果没有用完可能迟迟得不到释放,这时候如果再加入数据,就可能导致OOM问题。而如果由自己来管理内存,可以更及时地释放内存。

默认存储级别为MEMORY_ONLY:

检查点

如图所示:

依赖链过长,会导致有大量的血统信息要被记录;

而且在进行数据恢复的时候,要重新从头开始计算,比较耗时;

因此引入了检查点:

血统信息会从检查点开始记录;

重新计算时,把检查点的数据作为元数据开始计算;

相当于是检查点之前的RDD链条被掐断,检查点作为新的RDD链条头。

示例代码如下:

  1. def main(args: Array[String]): Unit = {
  2. val conf: SparkConf = new SparkConf()
  3. .setAppName("wordcount").setMaster("local[*]")
  4.  
  5. val sc: SparkContext = new SparkContext(conf)
  6. sc.setCheckpointDir("cp")
  7.  
  8. val lines: RDD[String] = sc.parallelize(Array(("hello,spark"),("hello,scala"),("hello,world")))
  9.  
  10. val words: RDD[String] = lines.flatMap(_.split(" "))
  11.  
  12. val wordToOne: RDD[(String, Int)] = words.map((_,1))
  13. //wordToOne之前的血缘关系,会被检查点替代。
  14. //wordToOne.checkpoint()
  15.  
  16. val wordToSum: RDD[(String, Int)] = wordToOne.reduceByKey(_+_)
  17.  
  18. wordToSum.collect()
  19.  
  20. println(wordToSum.toDebugString)
  21.  
  22. }

不加checkpoint的打印结果:

(8) ShuffledRDD[3] at reduceByKey at checkPoint.scala:21 []
 +-(8) MapPartitionsRDD[2] at map at checkPoint.scala:17 []
    |  MapPartitionsRDD[1] at flatMap at checkPoint.scala:15 []
    |  ParallelCollectionRDD[0] at parallelize at checkPoint.scala:13 []

从头开始记录;

加了checkpoint之后的打印结果:

(8) ShuffledRDD[3] at reduceByKey at checkPoint.scala:21 []
 +-(8) MapPartitionsRDD[2] at map at checkPoint.scala:17 []
    |  ReliableCheckpointRDD[4] at collect at checkPoint.scala:23 []

检查点所在RDD之前的RDD的血缘信息被检查点信息所替代。

接下来考察检查点之前的RDD会不会被重复计算:

  1. def main(args: Array[String]): Unit = {
  2. val conf: SparkConf = new SparkConf()
  3. .setAppName("wordcount").setMaster("local[*]")
  4.  
  5. val sc: SparkContext = new SparkContext(conf)
  6. sc.setCheckpointDir("cp")
  7.  
  8. val lines: RDD[String] = sc.parallelize(Array(System.currentTimeMillis().toString))
  9.  
  10. val words: RDD[String] = lines.flatMap(_.split(" "))
  11.  
  12. val wordToOne: RDD[(String, Int)] = words.map((_,1))
  13. //wordToOne之前的血缘关系,会被检查点替代。
  14. wordToOne.checkpoint()
  15.  
  16. val wordToSum: RDD[(String, Int)] = wordToOne.reduceByKey(_+_)
  17.  
  18. wordToSum.collect().foreach(println)
  19. wordToSum.collect().foreach(println)
  20. wordToSum.collect().foreach(println)
  21.  
  22. }

打印结果如下:

(1582193859704,1)

(1582193859704,1)

(1582193859704,1)

证明检查点之间的RDD没有被重复计算。

RDD(八)——缓存与检查点的更多相关文章

  1. Spark RDD概念学习系列之RDD的缓存(八)

      RDD的缓存 RDD的缓存和RDD的checkpoint的区别 缓存是在计算结束后,直接将计算结果通过用户定义的存储级别(存储级别定义了缓存存储的介质,现在支持内存.本地文件系统和Tachyon) ...

  2. sparkRDD:第4节 RDD的依赖关系;第5节 RDD的缓存机制;第6节 DAG的生成

    4.      RDD的依赖关系 6.1      RDD的依赖 RDD和它依赖的父RDD的关系有两种不同的类型,即窄依赖(narrow dependency)和宽依赖(wide dependency ...

  3. RDD的缓存

    RDD的缓存/持久化 缓存解决的问题 缓存解决什么问题?-解决的是热点数据频繁访问的效率问题 在Spark开发中某些RDD的计算或转换可能会比较耗费时间, 如果这些RDD后续还会频繁的被使用到,那么可 ...

  4. Redis系列(八)--缓存穿透、雪崩、更新策略

    1.缓存更新策略 1.LRU/LFU/FIFO算法剔除:例如maxmemory-policy 2.超时剔除,过期时间expire,对于一些用户可以容忍延时更新的数据,例如文章简介内容改了几个字 3.主 ...

  5. 关于redis的几件小事(八)缓存与数据库双写时的数据一致性

    1.Cache aside pattern 这是最经典的 缓存+数据库 读写模式,操作如下: ①读的时候,先读缓存,缓存没有就读数据库,然后将取出的数据放到缓存,同时返回请求响应. ②更新的时候,先删 ...

  6. HTML5入门八---缓存控件元素的值

    <!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title> ...

  7. Spark RDD详解 | RDD特性、lineage、缓存、checkpoint、依赖关系

    RDD(Resilient Distributed Datasets)弹性的分布式数据集,又称Spark core,它代表一个只读的.不可变.可分区,里面的元素可分布式并行计算的数据集. RDD是一个 ...

  8. Spark核心RDD、什么是RDD、RDD的属性、创建RDD、RDD的依赖以及缓存、

    1:什么是Spark的RDD??? RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变.可分区.里面的元素可并行 ...

  9. RDD缓存

    RDD的缓存 Spark速度非常快的原因之一,就是在不同操作中可以在内存中持久化或缓存数据集.当持久化某个RDD后,每一个节点都将把计算的分片结果保存在内存中,并在对此RDD或衍生出的RDD进行的其他 ...

随机推荐

  1. part8 详情页面动态路由以及banner布局

    1.<router-link>标签 a标签就会把里面文字的颜色变掉 那我们可以换一种写法 <router-link tag='li'> //这样vue就会把这个标签渲染成li标 ...

  2. C++ CreateInstance("ADODB.Connection");创建接口失败的解决方法

    数据库对象mssql2005sp3专业版: 一般数据引用该路径文件#import "c:\\program files\\common files\\system\\ado\\msado15 ...

  3. python爬取招聘网站数据

    # -*- coding: utf-8 -*- # 爬虫分析 from bs4 import BeautifulSoup from lxml import etree from selenium im ...

  4. HTML5中的行级标签和块级标签

    行级标签 1.行级标签又称为内联标签,行级标签不会单独占据一行,设置宽高无效. 2.行内内部可以容纳其他行内元素,但不可以容纳块元素.有span.strong.em.b.i.input.a.img.u ...

  5. codeforces 596 C. p-binary

    题意:给你一个n和一个p,让你用 (2k+p)进制来表示n,找出用最少的(2k+p)来表示n. 分析:首先我们看到2k,首先下想到二进制,我们可以我们列出式子,也就是 (2x1 + p)+(2x2 + ...

  6. HTML超链接实例介绍

    <html><head><title>第六节课</title><meta charset="UTF-8"></he ...

  7. String StringBuffer和StringBuilder的区别和联系

    1:String,StringBuffer和StringBuilder概念 1.1:String String中使用字符串数组来存储字符串,但是是fianl来修饰的,所以String的内容不可改变. ...

  8. 池ThreadPoolExecutor使用简介

    public static void main(String[] args) { //guava 创建线程池 //https://blog.csdn.net/chinabestchina/articl ...

  9. C++queue的使用

    C++队列是一种容器适配器,提供了一种先进先出的数据结构. 队列(queue)模板类定义在<queue>头文件中 基本操作: 定义一个queue变量:queue<Type> q ...

  10. ZJNU 2342 - 夏华献要回家

    (夏华献在学校也要做一次梦!) 把5的答案手动算出 会发现从学校开始,兔子的数量呈斐波那契数列(第2项开始)增长 假如现在有n盏路灯 那么睡觉的时间可以得到为 但是n有1e18大,明显使用标准数学公式 ...