spark 基础二：RDD操作和持久化

Spark RDD操作

Spark支持两种RDD操作，transformation和action。transformation操作会针对已有的RDD创建一个新的RDD；而action则主要是对RDD进行最后的操作，比如遍历、reduce、保存到文件等，并可以返回结果给Driver程序。
Transformation的特点就是lazy特性。lazy特性值得是，如果一个spark应用中只定义了transformation操作，那么即使你执行该应用，这些操作也不会执行，也就是说，transformation是不会触发spark程序的执行的，他们只是记录了对RDD的操作，但是不会自发的执行；只有当transformation之后，接着执行了一个action操作，那么所有的transformation才会执行。Spark通过这种lazy特性，来进行底层的spark应用执行的优化，避免产生过多的中间结果。

action操作执行，会触发一个spark job的运行，从而触发这个action之前所有的transformation的执行，

下面通过图来说明transformation和action特性

image.png

如上图所示，只有当执行action操作之后，才会触发job的执行，才会提交task到worker的Executor上执行，也就是上一篇spark基础中spark应用在spark集群上的执行步骤 5、 6、 7

常用transtormation

image.png

常用Action操作

image.png

Spark持久化

Spark非常重要的一个功能特性就是可以将RDD持久化在内存中。当对RDD执行持久化操作时，每个节点都会将自己操作的RDD的pattition持久化到内存中，并且在之后对该RDD的反复使用中，直接使用内存缓存的partition。这样的话，对于针对一个RDD反复执行多个操作的场景，就只要对RDD计算一次即可，后面直接使用该RDD，而不需要反复计算多次该RDD。
官方文档上说，巧妙使用RDD持久化，甚至在某些场景下，可以将spark应用程序的性能提升10倍。对于迭代式算法和快速交互式应用来说，RDD持久化，是非常重要的。
要持久化一个RDD，只要调用器cache()或者persist()方法即可，在该RDD第一次被计算出来时，就会被直接缓存在每个节点中。而且spark持久化机制是自动容错的，如果持久化的RDD的任何partition丢失了，那么spark会自动通过其源RDD，使用transformation操作重新计算该partition。
spark自己也会在shuffle操作时，进行数据的持久化，比如写入磁盘，只要是wield在节点失败时，避免需要重新计算整个过程。
下面以画图来说明这个过程

image.png

image.png

RDD持久化策略

RDD持久化是可以选择不同的策略的，比如可以将RDD持久化在内存中，磁盘上，使用序列化的方式持久化，将持久化的数据进行多路复用。只要在调用persist()时，传入对应的StorageLevel即可。

image.png

如何选择RDD持久化策略？

Spark提供的多种持久化级别，主要是为了在CPU和内存消耗之间进行取舍，下面是一些通用的持久化级别的选择建议：
1、优先使用MEMORY_ONLY，如果可以缓存所有的数据的话，那么久使用这种策略，因为纯内存书读最快，而且没有序列化，不需要消耗CPU 进行反序列化操作
2、如果MEMORY_ONLY策略，无法存储下所有的数据的话，那么使用MEMORY_ONLY_SER，将数据进行序列化存储，纯内存操作还是非常快，只是要消耗cpu进行反序列化
3、如果需要进行快速的失败恢复，那么就选择后缀为_2的策略，进行数据的备份，这样在失败时，就不需要重新计算了
4、能不使用DISK相关的策略，就不使用，有的时候，从磁盘读取数据，还不如重新计算一次