25、Spark核心编程之RDD持久化详解

不使用RDD持久化的问题

首先看一段代码

JavaRDD linesRDD = javaSparkContext.textFile("hdfs://hadoop-100:9000/testdate/1.txt");// 这里面数据非常大，上亿
Long linesCount = linesRDD.count();
// 执行一些其他操作
Long newLinesCount = linesRDD.count();

可以看到，上面的代码，不管有没有这个需求，反正现在要对linesRDD，求他有多少行，而且是两次求行数，这个会引发什么问题呢？

不使用RDD持久化的问题.png

默认情况下，对于这种针对大数据的action操作，都是非常耗时的，那么就这一个操作，可能会消耗1个小时
还有一个问题，就是在执行action操作的时候，才会触发之前的操作执行，因此再执行第一个count操作时，就会从hdfs中读取一亿数据，形成linesRDD
第一次count操作之后，我们的确获取到了hdfs文件的行数，但是，linesRDD其实会被丢弃掉，数据也会被新的数据所填充
所以说，spark应用编程中，如果对某个RDD，后面进行多次transformation或者action操作，那么，可能每次都要重新计算一个RDD，那么就会反复消耗大量的时间，从而大大降低了spark应用的整体性能
这就是，不使用RDD持久化会导致的严重后果，可能会大大降低我们的spark应用的性能

图解RDD持久化的工作原理

RDD持久化的工作原理.png

RDD持久化原理

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partition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。
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，只要调用其cache()或者persist()方法即可。在该RDD第一次被计算出来时，就会直接缓存在每个节点中。而且Spark的持久化机制还是自动容错的，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。
cache()和persist()的区别在于，cache()是persist()的一种简化方式，cache()的底层就是调用的persist()的无参版本，同时就是调用persist(MEMORY_ONLY)，将数据持久化到内存中。如果需要从内存中清楚缓存，那么可以使用unpersist()方法。
Spark自己也会在shuffle操作时，进行数据的持久化，比如写入磁盘，主要是为了在节点失败时，避免需要重新计算整个过程。

RDD持久化实战

cache()或者persist()的使用，是有规则的
必须在transformation或者textFile等创建了一个RDD之后，直接连续调用cache()或persist()才可以
如果你先创建一个RDD，然后单独另起一行执行cache()或persist()方法，是没有用的
而且，会报错，大量的文件会丢失

/**
 * RDD持久化
 */
public class Persist {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setAppName("Persist")
                .setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);

        // cache()或者persist()的使用，是有规则的
        // 必须在transformation或者textFile等创建了一个RDD之后，直接连续调用cache()或persist()才可以
        // 如果你先创建一个RDD，然后单独另起一行执行cache()或persist()方法，是没有用的
        // 而且，会报错，大量的文件会丢失
        JavaRDD lines = sc.textFile("E:\\testdata\\wordcount\\input\\1.txt")
                 .cache();

        long beginTime = System.currentTimeMillis();

        long count = lines.count();
        System.out.println(count);

        long endTime = System.currentTimeMillis();
        System.out.println("cost " + (endTime - beginTime) + " milliseconds.");

        beginTime = System.currentTimeMillis();

        count = lines.count();
        System.out.println(count);

        endTime = System.currentTimeMillis();
        System.out.println("cost " + (endTime - beginTime) + " milliseconds.");

        sc.close();
    }
}

RDD持久化策略

RDD持久化是可以手动选择不同的策略的。比如可以将RDD持久化在内存中、持久化到磁盘上、使用序列化的方式持久化，多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。

持久化级别	含义
MEMORY_ONLY	以非序列化的Java对象的方式持久化在JVM内存中。如果内存无法完全存储RDD所有的partition，那么那些没有持久化的partition就会在下一次需要使用它的时候，重新被计算。
MEMORY_AND_DISK	同上，但是当某些partition无法存储在内存中时，会持久化到磁盘中。下次需要使用这些partition时，需要从磁盘上读取。
MEMORY_ONLY_SER	同MEMORY_ONLY，但是会使用Java序列化方式，将Java对象序列化后进行持久化。可以减少内存开销，但是需要进行反序列化，因此会加大CPU开销。
MEMORY_AND_DSK_SER	同MEMORY_AND_DSK。但是使用序列化方式持久化Java对象。
DISK_ONLY	使用非序列化Java对象的方式持久化，完全存储到磁盘上。
MEMORY_ONLY_2 MEMORY_AND_DISK_2 等等	如果是尾部加了2的持久化级别，表示会将持久化数据复用一份，保存到其他节点，从而在数据丢失时，不需要再次计算，只需要使用备份数据即可。

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，如果可以缓存所有数据的话，那么就使用这种策略。因为纯内存速度最快，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，无法存储的下所有数据的话，那么使用MEMORY_ONLY_SER，将数据进行序列化进行存储，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，那么就选择带后缀为_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，就不用使用，有的时候，从磁盘读取数据，还不如重新计算一次。