Spark---RDD持久化

1.RDD持久化

在Spark中，持久化是将RDD存储在内存中，以便在多次计算之间重复使用。这可以显著减少不必要的计算，提高Spark应用程序的性能。

    val lines = context.textFile("D:\\learnSoftWare\\IdeaProject\\Spark_Demo\\Spark_Core\\src\\main\\com.mao\\datas\\1.txt")
    //执行扁平化操作
    //扁平化就是将多个集合打散为一个集合
    val words = lines.flatMap((a: String) => a.split(" "))

    //对每个单词进行改造(hello,1)
    val wordMap = words.map(word => {
      println("@@@@@@@@@@@@@@@@@")
      (word, 1)
    })


    //reduceByKey要使用wordMap
    val wordToCount=wordMap.reduceByKey((t1,t2)=>t1+t2)
    wordToCount.collect().foreach(println)

    //groupByKey要使用wordMap
    val wordToGroup = wordMap.groupByKey()
    wordToGroup.collect().foreach(println)

如上述代码，reduceByKey和groupByKey都要是用wordMap的结果，由于RDD中是不存储数据的，在reduceByKey使用完成之后，groupByKey想要再次使用的时候，需要查找血缘关系，从头开始一步一步的执行，如果数据量大的情况下，会造成很大的成本上的浪费。

1.1 RDD Cache 缓存

RDD 通过 Cache 或者 Persist 方法将前面的计算结果缓存，默认情况下会把数据以缓存在 JVM 的堆内存中。 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 算子时，该 RDD 将会被缓存在计算节点的内存中，并供后面重用。

可以通过设置persist来将数据存储到内存或者磁盘中。

    // 数据缓存。
    wordMap.cache()
    // 可以更改存储级别
    //wordMap.persist(StorageLevel.MEMORY_AND_DISK_2)

可以看出将中间结果放入缓存中后，第二次使用中间结果的时候，将不会从头再执行一遍，而是直接从缓存中读取数据，

存储级别：

object StorageLevel {
 val NONE = new StorageLevel(false, false, false, false)
 val DISK_ONLY = new StorageLevel(true, false, false, false)
 val DISK_ONLY_2 = new StorageLevel(true, false, false, false, 2)
 val MEMORY_ONLY = new StorageLevel(false, true, false, true)
 val MEMORY_ONLY_2 = new StorageLevel(false, true, false, true, 2)
 val MEMORY_ONLY_SER = new StorageLevel(false, true, false, false)
 val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, false, 2)
 val MEMORY_AND_DISK = new StorageLevel(true, true, false, true)
 val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true, 2)
 val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false, false)
 val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, false, 2)
 val OFF_HEAP = new StorageLevel(true, true, true, false, 1)

Spark 会自动对一些 Shuffle 操作的中间数据做持久化操作(比如：reduceByKey)。这样做的目的是为了当一个节点 Shuffle 失败了避免重新计算整个输入。但是，在实际使用的时候，如果想重用数据，仍然建议调用persist 或 cache。

1.2 RDD CheckPoint 检查点

检查点其实就是通过将 RDD 中间结果写入磁盘
由于血缘依赖过长会造成容错成本过高，这样就不如在中间阶段做检查点容错，如果检查点之后有节点出现问题，可以从检查点开始重做血缘，减少了开销。
对 RDD 进行 checkpoint 操作并不会马上被执行，必须执行 Action 操作才能触发。

检查点的数据需要进行落盘，当作业执行结束后，不会被删除。检查点数据一般都是存储在hdfs上。

    //建立与Spark框架的连接
    val wordCount = new SparkConf().setMaster("local").setAppName("WordCount")//配置文件
    val context = new SparkContext(wordCount)//读取配置文件

    // 设置检查点路径
    //这里选择将数据落盘在本地
    context.setCheckpointDir("./checkpoint1")

    //执行业务操作
    val lines = context.textFile("D:\\learnSoftWare\\IdeaProject\\Spark_Demo\\Spark_Core\\src\\main\\com.mao\\datas\\1.txt")
    //执行扁平化操作
    //扁平化就是将多个集合打散为一个集合
    val words = lines.flatMap((a: String) => a.split(" "))

    //对每个单词进行改造(hello,1)
    val wordMap = words.map(word => {
      println("@@@@@@@@@@@@@@@@@")
      (word, 1)
    })

    // 数据缓存。
    wordMap.cache()

    // 数据检查点：针对 wordToOneRdd 做检查点计算
    wordMap.checkpoint()


    //reduceByKey要使用wordMap
    val wordToCount=wordMap.reduceByKey((t1,t2)=>t1+t2)
    wordToCount.collect().foreach(println)

    //groupByKey要使用wordMap
    val wordToGroup = wordMap.groupByKey()
    wordToGroup.collect().foreach(println)



    //关闭连接
    context.stop()

1.3 缓存和检查点区别

1）Cache 缓存只是将数据保存起来，不切断血缘依赖，即Cache相当于增加一个依赖关系。Checkpoint 检查点切断血缘依赖。
2）Cache 缓存的数据通常存储在磁盘、内存等地方，可靠性低。Checkpoint 的数据通常存
储在 HDFS 等容错、高可用的文件系统，可靠性高。
3）建议对 checkpoint()的 RDD 使用 Cache 缓存，这样 checkpoint 的 job 只需从 Cache 缓存
中读取数据即可，否则需要再从头计算一次 RDD。