Spark持久化策略

spark持久化策略_缓存优化
persist、cache都是持久化到内存
缓存策略

 

StorageLevel
_useDisk：是否使用磁盘
_useMemory：是否使用内存
_useOffHeap：不用堆内存，找tackyon
_deserialized：不序列化（序列化可理解为压缩，节省内存磁盘空间，但是消耗CPU）
_replication：副本数量 默认1份

默认持久化：只持久化到内存。
MEMORY_ONLY：有多少存多少，没存进来的重新算
只存入内存，假设RDD1的数据为1T，内存大小为512G，那么会将RDD中的512G放入内存，下一步操作使用RDD1的数据，生成RDD2，先去内存中找RDD1的数据，会发现存入内存的512G数据，进行计算后生成RDD2，但是RDD1中还有512G数据没有存入内存，生成RDD2的操作会查找RDD1的依赖，如果RDD1之前的RDD有做缓存，那么再缓存中读取，如果没有做缓存，再找之前的RDD，如果都没有做缓存的话，直接去HDFS中读取数据重新计算，最终生成RDD2。

MEMORY_AND_DISK:内存不够用了就落地到本地磁盘，假设RDD1的数据为1T，内存大小为512G，那么会将RDD中的512G放入内存，剩余的512G会落地到磁盘中。生成RDD2的时候一部分从内存中读取，一部分从磁盘中读取。
如果计算时间较长，中间结果算起来比较昂贵，此时M_A_D比较合适

能存在内存中的就尽量存在内存中，如果内存紧张，那就序列化一次M_O_SER