【Spark篇】---Spark中控制算子

一、前述

 

Spark中控制算子也是懒执行的，需要Action算子触发才能执行，主要是为了对数据进行缓存。

控制算子有三种，cache,persist,checkpoint，以上算子都可以将RDD持久化，持久化的单位是partition。cache和persist都是懒执行的。必须有一个action类算子触发执行。checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系。

 

二、具体算子

 

1、 cache

 

默认将RDD的数据持久化到内存中。cache是懒执行。

chche () = persist()=persist(StorageLevel.Memory_Only)

 

 SparkConf conf = new SparkConf();
 conf.setMaster("local").setAppName("CacheTest");
 JavaSparkContext jsc = new JavaSparkContext(conf);
 JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95");

 lines = lines.cache();
 long startTime = System.currentTimeMillis();
 long count = lines.count();//count是action算子，到这里才能触发cache执行，所以这一次coun加载是从磁盘读数据，然后拉回到drive端。
 long endTime = System.currentTimeMillis();
 System.out.println("共"+count+ "条数据，"+"初始化时间+cache时间+计算时间="+ 
          (endTime-startTime));
        
 long countStartTime = System.currentTimeMillis();
 long countrResult = lines.count();//这一次是从内存种中读数据
 long countEndTime = System.currentTimeMillis();
 System.out.println("共"+countrResult+ "条数据，"+"计算时间="+ (countEndTime-
           countStartTime));
        
 jsc.stop();

 

2、persist（可以指定持久化的级别）

 

解释：

 

1、MEMORY_AND_DISK 意思是先往内存中放数据，内存不够再放磁盘

2、最常用的是MEMORY_ONLY和MEMORY_AND_DISK。”_2”表示有副本数。

3、选择的原则是：首先考虑内存，然后考虑序列化之后再放入内存，最后考虑内存加磁盘。

4、尽量避免使用“_2”和DISK_ONLY级别。

5、deserialized是不序列化的意思。

 

注意事项：

 

1. 1、cache和persist都是懒执行，必须有一个action类算子触发执行。
2. 2、cache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。
3. 3、cache和persist算子后不能立即紧跟action算子。

错误：

rdd.cache().count() 返回的不是持久化的RDD，而是一个数值了

 

3、 Checkpoint（对Lineage非常长时使用）

 

     1、概念和特征：

 

           不仅可以将数据持久化到磁盘，还可以切断RDD之间的依赖关系，checkpoint也是懒执行。

            Checkpoin不仅存储结果，还会存储逻辑，还可以存储元数据。

            Persisit切断不了RDD的依赖关系。

 

     2、checkpoint 的执行原理：

 

           2.1.Spark job执行完之后，spark会从finalRDD从后往前回溯。

           2.2.当回溯到对某个RDD进行了checkpoint，会对这个RDD标记。

           2.3.回溯完成之后，Spark会重新计算标记RDD的结果，然后将结果保存到Checkpint目录中。

 

   3、优化checekpoint

 

• 因为最后是要触发当前application的action算子，所以在触发之前加一层cache操作，一样会往前执行cache操作，实现对数据的cache ,所以考虑将cache优化到checkpoin的优化流程里。
• 对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job（回溯完成之后重新开的job）只需要将内存中的数据（cache缓存好的checkpoint那个点的数据）拷贝到HDFS上就可以。
• 省去了重新计算这一步，不需要重头开始来走到checkpoint这个点了。

 

总结：

 

持久化的最小单位是partition！！！