cache,persist,checkpoint 区别

• 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

  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)

  persist：

  • 可以指定持久化的级别。最常用的是MEMORY_ONLY和MEMORY_AND_DISK。”_2”表示有副本数

  cache和persist的注意事项

  1. cache和persist都是懒执行，必须有一个action类算子触发执行

  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. cache和persist算子后不能立即紧跟action算子

  checkpoint

  • checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系

  • checkpoint 的执行原理

    • 当RDD的job执行完毕后，会从finalRDD从后往前回溯。

    • 当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记。

    • Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数据持久化到HDFS上。

  • 优化：对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步