0七、RDD持久化

为了不屡次计算同一个RDD（如上面的同一result RDD就调用了两次Action操做），可让Spark对数据进行持久化。当咱们让Spark持久化存储一个RDD时，计算出RDD的节点会分别保存它们所求出的分区数据。若是一个有持久化数据的节点发生故障，Spark会在须要用到缓存的数据时重算丢失的数据分区。

Spark很是重要的一个功能特性就是能够将RDD持久化在内存中。当对RDD执行持久化操做时，每一个节点都会将本身操做的RDD的partition持久化到内存中，而且在以后对该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反复执行多个操做的场景，就只要对RDD计算一次便可，后面直接使用该RDD，而不须要反复计算屡次该RDD。

 

巧妙使用RDD持久化，甚至在某些场景下，能够将spark应用程序的性能提高10倍。对于迭代式算法和快速交互式应用来讲，RDD持久化，是很是重要的。

 

要持久化一个RDD，只要调用其 cache()或者 persist()方法便可。在该RDD第一次被计算出来时，就会直接缓存在每一个节点中。并且Spark的持久化机制仍是自动容错的，若是持久化的RDD的任何partition丢失了，那么Spark会自动经过其源RDD，使用transformation操做从新计算该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。若是须要从内存中清理缓存，那么可使用unpersist()方法。

 

Spark本身也会在shuffle操做时，进行数据的持久化，好比写入磁盘，主要是为了在节点失败时，避免须要从新计算整个过程。

 

 RDD持久化策略

 RDD持久化是能够手动选择不一样的策略的。好比能够将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便可。

持久化级别
MEMORY_ONLY	以非序列化的Java对象的方式持久化在JVM内存中。若是内存没法彻底存储RDD全部的partition，那么那些没有持久化的partition就会在下一次须要使用它的时候，从新被计算
MEMORY_AND_DISK	同上，可是当某些partition没法存储在内存中时，会持久化到磁盘中。下次须要使用这些partition时，须要从磁盘上读取
MEMORY_ONLY_SER	同MEMORY_ONLY，可是会使用Java序列化方式，将Java对象序列化后进行持久化。能够减小内存开销，可是须要进行反序列化，所以会加大CPU开销
MEMORY_AND_DSK_SER	同MEMORY_AND_DSK。可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，彻底存储到磁盘上
MEMORY_ONLY_2 MEMORY_AND_DISK_2 等等	若是是尾部加了2的持久化级别，表示会将持久化数据复用一份，保存到其余节点，从而在数据丢失时，不须要再次计算，只须要使用备份数据便可

 

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：

 

一、优先使用MEMORY_ONLY，若是能够缓存全部数据的话，那么就使用这种策略。由于纯内存速度最快，并且没有序列化，不须要消耗CPU进行反序列化操做。

二、若是MEMORY_ONLY策略，没法存储的下全部数据的话，那么使用MEMORY_ONLY_SER，将数据进行序列化进行存储，纯内存操做仍是很是快，只是要消耗CPU进行反序列化。

三、若是须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，就不须要从新计算了。

四、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，还不如从新计算一次。

 

 正确调用：

注意，须要在第一次调用Acton操做以前就要调用  persist() 方法。

若是要缓存的数据太多，内存中放不下，Spark会自动利用最近最少使用（LRU）的缓存策略把最老的分区从内存中移除。对于仅把数据存放在内存中的缓存级别，下一次要用到已经被移除的分区时，这些分区就须要从新计算。可是对于使用内存与磁盘的缓存级别（MEMORY_AND_DISK、MEMORY_AND_DISK_SER）的分区来讲，被移除的分区都会写入磁盘。不论哪种状况，都没必要担忧你的做业由于缓存了太多数据而被打断。

 

/**

 * 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等建立了一个RDD以后，直接连续调用cache()或persist()才能够

        // 若是你先建立一个RDD，而后单独另起一行执行cache()或persist()方法，是没有用的

        // 并且，会报错，大量的文件会丢失

        JavaRDD<String> lines = sc.textFile("test.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();

    }

}