Spark- RDD持久化

Posted 2021-01-17 rzcong

spark非常重要的一个功能特性就是可以将RDD持久化在内存中。当对进行持久化操作时，每个节点都会将自己的操作的RDD的partition持久化到内存中，并且在之后对该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反复执行多个操作的场景，就要对RDD计算一次即可，后面直接使用该RDD，而不需要反复计算多次该RDD。

巧妙使用RDD持久化，甚至在某些场景下，可以将Spark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说，RDD持久化，是非常重要的。

要持久化一个RDD，只要调用其cache()或者persist()方法即可。在该RDD第一次计算出来时，就会直接缓存在每个节点中而且spark的持久化机制还是会自动容错的，如果持久化的RDD的任何partition丢失了，那么spark会自动通过其源RDD，使用transformation操作重新计算该partition

cache()和persisit()的区别在于，cache()是persist()的一和简化方式，cache()的底层调用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。如果需要在内存中清除缓存，那么可以使用unpersist()方法。

spark自己也会在shuffle操作时，进行数据的持久化，比如写入磁盘，主要是为了在节点失败时，避免需要重新计算整个过程。

 

package cn.rzlee.spark;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;

/**
 * @Author ^_^
 * @Create 2018/11/3
 */
public class Persist {

    public static void main(String[] args) {

        SparkConf conf = new SparkConf().setAppName("Persist").setMaster("local[2]");
        JavaSparkContext sc = new JavaSparkContext(conf);

        JavaRDD<String> lines = sc.textFile("C:\Users\txdyl\Desktop\log\in\data.txt", 1).cache();
        long beginTime = System.currentTimeMillis();
        long count = lines.count();
        System.out.println(count);
        long endTime = System.currentTimeMillis();
        System.out.println("cost "+(endTime - beginTime) + "millisecond");


        beginTime = System.currentTimeMillis();
        count = lines.count();
        System.out.println(count);
        endTime = System.currentTimeMillis();
        System.out.println("cost "+(endTime - beginTime) + "millisecond");

        sc.close();
    }
}