Spark系列课程-00xxSpark RDD持久化

我们这节课讲一下RDD的持久化

RDD的持久化

这段代码我们上午已经看过了,有瑕疵大家看出来了吗?
有什么瑕疵啊?
大家是否还记得我在第二节课的时候跟大家说,RDD实际是不存数据的?

image.png

我们再重新讲解一下这段代码

sc.textfile是不是讲数据加载到这个RDD里面去了?
对这个RDD执行一个filter算子过滤,返回一个errors RDD
然后对errorsRDD又经过一次过滤,然后再执行一次count算子,我们把这个job叫做job0
然后第四行,又对这个errors执行了一次filter,然后又count一次,我们把这个job叫做job1

那么在job1里面errors这个RDD,那我们说了RDD里面不存数据,那errors这个RDD里面的数据是通过lines这个RDD计算得来的,那rdd不存数据,那他是不是要重新计算啊?

我再重新说一遍,errors这个RDD由于他不存数据,所以job1这个RDD里面的errors和job0里面的这个RDD,都是通过依赖的RDD计算过来的,他是怎么计算过来的,他是从lines这个RDD计算过来的

那lines这个RDD数据哪来的?他是通过textfile加载过来的

他其实是计算了几遍?计算了两遍对吗?
那我们对他进行优化,怎么优化?优化的时候就让他读一遍就可以了呗?

我们重复是用errors重复使用两次,那如果我们把errors里面的数据持久化一下,把他保存到内存当中去,或者保存到磁盘当中去是不是就可以了?

我job1在使用errors的时候直接从磁盘或者内存当中去读就可以了对吧?

那如果我们想给RDD做持久化,我们就要使用持久化的算子,cache、persist、checkpoint,这些算子都可以将RDD的数据进行持久化
那么这三个算子有什么区别呢?
cache他是persist的一个简化版cache他默认是将RDD的数据持久化到内存里面去

persist这个算子我们可以自己指定持久化的级别,可以自定义,我们可以将RDD的数据持久化到磁盘上,如果你想要把数据持久化到磁盘上 ,必须要使用persist算子
因为cache是默认将数据放到内存
我们现在来写代码测试一下

我们看一下性能有没有提升,我们刚才说使用cache这个算子对刚才这个代码进行优化,看性能有没有提升,

package com.bjsxt.spark.persist

import org.apache.spark.storage.StorageLevel
import org.apache.spark.{SparkConf, SparkContext}

/**
  * Created by Albert on 2017/7/15.
  *
  *
  * cache persist注意事项
  * 
  */
object T01Persist {

  def main(args: Array[String]): Unit = {

    val conf = new SparkConf().setMaster("local").setAppName("T01Cache")
    val sc = new SparkContext(conf)

    var rdd = sc.textFile("log.txt")
    
    rdd.cache()
    //rdd.persist(StorageLevel.MEMORY_ONLY)
    // chche() = persist()  = persist(StorageLevel.MEMORY_ONLY)


    val st = System.currentTimeMillis()
    val count = rdd.count()
    val et = System.currentTimeMillis()

    println(s"count: $count \t Duration:${et-st}")

    val st1 = System.currentTimeMillis()
    val count1 = rdd.count()
    val et1 = System.currentTimeMillis()

    println(s"count: $count1 \t Duration:${et1-st1}")
    
  }
}

这段代码大家都可以理解吧?理解的举手,要给我反馈真实的情况啊,如果不懂的人多了,我再通过其他案例给大家讲

这里给大家总结一下持久化算子的注意事项

cache和persist使用注意事项
1、cache和persist算子都是懒执行的,必须有一个Action算子触发执行
2、cache和persist算子的返回值必须赋值给一个变量,在下一个job中直接使用这个变量就是使用了持久化的数据

提问如果一个Application里面只有一个job有必要使用持久化算子吗?
答案是没有必要对吧?

3、cache和persist算子后面不能紧跟Aciton类算子(不能直接rdd.cache().count())

为什么不能直接点出来Action类算子呢?
我们还记不记得Action类算子,都有什么类型的了呢?我们在讲算子的时候说所有Action类算子,他有三种返回类型:无类型:foreach、HDFS、Scala数据类型
那我们rdd = rdd.cache返回的类型是RDD[]

incorrect: rdd = rdd.cache().count()
correct: val cacheRDD = rdd.cache
              rdd.count()

好下面我们来看一下persist各种StorageLevel的级别,我们看一下Spark的源码

如果我们要看源码,我们要先找到这个方法

那cache这个方法在哪里呢?我们是在rdd. cache的这个方法吧?
所以我们去RDD这个类里面找一下

image.png
image.png
private var _useDisk: Boolean,
private var _useMemory: Boolean,
private var _useOffHeap: Boolean,
private var _deserialized: Boolean,
private var _replication: Int = 1)

StorageLevel五个参数的意义

参数名称 参数意义
_useDisk 是否使用磁盘
_useMemory 是否使用内存
_useOffHeap 是否使用堆外内存
_deserialized 是否不序列化,注意这里false代表序列化
_replication 副本数量默认是1

我们看看MEMORY_ONLY 他的参数分别是
new StorageLevel(false, true, false, true)
是否使用磁盘,不使用
是否使用内存,使用
是否使用堆外内存,不使用
是否不序列化,是(意思就是不序列化)

没有参数副本数,所以副本数是1

其他的自己看一下记一下,老师在这着重讲解一下

MEMORY_AND_DISK

MEMORY_AND_DISK他是内存中一份磁盘中一份吗?不是的
大家一定要记住,这个持久化级别,一共就只有一份
这个持久化的级别,会先往内存里面持久化RDD,如果内存不够了,就往硬盘里面持久化
大家记住了吗?

OFF_HEAP
OFF_HEAP 这个持久化级别的意思?
堆外内存?什么是堆外内存,堆以外的内存就是堆外内存对吗?
JVM管理了一块内存对吗?那不受JVM 的GC管理的内存是不是就是堆外内存啊?

我们在第一节课讲了一个
Tachyon现在改名叫Alluxio他是基于内存的一个文件系统,也是Berkeley技术架构下的一个系统,Tachyon可以和Spark进行整合,整合好了以后,如果想用堆外内存来持久化,就需要设置这种类型,明白吗?如果你没有整合Tachyon,在程序里面还使用了这个级别,程序会给你报错。
现在Tachyon用的公司还很少,国内阿里、百度、华为才有一定规模的内存分布式文件系统的集群

另外序列化的数据在持久化的时候会小一些,但带来的就像加解密一样,会影响性能。

有同学会问到,我一直持久化,内存越来越多,我怎么办?
其实还有一个unpersist这个算子,会把rdd的持久化级别设置为StorageLevel.NONE
但一般情况下不需要使用
因为持久化会有一个TTL机制,就是最近不常用的数据,他会自动清除

还有另外一个问题,也是同学们经常会问到的,当我内存不够的时候,我还是cache了一个RDD,会不会报OOM?
那我告诉大家一个结论,就是不会,RDD的持久化,有多少内存,他就放多少数据,放不下的数据就不会进行存储

RDD持久化时内存不够的处理机制

然后我们讲一下checkpoint
checkpoint不仅仅能够持久化数据,还能够将RDD的依赖关系切断

持久化数据

那我们说我们选用persist进行RDD的持久化,我们可以指定持久化的级别,还可以设置数据的副本数,他的数据要么放到内存,要么放到磁盘上,并且还能有备份

那大家考虑一下,我们是用persist给我们持久化到内存硬盘安全,还是使用checkpoint让Spark给我们把数据持久化到hdfs上安全?
持久化到hdfs上更安全一些对吗?
那为什么持久化到HDFS上安全呢?
因为这就是双保险了,所以会更安全对吧?

切断RDD的依赖关系

我们说checkpoint可以切断RDD的依赖关系,当我们业务非常复杂的时候,需要频繁的对RDD转换,频繁的转换,会导致,RDD的依赖lineage特别的长,如果中间某一个RDD的数据坏了,错了,是不是要重新计算啊?
如果我们把RDD的依赖关系给切断,那重新计算就会快了是吧?

我们画图来解释一下这个事情

checkpoint执行机制及优化方法

checkpoint应用场景
当RDD的依赖关系非常长的时候,如果rdd4的数据有问题,就需要从rdd0重新计算,如果我checkpoint了rdd5,就会把rdd5的数据持久化到hdfs当中去,并切断rdd的依赖关系,rdd5由原来的整个lineage的依赖,转换为依赖HDFS的checkpointRDD,不需要从rdd0开始逐个的计算了
checkpoint运行机制

  1. 当RDD的job执行完毕后,会从finalRDD从后往前回溯数据
  2. 当遇到某一个RDD调用了checkpoint方法是,会对当前的RDD做一个标记
  3. 当checkpoint RDD5时,会启动一个新的job线程进行rdd5的数据计算
    新的job会重新从rdd0开始计算,直到算出rdd5的数据,然后将数据持久化到hdfs当中去
    优化
    在执行checkpoint之前先对rdd5进行一次cache
    这样做的好处是,不用重新计算,而是直接把cache里面的数据写入到hdfs文件系统里面了

下面我通过代码的方式,给大家演示如何使用checkpoint

package com.bjsxt.spark.persist

import org.apache.spark.{SparkConf, SparkContext}

/**
  * Created by Albert on 2017/7/15.
  */
object T03Checkpoint {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("T01Cache")
    val sc = new SparkContext(conf)
    sc.setCheckpointDir("/Users/AlbertC/checkpointtest")


    val rdd =  sc.makeRDD(1 to 10)

    rdd.checkpoint()

    rdd.count()

    sc.stop()
  }

}

setChectpointDir是设置一个存储路径,这里我用的是我本地电脑的一个路径也可以放到hdfs上面

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,602评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,442评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,878评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,306评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,330评论 5 373
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,071评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,382评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,006评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,512评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,965评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,094评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,732评论 4 323
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,283评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,286评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,512评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,536评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,828评论 2 345

推荐阅读更多精彩内容