RDD Persistence
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RDD执行持久化操作时，每个节点都会将自己操作的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，就只要对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应用程序的性能提升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第一次被计算出来时，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。如果需要从内存中清楚缓存，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。
Spark RDD持久化使用方式如下：
- RDD.persist(存储等级) —— 可以指定存储等级，默认是MEMORY_ONLY。
- RDD.unpersist() —— 取消持久化
默认情况下，spark使用最近最少使用的算法(LRU)来删除旧的和未使用的RDD，以释放更多的内存。
持久化级别
| StorageLevel | 说明 |
|---|---|
| MEMORY_ONLY | 默认选项。使用未序列化的Java对象格式，将数据保存在内存中。如过RDD太大无法完全存储在内存，多余的RDD partitions不会cache在内存，而是需要是在重新计算 |
| MEMORY_AND_DISK | 使用未序列化的Java对象格式，优先尝试将数据保存在内存中。如果内存不够存放所有的数据，会将数据写入磁盘文件中。不会立刻输出到磁盘 |
| MEMORY_ONLY_SER | 与MEMORY_ONLY类似。RDD的每个partition会被序列化成一个字节数组，节省空间，但需要反序列化才能使用，所以会使用更多CPU资源 |
| MEMORY_AND_DISK_SER | 序列化存储，超出部分写入磁盘文件中 |
| DISK_ONLY | 使用未序列化的Java对象格式，将数据全部写入磁盘文件中 |
注：对于上述任意一种持久化策略，如果加上后缀_2，代表把持久化数据存为两份。
持久化策略的选择
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：
1、优先使用MEMORY_ONLY，如果可以缓存所有数据的话，那么就使用这种策略。因为纯内存速度最快，而且没有序列化，不需要消耗CPU进行反序列化操作。
2、如果MEMORY_ONLY策略，无法存储的下所有数据的话，那么使用MEMORY_ONLY_SER，将数据进行序列化进行存储，纯内存操作还是非常快，只是要消耗CPU进行反序列化。
3、如果需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，就不需要重新计算了。
4、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，还不如重新计算一次。
