【Spark篇】---Spark中控制算子

一、前述

Spark中控制算子也是懒执行的,需要Action算子触发才能执行,主要是为了对数据进行缓存。

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partitioncache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。

二、具体算子

1、 cache

默认将RDD的数据持久化到内存cache是执行

chche () = persist()=persist(StorageLevel.Memory_Only)

 SparkConf conf = new SparkConf();
conf.setMaster("local").setAppName("CacheTest");
JavaSparkContext jsc = new JavaSparkContext(conf);
JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95"); lines = lines.cache();
long startTime = System.currentTimeMillis();
long count = lines.count();//count是action算子,到这里才能触发cache执行,所以这一次coun加载是从磁盘读数据,然后拉回到drive端。
long endTime = System.currentTimeMillis();
System.out.println("共"+count+ "条数据,"+"初始化时间+cache时间+计算时间="+
(endTime-startTime)); long countStartTime = System.currentTimeMillis();
long countrResult = lines.count();//这一次是从内存种中读数据
long countEndTime = System.currentTimeMillis();
System.out.println("共"+countrResult+ "条数据,"+"计算时间="+ (countEndTime-
countStartTime)); jsc.stop();

2、persist(可以指定持久化的级别

【Spark篇】---Spark中控制算子

解释:

1、MEMORY_AND_DISK 意思是先往内存中放数据,内存不够再放磁盘

2、最常用的是MEMORY_ONLY和MEMORY_AND_DISK。”_2”表示有副本数。

3、选择的原则是:首先考虑内存,然后考虑序列化之后再放入内存,最后考虑内存加磁盘。

4、尽量避免使用“_2”和DISK_ONLY级别。

5、deserialized是不序列化的意思。

注意事项:

  1. 1、cache和persist都是懒执行,必须有一个action类算子触发执行。
  2. 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. 3、cache和persist算子后不能立即紧跟action算子。

错误:

rdd.cache().count() 返回的不是持久化的RDD,而是一个数值了

3、 Checkpoint(对Lineage非常长时使用)

     1、概念和特征:

不仅可以将数据持久化到磁盘,还可以切断RDD之间的依赖关系,checkpoint也是懒执行。

Checkpoin不仅存储结果,还会存储逻辑,还可以存储元数据。

Persisit切断不了RDD的依赖关系。

  2、checkpoint 的执行原理:

2.1.Spark job执行完之后,spark会从finalRDD从后往前回溯。

2.2.当回溯到对某个RDD进行了checkpoint,会对这个RDD标记。

2.3.回溯完成之后,Spark会重新计算标记RDD的结果,然后将结果保存到Checkpint目录中。

   3、优化checekpoint

  • 因为最后是要触发当前application的action算子,所以在触发之前加一层cache操作,一样会往前执行cache操作,实现对数据的cache ,所以考虑将cache优化到checkpoin的优化流程里。
  • 对RDD执行checkpoint之前,最好对这个RDD先执行cache,这样新启动的job(回溯完成之后重新开的job)只需要将内存中的数据(cache缓存好的checkpoint那个点的数据)拷贝到HDFS上就可以。
  • 省去了重新计算这一步,不需要重头开始来走到checkpoint这个点了。


总结:

持久化的最小单位是partition!!!

 

上一篇:UINavigationController 导航控制器 ,根据文档写的一些东西


下一篇:Input checkbox 添加样式背景