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

​

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？

• 参考阅读: 什么是堆外内存？堆内内存还是堆外内存？ 顺带普及一下内存的知识： Stack and Heap 堆和栈的区别

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