零、本讲学习目标

1. 理解RDD持久化的必要性
2. 了解RDD的存储级别
3. 学会如何查看RDD缓存

一、RDD持久化

（一）引入持久化的必要性

• Spark中的RDD是懒加载的，只有当遇到行动算子时才会从头计算所有RDD，而且当同一个RDD被多次使用时，每次都需要重新计算一遍，这样会严重增加消耗。为了避免重复计算同一个RDD，可以将RDD进行持久化。
• Spark中重要的功能之一是可以将某个RDD中的数据保存到内存或者磁盘中，每次需要对这个RDD进行算子操作时，可以直接从内存或磁盘中取出该RDD的持久化数据，而不需要从头计算才能得到这个RDD。

（二）案例演示持久化操作

1、RDD的依赖关系图

• 读取文件，进行一系列操作，有多个RDD，如下图所示。
  

2、不采用持久化操作

• 在上图中，对RDD3进行了两次算子操作，分别生成了RDD4和RDD5。若RDD3没有持久化保存，则每次对RDD3进行操作时都需要从textFile()开始计算，将文件数据转化为RDD1，再转化为RDD2，最终才得到RDD3。
• 查看要操作的文件
  
• 启动Spark Shell
  
• 按照图示进行操作，得RDD4和RDD5
  
• 计算RDD4，会RDD1到RDD2到RDD3到RDD4跑一趟，查看结果
  
• 计算RDD5，也会RDD1到RDD2到RDD3到RDD4跑一趟，查看结果
  

3、采用持久化操作

• 可以在RDD上使用persist()或cache()方法来标记要持久化的RDD（cache()方法实际上底层调用的是persist()方法）。在第一次行动操作时将对数据进行计算，并缓存在节点的内存中。Spark的缓存是容错的：如果缓存的RDD的任何分区丢失，Spark就会按照该RDD原来的转换过程自动重新计算并缓存。
• 计算到RDD3时，标记持久化
  
• 计算RDD4，就是基于RDD3缓存的数据开始计算，不用从头到尾跑一趟
  
• 计算RDD5，就是基于RDD3缓存的数据开始计算，不用从头到尾跑一趟
  

二、存储级别

（一）持久化方法的参数

• 利用RDD的persist()方法实现持久化，向persist()方法中传入一个StorageLevel对象指定存储级别。每个持久化的RDD都可以使用不同的存储级别存储，默认的存储级别是StorageLevel.MEMORY_ONLY。

（二）Spark RDD存储级别表

• Spark RDD有七种存储级别
  
• 在Spark的Shuffle操作（例如reduceByKey()）中，即使用户没有使用persist()方法，也会自动保存一些中间数据。这样做是为了避免在节点洗牌的过程中失败时重新计算整个输入。如果想多次使用某个RDD，那么强烈建议在该RDD上调用persist()方法。

（三）如何选择存储级别 - 权衡内存使用率和CPU效率

• 如果RDD存储在内存中不会发生溢出，那么优先使用默认存储级别（MEMORY_ONLY），该级别会最大程度发挥CPU的性能，使在RDD上的操作以最快的速度运行。
• 如果RDD存储在内存中会发生溢出，那么使用MEMORY_ONLY_SER并选择一个快速序列化库将对象序列化，以节省空间，访问速度仍然相当快。
• 除非计算RDD的代价非常大，或者该RDD过滤了大量数据，否则不要将溢出的数据写入磁盘，因为重新计算分区的速度可能与从磁盘读取分区一样快。
• 如果希望在服务器出故障时能够快速恢复，那么可以使用多副本存储级别MEMORY_ONLY_2或MEMORY_AND_DISK_2。该存储级别在数据丢失后允许在RDD上继续运行任务，而不必等待重新计算丢失的分区。其他存储级别在发生数据丢失后，需要重新计算丢失的分区。

（四）查看persist()与cache()方法源码

/**                                                                                           
 * 在第一次行动操作时持久化RDD，并设置存储级别，当RDD从来没有设置过存储级别时才能使用该方法                                           
 */                                                                                          
def persist(newLevel: StorageLevel): this.type = {                                            
  if (isLocallyCheckpointed) {                                                                
    // 如果之前已将该RDD设置为localCheckpoint，就覆盖之前的存储级别                                                
    persist(LocalRDDCheckpointData.transformStorageLevel(newLevel), allowOverride = true)     
  } else {                                                                                    
    persist(newLevel, allowOverride = false)                                                  
  }                                                                                           
}                                                                                             
/**                                                                                           
  * 持久化RDD，使用默认存储级别(MEMORY_ONLY)                                                              
  */                                                                                          
def persist(): this.type = persist(StorageLevel.MEMORY_ONLY)                                  
                                                                                              
/**                                                                                           
  * 持久化RDD，使用默认存储级别(MEMORY_ONLY)                                                              
  */                                                                                          
def cache(): this.type = persist()                                                            

• 从上述代码可以看出，cache()方法调用了persist()方法的无参方法，两者的默认存储级别都为MEMORY_ONLY，但cache()方法不可更改存储级别，而persist()方法可以通过参数自定义存储级别。

（五）案例演示设置存储级别

• 在net.huawei.rdd包里创建TestPersist对象
  

package net.huawei.rdd

import org.apache.log4j.{Level, Logger}
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD

/**
  * 功能：演示持久化操作
  * 作者：华卫
  * 日期：2022年04月11日
  */
object TestPersist {
  def main(args: Array[String]): Unit = {
    // 创建Spark配置对象
    val conf = new SparkConf()
    conf.setAppName("TestPersist")
      .setMaster("local")
      .set("spark.testing.memory", "2147480000")
    // 基于配置创建Spark上下文
    val sc = new SparkContext(conf)

    // 去除Spark运行信息
    Logger.getLogger("org").setLevel(Level.OFF)
    Logger.getLogger("com").setLevel(Level.OFF)
    System.setProperty("spark.ui.showConsoleProgress", "false")
    Logger.getRootLogger().setLevel(Level.OFF)

    //创建RDD
    val rdd: RDD[Int] = sc.parallelize(List(100, 200, 300, 400, 500))

    //将RDD标记为持久化，默认存储级别为StorageLevel.MEMORY_ONLY
    rdd.persist()
    // rdd.persist(StorageLevel.DISK_ONLY)  //持久化到磁盘
    // rdd.persist(StorageLevel.MEMORY_AND_DISK)//持久化到内存，将溢出的数据持久化到磁盘

    // 第一次行动算子计算时，将对标记为持久化的RDD进行持久化操作
    val result: String = rdd.collect().mkString(", ")
    println(result)

    // 第二次行动算子计算时，将直接从持久化的目的地读取数据进行操作，而不需要从头计算数据
    rdd.collect().foreach(println)
  }
}

• 运行程序，查看结果
  

三、利用Spark WebUI查看缓存

（一）创建RDD并标记为持久化

（二）Spark WebUI查看RDD存储信息

• 浏览器中访问Spark Shell的WebUI http://master:4040/storage/查看RDD存储信息，可以看到存储信息为空
  
• 执行命令：rdd.collect()，收集RDD数据
  
• 刷新WebUI，发现出现了一个ParallelCollectionRDD的存储信息，该RDD的存储级别为MEMORY，持久化的分区为8，完全存储于内存中。
  
• 单击ParallelCollectionRDD超链接，可以查看该RDD的详细存储信息
  
• 上述操作说明，调用RDD的persist()方法只是将该RDD标记为持久化，当执行行动操作时才会对标记为持久化的RDD进行持久化操作。
• 执行以下命令，创建rdd2，并将rdd2持久化到磁盘
  
• 刷新上述WebUI，发现多了一个MapPartitionsRDD的存储信息，该RDD的存储级别为DISK，持久化的分区为8，完全存储于磁盘中。
  

（三）将RDD从缓存中删除

• 执行以下命令，将rdd（ParallelCollectionRDD）从缓存中删除
  
• 刷新上述WebUI，发现只剩下了MapPartitionsRDD，ParallelCollectionRDD已被移除。
  
• Spark会自动监视每个节点上的缓存使用情况，并以最近最少使用的方式从缓存中删除旧的分区数据。如果希望手动删除RDD，而不是等待该RDD被Spark自动从缓存中删除，那么可以使用RDD的unpersist()方法。