标签:memory lan ora idt 过程 记录 src cache for
RDD通过persist方法或cache方法可以将前面的计算结果缓存,默认情况下 persist() 会把数据以序列化的形式缓存在 JVM 的堆空间中。 但是并不是这两个方法被调用时立即缓存,而是触发后面的action时,该RDD的计算结果将会被缓存在计算节点的内存中,并供后面重用。
示例如下:
def main(args: Array[String]): Unit = { val sc: SparkContext = new SparkContext(new SparkConf(). setMaster("local[*]").setAppName("spark")) val raw: RDD[String] = sc.makeRDD(Array("hello")) val current: RDD[String] = raw.map(_.toString + System.currentTimeMillis()) //current.persist() current.collect().foreach(println) current.collect().foreach(println) current.collect().foreach(println) }
如果不加persist方法,执行结果如下:
hello1582190762213
hello1582190762463
hello1582190762526
加了persist方法之后,执行结果变为:
hello1582190869308
hello1582190869308
hello1582190869308
可见:current这个rdd的计算结果被缓存起来了 ,下游的rdd直接从缓存拿数据并进行运算。rdd及其rdd上游的计算过程被省略了,从而加快了计算过程。
存储级别:
object StorageLevel { val NONE = new StorageLevel(false, false, false, false) val DISK_ONLY = new StorageLevel(true, false, false, false) val DISK_ONLY_2 = new StorageLevel(true, false, false, false, 2) val MEMORY_ONLY = new StorageLevel(false, true, false, true) val MEMORY_ONLY_2 = new StorageLevel(false, true, false, true, 2) val MEMORY_ONLY_SER = new StorageLevel(false, true, false, false) val MEMORY_ONLY_SER_2 = new StorageLevel(false, true, false, false, 2) val MEMORY_AND_DISK = new StorageLevel(true, true, false, true) val MEMORY_AND_DISK_2 = new StorageLevel(true, true, false, true, 2) val MEMORY_AND_DISK_SER = new StorageLevel(true, true, false, false) val MEMORY_AND_DISK_SER_2 = new StorageLevel(true, true, false, false, 2) val OFF_HEAP = new StorageLevel(true, true, true, false, 1)
class StorageLevel private(
private var _useDisk: Boolean,
private var _useMemory: Boolean,
private var _useOffHeap: Boolean,
private var _deserialized: Boolean,
private var _replication: Int = 1)
堆外内存:区别于JVM内存。这一块内存不受JVM的GC回收机制的影响,而是直接向操作系统申请并自主管理的一块内存空间。为什么需要这块内存:JVM中的内存由于受到GC的影响,如果没有用完可能迟迟得不到释放,这时候如果再加入数据,就可能导致OOM问题。而如果由自己来管理内存,可以更及时地释放内存。
检查点
如图所示:
依赖链过长,会导致有大量的血统信息要被记录;
而且在进行数据恢复的时候,要重新从头开始计算,比较耗时;
因此引入了检查点:
血统信息会从检查点开始记录;
重新计算时,把检查点的数据作为元数据开始计算;
相当于是检查点之前的RDD链条被掐断,检查点作为新的RDD链条头。
示例代码如下:
def main(args: Array[String]): Unit = { val conf: SparkConf = new SparkConf() .setAppName("wordcount").setMaster("local[*]") val sc: SparkContext = new SparkContext(conf) sc.setCheckpointDir("cp") val lines: RDD[String] = sc.parallelize(Array(("hello,spark"),("hello,scala"),("hello,world"))) val words: RDD[String] = lines.flatMap(_.split(" ")) val wordToOne: RDD[(String, Int)] = words.map((_,1)) //wordToOne之前的血缘关系,会被检查点替代。 //wordToOne.checkpoint() val wordToSum: RDD[(String, Int)] = wordToOne.reduceByKey(_+_) wordToSum.collect() println(wordToSum.toDebugString) }
不加checkpoint的打印结果:
(8) ShuffledRDD[3] at reduceByKey at checkPoint.scala:21 []
+-(8) MapPartitionsRDD[2] at map at checkPoint.scala:17 []
| MapPartitionsRDD[1] at flatMap at checkPoint.scala:15 []
| ParallelCollectionRDD[0] at parallelize at checkPoint.scala:13 []
从头开始记录;
加了checkpoint之后的打印结果:
(8) ShuffledRDD[3] at reduceByKey at checkPoint.scala:21 []
+-(8) MapPartitionsRDD[2] at map at checkPoint.scala:17 []
| ReliableCheckpointRDD[4] at collect at checkPoint.scala:23 []
检查点所在RDD之前的RDD的血缘信息被检查点信息所替代。
接下来考察检查点之前的RDD会不会被重复计算:
def main(args: Array[String]): Unit = { val conf: SparkConf = new SparkConf() .setAppName("wordcount").setMaster("local[*]") val sc: SparkContext = new SparkContext(conf) sc.setCheckpointDir("cp") val lines: RDD[String] = sc.parallelize(Array(System.currentTimeMillis().toString)) val words: RDD[String] = lines.flatMap(_.split(" ")) val wordToOne: RDD[(String, Int)] = words.map((_,1)) //wordToOne之前的血缘关系,会被检查点替代。 wordToOne.checkpoint() val wordToSum: RDD[(String, Int)] = wordToOne.reduceByKey(_+_) wordToSum.collect().foreach(println) wordToSum.collect().foreach(println) wordToSum.collect().foreach(println) }
打印结果如下:
(1582193859704,1)
(1582193859704,1)
(1582193859704,1)
证明检查点之间的RDD没有被重复计算。
标签:memory lan ora idt 过程 记录 src cache for
原文地址:https://www.cnblogs.com/chxyshaodiao/p/12336567.html