缓存Apache Spark RDD - 性能调优

19-01-08 banq
    

有时您需要多次处理RDD,而不是一次操作。这带来了一个主要问题...... Spark 确实总是会在磁盘上找到数据。但是你需要处理性能问题。

RDD带有cache()和persist()方法,其中

 cache() = persist(StorageLevel.MEMORY_ONLY).将帮助我们将RDD保存到内存中,详细了解其他选项

让我们用简单的例子来测试它:

import org.apache.spark.storage.StorageLevel._;

val fileRDD = sc.textFile("/tests/yahoo_stocks.csv");

fileRDD.persist(MEMORY_ONLY);

System.out.println("Count of RDD (first run): "+fileRDD.count());

System.out.println("Count of RDD (second run): "+fileRDD.count());

(download the yahoo_stocks.csv from https://github.com/dmatrix/examples/blob/master/spark/hdp/data/yahoo_stocks.csv)

现在让我告诉你发生了什么:

如果没有持久化(MEMORY_ONLY)调用,首先调用fileRDD.count()将触发从磁盘获取数据和计数行。fileRDD.count()的第二次命中意味着同样的事情。

通过持久(MEMORY_ONLY)调用,我们告诉Spark:

做懒加载:

  • 读取文件
  • 将RDD缓存到内存中

现在第二次调用fileRDD.count()应该比第一次调用快得多,因为它不会使用磁盘作为计算内容的源(当然,如果RDD适合内存)

让我们证明一下(运行):

park-shell -i test14.scala

第一次
 fileRDD.count() 运行输出:

18/02/17 22:21:10 INFO DAGScheduler: Job 0 finished: count at <console>:33,  
took 1,425495 s
Count of RDD (first run): 4794

第二次 fileRDD.count() 运行输出

18/02/17 22:21:11 INFO DAGScheduler: Job 1 finished: count at <console>:33,  
took 0,121783 s
Count of RDD (second run): 4794

看看第二个RDD动作的巨大加速。