RDD為什么要進(jìn)行數(shù)據(jù)持久化？它的操作方法有哪些？

　　在Spark中，RDD是采用惰性求值，即每次調(diào)用行動算子操作，都會從頭開始計(jì)算。然而，每次調(diào)用行動算子操作，都會觸發(fā)一次從頭開始的計(jì)算，這對于迭代計(jì)算來說，代價是很大的，因?yàn)榈?jì)算經(jīng)常需要多次重復(fù)的使用同一組數(shù)據(jù)集，所以，為了避免重復(fù)計(jì)算的開銷，可以讓Spark對數(shù)據(jù)集進(jìn)行持久化。

　　通常情況下，一個RDD是由多個分區(qū)組成的，RDD中的數(shù)據(jù)分布在多個節(jié)點(diǎn)中，因此，當(dāng)持久化某個RDD時，每一個節(jié)點(diǎn)都將把計(jì)算分區(qū)的結(jié)果保存在內(nèi)存中，若對該RDD或衍生出的RDD進(jìn)行其他行動算子操作時，則不需要重新計(jì)算，直接去取各個分區(qū)保存數(shù)據(jù)即可，這使得后續(xù)的行動算子操作速度更快(通常超過10倍)，并且緩存是Spark構(gòu)建迭代式算法和快速交互式查詢的關(guān)鍵。

　　RDD的持久化操作有兩種方法，分別是cache()方法和persist()方法。每一個持久化的RDD都可以使用不同的存儲級別存儲，從而允許持久化數(shù)據(jù)集在硬盤或者內(nèi)存作為序列化的Java對象，甚至可以跨節(jié)點(diǎn)復(fù)制。

　　persist()方法的存儲級別是通過StorageLevel對象(Scala、Java、Python)設(shè)置的。

　　cache()方法的存儲級別是使用默認(rèn)的存儲級別(即StorageLevel.MEMORY_ONLY(將反序列化的對象存入內(nèi)存))。接下來，通過一張表介紹一下持久化RDD的存儲級別，如表1所示。

　　表1 持久化RDD的存儲級別

　　在表1中，列舉了持久化RDD的存儲級別，我們可以在RDD進(jìn)行第一次算子操作時，根據(jù)自己的需求選擇對應(yīng)的存儲級別。

　　為了大家更好地理解，接下來，通過代碼演示如何使用persist()方法和cache()方法對RDD進(jìn)行持久化。

　　1.使用persist()方法對RDD進(jìn)行持久化

　　定義一個列表list，通過該列表創(chuàng)建一個RDD，然后通過persist持久化操作和算子操作統(tǒng)計(jì)RDD中的元素個數(shù)以及打印輸出RDD中的所有元素。具體代碼如下：

   scala> import org.apache.spark.storage.StorageLevel
   import org.apache.spark.storage.StorageLevel
   scala> val list = List("hadoop","spark","hive")
   list: List[String] = List(hadoop, spark, hive)
   scala> val listRDD = sc.parallelize(list)
   listRDD: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[0] at
                         parallelize at <console>:27
   scala> listRDD.persist(StorageLevel.DISK_ONLY)
   res1: listRDD.type = ParallelCollectionRDD[0] at parallelize at <console>:27
  scala> println(listRDD.count())
  3
  scala> println(listRDD.collect().mkString(","))
  hadoop,spark,hive

　　上述代碼中，第1行代碼導(dǎo)入StorageLevel對象的包;第3行代碼定義了一個列表list;第5行代碼執(zhí)行sc.parallelize(list)操作，創(chuàng)建了一個RDD，即listRDD;第8行代碼添加了persist()方法，用于持久化RDD，減少I/O操作，提高計(jì)算效率;第10行代碼執(zhí)行l(wèi)istRDD.count()行動算子操作，將統(tǒng)計(jì)listRDD中元素的個數(shù);第12行代碼執(zhí)行l(wèi)istRDD.collect()行動算子操作和mkString(“，”)操作，將listRDD中的所有元素進(jìn)行打印輸出，并且是以逗號為分隔符。

　　需要注意的是，當(dāng)程序執(zhí)行到第8行代碼時，并不會持久化listRDD，因?yàn)閘istRDD還沒有被真正計(jì)算;當(dāng)執(zhí)行第10行代碼時，listRDD才會進(jìn)行第一次的行動算子操作，觸發(fā)真正的從頭到尾的計(jì)算，這時listRDD.persist()方法才會被真正的執(zhí)行，把listRDD持久化到磁盤中;當(dāng)執(zhí)行到第12行代碼時，進(jìn)行第二次的行動算子操作，但不觸發(fā)從頭到尾的計(jì)算，只需使用已經(jīng)進(jìn)行持久化的listRDD來進(jìn)行計(jì)算。

　　2.使用cache()方法對RDD進(jìn)行持久化

　　定義一個列表list，通過該列表創(chuàng)建一個RDD，然后通過cache持久化操作和算子操作統(tǒng)計(jì)RDD中的元素個數(shù)以及打印輸出rdd中的所有元素。具體代碼如下：

   scala> val list= List("hadoop","spark","hive")
   list: List[String] = List(hadoop, spark, hive)
   scala> val listRDD= sc.parallelize(list)
   listRDD: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[0] at
                         parallelize at <console>:26
   scala> listRDD.cache()
   res2: listRDD.type = ParallelCollectionRDD[1] at parallelize at <console>:26
   scala> println(listRDD.count())
   3
   scala> println(listRDD.collect().mkString(","))
   hadoop,spark,hive

　　上述代碼中，第6行代碼對listRDD進(jìn)行持久化操作，即添加cache()方法，用于持久化RDD，減少I/O操作，提高計(jì)算效率。然而，使用cache()方法進(jìn)行持久化操作，底層是調(diào)用了persist(MEMORY_ONLY)方法，用來對RDD進(jìn)行持久化。當(dāng)程序當(dāng)執(zhí)行到第6行代碼時，并不會持久化listRDD，因?yàn)閘istRDD還沒有被真正計(jì)算;當(dāng)程序執(zhí)行第8行代碼時，listRDD才會進(jìn)行第一次的行動算子操作，觸發(fā)真正的從頭到尾的計(jì)算，這時listRDD.cache()方法才會被真正的執(zhí)行，把listRDD持久化到內(nèi)存中;當(dāng)程序執(zhí)行到第10行代碼時，進(jìn)行第二次的行動算子操作，但不觸發(fā)從頭到尾的計(jì)算，只需使用已經(jīng)持久化的listRDD來進(jìn)行計(jì)算。

猜你喜歡

Java API接口怎樣操作HBase分布式數(shù)據(jù)庫？

Scala的控制結(jié)構(gòu)語句有哪幾種？各語法格式介紹

Spark的集群安裝部署【大數(shù)據(jù)技術(shù)文章】

黑馬程序員大數(shù)據(jù)培訓(xùn)課程