rdd持久化原理：
rdd可以持久化到内存，当对dd执行持久化操作时，每个节点都会将自己的操作的rdd的parition持久化到内存中，并且在之后对该rdd的反复使用中，直接使用内存缓存的partition，这样对于一个反复执行多个操作的场景，就只需要对rdd计算一次即可，后面直接使用该rdd，而需要反复计算多次该rdd。
调用cache()或者persist(),cache()底层就是调用的persist（）的无参方法，同时就是调用persist(MEMORY_ONLY),将数据持久化到内存。从内存中清除用unpersist()
shuffle操作时会进行数据的持久化，比如写入磁盘，主要是防止节点失败时，避免需要重新计算整个过程。必须在transformation或者textFile等创建了一个RDD之后,直接连续调用cache()或persist()才可以，如果单独另起一行执行cache()或persiat()方法，是没有用的，而且会报错。
eg:
正确调用方式：
JavaRDD<String> words = sc.textFile("C://Users//hlz//Desktop/test.txt").cache();
错误方式：
JavaRDD<String> words = sc.textFile("C://Users//hlz//Desktop/test.txt");
words.cache();
1、使用持久化

2、不使用持久化

RDD持久化的问题的原理.png

RDD持久化是可以手动选择不同的策略的。比如可以将RDD持久化在内存中、持久化到磁盘上、使用序列化的方式持久化，多持久化的数据进行多路复用。只要在调用persist()时传入对应的StorageLevel即可。

持久化级别	含义
MEMORY_ONLY	以非序列化的Java对象的方式持久化在JVM内存中。如果内存无法完全存储RDD所有的partition，那么那些没有持久化的partition就会在下一次需要使用它的时候，重新被计算。
MEMORY_AND_DISK	同上，但是当某些partition无法存储在内存中时，会持久化到磁盘中。下次需要使用这些partition时，需要从磁盘上读取。
MEMORY_ONLY_SER	同MEMORY_ONLY，但是会使用Java序列化方式，将Java对象序列化后进行持久化。可以减少内存开销，但是需要进行反序列化，因此会加大CPU开销。

持久化级别	含义
MEMORY_AND_DSK_SER	同MEMORY_AND_DSK。但是使用序列化方式持久化Java对象。
DISK_ONLY	使用非序列化Java对象的方式持久化，完全存储到磁盘上。
MEMORY_ONLY_2 MEMORY_AND_DISK_2 等等	如果是尾部加了2的持久化级别，表示会将持久化数据复用一份，保存到其他节点，从而在数据丢失时，不需要再次计算，只需要使用备份数据即可。

Spark提供的多种持久化级别，主要是为了在CPU和内存消耗之间进行取舍。下面是一些通用的持久化级别的选择建议：

1、优先使用MEMORY_ONLY，如果可以缓存所有数据的话，那么就使用这种策略。因为纯内存速度最快，而且没有序列化，不需要消耗CPU进行反序列化操作。
2、如果MEMORY_ONLY策略，无法存储的下所有数据的话，那么使用MEMORY_ONLY_SER，将数据进行序列化进行存储，纯内存操作还是非常快，只是要消耗CPU进行反序列化。
3、如果需要进行快速的失败恢复，那么就选择带后缀为_2的策略，进行数据的备份，这样在失败时，就不需要重新计算了。
4、能不使用DISK相关的策略，就不用使用，有的时候，从磁盘读取数据，还不如重新计算一次。

ITPub博客

spark系列一：使用持久化机制和不使用持久化的原理及实战

最新文章