如何指定緩存

主講：張義目錄0102指定cache方法指定persist（持久化）方法指定cache方法1指定cache方法cache方法可以將RDD緩存在內存中，如下例所示:vallogs=sc.textFile("path/to/log-files")valerrorsAndWarnings=logsfilter{l=>l.contains("ERROR")||l.contains("WARN")}errorsAndWarnings.cache()指定cache方法valerrorLogs=errorsAndWarningsfilter[l=>l.contains("ERROR"）}valwarningLogs=errorsAndWarningsfilter{l=>l.contains("WARN")}valerrorCount=errorLogs.countvalwarningcount=warningLogs.count指定cache方法RDD是否正在被緩存?testRdd.cache()testRdd.count()testRdd.collect()由于RDD是在執行第一個操作之前被緩存的，而不是之后，因此，只有collect操作可以使用緩存的值。指定cache方法如果應用程序不會多次讀取數據集，則緩存實際上會使作業更慢。使用緩存是需要付出代價的。如果由于緩存導致的內存壓力成本大于避免重新計算RDD所帶來的好處，在該情況下，緩存并不是一個合適的機制。如果可以輕松地重新計算數據集，且應用程序不會多次訪問它，則重新計算可能更快。指定persist（持久化）方法2指定persist（持久化）方法將RDD存儲在內存中以使后續的計算使用的第二種方法是調用persist方法。可以將持久化視為緩存RDD的一種更通用的方法，因為其不僅僅允許指定內存類型的存儲來存儲RDD如果調用persist方法時不附加任何參數，其工作方式與cache方法相似，即存儲RDD到內存中。例如:vallines=sc.textFile(/data/examples/datal.txt)lines.persist()指定persist（持久化）方法cache（緩存）和persist（持久性）都在做同樣的事情，即臨時存儲RDD，兩種方法默認的存儲類型都是內存。這兩種方法的區別在于persist方法允許指定特定的存儲類型來存儲RDD。如果你比較關心內存的使用且認為當前使用了過多的內存，則除了內存之外，還有其他存儲類型可選。如果決定存儲RDD且其與當前JVM內存不匹配，則可以指定其他存儲級別，如下所示。指定persist（持久化）方法MEMORY_ONLY:默認存儲級別，將RDD作為反序列化的Java對象進行存儲，如果內存中沒有足夠的空間用于RDD存儲，在需要時會對無法緩存的RDD分區進行重新計算，例如:vallines=sc.textFile(/data/examples/datal.txt)lines.persist(MEMORY_ONLY)MEM_AND_DISK:將RDD作為反序列化Java對象存儲在內存中，如果沒有足夠的內存空間，則將分區存儲在磁盤上以供將來讀取。例如:testRdd.persist(StorageLevel.MEMORY_AND_DISK)指定persist（持久化）方法MEMORY_ONLY_SER;將RDD作為序列化Java對象存儲在內存中（默認情況下，以反序列化形式存儲)，這樣可以提高空間使用效率。但是，這也意味著后期在讀取這些數據時，需要更多的CPU來進行序列化文件的解析。指定此存儲級別的方法如下所示:testRdd.persist(StorageLevel.MEMORY_ONLY_SER）MEMORY_AND_DISK_SER:與MEMORY_ONLY_SER級別類似，但使用磁盤存儲不適合存儲于內存中的分區。例如:testRdd.persist(StorageLevel.MEMORY_AND_DISK_SER）指定persist（持久化）方法DISK_ONLY:跳過內存，將所有的RDD分區存儲于磁盤上，例如:testRdd.persist(StorageLevel.DISK_ONLY)MEMORY_ONLY_2，MEMORY_AND_DISK_2等:這些存儲層級的工作方式與前面描述的相應存儲級別類似，不同之處在于每個分區都存儲在兩個節點上以實現彈性恢復。設置此存儲級別的方式如下所示:指定persist（持久化）方法testRdd.persist(StorageLevel.MEMORY_ONLY_2)testRdd.persist(StorageLevel.MEMORY_ONLY_SER_2)testRdd.persist(StorageLev