【赵渝强老师】Spark RDD的缓存机制

赵渝强老师2025-02-20 10:04

Spark RDD通过persist方法或cache方法可以将计算结果的缓存，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才会被缓存在计算节点的内存中并供后面重用。下面是persist方法或cache方法的函数定义：

scala 复制代码

def persist(): this.type = persist(StorageLevel.MEMORY_ONLY)
def cache(): this.type = persist()

视频讲解如下
【赵渝强老师】Spark RDD的缓存机制

通过函数的定义发现，cache最终也是调用了persist方法，默认的存储级别都是仅在内存存储一份，Spark在object StorageLevel中定义了缓存的存储级别。下面是在StorageLevel中的定义的缓存级别。

scala 复制代码

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)
valOFF_HEAP = new StorageLevel(true, true, true, false, 1)

需要说明的是，使用RDD的缓存机制，数据可能丢失；或者会由于内存的不足而造成数据被删除。可以通过使用RDD的检查点机制了保证缓存的容错，即使缓存丢失了也能保证计算的正确执行。

下面是使用RDD缓存机制的一个示例。这里使用RDD读取一个大的文件，该文件中包含918843条记录。通过Spark Web Console可以对比出在不使用缓存和使用缓存时，执行效率的差别。

（1）读取一个大文件。

scala 复制代码

scala> val rdd1 = sc.textFile("/root/temp/sales")

（2）触发一个计算，这里没有使用缓存。

scala 复制代码

scala> rdd1.count

（3）调用cache方法标识该RDD可以被缓存。

scala 复制代码

scala> rdd1.cache

（4）第二次触发计算，计算完成后会将结果缓存。

scala 复制代码

scala> rdd1.count

（5）第三次触发计算，这里会直接从之前的缓存中获取结果。

scala 复制代码

scala> rdd1.count

（6）访问Spark的Web Console观察这三次count计算的执行时间，可以看成最后一次count计算只耗费了98ms，如下图所示。