在Spark 中，cache() 是用于优化计算性能的核心方法之一，但它有许多细节需要深入理解。以下是关于 cache() 的详细技术解析：
1. cache() 的本质
-
简化的
persist()：cache()是persist(StorageLevel.MEMORY_ONLY)的快捷方式，将数据以反序列化对象的形式存储在内存中。 -
惰性操作 ：调用
cache()后，数据不会立即缓存，只有在首次触发行动操作 （如count(),show(),collect()）时才会执行缓存。 -
存储级别 ：默认使用
MEMORY_ONLY，若内存不足，未缓存的分区会在后续需要时重新计算。
2. 底层工作原理
缓存过程
-
血缘（Lineage）记录：Spark 记录 RDD/DataFrame 的血缘关系（即生成该数据的操作步骤）。
-
首次计算：当首次触发行动操作时，Spark 根据血缘执行计算，并将结果按分区缓存在内存中。
-
后续复用：后续操作直接读取缓存数据，跳过血缘中的计算步骤。
缓存失效
-
手动释放 ：调用
unpersist()立即释放缓存。 -
自动清理：Spark 根据 LRU（最近最少使用）策略自动清理缓存，当内存不足时，最早未使用的缓存分区会被移除。
3. 存储级别的关键细节
cache() 对应的 MEMORY_ONLY 存储级别特性：
| 特性 | 说明 |
|---|---|
| 序列化 | 数据以反序列化 Java 对象形式存储，读写速度快，但内存占用高。 |
| 内存溢出处理 | 内存不足时，直接丢弃未缓存的分区，后续需要时重新计算（不会写入磁盘）。 |
| 容错性 | 缓存数据丢失时（如节点故障），Spark 根据血缘重新计算。 |
4. 何时使用 cache()？
适用场景
-
重复使用：同一数据集被多次用于不同操作（如多阶段机器学习流水线）。
-
迭代计算：如 PageRank、梯度下降等需要多次遍历数据的算法。
-
交互式分析：在 Spark Shell 中多次查询同一数据集。
不适用场景
-
单次使用：数据仅用一次时，缓存反而浪费资源。
-
内存不足 ：数据远大于可用内存时，
MEMORY_ONLY会导致频繁重计算，应改用MEMORY_AND_DISK。
代码示例
// 使用 cache 的情况
val cachedRDD = largeRDD.map(complexTransformation).cache()
// 第一次触发行动算子，计算并统计时间
val startTime3 = System.currentTimeMillis()
val result3 = cachedRDD.collect()
val endTime3 = System.currentTimeMillis()
println(s"使用 cache 第一次计算耗时: ${endTime3 - startTime3} 毫秒")
// 第二次触发行动算子，计算并统计时间
val startTime4 = System.currentTimeMillis()
val result4 = cachedRDD.collect()
val endTime4 = System.currentTimeMillis()
println(s"使用 cache 第二次计算耗时: ${endTime4 - startTime4} 毫秒")
println(s"spark.local.dir 的值: ${conf.get("spark.local.dir")}")
sc.stop()