Spark 缓存(Caching)

Spark 缓存机制详解

1. 缓存的核心作用
  • 加速计算:通过将重复使用的数据集存储在内存或磁盘,避免重复计算
  • 优化迭代算法:适用于机器学习训练、图计算等需要多次访问同一数据集的场景
  • 减少I/O开销:对于频繁访问的外部数据源,缓存后可降低读取成本
2. 持久化级别对比
级别 存储方式 序列化 适用场景
MEMORY_ONLY 仅内存 内存充足的小数据集
MEMORY_AND_DISK 内存+磁盘溢出 内存受限的较大数据集
MEMORY_ONLY_SER 内存(序列化存储) 内存优化场景
DISK_ONLY 仅磁盘 超大数据集
3. 代码实现示例
python 复制代码
from pyspark import StorageLevel

# 创建DataFrame
df = spark.read.parquet("hdfs://data/large_dataset")

# 缓存方式一(默认MEMORY_AND_DISK)
df.cache().count()  # 立即触发缓存

# 缓存方式二(指定存储级别)
df.persist(StorageLevel.MEMORY_ONLY_SER)

# 释放缓存
df.unpersist()
4. 使用场景判断

✅ 推荐缓存:

  • 循环使用的中间结果(迭代算法)
  • 被多次访问的广播连接表
  • 需要快速访问的预处理数据

❌ 避免缓存:

  • 仅单次使用的数据集
  • 大于集群可用内存50%的数据量
  • 频繁更新的动态数据
5. 性能优化技巧
  • 缓存前使用.filter().select()精简数据

  • 对宽表优先使用序列化存储(节省30%-50%内存)

  • 监控存储管理器:

    python 复制代码
    print(spark.sparkContext.uiWebUrl)  # 查看Storage选项卡
  • 配合checkpoint使用:切断RDD血缘关系,避免堆栈溢出

6. 缓存失效场景
  • JVM内存不足时自动逐出
  • 节点故障导致分区丢失
  • 调用unpersist()主动释放
  • 应用结束时自动清除
7. 高级配置参数
properties 复制代码
spark.storage.memoryFraction=0.6  # 内存分配比例
spark.serializer=org.apache.spark.serializer.KryoSerializer
spark.memory.offHeap.enabled=true  # 启用堆外内存
spark.memory.offHeap.size=2g

通过合理使用缓存,典型场景可提升作业性能3-10倍。建议结合Spark UI监控缓存命中率和内存使用情况,动态调整存储策略。

相关推荐
计算机编程小央姐3 小时前
大数据工程师认证项目:汽车之家数据分析系统,Hadoop分布式存储+Spark计算引擎
大数据·hadoop·分布式·数据分析·spark·汽车·课程设计
武子康3 小时前
大数据-116 - Flink Sink 使用指南:类型、容错语义与应用场景 多种输出方式与落地实践
大数据·后端·flink
容辞3 小时前
Elasticsearch
大数据·elasticsearch·搜索引擎
大数据CLUB4 小时前
基于mapreduce的资金流入流出任务计算
大数据·hadoop·mapreduce
渡我白衣5 小时前
C++20 协程:在 AI 推理引擎中的深度应用
大数据·人工智能·c++20
小树苗1936 小时前
Berachain稳定币使用指南:HONEY与跨链稳定币的协同之道
大数据·人工智能·区块链
电商API_180079052477 小时前
电商数据分析之自动获取数据的技术手段分享
大数据·数据库·数据挖掘·数据分析
Elastic 中国社区官方博客13 小时前
AutoOps:简单的 Elasticsearch 集群监控与管理现已支持本地部署
大数据·人工智能·elasticsearch·搜索引擎·云计算·全文检索
云手机掌柜14 小时前
技术深度解析:指纹云手机如何通过设备指纹隔离技术重塑多账号安全管理
大数据·服务器·安全·智能手机·矩阵·云计算
计算机毕设残哥17 小时前
基于Hadoop+Spark的人体体能数据分析与可视化系统开源实现
大数据·hadoop·python·scrapy·数据分析·spark·dash