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	否	内存充足的小数据集
MEMORY_AND_DISK	内存+磁盘溢出	否	内存受限的较大数据集
MEMORY_ONLY_SER	内存（序列化存储）	是	内存优化场景
DISK_ONLY	仅磁盘	是	超大数据集

3. 代码实现示例

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()或.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：

  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

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。