Spark缓存---cache方法

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：

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。

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。

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。

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()