Spark-------控制算子

忘是亡心i 2023-07-22 03:48 87阅读 0赞

**概念：**  
控制算子有三种，cache,persist,checkpoint，以上算子都可以将RDD持久化，持久化的单位是partition。cache和persist都是懒执行的。必须有一个action类算子触发执行。checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系。  
**cache**  
默认将RDD的数据持久化到内存中。cache是懒执行。  
**注意**：cache () = persist()=persist(StorageLevel.Memory\_Only)  
测试代码

SparkConf conf = new SparkConf();
     conf.setMaster("local").setAppName("CacheTest");
     JavaSparkContext jsc = new JavaSparkContext(conf);
     JavaRDD<String> lines = jsc.textFile("./NASA_access_log_Aug95");
    
     lines = lines.cache();
     long startTime = System.currentTimeMillis();
     long count = lines.count();
     long endTime = System.currentTimeMillis();
     System.out.println("共"+count+ "条数据，"+"初始化时间+cache时间+计算时间="+ 
              (endTime-startTime));
    		
     long countStartTime = System.currentTimeMillis();
     long countrResult = lines.count();
     long countEndTime = System.currentTimeMillis();
     System.out.println("共"+countrResult+ "条数据，"+"计算时间="+ (countEndTime-
               countStartTime));
    		
     jsc.stop();

**persist**  
可以指定持久化的级别。最常用的是MEMORY\_ONLY和MEMORY\_AND\_DISK。”\_2”表示有副本数。  
持久化级别如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70]  
**cache和persist的注意事项：**  
1.cache和persist都是懒执行，必须有一个action类算子触发执行。  
2.cache和persist算子的返回值可以赋值给一个变量，在其他job中直接使用这个变量就是使用持久化的数据了。持久化的单位是partition。  
3.cache和persist算子后不能立即紧跟action算子。  
4.cache和persist算子持久化的数据当applilcation执行完成之后会被清除。

错误：rdd.cache().count() 返回的不是持久化的RDD，而是一个数值了。

**checkpoint**  
checkpoint将RDD持久化到磁盘，还可以切断RDD之间的依赖关系。checkpoint目录数据当application执行完之后不会被清除。  
checkpoint 的执行原理：  
1.当RDD的job执行完毕后，会从finalRDD从后往前回溯。  
2.当回溯到某一个RDD调用了checkpoint方法，会对当前的RDD做一个标记。  
3.Spark框架会自动启动一个新的job，重新计算这个RDD的数据，将数据持久化到HDFS上。  
优化：对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步。  
使用：

SparkConf conf = new SparkConf();
     conf.setMaster("local").setAppName("checkpoint");
     JavaSparkContext sc = new JavaSparkContext(conf);
     sc.setCheckpointDir("./checkpoint");
     JavaRDD<Integer> parallelize = sc.parallelize(Arrays.asList(1,2,3));
     parallelize.checkpoint();
     parallelize.count();
     sc.stop();

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xpX0ppYW5fSHVpXw_size_16_color_FFFFFF_t_70]: /images/20230528/a42d46ed5bd447fe8af927eb8dfa498a.png