1. 原理
Spark一个重要的功能该特性就是将RDD持久化到内存中。当对RDD进行持久化操作时，每个节点都会将自己操作的RDD的partition持久化到内存中，并在之后对RDD的反复使用中，直接使用内存中缓存的partition。这样的话，对于一个RDD反复执行的操作场景中，就只需要对RDD计算一次即可，而不需要反复计算RDD。巧妙使用RDD持久化,甚至在某种场景下，可以将spark应用程序性能提升10倍。对于迭代式算法和快速交互应用来说，RDD的持久化吃非常必要的。
要持久化一个RDD，只需要调用RDD的cache()或者persist()方法即可。在该RDD第一次被计算出来时，就会直接缓存到每个节点中。而且Spark的持久化机制还是自动容错的，如果持久化的RDD的任何partition丢失了，那么Spark会自动通过其源RDD,使用transformation操作重新计算该partition。
cache()和presist()的区别在于，cache()是persist()的一种简化方式，cache()的底层就是调用persist()的无参版本，即调用persist(MEMORY_ONLY),将数据持久化到内存中。如果需要从内存中清除缓存，那么可以使用unpersist()方法。
Spark自己在shuffle过程中，会进行数据的持久化，比如写在磁盘中，主要是为了在节点失败时，避免需要重新计算整个过程。
2.代码实现
2.1 Java代码实现
public class Persist{
public static void main(String []args){
SparkConf conf = new SparkConf()
.setAppName("persist")
.setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaRDD<String> lines = sc.textFile("c://xx.xx.txt").cache();
long beginTime = System.currentTimeMillis();
long count = lines.count();
System.out.println(count);
long endTime = System.currentTimeMillis();
System.out.println("costTime : " + (endTime - beginTime));
sc.close();
}
}
2.2 Scala代码实现
public class Persist{
public static void main(String []args){
val conf = new SparkConf()
.setAppName("persist")
.setMaster("local")
val sc = new SparkContext(conf)
val lines = sc.textFile("c://xx.xx.txt").cache()
long beginTime = System.currentTimeMillis()
long count = lines.count()
System.out.println(count)
long endTime = System.currentTimeMillis()
System.out.println("costTime : " + (endTime - beginTime))
sc.close()
}
}
随时随地看视频
