内容简介：有时您需要多次处理RDD，而不是一次操作。这带来了一个主要问题...... Spark 确实总是会在磁盘上找到数据。但是你需要处理性能问题。RDD带有cache（）和persist（）方法，其中cache() = persist(StorageLevel.MEMORY_ONLY).将帮助我们将RDD保存到内存中，详细了解
有时您需要多次处理RDD，而不是一次操作。这带来了一个主要问题...... Spark 确实总是会在磁盘上找到数据。但是你需要处理性能问题。
RDD带有cache（）和persist（）方法，其中
cache() = persist(StorageLevel.MEMORY_ONLY).将帮助我们将RDD保存到内存中，详细了解 其他选项 。
让我们用简单的例子来测试它：
<b>import</b> org.apache.spark.storage.StorageLevel._; val fileRDD = sc.textFile(<font>"/tests/yahoo_stocks.csv"</font><font>); fileRDD.persist(MEMORY_ONLY); System.out.println(</font><font>"Count of RDD (first run): "</font><font>+fileRDD.count()); System.out.println(</font><font>"Count of RDD (second run): "</font><font>+fileRDD.count()); </font>
(download the yahoo_stocks.csv from https://github.com/dmatrix/examples/blob/master/spark/hdp/data/yahoo_stocks.csv )
现在让我告诉你发生了什么：
如果没有持久化（MEMORY_ONLY）调用，首先调用fileRDD.count（）将触发从磁盘获取数据和计数行。fileRDD.count（）的第二次命中意味着同样的事情。
通过持久（MEMORY_ONLY）调用，我们告诉Spark：
做懒加载：
- 读取文件
- 将RDD缓存到内存中
现在第二次调用fileRDD.count（）应该比第一次调用快得多，因为它不会使用磁盘作为计算内容的源（当然，如果RDD适合内存）
让我们证明一下（运行）：
park-shell -i test14.scala
第一次
fileRDD.count() 运行输出：
18/02/17 22:21:10 INFO DAGScheduler: Job 0 finished: count at <console>:33, took 1,425495 s Count of RDD (first run): 4794
第二次 fileRDD.count() 运行输出
18/02/17 22:21:11 INFO DAGScheduler: Job 1 finished: count at <console>:33, took 0,121783 s Count of RDD (second run): 4794
看看第二个RDD动作的巨大加速。
以上所述就是小编给大家介绍的《缓存Apache Spark RDD - 性能调优》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
