做有温度的教育!
全国统一咨询热线:18003608300
北京
校区
首页> 知识宝藏分享,为您打开学习之门 > 技术分享

spark调优-持久化策略选择

时间:2019-04-22
浏览:3711
发布:来源:
赞:3711

在大数据开发中Spark的调优是让我们开发更便捷的方法之一,那么如何选择调优策略就是一个熟练的开发人员需要知道的,今天给大家带来持久化策略的方案,希望对正在学习的同学有帮助!


# RDD的持久化策略:

cache、persist、checkpoint三种策略(持久化的单位是partition)


1、cache是persist的一个简化版,会将rdd中的数据持久化到内存中

cache = persists(StorageLevel.MEMORY_ONLY) 不进行序列化

特点:

· cache的返回值 必须赋值给一个新的RDD变量, 在其他的job中直接使用这个RDD变量就可以

· cache是一个懒执行(其他两个也是懒执行),必须有action类的算子触发(也就是说,实现缓存要先触发一次)

· cache算子的后面不能立即添加action类算子

var RDD= RDD.cache.foreach X 错误的,这样RDD 的结果就是遍历后的


2、persist手动指定持久化级别


3、checkpoint

· checkpoint会另启 一个job持久化到HDFS上 (安全性)、依赖关系会被切断。

· 如果RDD转换很多,可以使用checkpoint。

· 当使用checkpoint的时候可以先cache一把,然后再用checkpoint,这时候就会从内存中写入HDFS上(要快一些)


persist持久化级别:

1、默认情况下,性能当然是MEMORY_ONLY,但前提是你的内存必须足够足够大

可以绰绰有余地存放下整个RDD的所有数据。因为不进行序列化与反序列化操作,就避免了这部分的性能开销;对这个RDD的后续算子操作,都是基于纯内存中的数据的操作,不需要从磁盘文件中读取数据,性能也很高;而且不需要复制一份数据副本,并远程传送到其他节点上。但是这里必须要注意的是,在实际的生产环境中,恐怕能够直接用这种策略的场景还是有限的,如果RDD中数据比较多时(比如几十亿),直接用这种持久化级别,会导致JVM的OOM内存溢出异常。


2、如果使用MEMORY_ONLY级别时发生了内存溢出,那么建议尝试使用MEMORY_ONLY_SER级别。(序列化后,降低了内存占用)

该级别会将RDD数据序列化后再保存在内存中,此时每个partition仅仅是一个字节数组而已,大大减少了对象数量,并降低了内存占用。这种级别比MEMORY_ONLY多出来的性能开销,主要就是序列化与反序列化的开销。但是后续算子可以基于纯内存进行操作,因此性能总体还是比较高的。此外,可能发生的问题同上,如果RDD中的数据量过多的话,还是可能会导致OOM内存溢出的异常。


3、如果纯内存的级别都无法使用,那么建议使用MEMORY_AND_DISK_SER策略

而不是MEMORY_AND_DISK策略。因为既然到了这一步,就说明RDD的数据量很大,内存无法完全放下。序列化后的数据比较少,可以节省内存和磁盘的空间开销。同时该策略会优先尽量尝试将数据缓存在内存中,内存缓存不下才会写入磁盘。


4、通常不建议使用DISK_ONLY和后缀为_2的级别

因为完全基于磁盘文件进行数据的读写,会导致性能急剧降低,有时还不如重新计算一次所有RDD。后缀为_2的级别,必须将所有数据都复制一份副本,并发送到其他节点上,数据复制以及网络传输会导致较大的性能开销,除非是要求作业的高可用性,否则不建议使用。


【版权与免责声明】如发现内容存在版权问题,烦请提供相关信息联系我们,我们将及时沟通与处理。本站内容除非来源注明甲骨文华育兴业,否则均为网友转载,涉及言论、版权与本站无关。

精彩推荐

友情链接: bif

Copyright ©2016-2020. All Rights Reserved. 京ICP备17018991号-4