持久化存储是Spark非常重要的一个特性，通过持久化存储，提升Spark应用性能，以更好地满足实际需求。而Spark的持久化存储，根据不同的需求现状，可以选择不同的策略方案。今天的大数据入门分享，我们就来具体讲讲Spark持久化存储策略。
所谓的Spark持久化存储，就是将一个RDD持久化到内存或磁盘中，以便重用该RDD，省去重新计算的环节，以空间换时间。RDD持久化，是一个分布式的过程，其内部的每个Partition各自缓存到所在的计算节点上，根据复用的需求再来读取。
RDD持久化
在Spark中，RDD采用惰性求值的机制，每次遇到action操作，都会从头开始执行计算。每次调用action操作，都会触发一次从头开始的计算。这样的执行流程，不免遇到重复计算，理论上来说造成了计算过程当中更多资源的占用，持久化机制就是避免重复计算带来的开销而设计的。
Spark提供了persist和cache两个持久化函数，其中cache将RDD持久化到内存中，而persist则支持多种存储级别。两个持久化方法的主要区别是：cache()方法默认使用的是内存级别，其底层调用的是persist()方法。
RDD持久化存储级别
Spark的提供了多种持久化级别，比如内存、磁盘、内存+磁盘等。具体来说，包括以下几种：
MEMORY_ONLY
默认，表示将RDD作为反序列化的Java对象存储于JVM中，如果内存不够用，则部分分区不会被持久化，等到使用到这些分区时，会重新计算。
MEMORY_AND_DISK
将RDD作为反序列化的Java对象存储在JVM中，如果内存不足，超出的分区将会被存放在硬盘上。
MEMORY_ONLY_SER
将RDD序列化为Java对象进行持久化，每个分区对应一个字节数组。此方式比反序列化要节省空间，但是会占用更多CPU资源。
MEMORY_AND_DISK_SER
与MEMORY_ONLY_SER类似，如果内存放不下，则溢写到磁盘。
DISK_ONLY
将RDD的分区数据存储到磁盘。
MEMORY_ONLY_2，MEMORY_AND_DISK_2
与上面的方式类似，但是会将分区数据复制到两个集群，
OFF_HEAP(experimental)
与MEMORY_ONLY_SER类似，将数据存储到堆外内存off-heap，需要将off-heap开启。
RDD的Checkpoint机制
除了cache和persist之外，Spark还提供了另外一种持久化：checkpoint，它能将RDD写入分布式文件系统，提供类似于数据库快照的功能。
它提供了一种相对而言更加可靠的数据持久化方式，把数据保存在分布式文件系统，比如HDFS上。这里就是利用了HDFS高可用性，高容错性（多副本）来最大程度保证数据的安全性。
DStream持久化
除了RDD持久化的使用方式，其实DStream也是支持持久化的，同样是使用persist()与cache()方法。
持久化通常在有状态的算子中使用，比如窗口操作，默认情况下，虽然没有显性地调用持久化方法，但是底层已经帮用户做了持久化操作。与RDD的持久化不同，DStream的默认持久性级别将数据序列化在内存中。
如何选择RDD持久化策略
Spark提供的多种持久化级别，主要是为了在CPU和内存消耗之间进行取舍，可以根据实际情况来选择持久化级别。这里也给大家一些持久化存储策略选择的建议——
优先使用MEMORY_ONLY，如果可以缓存所有数据的话，那么就使用这种策略。因为纯内存速度最快，而且没有序列化，不需要消耗CPU进行反序列化操作。
如果MEMORY_ONLY策略，无法存储的下所有数据的话，那么使用MEMORY_ONLY_SER，将数据进行序列化进行存储，纯内存操作还是非常快，只是要消耗CPU进行反序列化。
如果需要进行快速的失败恢复，那么就选择带后缀为_2的策略，进行数据的备份，这样在失败时，就不需要重新计算了。
能不使用DISK相关的策略，就不用使用，有的时候，从磁盘读取数据，还不如重新计算一次。
关于大数据入门，Spark持久化存储策略，以上就为大家做了具体的讲解了。Spark的持久化存储策略，总体来说就是为减少开销、提升性能而设计的，如何选择也需要结合实际来看。
网友评论