Sprak RDD缓存

来源：互联网发布：燕郊淘宝店招聘编辑：程序博客网时间：2024/05/24 03:23

转载：https://www.iteblog.com/archives/1532.html

我们知道，Spark相比Hadoop最大的一个优势就是可以将数据cache到内存，以供后面的计算使用。本文将对这部分的代码进行分析。

　　我们可以通过rdd.persist()或rdd.cache()来缓存RDD中的数据，cache()其实就是调用persist()实现的。persist()支持下面的几种存储级别：

valNONE =new StorageLevel(false,false,false,false)
valDISK_ONLY=new StorageLevel(true,false,false,false)
valDISK_ONLY_2= new StorageLevel(true,false,false,false,2)
valMEMORY_ONLY=new StorageLevel(false,true,false,true)
valMEMORY_ONLY_2= new StorageLevel(false,true,false,true,2)
valMEMORY_ONLY_SER=new StorageLevel(false,true,false,false)
valMEMORY_ONLY_SER_2= new StorageLevel(false,true,false,false,2)
valMEMORY_AND_DISK=new StorageLevel(true,true,false,true)
valMEMORY_AND_DISK_2= new StorageLevel(true,true,false,true,2)
valMEMORY_AND_DISK_SER=new StorageLevel(true,true,false,false)
valMEMORY_AND_DISK_SER_2= new StorageLevel(true,true,false,false,2)
valOFF_HEAP=new StorageLevel(false,false,true,false)

　　而cache()最终调用的是persist(StorageLevel.MEMORY_ONLY)，也就是默认的缓存级别。我们可以根据自己的需要去设置不同的缓存级别，这里各种缓存级别的含义我就不介绍了，可以参见官方文档说明。

通过调用rdd.persist()来缓存RDD中的数据，其最终调用的都是下面的代码：

/////////////////////////////////////////////////////////////////////
 User:过往记忆
 Date:2015-11-17
 Time:22:59
 bolg:https://www.iteblog.com
 本文地址：https://www.iteblog.com/archives/1532
 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货
 过往记忆博客微信公共帐号：iteblog_hadoop
/////////////////////////////////////////////////////////////////////
 
privatedef persist(newLevel:StorageLevel, allowOverride:Boolean):this.type= {
  // TODO: Handle changes of StorageLevel
  if(storageLevel !=StorageLevel.NONE && newLevel !=storageLevel && !allowOverride) {
    thrownew UnsupportedOperationException(
      "Cannot change storage level of an RDD after it was already assigned a level")
  }
  // If this is the first time this RDD is marked for persisting, register it
  // with the <span class="wp_keywordlink_affiliate"><a href="https://www.iteblog.com/archives/tag/spark/" title="" target="_blank" data-original-title="View all posts in Spark">Spark</a></span>Context for cleanups and accounting. Do this only once.
  if(storageLevel ==StorageLevel.NONE) {
    sc.cleaner.foreach(_.registerRDDForCleanup(this))
    sc.persistRDD(this)
  }
  storageLevel=newLevel
  this
}

　　这段代码的最主要作用其实就是将storageLevel设置为persist()函数传进来的存储级别，而且一旦设置好RDD的存储级别之后就不能再对相同RDD设置别的存储级别，否则将会出现异常。设置好存储级别在之后除非触发了action操作，否则不会真正地执行缓存操作。当我们触发了action，它会调用sc.runJob方法来真正的计算，而这个方法最终会调用org.apache.spark.scheduler.Task#run，而这个方法最后会调用ResultTask或者ShuffleMapTask的runTask方法，runTask方法最后会调用org.apache.spark.rdd.RDD#iterator方法，iterator的代码如下：

finaldef iterator(split:Partition, context:TaskContext):Iterator[T] ={
  if(storageLevel !=StorageLevel.NONE) {
    <spanclass="wp_keywordlink_affiliate"><a href="https://www.iteblog.com/archives/tag/spark/"title=""target="_blank"data-original-title="View all posts in Spark">Spark</a></span>Env.get.cacheManager.getOrCompute(this, split, context, storageLevel)
  }else{
    computeOrReadCheckpoint(split, context)
  }
}

如果当前RDD设置了存储级别（也就是通过上面的rdd.persist()设置的），那么会从cacheManager中判断是否有缓存数据。如果有，则直接获取，如果没有则计算。getOrCompute的代码如下：

defgetOrCompute[T](
    rdd:RDD[T],
    partition:Partition,
    context:TaskContext,
    storageLevel:StorageLevel):Iterator[T] ={
 
  valkey =RDDBlockId(rdd.id, partition.index)
  logDebug(s"Looking for partition $key")
  blockManager.get(key)match{
    caseSome(blockResult) =>
      // Partition is already materialized, so just return its values
      valexistingMetrics =context.taskMetrics
        .getInputMetricsForReadMethod(blockResult.readMethod)
      existingMetrics.incBytesRead(blockResult.bytes)
 
      valiter =blockResult.data.asInstanceOf[Iterator[T]]
      newInterruptibleIterator[T](context, iter) {
        overridedef next():T ={
          existingMetrics.incRecordsRead(1)
          delegate.next()
        }
      }
    caseNone =>
      // Acquire a lock for loading this partition
      // If another thread already holds the lock, wait for it to finish return its results
      valstoredValues =acquireLockForPartition[T](key)
      if(storedValues.isDefined) {
        returnnew InterruptibleIterator[T](context, storedValues.get)
      }
 
      // Otherwise, we have to load the partition ourselves
      try{
        logInfo(s"Partition $key not found, computing it")
        valcomputedValues =rdd.computeOrReadCheckpoint(partition, context)
 
        // If the task is running locally, do not persist the result
        if(context.isRunningLocally) {
          returncomputedValues
        }
 
        // Otherwise, cache the values and keep track of any updates in block statuses
        valupdatedBlocks =new ArrayBuffer[(BlockId, BlockStatus)]
        valcachedValues =putInBlockManager(key, computedValues, storageLevel, updatedBlocks)
        valmetrics =context.taskMetrics
        vallastUpdatedBlocks =metrics.updatedBlocks.getOrElse(Seq[(BlockId, BlockStatus)]())
        metrics.updatedBlocks=Some(lastUpdatedBlocks ++ updatedBlocks.toSeq)
        newInterruptibleIterator(context, cachedValues)
 
      }finally{
        loading.synchronized {
          loading.remove(key)
          loading.notifyAll()
        }
      }
  }
}

　　首先通过RDD的ID和当前计算的分区ID构成一个key，并向blockManager中查找是否存在相关的block信息。如果能够获取得到，说明当前分区已经被缓存了；否者需要重新计算。如果重新计算，我们需要获取到相关的锁，因为可能有多个线程对请求同一分区的数据。如果获取到相关的锁，则会调用rdd.computeOrReadCheckpoint(partition, context)计算当前分区的数据，并放计算完的数据放到BlockManager中，如果有相关的线程等待该分区的计算，那么在计算完数据之后还得通知它们（loading.notifyAll()）。

如果获取锁失败，则说明已经有其他线程在计算该分区中的数据了，那么我们就得等（loading.wait()），获取锁的代码如下：

/////////////////////////////////////////////////////////////////////
 User:过往记忆
 Date:2015-11-17
 Time:22:59
 bolg:https://www.iteblog.com
 本文地址：https://www.iteblog.com/archives/1532
 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货
 过往记忆博客微信公共帐号：iteblog_hadoop
/////////////////////////////////////////////////////////////////////
 
privatedef acquireLockForPartition[T](id:RDDBlockId):Option[Iterator[T]] ={
  loading.synchronized {
    if(!loading.contains(id)) {
      // If the partition is free, acquire its lock to compute its value
      loading.add(id)
      None
    }else{
      // Otherwise, wait for another thread to finish and return its result
      logInfo(s"Another thread is loading $id, waiting for it to finish...")
      while(loading.contains(id)) {
        try{
          loading.wait()
        }catch{
          casee:Exception =>
            logWarning(s"Exception while waiting for another thread to load $id", e)
        }
      }
      logInfo(s"Finished waiting for $id")
      valvalues =blockManager.get(id)
      if(!values.isDefined) {
        /* The block is not guaranteed to exist even after the other thread has finished.
         * For instance, the block could be evicted after it was put, but before our get.
         * In this case, we still need to load the partition ourselves. */
        logInfo(s"Whoever was loading $id failed; we'll try it ourselves")
        loading.add(id)
      }
      values.map(_.data.asInstanceOf[Iterator[T]])
    }
  }
}

　　等待的线程（也就是没有获取到锁的线程）是通过获取到锁的线程调用loading.notifyAll()唤醒的，唤醒之后之后调用new InterruptibleIterator[T](context, storedValues.get)获取已经缓存的数据。以后后续RDD需要这个RDD的数据我们就可以直接在缓存中获取了，而不需要再计算了。后面我会对checkpoint相关代码进行分析。

当该job执行完成该缓存也就失效了，如果出现内存空间不足，就会导致分区的数据丢失，进而开启容错机制，重新执行。

阅读全文

0 0