Spark存储管理机制

Spark存储管理机制

概要

01 存储管理概述

02 RDD持久化

03 Shuffle数据存储

04 广播变量与累加器

存储管理概述

思考

前面有讲过RDD，我们可以直接使用而无须关系实现细节，RDD是Spark的基础，但是有个问题大家也许会比较关心：RDD所操作的数据究竟在哪里？他是如何存储的。

回顾

存储管理模块架构—从架构上来看：

通信层

通信层面采用主从方式实现通信（主从节点间互换消息）

存储层

存储层负责提供接口来存储数据（可把数据存储到内存，磁盘，或者远端）

存储管理模块架构—从功能上来看

RDD缓存

整个存储管理模块主要的工作是作为RDD的缓存，包括基于内存和磁盘的缓存

Shuffle数据的持久化

        Shuffle中间结果的数据也是交由存储管理模块进行管理的。Shuffle性能的好坏直接影响了Spark应用程序整体的性能，因此存储管理模块中对于Shuffle数据的处理有别于传统的RDD缓存

注意：还有其他数据的存储，在后面会讲

储模块由操作类BlockManager统一对外提供服务

存储管理模块架构—通信层--BlockManager：

BlockManager类通过BlockManagerMaster进行通信；

主节点的BlockManager会包含所有从节点的BlockManager信息；

主从节点之间通过各自的BlockManagerMasterActor来进行相互通信；

存储管理模块架构—数据块与分区的关系

前面有讲过，RDD是基于分区(partition)来计算的：

在存储管理中，存储是以block为单位的。实际上RDD的partition与block是一一对应的。他两是通过映射关系联系到一起的。

具体映射关系：block名=“rddID+分区索引号”。

RDD持久化

回顾—RDD控制操作

persist操作，可以将RDD持久化到不同层次的存储介质，以便后续操作重复使用。

1.cache:RDD[T]

2.persist:RDD[T]

3.persist(level:StorageLevel):RDD[T]

首次使用RDD的时候，我们可以选择对RDD进行持久化，当再次使用RDD是就可以直接从之前的缓存中获取而无需再次进行计算。对于需要反复使用的RDD会带来很大的性能改善

持久化级别

如何选择持久化级别：

首选MEMORY_ONLY；其次选MEMORY_ONLY_SER；

如果数据量大且重新计算的开销大，那就用MEMORY_AND_DISK；

如果要确保快速的恢复机制，那就选MEMORY_ONLY_2，

MEMORY_AND_DISK_2（因为有备份）

注意：具体选择时需要结合应用特点以及机器性能做出权衡

缓存淘汰机制：

当数据超过缓存阈值时：Spark会丢弃一部分内存中的数据或者将一部分数据从内存移出到磁盘中(LRU)，具体情况依据RDD的持久化选项。

如果是直接丢弃数据的话，程序会否报错呢？

答案是不一定的。如果被删除的数据的祖先是可被回溯到的，那么可以通过重新计算得到丢失的数据；相反，程序会报错哦。

RDD 还有一个方法叫作unpersist()，调用该方法可以手动把持久化的RDD 从缓存中移除

Shuffle数据持久化

shuffle数据必须是在磁盘上进行缓存，不能选择在内存中缓存；

RDD在磁盘持久化时一个block对应一个文件，而shuffle数据块只是逻辑上的概念，存储方式因实现方式不同而不同：0

默认将shuffle数据块，也就是一个bucket映射成文件(文件过多)

另外一种方式是将shuffle数据块映射成文件中的一段（将spark.shuffle.consolidateFiles设置为TRUE）

广播变量和累加器

广播变量--Broadcast Variables

实现数据在每个节点上都有一份拷贝

广播变量也是存储模块来管理的，以MEMORY_AND_DISK方式存储：

val signPrefixes = sc.broadcast(loadCallSignTable())

val countryContactCounts = contactCounts.map{

case (sign, count) =>

val country = lookupInArray(sign, signPrefixes.value)

(country, count)

}.reduceByKey((x, y) => x + y)

countryContactCounts.saveAsTextFile(outputDir + "/countries.txt")

累加器--Accumulators

提供了将工作节点中的值聚合到驱动器程序中的简单语法：

val sc = new SparkContext(...)

val file = sc.textFile("file.txt")

val blankLines = sc.accumulator(0) // 创建Accumulator[Int]并初始化为0

val callSigns = file.flatMap(line => {

if (line == "") {

blankLines += 1 // 累加器加1

}

line.split(" ")

})

callSigns.saveAsTextFile("output.txt")

println("Blank lines: " + blankLines.value)