深度图解spark的cacheManager和DiskManager原理

本文和之前发表的2篇文章有关联,建议先阅读前两篇文章
spark的内存管理机制学习——BlockManager
spark到底是怎么确认内存够不够用的？超大超详细图解！让你掌握Spark memeoryStore内存管理的精髓

spark中存在一个cacheManager，它的作用是什么？ 缓存原理又是如何的？
以及和内存memoryStore对应的diskManager，它又是如何和内存管理做交互，实现spark很重要的落盘机制的？本文将给你进行一一讲解

RDD缓存管理cacheManager

当需要计算RDD时，需要避免重复计算的RDD。

• 什么时候RDD可能会被重复计算？一般是宽依赖RDD， 即RDD的下游可能有多个， 但是另一个下游的拉去可能较慢， 那么此时需要做缓存。
  cacheManager只是对RDD的管理， 真正的缓存以及获取是通过blockManager，然后根据内存情况选择存内存还是存磁盘。
  
• RDD不是一定会做缓存，这取决于存储级别的设定。
• RDD没缓存时， 不一定要重新计算， 也可能从CheckPoint中拿
• checkPoint概念:

checkpoint在spark中主要有两块应用：一块是在spark core中对RDD做checkpoint，可以切断做checkpoint RDD的依赖关系，将RDD数据保存到可靠存储（如HDFS）以便数据恢复；另外一块是应用在spark streaming中，使用checkpoint用来保存DStreamGraph以及相关配置信息，以便在Driver崩溃重启的时候能够接着之前进度继续进行处理（如之前waiting batch的job会在重启后继续处理）。

如果需要存入内存，直接使用memoryStore即可，memoryStore的存储过程见上一篇博文。

如果要写入磁盘，需要调用diskStore提供的put方法把RDD对应的block块写入磁盘

diskStore和diskBlockManager有什么关系？

diskStore里要写入数据时，负责打开某个文件， 然后往文件里写入。
取出数据时，也是找到对应的文件，然后取出数据。

而这个磁盘文件的管理并没有放到diskStore里实现，而是独立了一个diskBlockManager模块。
以DiskStore的putArray方法为例，从下图可看出关系：

即文件相关、序列化相关，都让diskBlockManager来搞了。

diskBlockManager的getFile过程

上图里有个getFile的操作，即从DBM中拿到文件对象做写入。
那么这个文件创建时，怎么选路径，怎么命名？

首先，文件的路径和文件名， 使用2次哈希得到

使用2级哈希做路径的目的，是因为一级目录有多个，需要用哈希选择放到哪个一级目录。

每次创建文件的话，会把该文件放到DBM里的一个数组中，并加上钩子做管理，如果程序中止或者结束，需要主动清理临时文件。

DiskBlockManager全图: