一个Spark缓存的使用示例

之前一直不是非常理解Spark的缓存应该如何使用. 今天在使用的时候, 为了提高性能, 尝试使用了一下Cache, 并收到了明显的效果.

关于Cache的一些理论介绍, 网上已经很多了. 但是貌似也没有一个简单的例子说明.

注:

  • 因为使用的是内部数据文件, 在这边就不公布出来了. 大家看看测试代码跟测试结果即可.
  • 这次测试是在JupyterNotebook这种交互式的环境下测试的. 如果是直接的submit一个job, 可能结果不太一样.

测试步骤

  • 初始化Spark.

  • 分别读两个文件做测试, 并且其中一个使用Cache

    注: 这两个数据文件分别是1月4日跟1月5日产生的. 大小非常接近, 都是3.1G.

    为了防止Spark自己做了什么Cache影响实验, 在这里读取两个不同的数据文件.

  • 计算时间:

测试结果:

可以看到:

  • 对于DS1, 虽然调用了Cache ,但是因为没有真正的使用到, 所以第一次进行filter操作还是很慢的

  • 第二次使用DS1的时候, 因为有了缓存, 速度快了很多

  • 相对的, DS2两次执行时间差别不大

如果进到Spark UI 查看具体每个Job的执行时间, 会发现, 只读取数据文件消耗的时间也就在15~20s.

因此可以猜想, Spark的DataFrame读取数据之后, 即使进行两个相同的操作, 消耗的时间也不能减少, 因为Spark 默认不会把DS放到内存之中.

本文原创 www.flyml.net

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注