Spark笔记整理（十三）：RDD持久化性能测试（图文并茂）

qq78707

　　[TOC]

1 前言
　　其实在之前的文章《Spark笔记整理（五）：Spark RDD持久化、广播变量和累加器》中也有类似的测试，不过当时做的测试仅仅是在本地跑代码，并以Java/Scala代码通过设置开始时间和结束时间的方式来进行统计测试，其实不够准确，最好的方式就是把Spark应用部署到集群中，通过观察Spark UI的统计信息来获取时间，这样会更准备，尤其是希望观察RDD缓存时对性能带来的提升。
　　为了更好查看Spark UI提供的信息，通过操作方便简单，下面会使用Spark Shell的方式来做测试，这样一来，就可以轻松使用Spark Shell的localhost:8080来查看应用程序的执行信息。

2 数据准备
　　测试是基于大数据计算的经典helloword案例—wordcount程序来进行，所以首先应该准备一定量的数据，这里我准备的数据如下：

yeyonghao@yeyonghaodeMacBook-Pro:~$ ls -lh wordcount_text.txt
-rw-r--r--  1 yeyonghao  staff   127M 10  1 14:24 wordcount_text.txt
　　数据量不用太大，不然就需要等待很长时间，同时在进行RDD缓存时，也有可能会出现没有足够内容来缓存RDD的问题；数据量也不要太小，太小的话，时间差别不大，很难观察出效果。

3 测试

3.1 启动Spark Shell
　　如下：

yeyonghao@yeyonghaodeMacBook-Pro:~$ sudo spark-shell --driver-memory 2G
Password:
log4j:WARN No appenders could be found for logger (org.apache.hadoop.metrics2.lib.MutableMetricsFactory).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
Using Spark's repl log4j profile: org/apache/spark/log4j-defaults-repl.properties
To adjust logging level use sc.setLogLevel("INFO")
Welcome to
____              __
/ __/__  ___ _____/ /__
_\ \/ _ \/ _ `/ __/  '_/
/___/ .__/\_,_/_/ /_/\_\   version 1.6.2
/_/
Using Scala version 2.10.5 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_181)
Type in expressions to have them evaluated.
Type :help for more information.
Spark context available as sc.
18/10/01 14:39:36 WARN Connection: BoneCP specified but not present in CLASSPATH (or one of dependencies)
18/10/01 14:39:36 WARN Connection: BoneCP specified but not present in CLASSPATH (or one of dependencies)
18/10/01 14:39:38 WARN ObjectStore: Version information not found in metastore. hive.metastore.schema.verification is not enabled so recording the schema version 1.2.0
18/10/01 14:39:38 WARN ObjectStore: Failed to get database default, returning NoSuchObjectException
18/10/01 14:39:39 WARN Connection: BoneCP specified but not present in CLASSPATH (or one of dependencies)
18/10/01 14:39:39 WARN Connection: BoneCP specified but not present in CLASSPATH (or one of dependencies)
SQL context available as sqlContext.
3.2 加载文本数据并缓存RDD
　　先加载数据，并设置transformation，如下：

scala> val linesRDD = sc.textFile("/Users/yeyonghao/wordcount_text.txt")
linesRDD: org.apache.spark.rdd.RDD[String] = /Users/yeyonghao/wordcount_text.txt MapPartitionsRDD[1] at textFile at :27
scala> val retRDD = linesRDD.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
retRDD: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[4] at reduceByKey at :29
　　缓存RDD：

scala> retRDD.cache()
res0: retRDD.type = ShuffledRDD[4] at reduceByKey at :29
3.3 初次触发action操作并观察结果
　　注意上面的操作并不会触发Spark的计算操作，只有执行action算子时才会触发，如下：

scala> retRDD.count()
res1: Long = 1388678
　　此时打开Spark UI，观察执行结果：
　　Jobs界面：

　　Stages界面：

　　Storage界面：

　　分析：显然可以看到DAG图中，reduceByKey中有个绿色的点，说明该RDD已经被显示地缓存下来，这样在查看Storage界面时，也可以看到该缓存的RDD，另外需要说明的是，在执行该次操作中，所有的步骤都是需要执行的，然后产生了retRDD之后才将其缓存下来，这样下一次，如果再需要使用到retRDD时，就可以不用执行前面的操作了，可以节省很多时间，当然，不可否认地是，在本次操作中，缓存RDD时也是需要使用一定的时间的。

3.4 再次执行action操作

scala> retRDD.count()
res1: Long = 1388678
　　Jobs界面：

　　Stages界面：

　　Storage界面：

　　分析，通过上面的观察也可以知道，retRDD前面的操作全部都没有执行，它是直接利用缓存的RDD来执行后面的action操作，所以时间上有大幅度地提升。

3.5 不执行RDD缓存，多次执行action操作（重要）
　　重新打开Spark-shell，执行下面的操作：

scala> val linesRDD = sc.textFile("/Users/yeyonghao/wordcount_text.txt")
linesRDD: org.apache.spark.rdd.RDD[String] = /Users/yeyonghao/wordcount_text.txt MapPartitionsRDD[1] at textFile at :27
scala> val retRDD = linesRDD.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
retRDD: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[4] at reduceByKey at :29
scala> retRDD.count()
res0: Long = 1388678
scala> retRDD.count()
res1: Long = 1388678
scala> retRDD.count()
res2: Long = 1388678
　　Jos界面：

　　所有job的stages界面：

　　storage界面：

　　再查看后面两个job其中一个的详细stages界面：

　　可以看到这与前面执行RDD缓存操作之后是一样的，是因为在linestage中，最后一个RDD即便不显示执行RDD缓存的操作，那么它也会保存在内存当中，当然，比如这里的retRDD再执行了一次transformation操作，那么当执行action操作之后`retRDD就不会被缓存下来了，经过迭代式计算之后，它转化为下一个RDD；然而如果是显式缓存了retRDD的操作，在storage界面可以看到它，不管它后面再执行怎么样的操作，retRDD还是会存在内存当中，这就是主动缓存RDD跟非主动缓存RDD的最大区别。

4 说明
　　有很多细节的东西这里是没有办法展示的，这需要进一步去实践操作，如果可以，阅读源码也是十分不错的选择，当然这里也提供了十分不错的验证方式，通过这样一个操作的过程，相信会比在抽象概念上去理解RDD持久化会有更大的提升。