Spark笔记整理（十三）：RDD持久化性能测试（图文并茂）

[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 <console>:27

scala> val retRDD = linesRDD.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
retRDD: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[4] at reduceByKey at <console>:29

缓存

RDD

：

scala> retRDD.cache()
res0: retRDD.type = ShuffledRDD[4] at reduceByKey at <console>: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 4000 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 <console>:27

scala> val retRDD = linesRDD.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
retRDD: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[4] at reduceByKey at <console>: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。

阅读更多