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
- from pyspark.sql import SparkSession
- spark = SparkSession
- .builder
- .appName("Cache Demo")
- .master("spark://10.206.132.113:7077")
- .config('spark.driver.memory', '5g')
- .config('spark.executor.memory', '5g')
- .config("spark.cores.max", 20)
- .getOrCreate()
分别读两个文件做测试, 并且其中一个使用Cache
- ds1 = spark.read.json(os.path.join(data_path, "data.2018-01-04"))
- ds2 = spark.read.json(os.path.join(data_path, "data.2018-01-05"))
- ds1.cache() # 对于***个dataframe进行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：
- import time
- def calc_timing(ds, app_name) :
- t1 = time.time()
- related = ds.filter("app_name = '%s'" % app_name)
- _1stRow = related.first()
- t2 = time.time()
- print "cost time:", t2 - t1
测试结果：
- calc_timing(ds1, "DrUnzip") # cost time: 13.3130679131
- calc_timing(ds2, "DrUnzip") # cost time: 18.0472488403
- calc_timing(ds1, "DrUnzip") # cost time: 0.868658065796
- calc_timing(ds2, "DrUnzip") # cost time: 15.8150720596
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***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.
