- 如何打造数据治理闭环?以保[2022-06-16]
- 什么样的公司需要数据治理?[2022-06-15]
- “互联网+政务服务”下的数[2022-06-14]
- 我国数据安全治理研究[2022-06-13]
- 反洗钱视角下的数据治理[2022-06-10]
- 浅谈数据质量管理[2022-06-08]
- 做数据治理前,必须了解并避[2022-06-07]
- 企业数据治理团队的十大职[2022-06-06]
- 浅谈数据质量管理[2022-06-02]
- 数据治理的三种共享范式[2022-06-01]
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
1. from pyspark.sql import SparkSession
2. spark = SparkSession\
3. .builder\
4. .appName("Cache Demo")\
5. .master("spark://10.206.132.113:7077") \
6. .config('spark.driver.memory', '5g') \
7. .config('spark.executor.memory', '5g') \
8. .config("spark.cores.max", 20) \
9. .getOrCreate()
分别读两个文件做测试, 并且其中一个使用Cache
1. ds1 = spark.read.json(os.path.join(data_path, "data.2018-01-04"))
2. ds2 = spark.read.json(os.path.join(data_path, "data.2018-01-05"))
3. ds1.cache() # 对于第一个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:
1. import time
2. def calc_timing(ds, app_name) :
3. t1 = time.time()
4. related = ds.filter("app_name = '%s'" % app_name)
5. _1stRow = related.first()
6. t2 = time.time()
7. print "cost time:", t2 - t1
测试结果:
1. calc_timing(ds1, "DrUnzip") # cost time: 13.3130679131
2. calc_timing(ds2, "DrUnzip") # cost time: 18.0472488403
3. calc_timing(ds1, "DrUnzip") # cost time: 0.868658065796
4. 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.