PySpark - StorageLevel 存储级别

StorageLevel 决定了 RDD 应该如何存储。 在 Apache Spark 中，StorageLevel 决定 RDD 应该存储在内存中还是应该存储在磁盘上，或者两者兼而有之。 它还决定是否序列化 RDD 以及是否复制 RDD 分区。

以下代码块具有 StorageLevel 的类定义 −

class pyspark.StorageLevel(useDisk, useMemory, useOffHeap, deserialized, replication = 1)

现在，要决定RDD的存储，有不同的存储级别，如下所示 −

• DISK_ONLY = StorageLevel(True, False, False, False, 1)

• DISK_ONLY_2 = StorageLevel(True, False, False, False, 2)

• MEMORY_AND_DISK = StorageLevel(True, True, False, False, 1)

• MEMORY_AND_DISK_2 = StorageLevel(True, True, False, False, 2)

• MEMORY_AND_DISK_SER = StorageLevel(True, True, False, False, 1)

• MEMORY_AND_DISK_SER_2 = StorageLevel(True, True, False, False, 2)

• MEMORY_ONLY = StorageLevel(False, True, False, False, 1)

• MEMORY_ONLY_2 = StorageLevel(False, True, False, False, 2)

• MEMORY_ONLY_SER = StorageLevel(False, True, False, False, 1)

• MEMORY_ONLY_SER_2 = StorageLevel(False, True, False, False, 2)

• OFF_HEAP = StorageLevel(True, True, True, False, 1)

让我们考虑以下 StorageLevel 示例，其中我们使用存储级别 MEMORY_AND_DISK_2， 这意味着 RDD 分区将具有 2 的复制。

------------------------------------storagelevel.py-------------------------------------
from pyspark import SparkContext
import pyspark
sc = SparkContext (
   "local", 
   "storagelevel app"
)
rdd1 = sc.parallelize([1,2])
rdd1.persist( pyspark.StorageLevel.MEMORY_AND_DISK_2 )
rdd1.getStorageLevel()
print(rdd1.getStorageLevel())
------------------------------------storagelevel.py-------------------------------------

命令 − 命令如下 −

$SPARK_HOME/bin/spark-submit storagelevel.py

输出 − 上述命令的输出如下所示 −

Disk Memory Serialized 2x Replicated