PySpark StorageLevel

StorageLevel决定了RDD应该如何被存储。在Apache Spark中，StorageLevel决定RDD是否应该存储在内存中，还是应该存储在磁盘上，或者两者都存储。它还决定是否对RDD进行序列化，以及是否对RDD分区进行复制。

下面的代码块有一个StorageLevel的类定义：

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

现在，为了决定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的例子，我们使用存储级别 MEMORY_AND_DISK_2， 这意味着RDD分区的复制将是2。

------------------------------------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 - 上述命令的输出情况如下

Disk Memory Serialized 2x Replicated