spark中的cache和checkpoint

cache 缓存级别

DataFrame 的 cache 默认采用 MEMORY_AND_DISK
RDD 的 cache 默认方式采用 MEMORY_ONLY

释放缓存和缓存

缓存：(1)dataFrame.cache (2)sparkSession.catalog.cacheTable(“tableName”)
释放缓存：(1)dataFrame.unpersist (2)sparkSession.catalog.uncacheTable(“tableName”)

缓存和检查点区别

1）Cache 缓存只是将数据保存起来，不切断血缘依赖。Checkpoint 检查点切断血缘依 赖。
2）Cache 缓存的数据通常存储在磁盘、内存等地方，可靠性低。Checkpoint 的数据通 常存储在 HDFS 等容错、高可用的文件系统，可靠性高。
3）建议对 checkpoint()的 RDD 使用 Cache 缓存，这样 checkpoint 的 job 只需从 Cache 缓存中读取数据即可，否则需要再从头计算一次 RDD。

分区

1）默认采用 Hash 分区
缺点：可能导致每个分区中数据量的不均匀，极端情况下会导致某些分区拥有 RDD 的 全部数据。
2）Ranger 分区： 要求 RDD 中的 KEY 类型必须可以排序。
3）自定义分区 根据需求，自定义分区。

SparkSQL 中 RDD、DataFrame、DataSet