RDD的Cache、Persist、Checkpoint的区别和StorageLevel存储级别划分

为了增强容错性和高可用，避免上游RDD被重复计算的大量时间开销，Spark RDD设计了包含多种存储级别的缓存和持久化机制，主要有三个概念：Cache、Persist、Checkout。

1、存储级别介绍（StorageLevel）

存储级别以一个枚举类StorageLevel定义，分为以下12种：

StorageLevel枚举类存储级别

存储级别	使用空间	CPU时间	是否在内存中	是否在磁盘上	备注
NONE	否	否	否	否	不使用任何存储
DISK_ONLY	低	高	否	是	只存在磁盘上
DISK_ONLY_2	低	高	否	是	数据存2份
MEMORY_ONLY	高	低	是	否	只存在内存中
MEMORY_ONLY_2	高	低	是	否	数据存2份
MEMORY_ONLY_SER	低	高	是	否	数据序列化存储
MEMORY_ONLY_SER_2	低	高	是	否	数据序列化后存2份
MEMORY_AND_DISK	高	中等	部分	部分	若数据在内存中放不下，就溢出写到磁盘上
MEMORY_AND_DISK_2	高	中等	部分	部分	数据存2份
MEMORY_AND_DISK_SER	低	高	部分	部分	数据序列化后，先存内存，内存放不下就溢写到磁盘
MEMORY_AND_DISK_SER_2	低	高	部分	部分	数据存2份
OFF_HEAP					使用JVM堆外内存，利用java unsafe API实现的内存管理 优点：在内存有限时，可以减少频繁GC及不必要的内存消耗（减少内存的使用，），提升程序性能。 缺点：没有数据备份，也不能像alluxio那样保证数据高可用，丢失数据则需要重新计算。

2、Cache 和 Persist 的区别

  /**
   * Persist this RDD with the default storage level (`MEMORY_ONLY`).
   */
  def persist(): this.type = persist(StorageLevel.MEMORY_ONLY)

  /**
   * Persist this RDD with the default storage level (`MEMORY_ONLY`).
   */
  def cache(): this.type = persist()

上面是RDD的cache和persist的源代码，可以看出，cache方法本质上调用了空参数的persist方法，而空参数的persist方法又调用了“MEMORY_ONLY”参数的persist方法，也就是说，cache是MEMORY_ONLY级别的缓存存储，是一个特殊的persist。

3、Persist

persist方法提供了丰富的存储级别，可以满足多样性的缓存需求

  /**
   * Mark this RDD for persisting using the specified level.
   *
   * @param newLevel the target storage level
   * @param allowOverride whether to override any existing level with the new one
   */
  private def persist(newLevel: StorageLevel, allowOverride: Boolean): this.type = {
    // TODO: Handle changes of StorageLevel
    if (storageLevel != StorageLevel.NONE && newLevel != storageLevel && !allowOverride) {
      throw new UnsupportedOperationException(
        "Cannot change storage level of an RDD after it was already assigned a level")
    }
    // If this is the first time this RDD is marked for persisting, register it
    // with the SparkContext for cleanups and accounting. Do this only once.
    if (storageLevel == StorageLevel.NONE) {
      sc.cleaner.foreach(_.registerRDDForCleanup(this))
      sc.persistRDD(this)
    }
    storageLevel = newLevel
    this
  }

  /**
   * Set this RDD's storage level to persist its values across operations after the first time
   * it is computed. This can only be used to assign a new storage level if the RDD does not
   * have a storage level set yet. Local checkpointing is an exception.
   */
  def persist(newLevel: StorageLevel): this.type = {
    if (isLocallyCheckpointed) {
      // This means the user previously called localCheckpoint(), which should have already
      // marked this RDD for persisting. Here we should override the old storage level with
      // one that is explicitly requested by the user (after adapting it to use disk).
      persist(LocalRDDCheckpointData.transformStorageLevel(newLevel), allowOverride = true)
    } else {
      persist(newLevel, allowOverride = false)
    }
  }

  /**
   * Persist this RDD with the default storage level (`MEMORY_ONLY`).
   */
  def persist(): this.type = persist(StorageLevel.MEMORY_ONLY)

persist方法包含三个实现，但可以看出，空参数的persist其实调用了单参数的persist方法，单参数的persist方法又调用了双参数的persist方法，在双参数persist中排除了一种情况，之后按照最新存储级别执行存储，存储流程的细节以后再分析。

3、Checkpoint和Persist的区别

	Persist	Checkpoint
位置	persist和cache只能保存在本地的磁盘和内存中（或者堆外内存）	数据必须保存在HDFS分布式文件系统中
生命周期	cache和persist的RDD会在程序结束后被清除或者可以手动调用unpersist清除	由于在HDFS上，程序结束结束后依然存在，不会被删除
RDD血统和依赖链	persist和cache会保留RDD的血统和依赖关系，原因是这两种持久化方式是不可靠的。 如果出现Executor宕机等故障，那么持久化的数据就会丢失，那么修复后可以回溯血统重新计算RDD	HDFS天然支持高可靠存储，即checkpoint的持久化就是绝对可靠的， 所以checkpoint会折断依赖链，不需要回溯
额外Job	persist和cache有RDD血统链，不需要开启额外Job执行操作	checkpoint会通过sc.runJob()开启一个额外Job来执行RDD写入HDFS的操作

综上，可以得出，cache是一个特殊的persist，persist是保留RDD血统的不可靠持久化方式，checkpoint是安全可靠、不保留RDD血统的持久化方式； 如果不考虑OOM等异常可能性大小，且单论性能的话，Cache > Persist > Checkpoint