performance - 火花检查点比缓存更快吗？

Question

在我的 spark 应用程序中，我正在读取 spark rdd 中的几个 hive 表，然后稍后对这些 rdds 执行一些转换。rdd.cache()为了避免重新计算，我使用orrdd.persist()和方法缓存了这些 rdds rdd.checkpoint()。

根据 spark 文档和在线参考资料，我认为检查点操作比缓存更昂贵。尽管缓存保持 rdd 沿袭，并且检查点会破坏它，但检查点会从 HDFS 写入和读取。

在我的案例中观察到的奇怪的事情是，我看到检查点阶段比缓存/持久化（仅内存）更快（近 2 倍）。我跑了多次，结果仍然相似。

我无法理解为什么会这样。任何帮助都会有所帮助。

Answer 1

我最近运行了类似的基准测试，我也遇到了同样的情况：checkpoint()尽管 I/O 更多，但速度更快。我的解释是，保留整个血统是一项昂贵的操作。

我在 1、10、100、1000、10000、100000、1000000、2000000、10m 和更多记录上运行基准测试，检查点总是更快。沿袭非常简单（记录过滤，然后是几个聚合）。存储在 NVMe 驱动器上是本地的（不通过网络阻塞）。我想这真的取决于很多标准。