PySpark StorageLevel

StorageLevel决定如何存储RDD。在Apache Spark中，StorageLevel决定RDD是应该存储在内存中还是存储在磁盘上，或两者都存储。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，为了确定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：

Disk Memory Serialized 2x Replicated

Apache Spark提供了一个名为 MLlib 的机器学习API。PySpark也在Python中使用这个机器学习API。它支持不同类型的算法，如下所述：mllib.classification - spar ...