Question

我有一个数据集，它是从cassandra加载到spark中的。加载此数据集后，我将从cassandra中删除一些项目，但我希望我的数据集首先用于下一次计算。我用persist(DISK_ONLY)来解决它，但似乎是最好的努力。如何强制火花以避免重新计算？

示例：

 val dataset:Dataset[Int] = ??? // something from cassandra
 dataset.persist(StorageLevel.DISK_ONLY) // it's best effort
 dataset.count // = 2n
 dataset.persist(_ % 2 == 0).remove // remove from cassandra
 data.count // = n => I need orginal dataset here

Answer 1

Spark cache不打算以这种方式使用。这是一种优化，即使使用最保守的StorageLevels（DISK_ONLY_2），如果工人失败或退役，数据也会丢失并重新计算。

Checkpoint可靠的文件系统可能是更好的选择，但我怀疑可能存在一些边界情况，这可能导致数据丢失。

哟确保正确我强烈建议至少将中间数据写入持久性存储，如分布式文件系统，并将其读回：

dataset.write.format(...).save("persisted/location")
... // Remove data from the source
spark.read.format(...).load("persisted/location") //reading the same again

如何强制火花避免数据集重新计算？

1 个答案: