spark会自动缓存一些结果吗？

Question

我两次运行一个动作，第二次运行时间很少，所以我怀疑spark会自动缓存一些结果。但我确实找到了任何来源。

我正在使用 Spark1.4。

doc = sc.textFile('...')
doc_wc = doc.flatMap(lambda x: re.split('\W', x))\
            .filter(lambda x: x != '') \
            .map(lambda word: (word, 1)) \
            .reduceByKey(lambda x,y: x+y) 
%%time
doc_wc.take(5) # first time
# CPU times: user 10.7 ms, sys: 425 µs, total: 11.1 ms
# Wall time: 4.39 s

%%time
doc_wc.take(5) # second time
# CPU times: user 6.13 ms, sys: 276 µs, total: 6.41 ms
# Wall time: 151 ms

Answer 1

来自the documentation：

Spark 还会在 shuffle 操作（例如 reduceByKey）中自动持久化一些中间数据，即使没有用户调用 persist。这样做是为了避免在洗牌期间节点失败时重新计算整个输入。如果用户打算重用它，我们仍然建议用户在生成的 RDD 上调用 persist。

底层文件系统也将缓存对磁盘的访问。