isEmpty类型的action算子需要cache吗？

有的时候，需要判断rdd.isEmpty()，以决定是否需要后续操作。而这个isEmpty方法是个action算子。也就是说如果rdd不为空，需要做后续操作的话，那么这个rdd的创建过程可能就执行了两遍。那么rdd需要cache吗？

进入isEmpty方法

 def isEmpty(): Boolean = withScope {
 partitions.length == 0 || take(1).length == 0
 }

如果这个rdd是从kafka读出来的，那么partitions.length == 0这个判断就为false,会进入take(num = 1)方法,

 def take(num: Int): Array[T] = withScope {
 // 扫描范围扩大因子
 val scaleUpFactor = Math.max(conf.getInt("spark.rdd.limit.scaleUpFactor", 4), 2)
 if (num == 0) {
 new Array[T](0)
 } else {
 // 保存take的结果
 val buf = new ArrayBuffer[T]
 // 总共的分区个数
 val totalParts = this.partitions.length
 // 浏览过的分区个数
 var partsScanned = 0
 // 结果中的记录数小于take需要的num，并且浏览过的分区数小于总分区数
 while (buf.size < num && partsScanned < totalParts) {
 // 应该浏览的分区个数
 // 最开始为1，也就是先尝试从第0个分区取记录，如果一个这个分区的记录数不够，再浏览其他分区
 var numPartsToTry = 1L
 
 val left = num - buf.size
 if (partsScanned > 0) {
 // 进入到这个判断里说明不是第一次循环，上次浏览的分区取出来的记录数量还不够num，这时就需要扩大应该本次应该浏览的分区数了
 if (buf.isEmpty) {
 numPartsToTry = partsScanned * scaleUpFactor
 } else {
 // 已经浏览过的分区个数 * (剩余要访问的记录数与已经访问过的记录数的比值)，再扩大50%，得出还需要浏览的分区个数
 numPartsToTry = Math.ceil(1.5 * left * partsScanned / buf.size).toInt
 numPartsToTry = Math.min(numPartsToTry, partsScanned * scaleUpFactor)
 }
 }
 // p是应该浏览的分区索引数组，标明哪些分区应该被浏览
 val p = partsScanned.until(math.min(partsScanned + numPartsToTry, totalParts).toInt)
 // 按指定的分区执行“小规模”job
 // 这里it.take(left)会让各分区的迭代器只迭代当前buf所需要的记录数。根据迭代器模式，可知这里并不会遍历整个分区的数据再从中拿出left条记录
 val res = sc.runJob(this, (it: Iterator[T]) => it.take(left).toArray, p)
 // 将job的结果塞进buf中
 // 这里使用_.take(num - buf.size)，保证buf的记录数量不会超过num
 res.foreach(buf ++= _.take(num - buf.size))
 partsScanned += p.size
 }
 buf.toArray

从源码中可见，
如果take的num不超过第0个分区里的记录数，那么会发生一次“小规模job”，总共访问过的记录数=num；
如果超过了，就会再在更大的范围（更多分区中）查找更少的剩余需要take出来的记录数，从而产生一个“中等规模job”，可能使总共访问过的记录数>num；

举个例子

val rdd = sc.makeRDD(Seq(1, 2, 3, 4, 5, 6, 7, 8, 9, 10), 5)
rdd.cache().take(5).foreach(println)

1.取出第0个分区的(1,2)，buf的size=2，left=3
2.算出还需要从2.25≈3个分区(第1,2,3号分区)中各取3条记录（但各分区只有两条，所以取了2条）
3.第2步取出的(3,4),(5,6),(7,8)这三组共6条数据，塞入buf中。buf只还需要3条，所以只塞进(3,4,5)
4.返回结果buf(1,2,3,4,5)


由图可见，总共执行了两次job，第一次1个分区，第二次3个分区。并且缓存了4个分区。
顺便提一点，cache()是以分区为最小单位的，如果只需要遍历的某个分区的一小部分数据，用了cache，也会把整个分区都遍历一次缓存起来。

回答最初的问题

1.isEmpty()，只会从rdd产生的源头中遍历第一条数据，如果不cache()，它只会从数据源访问一条数据。如果cache了，会遍历第0个分区的所有数据并缓存；
2.这个rdd如果在后面是的代码中不被使用的话，就不要cache，否则可以cache。