spark筆記之RDD容錯機制之checkpoint

　　1.checkpoint是什么

　　(1)、Spark 在生產環(huán)境下經常會面臨transformation的RDD非常多(例如一個Job中包含1萬個RDD)或者具體transformation的RDD本身計算特別復雜或者耗時(例如計算時長超過1個小時)，這個時候就要考慮對計算結果數(shù)據(jù)持久化保存;

　　(2)、Spark是擅長多步驟迭代的，同時擅長基于Job的復用，這個時候如果能夠對曾經計算的過程產生的數(shù)據(jù)進行復用，就可以極大的提升效率;

　　(3)、如果采用persist把數(shù)據(jù)放在內存中，雖然是快速的，但是也是最不可靠的;如果把數(shù)據(jù)放在磁盤上，也不是完全可靠的!例如磁盤會損壞，系統(tǒng)管理員可能清空磁盤。

　　(4)、Checkpoint的產生就是為了相對而言更加可靠的持久化數(shù)據(jù)，在Checkpoint的時候可以指定把數(shù)據(jù)放在本地，并且是多副本的方式，但是在生產環(huán)境下是放在HDFS上，這就天然的借助了HDFS高容錯、高可靠的特征來完成了最大化的可靠的持久化數(shù)據(jù)的方式;

　　假如進行一個1萬個算子操作，在9000個算子的時候persist，數(shù)據(jù)還是有可能丟失的，但是如果checkpoint，數(shù)據(jù)丟失的概率幾乎為0。

　　2.checkpoint原理機制

　　(1)當RDD使用cache機制從內存中讀取數(shù)據(jù)，如果數(shù)據(jù)沒有讀到，會使用checkpoint機制讀取數(shù)據(jù)。此時如果沒有checkpoint機制，那么就需要找到父RDD重新計算數(shù)據(jù)了，因此checkpoint是個很重要的容錯機制。checkpoint就是對于一個RDD chain(鏈)如果后面需要反復使用某些中間結果RDD，可能因為一些故障導致該中間數(shù)據(jù)丟失，那么就可以針對該RDD啟動checkpoint機制，使用checkpoint首先需要調用sparkContext的setCheckpoint方法，設置一個容錯文件系統(tǒng)目錄，比如hdfs，然后對RDD調用checkpoint方法。之后在RDD所處的job運行結束后，會啟動一個單獨的job來將checkpoint過的數(shù)據(jù)寫入之前設置的文件系統(tǒng)持久化，進行高可用。所以后面的計算在使用該RDD時，如果數(shù)據(jù)丟失了，但是還是可以從它的checkpoint中讀取數(shù)據(jù)，不需要重新計算。

　　(2)persist或者cache與checkpoint的區(qū)別在于,前者持久化只是將數(shù)據(jù)保存在BlockManager中但是其lineage是不變的，但是后者checkpoint執(zhí)行完后，rdd已經沒有依賴RDD，只有一個checkpointRDD，checkpoint之后，RDD的lineage就改變了。persist或者cache持久化的數(shù)據(jù)丟失的可能性更大，因為可能磁盤或內存被清理，但是checkpoint的數(shù)據(jù)通常保存到hdfs上，放在了高容錯文件系統(tǒng)。

作者：傳智播客云計算大數(shù)據(jù)培訓學院

首發(fā)：http://http://cloud.itcast.cn/