文章目录
零、本讲学习目标 一、RDD容错机制
二、RDD检查点 （一）RDD检查点机制 （二）与RDD持久化的区别 （三）RDD检查点案例演示 三、共享变量 （一）广播变量 1、默认情况下变量的传递 2、使用广播变量时变量的传递 （二）累加器
了解RDD容错机制 理解RDD检查点机制的特点与用处 理解共享变量的类别、特点与使用 当Spark集群中的某一个节点由于宕机导致数据丢失，则可以通过Spark中的RDD进行容错恢复已经丢失的数据。RDD提供了两种故障恢复的方式，分别是血统（Lineage）方式 和设置检查点（checkpoint）方式 。 根据RDD之间依赖关系对丢失数据的RDD进行数据恢复。若丢失数据的子RDD进行窄依赖运算，则只需要把丢失数据的父RDD的对应分区进行重新计算，不依赖其他节点，并且在计算过程中不存在冗余计算；若丢失数据的RDD进行宽依赖运算，则需要父RDD所有分区都要进行从头到尾计算，计算过程中存在冗余计算。 本质是将RDD写入磁盘存储。当RDD进行宽依赖运算时，只要在中间阶段设置一个检查点进行容错，即Spark中的sparkContext调用setCheckpoint()方法，设置容错文件系统目录作为检查点checkpoint，将checkpoint的数据写入之前设置的容错文件系统中进行持久化存储，若后面有节点宕机导致分区数据丢失，则以从做检查点的RDD开始重新计算，不需要从头到尾的计算，从而减少开销。 RDD的检查点机制（Checkpoint）相当于对RDD数据进行快照，可以将经常使用的RDD快照到指定的文件系统中，最好是共享文件系统，例如HDFS。当机器发生故障导致内存或磁盘中的RDD数据丢失时，可以快速从快照中对指定的RDD进行恢复，而不需要根据RDD的依赖关系从头进行计算，大大提高了计算效率。 cache()或者persist()是将数据存储于机器本地的内存或磁盘，当机器发生故障时无法进行数据恢复，而检查点是将RDD数据存储于外部的共享文件系统（例如HDFS），共享文件系统的副本机制保证了数据的可靠性。 在Spark应用程序执行结束后，cache()或者persist()存储的数据将被清空，而检查点存储的数据不会受影响，将永久存在，除非手动将其移除。因此，检查点数据可以被下一个Spark应用程序使用，而cache()或者persist()数据只能被当前Spark应用程序使用。 在net.huawei.rdd包里创建CheckpointDemo对象 package net. huawei. rdd
import org. apache. spark. rdd. RDD
import org. apache. spark. { SparkConf, SparkContext}
object CheckpointDemo {
def main( args: Array[ String ] ) : Unit = {
System. setProperty( "HADOOP_USER_NAME" , "root" )
val conf = new SparkConf( )
conf. setAppName( "Spark-CheckpointDemo" )
conf. setMaster( "local[2]" )
conf. set( "spark.testing.memory" , "2147480000" )
val sc = new SparkContext( conf)
sc. setCheckpointDir( "hdfs://master:9000/spark-ck" )
val rdd: RDD[ Int ] = sc. parallelize( List( 1 , 1 , 2 , 3 , 5 , 8 , 13 ) )
val resultRDD = rdd. filter( _ >= 5 )
resultRDD. cache( )
resultRDD. checkpoint( )
val result: String = resultRDD. collect( ) . mkString( ", " )
println( result)
val count = resultRDD. count( )
println( count)
sc. stop( )
}
}
上述代码使用checkpoint()方法将RDD标记为检查点（只是标记，遇到行动算子才会执行）。在第一次行动计算时，被标记为检查点的RDD的数据将以文件的形式保存在setCheckpointDir()方法指定的文件系统目录中，并且该RDD的所有父RDD依赖关系将被移除，因为下一次对该RDD计算时将直接从文件系统中读取数据，而不需要根据依赖关系重新计算。 Spark建议，在将RDD标记为检查点之前，最好将RDD持久化到内存，因为Spark会单独启动一个任务将标记为检查点的RDD的数据写入文件系统，如果RDD的数据已经持久化到了内存，将直接从内存中读取数据，然后进行写入，提高数据写入效率，否则需要重复计算一遍RDD的数据。 创建检查点保存数据的目录 运行程序，在控制台查看结果 查看HDFS检查点目录，执行命令：hdfs dfs -ls -R /spark-ck 通常情况下，Spark应用程序运行的时候，Spark算子（例如map(func)或filter(func)）中的函数func会被发送到远程的多个Worker节点上执行，如果一个算子中使用了某个外部变量，该变量就会复制到Worker节点的每一个Task任务中，各个Task任务对变量的操作相互独立。当变量所存储的数据量非常大时（例如一个大型集合）将增加网络传输及内存的开销。因此，Spark提供了两种共享变量：广播变量和累加器。 广播变量是将一个变量通过广播的形式发送到每个Worker节点的缓存中，而不是发送到每个Task任务中，各个Task任务可以共享该变量的数据。因此，广播变量是只读的。 map()算子传入的函数中使用外部变量arr scala> val arr = Array( 1 , 2 , 3 , 4 , 5 )
scala> val lines = sc. textFile( "data.txt" )
scala> val result = lines. map( ( _, arr) )
scala> result. collect( )
上述代码中，传递给map()算子的函数(_, arr)会被发送到Executor端执行，而变量arr将发送到Worker节点的所有Task任务中。变量arr传递的流程如下图所示。 假设变量arr存储的数据量大小有100MB，则每一个Task任务都需要维护100MB的副本，若某一个Executor中启动了3个Task任务，则该Executor将消耗300MB内存。 广播变量其实是对普通变量的封装，在分布式函数中可以通过Broadcast对象的value方法访问广播变量的值 使用广播变量将数组arr传递给map()算子 scala> val arr = Array( 1 , 2 , 3 , 4 , 5 )
scala> val broadcastVar = sc. broadcast( arr)
scala> val lines = sc. textFile( "data.txt" )
scala> val result = lines. map( ( _, broadcastVar) )
scala> result. collect( )
上述代码使用broadcast()方法向集群发送（广播）了一个只读变量，该方法只发送一次，并返回一个广播变量broadcastVar，该变量是一个org.apache.spark.broadcast.Broadcast对象。Broadcast对象是只读的，缓存在集群的每个Worker节点中。使用广播变量进行变量传递的流程如下图所示。 Worker节点的每个Task任务共享唯一的一份广播变量，大大减少了网络传输和内存开销。 输出result的数据 累加器提供了将Worker节点的值聚合到Driver的功能，可以用于实现计数和求和。 对一个整型数组求和 上述代码由于sum变量在Driver中定义，而累加操作sum = sum + x会发送到Executor中执行，因此输出结果不正确。 对一个整型数组求和 scala> val myacc = sc. longAccumulator( "My Accumulator" )
scala> val rdd = sc. makeRDD( Array( 1 , 2 , 3 , 4 , 5 ) )
scala> rdd. foreach( x => myacc. add( x) )
scala> println( "sum = " + myacc. value)
上述代码通过调用SparkContext对象的longAccumulator ()方法创建了一个Long类型的累加器，默认初始值为0。也可以使用doubleAccumulator()方法创建Double类型的累加器。 累加器只能在Driver端定义，在Executor端更新。Executor端不能读取累加器的值，需要在Driver端使用value属性读取。
