RDD容錯機(jī)制？RDD是如何恢復(fù)數(shù)據(jù)的？

RDD是一個容錯的、并行的數(shù)據(jù)結(jié)構(gòu)，可以讓用戶顯式地將數(shù)據(jù)存儲到磁盤和內(nèi)存中，并且還能控制數(shù)據(jù)的分區(qū)。對于迭代式計算和交互式數(shù)據(jù)挖掘，RDD可以將中間計算的數(shù)據(jù)結(jié)果保存在內(nèi)存中，當(dāng)Spark集群中的某一個節(jié)點(diǎn)由于宕機(jī)導(dǎo)致數(shù)據(jù)丟失，就可以通過Spark中的RDD進(jìn)行容錯恢復(fù)已經(jīng)丟失的數(shù)據(jù)。RDD提供了兩種故障恢復(fù)的方式，分別是血統(tǒng)（Lineage）方式和設(shè)置檢查點(diǎn)（checkpoint）方式。下面，我們就來介紹一下這兩種方式。

血統(tǒng)（Lineage）方式，主要是根據(jù)RDD之間的依賴關(guān)系對丟失數(shù)據(jù)的RDD進(jìn)行數(shù)據(jù)恢復(fù)。如果丟失數(shù)據(jù)的子RDD在進(jìn)行窄依賴運(yùn)算，則只需要把丟失數(shù)據(jù)的父RDD的對應(yīng)分區(qū)進(jìn)行重新計算即可，不需要依賴其他的節(jié)點(diǎn)，并且在計算過程中不會存在冗余計算；若丟失數(shù)據(jù)的RDD進(jìn)行寬依賴運(yùn)算，則需要父RDD的所有分區(qū)都要進(jìn)行從頭到尾的計算，在計算過程中會存在冗余計算。為了解決寬依賴運(yùn)算中出現(xiàn)的計算冗余問題，Spark又提供了另一種方式進(jìn)行數(shù)據(jù)容錯，即設(shè)置檢查點(diǎn)（checkpoint）方式。

設(shè)置檢查點(diǎn)（checkPoint）方式，本質(zhì)上是將RDD寫入磁盤進(jìn)行存儲。當(dāng)RDD在進(jìn)行寬依賴運(yùn)算時，只需要在中間階段設(shè)置一個檢查點(diǎn)進(jìn)行容錯，即通過Spark中的sparkContext對象調(diào)用setCheckpoint()方法，設(shè)置一個容錯文件系統(tǒng)目錄（如HDFS）作為檢查點(diǎn)checkpoint，將checkpoint的數(shù)據(jù)寫入之前設(shè)置的容錯文件系統(tǒng)中進(jìn)行高可用的持久化存儲，若是后面有節(jié)點(diǎn)出現(xiàn)宕機(jī)導(dǎo)致分區(qū)數(shù)據(jù)丟失，則可以從做檢查點(diǎn)的RDD開始重新計算即可，不需要進(jìn)行從頭到尾的計算，這樣就會減少開銷。

RDD為什么要進(jìn)行數(shù)據(jù)持久化？持久化詳細(xì)操作步驟示例

怎樣使用Linux和HDFS創(chuàng)建RDD？

RDD是如何操作數(shù)據(jù)轉(zhuǎn)換的？RDD轉(zhuǎn)換算子API示例

傳智教育大數(shù)據(jù)培訓(xùn)課程