零、本讲学习目标

1. 了解RDD容错机制
2. 理解RDD检查点机制的特点与用处
3. 理解共享变量的类别、特点与使用

一、RDD容错机制

• 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。

（一）血统方式

• 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。

（二）设置检查点方式

• 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。

二、RDD检查点

（一）RDD检查点机制

• 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。

（二）与RDD持久化的区别

• 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。

（三）RDD检查点案例演示

• 在net.cl.rdd包里创建day06子包，然后在子包里创建CheckPointDemo对象

package net.cl.rdd.day06import org.apache.spark.{SparkConf, SparkContext}object CheckPointDemo {def main(args: Array[String]): Unit = {// 创建Spark配置对象val conf = new SparkConf().setAppName("CheckPointDemo") // 设置应用名称.setMaster("local[*]") // 设置主节点位置（本地调试）// 基于Spark配置对象创建Spark容器val sc = new SparkContext(conf)// 设置检查点数据存储路径（目录会自动创建的）sc.setCheckpointDir("hdfs://master:9000/spark-ck")// 基于集合创建RDDval rdd = sc.makeRDD(List(1, 1, 2, 3, 5, 8, 13))// 过滤大于或等于5的数据，生成新的RDDval rdd1 = rdd.filter(_ >= 5)// 将rdd1持久化到内存rdd1.cache(); // 相当于无参persist()方法// 将rdd1标记为检查点rdd1.checkpoint();// 第一次行动算子 - 采集数据，将标记为检查点的RDD数据存储到指定位置val result = rdd1.collect.mkString(", ")println("rdd1的元素：" + result)// 第二次行动算子 - 计算个数，直接从缓存里读取rdd1的数据，不用从头计算val count = rdd1.countprintln("rdd1的个数：" + count)// 停止Spark容器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。

• 运行程序，在控制台查看结果

• 利用Hadoop WebUI查看HDFS检查点目录

• 查看红色框里的目录

• 查看rdd-1目录

• 因为执行了sc.stop()语句，关闭了Spark容器，缓存的数据就被清除了，当然也无法访问Spark的存储数据。

三、共享变量

• 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。

（一）广播变量

• 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。
• 准备工作：在/home目录里创建data.txt

• 上传到HDFS的/park目录

1、默认情况下变量的传递

• map()算子传入的函数中使用外部变量arr

val arr = Array(1, 2, 3, 4, 5)
val lines = sc.textFile("hdfs://master:9000/park/data.txt")
val result = lines.map((_, arr))
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。

2、使用广播变量时变量的传递

• 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

val arr = Array(1, 2, 3, 4, 5)
val broadcastVar = sc.broadcast(arr) // 定义广播变量
val lines = sc.textFile("hdfs://master:9000/park/data.txt")
val result = lines.map((_, broadcastVar)) // 算子携带广播变量
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。
• 通过遍历算子输出arr结果

• 通过双重循环输出result的数据

（二）累加器

1、累加器功能

2、不使用累加器

val myacc = sc.longAccumulator("acc") // 在Driver里声明累加器
val rdd = sc.makeRDD(Array(1, 2, 3, 4, 5)) // 创建RDD
rdd.foreach(x => myacc.add(x)) // 在Executor里向累加器添加值
println("sum = " + myacc.value) // 在Driver里输出累加结果