spark checkpoint 和 RDD

• spark checkpoint 可以切断血缘关系，持久化再hdfs上，在checkpoint 之后的RDD后就无法知道血缘关系，直接从checkpoint的hdfs上拿到数据，在宽依赖上做Checkpoint获得的收益更大。
• rdd 分区，只读，依赖，缓存(spark 非常快的原因之一)，checkpoint（ 为了通过lineage做容错的辅助）

checkpoint 实现方式

• persist() 和 cache () 区别
  cache 会直接将对象存在在jvm内存中缓存，不进行序列化
  persist 会进行序列化然后存储在缓存中，可以选择存储级别和是否进行序列化
  注意：
  缓存有可能丢失，或者存储于内存的数据由于内存不足而被删除，RDD的缓存容错机制保证了即使缓存丢失也能保证计算的正确执行

sc.setCheckpointDir("hdfs://master01:9000/checkpoint")
data.checkpoint

checkpoint 写调用流程

• 触发动作是action

1. 在所有 job action 的时候， runJob 方法中都会调用 rdd.doCheckpoint , 这个会向前递归调用所有的依赖的RDD， 看看需不需要 checkpoint。 需要需要 checkpoint， 然后调用 checkpointData.get.checkpoint()， 里面标记 状态为 CheckpointingInProgress， 里面调用具体实现类的 ReliableRDDCheckpointData 的 doCheckpoint 方法，
2. doCheckpoint -> writeRDDToCheckpointDirectory， 注意这里会把 job 再运行一次， 如果已经cache 了，就可以直接使用缓存中的 RDD 了， 就不需要重头计算一遍了（怎么又说了一遍）， 这时候直接把RDD， 输出到 hdfs， 每个分区一个文件， 会先写到一个临时文件， 如果全部输出完，进行 rename ， 如果输出失败，就回滚delete。

3. 标记 状态为 Checkpointed， markCheckpointed方法中清除所有的依赖， 怎么清除依赖的呢， 就是把RDD 变量的强引用 设置为 null， 垃圾回收了，会触发 ContextCleaner 里面监听清除实际 BlockManager 缓存中的数据

   
   image.png

checkpoint 读流程

• 如果 一个 RDD 被checkpoint了， 如果这个 RDD 上有 action 操作时候，或者回溯的这个 RDD 的时候,这个 RDD 进行计算的时候，里面判断如果已经 checkpoint 过, 对分区和依赖的处理都是使用的 RDD 内部的 checkpointRDD 变量
  具体细节如下：
  如果 一个 RDD 被checkpoint了， 那么这个 RDD 中对分区和依赖的处理都是使用的 RDD 内部的 checkpointRDD 变量， 具体实现是 ReliableCheckpointRDD 类型。 这个是在 checkpoint 写流程中创建的。依赖和获取分区方法中先判断是否已经checkpoint， 如果已经checkpoint了， 就斩断依赖， 使用ReliableCheckpointRDD， 来处理依赖和获取分区。
  如果没有，才往前回溯依赖。 依赖就是没有依赖， 因为已经斩断了依赖， 获取分区数据就是读取 checkpoint 到 hdfs目录中不同分区保存下来的文件。

RDD

• 输入可能以多个文件的形式存储在HDFS上，每个File都包含了很多块，称为Block。
• 当Spark读取这些文件作为输入时，会根据具体数据格式对应的InputFormat进行解析，一般是将若干个Block合并成一个输入分片，称为InputSplit，
• InputSplit不能跨越文件,也就是说一个block file 不能被多个inputSplit读取
  随后将为这些输入分片生成具体的Task。InputSplit与Task是一一对应的关系。
• 至于partition的数目：

1. 对于数据读入阶段，例如sc.textFile，输入文件被划分为多少InputSplit就会需要多少初始Task。
2. 在Map阶段partition数目保持不变。
3. 在Reduce阶段，RDD的聚合会触发shuffle操作，聚合后的RDD的partition数目跟具体操作有关，例如repartition操作会聚合成指定分区数，还有一些算子是可配置的。
   RDD在计算的时候，每个分区都会起一个task，所以rdd的分区数目决定了总的的task数目。
   申请的计算节点（Executor）数目和每个计算节点核数，决定了你同一时刻可以并行执行的task。
   比如的RDD有100个分区，那么计算的时候就会生成100个task，你的资源配置为10个计算节点，每个两2个核，同一时刻可以并行的task数目为20，计算这个RDD就需要5个轮次。
   如果计算资源不变，你有101个task的话，就需要6个轮次，在最后一轮中，只有一个task在执行，其余核都在空转。
   如果资源不变，你的RDD只有2个分区，那么同一时刻只有2个task运行，其余18个核空转，造成资源浪费。这就是在spark调优中，增大RDD分区数目，增大任务并行度的做法。

image.png