Spark Checkpoint 的使用、具体内容及读写过程

最新推荐文章于 2024-03-25 08:55:59 发布

初心江湖路

最新推荐文章于 2024-03-25 08:55:59 发布

阅读量6.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：大数据 Spark 文章标签： Spark Checkpoint

本文链接：https://blog.youkuaiyun.com/weixin_43878293/article/details/90752738

本文详细介绍了Spark Checkpoint的使用方法，包括普通应用和Spark Streaming的设置，以及checkpoint的内容，如RDD信息和Partitioner。还深入探讨了checkpoint的可靠写入过程，涉及RDD的保存和在HDFS上的持久化。此外，讨论了Spark Streaming的checkpoint场景、何时触发以及检查点包含的元数据信息。最后，概述了checkpoint的读取过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

阅读目录

1、checkpoint的使用
2、checkpoint的内容
3、checkpoint的写过程
4、Streaming checkpoint
5、checkpoint的读过程

一、checkpoint的使用

checkpoint的使用很简单
1、对于普通应用，首先要设置checkpoint目录，使用SparkContext的setCheckpointDir设置，然后对具体的RDD数据集调用checkpoint方法即可。
2、对流处理应用（结构化流），写出流时必须设置checkpoint，否则会报错，未设置checkpoint目录异常。用.option(“checkpointLocation”, “your checkpoint-pathname”)设置即可。

二、checkpoint的内容

下面这个类包含了和checkpoint相关的所有信息，类的每一个实例对应着一个RDD。管理着实施检查点的过程，也通过提供更新的分区、迭代器以及首选位置来管理检查点后的RDD的状态。

private[spark] abstract class RDDCheckpointData[T: ClassTag](@transient private val rdd: RDD[T])
  extends Serializable {
  // The checkpoint state of the associated RDD.
  protected var cpState = Initialized

  // The RDD that contains our checkpointed data
  private var cpRDD: Option[CheckpointRDD[T]] = None

通过这个类我们可以看到，这个类记录了RDD是否被checkpoint，以及持久化的RDD内容。
具体写入的内容：
1、RDD内容。
2、RDD的分区器，Partitioner。

三、checkpoint的写过程（对应reliable）

RDD.doCheckpoint()-->
RDDCheckpointData.checkpoint()-->
RDDCheckpointData.doCheckpoint()-->
ReliableRDDCheckpointData.doCheckpoint()-->
ReliableCheckpointRDD.writeRDDToCheckpointDirectory(rdd, cpDir)-->
sc.runJob(originalRDD, writePartitionToCheckpointFile[T](checkpointDirPath.toString, broadcastedConf) _)-->
ReliableCheckpointRDD.writePartitionToCheckpointFile

1、Checkpoint的过程也就是保存RDD的过程，RDD.doCheckpoint()在使用该RDD的任务完成之后调用（所以，RDD已经被物化并存储在内存中），并且这一函数在RDD的所有的祖先RDD上递归调用。

abstract class RDD[T: ClassTag](
    @transient private var _sc: SparkContext,
    @transient private var deps: Seq[Dependency[_]]
  ) extends Serializable with Logging {
  /**
   * checkpoint过程也就是保存RDD的过程，这一函数在使用该RDD的任务完成之后调用（所以，RDD已经被物化并存储
   * 在内存中），并且这一函数在RDD的所有的祖先RDD上递归调用。
   */
  private[spark] def doCheckpoint(): Unit = {
    RDDOperationScope.withScope(sc, "checkpoint", allowNesting = false, ignoreParent = true) {
      if (!doCheckpointCalled) {
        doCheckpointCalled = true
        if (checkpointData.isDefined) {
          if (checkpointAllMarkedAncestors) {
            // TODO We can collect all the RDDs that needs to be checkpointed, and then checkpoint
            // them in parallel.
            // 先Checkpoint父RDD，因为在checkpoint了自身RDD之后，自身RDD的沿袭图将被截断
            dependencies.foreach(_.rdd.doCheckpoint())
          }
          checkpointData.get.checkpoint()
        } else {
          dependencies.foreach(_.rdd.doCheckpoint())
        }
      }
    }
  }

2、在对RDD设置检查点之后，在RDD上首次调用action操作并完成后立即调用该方法，持久化该RDD的内容，checkpoint内部调用了doCheckpoint执行具体行为。

 private[spark] abstract class RDDCheckpointData[T: ClassTag](@transient private val rdd: RDD[T])
  extends Serializable {
  
   final def checkpoint(): Unit = {
   // Guard against multiple threads checkpointing the same RDD by
   // atomically flipping the state of this RDDCheckpointData
   RDDCheckpointData.synchronized {
     if (cpState == Initialized) {
       cpState = CheckpointingInProgress