更新時間:2021-03-05 來源:黑馬程序員 瀏覽量:
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Spark集群中的某一個節(jié)點由于宕機導(dǎo)致數(shù)據(jù)丟失,就可以通過Spark中的RDD進行容錯恢復(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(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進行數(shù)據(jù)恢復(fù)。如果丟失數(shù)據(jù)的子RDD在進行窄依賴運算,則只需要把丟失數(shù)據(jù)的父RDD的對應(yīng)分區(qū)進行重新計算即可,不需要依賴其他的節(jié)點,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進行寬依賴運算,則需要父RDD的所有分區(qū)都要進行從頭到尾的計算,在計算過程中會存在冗余計算。為了解決寬依賴運算中出現(xiàn)的計算冗余問題,Spark又提供了另一種方式進行數(shù)據(jù)容錯,即設(shè)置檢查點(checkpoint)方式。
設(shè)置檢查點(checkPoint)方式,本質(zhì)上是將RDD寫入磁盤進行存儲。當RDD在進行寬依賴運算時,只需要在中間階段設(shè)置一個檢查點進行容錯,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)中進行高可用的持久化存儲,若是后面有節(jié)點出現(xiàn)宕機導(dǎo)致分區(qū)數(shù)據(jù)丟失,則可以從做檢查點的RDD開始重新計算即可,不需要進行從頭到尾的計算,這樣就會減少開銷。
猜你喜歡:
不同系統(tǒng)如何加載數(shù)據(jù)創(chuàng)建RDD
RDD為什么要進行數(shù)據(jù)持久化?它的操作方法有哪些?