RDD數(shù)據(jù)丟失后如何恢復？RDD容錯機制介紹

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)點由于宕機導致數(shù)據(jù)丟失，就可以通過Spark中的RDD進行容錯恢復已經(jīng)丟失的數(shù)據(jù)。RDD提供了兩種故障恢復的方式，分別是血統(tǒng)（Lineage）方式和設置檢查點（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之間的依賴關系對丟失數(shù)據(jù)的RDD進行數(shù)據(jù)恢復。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，即設置檢查點（checkpoint）方式。

設置檢查點（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？

Spark的集群安裝部署【大數(shù)據(jù)技術(shù)文章】

黑馬程序員大數(shù)據(jù)培訓課程