温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

Spark的failover容错机制是什么

发布时间:2021-12-16 13:46:56 来源:亿速云 阅读:295 作者:iii 栏目:大数据

这篇文章主要介绍“Spark的failover容错机制是什么”,在日常操作中,相信很多人在Spark的failover容错机制是什么问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”Spark的failover容错机制是什么”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!

SPARK计算框架使用3种方式来实现整体的failover机制:  

1.   driver端的checkpoint
在Driver层实现, 用于在Driver崩溃后,  恢复Driver的现场  ;  
(注意,这个checkpoint和RDD的checkpoint是两码事)

2.  executor端的replication
在Receiver中用于  解决单台executor挂掉后,未保存的数据丢失的问题
3.  WAL: 在Driver和Receiver中实现,用于解决:
(1) Driver挂掉,所有executor都会挂掉,那么所有未保存的数据都丢掉了,replication就不管用了;(  数据不丢失的问题)
(2) Driver挂掉后,  哪些block在挂掉前注册到了driver中,以及挂掉前哪些block分配给了当时正在运行的batch job, 这些信息就都丢失了;所以需要WAL对这些信息做持久化。(  任务分配的问题)
如果你觉得说的还不够过瘾,可以画个图继续说  
Spark的failover容错机制是什么
  1. 蓝色的箭头表示读取数据,存储在executor的内存中,如果开启了WAL,将会把数据写入到存在容错文件系统的日志文件中(executor端的wal)


  2. 青色的箭头表示提醒driver, 接收到的数据块的元信息发送给driver中的SparkContext, 这些元数据包括:executor内存中数据块的引用ID和日志文件中数据块的偏移信息(driver端的wal)


  3. 黄色箭头表示checkpoint这些计算,用于重现driver现场。流式处理会周期的被checkpoint到文件中(driver端的checkpoint)


说到这里,恭喜你,能够把面试官说懵了。  

Spark的RDD的五大特性是什么?
这个问题能把很多人问懵逼,其实这个五大特性的说法是在Spark的源码里的一段注释,如下:  
Spark的failover容错机制是什么

我简单解释下:

1. partition  
partition是数据集的基本组成单位,每个分片都会被一个计算任务处理,决定并行计算的粒度。分片数默认是core的数量。

每个分片的存储是由BlockManager实现的,每个分区都会被逻辑映射成BlockManager的一个Block,而这个Block会被一个Task负责计算。
2. partitioner
一个partitioner,即RDD的分片函数。当前Spark中实现了两种类型的分片函数,一个是基于哈希的HashPartitioner,另外一个基于范围的RangePartitioner。
只有对于key-value的RDD,才会有Partitioner。Partitioner函数不但决定了RDD本身的分片数量,也决定了parent RDD Shuffle输出时的分片数量。 
3. compute func
Spark中的RDD的计算是以分片为单位的,每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合,不需要保存每次计算的结果。
4. dependency
RDD的每次转换都会生成一个新的RDD,所以RDD之间就会形成类似于流水线一样的前后依赖关系。

在部分分区数据丢失时,Spark可以通过这个依赖关系重新计算丢失的分区数据,而不是对RDD的所有分区进行重新计算。
5. preferredLocation
一个列表,存储存取每个Partition的优先位置(preferred location),对于一个HDFS文件来说,这个列表保存的就是每个Partition所在的块的位置。
按照“移动数据不如移动计算”的理念,Spark在进行任务调度的时候,会尽可能地将计算任务分配到其所要处理数据块的存储位置。

到此,关于“Spark的failover容错机制是什么”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注亿速云网站,小编会继续努力为大家带来更多实用的文章!

向AI问一下细节

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

AI