对于一个复杂的RDD,我们如果担心某些关键的,会在后面反复使用的RDD,可能会因为节点的故障,导致持久化数据的丢失,就可以针对该RDD启动checkpoint机制,实现容错和高可用。
在进行checkpoint之前,最好先对RDD执行持久化操作,比如persist(StorageLevel.DISK_ONLY)如果持久化了,就不用再重新计算;否则如果没有持久化RDD,还设置了checkpoint,那么本来job都结束了,但是由于中间的RDD没有持久化,那么checkpoint job想要将RDD数据写入外部文件系统,还得从RDD之前的所有的RDD全部重新计算一次,再进行checkpoint。然后从持久化的RDD磁盘文件读取数据
# 如果SparkContext没有设置checkpointDir,则抛出异常
# 如果设置了,则创建RDDCheckpointData,这个类主要负责管理RDD的checkpoint的进程和状态等
# 创建RDDCheckpointData的时候,会初始化checkpoint状态为Initialized
def checkpoint(): Unit = RDDCheckpointData.synchronized { if (context.checkpointDir.isEmpty) { throw new SparkException("Checkpoint directory has not been set in the SparkContext") } else if (checkpointData.isEmpty) { checkpointData = Some(new ReliableRDDCheckpointData(this)) } }
# 如果该RDD已经有了storage level,但是还和指定的storage level不相等,那么抛出异常,不支持在一个RDD分配了storage level之后再分配一个storage level
# 标记这个RDD为persisting
# 设置RDD的storage level
private def persist(newLevel:StorageLevel, allowOverride: Boolean):this.type = {
if (storageLevel!= StorageLevel.NONE&& newLevel != storageLevel&& !allowOverride) {
throw new UnsupportedOperationException(
"Cannotchange storage level of an RDD after it was already assigned a level")
}
// If this isthe first time this RDD is marked for persisting, register it
// with the SparkContext for cleanupsand accounting. Do this only once.
if (storageLevel== StorageLevel.NONE) {
sc.cleaner.foreach(_.registerRDDForCleanup(this))
sc.persistRDD(this)
}
storageLevel = newLevel
this
}
当调用DAGScheduler的runJob的时候,开始调用RDD的doCheckpoint方法
# 该rdd是否已经调用doCheckpoint,如果还没有,则开始处理
# 查看是否需要把该rdd的所有依赖即血缘全部checkpoint,如果需要,血缘上的每一个rdd递归调用该方法
# 调用RDDCheckpointData的checkpoint方法
private[spark] def doCheckpoint(): Unit = { RDDOperationScope.withScope(sc, "checkpoint", allowNesting = false, ignoreParent = true) { // 该rdd是否已经调用doCheckpoint,如果还没有,则开始处理 if (!doCheckpointCalled) { doCheckpointCalled = true // 判断RDDCheckpointData是否已经定义了,如果已经定义了 if (checkpointData.isDefined) { // 查看是否需要把该rdd的所有依赖即血缘全部checkpoint if (checkpointAllMarkedAncestors) { // 血缘上的每一个rdd递归调用该方法 dependencies.foreach(_.rdd.doCheckpoint()) } // 调用RDDCheckpointData的checkpoint方法 checkpointData.get.checkpoint() } else { dependencies.foreach(_.rdd.doCheckpoint()) } } } }
# 将checkpoint的状态从Initialized置为CheckpointingInProgress
# 调用子类的doCheckpoint,创建一个新的CheckpointRDD
# 将checkpoint状态置为Checkpointed状态,并且改变rdd之前的依赖,设置父rdd为新创建的CheckpointRDD
final def checkpoint(): Unit = { // 将checkpoint的状态从Initialized置为CheckpointingInProgress RDDCheckpointData.synchronized { if (cpState == Initialized) { cpState = CheckpointingInProgress } else { return } } // 调用子类的doCheckpoint,我们以ReliableCheckpointRDD为例,创建一个新的CheckpointRDD val newRDD = doCheckpoint() // 将checkpoint状态置为Checkpointed状态,并且改变rdd之前的依赖,设置父rdd为新创建的CheckpointRDD RDDCheckpointData.synchronized { cpRDD = Some(newRDD) cpState = Checkpointed rdd.markCheckpointed() } }
我们以ReliableCheckpointRDD为例,将rdd的数据写入HDFS中checkpoint目录,并且创建CheckpointRDD
protected override def doCheckpoint(): CheckpointRDD[T] = { // 将rdd的数据写入HDFS中checkpoint目录,并且创建CheckpointRDD val newRDD = ReliableCheckpointRDD.writeRDDToCheckpointDirectory(rdd, cpDir) if (rdd.conf.getBoolean("spark.cleaner.referenceTracking.cleanCheckpoints", false)) { rdd.context.cleaner.foreach { cleaner => cleaner.registerRDDCheckpointDataForCleanup(newRDD, rdd.id) } } logInfo(s"Done checkpointing RDD ${rdd.id} to $cpDir, new parent is RDD ${newRDD.id}") newRDD }
将rdd的数据写入HDFS中checkpoint目录,并且创建CheckpointRDD
def writeRDDToCheckpointDirectory[T: ClassTag]( originalRDD: RDD[T], checkpointDir: String, blockSize: Int = -1): ReliableCheckpointRDD[T] = { val sc = originalRDD.sparkContext // 创建checkpoint输出目录 val checkpointDirPath = new Path(checkpointDir) // 获取HDFS文件系统API接口 val fs = checkpointDirPath.getFileSystem(sc.hadoopConfiguration) // 创建目录 if (!fs.mkdirs(checkpointDirPath)) { throw new SparkException(s"Failed to create checkpoint path $checkpointDirPath") } // 将配置文件信息广播到所有节点 val broadcastedConf = sc.broadcast( new SerializableConfiguration(sc.hadoopConfiguration)) // 重新启动一个job,将rdd的分区数据写入HDFS sc.runJob(originalRDD, writePartitionToCheckpointFile[T](checkpointDirPath.toString, broadcastedConf) _) // 如果rdd的partitioner不为空,则将partitioner写入checkpoint目录 if (originalRDD.partitioner.nonEmpty) { writePartitionerToCheckpointDir(sc, originalRDD.partitioner.get, checkpointDirPath) } // 创建一个CheckpointRDD,该分区数目应该和原始的rdd的分区数是一样的 val newRDD = new ReliableCheckpointRDD[T]( sc, checkpointDirPath.toString, originalRDD.partitioner) if (newRDD.partitions.length != originalRDD.partitions.length) { throw new SparkException( s"Checkpoint RDD $newRDD(${newRDD.partitions.length}) has different " + s"number of partitions from original RDD $originalRDD(${originalRDD.partitions.length})") } newRDD }
# 当持久化RDD的时候,执行task的时候,会遍历RDD指定分区的数据,在持久的时候,因为指定了storage level,所以我们会调用getOrCompute获取数据,由于第一次还没有持久化过,所以会先计算。但是数据还没有被持久化,所以此时先把数据持久化到磁盘(假设持久化时就指定了StorageLevel=DISK_ONLY),然后再把block数据缓存到本地内存
# 进行checkpoint操作时,会启动一个新的job来处理checkpoint任务。当执行checkpoint的任务来执行RDD的iterator方法时,此时我们知道该RDD的持久化级别不为空,则从BlockManager获取出结果来,因为已经持久化过了所以不需要进行计算。如果持久化的数据此时已经丢失呢,怎么办呢?即storage level为空了,这此时就会调用computeOrReadCheckpoint方法,重新计算结果,然后写入checkpoint目录
# 如果已经持久化和checkpoint了,那么此时如果有任务在iterator获取不到block,那么就会调用computeOrReadCheckpoint方法,此时已经物化过了,所以直接从原始RDD对应的父RDD(CheckpointRDD)的iterator方法,此时已经没有持久化级别,所以CheckpointRDD的iterator方法就会调用CheckpointRDD的compute方法从checkpoint文件读取数据
final def iterator(split: Partition, context: TaskContext): Iterator[T] = { // 如果StorageLevel不为空,表示该RDD已经持久化过了,可能是在内存,也有可能是在磁盘, // 如果是磁盘获取的,需要把block缓存在内存中 if (storageLevel != StorageLevel.NONE) { getOrCompute(split, context) } else { // 进行rdd partition的计算或者根据checkpoint读取数据 computeOrReadCheckpoint(split, context) } }
# 如果checkpoint状态已经置为checkpointed了,表示checkpoint已经完成,这时候从checkpoint获取;如果还是checkpointInProgress,则表示持久化数据丢失,或者根本就没有持久化,所以需要原来的RDD的compute方法重新计算结果
private[spark] def computeOrReadCheckpoint(split: Partition, context: TaskContext): Iterator[T] = { // 当前rdd是否已经checkpoint和物化了,如果已经checkpoint,则调用父类的CheckpointRDD的iterator方法获取 // 如果没有则开始计算 if (isCheckpointedAndMaterialized) { firstParent[T].iterator(split, context) } else { // 则调用rdd的compute方法开始计算,返回一个Iterator对象 compute(split, context) } }
# 创建checkpoint文件
#从HDFS上的checkpoint文件读取checkpoint过的数据
override def compute(split: Partition, context: TaskContext): Iterator[T] = { // 创建checkpoint文件 val file = new Path(checkpointPath, ReliableCheckpointRDD.checkpointFileName(split.index)) // 从HDFS上的checkpoint文件读取checkpoint过的数据 ReliableCheckpointRDD.readCheckpointFile(file, broadcastedConf, context) }