Spark的容错机制

1，Spark如何保障数据的安全

1、RDD容错机制：persist持久化机制

1）cache算子

- 功能：将RDD缓存在内存中
- 语法：cache()
- 本质：底层调用的还是persist（StorageLevel.MEMORY_ONLY），但是只缓存在内存，如果内存不够，缓存会失败
- 场景：资源充足，需要将RDD仅缓存在内存中

2）persist算子

- 功能：将**RDD**【包含这个RDD的依赖关系】进行缓存，可以**自己指定缓存的级别**【和cache区别】
- 语法：`persist(StorageLevel)`
- 级别：StorageLevel决定了缓存位置和缓存几份

StorageLevel 有哪些级别：

Spark的StorageLevel共有9个缓存级别：

DISK_ONLY：缓存入硬盘。这个级别主要是讲那些庞大的Rdd，之后仍需使用但暂时不用的，放进磁盘，腾出Executor内存。
DISK_ONLY_2：多一个缓存副本。
MEMORY_ONLY：只使用内存进行缓存。这个级别最为常用，对于马上用到的高频rdd，推荐使用。
MEMORY_ONLY_2：多一个缓存副本。
MEMORY_AND_DISK：先使用内存，多出来的溢出到磁盘，对于高频的大rdd可以使用。
MEMORY_AND_DISK_2：多一个缓存副本。
OFF_HEAP：除了内存、磁盘，还可以存储在OFF_HEAP

 

场景：根据资源情况，将RDD缓存在不同的地方或者缓存多份

3）unpersist 算子 --释放缓存 

- 功能：将缓存的RDD进行释放
- 语法：`unpersist`
  - unpersist(blocking=True)：等释放完再继续下一步
- 场景：明确RDD已经不再使用，后续还有很多的代码需要执行，将RDD的数据从缓存中释放，避免占用资源
- 注意：如果不释放，这个Spark程序结束，也会释放这个程序中的所有内存

2、RDD容错机制：checkpoint检查点机制 

问题：为了避免重复构建RDD，可以将RDD进行persist缓存，但是如果缓存丢失，还是会重新构建RDD，怎么解决？

checkpoint：检查点

• 功能：将RDD的数据【不包含RDD依赖关系】存储在可靠的存储系统中：HDFS上

这个检查点有点类似于：虚拟机中的快照，像里程碑。

    # 设置一个检查点目录
    sc.setCheckpointDir("../datas/chk/chk1")
    # 将RDD的数据持久化存储在HDFS
    rs_rdd.checkpoint()

一定要在触发算子之前，调用checkpoint()  否则，检查点中没有数据

面试：RDD的cache、persist持久化机制和checkpoint检查点机制有什么区别？