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！
内黄网站制作公司哪家好，找创新互联公司！从网页设计、网站建设、微信开发、APP开发、成都响应式网站建设公司等网站项目制作，到程序开发，运营维护。创新互联公司于2013年开始到现在10年的时间，我们拥有了丰富的建站经验和运维经验，来保证我们的工作的顺利进行。专注于网站建设就选创新互联公司。
SPARK计算框架使用3种方式来实现整体的failover机制:
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)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)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）
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）
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）
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：
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。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。 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。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。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，请继续关注创新互联网站，小编会继续努力为大家带来更多实用的文章！
分享标题：Spark的failover容错机制是什么
文章出自：
http://kswsj.cn/article/jspjhd.html
