Spark的failover容错机制是什么
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!
文章标题:Spark的failover容错机制是什么
文章地址:
http://pwwzsj.com/article/jspjhd.html