Java Spark 简单示例（九） CheckPoint 检查点使用

大数据学习交流微信群

Spark 采用Lineage（书里叫血统）和CheckPoint（检查点）两种方式来解决分布式数据集中的容错问题。Lineage本质上类似于数据库的重做日志（redo log），只不过这个日志粒度很大，是对整个RDD分区做重做进而恢复数据的。

在容错机制中，如果集群中一个节点死机了，而且运算窄依赖，则只需要把丢失的父RDD分区重算即可，不依赖于其他节点。但对宽依赖，则需要父RDD的所有分区都重算，这个代价就很昂贵了。因此，Spark 提供设置检查点的方式来保存Shuffle前的祖先RDD数据，将依赖关系删除。当数据丢失时，直接从检查点中恢复数据。为了确保检查点不会因为节点死机而丢失，检查点数据保存在磁盘中，通常是hdfs文件。

官方建议，做检查点的RDD最好是已缓存在内存中，否则保存检查点的过程还需要重新计算，产生I/O开销。

下面通过demo9演示如何设置和使用检查点

package com.yzy.spark;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.PairFlatMapFunction;
import scala.Tuple2;

import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;

public class demo9 {
    private static String appName = "spark.demo";
    private static String master = "local[*]";

    public static void main(String[] args) {
        JavaSparkContext sc = null;
        try {
            //初始化 JavaSparkContext
            SparkConf conf = new SparkConf().setAppName(appName).setMaster(master);
            sc = new JavaSparkContext(conf);

            //设置检查点存放目录，window为例
            sc.setCheckpointDir("E:\\check");

            //从test.txt 构建rdd
            JavaRDD rdd = sc.textFile("test.txt");

            JavaPairRDD pairRDD = rdd.flatMapToPair(new PairFlatMapFunction() {
                public Iterator> call(String s) throws Exception {
                    List> list = new ArrayList>();
                    String[] arr = s.split("\\s");
                    for (String ele : arr) {
                        list.add(new Tuple2(ele, 1));
                    }
                    return list.iterator();
                }
            }).cache();

            //为pairRDD设置检查点
            pairRDD.checkpoint();

            System.out.println("isCheckpointed:" + pairRDD.isCheckpointed());
            System.out.println("checkpoint:" + pairRDD.getCheckpointFile());

            pairRDD.collect();

            System.out.println("isCheckpointed:" + pairRDD.isCheckpointed());
            System.out.println("checkpoint:" + pairRDD.getCheckpointFile());

        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            if (sc != null) {
                sc.close();
            }
        }
    }
}

输出结果：

isCheckpointed:false
checkpoint:Optional.empty
isCheckpointed:true
checkpoint:Optional[file:/E:/check/6c933408-176a-4117-bfb1-6172b510e7be/rdd-2]

结果显示，第一次打印检查点是空，这是因为此时还没有执行Action算子，RDD没有开始计算，所以自然没有数据被记录。执行collect函数，这时候就可以看到已经正确设置了检查点了。

demo10 是在Spark Streaming 中使用检查点的示例

package com.yzy.spark;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function0;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import scala.Tuple2;

import java.util.Arrays;
import java.util.Iterator;

public class demo10 {
    private static String appName = "spark.streaming.demo";
    private static String master = "local[*]";
    private static String host = "localhost";
    private static int port = 9999;

    public static void main(String[] args) {
        String checkpointDir = "E:\\check";
        JavaStreamingContext ssc = JavaStreamingContext.getOrCreate(checkpointDir, createContext(appName, checkpointDir));
        //开始作业
        ssc.start();
        try {
            ssc.awaitTermination();
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
    }

    public static Function0 createContext(final String appName, final String checkpointDir) {
        return new Function0() {
            @Override
            public JavaStreamingContext call() throws Exception {
                //初始化sparkConf
                SparkConf sparkConf = SparkConfig.getSparkConf().setMaster(master).setAppName(appName);

                //获得JavaStreamingContext
                JavaStreamingContext ssc = new JavaStreamingContext(sparkConf, Durations.seconds(3));
                ssc.checkpoint(checkpointDir);

                //从socket源获取数据
                JavaReceiverInputDStream lines = ssc.socketTextStream(host, port);

                //拆分行成单词
                JavaDStream words = lines.flatMap(new FlatMapFunction() {
                    public Iterator call(String s) throws Exception {
                        return Arrays.asList(s.split(" ")).iterator();
                    }
                });

                //转化成
                JavaPairDStream pairs = words.mapToPair(new PairFunction() {
                    public Tuple2 call(String s) throws Exception {
                        return new Tuple2(s, 1);
                    }
                }).cache();

                JavaPairDStream wordCounts = pairs.reduceByKey(new Function2() {
                    public Integer call(Integer integer, Integer integer2) throws Exception {
                        return integer + integer2;
                    }
                });

                wordCounts.print();

                return ssc;
            }
        };
    }
}

在E:/check目录下能看到运行过程中生成的检查点文件。