Spark的checkpoint详解

源码解释

/**

*Mark this RDD for checkpointing. It will be saved to a file inside the checkpoint 将此RDD标记为检查点。它将保存到检查点内的文件中

*directory set with `SparkContext#setCheckpointDir` and all references to its parent  使用“SparkContext”setCheckpointDir设置的目录及其对其父目录的所有引用

*RDDs will be removed. This function must be called before any job has been RDD将被删除。必须在调用任何作业之前调用此函数

*executed on this RDD. It is strongly recommended that this RDD is persisted in emory, otherwise saving it on a file will require recomputation.  对于这个RDD执行时，烈建议先在内存缓存，否则将其保存在文件中需要重新计算。

*/

1. Spark 中对于数据的保存除了持久化操作之外，还提供了一种检查点的机制，检查点（本质是通过将RDD写入Disk做检查点）是为了通过 Lineage 做容错的辅助
2. Lineage 过长会造成容错成本过高，这样就不如在中间阶段做检查点容错，如果之后有节点出现问题而丢失分区，从做检查点的 RDD 开始重做 Lineage，就会减少开销。
3. 检查点通过将数据写入到 HDFS 文件系统实现了 RDD 的检查点功能。
4. 为当前 RDD 设置检查点。该函数将会创建一个二进制的文件，并存储到 checkpoint 目录中，该目录是用 SparkContext.setCheckpointDir()设置的。在 checkpoint 的过程中，该RDD 的所有依赖于父 RDD中 的信息将全部被移除。
5. 对 RDD 进行 checkpoint 操作并不会马上被执行，必须执行 Action 操作才能触发, 在触发的时候需要对这个 RDD 进行计算.

为什么建议在 checkpoint前先缓存？

　　executed on this RDD. It is strongly recommended that this RDD is persisted in emory, otherwise saving it on a file will require recomputation
　　源码已经说明，如果不缓存，在真正执行保存操作时，spark还会计算一次（安全起见），如果设置了缓存则不会重复计算。
　　重复计算不仅浪费性能，如果算子中包含当前时间，显然两次计算结果时间是不一样的。即持久化的时间跟第一次计算时的时间不一样。

持久化和checkpoint的区别

1. 持久化只是将数据保存在 BlockManager 中，而 RDD 的 Lineage 是不变的。但是checkpoint 执行完后，RDD 已经没有之前所谓的依赖 RDD 了，而只有一个强行为其设置的checkpointRDD，RDD 的 Lineage 改变了。
2. 持久化的数据丢失可能性更大，磁盘、内存都可能会存在数据丢失的情况。但是 checkpoint 的数据通常是存储在如 HDFS 等容错、高可用的文件系统，数据丢失可能性较小。
3. 注意: 默认情况下，如果某个 RDD 没有持久化，但是设置了checkpoint，会存在问题. 本来这个 job 都执行结束了，但是由于中间 RDD 没有持久化，checkpoint job 想要将 RDD 的数据写入外部文件系统的话，需要全部重新计算一次，再将计算出来的 RDD 数据 checkpoint到外部文件系统。 所以，建议对 checkpoint()的 RDD 使用持久化, 这样 RDD 只需要计算一次就可以了.