spark学习-CheckPoint原理

CheckPoint原理：

1.对于一个复杂的RDD chain，如果中间某些关键的，在后面会多次使用的RDD因节点故障导致持久化数据丢失，可以针对该RDD启动checkpoint机制，实现容错和高可用。

2.checkpoint，先调用SparkContext的setCheckpointDir()方法，设置一个容错的文件系统目录。

3.对RDD调用checkpoint()方法后，在RDD所处的job运行结束后，会启动一个单独的job，将checkpoint过的RDD数据写入之前设置的文件系统目录，进行高可用、容错的类持久化操作。

4.在后面使用RDD时，即使持久化的数据不小心丢失了，还是可以从它的checkpoint文件中直接读取出来，而不需要重新计算。（CacheManager来实现这个操作）

5.对RDD调用checkpoint()方法之后，它就接收RDDCheckpointData对象的管理，RDDCheckpointData对象会负责将调用了checkpoint()方法的RDD状态设置为MarkedForCheckpoint。

6.RDD所在job运行结束后，会调用job中最后一个RDD的doCheckpoint()方法，该方法会沿着finalRDD的lineage向上查找，将标记MarkedForCheckpoint的RDD标记为CheckpointingInProgress。

7.启动一个单独的job，将lineage中标记为CheckpointingInProgress的RDD进行checkpoint操作。也就是将其数据写入之前设置的checkpoint文件系统目录中。

8.RDD数据checkpoint后，会改变RDD的lineage，会清除掉RDD所有的依赖RDD，并强行将其父RDD设置为一个CheckpointRDD，并且RDD状态变成Checkpointed。