说说Spark的failover容错机制 | 面试系列.6

原创大叔据大数据与大模型

说说Spark的failover容错机制

SPARK计算框架使用3种方式来实现整体的failover机制:

1. driver端的checkpoint

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)

2. executor端的replication

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)

如果你觉得说的还不够过瘾，可以画个图继续说

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）

说到这里，恭喜你，能够把面试官说懵了。

Spark的RDD的五大特性是什么？

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：

我简单解释下：

1. partition

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。

2. partitioner

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。

3. compute func

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。

4. dependency

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。

5. preferredLocation

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。