24、Checkpoint原理剖析

一、原理

1、Checkpoint是什么

Checkpoint，是Spark提供的一个比较高级的功能。
有的时候，比如说，我们的Spark应用程序，特别的复杂，然后呢，从初始的RDD开始，到最后整个应用程序完成，有非常多的步骤，
比如超过20个transformation操作。而且呢，整个应用运行的时间也特别长，比如通常要运行1~5个小时。

在上述情况下，就比较适合使用checkpoint功能。因为，对于特别复杂的Spark应用，有很高的风险，会出现某个要反复使用的RDD，
因为节点的故障，虽然之前持久化过，但是还是导致数据丢失了。那么也就是说，出现失败的时候，没有容错机制，所以当后面的transformation操作，
又要使用到该RDD时，就会发现数据丢失了（CacheManager），此时如果没有进行容错处理的话，那么可能就又要重新计算一次数据。

简而言之，针对上述情况，整个Spark应用程序的容错性很差;

2、Checkpoint的功能

所以，针对上述的复杂Spark应用的问题（没有容错机制的问题）。就可以使用checkponit功能。
checkpoint功能是什么意思？checkpoint就是说，对于一个复杂的RDD chain，我们如果担心中间某些关键的，在后面会反复几次使用的RDD，
可能会因为节点的故障，导致持久化数据的丢失，那么就可以针对该RDD格外启动checkpoint机制，实现容错和高可用。

checkpoint，就是说，首先呢，要调用SparkContext的setCheckpointDir()方法，设置一个容错的文件系统的目录，比如说HDFS；
然后，对RDD调用调用checkpoint()方法。之后，在RDD所处的job运行结束之后，会启动一个单独的job，来将checkpoint过的RDD的数据写入之前设置的文件系统，进行高可用、容错的类持久化操作。
那么此时，即使在后面使用RDD时，它的持久化的数据，不小心丢失了，但是还是可以从它的checkpoint文件中直接读取其数据，而不需要重新计算。（CacheManager）

3、图解

Checkpoint和持久化的最主要的区别，就在于，持久化，只是将数据保存在BlockManager中，但是RDD的lineage(血缘关系、依赖关系)是不变的;

但是CheckPoint执行完之后，rdd已经没有了之前所谓的依赖rdd了，而只有一个强行为其设置的checkpointRDD，也就是说，checkpoint后，rdd的lineage就改变了;

其次，持久化的数据丢失的可能性更大，磁盘，或者是内存，可能丢失，但是checkpoint的数据，通常是保存在容错、高可用的文件系统中的，比如说HDFS、依赖于这种
高容错的文件系统，所以checkpoint的数据丢失可能性非常低;

默认情况下，如果某个rdd没有持久化，还设置了checkpoint，就是说，本来这个job都执行结束了，但是由于中间的rdd没有持久化，那么checkpoint job想要将rdd的数据写
入外部文件系统的话，还得从之前所有的rdd，全部重新计算一次，然后计算出rdd的数据，再将其checkpoint到外部文件系统;

所以，通常建议，对要checkpoint()的rdd，使用persist(StorageLevel.DISK_ONLY)，该RDD计算之后，就直接将其持久化到磁盘上去，然后后面进行checkpoint操作时，直接
从磁盘上读取rdd的数据，并checkpoint到外部文件系统即可，不需要重新计算一次rdd，这种checkpoint的效率就高很多了;

我们实现了checkpoint之后，后续，在某个task又调用该rdd的iterator()方法时，就实现了高容错机制，即使rdd的持久化数据丢失，或者就没有持久化，但是还是可以
通过readCheckpointOrComputer()方法，优先从rdd的父rdd的chechpointrdd中读取，hdfs(外部文件系统的数据);

二、源码

###org.apache.spark.rdd/RDD.scala

/**
    * 先presist()再checkpoint()原理如下
    * 那么首先执行到该rdd的iterator()之后，会先发现storageLevel != StorageLevel.NONE，那么就会通过CacheManager读获取数据，此时会发现通过
    * BlockManager获取不到数据(第一次执行)
    * 第一次还是会计算一次该RDD的数据，然后通过CacheManager的putInBlockManager()将其通过BlockManager进行持久化
    * rdd所在的job运行结束了，然后启动单独job进行checkpoint操作，此时就又执行到该rdd的iterator()方法，那么就会发现storageLevel != StorageLevel.NONE
    * 默认从BlockManager直接读取持久化数据(正常情况下，是可以的)，如果非正常情况下，持久化数据丢失了，那么此时会走else，调用computeOrReadCheckpoint()
    * 方法，判断如果rdd的isCheckPoint为true，那么就会用它的父rdd的iterator()方法，其实就是从checkpoint外部文件系统中读取数据
    */
  final def iterator(split: Partition, context: TaskContext): Iterator[T] = {
    if (storageLevel != StorageLevel.NONE) {
      // cacheManager相关东西
      // 如果storageLevel不为NONE，就是说，我们之前持久化过RDD，那么就不要直接去父RDD执行算子，计算新的RDD的partition了
      // 优先尝试使用CacheManager，去获取持久化的数据
      SparkEnv.get.cacheManager.getOrCompute(this, split, context, storageLevel)
    } else {
      // 进行rdd partition的计算
      computeOrReadCheckpoint(split, context)
    }
  }

###org.apache.spark.rdd/CheckpointRDD.scala

override def compute(split: Partition, context: TaskContext): Iterator[T] = {
    // 使用hadoop的api Path 创建了一个，针对hdfs文件的路径，然后用checkpointRDD的readFromFile()方法，来读取hdfs中的数据
    val file = new Path(checkpointPath, CheckpointRDD.splitIdToFile(split.index))
    CheckpointRDD.readFromFile(file, broadcastedConf, context)
  }

###org.apache.spark.rdd/CheckpointRDD.scala

def readFromFile[T](
      path: Path,
      broadcastedConf: Broadcast[SerializableWritable[Configuration]],
      context: TaskContext
    ): Iterator[T] = {
    val env = SparkEnv.get
    // 调用hdfs的api，FileSystem
    //
    val fs = path.getFileSystem(broadcastedConf.value.value)
    val bufferSize = env.conf.getInt("spark.buffer.size", 65536)
    // FileSystem的open()方法，打开针对hdfs文件的输入流
    val fileInputStream = fs.open(path, bufferSize)
    // 对输入流进行了反序列化流的一个包装
    val serializer = env.serializer.newInstance()
    // 使用deserializeStream的asIterator()方法读取数据
    val deserializeStream = serializer.deserializeStream(fileInputStream)

    // Register an on-task-completion callback to close the input stream.
    context.addTaskCompletionListener(context => deserializeStream.close())

    deserializeStream.asIterator.asInstanceOf[Iterator[T]]
  }