Spark Streaming metadata checkpoint

Checkpointing

一个流应用程序必须全天候运行，所有必须能够解决应用程序逻辑无关的故障（如系统错误，JVM崩溃等）。为了使这成为可能，Spark Streaming需要checkpoint足够的信息到容错存储系统中， 以使系统从故障中恢复。

• Metadata checkpointing：保存流计算的定义信息到容错存储系统如HDFS中。这用来恢复应用程序中运行worker的节点的故障。元数据包括
  • Configuration ：创建Spark Streaming应用程序的配置信息
  • DStream operations ：定义Streaming应用程序的操作集合
  • Incomplete batches：操作存在队列中的未完成的批
• Data checkpointing ：保存生成的RDD到可靠的存储系统中，这在有状态transformation（如结合跨多个批次的数据）中是必须的。在这样一个transformation中，生成的RDD依赖于之前 批的RDD，随着时间的推移，这个依赖链的长度会持续增长。在恢复的过程中，为了避免这种无限增长。有状态的transformation的中间RDD将会定时地存储到可靠存储系统中，以截断这个依赖链。

元数据checkpoint主要是为了从driver故障中恢复数据。如果transformation操作被用到了，数据checkpoint即使在简单的操作中都是必须的。

Metadata checkpointing

相关代码：

def createContext(checkpointDirectory: String)
: StreamingContext = {
    // If you do not see this printed, that means the StreamingContext has been loaded
    // from the new checkpoint
    println("Creating new context")
    val sparkConf = new SparkConf().setAppName("DynamicRange")
    // Create the context with a 1 second batch size
    val ssc = new StreamingContext(sparkConf, Seconds(8))
    ssc.checkpoint(checkpointDirectory)
    ...
    //你的kafka streaming的相关代码最好放在这里，不然有可能抛异常：spark checkpoint KafkaInputDStream has not been initialize
    //create kafka stream
    val fullLines = KafkaUtils.createStream(ssc, SystemConfig.config.kafkaZkQuorum, SystemConfig.config.kafkaGroup, topicMap);
    //parse data string
    val valueLines = fullLines.map(_._2)
    ..
    ssc
}

def main(args: Array[String]) {
    var ssc: StreamingContext = null
    try {
        ssc = StreamingContext.getOrCreate(".", () => {
            println("get context fail, try to create a new one.")
            createContext(".")
        })
    } catch{
        case e:Exception =>{
            println("get context exception, try to create a new one.")
            ssc = createContext(".")
        }
    }

    ssc.start()
    ssc.awaitTermination()
}

注意：

1. kafka streaming的相关代码最好放在createContext里面，不然有可能抛异常：spark checkpoint KafkaInputDStream has not been initialize。
2. 不同版本之间的Spark Driver是不能从文件中恢复的，所以这里我用try catch如果有异常就新建一个context。