首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >说说Spark的failover容错机制 | 面试系列

说说Spark的failover容错机制 | 面试系列

作者头像
Lenis
发布于 2019-12-25 08:50:57
发布于 2019-12-25 08:50:57
1.5K0
举报
文章被收录于专栏:有关SQL有关SQL

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

  1. 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日志文件中(executor端的wal)
  2. 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)
  3. 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。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-09-25,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 有关SQL 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Spark面试八股文(上万字面试必备宝典)
rdd 分布式弹性数据集,简单的理解成一种数据结构,是 spark 框架上的通用货币。所有算子都是基于 rdd 来执行的,不同的场景会有不同的 rdd 实现类,但是都可以进行互相转换。rdd 执行过程中会形成 dag 图,然后形成 lineage 保证容错性等。从物理的角度来看 rdd 存储的是 block 和 node 之间的映射。
五分钟学大数据
2021/11/08
3.4K0
独孤九剑-Spark面试80连击(上)
场景描述:这是一个Spark的面试题合集。是我自己作为面试者和作为面试官都会被问到或者问到别人的问题,这个总结里面有大量参考了网上和书上各位老师、大佬的一些原文答案,只是希望可以给出更好的回答,一般上我都会把原文链接贴上,如有侵权请联系删除!
王知无-import_bigdata
2019/09/03
1.3K0
独孤九剑-Spark面试80连击(上)
Spark介绍系列03--RDD
RDD(Resilient Distributed Dataset)叫做分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点:自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中,后续的查询能够重用工作集,这极大地提升了查询速度。
Dlimeng
2023/06/29
2170
Spark介绍系列03--RDD
论Spark Streaming的数据可靠性和一致性
摘要:Spark Streaming自发布起就得到了广泛的关注,然而作为一个年轻的项目,需要提升的地方同样很多,比如1.2之前版本driver挂掉可能会丢失数据。这里将分析它的可靠性机制。 眼下大数据领域最热门的词汇之一便是流计算了,其中最耀眼的项目无疑是来自Spark社区的Spark Streaming项目,其从一诞生就受到广泛关注并迅速发展,目前已有追赶并超越Storm的架势。 对于流计算而言,毫无疑问最核心的特点是它的低时延能力,这主要是来自对数据不落磁盘就进行计算的内部机制,但这也带来了数据可靠性的
Spark学习技巧
2018/01/31
1.6K0
论Spark Streaming的数据可靠性和一致性
Spark 以及 spark streaming 核心原理及实践
本文主要介绍了如何基于Spark、Hadoop、HBase、Hive、Spark Streaming和Kafka等分布式计算技术,结合Java、Scala、Python和R等编程语言,实现大数据平台搭建、数据处理和机器学习等应用。包括Spark生态、原理、架构、编程范式和调优技巧等方面的内容。
蒋专
2017/04/26
4.8K0
Spark  以及 spark streaming 核心原理及实践
大数据随记 —— Spark Core 与 RDD 简介
Spark Core 是 Spark 的核心,Spark SQL、Spark Streaming、MLib、GraphX 等都需要在 Spark Core 的基础上进行操作。Spark Core 定义了 RDD、DataFrame 和 DataSet,而 Spark Core 的核心概念是 RDD(Resilient Distributed Datasets,即弹性分布式数据集)。
繁依Fanyi
2023/05/07
3500
大数据随记 —— Spark Core 与 RDD 简介
[spark streaming] ReceiverTracker 数据产生与存储
在Spark Streaming里,总体负责任务的动态调度是JobScheduler,而JobScheduler有两个很重要的成员:JobGenerator 和 ReceiverTracker。JobGenerator 负责将每个 batch 生成具体的 RDD DAG ,而ReceiverTracker负责数据的来源。
UFO
2018/08/29
6550
Spark 基础面试题
答:RDD(Resilient Distributed Dataset)叫做分布式数据集,是spark中最基本的数据抽象,它代表一个不可变,可分区,里面的元素可以并行计算的集合
Tim在路上
2020/08/05
8050
Spark核心RDD、什么是RDD、RDD的属性、创建RDD、RDD的依赖以及缓存、
1:什么是Spark的RDD??? RDD(Resilient Distributed Dataset)叫做分布式数据集,是Spark中最基本的数据抽象,它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点:自动容错、位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中,后续的查询能够重用工作集,这极大地提升了查询速度。 2:RDD的属性: a、一组分片(Partition),即数据集的基本组成单位。对于RDD来说,每个分片都会被一个计算任务处理,
别先生
2018/04/02
1.3K0
Spark核心RDD、什么是RDD、RDD的属性、创建RDD、RDD的依赖以及缓存、
Spark源码深度解析图解
  Spark的宽依赖和窄依赖是DAGScheduler将job划分为多个Stage的重要因素,每一个宽依赖都会划分一个Stage。
挽风
2021/04/13
1.1K0
Spark源码深度解析图解
揭开Spark Streaming神秘面纱② - ReceiverTracker 与数据导入
只需在 driver 端接收数据的 input stream 一般比较简单且在生产环境中使用的比较少,本文不作分析,只分析继承了 ReceiverInputDStream 的 input stream 是如何导入数据的。
codingforfun
2018/08/24
2830
揭开Spark Streaming神秘面纱② - ReceiverTracker 与数据导入
【容错篇】WAL在Spark Streaming中的应用【容错篇】WAL在Spark Streaming中的应用
WAL 即 write ahead log(预写日志),是在 1.2 版本中就添加的特性。作用就是,将数据通过日志的方式写到可靠的存储,比如 HDFS、s3,在 driver 或 worker failure 时可以从在可靠存储上的日志文件恢复数据。WAL 在 driver 端和 executor 端都有应用。我们分别来介绍。
codingforfun
2018/08/24
1.3K0
【容错篇】WAL在Spark Streaming中的应用【容错篇】WAL在Spark Streaming中的应用
Spark重要知识汇总
RDD(Resilient Distributed Dataset)弹性分布式数据集,是Spark中最基本的数据抽象,代表一个不可变、可分区、里面的元素可并行计算的集合。
Lansonli
2024/08/02
4500
Spark重要知识汇总
如何应对大数据分析工程师面试Spark考察,看这一篇就够了
可以说Spark几乎是企业搭建大数据平台必备组件,作为数据分析工程师在工作中执行程序、调试程序、查询数据都会和Spark打交道,所以对Spark知识的考察也就顺理成章了。
AI科技大本营
2019/09/03
1.8K0
[spark] RDD缓存源码解析
我们可以利用不同的存储级别存储每一个被持久化的RDD。可以存储在内存中,也可以序列化后存储在磁盘上等方式。Spark也会自动持久化一些shuffle操作(如reduceByKey)中的中间数据,即使用户没有调用persist方法。这样的好处是避免了在shuffle出错情况下,需要重复计算整个输入。
UFO
2018/09/04
1.1K0
一篇并不起眼的Spark面试题
spark是借鉴了Mapreduce,并在其基础上发展起来的,继承了其分布式计算的优点并进行了改进,spark生态更为丰富,功能更为强大,性能更加适用范围广,mapreduce更简单,稳定性好。主要区别
大数据真好玩
2021/07/07
4.9K0
Spark Streaming官方编程指南
Spark Streaming(下称streaming)是Spark core的拓展,一个易扩展、高吞吐、高容错的流式数据处理系统。
王知无-import_bigdata
2020/06/11
8370
【赵渝强老师】Spark中的RDD
RDD(Resilient Distributed Dataset)叫做弹性分布式数据集,它是Spark中最基本、也是最重要的的数据模型。它由分区组成,每个分区被一个Spark的Worker从节点处理,从而支持分布式的并行计算。RDD通过检查点Checkpoint的方式提供自动容错的功能,并且具有位置感知性调度和可伸缩的特性。通过RDD也提供缓存的机制,可以极大地提高数据处理的速度。
赵渝强老师
2024/08/21
2390
【赵渝强老师】Spark中的RDD
Spark Streaming消费Kafka数据的两种方案
下午的时候翻微信看到大家在讨论Spark消费Kafka的方式,官网中就有答案,只不过是英文的,当然很多博客也都做了介绍,正好我的收藏夹中有一篇文章供大家参考。文章写的通俗易懂,搭配代码,供大家参考。
王知无-import_bigdata
2019/05/16
3.8K0
Spark Streaming消费Kafka数据的两种方案
Spark Streaming 容错的改进与零数据丢失
实时流处理系统必须可以7*24小时工作,因此它需要具备从各种系统故障中恢复过来的能力。最开始,Spark Streaming就支持从driver和worker故障中恢复。然而,从有些数据源导入数据时可能存在故障恢复以后丢失数据的情况。在Spark 1.2版本中,我们已经在Spark Streaming中对预写日志(也被称为journaling)作了初步支持,改进了恢复机制,使得更多数据源零数据丢失有了可靠的保证。本文将详细地描述这个特性的工作机制,以及开发者如何在Spark Streaming应用中使用这个机制。
smartsi
2019/08/07
1.2K0
相关推荐
Spark面试八股文(上万字面试必备宝典)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档