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
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。