Spark基础学习笔记21：RDD检查点与共享变量

零、本讲学习目标

1. 理解RDD检查点机制的特点与用处
2. 理解共享变量的类别、特点与使用

一、RDD检查点

（一）RDD检查点机制

• RDD的检查点机制（Checkpoint）相当于对RDD数据进行快照，可以将经常使用的RDD快照到指定的文件系统中，最好是共享文件系统，例如HDFS。当机器发生故障导致内存或磁盘中的RDD数据丢失时，可以快速从快照中对指定的RDD进行恢复，而不需要根据RDD的依赖关系从头进行计算，大大提高了计算效率。

（二）与RDD持久化的区别

• cache()或者persist()是将数据存储于机器本地的内存或磁盘，当机器发生故障时无法进行数据恢复，而检查点是将RDD数据存储于外部的共享文件系统（例如HDFS），共享文件系统的副本机制保证了数据的可靠性。
• 在Spark应用程序执行结束后，cache()或者persist()存储的数据将被清空，而检查点存储的数据不会受影响，将永久存在，除非手动将其移除。因此，检查点数据可以被下一个Spark应用程序使用，而cache()或者persist()数据只能被当前Spark应用程序使用。

（三）RDD检查点案例演示

• 在net.huawei.rdd包里创建CheckpointDemo对象
  
  

package net.huawei.rdd

import org.apache.spark.rdd.RDD
import org.apache.spark.{
    
    SparkConf, SparkContext}

/**
  * 功能：RDD检查点演示
  * 作者：华卫
  * 日期：2022年04月16日
  */
object CheckpointDemo {
    
    
  def main(args: Array[String]): Unit = {
    
    
    // 设置系统属性（本地运行必须设置，否则无权访问HDFS）
    System.setProperty("HADOOP_USER_NAME", "root")
    // 创建SparkConf对象
    val conf = new SparkConf()
    // 设置应用程序名称，可在Spark WebUI里显示
    conf.setAppName("Spark-CheckpointDemo")
    // 设置集群Master节点访问地址
    conf.setMaster("local[2]")
    // 设置测试内存
    conf.set("spark.testing.memory", "2147480000")
    // 基于SparkConf对象创建SparkContext对象，该对象是提交Spark应用程序的入口
    val sc = new SparkContext(conf)

    // 设置检查点数据存储路径
    sc.setCheckpointDir("hdfs://master:9000/spark-ck")
    // 创建模拟数据RDD
    val rdd: RDD[Int] = sc.parallelize(List(1, 1, 2, 3, 5, 8, 13))
    // 过滤结果
    val resultRDD = rdd.filter(_ >= 5)
    // 持久化RDD到内存中
    resultRDD.cache()
    // 将resultRDD标记为检查点
    resultRDD.checkpoint()

    // 第一次行动算子计算时，将把标记为检查点的RDD数据存储到文件系统指定路径中
    val result: String = resultRDD.collect().mkString(", ")
    println(result)
    // 第二次行动算子计算时，将直接从文件系统读取resultRDD数据，而不需要从头计算
    val count = resultRDD.count()
    println(count)

    // 停止Spark容器
    sc.stop()
  }
}

• 上述代码使用checkpoint()方法将RDD标记为检查点（只是标记，遇到行动算子才会执行）。在第一次行动计算时，被标记为检查点的RDD的数据将以文件的形式保存在setCheckpointDir()方法指定的文件系统目录中，并且该RDD的所有父RDD依赖关系将被移除，因为下一次对该RDD计算时将直接从文件系统中读取数据，而不需要根据依赖关系重新计算。
• Spark建议，在将RDD标记为检查点之前，最好将RDD持久化到内存，因为Spark会单独启动一个任务将标记为检查点的RDD的数据写入文件系统，如果RDD的数据已经持久化到了内存，将直接从内存中读取数据，然后进行写入，提高数据写入效率，否则需要重复计算一遍RDD的数据。
• 创建检查点保存数据的目录
  
• 运行程序，在控制台查看结果
  
• 查看HDFS检查点目录，执行命令：hdfs dfs -ls -R /spark-ck
  

二、共享变量

• 通常情况下，Spark应用程序运行的时候，Spark算子（例如map(func)或filter(func)）中的函数func会被发送到远程的多个Worker节点上执行，如果一个算子中使用了某个外部变量，该变量就会复制到Worker节点的每一个Task任务中，各个Task任务对变量的操作相互独立。当变量所存储的数据量非常大时（例如一个大型集合）将增加网络传输及内存的开销。因此，Spark提供了两种共享变量：广播变量和累加器。

（一）广播变量

• 广播变量是将一个变量通过广播的形式发送到每个Worker节点的缓存中，而不是发送到每个Task任务中，各个Task任务可以共享该变量的数据。因此，广播变量是只读的。

1、默认情况下变量的传递

• map()算子传入的函数中使用外部变量arr
  

scala> val arr = Array(1, 2, 3, 4, 5)
scala> val lines = sc.textFile("data.txt")
scala> val result = lines.map((_, arr))
scala> result.collect()

• 上述代码中，传递给map()算子的函数(_, arr)会被发送到Executor端执行，而变量arr将发送到Worker节点的所有Task任务中。变量arr传递的流程如下图所示。
  
• 假设变量arr存储的数据量大小有100MB，则每一个Task任务都需要维护100MB的副本，若某一个Executor中启动了3个Task任务，则该Executor将消耗300MB内存。

2、使用广播变量时变量的传递

• 广播变量其实是对普通变量的封装，在分布式函数中可以通过Broadcast对象的value方法访问广播变量的值
  
• 使用广播变量将数组arr传递给map()算子
  

scala> val arr = Array(1, 2, 3, 4, 5)
scala> val broadcastVar = sc.broadcast(arr)
scala> val lines = sc.textFile("data.txt")
scala> val result = lines.map((_, broadcastVar))
scala> result.collect()

• 上述代码使用broadcast()方法向集群发送（广播）了一个只读变量，该方法只发送一次，并返回一个广播变量broadcastVar，该变量是一个org.apache.spark.broadcast.Broadcast对象。Broadcast对象是只读的，缓存在集群的每个Worker节点中。使用广播变量进行变量传递的流程如下图所示。
  
• Worker节点的每个Task任务共享唯一的一份广播变量，大大减少了网络传输和内存开销。
• 输出result的数据
  

（二）累加器

1、累加器功能

• 累加器提供了将Worker节点的值聚合到Driver的功能，可以用于实现计数和求和。

2、不使用累加器

• 对一个整型数组求和
  
• 上述代码由于sum变量在Driver中定义，而累加操作sum = sum + x会发送到Executor中执行，因此输出结果不正确。

3、使用累加器

• 对一个整型数组求和
  

scala> val myacc = sc.longAccumulator("My Accumulator") // 声明累加器
scala> val rdd = sc.makeRDD(Array(1, 2, 3, 4, 5))
scala> rdd.foreach(x => myacc.add(x)) // 向累加器添加值
scala> println("sum = " + myacc.value) // 在Driver端输出结果

• 上述代码通过调用SparkContext对象的longAccumulator ()方法创建了一个Long类型的累加器，默认初始值为0。也可以使用doubleAccumulator()方法创建Double类型的累加器。
• 累加器只能在Driver端定义，在Executor端更新。Executor端不能读取累加器的值，需要在Driver端使用value属性读取。