checkpoint，首先要调用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。
1. 对RDD调用checkpoint方法后，该rdd就会受RDDCheckpointData对象的管理。
2. RDDCheckpointData将调用了checkpoint方法的RDD状态设置为MarkedForCheckpoint。
3. RDD所在job运行结束后，会调用job中最后一个RDD的doCheckpoint方法，该方法沿着finalRDD的lineage向上查找标记为MarkedForCheckpoint的RDD，并将其标记为CheckpointingInProgress。
4. 启动一个单独的job，来将lineage中标记为CheckpointingInProgress的RDD进行checkpoint操作；也就是将其数据写入SparkContext.setCheckpointDir()方法设置的文件系统中。
5. 将RDD的数据进行checkpoint之后，会改变RDD的lineage：清除掉RDD所有的以来RDD，并强行将其父RDD设置为一个CheckpointRDD，而且RDD的状态变成Checkpointed。
通常建议，对要checkpoint的RDD，先使用persist(StorageLevel.DISK_ONLY)，这样RDD计算之后，就会被直接写道磁盘上去。然后，checkpoint操作时，直接从磁盘上读取RDD数据，并checkpoint到外部文件系统即可。
如果checkpoint时没有持久化RDD，那么当job执行结束后，由于中间的RDD没有持久化，那么checkpoint job想要将RDD数据写入外部文件系统的话，还得从RDD之前所有 RDD全部重新计算一遍。
checkpoint vs 持久化：
持久化只是将数据保存在BlockManager中，但是RDD的lineage不变。
checkpoint执行完之后，RDD已经没有之前依赖的RDD了，而只有一个强行为其设置的CheckpointRDD。
持久化数据丢失的可能性更大，磁盘或内存数据比较容易丢失。checkpoint的数据是放在HDFS中的，具有高容错性。