Spark的容错机制

每个RDD在构建数据时，会根据自己来源一步步倒 导 到数据来源，然后再一步步开始构建RDD数据。

问题：如果一个RDD被触发多次，这个RDD就会按照依赖关系被构建多次，性能相对较差，怎么解决？

Spark的容错机制主要通过以下核心机制实现：

1. RDD的血缘关系（Lineage）

每个RDD都记录其父RDD的转换操作序列（称为血缘关系）。当节点故障导致数据丢失时，Spark会根据血缘关系重新计算丢失的分区数据。例如：

val rddA = sc.textFile("hdfs://data.txt") val rddB = rddA.map(_.toUpperCase) // 转换1 val rddC = rddB.filter(_.contains("SPARK")) // 转换2

此时若rddC的分区丢失，系统会回溯到rddB重新执行filter转换。

2. 检查点（Checkpointing）

对于长血缘链的RDD，定期将数据持久化到可靠存储（如HDFS）：

rddC.checkpoint() // 截断血缘链

• 作用：避免重计算过长血缘链
• 触发条件：当RDD被多次使用或包含宽依赖转换时

3. 任务重试机制

• Executor故障：Driver重新调度受影响任务到其他Executor
• Task失败：默认重试4次（可通过spark.task.maxFailures配置）
• Stage重算：因Shuffle数据丢失时，重新计算整个Stage

4. 数据持久化级别

通过存储级别控制容错粒度：

rddC.persist(StorageLevel.MEMORY_AND_DISK_2) // 内存+磁盘+双副本

常用级别：

• MEMORY_ONLY：仅内存，故障需重算
• DISK_ONLY：磁盘持久化
• MEMORY_AND_DISK_2：内存+磁盘+跨节点双副本

5. DAG调度容错

Spark通过DAG调度器将作业分解为Stage： $$ \text{Stage} = \text{窄依赖转换链} + \text{Shuffle边界} $$

• 单个Task失败仅需重算所在Stage
• Shuffle数据写入持久化存储（默认spark.shuffle.spill=true）

容错流程示例

graph LR A[节点故障] --> B[丢失RDD分区] B --> C{是否检查点?} C -->|是| D[从存储系统恢复] C -->|否| E[根据血缘重算]

这种机制使得Spark能在保证效率的同时，实现分布式环境下的高容错性。