apache-spark - Spark如何从故障节点恢复数据？

Question

假设我们有一个 RDD，它被多次使用。因此，为了一次又一次地保存计算，我们使用 rdd.persist() 方法持久化了这个 RDD。

所以当我们持久化这个 RDD 时，计算 RDD 的节点将存储它们的分区。

那么现在假设，包含这个 RDD 持久分区的节点失败了，那么会发生什么？ Spark 如何恢复丢失的数据？有没有复制机制？还是其他什么机制？

Answer 1

当您执行 rdd.persist 时，rdd 不会具体化内容。它会在您对 rdd 执行操作时执行。它遵循相同的惰性求值原则。

现在 RDD 知道它应该在哪个分区上运行以及与之关联的 DAG。使用 DAG，它完全能够重新创建物化分区。

因此，当一个节点出现故障时，驱动程序会在其他某个节点中生成另一个执行程序，并为它提供它应该在其上工作的数据分区以及在闭包中与其关联的 DAG。现在有了这些信息，它可以重新计算数据并将其具体化。

同时，RDD 中缓存的数据不会在内存中包含所有数据，它必须从磁盘获取丢失节点的数据将花费更多时间。

在复制方面，是的 spark 支持内存复制。持久化时需要设置 StorageLevel.MEMORY_DISK_2 。

rdd.persist(StorageLevel.MEMORY_DISK_2)

这确保数据被复制两次。