spark的容错机制

RDD需要多次使用------------spark的容错机制就是RDD数据的存储（持久化）

1、persist持久化机制

1）cache算子

复制代码

"""
将RDD缓存在内存中
cache()
底层调用的还是persist（StorageLevel.MEMORY_ONLY）------如果内存不够，缓存会失败
场景：资源充足，需要将RDD仅缓存在内存中

是一个转换算子
"""

2）persist算子

复制代码

"""
将**RDD**【包含这个RDD的依赖关系】进行缓存，可以**自己指定缓存的级别**【和cache区别】
语法：persist(StorageLevel)
StorageLevel决定了缓存位置和缓存几份

是一个转换算子
"""
# StorageLevel 的级别
# 将RDD缓存在磁盘中
StorageLevel.DISK_ONLY = StorageLevel(True, False, False, False)
StorageLevel.DISK_ONLY_2 = StorageLevel(True, False, False, False, 2)
StorageLevel.DISK_ONLY_3 = StorageLevel(True, False, False, False, 3)

# 将RDD缓存在内存中
StorageLevel.MEMORY_ONLY = StorageLevel(False, True, False, False)
StorageLevel.MEMORY_ONLY_2 = StorageLevel(False, True, False, False, 2)

# 将RDD优先缓存在内存中，如果内存不足，就缓存在磁盘中
StorageLevel.MEMORY_AND_DISK = StorageLevel(True, True, False, False)
StorageLevel.MEMORY_AND_DISK_2 = StorageLevel(True, True, False, False, 2)

# 使用堆外内存
StorageLevel.OFF_HEAP = StorageLevel(True, True, True, False, 1)

# 使用序列化
StorageLevel.MEMORY_AND_DISK_DESER = StorageLevel(True, True, False, True)


"""
常用的
"""
MEMORY_AND_DISK_2
MEMORY_AND_DISK_DESER

3）unpersist 算子 --释放缓存

复制代码

"""
将缓存的RDD进行释放
语法：unpersist
    ------unpersist(blocking=True)：等释放完再继续下一步
    
如果不释放，这个Spark程序结束，也会释放这个程序中的所有内存
"""

4）示例

复制代码

sc = SparkContext(conf=conf)
fileRdd = sc.textFile("../resources/1.dat")
cacheRdd = fileRdd.persist(StorageLevel.MEMORY_AND_DISK_2)
print(type(cacheRdd))

cacheRdd.foreach(lambda x: print(x))
time.sleep(20)

cacheRdd.unpersist(blocking=True)

time.sleep(10)

# 使用完后，记得关闭
sc.stop()

将任务运行，运行过程中，发现内存中存储了50M的缓存数据

2、checkpoint检查点机制

为了避免重复构建RDD，可以将RDD进行persist缓存，但是如果缓存丢失，还是会重新构建RDD，怎么解决？------------checkpoint

常用于机器学习和图处理等复杂计算任务中，它帮助减少长链依赖，增加任务的容错能力。
复制代码
```
  # 设置一个检查点目录
  sc.setCheckpointDir("../datas/chk/chk1")
  # 将RDD的数据持久化存储在HDFS
  rs_rdd.checkpoint()
  rs_rdd.foreach(print)
```
一定要在触发算子之前，调用checkpoint() 否则，检查点中没有数据

面试问题

RDD的cache、persist持久化机制和checkpoint检查点机制有什么区别？

复制代码

cache本质上就是persist(StorageLevel.MEMORY_ONLY) 所以只需要介绍persist和checkpoint的区别即可
1、存储位置：persist存放在内存和本地磁盘，checkpoint放在hdfs等可靠的存储
2、生命周期：persist可以手动释放或者该job执行完自动释放，checkpoint程序执行完仍然存在，不会删除
3、依赖关系：persist不会丢掉RDD之间的依赖链关系，checkpoint会丢掉