3.2　RDD弹性特性7个方面解析

RDD作为弹性分布式数据集，它的弹性具体体现在以下7个方面。

1．自动进行内存和磁盘数据存储的切换

Spark会优先把数据放到内存中，如果内存实在放不下，会放到磁盘里面，不但能计算内存放下的数据，也能计算内存放不下的数据。如果实际数据大于内存，则要考虑数据放置策略和优化算法。当应用程序内存不足时，Spark应用程序将数据自动从内存存储切换到磁盘存储，以保障其高效运行。

2．基于Lineage（血统）的高效容错机制

Lineage是基于Spark RDD的依赖关系来完成的（依赖分为窄依赖和宽依赖两种形态），每个操作只关联其父操作，各个分片的数据之间互不影响，出现错误时只要恢复单个Split的特定部分即可。常规容错有两种方式：一个是数据检查点；另一个是记录数据的更新。数据检查点的基本工作方式，就是通过数据中心的网络链接不同的机器，然后每次操作的时候都要复制数据集，就相当于每次都有一个复制，复制是要通过网络传输的，网络带宽就是分布式的瓶颈，对存储资源也是很大的消耗。记录数据更新就是每次数据变化了就记录一下，这种方式不需要重新复制一份数据，但是比较复杂，消耗性能。Spark的RDD通过记录数据更新的方式为何很高效？因为①RDD是不可变的且Lazy；②RDD的写操作是粗粒度的。但是，RDD读操作既可以是粗粒度的，也可以是细粒度的。

3．Task如果失败，会自动进行特定次数的重试

默认重试次数为4次，TaskSchedulerImpl的源码如下所示。

Spark 2.2.1版本的TaskSchedulerImpl.scala的源码如下：

Spark 2.4.3版本的TaskSchedulerImpl.scala源码与Spark 2.2.1版本相比具有如下特点。

　上段代码中第1行取消了类TaskSchedulerImpl的访问权限限制。

　上段代码中第4行删除黑名单列表跟踪变量blacklistTrackerOpt。

　上段代码中第14行删除this构造函数的maybeCreateBlacklistTracker参数。

　上段代码中第15行之后新增变量blacklistTrackerOpt，用于跟踪问题executors和nodes节点，延迟初始化BlackListTrackerOpt以避免获取空的ExecutionAllocationClient，因为ExecutorAllocationClient是在此TaskSchedulerImpl之后创建的。

　上段代码中第17～23行，删除带sc、maxTaskFailures、isLocal参数的this构造函数。

TaskSchedulerImpl是底层的任务调度接口TaskScheduler的实现，这些Schedulers从每一个Stage中的DAGScheduler中获取TaskSet，运行它们，尝试是否有故障。DAGScheduler是高层调度，它计算每个Job的Stage的DAG，然后提交Stage，用TaskSets的形式启动底层TaskScheduler调度在集群中运行。

4．Stage如果失败，会自动进行特定次数的重试

这样，Stage对象可以跟踪多个StageInfo（存储SparkListeners监听到的Stage的信息，将Stage信息传递给Listeners或web UI）。默认重试次数为4次，且可以直接运行计算失败的阶段，只计算失败的数据分片，Stage的源码如下所示。

Stage.scala的源码如下：

在Stage终止之前允许的Stage连续尝试的次数为4次，在DAGScheduler.scala的源码object DAGScheduler中进行定义。DAGScheduler.scala的源码如下：

Stage是Spark Job运行时具有相同逻辑功能和并行计算任务的一个基本单元。Stage中所有的任务都依赖同样的Shuffle，每个DAG任务通过DAGScheduler在Stage的边界处发生Shuffle形成Stage，然后DAGScheduler运行这些阶段的拓扑顺序。每个Stage都可能是ShuffleMapStage，如果是ShuffleMapStage，则跟踪每个输出节点（nodes）上的输出文件分区，它的任务结果是输入其他的Stage(s)，或者输入一个ResultStage，若输入一个ResultStage，这个ResultStage的任务直接在这个RDD上运行计算这个Spark Action的函数（如count()、save()等），并生成shuffleDep等字段描述Stage和生成变量，如outputLocs和numAvailableOutputs，为跟踪map输出做准备。每个Stage会有firstjobid，确定第一个提交Stage的Job，使用FIFO调度时，会使得其前面的Job先行计算或快速恢复（失败时）。

ShuffleMapStage是DAG产生数据进行Shuffle的中间阶段，它发生在每次Shuffle操作之前，可能包含多个Pipelined操作，ResultStage阶段捕获函数在RDD的分区上运行Action算子计算结果，有些Stage不是运行在RDD的所有的分区上，例如，first()、lookup()等。SparkListener是Spark调度器的事件监听接口。注意，这个接口随着Spark版本的不同会发生变化。

5．checkpoint和persist（检查点和持久化），可主动或被动触发

checkpoint是对RDD进行的标记，会产生一系列的文件，且所有父依赖都会被删除，是整个依赖（Lineage）的终点。checkpoint也是Lazy级别的。persist后RDD工作时每个工作节点都会把计算的分片结果保存在内存或磁盘中，下一次如果对相同的RDD进行其他的Action计算，就可以重用。

因为用户只与Driver Program交互，因此只能用RDD中的cache()方法去cache用户能看到的RDD。所谓能看到，是指经过Transformation算子处理后生成的RDD，而某些在Transformation算子中Spark自己生成的RDD是不能被用户直接cache的。例如，reduceByKey()中会生成的ShuffleRDD、MapPartitionsRDD是不能被用户直接cache的。在Driver Program中设定RDD.cache()后，系统怎样进行cache?首先，在计算RDD的Partition之前就去判断Partition要不要被cache，如果要被cache，先将Partition计算出来，然后cache到内存。cache可使用memory，如果写到HDFS磁盘的话，就要检查checkpoint。调用RDD.cache()后，RDD就变成persistRDD了，其StorageLevel为MEMORY_ONLY，persistRDD会告知Driver说自己是需要被persist的。此时会调用RDD.iterator()。

RDD.scala的iterator()的源码如下：

当RDD.iterator()被调用的时候，也就是要计算该RDD中某个Partition的时候，会先去cacheManager那里获取一个blockId，然后去BlockManager里匹配该Partition是否被checkpoint了，如果是，那就不用计算该Partition了，直接从checkpoint中读取该Partition的所有records放入ArrayBuffer里面。如果没有被checkpoint过，先将Partition计算出来，然后将其所有records放到cache中。总体来说，当RDD会被重复使用（不能太大）时，RDD需要cache。Spark自动监控每个节点缓存的使用情况，利用最近最少使用原则删除老旧的数据。如果想手动删除RDD，可以使用RDD.unpersist()方法。

此外，可以利用不同的存储级别存储每一个被持久化的RDD。例如，它允许持久化集合到磁盘上，将集合作为序列化的Java对象持久化到内存中、在节点间复制集合或者存储集合到Alluxio中。可以通过传递一个StorageLevel对象给persist()方法设置这些存储级别。cache()方法使用默认的存储级别-StorageLevel.MEMORY_ONLY。RDD根据useDisk、useMemory、useOffHeap、deserialized、replication 5个参数的组合提供了常用的12种基本存储，完整的存储级别介绍如下。

StorageLevel.scala的源码如下：

StorageLevel是控制存储RDD的标志，每个StorageLevel记录RDD是否使用memory，或使用ExternalBlockStore存储，如果RDD脱离了memory或ExternalBlockStore，是否扔掉RDD，是否保留数据在内存中的序列化格式，以及是否复制多个节点的RDD分区。另外，org.apache.spark.storage.StorageLevel是单实例（singleton）对象，包含了一些静态常量和常用的存储级别，且可用singleton对象工厂方法StorageLevel(…)创建定制化的存储级别。

Spark的多个存储级别意味着在内存利用率和CPU利用率间的不同权衡。推荐通过下面的过程选择一个合适的存储级别：①如果RDD适合默认的存储级别（MEMORY_ONLY），就选择默认的存储级别。因为这是CPU利用率最高的选项，会使RDD上的操作尽可能地快。②如果不适合用默认级别，就选择MEMORY_ONLY_SER。选择一个更快的序列化库提高对象的空间使用率，但是仍能够相当快地访问。③除非算子计算RDD花费较大或者需要过滤大量的数据，不要将RDD存储到磁盘上，否则重复计算一个分区，就会和从磁盘上读取数据一样慢。④如果希望更快地恢复错误，可以利用replicated存储机制，所有的存储级别都可以通过replicated计算丢失的数据来支持完整的容错。另外，replicated的数据能在RDD上继续运行任务，而不需要重复计算丢失的数据。在拥有大量内存的环境中或者多应用程序的环境中，Off_Heap（将对象从堆中脱离出来序列化，然后存储在一大块内存中，这就像它存储到磁盘上一样，但它仍然在RAM内存中。Off_Heap对象在这种状态下不能直接使用，须进行序列化及反序列化。序列化和反序列化可能会影响性能，Off_Heap堆外内存不需要进行GC）。Off_Heap具有如下优势：Off_Heap运行多个执行者共享的Alluxio中相同的内存池，显著地减少GC。如果单个的Executor崩溃，缓存的数据也不会丢失。

6．数据调度弹性，DAGScheduler、TASKScheduler和资源管理无关

Spark将执行模型抽象为通用的有向无环图计划（DAG），这可以将多Stage的任务串联或并行执行，从而不需要将Stage中间结果输出到HDFS中，当发生节点运行故障时，可有其他可用节点代替该故障节点运行。

7．数据分片的高度弹性（coalesce）

Spark进行数据分片时，默认将数据放在内存中，如果内存放不下，一部分会放在磁盘上进行保存。

Spark 2.2.1版本的RDD.scala的coalesce算子代码如下：

Spark 2.4.3版本的RDD.scala源码与Spark 2.2.1版本相比具有如下特点。

　上段代码中第20行mapPartitionsWithIndex方法调整为mapPartitionsWithIndexInternal方法，mapPartitionsWithIndexInternal方法中传入的参数新增一个字段isOrderSensitive。isOrderSensitive用来标识函数是否区分顺序。如果它是对顺序敏感的，当输入顺序改变时，它可能返回完全不同的结果。大多数状态函数是对顺序敏感的。

mapPartitionsWithIndexInternal方法将构建一个MapPartitionsRDD类，构建类实例时传入isOrderSensitive。

MapPartitionsRDD.scala源代码如下：

MapPartitionsRDD.scala的getOutputDeterministicLevel方法将获取DeterministicLevel的Value值。

MapPartitionsRDD.scala源代码如下：

其中DeterministicLevel定义了RDD输出结果的确定级别（即“RDD compute”返回的值）。当Spark RDD重新运行任务时，输出将有所不同。包括以下级别：

（1）确定DETERMINATE：在重新运行后，RDD输出总是以相同顺序的相同数据集。

（2）无序：RDD输出总是相同的数据集，但重新运行之后顺序可能不同。

（3）不确定的。重新运行后，RDD输出可能不同。

注意，RDD的输出通常依赖于父RDD。当父RDD的输出是不确定的，很可能RDD的输出也是不确定的。

RDD.scala的DeterministicLevel代码如下：

例如，在计算的过程中，会产生很多的数据碎片，这时产生一个Partition可能会非常小，如果一个Partition非常小，每次都会消耗一个线程去处理，这时可能会降低它的处理效率，需要考虑把许多小的Partition合并成一个较大的Partition去处理，这样会提高效率。另外，有可能内存不是那么多，而每个Partition的数据Block比较大，这时需要考虑把Partition变成更小的数据分片，这样让Spark处理更多的批次，但是不会出现OOM。