Spark- Checkpoint原理剖析

　　Checkpoint，是Spark 提供的一个比较高级的功能。有的时候，比如说，我们的 Spark 应用程序，特别的复杂，然后从初始的RDD开始，到最后拯个应用程序完成，有非常多的步骤，比如超过20个transformation 操作。而且整个应用运行的时间也特别的长，比如通常要运行1-5小时。

　　在上述的情况下，就比较适合使用checkpoint 功能。因为，对于特别复杂的 Spark应用，有很高的风险，会出现某个要反复使用的RDD，因为节点的故障,虽然之前持久化过，但是还是导致数据丢失了。那么也就是说，出现失败的时候，没有容错机制，所以当后面的 transformation 操作，又要使用到该RDD时，就会发现数据丢失了（Cache Manager），此时如果没有进行容错处理的话，那么可能就又要重新计算一次数据。简而言之，针对上诉情况，整个Spark应用程序的容错性很差。

　　所以，针对上诉的复杂Spark 应用的问题（没有容错机制的问题）。就可以使用checkpoint 功能。

　　checkpoint的功能是什么意思？checkpoint就是说，对于一个复杂的RDD chain，我们如果担心中间某些关键的，在后面会反复几次使用的RDD，可能会因为节点的故障，导致持久化数据的丢失，那么就可以针对该RDD格外启动 checkpoint 机制，实现容错和高可用。

　　checkpoint 首先要调用 SparkContext 的Checkpoint() 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，即便在后面使用RDD时，他的持久话的数量，不小心丢失了，但是还是可以从它的checkpoint文件中直接读取数据，而不是重新计算。