Flink中的Checkpoint和Spark中的Checkpoint区别

Posted 2023-03-01 宝哥大数据

文章目录

• 一、checkpoint
• • 1.1、Spark Streaming 的 checkpoint
  • • 1.1.1、元数据检查点
    • 1.1.2、数据检查点
  • 1.2、Flink 的 checkpoint
• 二、Exactly-Once Semantics
• 三、checkpoint的内容

一、checkpoint

流式应用程序必须 24/7 全天候运行，因此必须能够应对与应用程序逻辑无关的故障（例如，系统故障、JVM 崩溃等）。

1.1、Spark Streaming 的 checkpoint

Spark Streaming 需要通过Checkpoint将必要的数据或者操作进行备份，以便它可以从故障中恢复。检查点有两种类型的数据。

1.1.1、元数据检查点

将定义流计算的信息保存到 HDFS 等容错存储中。这用于从运行流应用程序驱动程序的节点故障中恢复。元数据检查点主要用在Driver进程中恢复程序。

这类信息主要包括以下几方面：

• SparkConf的相关信息
• Dream的相关操作
• 队列中等待处理的Job

1.1.2、数据检查点

将生成的 RDD 保存到可靠的存储中。这在一些跨多个批次组合数据的有状态转换中是必要的。在有状态的转换操作中，Spark Streaming会定期自动设置检查点，以切断上游依赖。

在这样的转换中，生成的 RDD 依赖于前一批的 RDD，这导致依赖链的长度随着时间的推移而不断增加，数据重算所耗费的时间，与依赖连的长度成正比。为了避免恢复时间的无限制增加（与依赖链成正比），有状态转换的中间 RDD 会定期检查点到可靠存储（例如 HDFS）以切断依赖链。

总而言之，元数据检查点主要用于从驱动程序故障中恢复，而数据或 RDD 检查点对于使用状态转换的基本功能也是必需的。

1.2、Flink 的 checkpoint

spark streaming 的 checkpoint 仅仅是针对 driver 的故障恢复做了数据和元数据的 checkpoint。

flink 的 checkpoint 机制 要复杂了很多，它采用的是轻量级的分布式快照，实现了每个算子的快照，及流动中的数据的快照。

二、Exactly-Once Semantics

对于 SparkStreaming 任务，我们可以设置 checkpoint，然后假如发生故障并重启，我们可以从上次 checkpoint 之处恢复，但是这个行为只能使得数据不丢失，可能会重复处理，不能做到恰一次处理语义。

Flink 则使用 两阶段提交协议 来解决这个问题。

三、checkpoint的内容

spark 通过 rdd.checkpoint() 将rdd数据缓存指定目录，通过缓存的rdd数据来进行容错
flink 是 生成一个轻量级分布快照