使用spark streaming开发的人员都知道，它的容错机制是通过checkpoint来实现的，但是checkpoint有一个问题，就是当线上在运行一个spark streaming那么这时候你在编译一下（平时也难免不了对代码进行修改编译），再次发布的时候就会报checkpoint反序列化异常的errors。
然后，如果将checkpoint目录删除在发布就可以了，但是删除了容错不就实效了么？在这里我以前的做法是将kafka offset值保存到了zookeeper中，但是这样问题是更严峻的，RDD如果异常的话那么DAG的血缘就断了，等于spark的容错就没有充分利用上
在这里，官方上面有一端描述了该问题的处理方式，我将其翻译如下：
如果正在运行的spark streaming 需要升级到新的程序，那么这里有两种机制实现
1、升级spark streaming 启动并于现有程序并行执行，这样一旦新的（接收到与旧的数据相同的数据）已经预热并且准备好了，旧的程序就可以关掉了，注意，这里用于支持将数据发送到两个目的地的数据源（既：早期的程序和新升级的应用程序）
2、将现在的运行的应用程序优雅的关闭 ( 见StreamingContext.stop(...) or JavaStreamingContext.stop(…) 选项) 确保在关闭前已经将接收到的数据处理完成，然后启动升级的应用程序，将会从刚才应用程序中断的同一点开始处理，请注意，这只能通过支持源端缓存（比如：kafka和Flume）输入源来完成，因为数据需要缓冲，而之前的程序宕机了，而新的应用程序还没有启动起来，并且如果从早期的checkpoint信息点重新开始，是无法完成预先升级的程序代码的，checkpoint本质上包含序列化后的Scala/Java/Python对象，并试图将对象进行反序列化为新的对象，修改的类可能会导致错误，在这种情况下，可以让升级的应用程序使用不同的checkpoint目录或者删除以前的检查点目录
总结两点：
1.在编译之后，线上的先不要停，将新的部署之后，在停掉旧的
2.手动的优雅关闭旧的，确保数据处理正常，然后启动新的
