请阐述 Spark Streaming 应对大规模实时数据时，借助哪些机制分别保障容错能力与负载均衡效果？

回答思路

1. 【回答框架 1】容错方面，Spark Streaming 基于 RDD 的 lineage 实现数据恢复。每个批次数据对应一个 RDD，若某节点故障导致分区丢失，可通过上游数据重算重建，同时利用 checkpoints 保存元数据和中间状态，避免长时间计算链的恢复成本。
2. 【回答框架 2】负载均衡方面，Spark Streaming 的 DStream 生成的任务按分区参与分布式调度。默认采用接收器均匀分布输入数据，并通过配置分区数与资源，使计算任务在 executor 间尽量均衡，Spark 调度器会依据资源情况分配任务。
3. 【回答框架 3】进一步，背压机制动态调节接收速率：根据处理速度反馈，自动限制每秒接收的记录数，避免数据积压失衡。这既保护系统稳定性，也辅助实现各节点负载的合理调节。
4. 【关键点 1】容错核心为 RDD lineage 重算与 checkpoint 持久化。
5. 【关键点 2】输入数据通过接收器分区和调度器分配到多个 executor 平衡处理。
6. 【关键点 3】背压机制根据处理能力动态调整摄入速率，降低过载风险。
7. 【易错点 1】不要将背压误认为负载均衡手段，它主要避免接收速度超过处理能力。
8. 【易错点 2】容错只能保证数据不丢，不保证状态完全一致，需额外考虑状态存储。