面试题:
Hadoop
的基于进程的计算和
Spark
基于线程方式优缺点?
答案:
Hadoop中的MR中每个map/reduce task都是一个java进程方式运行,好处在于进程之间是互相独立的,每个task独享进程资源,没
有互相干扰,监控方便,但是问题在于task之间不方便共享数据,执行效率比较低。比如多个map task读取不同数据源文件需要将数据源加
载到每个map task中,造成重复加载和浪费内存。而基于线程的方式计算是为了数据共享和提高执行效率,Spark采用了线程的最小的执行
单位,但缺点是线程之间会有资源竞争。
【扩展阅读】:线程基本概念
线程是
CPU
的基本调度单位
一个进程一般包含多个线程
,
一个进程下的多个线程共享进程的资源
不同进程之间的线程相互不可见
线程不能独立执行
一个线程可以创建和撤销另外一个线程
速度快
由于Apache Spark支持内存计算,并且通过DAG(有向无环图)执行引擎支持无环数据流,所以官方宣称其在内存中的运算速度要比
Hadoop的MapReduce快100倍,在硬盘中要快10倍
Spark
处理数据与
MapReduce
处理数据相比,有如下两个不同点:
其一、
Spark
处理数据时,可以将中间处理结果数据存储到内存中;
其二、
Spark
提供了非常丰富的算子
(API),
可以做到复杂任务在一个
Spark
程序中完成
易于使用
Spark 的版本已经更新到 Spark 3.2.0(截止日期2021.10.13),支持了包括 Java、Scala、Python 、R和SQL语言在内的多种语言。为了
兼容Spark2.x企业级应用场景,Spark仍然持续更新Spark2版本。
通用性强
在 Spark 的基础上,Spark 还提供了包括Spark SQL、Spark Streaming、MLib 及GraphX在内的多个工具库,我们可以在一个应用中无缝
地使用这些工具库
Spark Core
:
Spark
的核心,
Spark
核心功能均由
Spark Core
模块提供,是
Spark
运行的基础。
Spark Core
以
RDD
为数据抽象,提供
Python
、
Java
、
Scala
、
R
语言的
API
,可以编程进行海量离线数据批处理计算。
SparkSQL
:基于
SparkCore
之上,提供结构化数据的处理模块。
SparkSQL
支持以
SQL
语言对数据进行处理,
SparkSQL
本身针对离线计算场景。同
时基于
SparkSQL
,
Spark
提供了
StructuredStreaming
模块,可以以
SparkSQL
为基础,进行数据的流式计算。
SparkStreaming
:以
SparkCore
为基础,提供数据的流式计算功能。
MLlib
:以
SparkCore
为基础,进行机器学习计算,内置了大量的机器学习库和
API
算法等。方便用户以分布式计算的模式进行机器学习计算。
GraphX
:以
SparkCore
为基础,进行图计算,提供了大量的图计算
API
,方便用于以分布式计算模式进行图计算。
Spark提供多种运行模式,包括:
本地模式(单机)
本地模式就是以一个
独立的进程
,通过其内部的
多个线程来模拟
整个Spark运行时环境
Standalone模式(集群)
Spark中的各个角色以
独立进程
的形式存在,并组成Spark集群环境
Hadoop YARN模式(集群)
Spark中的各个角色
运行在
YARN
的容器内部
,并组成Spark集群环境
- Kubernetes模式(容器集群)
Spark中的各个角色
运行在
Kubernetes
的容器内部
,并组成Spark集群环境
- 云服务模式(运行在云平台上)