Spark面试题精选（附答案）

最新推荐文章于 2024-06-01 00:00:00 发布

2401_84182685

最新推荐文章于 2024-06-01 00:00:00 发布

阅读量930

点赞数 11

分类专栏： 2024年程序员学习文章标签： spark 大数据分布式

本文链接：https://blog.csdn.net/2401_84182685/article/details/137660592

版权

2024年程序员学习专栏收录该内容

61 篇文章 0 订阅

订阅专栏

五、Spark之RDD

5.1什么是RDD

RDD叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变，可分区，里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错，位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续地查询能够重用工作集，这极大地提升了查询速度。

5.2RDD的属性

（1）一组分片，即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。

（2）一个计算每个分区的函数。Spark中的RDD的计算以分片为单位的，每个RDD都会实现compute函数以达到这个目的。

（3）RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。部分分区数据丢失时，Spark可以通过这个依赖关系重新计算对视的分区数据，而不是对RDD的所有分区进行重新计算。

（4）一个Partitioner,即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的，另一个是基于范围的

（5）一个列表，存储存取每个Partition（分片）的优先位置。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。

5.3通过简单的词频统计来了解RDD

img

六、RDD的创建方式

6.1通过读取文件生成

由外部存储系统的数据集创建，包括本地的文件系统，还有所有Hadoop支持的数据集，比如HDFS、Cassandra、HBase等

scala> val file = sc.textFile("/spark/hello.txt")

6.2通过并行化的方式创建RDD

由一个已经存在的Scala集合创建

scala> val array = Array(1,2,3,4,5)
array: Array[Int] = Array(1, 2, 3, 4, 5)

scala> val rdd = sc.parallelize(array)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[27] at parallelize at <console>:26

6.3其他方式

读取数据库等等其他的操作。也可以生成RDD。

RDD可以通过其他的RDD转换而来的。

七、RDD编程API

Spark支持两个类型（算子）操作：Transformation和Action

7.1Transformation

主要做的是就是将一个已有的RDD生成另外一个RDD。Transformation具有lazy特性(延迟加载)。Transformation算子的代码不会真正被执行。只有当我们的程序里面遇到一个action算子的时候，代码才会真正的被执行。这种设计让Spark更加有效率地运行。

常用的Transformation:

转换	含义
map(func)	返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成
filter(func)	返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成
flatMap(func)	类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）
union(otherDataset)	对源RDD和参数RDD求并集后返回一个新的RDD
groupByKey([numTasks])	在一个(K,V)的RDD上调用，返回一个(K, Iterator[V])的RD
sortByKey	在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD
	官方很全面，这里只做了解。

7.2Action

触发代码的运行，我们一段spark代码里边至少需要有一个action操作

常用的Action：

动作	含义
reduce(func)	通过func函数聚集RDD中的所有元素，这个功能必须是课交换且可并联的
collect()	在驱动程序中，以数组的形式返回数据集的所有元素
count()	返回RDD的元素个数
first()	返回RDD的第一个元素（类似于take(1)）
foreach(func)	在数据集的每一个元素上，运行函数func进行更新。
	此处只是列举几个，更为全面的去查看官方文档

7.3Spark WordCount代码编写

使用maven进行项目搭建

查看官方文档，导入2个依赖包

详细代码-scala

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object SparkWordCountWithScala {
  def main(args: Array[String]): Unit = {

    val conf = new SparkConf()
    /\*\*
 \* 如果这个参数不设置，默认认为你运行的是集群模式
 \* 如果设置成local代表运行的是local模式
 \*/
    conf.setMaster("local")
    //设置任务名
    conf.setAppName("WordCount")
    //创建SparkCore的程序入口
    val sc = new SparkContext(conf)
    //读取文件 生成RDD
    val file: RDD[String] = sc.textFile("E:\\hello.txt")
    //把每一行数据按照，分割
    val word: RDD[String] = file.flatMap(_.split(","))
    //让每一个单词都出现一次
    val wordOne: RDD[(String, Int)] = word.map((_,1))
    //单词计数
    val wordCount: RDD[(String, Int)] = wordOne.reduceByKey(_+_)
    //按照单词出现的次数 降序排序
    val sortRdd: RDD[(String, Int)] = wordCount.sortBy(tuple => tuple._2,false)
    //将最终的结果进行保存
    sortRdd.saveAsTextFile("E:\\result")

    sc.stop()
  }

详细代码-jdk8

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object SparkWordCountWithScala {
  def main(args: Array[String]): Unit = {

    val conf = new SparkConf()
    /\*\*
 \* 如果这个参数不设置，默认认为你运行的是集群模式
 \* 如果设置成local代表运行的是local模式
 \*/
    conf.setMaster("local")
    //设置任务名
    conf.setAppName("WordCount")
    //创建SparkCore的程序入口
    val sc = new SparkContext(conf)
    //读取文件 生成RDD
    val file: RDD[String] = sc.textFile("E:\\hello.txt")
    //把每一行数据按照，分割
    val word: RDD[String] = file.flatMap(_.split(","))
    //让每一个单词都出现一次
    val wordOne: RDD[(String, Int)] = word.map((_,1))
    //单词计数
    val wordCount: RDD[(String, Int)] = wordOne.reduceByKey(_+_)
    //按照单词出现的次数 降序排序
    val sortRdd: RDD[(String, Int)] = wordCount.sortBy(tuple => tuple._2,false)
    //将最终的结果进行保存
    sortRdd.saveAsTextFile("E:\\result")

    sc.stop()
  }

WordCount执行过程图

在统计词数的程序中，首先读取数据，在执行两次map操作，和一个reduce操作，最后保存结果，在这个过程中，一共生成了6个RDD
在读取数据的时候，生成了两个RDD，经过两次map，又生成了两个RDD，在reduce时生成了一个RDD，在执行saveAsTextFile时又生成了一个RDD
reduce时的过程也称为shuffle，一共有两个步骤，第一步是进行局部聚合，第二步是进行全局聚合
一个分区对应一个task(在同一个stage)，一个分区对应的task只能在一台机器上（在executor中），一台机器上可以有多个分区对应的task
一共有两个阶段（stage），在shuffle时是一个分水岭，shuffle前的task称为shufflemaptask,shuffle后的task成为resulttask.所以，WordCount执行过程中，一共生成了2种task,4个task（因为本例中有两个分区）。

八、RDD的宽依赖和窄依赖

8.1RDD依赖关系的本质内幕

由于RDD是粗粒度的操作数据集，每个Transformation操作都会生成一个新的RDD，所以RDD之间就会形成类似流水线的前后依赖关系；RDD和它依赖的父RDD的关系有两种不同的类型，即窄依赖和宽依赖。

**窄依赖：**是指每个父RDD的一个Partition最多被子RDD的一个Partition所使用，例如map,filter,union等操作都会产生窄依赖；(独生子女)

**宽依赖：**是指一个父RDD的Partition会被多个子RDD的Partition所使用，例如groupByKey、reduceByKey、sortByKey等操作都会产生宽依赖。(超生)

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数大数据工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）

12861727942)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！

如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）
[外链图片转存中…(img-qcB9gdV6-1712861727942)]

2401_84182685

关注

11
点赞
踩
20

收藏

觉得还不错? 一键收藏
0
评论
Spark面试题精选（附答案）

RDD叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变，可分区，里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错，位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续地查询能够重用工作集，这极大地提升了查询速度。
复制链接

扫一扫