spark core试题

（第八题后续补上）

1. spark任务程序，将任务提交集群运行。（参数指定）(10)

   spark-submit \
   
   --class org.apache.spark.examples.SparkPi \
   
   --master yarn \
   
   --deploy-mode client \
   
   ./examples/jars/spark-examples_2.11-2.1.1.jar \ 
   100
   
   

2. 写出下列代码的打印结果。（5分）

   def joinRdd(sc:SparkContext) {
   
   	val name= Array((1,"spark"),(2,"flink"),(3,"hadoop")**,(4,”java”))**
   
   	val score= Array((1,100),(2,90),(3,80)**,(5,90))**
   
   	val namerdd=sc.parallelize(name);
   
   	val scorerdd=sc.parallelize(score);
   
   	val result = namerdd.join(scorerdd);
   
   	result.collect.foreach(println);
   
   }
   //答案：(spark,100),(flink,90),(hadoop,80)
   

3. 写出触发shuffle的算子（至少五个）(5分)

   def distinct()
   
   ef reduceByKey
   
   def groupByKey
   
   def groupBy
   
   sortByKey
   
   def join
   
   

4. RDD的概念和特性（10分）

RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是 Spark 中最基本的数据抽象。代码中是一个抽象类，它代表一个弹性的、不可变、可分区、里面的元素可并行计算的集合。

官网解释：

1）一组分片（Partition），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。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序所分配到的CPU Core的数目。

2）一个计算每个分区的函数。Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。

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。在部分分区数据丢失时，Spark可以通过这个依赖关系重新计算丢失的分区数据，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HashPartitioner，另外一个是基于范围的RangePartitioner。只有对于key-value的RDD，才会有Partitione