文章目录
1.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。
2.groupByKey算子和reduceByKey算子的区别?
两个算子在功能上的区别:
- groupByKey仅仅只有分组功能
- reduceByKey除了有ByKey的分组功能外,还有reduce聚合功能,是一个分组+聚合的一体化算子。
两个算子在性能上的区别:
如果对数据执行分组+聚合,那么使用这2个算子的性能差别是很大的。reduceByKey的性能是远大于: groupByKey +聚合逻辑
的。
先看groupByKey +聚合的执行过程,
由于groupByKey只能分组,所以,执行上是先分组(shuffle)在聚合。
再看reduceByKey的执行过程&#