大数据篇--Spark常见面试题总结二

一、Spark作业资源的设置情况

  性能调优的王道，就是增加和分配更多的资源，性能和速度上的提升是显而易见的，基本上，在一定范围之内，增加资源与性能的提升是成正比的。写完了一个复杂的Spark作业之后，进行性能调优的时候，首先第一步，就是要调节最优的资源配置，在这个基础之上，如果说你的Spark作业，能够分配的资源达到了你的能力范围的顶端之后，无法再分配更多的资源了，公司资源有限，那么才是考虑去做后面的这些性能调优的点。

1.分配哪些资源：
  executor、每个executor的cpu core数量 、每个executor的memory大小、driver memory。

2.在哪里分配这些资源：
  在我们在生产环境中，提交spark作业时，用的spark-submit shell脚本，里面调整对应的参数。参数如下：

/usr/local/spark/bin/spark-submit \
--master yarn --deploy-mode client \
--class cn.spark.sparktest.core.WordCountCluster \
--num-executors 3 \  配置executor的数量
--driver-memory 100m \  配置driver的内存（影响不大）
--executor-memory 100m \  配置每个executor的内存大小
--executor-cores 3 \  配置每个executor的cpu core数量
/usr/local/SparkTest-0.0.1-SNAPSHOT.jar \

3.调节到多大，算是资源利用率最大呢：
  Spark Standalone，公司集群上，搭建了一套Spark集群，你应该了解每台机器还能够给你使用的资源情况，比如：大概有多少内存，多少cpu core，那么，设置的时候就根据这个实际的情况，去调节每个Spark作业的资源分配。比如说你的每台机器能够给你使用4G内存，2个cpu core；20台机器，如果设置executor数量为20个，那么每个executor就分配4G内存，2个cpu core。

  Yarn 资源队列，需要查看你要提交的yarn资源队列目前的资源剩余及使用情况，然后根据剩余可用的资源进行合理分配设置，比如：500G内存，100个cpu core，如果设置executor数量为50个，那么每个executor就平均最大分配10G内存，2个cpu core，你能使用的资源有多大，就尽量去调节到最大的大小。

4.为什么调节了资源以后，性能可以提升：
  增加executor数量：如果executor数量比较少，那么，能够并行执行的task数量就比较少，就意味着，我们的Application的并行执行的能力就很弱。比如有3个executor，每个executor有2个cpu core，那么同时能够并行执行的task就是6个。6个执行完以后，再换下一批6个task执行。增加了executor数量以后，那么就意味着，能够并行执行的task数量，也就变多了。比如原先是6个，现在可能可以并行执行10个，甚至20个，100个，那么并行能力就比之前提升了数倍，相应的，性能（执行的速度），也能提升数倍~数十倍。

  增加每个executor的内存大小：如果需要对RDD进行cache，那么更多的内存，就可以缓存更多的数据，将更少的数据写入磁盘，甚至不写入磁盘。减少了磁盘IO消耗。对于shuffle操作，在reduce端会需要内存来存放拉取的数据并进行聚合。如果内存不够，就会写入磁盘。如果给executor分配更多内存以后，可能就只需要将很少量的数据写入磁盘，甚至不需要写入磁盘，减少了磁盘IO，提升了性能。对于task的执行，可能会创建很多对象，如果内存比较小，可能会频繁导致JVM堆内存满了，然后频繁GC垃圾回收。内存加大以后，会很少的触发GC，提高了程序的运行速度。

  增加每个executor的cpu core：增加每个executor的cpu core，也是增加了task执行的并行度。因为同一时间每个cpu core只能调用执行一个executor进程中的一个task，那么如果原本20个executor，每个才2个cpu core，能够并行执行的task数量，也就是40个task。现在每个executor的cpu core，增加到了5个，那么能够并行执行的task数量，就是100个task。很明显的，执行的速度，提升了2.5倍。

5.调节Spark任务的并行度：
  并行度：其实就是指的是，Spark作业中，各个stage的task数量，也就代表了Spark作业的在各个阶段（stage）的并行度。

a.为什么需要调节task的并行度：
  假设，现在已经在spark-submit脚本里面，给我们的spark作业分配了足够多的资源，比如50个executor，每个executor有10G内存，每个executor有3个cpu core。基本已经达到了集群或者yarn队列的资源上限。task没有设置或者设置的很少，比如就设置了100个task，50个executor，每个executor有3个cpu core，也就是说，你的Application任何一个stage运行的时候，都有总数在150个cpu core，可以并行运行。但是你现在，只有100个task，平均分配一下，每个executor分配到2个task，那么同时在运行的task，只有100个，每个executor只会并行运行2个task。每个executor剩下的一个cpu core，就浪费掉了。你的资源虽然分配足够了，但是问题是，并行度没有与资源相匹配，导致你分配下去的资源都浪费掉了。

b.如何合理的设置task的并行度：
  合理的并行度的设置，应该是要设置的足够大，大到可以完全合理的利用你的集群资源，比如上面的例子，总共集群有150个cpu core，可以并行运行150个task。那么就应该将你的Application的并行度，至少设置成150，才能完全有效的利用你的集群资源，让150个task并行执行，而且task增加到150个以后，即可以同时并行运行，还可以让每个task要处理的数据量变少，比如总共150G的数据要处理，如果是100个task，每个task计算1.5G的数据；现在增加到150个task，可以并行运行，而且每个task主要处理1G的数据就可以。只要合理设置并行度，就可以完全充分利用你的集群计算资源，并且减少每个task要处理的数据量，最终，就是提升你的整个Spark作业的性能和运行速度。

• task数量，至少设置成与Spark application的总cpu core数量相同（最理想情况，比如总共150个cpu core，分配了150个task，一起运行，差不多同一时间运行完毕）
• 官方是推荐task数量，设置成spark application总cpu core数量的2~3倍，比如150个cpu core，基本要设置task数量为300~500。实际情况，与理想情况不同的，有些task会运行的快一点，比如50s就完了，有些task，可能会慢一点，要1分半才运行完，所以如果你的task数量，刚好设置的跟cpu core数量相同，可能还是会导致资源的浪费，因为，比如150个task，10个先运行完了，剩余140个还在运行，但是这个时候，有10个cpu core就空闲出来了，就导致了浪费。那如果task数量设置成cpu core总数的2~3倍，那么一个task运行完了以后，另一个task马上可以补上来，就尽量让cpu core不要空闲，同时也是尽量提升spark作业运行的效率和速度，提升性能。
• Spark Application的并行度怎么设置呢？Spark的并行度参数为spark.default.parallelism，需要我们在driver端代码中进行设置，SparkConf conf = new SparkConf().set(“spark.default.parallelism”, “500”)

参考：
Spark 调优

二、DataFrame/Dataset/RDD的区别及编程

可参考：且谈 Apache Spark 的 API 三剑客：RDD、DataFrame 和 Dataset

1.前言：
  Spark每个模块都有一个核心抽象，Spark-core的核心抽象是RDD，Spark SQL等都基于RDD封装了自己的抽象，在Spark SQL中是DataFrame/DataSet。相对来说RDD是更偏底层的抽象，DataFrame/DataSet是在其上做了一层封装，做了优化，使用起来更加方便。从功能上来说，DataFrame/DataSet能做的事情RDD都能做，RDD能做的事情DataFrame/DataSet不一定能做。
  从版本的产生上来看：RDD (Spark1.0) —> Dataframe(Spark1.3) —> Dataset(Spark1.6)
  如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。

2.什么是DataFrame：
  在Spark中，DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库中的二维表格。

3.RDD和DataFrame的区别：
  DataFrame与RDD的主要区别在于，DataFrame带有schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型。使得Spark SQL得以洞察更多的结构信息，从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优化，最终达到大幅提升运行时效率的目标。
  RDD，由于无从得知所存数据元素的具体内部结构，Spark Core只能在stage层面进行简单、通用的流水线优化。 DataFrame底层是以RDD为基础的分布式数据集，和RDD的主要区别的是：RDD中没有schema信息，而DataFrame中数据每一行都包含schema。DataFrame = RDD[Row] + shcema

  DataFrame还引入了off-heap，意味着JVM堆以外的内存, 这些内存直接受操作系统管理（而不是JVM）。Spark能够以二进制的形式序列化数据(不包括结构)到off-heap中，当要操作数据时，就直接操作off-heap内存。由于Spark理解schema，所以知道该如何操作。

  off-heap就像地盘, schema就像地图，Spark有地图又有自己地盘了，就可以自己说了算了，不再受JVM的限制，也就不再收GC的困扰了。通过schema和off-heap，DataFrame解决了RDD的缺点，但是却丢了RDD的优点：DataFrame不是类型安全的，API也不是面向对象风格的。

4.什么是DataSet：
  Dataset是一个由特定领域的对象组成强类型（typedrel）集合，可以使用函数（DSL）或关系运算（SQL）进行并行的转换操作。 每个Dataset 还有一个称为“DataFrame”的无类型（untypedrel）视图，它是[[Row]]的数据集。

5.RDD和Dataset的区别：
  Dataset与RDD类似，但是，它们不使用Java序列化或Kryo，而是使用专用的Encoder编码器来序列化对象以便通过网络进行处理或传输。虽然Encoder编码器和标准序列化都负责将对象转换为字节，但Encoder编码器是动态生成的代码，并使用一种格式，允许Spark执行许多操作，如过滤，排序和散列，而无需将字节反序列化为对象

6.Dataset和DataFrame的区别与联系：
区别：

• Dataset是强类型typedrel的，会在编译的时候进行类型检测；而DataFrame是弱类型untypedrel的，在执行的时候进行类型检测；
• Dataset是通过Encoder进行序列化，支持动态的生成代码，直接在bytes的层面进行排序，过滤等的操作；而DataFrame是采用可选的java的标准序列化或是kyro进行序列化。

联系：

• 在spark2.x，DataFrame和Dataset的api进行了统一
• 在语法角度，DataFrame是Dataset中每一个元素为Row类型的特殊情况
  type DataFrame = Dataset[Row]
• DataFrame和Dataset实质上都是一个逻辑计划，并且是懒加载的，都包含着scahema信息，只有到数据要读取的时候，才会将逻辑计划进行分析和优化，并最终转化为RDD
• 二者由于api是统一的，所以都可以采用DSL和SQL方式进行开发，都可以通过sparksession对象进行创建或者是通过transform转化操作得到
• 在对DataFrame和Dataset进行操作许多操作都需要这个包进行支持import spark.implicits._

7.DataSet的创建：
可以参见官方文档：http://spark.apache.org/docs/2.2.1/sql-programming-guide.html#creating-datasets

8.RDD转DataFrame原因及方式：
  可以将RDD转成DataFrame之后，借用sparksql和sql以及HQL语句快速方便的使用sql语句统计和查询，比如说分组排名(row_number() over()) 分析函数和窗口函数去实现占比分析。
  将RDD转化为DataFrame有两种方式：
方式一：通过反射推断schema 要求：RDD的元素类型必须是case class
方式二、编程指定schema 要求：RDD的元素类型必须是Row 自己编写schema（StructType） 调用SparkSession的createDatafrmame（RDD[Row],schema）

9.DataFrame转RDD原因及方式：

• 解决一些使用sql难以处理的统计分析
• 将数据写入Mysql。a.DataFrame的write.jdbc，仅支持四种模式：append、overwrite、ignore、default；b.使用rdd的话，除了上述以外还支持insert 和 update操作，还支持数据库连接池 （自定 义，第三方：c3p0 hibernate mybatis）方式，批量高效将大量数据写入 Mysql

方式： DataFrame转换为RDD相对来说比较简单，只需要调用DataFrame的RDD算子即可。
 

三、Spark中的隐式转换的作用：结合Scala来学习