Spark进阶高频面试题

1、简述SparkSQL中RDD、DataFrame、DataSet三者区别与联系

1. RDD

优点:

• 编译时类型安全
• 编译时就能检查出类型错误
• 面向对象的编程风格
• 直接通过类名点的方式来操作数据

缺点:

• 序列化和反序列化的性能开销
• 无论是集群间的通信, 还是IO操作都需要对对象的结构和数据进行序列化和反序列化。
• GC的性能开销 ，频繁的创建和销毁对象, 势必会增加GC

2. DataFrame

DataFrame引入了schema和off-heap

schema : RDD每一行的数据, 结构都是一样的，这个结构就存储在schema中。 Spark通过schema就能够读懂数据, 因此在通信和IO时就只需要序列化和反序列化数据, 而结构的部分就可以省略了。

3. DataSet

DataSet结合了RDD和DataFrame的优点，并带来的一个新的概念Encoder。

当序列化数据时，Encoder产生字节码与off-heap进行交互，能够达到按需访问数据的效果，而不用反序列化整个对象。Spark还没有提供自定义Encoder的API，但是未来会加入。

2、SparkSQL中join操作与left join操作的区别

join和sql中的inner join操作很相似，返回结果是前面一个集合和后面一个集合中匹配成功的，过滤掉关联不上的。

<