云计算-Spark部分复习(自用)

SPARK（有操作）：
1. spark作业 
2. spark-RDD（必考编程：常用算子 map groupby key flatmap-单词统计、单词排序）
3. spark-sql（和hive相似，可能有捆绑，如何操作*考的不深，不一定编程  必须了解操作 判断选择题） 
4. spark-streaming（看包、做作业，题目有变换）

一、Spark的代码特点:简洁易懂

二、Spark与Hadoop的对比

三、Spark架构

Spark的基本组件有Excutor,SparkContext和Task

四、Spark的运行基本流程

五、Yarn-cluster和yarn-client

Yarn-cluster适用于生产环境, Yarn-client适用于交互和调试

六、RDD简介

七、RDD的特点

八、Stage的概念

RDD有两种依赖，分别为宽依赖(wide dependency/shuffle dependency)和窄依赖(narrow dependency) 

这里借用一下CSDN中杨林伟博主的介绍

1.窄依赖:父RDD的一个分区只会被子RDD的一个分区依赖

2.宽依赖:父RDD的一个分区会被子RDD的多个分区依赖(涉及到Shuffle)

九、Spark的核心原理

1.用户代码(如rdd1.join...)转换为有向无环图(DAG)后,交给DAGScheduler

2.有DAGScheduler把RDD的有向无环图分割成各个Stage的有向无环图形成TaskSet,再提交给TaskScheduler

3.有TaskScheduler把任务(Task)提交给每个Worker上的Executor执行据以的Task

4.在TaskScheduler中,是不知道各个Stage的存在的,运行的只有Task

十、Stage的概念

十一、RDD的转换与操作(学生的平均成绩计算)

十一、Spark中文件的读取与存储

详细步骤如下

十二、编写SparkWordCount(单词计数程序)

十三、持久化

十四、Spark DataFrame基本操作

① DataFrame：DataFrame 是一种以 RDD 为基础的分布式数据集，类似于传统数据库的二维表格，带有 Schema 元信息(可以理解为数据库的列名和类型)。DataFrame = RDD ＋ 泛型 + SQL 的操作 + 优化

② DataSet：DataSet是DataFrame的进一步发展，它比RDD保存了更多的描述信息，概念上等同于关系型数据库中的二维表，它保存了类型信息，是强类型的，提供了编译时类型检查。调用 Dataset 的方法先会生成逻辑计划，然后被 spark 的优化器进行优化，最终生成物理计划，然后提交到集群中运行！DataFrame = Dateset[Row]
 

• DataFrame = RDD - 泛型 + Schema + SQL + 优化
• DataSet = DataFrame + 泛型
• DataSet = RDD + Schema + SQL + 优化

DataFrame是一种不可变的分布式数据集,被组织成指定的列,类似于关系数据库中的表

数据集的每一列都带有名称和类型,对于数据的内部结构又很强的描述性

RDD是分布式的Java对象的集合,DataDrame是分布式的Row对象的集合

十五、读取mysql数据库test的student表

十六、从Hive中的表创建DataFrame

十七、保存DataFrame