Spark常见问题整理--面试前必看

一、job、stage、Task之间的关系是什么？

• 一个job可以包含多个stage

• 一个stage包含多个task

二、job、stage、Task之间的关系是什么？

• 每提交一个任务，就会创建一个job，即调用action算子的时候会创建job【当调用算子之后返回值不是RDD类型的就可以归为Action算子】
• 根据宽依赖和窄依赖划分stage，如果是宽依赖，就新增一个stage
• Task数量实际上就是分区的数量

三、什么是宽依赖、窄依赖？

• 如果一个父RDD分区被多个子RDD的分区使用，就是宽依赖【超生】如果一个父RDD分区被多个子RDD的分区使用，就是宽依赖【超生】
• 如果一个父RDD分区只被一个子RDD分区使用，就是窄依赖【独生】如果一个父RDD分区只被一个子RDD分区使用，就是窄依赖【独生】
• abstract class Dependencyabstract class Dependency
  • abstract class NarrowDependency extend Dependency 有一个抽象方法，getParents（）
    • class OneToOneDependency extend NarrowDependency 实现抽象方法getParents（）
    • class RangeDependency extend NarrowDependency 实现抽象方法getParents（）class RangeDependency extend NarrowDependency 实现抽象方法getParents（）
  • class ShuffleDependency extend Dependencyclass ShuffleDependency extend Dependency

四、Action算子和Transformation算子是什么，列举一些？

• Action算子会创建job，会立即执行。 例如：take ，first，collect，foreach，foreachPartition。

• Transformation不会立即执行，但是里边会记录一些依赖关系，还有函数。 例如：map，filter，flatMap，reduceByKey，groupByKey等等。

五、reduceByKey和groupByKey有什么区别？

reduceByKey：reduceByKey 会在结果发送至reducer 之前会对每个mapper 在本
地进行merge，有点类似于在MapReduce 中的combiner。这样做的好处在于，
在map 端进行一次reduce 之后，数据量会大幅度减小，从而减小传输，保证reduce
端能够更快的进行结果计算。

groupByKey：groupByKey 会对每一个RDD 中的value 值进行聚合形成一个序列
(Iterator)，此操作发生在reduce 端，所以势必会将所有的数据通过网络进行传输，
造成不必要的浪费。同时如果数据量十分大，可能还会造成OutOfMemoryError。

结论：

所以在进行大量数据的reduce 操作时候建议使用reduceByKey。不仅可以提高速
度，还可以防止使用groupByKey 造成的内存溢出问题。

六、RDD五大属性

七、Spark的架构与作业提交流程