【sparkcore整理】

sparkcore

1.rdd是不可变的，只能通过计算/操作得到一个新的rdd

2.rdd五大特性：

1.rdd底层存储一系列partition
2.针对rdd做计算/操作其实就是对rdd底层的partition进行操作
3.rdd之间的依赖关系(血缘关系)rdda=》rddb=》rddc
4.Partitioner（分区器）：kv类型的rdd
5.数据本地性：减少网络io

3.创建rdd的三种方式：

1.已经存在的集合中
2.其他数据存储系统
	1.外部数据源：hdfs、local、hbase、s3、cos
	2.数据文件类型：text file 、SequenceFile。。。
3.从已经存在的rdd转换生产一个新的rdd

4.saprk中落地文件的个数和什么有关系：

rdd里面有多少个partition，文件落地就有多少个文件

5.转换算子和action算子有什么区别：

转换算子都是懒加载的

6.常用的转换算子：

map、flatmap、filter、mappartitions、distinct、
groupby、sortby、reducebykey、mapvalues

7.常用的action算子：

foreach
foreachpartition

8.sparkcore核心概念：

application包含一个driver和n个executor
一个application包含一个到n个job
一个job包含一个到n个stage
一个stage包含一个到n个task，task和partition一一对应

9.spark执行流程：

1.spark作业运行在集群上有一系列进程
2.SparkContext去协调这些进程（进程：1 driver executors）
3.运行spark作业：
	1.sc去连接 cluster manager
	2.cluster manager 给spark作业分配资源
	3.spark一旦连接上cluster，启动executor计算和存储数据
4.sc发送代码给ececutor sc发送task 去executor上运行

10.spark执行架构补充：每个spark作业都有自己的executor进程，好处是：1.资源隔离 2.调度隔离

11.rdd持久化操作：数据不用从头计算，提升计算效率

1.persist() or cache() 【不是action算子，是懒加载的 cache算子底层调用的就是persist】
2.触发action之后会对rdd数据进行持久化（对rdd持久化就是对rdd里面的分区做持久化）

12.持久化存储级别：

1.首选 MEMORY_ONLY
2.次选 MEMORY_ONLY_SER
	1.java serialization：by default
	2.kryo：注册 class

13.移除rdd持久化：

1.saprk本身会根据lru最近最少使用原则自动取消持久化
2.手动 ：RDD.unpersist(true) 立即齿形的eager

14.依赖关系：不同依赖关系会导致生成rdd分区数发生变化

1.宽依赖
	1.一个父rdd的partition会被子rdd的partition使用多次
	2.会产生shuffle 会产生新的stage
2.窄依赖
	1.一个父rdd的partition至多被子rdd的partition使用一次
	2.不会产生shuffle，都在一个stage里面

15.如何划分stage：

sparkcore产生宽依赖就会划分stage
算子引起shfulle就会划分stage
一个shuffle算子会划分2个stage

16.如何调整计算并行度：

coalesce：一般用于减少rdd分区数 【窄依赖算子，不会引起shuffle】
repartition：增加rdd的分区数 底层实现：coalesce(num,shuffle=true)

17.引起shuffle的算子：

1.xxxbykey
2.repartition coalesce(不会引起shuffle)
3.join：map join不会引起shuffle 
	reduce join/common join 引起shuffle