Spark面试题*精选*（附答案）

spark学习之路

一、什么是spark

Apache Spark是用于大规模数据处理的统一分析引擎，也用于人工智能

基于MapReduce的计算引擎通常会将中间结果输出到磁盘上，进行存储和容错。Spark是MapReduce的代替方案，而且兼容HDFS，hive,可融入Hadoop的生态系统，以弥补MapReduce的不足

二、Spark的四大特性

1.高效性

运行速度提高100倍。

Apache Spark使用最先进的DAG调度程序，查询优化程序和物理执行引擎，实现批量和流式数据的高性能。

2.易用性

Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。

3.通用性

Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。

4.兼容性

Spark可以非常方便地与其他的开源产品进行融合。

三、Spark的组成

Spark主要组件：

SparkCore:将分布式数据抽象为弹性分布式数据集(RDD)，实现了应用任务调度，RPC，序列化和压缩，并为运行在其上的上层组件提供API。

SparkSQL: Spark Sql 是Spark来操作结构化数据的程序包，可以让我使用SQL语句的方式来查询数据，Spark支持多种数据源，包含Hive表，parquest以及JSON等内容

SparkStreaming: 是Spark提供的实时数据进行流式计算的组件

**MLlib:**提供常用机器学习算法的实现库

**GraphX：**提供一个分布式图计算框架，能高效进行图计算

**BlinkDB:**用于在海量数据上进行交互式SQL的近似查询引擎

**Tachyon:**以内存为中心高容错的分布式文件系统

四、应用场景

淘宝使用Spark来解决多次迭代的机器学习算法、高计算复杂度的算法等。应用于内容推荐，社区发现等

五、Spark之RDD

5.1什么是RDD

RDD叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变，可分区，里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错，位置感知性调度和可伸缩性。RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续地查询能够重用工作集，这极大地提升了查询速度。

5.2RDD的属性

（1） 一组分片，即数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。

（2）一个计算每个分区的函数。Spark中的RDD的计算以分片为单位的，每个RDD都会实现compute函数以达到这个目的。

（3）RDD之间的依赖关系。RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。部分分区数据丢失时，Spark可以通过这个依赖关系重新计算对视的分区数据，而不是对RDD的所有分区进行重新计算。

（4）一个Partitioner,即RDD的分片函数。当前Spark中实现了两种类型的分片函数，一个是基于哈希的，另一个是基于范围的

（5）一个列表，存储存取每个Partition（分片）的优先位置。对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。

5.3通过简单的词频统计来了解RDD

六、RDD的创建方式

6.1通过读取文件生成

由外部存储系统的数据集创建，包括本地的文件系统，还有所有Hadoop支持的数据集，比如HDFS、Cassandra、HBase等

scala> val file = sc.textFile("/spark/hello.txt")

6.2通过并行化的方式创建RDD

由一个已经存在的Scala集合创建

scala> val array = Array(1,2,3,4,5)
array: Array[Int] = Array(1, 2, 3, 4, 5)

scala> val rdd = sc.parallelize(array)
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[27] at parallelize at <console>:26

6.3其他方式

读取数据库等等其他的操作。也可以生成RDD。

RDD可以通过其他的RDD转换而来的。

七、RDD编程API

Spark支持两个类型（算子）操作：Transformation和Action

7.1Transformation

主要做的是就是将一个已有的RDD生成另外一个RDD。Transformation具有lazy特性(延迟加载)。Transformation算子的代码不会真正被执行。只有当我们的程序里面遇到一个action算子的时候，代码才会真正的被执行。这种设计让Spark更加有效率地运行。

常用的Transformation:

转换	含义
map(func)	返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成
filter(func)	返回一个新的RDD，该RDD由经过func函数计算后返回值为true的输入元素组成
flatMap(func)	类似于map，但是每一个输入元素可以被映射为0或多个输出元素（所以func应该返回一个序列，而不是单一元素）
union(otherDataset)	对源RDD和参数RDD求并集后返回一个新的RDD
groupByKey([numTasks])	在一个(K,V)的RDD上调用，返回一个(K, Iterator[V])的RD
sortByKey	在一个(K,V)的RDD上调用，K必须实现Ordered接口，返回一个按照key进行排序的(K,V)的RDD
	官方很全面，这里只做了解。

7.2Action

触发代码的运行，我们一段spark代码里边至少需要有一个action操作

常用的Action：

动作	含义
reduce(func)	通过func函数聚集RDD中的所有元素，这个功能必须是课交换且可并联的
collect()	在驱动程序中，以数组的形式返回数据集的所有元素
count()	返回RDD的元素个数
first()	返回RDD的第一个元素（类似于take(1)）
foreach(func)	在数据集的每一个元素上，运行函数func进行更新。
	此处只是列举几个，更为全面的去查看官方文档

7.3Spark WordCount代码编写

使用maven进行项目搭建

查看官方文档，导入2个依赖包

详细代码-scala

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object SparkWordCountWithScala {
  def main(args: Array[String]): Unit = {

    val conf = new SparkConf()
    /**
      * 如果这个参数不设置，默认认为你运行的是集群模式
      * 如果设置成local代表运行的是local模式
      */
    conf.setMaster("local")
    //设置任务名
    conf.setAppName("WordCount")
    //创建SparkCore的程序入口
    val sc = new SparkContext(conf)
    //读取文件 生成RDD
    val file: RDD[String] = sc.textFile("E:\\hello.txt")
    //把每一行数据按照，分割
    val word: RDD[String] = file.flatMap(_.split(","))
    //让每一个单词都出现一次
    val wordOne: RDD[(String, Int)] = word.map((_,1))
    //单词计数
    val wordCount: RDD[(String, Int)] = wordOne.reduceByKey(_+_)
    //按照单词出现的次数 降序排序
    val sortRdd: RDD[(String, Int)] = wordCount.sortBy(tuple => tuple._2,false)
    //将最终的结果进行保存
    sortRdd.saveAsTextFile("E:\\result")

    sc.stop()
  }

详细代码-jdk8

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object SparkWordCountWithScala {
  def main(args: Array[String]): Unit = {

    val conf = new SparkConf()
    /**
      * 如果这个参数不设置，默认认为你运行的是集群模式
      * 如果设置成local代表运行的是local模式
      */
    conf.setMaster("local")
    //设置任务名
    conf.setAppName("WordCount")
    //创建SparkCore的程序入口
    val sc = new SparkContext(conf)
    //读取文件 生成RDD
    val file: RDD[String] = sc.textFile("E:\\hello.txt")
    //把每一行数据按照，分割
    val word: RDD[String] = file.flatMap(_.split(","))
    //让每一个单词都出现一次
    val wordOne: RDD[(String, Int)] = word.map((_,1))
    //单词计数
    val wordCount: RDD[(String, Int)] = wordOne.reduceByKey(_+_)
    //按照单词出现的次数 降序排序
    val sortRdd: RDD[(String, Int)] = wordCount.sortBy(tuple => tuple._2,false)
    //将最终的结果进行保存
    sortRdd.saveAsTextFile("E:\\result")

    sc.stop()
  }

WordCount执行过程图

• 在统计词数的程序中，首先读取数据，在执行两次map操作，和一个reduce操作，最后保存结果，在这个过程中，一共生成了6个RDD
• 在读取数据的时候，生成了两个RDD，经过两次map，又生成了两个RDD，在reduce时生成了一个RDD，在执行saveAsTextFile时又生成了一个RDD
• reduce时的过程也称为shuffle，一共有两个步骤，第一步是进行局部聚合，第二步是进行全局聚合
• 一个分区对应一个task(在同一个stage)，一个分区对应的task只能在一台机器上（在executor中），一台机器上可以有多个分区对应的task
• 一共有两个阶段（stage），在shuffle时是一个分水岭，shuffle前的task称为shufflemaptask,shuffle后的task成为resulttask.所以，WordCount执行过程中，一共生成了2种task,4个task（因为本例中有两个分区）。

八、RDD的宽依赖和窄依赖

8.1RDD依赖关系的本质内幕

由于RDD是粗粒度的操作数据集，每个Transformation操作都会生成一个新的RDD，所以RDD之间就会形成类似流水线的前后依赖关系；RDD和它依赖的父RDD的关系有两种不同的类型，即窄依赖和宽依赖。

**窄依赖：**是指每个父RDD的一个Partition最多被子RDD的一个Partition所使用，例如map,filter,union等操作都会产生窄依赖；(独生子女)

**宽依赖：**是指一个父RDD的Partition会被多个子RDD的Partition所使用，例如groupByKey、reduceByKey、sortByKey等操作都会产生宽依赖。(超生)

总结：

​ 从父RDD的partition被使用的个数来定义窄依赖和宽依赖。一句话概括下：如果父RDD的一个partition被子RDD的一个Partition所使用的就是窄依赖，负责就是宽依赖。窄依赖中子RDD的partition对父RDD依赖的Partition数量不会随着RDD数据规模的改变而改变

8.2依赖关系下的数据流视图

Spark划分stage的整体思路是：从后往前推，遇到宽依赖就断开，划分为一个stage;遇到窄依赖就将这个RDD加入该stage中。

在spark中，Task的类型分为2中：ShuffleMapTask和ResultTask; 简单来说DAG（有向无环图）的最后一个阶段会为每个结果的partition生成一个ResultTask。而其余所有阶段都会生成ShuffleMapTask.