Spark之⾯试题
1、Spark有⼏种部署⽅式？（重点）
Spark⽀持3种集群管理器（Cluster Manager），分别为：
1. Standalone：独⽴模式，Spark原⽣的简单集群管理器，⾃带完整的服务，可单独部署到⼀个集群中，⽆需依赖任何其他资源管理系
统，使⽤Standalone可以很⽅便地搭建⼀个集群；
2. Apache Mesos：⼀个强⼤的分布式资源管理框架，它允许多种不同的框架部署在其上，包括yarn；
3. Hadoop YARN：统⼀的资源管理机制，在上⾯可以运⾏多套计算框架，如map reduce、storm等，根据driver在集群中的位置不同，besure
分为yarn client和yarn cluster。
实际上，除了上述这些通⽤的集群管理器外，Spark内部也提供了⼀些⽅便⽤户测试和学习的简单集群部署模式。由于在实际⼯⼚环境下使⽤的绝⼤多数的集群管理器是Hadoop YARN，因此我们关注的重点是Hadoop YARN模式下的Spark集群部署。
Spark的运⾏模式取决于传递给SparkContext的MASTER环境变量的值，个别模式还需要辅助的程序接⼝来配合使⽤，⽬前⽀持的Master字符串及URL包括：
Spark运⾏模式配置
Master URL Meaning
local在本地运⾏，只有⼀个⼯作进程，⽆并⾏计算能⼒。
increadlocal[K]在本地运⾏，有K个⼯作进程，通常设置K为机器的CPU
核⼼数量。
local[*]在本地运⾏，⼯作进程数量等于机器的CPU核⼼数量。
spark://HOST:PORT以Standalone模式运⾏，这是Spark⾃⾝提供的集群运⾏
模式，默认端⼝号: 7077。
mesos://HOST:PORT在Mesos集群上运⾏，Driver进程和Worker进程运⾏在
Mesos集群上，部署模式必须使⽤固定值:--deploy-mode
cluster
yarn-client在Yarn集群上运⾏，Driver进程在本地，Executor进程在
Yarn集群上，部署模式必须使⽤固定值:--deploy-mode
client。Yarn集群地址必须在HADOOP_CONF_DIR or
YARN_CONF_DIR变量⾥定义。
yarn-cluster在Yarn集群上运⾏，Driver进程在Yarn集群上，Work进
程也在Yarn集群上，部署模式必须使⽤固定值:--deploy-
mode cluster。Yarn集群地址必须在
HADOOP_CONF_DIR or YARN_CONF_DIR变量⾥定
义。
⽤户在提交任务给Spark处理时，以下两个参数共同决定了Spark的运⾏⽅式。
·
–master MASTER_URL ：决定了Spark任务提交给哪种集群处理。
· –deploy-mode DEPLOY_MODE：决定了Driver的运⾏⽅式，可选值为Client或者Cluster。
2、Spark提交作业参数（重点）
参考答案：
1）在提交任务时的⼏个重要参数
executor-cores —— 每个executor使⽤的内核数，默认为1，官⽅建议2-5个，企业是4个
num-executors —— 启动executors的数量，默认为2
executor-memory —— executor内存⼤⼩，默认1G
driver-cores —— driver使⽤内核数，默认为1
driver-memory —— driver内存⼤⼩，默认512M
2）给出⼀个提交任务的样式
spark-submit \
--master local[5] \
--driver-cores 2 \
--driver-memory 8g \
--executor-cores 4 \
--num-executors 7 \
--executor-memory 8g \
--class PackageName.ClassName XXXX.jar \
skl--name "Spark Job Name" \
InputPath \
OutputPath
3、简述Spark on yarn的作业提交流程（重点）
YARN Client模式
在YARN Client模式下，Driver在任务提交的本地机器上运⾏，Driver启动后会和ResourceManager通讯申请启动ApplicationMaster，随后ResourceManager分配container，在合适的NodeManager上启动ApplicationMaster，此时的ApplicationMaster的功能相当于⼀个ExecutorLaucher，只负责向ResourceManager申请Executor内存。
ResourceManager接到ApplicationMaster的资源申请后会分配container，然后ApplicationMaster在资源分配指定的NodeManager上启动Executor进程，Executor进程启动后会向Driver反向注册，Executor全部注册完成后Driver开始执⾏main函数，之后执⾏到Action算⼦时，触发⼀个job，并根据宽依赖开始划分stage，每个stage⽣成对应的taskSet，之后将task分发到各个Executor上执⾏。
YARN Cluster模式
YARN Cluster模式
在YARN Cluster模式下，任务提交后会和ResourceManager通讯申请启动ApplicationMaster，随后ResourceManager分配container，在合适的NodeManager上启动ApplicationMaster，此时的Applicati
onMaster就是Driver。
Driver启动后向ResourceManager申请Executor内存，ResourceManager接到ApplicationMaster的资源申请后会分配container，然后在合适的NodeManager上启动Executor进程，Executor进程启动后会向Driver反向注册，Executor全部注册完成后Driver开始执⾏main函数，之后执⾏到Action算⼦时，触发⼀个job，并根据宽依赖开始划分stage，每个stage⽣成对应的taskSet，之后将task分发到各个Executor上执⾏。
4、请列举Spark的transformation算⼦（不少于5个）（重点）1）map
2）flatMap
joyo3）filter
4）groupByKey
5）reduceByKey
6）sortByKey
5、请列举Spark的action算⼦（不少于5个）（重点）
1）reduce：
2）collect:
3）first：
4）take：
5）aggregate：
6）countByKey：
7）foreach：
pearl harbour8）saveAsTextFile：
6、简述Spark的两种核⼼Shuffle（重点）
spark的Shuffle有Hash Shuffle和Sort Shuffle两种。
paypal 是什么在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager。
工程管理系统
HashShuffleManager有着⼀个⾮常严重的弊端，就是会产⽣⼤量的中间磁盘⽂件，进⽽由⼤量的磁盘IO操作影响了性能。因此在Spark 1.2以后的版本中，默认的ShuffleManager改成了SortShuffleManager。
SortShuffleManager相较于HashShuffleManager来说，有了⼀定的改进。主要就在于，每个Task在进⾏shuffle操作时，虽然也会产⽣较多的临时磁盘⽂件，但是最后会将所有的临时⽂件合并(merge)成⼀个磁盘⽂件，因此每个Task就只有⼀个磁盘⽂件。在下⼀个stage的shuffle read task拉取⾃⼰的数据时，只要根据索引读取每个磁盘⽂件中的部分数据即可。
未经优化的HashShuffle：
上游的stage的task对相同的key执⾏hash算法，从⽽将相同的key都写⼊到⼀个磁盘⽂件中，⽽每⼀个磁盘⽂件都只属于下游stage的⼀个task。在将数据写⼊磁盘之前，会先将数据写⼊到内存缓冲，当内存缓冲填满之后，才会溢写到磁盘⽂件中。但是这种策略的不⾜在于，下游有⼏个task，上游的每⼀个task都就都需要创建⼏个临时⽂件，每个⽂件中只存储key取hash之后相同的数据，导致了当下游的task任务过多的时候，上游会堆积⼤量的⼩⽂件
优化后的HashShuffle：
在shuffle write过程中，上游stage的task就不是为下游stage的每个task创建⼀个磁盘⽂件了。此时会出现shuffleFileGroup的概念，每个shuffleFileGroup会对应⼀批磁盘⽂件，磁盘⽂件的数量与下游stage的task数量是相同的。⼀个Executor上有多少个CPU core，就可以并⾏执⾏多少个task。⽽第⼀批并⾏执⾏的每个task都会创建⼀个shuffleFileGroup，并将数据写⼊对应的磁盘⽂件内。当Executor的CPU core 执⾏完⼀批task，接着执⾏下⼀批task时，下⼀批task就会复⽤之前已有的shuffleFileGroup，包括其中的磁盘⽂件。也就是说，此时task会将数据写⼊已有的磁盘⽂件中，⽽不会写⼊新的磁盘⽂件中。因此，consolidate机制允许不同的task复⽤同⼀批磁盘⽂件，这样就可以有效将多个task的磁盘⽂件进⾏⼀定程度上的合并，从⽽⼤幅度减少磁盘⽂件的数量，进⽽提升shuffle write的性能。
注意：如果想使⽤优化之后的ShuffleManager，需要将：solidateFiles调整为true。（当然，默认是开启的）
未经优化：上游的task数量：m ，下游的task数量：n ，上游的executor数量：k (m>=k) ，总共的磁盘⽂件：m*n
优化之后的：上游的task数量：m ，下游的task数量：n ，上游的executor数量：k (m>=k) ，总共的磁盘⽂件： k*n
新生儿护理知识
普通的SortShuffle：
在普通模式下，数据会先写⼊⼀个内存数据结构中，此时根据不同的shuffle算⼦，可以选⽤不同的数据结构。如果是由聚合操作的shuffle算⼦，就是⽤map的数据结构（边聚合边写⼊内存），如果是join的算⼦，就使⽤array的数据结构（直接写⼊内存）。接着，每写⼀条数据进⼊内存数据结构之后，就会判断是否达到了某个临界值，如果达到了临界值的话，就会尝试的将内存数据结构中的数据溢写到磁盘，然后清空内存数据结构。
在溢写到磁盘⽂件之前，会先根据key对内存数据结构中已有的数据进⾏排序，排序之后，会分批将数据写⼊磁盘⽂件。默认的batch数量是10000条，也就是说，排序好的数据，会以每批次1万条数据的形式分批写⼊磁盘⽂件，写⼊磁盘⽂件是通过Java的BufferedOutputStream 实现的。BufferedOutputStream是Java的缓冲输出流，⾸先会将数据缓冲在内存中，当内存缓冲满溢之后再⼀次写⼊磁盘⽂件中，这样可以减少磁盘IO次数，提升性能。
此时task将所有数据写⼊内存数据结构的过程中，会发⽣多次磁盘溢写，会产⽣多个临时⽂件，最后会将之前所有的临时⽂件都进⾏合并，最后会合并成为⼀个⼤⽂件。最终只剩下两个⽂件，⼀个是合并之后的数据⽂件，⼀个是索引⽂件（标识了下游各个task的数据在⽂件中的start offt与end offt）。最终再由下游的task根据索引⽂件读取相应的数据⽂件。
SortShuffle - bypass运⾏机制：
此时上游stage的task会为每个下游stage的task都创建⼀个临时磁盘⽂件，并将数据按key进⾏hash然后根据key的hash值，将key写⼊对应的磁盘⽂件之中。当然，写⼊磁盘⽂件时也是先写⼊内存缓冲，缓冲写满之后再溢写到磁盘⽂件的。最后，同样会将所有临时磁盘⽂件都合并成⼀个磁盘⽂件，并创建⼀个单独的索引⽂件。
⾃⼰的理解：bypass的就是不排序，还是⽤hash去为key分磁盘⽂件，分完之后再合并，形成⼀个索引⽂件和⼀个合并后的key hash⽂件。省掉了排序的性能。
bypass机制与普通SortShuffleManager运⾏机制的不同在于：
a、磁盘写机制不同；
b、不会进⾏排序。
也就是说，启⽤该机制的最⼤好处在于，shuffle write过程中，不需要进⾏数据的排序操作，也就节省掉了这部分的性能开销。
触发bypass机制的条件：
shuffle map task的数量⼩于 spark.shuffle.sort.bypassMergeThreshold 参数的值（默认200）并且不是聚合类的shuffle算⼦（⽐如groupByKey）
7、简述SparkSQL中RDD、DataFrame、DataSet三者的区别与联系?（重点）
RDD：弹性分布式数据集；不可变、可分区、元素可以并⾏计算的集合。
优点：
RDD编译时类型安全：编译时能检查出类型错误；
⾯向对象的编程风格：直接通过类名点的⽅式操作数据。
utilization
缺点：
序列化和反序列化的性能开销很⼤，⼤量的⽹络传输；
构建对象占⽤了⼤量的heap堆内存，导致频繁的GC（程序进⾏GC时，所有任务都是暂停）
DataFrame
DataFrame以RDD为基础的分布式数据集。
优点：
DataFrame带有元数据schema，每⼀列都带有名称和类型。
DataFrame引⼊了off-heap，构建对象直接使⽤操作系统的内存，不会导致频繁GC。
数字翻译成英文
DataFrame可以从很多数据源构建；
DataFrame把内部元素看成Row对象，表⽰⼀⾏⾏的数据。
DataFrame=RDD+schema
缺点：
编译时类型不安全；
不具有⾯向对象编程的风格。
Datat
DataSet包含了DataFrame的功能，Spark2.0中两者统⼀，DataFrame表⽰为DataSet[Row]，即DataSet的⼦集。
（1）DataSet可以在编译时检查类型；
（2）并且是⾯向对象的编程接⼝。
（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。）。
三者之间的转换：
8、Repartition和Coalesce关系与区别（重点）
1）关系：
两者都是⽤来改变RDD的partition数量的，repartition底层调⽤的就是coalesce⽅法：coalesce(numPartitions, shuffle = true)
2）区别：
repartition⼀定会发⽣shuffle，coalesce根据传⼊的参数来判断是否发⽣shuffle
⼀般情况下增⼤rdd的partition数量使⽤repartition，减少partition数量时使⽤coalesce
9、Spark中cache默认缓存级别是什么？（重点）
DataFrame的cache默认采⽤ MEMORY_AND_DISK 这和RDD 的默认⽅式不⼀样RDD cache 默认采⽤MEMORY_ONLY
