Spark面试题2024（spark面试题整理）

大家好，我是讯享网，很高兴认识大家。

 <svg xmlns="http://www.w3.org/2000/svg" style="display: none;"> <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path> </svg> <p><img src="https://i-blog.csdnimg.cn/blog_migrate/1d3e7f616e4be65c42ff58efdf56e4c3.png" alt="img" /><br /> <img src="https://i-blog.csdnimg.cn/blog_migrate/5f3e6b7fef2b6bb59105c080390aee85.png" alt="img" /></p>

讯享网

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

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。

讯享网

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

img

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

讯享网

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

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

讯享网