《2021年国企面试大数据必备知识点包含spark、RDD、数据倾斜、spark调优等》由会员分享，可在线阅读，更多相关《2021年国企面试大数据必备知识点包含spark、RDD、数据倾斜、spark调优等（5页珍藏版）》请在金锄头文库上搜索。
1、1 基础概念1 spark是什么？RDD是什么？Spark 是一个用来实现快速而通用的集群计算的平台。RDD是弹性分布式数据集，弹性是指数据默认放在内存，当内存放不下了会放到磁盘，RDD的分区数量可以改变，通过repartition可以改变RDD的分区数量。分布式表示数据被分配到了多台机器，可以并行在集群计算。 Application：用户编写的Spark应用程序，由一个或多个Job组成。提交到Spark之后，Spark会为Application分配资源，将程序进行转换并执行。 Job（作业）：由Action算子触发生成的由一个或多个Stage组成的计算作业。 Stage（调度阶段）：每个Jo
2、b会根据RDD的宽依赖被切分为多个Stage，每个Stage都包含一个TaskSet。 TaskSet（任务集）：一组关联的，但相互之间没有shuffle依赖关系的Task集合。一个TaskSet对应的调度阶段。 Task（任务）：RDD中的一个分区对应一个Task，Task是单个分区上最小的处理流程单元。2 RDD的特性？分区：通过分区列表可以找到一个RDD中包含的所有分区及其所在地址。RDD 是由多个 partition（某个节点里某一片连续的数据）组成的 List，将数据加载为 RDD 时，一般一个 hdfs 中的 block 会加载为一个 partition。依赖：记录子RDD对父RD
3、D的依赖，当RDD操作出错时，根据依赖关系重新计算丢失分区的数据。窄依赖重新计算数据利用率是百分百，宽依赖不是百分百。算子操作：转换（transformation）与行动（Action）。Transformation操作是延迟计算的，也就是说从一个RDD转换生成另一个RDD的转换操作不是马上执行，需要等到有Action操作的时候才会真正触发运算。Action算子会触发Spark提交作业（Job），并将数据输出Spark系统。位置优先（可选）：也就是数据的本地性，比如 HDFS 的 block 的所在位置应该是优先计算的位置。本地有数据就取本地，没有去远程拉取。分区器（可选）：只针对KV类型的R
4、DD。可以传递自定义 Partitioner 重新分区。默认为Hash。3 RDD算子Transformation：返回新 RDD的操作，转化出来的 RDD 是惰性求值的，只有在行动操作中用到这些 RDD 时才会被计算。Map(func)：对调用map的RDD中的每个元素都执行func，返回一个新的RDD。Filter(func)：对调用filter的RDD中的每个元素都执行func，返回一个包含使func为true的元素组成的RDD。Distinct:对RDD进行去重操作。Union：生成包含两个RDD元素的新RDD。MapValues：针对PairRDD,key不变，对value进行操作，
5、和key组成新的元素。reduceByKey：对key相同的元素的value值执行funct的操作，返回新的RDDgroupByKey：将相同Key的值进行聚集，输出一个(K, IterableV)类型的RDDsortByKey：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。Action：Collect：以数组形式返回RDD内的所有元素CollectAsMap：以map的形式返回PairRDD的所有元素Count：返回RDD中元素的个数First：返回RDD中的首个元素。Foreach：逐个处理RDD中的元素。持久化：对RDD执行
6、持久化操作时，每个节点都会将自己操作的RDD的partition持久化到内存中，并且在之后对该RDD的反复使用中，直接使用内存缓存的partition。这样的话，对于针对一个RDD反复执行多个操作的场景，就只要对RDD计算一次即可，后面直接使用该RDD，而不需要反复计算多次该RDD。2 什么是宽窄依赖、DAG、stage？窄依赖：父RDD和子RDD的partition之间一对一，或者当父RDD的partition只对应一个子RDD的partition时，父RDD的partition和子RDD partition之间的多对一关系。例如：map、filter、union宽依赖：父RDD的parti
7、tion和子RDD的partition的多对一关系。例如：reduceByKey、groupByKeyDAG：spark会根据RDD之间的依赖关系，形成一个DAG有向无环图。DAG会提交给DAGschedular，DAGschedular根据宽窄依赖划分stage，每遇到一个宽依赖就划分为一个stage，每个stage包含一个或一组task组成，task以taskset的形式提交给taskschedular。Stage的task并行度是由stage的最后一个RDD的分区数来决定的3 spark资源/任务调度流程1.集群启动之后，worker节点向Master节点汇报资源情况，这样Master就
8、掌握了集群的资源情况。2.当spark提交应用之后，会根据RDD之间的依赖关系将application形成一个DAG有向无环图。任务提交之后，spark会在Driver端创建两个对象，DAGschedular和taskschedular。3.DAGschedular是任务调度的高层调度器，会根据RDD的宽窄依赖划分stage，每个stage以taskSet的形式提交给taskschedular，taskschedular是任务调度的低层调度器。4.taskschedular会遍历taskset集合， 拿到每个task会把每个task发送到计算节点Executor中去执行。5.task在Exec
9、utor线程池中的运行情况会向TaskScheduler反馈，当task执行失败时，则由TaskScheduler负责重试，将task重新发送给Executor去执行，默认重试3次。如果重试3次依然失败，那么这个task所在的stage就失败了。stage失败了则由DAGScheduler来负责重试，重新发送TaskSet到TaskSchdeuler，Stage默认重试4次。如果重试4次以后依然失败，那么这个job就失败了。job失败了，Application就失败了。因此一个task默认情况下重试3*4=12次。粗粒度资源申请：在application执行之前完成资源申请，资源申请成功之后才
10、会进行任务调度，当所有的task执行完成之后，才会释放这部分资源。优点：在application执行之前资源就已经申请完毕，每个task可以直接使用资源，不需要task在执行前自己去申请资源，这样task启动就快乐，stage就快了，job就快了，application就快了。缺点：直到最后一个task执行完才释放资源，集群资源无法有效利用。细粒度资源申请：在application执行之前不进行资源申请，每个task自己去申请资源，task执行变慢，application变慢，但是可以充分利用集群资源。4 数据倾斜数据倾斜是指shuffle过程中，把各个节点上相同key拉取到某个节点上的一个t
11、ask来处理，此时，如果某个节点上的key对应的数据量特别大时，就会发生数据倾斜。并行处理的数据集中，某一部分（如Spark或Kafka的一个Partition）的数据显著多于其它部分，从而使得该部分的处理速度成为整个数据集处理的瓶颈。（磁盘IO和网络数据传输是shuffle性能差的原因。）现象：同一个stage中的相同task，大部分task执行非常快，少数task执行非常慢，慢的耗时是快的23倍；原本正常运行的任务某天突然outofmemory，也可能是数据倾斜。后果（慢/outofmemory）：stage的执行时间由最后一个task决定，因此运行缓慢的task会拖慢整个应用的速度。过多
12、的数据在同一个task中执行，将会把executor撑爆。解决办法：1 数据问题（1） 无效的数据过多，比如null，进行过滤（2） 有效数据A） 对数据源进行聚合B） 提高shuffle的操作reduce并行度。C） Key添加随机数实现双重聚合，针对reduceByKey和groupByKeyD） reduce join 转换为map join，一个小的RDD和一个大的RDD进行join操作，把小的RDD的数据广播出去。E） 把产生倾斜的Key单独拉出来。和其他的key进行join操作，把这个key的数据分散到各个task上。F） 小表扩大n倍，大表增加随机数5 spark调优原则：1尽量
13、避免创建重复的RDD，我们在开发spark应用时，首先是基于某个数据源创建一个初始RDD，然后对这个RDD执行某个算子操作，得到下一个RDD，以此类推最后得到结果，这个过程多个RDD经过算子操作串起来形成一个RDD血缘关系链。对于一份数据不应该创建多个RDD。2尽可能的复用RDD，从而尽可能减少算子的执行次数。有一个RDD的数据格式是key-value类型的，另一个是单value类型的，这两个RDD的value数据是完全一样的。那么此时我们可以只使用key-value类型的那个RDD，因为其中已经包含了另一个的数据。3对多次使用的RDD进行持久化。Spark每次对一个算子执行操作时，都会从源头开始计算，因此应该把多次使用的RDD进行持久化，保存到内存或者磁盘，直接读取RDD进行算子操作。4尽量避免使用shuffle类算子。比如reduceByKey，join等。用broadcast+map实现join操作。5 使用map-side预聚合的shuffle操作。用reduceByKey代替groupByKey。在节点本地对相同的Key聚合一次。6 使用高性能的算子。比如用reduceByKey代替groupByKey，mapPartitions 替代普通 map。
