spark基本面试题
作者：互联网
目录
一、spark基本常识
1、spark中的RDD是什么，有哪些特性？
RDD（Resilient Distributed Dataset）叫做分布式数据集模式spark中最基本的数据抽象，它代表一个不可变，可分区，里面的元素可以并行计算的集合。
Resilient：表示弹性的，弹性表示
Destributed：分布式，可以并行在集群计算
Dataset：就是一个集合，用于存放数据的
五大特性：
1）一个分区列表，RDD中的数据都存储在一个分区列表中
2）作用在每一个分区列表中的函数。
3）一个RDD依赖于其他多个RDD，RDD的容错机制就是根据这个特性而来的。
4）可选的，针对于kv类型的RDD才有这个特性，作用是决定了数据的来源及数据处理后的去向。
5）可选项，数据本地性，数据位置最优。
2、概述一下spark中常用算子区别（map，mapPartitions， foreach， foreachPartition）
map：用于遍历RDD，将函数应用的每一个元素，返回新的RDD（transformation算子）
mapPartitions：用于遍历RDD的每一个分区，返回生成一个新的 RDD（transformation算子）
foreach：用于遍历RDD，将函数应用于每一个元素，无返回值（action算子）
foreachPartition：用于遍历操作RDD中的每一个分区，无返回值（action算子）
追述：一般使用mapPatitions和foreachPatition算子比map和foreach更加高效，推荐使用
二、spark要点
1、Spark shuffle时，是否会在磁盘上存储？
会
标签：map,遍历,试题,基本面,分区,RDD,算子,spark 来源： https://www.cnblogs.com/nthforsth/p/12248184.html