1、Spark的RDD算子

RDD算子的概念和分类
1、1 Transformation算子
定义：RDD算子，返回值仍是一个RDD的，称之为转换算子
特性：这类算子是lazy懒加载的。如果没有Action算子，转换算子是不工作的。
1、2 Action算子
定义：返回值不是RDD的就是Action算子。
1、3 总结
对于这2类算子来讲，Transformation算子相当于在构建工作执行计划，action相当于是一个指令让这个执行计划开始工作。
如果没有action算子，Transformation算子之间的迭代关系，就相当于一个没有通电的流水线，只有action到来，这个数据处理的流水线才开始工作。
2、常用Transformation算子
2、1 map算子
功能：将RDD的数据一条一条的处理（基于map算子中接收的处理函数），返回新的RDD。
words_rdd.map(lambda x:(x,1))
2、2 flatMap算子
功能：对rdd执行map操作，然后进行接触嵌套操作。如：
file_rdd.flatMap(lambda line:line.split(" "))
实例：
嵌套的list:lst=[[1,2,3],[4,5,6],[7,8,9]]
接触嵌套的list:lst=[1,2,3,4,5,6,7,8,9]
2、3 reduceByKey算子
功能：针对KV型RDD，自动按照key分组，根据你提供的聚合逻辑，完成组内数据（value）的聚合
2、4 mapValues算子
功能：针对二元元组RDD，对其内部的二元元组的value执行map操作
2、5 groupBy算子
功能：将RDD的数据进行分组
2、6 filter算子
功能：过滤不想要的数据，保留想要的数据
2、7 distinct算子
功能：对RDD数据进行去重，返回一个RDD
2、8 union算子
功能：2个RDD合并返回一个RDD
2、9 join算子
功能：对2个RDD执行join操作（可实现SQL内\外连接），只能用于KV型二元元组。按照二元元组的key进行关联
2、10 intersection算子
功能：求2个RDD的交集，返回1个新的RDD
2、11 glom算子
功能：将RDD的数据加上嵌套，这个嵌套按照分区来进行。如：[1,2,3,4,5]嵌套后[[1,2,3],[4,5]]
2、12 groupByKey算子
功能：针对KV型RDD，自动按照key进行分组
2、13 常见面试题：groupByKey和reduceByKey区别：
2、13、1 功能上区别

	2、13、1、1groupByKey仅有分组功能
	2、13、1、2reduceByKey除了又ByKey的分组功能，还有reduce的聚合功能

2、13、2 性能上区别

	2、13、2	、1	如果对数据进行分组+聚合，reduceByKey性能要优于groupByKey。主要原因是reduceByKey自带聚合逻辑

	先在分区内做预聚合
	然后再走分组流程（shuffle）
	分组后再做最终聚合
	2、13、2	、2	数据越大，reduceByKey性能优势越明显

2、14 sortBy算子
功能：对RDD数据进行排序，基于你指定的排序依据
sortByKey算子
功能：针对KV型RDD，按照Key进行排序
3、常用Action算子
3、·1 countByKey算子
功能：统计key出现的次数（一般适用于KV型RDD）
3、2 collect算子
功能：将RDD各个分区内的数据，统一收集到driver中，形成一个list对象
用法：rdd.collect（）
3、3 reduce算子
功能：对RDD数据集按照你传入的逻辑进行聚合
3、4 fold算子
功能：和reduce一样，接收传入逻辑进行聚合，聚合是带有初始值的
3、5 first算子
功能：取出RDD的第一个元素
3、6 take算子
功能：取RDD的前N个元素，组合成list返回给你
3、7 top算子
功能：对RDD数据集进行降序排序，取前N个
3、8 count算子
功能：计算RDD有多少条数据，返回值是一个数字
3、9 takeSample算子
功能：随机抽样RDD的数据
3、10 takeOrdered算子
功能：对RDD进行排序取前N个
3、11 foreach算子
功能：对RDD中的每一个元素，执行你提供的逻辑操作（类似map），但没有返回值
3、12 saveAsTextFile算子
功能：将RDD的数据写入到文本文件中
4、分区操作算子
4、1 分区mapPartitions算子
功能：mapPartition算子一次被传递的是一整个分区数据，作为一个迭代器对象传递过来。而map每次被传递是一条数据，性能较map比较有优势
4、2 foreachPartition算子
功能：和foreach算子一样，一次处理一整个分区的数据
4、3 partitionBy算子
功能：对RDD进行自定义分区操作
4、4 repartition算子
功能：对RDD的分区执行重新分区（仅数量）

5、RDD的持久化
RDD数据是过程数据
RDD之间相互迭代计算（Transformation的转换），当执行开启后，新的RDD生成，代表旧的RDD将消失
RDD的数据是过程数据，只在处理的过程中存在，一旦处理完成就不见了
这个特性可以最大化利用计算机资源，老旧RDD不用了就会从内存中被清理，为后续计算腾出内存资源

RDD的缓存

checkPoint技术
将RDD数据缓存起来，仅支持硬盘存储
它被设计认为是安全的
不保留血缘关系
checkPoint存储RDD数据，是集中收取各个分区的数据进行存储，而缓存是分散存储
缓存和checkPoint对比
checkPoint不管分区数量是多少，风险是一样的；缓存的分区越多，风险越高
checkPoint支持写入hdfs，而缓存不行，hdfs是高可靠存储，被认为是安全的
checkPoint不支持写内存，缓存可以，缓存如果写内存性能要优于checkPoint
checkPoint设计被认为是安全的，不保留血缘关系，而缓存被认为是不安全的所以保留
6、共享变量
广播变量
将本地变量list标记为广播变量即可
broadcast = sc.broadcast(std_info_list)
使用广播变量，从broadcast对象中取出本地list对象即可
value = broadcast.value
注意：也就是先放进去broadcast内部，然后再从broadcast内部取出来使用，中间传输的就是broadcast这个对象了。只要传输的是broadcast对象，spark就会留意，只会给每个executor发一份，而不是给每个分区都发。
场景：本地集合对象和分布式集合对象（RDD）进行关联的时候，需要将本地集合对象共享为广播变量，可以节省：网络I/O次数和executor的内存
累加器变量
构建方法：acmlt = sc.accumulator(0)
总结
广播变量解决什么问题？
分布式集合RDD和本地集合关联的时候，降低内存占用及减少网络I\O传输，提高性能
累加器解决什么问题？
分布式代码执行中，进行全局累加
7、DAG
有向无环图
一个Action算子会产生一个DAG，如果在代码中有3个Action就会产生3个DAG，如下图：
一个Action算子产生一个Job（一个应用程序内的子任务），每个Job都有各自的DAG

宽窄依赖和阶段划分
宽窄依赖
窄依赖：父RDD的一个分区，全部将数据分发给子RDD的一个分区
宽依赖（shuffle）：父RDD的一个分区，将数据分发给子RDD的多个分区
阶段划分
根据DAG，会按照宽依赖，划分不同的阶段。
划分依据：从后向前，遇到宽依赖，就划分出一个阶段，称之为stage。

内存迭代计算

Spark是怎么做内存计算的？DAG的作用?Stage划分的作用？
Spark会产生DAG图
DAG图会基于分区和宽窄依赖关系划分Stage阶段
一个阶段内部都是窄依赖，窄依赖内部如果形成前后1:1的分区对应关系，就可以产生许多内存迭代计算的管道
这些内存迭代计算的管道，就是一个个具体执行的task
一个task就是一个具体的线程，一个任务跑在一个线程内，就是走内存计算了。
Spark为什么比MapReduce计算快？
Spark算子丰富，MapReduce算子匮乏（Map和Reduce），MapReduce编程模型很难在一套MR中处理复杂的任务，需要编写很多套串联的MR任务，多个MR串联通过磁盘交互数据
Spark可以执行内存迭代计算，算子之间形成的DAG基于宽依赖划分阶段后，在阶段内部形成内存迭代计算管道，但是MapReduce的Map和Reduce之间的交互依然是通过磁盘来交互的
Spark并行度
Spark的并行：同一时间内，有多少个task同时执行
并行度设置：代码中、配置文件中及提交程序的客户端参数中，优先级从高到低：代码中->客户端提交参数中->配置文件中。默认是1，但不会全部以1来跑，多数时候会根据读取文件的分片数量来作为默认并行度。
spark.default.parallelism = 100
并行度设置：建议设置为CPU核心的2-10倍
Spark任务调度
Driver被构建出来
构建Sparkcontext（执行环境入口对象）
基于DAG Scheduler（DAG调度器）构建逻辑Task分配
基于Task Scheduler（Task调度区）将逻辑Task分配到各个Executor上干活并监控他们
Worker（Executor）被Task Scheduler管理监控，听从他们的指令干活，并定期汇报进度