2024年最全Spark面试题 精选 （附答案），写给步伐员的大数据详细教程 ...

既有得当小白学习的零基础资料，也有得当3年以上履历的小伙伴深入学习提拔的进阶课程，涵盖了95%以上大数据知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包罗大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
必要这份系统化资料的朋友，可以戳这里获取
SparkSQL: Spark Sql 是Spark来操作结构化数据的步伐包，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，包罗Hive表，parquest以及JSON等内容
SparkStreaming: 是Spark提供的实时数据举行流式计算的组件
**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，能高效举行图计算
**BlinkDB:**用于在海量数据上举行交互式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。应用于内容保举，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，内里的元素可并行计算的集合。RDD具有数据流模子的特点：自动容错，位置感知性调度和可伸缩性。RDD允许用户在实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，这极大地提拔了查询速率。
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惩罚，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函数以到达这个目标。
（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的所有分区举行重新计算。
（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，这个列表生存的就是每个Partition地点的块的位置。
5.3通过简单的词频统计来相识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，好比HDFS、Cassandra、HBase等

1. scala> val file = sc.textFile("/spark/hello.txt")

复制代码

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

1. scala> val array = Array(1,2,3,4,5)
2. array: Array[Int] = Array(1, 2, 3, 4, 5)
4. scala> val rdd = sc.parallelize(array)
5. rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[27] at parallelize at <console>:26

复制代码

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(耽误加载)。Transformation算子的代码不会真正被实行。只有当我们的步伐内里遇到一个action算子的时候，代码才会真正的被实行。这种计划让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由每一个输入元素颠末func函数转换后组成filter(func)返回一个新的RDD，该RDD由颠末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RDDgroupByKey([numTasks])在一个(K,V)的RDD上调用，返回一个(K, Iterator[V])的RDsortByKey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举行排序的(K,V)的RDD官方很全面，这里只做相识。 7.2Action

触发代码的运行，我们一段spark代码里边至少必要有一个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，这个功能必须是课互换且可并联的collect()在驱动步伐中，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举行更新。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举行项目搭建
查看官方文档，导入2个依赖包
详细代码-scala

1. import org.apache.spark.rdd.RDD
2. import org.apache.spark.{SparkConf, SparkContext}
4. object SparkWordCountWithScala {
5.   def main(args: Array[String]): Unit = {
7.     val conf = new SparkConf()
8.     /\*\*
9. \* 如果这个参数不设置，默认认为你运行的是集群模式
10. \* 如果设置成local代表运行的是local模式
11. \*/
12.     conf.setMaster("local")
13.     //设置任务名
14.     conf.setAppName("WordCount")
15.     //创建SparkCore的程序入口
16.     val sc = new SparkContext(conf)
17.     //读取文件 生成RDD
18.     val file: RDD[String] = sc.textFile("E:\\hello.txt")
19.     //把每一行数据按照，分割
20.     val word: RDD[String] = file.flatMap(_.split(","))
21.     //让每一个单词都出现一次
22.     val wordOne: RDD[(String, Int)] = word.map((_,1))
23.     //单词计数
24.     val wordCount: RDD[(String, Int)] = wordOne.reduceByKey(_+_)
25.     //按照单词出现的次数 降序排序
26.     val sortRdd: RDD[(String, Int)] = wordCount.sortBy(tuple => tuple._2,false)
27.     //将最终的结果进行保存
28.     sortRdd.saveAsTextFile("E:\\result")
30.     sc.stop()
31.   }

复制代码

详细代码-jdk8

1. import org.apache.spark.rdd.RDD
2. import org.apache.spark.{SparkConf, SparkContext}
5. 
6. 
8. **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。**
10. **[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**
13. **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！**
15. 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。**
17. **[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**
20. **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！**

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。