本栏目大数据开发岗高频面试题主要出自
大数据技术专栏的各个小专栏,由于个别笔记上传太早,排版杂乱,后面会进行原文美化、增加。
文章目录- 面试题 01、spark.storage.memoryFraction参数的含义,实际生产中如何调优？
- 面试题02、Spark有哪两种算子？
- 面试题03、Spark有哪些聚合类的算子,我们应该尽量避免什么类型的算子？
- 面试题04、如何从Kafka中获取数据？
- 面试题05、RDD创建有哪几种方式？
- 总结
停不要往下滑了，
默默想5min，
看看这5道面试题你都会吗？
代码语言：javascript复制面试题 01、spark.storage.memoryFraction参数的含义,实际生产中如何调优？
面试题02、Spark有哪两种算子？
面试题 03、Spark有哪些聚合类的算子,我们应该尽量避免什么类型的算子？
面试题04、如何从Kafka中获取数据？
面试题05、RDD创建有哪几种方式？以下答案仅供参考：
面试题 01、spark.storage.memoryFraction参数的含义,实际生产中如何调优？
1）用于设置RDD持久化数据在Executor内存中能占的比例，默认是0.6,，默认Executor 60%的内存，可以用来保存持久化的RDD数据。根据你选择的不同的持久化策略，如果内存不够时，可能数据就不会持久化，或者数据会写入磁盘； 2）如果持久化操作比较多，可以提高spark.storage.memoryFraction参数，使得更多的持久化数据保存在内存中，提高数据的读取性能，如果shuffle的操作比较多，有很多的数据读写操作到JVM中，那么应该调小一点，节约出更多的内存给JVM，避免过多的JVM gc发生。在web ui中观察如果发现gc时间很长，可以设置spark.storage.memoryFraction更小一点。
面试题02、Spark有哪两种算子？
Transformation（转化）算子和Action（执行）算子。
面试题03、Spark有哪些聚合类的算子,我们应该尽量避免什么类型的算子？
在我们的开发过程中，能避免则尽可能避免使用reduceByKey、join、distinct、repartition等会进行shuffle的算子，尽量使用map类的非shuffle算子。 这样的话，没有shuffle操作或者仅有较少shuffle操作的Spark作业，可以大大减少性能开销。
面试题04、如何从Kafka中获取数据？
1）基于Receiver的方式 这种方式使用Receiver来获取数据。Receiver是使用Kafka的高层次Consumer API来实现的。receiver从Kafka中获取的数据都是存储在Spark Executor的内存 中的，然后Spark Streaming启动的job会去处理那些数据。 2）基于Direct的方式 这种新的不基于Receiver的直接方式，是在Spark 1.3中引入的，从而能够确保更加健壮的机制。替代掉使用Receiver来接收数据后，这种方式会周期性地 查询Kafka，来获得每个topic partition的最新的offset，从而定义每个batch的offset的范围。当处理数据的job启动时，就会使用Kafka的简单consumer api来 获取Kafka指定offset范围的数据。
面试题05、RDD创建有哪几种方式？
1）使用程序中的集合创建rdd 2）使用本地文件系统创建rdd 3）使用hdfs创建rdd 4）基于数据库db创建rdd 5）基于Nosql创建rdd，如hbase 6）基于s3创建rdd 7）基于数据流，如socket创建rdd
总结
今天我们复习了面试中常考的Spark相关的五个问题，你做到心中有数了么？
