大數據開發中Spark-拷問靈魂的問題有哪些

大數據開發中Spark-拷問靈魂的問題有哪些，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

1.Spark計算依賴內存，如果目前只有10g內存，但是需要將500G的文件排序并輸出，需要如何操作？

 ①、把磁盤上的500G數據分割為100塊（chunks），每份5GB。（注意，要留一些系統空間！）

②、順序將每份5GB數據讀入內存，使用quick sort算法排序。 

③、把排序好的數據（也是5GB）存放回磁盤。 

④、循環100次，現在，所有的100個塊都已經各自排序了。（剩下的工作就是如何把它們合并排序！） 

⑤、從100個塊中分別讀取5G/100=0.05 G入內存（100input buffers）。 

⑥、執行100路合并，并將合并結果臨時存儲于5g基于內存的輸出緩沖區中。當緩沖區寫滿5GB時，寫入硬盤上最終文件，并清空輸出緩沖區；當100個輸入緩沖區中任何一個處理完畢時，寫入該緩沖區所對應的塊中的下一個0.05 GB，直到全部處理完成。

2.countByValue和countByKey的區別

首先從源碼角度來看：

// PairRDDFunctions.scala
def countByKey(): Map[K, Long] = self.withScope {
  self.mapValues(_ => 1L).reduceByKey(_ + _).collect().toMap
}

// RDD.scala
def countByValue()(implicit ord: Ordering[T] = null): Map[T, Long] = withScope {
  map(value => (value, null)).countByKey()
}

countByValue（RDD.scala）

• 作用在普通的RDD上

• 其實現過程調用了 countByKey

countByKey（PairRDDFunctions.scala）

• 作用在 PairRDD 上

• 對 key 進行計數

• 數據要收到Driver端，結果集大時，不適用

問題：

• countByKey 可以作用在 普通的RDD上嗎

• countByValue 可以作用在 PairRDD 上嗎

val rdd1: RDD[Int] = sc.makeRDD(1 to 10)
val rdd2: RDD[(Int, Int)] = sc.makeRDD((1 to 10).toList.zipWithIndex)

val result1 = rdd1.countByValue() //可以
val result2 = rdd1.countByKey() //語法錯誤

val result3 = rdd2.countByValue() //可以
val result4 = rdd2.countByKey() //可以

3.兩個rdd join 什么時候有shuffle什么時候沒有shuffle

其中join操作是考驗所有數據庫性能的一項重要指標，對于Spark來說，考驗join的性能就是Shuffle,Shuffle 需要經過磁盤和網絡傳輸，Shuffle數據越少性能越好，有時候可以盡量避免程序進行Shuffle ,那么什么情況下有Shuffle ，什么情況下沒有Shuffle 呢

3.1 Broadcast join

broadcast join 比較好理解，除了自己實現外，Spark SQL 已經幫我們默認來實現了，其實就是小表分發到所有Executors，控制參數是：spark.sql.autoBroadcastJoinThreshold 默認大小是10m, 即小于這個閾值即自動使用broadcast join.

3.2 Bucket join

其實rdd方式和table類似，不同的是后者要寫入Bucket表，這里主要講rdd的方式，原理就是，當兩個rdd根據相同分區方式，預先做好分區，分區結果是一致的，這樣就可以進行Bucket join, 另外這種join沒有預先的算子，需要在寫程序時候自己來開發，對于表的這種join可以看一下 字節跳動在Spark SQL上的核心優化實踐 。可以看下下面的例子

rdd1、rdd2都是Pair RDD

rdd1、rdd2的數據完全相同

一定有shuffle

rdd1 => 5個分區

rdd2 => 6個分區

rdd1 => 5個分區 => (1, 0), (2,0), || (1, 0), (2,0), || (1, 0), (2,0), || (1, 0), (2,0),(1, 0), || (2,0),(1, 0), (2,0)

rdd2 => 5個分區 => (1, 0), (2,0), || (1, 0), (2,0), || (1, 0), (2,0), || (1, 0), (2,0),(1, 0), || (2,0),(1, 0), (2,0)

一定沒有shuffle

rdd1 => 5個分區 => （1,0), （1,0), （1,0), （1,0), （1,0), || (2,0), (2,0), (2,0), (2,0), (2,0), (2,0), (2,0) || 空 || 空 || 空

rdd2 => 5個分區 => （1,0), （1,0), （1,0), （1,0), （1,0), || (2,0), (2,0), (2,0), (2,0), (2,0), (2,0), (2,0) || 空 || 空 || 空

這樣所有Shuffle的算子，如果數據提前做好了分區（partitionBy），很多情況下沒有Shuffle.

除上面兩種方式外，一般就是有Shuffle的join, 關于spark的join原理可以查看：大數據開發-Spark Join原理詳解

4..transform 是不是一定不觸發action

有個算子例外，那就是sortByKey,其底層有個抽樣算法，水塘抽樣，最后需要根據抽樣的結果，進行RangePartition的,所以從job角度來說會看到兩個job，除了觸發action的本身算子之外，記住下面的

sortByKey → 水塘抽樣→ collect

5.廣播變量是怎么設計的

我們都知道，廣播變量是把數據放到每個excutor上，也都知道廣播變量的數據一定是從driver開始出去的，什么意思呢，如果廣播表放在hive表中，那么它的存儲就是在各個block塊上，也對應多個excutor (不一樣的叫法)，首先將數據拉到driver上，然后再進行廣播，廣播時候不是全部廣播，是根據excutor預先用到數據的，首先拿數據，然后通過bt協議進行傳輸，什么是bt協議呢，就是數據在分布式點對點網絡上，根據網絡距離來去拉對應的數據，下載者也是上傳者，這樣就不同每個task （excutor）都從driver上來拉數據，這樣就減少了壓力，另外在spark1.幾的時候還是task級別，現在是共同的一個鎖，整個excutor上的task共享這份數據。

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。