Spark大数据分析技术期末复习

Spark大数据分析技术期末题型

作者：hyn

2022.6.25 于湘潭

题型：

1. 选择：10 * 2’

2. 简答：10 * 5’

3. 编程：2 * 15’

重点：

第一章

• 1.1.2 Spark的优点
• 1.1.4 Spark的生态系统
• 1.2.3 Spark应用执行的基本流程
• 1.4 Spark编程

第二章

• 一道编程题
• 几道scala语法选择题

第三章

• 3.1 RDD创建
• 3.2 RDD操作（转换，行动操作的定义、区别，宽窄依赖）
• 3.4 RDD持久化

第五章

• （DataFrame、DataStream和RDD的联系与区别）
• DataFrame的常用操作

第六章（动、静态数据）

• 6.1 流计算
• 6.2 Spark Streaming运行原理
• 6.5 操作DStream

第七章

• 7.2.1 属性图
• 7.2.2 GraphX图存储模式

第八章

• Spark在ML上的优势

复习开始

第一章

Spark的优点（简答题）

Spark是基于内存计算的大数据并行计算框架。

• 运行速度快
• 易用性好
• 通用性强
• 兼容性好

Spark的生态系统（选择题）

• 应用层：Spark SQL、Spark Streaming、Spark GraphX、Spark MLlib
• 数据处理引擎(核心层)：Spark Core
• 资源管理层：MESOS、YARN、Standalone
• 数据储存层：HDFS、Amazon S3、Hbase、Hive

Spark core是Spark生态系统的核心组件，是一个分布式大数据处理框架。Spark core提供了多种资源调度管理，通过内存计算、DAG分布式并行计算等机制保证分布式计算的快速。并引入了RDD抽象数据类型保证数据的高容错性。

Spark应用执行的基本流程（简答题）

第二章

编程题

• 创建一个列表{1，7，9，8，0，3，5，4，6，2}，将列表中每个元素乘以10后生成一个新的集合

  • ~~~scala
    val list1[Int] = List(1,7,9,8,0,3,5,4,6,2)
    val list2[Int] = list1.map(_*10)

      - 
    
    - 编写函数实现：输入一个数字，如果为正数，则他的signum为1；如果是负数，则他的signum为-1；如果为0，则他的signum为0.
    
      - ~~~scala
        def signum(n: Double): Double = {
            if (n > 0) {
              1
            } else if (n < 0) {
              -1
            } else {
              0
            }
          }

第三章

RDD创建（简答题/选择题）

RDD是Spark对数据进行的核心抽象，一个不可变的分布式对象集合。RDD本质上是一个只读的分区记录集合，每个分区就是一个数据集片段。Spark中的所有操作都是基于RDD进行的。一个Spark应用可以看作一个由RDD创建到一系列的RDD转化操作，再到RDD存储的过程。

RDD的创建可以分为：

• 使用程序中的数据集创建RDD：
  • 通过并行化数据集合来创建RDD，就是通过调用SparkContext中的parallelize（）方法并行化数据到集群的节点上形成一个分布式的数据集合，也就是一个RDD。
• 使用文本文件创建RDD
  • 调用SparkContext的textFile()方法读取文件的位置即可创建RDD
• 使用JSON文件创建RDD
  • 读取JSON文件创建RDD最简单的方法就是将JSON文件作为文本文件读取。即调用textFile()方法。
• 使用CSV文件创建RDD
  • 依然是使用textFile()方法读取csv文件创建RDD

RDD操作（编程题）

RDD操作分为：

• 转换操作

  • RDD的转换操作是返回新的RDD的操作，RDD转换操作是惰性求值的，只有在行动操作中用到这些RDD时才会被转换。

• 行动操作

  • collect()行动操作方法可以将RDD类型的数据转化为Array数据并返回到Driver端

• RDD实例解析1：找出文本文件中单行文本所包含的单词数量的最大值

  • ~~~scala
    scala> val lines = sc.textFile(“file:///D:/spark-2.4.5-bin-hadoop2.7/test/data.txt”)
    scala> lines.map(line =>line.split(“”).size).reduce((a,b)=>if(a>b) a else b)

      - 
        
      - 上面代码中lines是一个RDD，是String类型的RDD
    
      - lines.map()，是一个转换操作，之前说过，map(func)：将每个元素传递到函数func中，并将结果返回为一个新的数据集，所以，lines.map(line => line.split(” “).size)会把每行文本都传递给匿名函数，也就是传递给Lamda表达式line => line.split(” “).size中的line，然后执行处理逻辑line.split(” “).size。line.split(” “).size这个处理逻辑的功能是，对line文本内容进行单词切分，得到很多个单词构成的集合，然后，计算出这个集合中的单词的个数。因此，最终lines.map(line => line.split(” “).size)转换操作得到的RDD，是一个整型RDD，里面每个元素都是整数值（也就是单词的个数）。最后，针对这个RDD[Int]，调用reduce()行动操作，完成计算。reduce()操作每次接收两个参数，取出较大者留下，然后再继续比较，例如，RDD[Int]中包含了1,2,3,4,5，那么，执行reduce操作时，首先取出1和2，把a赋值为1，把b赋值为2，然后，执行大小判断，保留2。下一次，让保留下来的2赋值给a，再从RDD[Int]中取出下一个元素3，把3赋值给b，然后，对a和b执行大小判断，保留较大者3.依此类推。最终，reduce()操作会得到最大值是5。
    
    - RDD实例解析2：给定一组键值*(“spark”,2),(“hadoop”,6),(“hadoop”,4),(“spark”,6)，键值对的key表示图书名称，value表示某天图书销量，请计算每个键对应的平均值，也就是计算每种图书的每天平均销量。
    
      - ~~~scala
        scala> val rdd = sc.paralelize(Array((("spark",2),("hadoop",6),("hadoop",4),("spark",6)))
        scala> rdd.mapValues(x=>(x,1)).reduceByKey((x,y)=>(x._1+y._1,x._2+y._2)).mapValues(x=>(x._1/x._2)).collect()

  • 首先构建一个数组，数组里面包含了四个键值对，然后，调用paralelize()方法生成RDD。针对构建得到的RDD，我们调用mapValues()函数，把RDD中的每个键值对(key,value)的value部分进行修改，把value转换成键值对(value,1),其中，数值1表示这个key在RDD中出现了一次。

  • 这里，必须要十分准确地理解reduceByKey()函数的功能。reduceByKey(func)的功能是使用func函数合并具有相同键的值。这里的func函数就是Lamda表达式(x,y) => (x._1+y._1,x._2 + y._2)，这个表达式中，x和y都是value，而且是具有相同key的两个键值对所对应的value，比如，在这个例子中， (“hadoop”,(6,1))和(“hadoop”,(4,1))这两个键值对具有相同的key，所以，对于函数中的输入参数(x,y)而言，x就是(6,1)，x._1表示这个键值对中的第1个元素6，x._2表示这个键值对中的第二个元素1，y就是(4,1)，y._1表示这个键值对中的第1个元素4，y._2表示这个键值对中的第二个元素1，所以，函数体(x._1+y._1,x._2 + y._2)，相当于生成一个新的键值对(key,value)，其中，key是x._1+y._1，也就是6+4=10，value是x._2 + y._2，也就是1+1=2，因此，函数体(x._1+y._1,x._2 + y._2)执行后得到的value是(10,2)，但是，要注意，这个(10,2)是reduceByKey()函数执行后，”hadoop”这个key对应的value，也就是，实际上reduceByKey()函数执行后，会生成一个键值对(“hadoop”,(10,2))，其中，10表示hadoop书籍的总销量，2表示两天。同理，reduceByKey()函数执行后会生成另外一个键值对(“spark”,(8,2))。

RDD属性（选择题）

RDD分区的一个分区原则是使得分区的个数尽量等于集群中的CPU核心数目。

• 宽依赖：父分区一对多子分区
• 窄依赖：父分区一对一子分区

RDD持久化（选择题）

在Spark中RDD采用惰性求值机制，每次遇到行动操作，都会从头开始执行计算。如果整个Spark程序中只有一次行动操作，这当然不会有什么问题。但是，在一些情形下，我们需要多次调用不同的行动操作，这就意味着每次调动行动操作，都会触发一次从头开始的计算，这对迭代计算而言，代价是很大的，迭代计算经常需要多次重复使用同一组数据。

第五章

RDD与DataFrame联系与区别（简答题）

共性：

• RDD、 DataFrame都是spark平台下的分布式数据集，为处理超大型数据提供便利；
• 都有惰性机制，在进行创建、转换时，不会立即执行，只有在遇到行动算子的时候才会开始计算；
• 都会根据Spark的内存情况进行自动缓存计算，这样即使数据量很大，也不会担心内存溢出；

区别：

• RDD

  • RDD 一般和spark MLlib同时使用
  • RDD不支持spark sql操作

• DataFrame

  • DataFrame每一行的类型固定为Row，每一列的值无法直接访问，只有通过解析才能获取各个字段的值；
  • DataFrame和DataSet一般不与spark mllib同时使用
  • DataFrame和DataSet均支持sparksql操作

DataFrame的常用操作

• 展示数据
• 筛选
• 排序
• 汇总和聚合
• 统计
• 合并
• 连接

第六章

流计算（选择题）

流数据是一组顺序、大量、快速、连续到达的数据序列，可被视为一个随时间延续而无限增长的动态数据集合。

Spark Streaming运行原理（简答题/选择题）

Spark Streaming的基本原理是将实时输入数据流以时间片为单位进行拆分，然后经Spark引擎以类似批处理的方式处理每个时间片数据。每个输入批次都会形成一个RDD，Spark以作业的方式处理和生成其他RDD，最终通过行动操作生成中间结果。

操作DStream（选择题/简答题）

对于从数据源得到的Dstream，用户可以在其上进行各种操作。这些方法主要分为三类：

• 无状态转换操作：每次对新的批次数据进行处理时，只会记录当前批次数据的状态，不会记录历史数据的状态信息。
• 有状态转换操作：当前批次的处理需要使用之前批次的数据或者中间结果。
  • 基于滑动窗口的转换
  • 追踪状态变化的转换
• 输出操作：外部系统经常需要使用到Spark DStream处理后的数据，因此，需要采用输出操作把DStream的数据输出到数据库或者文件系统中。

第七章

属性图（简答题）

GraphX的数据处理模型是弹性分布式属性图（Property Graph），属性图是由带有属性信息的顶点和边构成的图，这些属性主要用来描述节点和边的特征。

一个属性图具体包括：

• 顶点标识与顶点属性所组成的集合
• 边标识与边属性所组成的集合

属性图的例子：

如微博社交网络图所示，图中顶点集Vertex={1, 2, 3}有3个顶点，图中边集Edge={“粉丝”, “创建”, “转发”}有3条边。

顶点1和顶点2分别表示用户菲菲和乔乔，顶点3表示发布的某条微博。表示用户的顶点可以具有姓名和年龄等属性信息，表示微博的顶点可以具有微博内容和发布时间等属性信息。顶点与顶点之间的关系用有向边表示，具体有粉丝关系、创建关系和转发关系。边的属性可以是具体的关系信息，也可以是具体的数值。

GraphX图存储模式（简答题）

在分布式环境下处理图数据，必须对图数据进行有效的图分割。图分割的分布式存储大致有两种方式，边分割（Edge Cut）存储，点分割（Vertex Cut）存储。

• 边分割模式：
  • 边分割是保持图的顶点在各计算节点均匀分布，每个顶点都储存一次。
• 点分割模式：
  • 点分割是保持各个边在各计算节点均匀分布，每条边只储存一次。

第八章

Spark在MLlib上的优势（简答题）

• Spark非常适合进行迭代计算，刚好能适应机器学习对迭代计算的需要。
• 从通信角度讲，Spark具有出色而高效的Akka和Netty通信系统，通信效率高
• MLlib基于RDD可以与Spark SQL、GraphX、Spark Streaming无缝集成