Spark基础面试题有哪些

本篇内容介绍了“Spark基础面试题有哪些”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

创新互联10多年企业网站建设服务;为您提供网站建设,网站制作,网页设计及高端网站定制服务,企业网站建设及推广,对咖啡厅设计等多个行业拥有多年的网站营销经验的网站建设公司。

① 面试题：简述 Spark 的架构与作业提交流程（画图讲解，注明各个部分的作用）

两张图一起看，左侧图是简化版，右侧图较完整。

YARN-Cluster任务提交流程：

• 1 由client向RM提交请求，并上传jar到HDFS上 ；

• 2 RM选择一个NM创建SparkAppMaster（AM），AM启动Driver（即初始化sc）；

• 3 AM向RM申请资源；

• 4 RM给AM返回资源列表；

• 5 AM申请启动Executor；

• 6 Executor向AM反向注册；

• Executor反向注册完成后，AM就会知道自己有哪些资源可以用（Executor），然后就会去执行job，拆分stage，提交stage的Task，进行Task调度，分配到Executor上去执行；

• 7 AM分配任务给Executor执行，Executor执行任务，并向AM汇报运行的状态和进度；

• 8 等到所有的任务执行完毕后，AM 向 RM 申请注销并关闭自己，释放资源 ；

参考链接：https://www.jianshu.com/p/e1cf4c58ae35

Yarn模式，Spark客户端直接连接Yarn，不需要额外构建Spark集群。有yarn-client和yarn-cluster两种模式，区别如下：

① 主要区别在于：Driver程序的运行节点

• yarn-client：Driver程序运行在客户端（本地），适用于交互、调试，希望立即看到app的输出

• yarn-cluster：Driver程序运行在由RM（ResourceManager）启动的AP（APPMaster），适用于生产环境。

② Driver的位置不同导致的性能的差异

• Yarn-client的Driver运行在本地，通常来说本地机器和Yarn集群不在同一个机房，性能不会很好；

• yarn-cluster的Driver和Yarn集群运行在同一个机房内，性能上来说会好一点；

② 面试题：简述 Spark 的两种核心 Shuffle（HashShuffle 与 SortShuffle） 的工作流程（包括未优化的 HashShuffle、优化的 HashShuffle、普 通的 SortShuffle 与 bypass 的SortShuffle）

参考链接：https://www.jianshu.com/p/6f55b8412f03

HashShuffleManager运行原理

2.1 未经过优化的HashShuffleManager

假设前提：每个Executor只有1个CPU core，也就是说，无论这个Executor上分配多少个task线程，同一时间都只能执行一个task线程。

上游的stage的task对相同的key执行hash算法，从而将相同的key都写入到一个磁盘文件中，而每一个磁盘文件都只属于下游stage的一个task。在将数据写入磁盘之前，会先将数据写入到内存缓冲，当内存缓冲填满之后，才会溢写到磁盘文件中。但是这种策略的不足在于，下游有几个task，上游的每一个task都就都需要创建几个临时文件，每个文件中只存储key取hash之后相同的数据，导致了当下游的task任务过多的时候，上游会堆积大量的小文件 。

具体的过程分为“写过程”和“读过程”，参看上面的链接。

2.2 经过优化的HashShuffleManager

假设前提：每个Executor只有1个CPU core，也就是说，无论这个Executor上分配多少个task线程，同一时间都只能执行一个task线程。

Shuffle Write过程：

• 开启consolidate机制之后，在shuffle write过程中，task就不是为下游stage的每个task创建一个磁盘文件了。此时会出现shuffleFileGroup的概念，每个shuffleFileGroup会对应一批磁盘文件，磁盘文件的数量与下游stage的task数量是相同的。一个Executor上有多少个CPU core，就可以并行执行多少个task。而第一批并行执行的每个task都会创建一个shuffleFileGroup，并将数据写入对应的磁盘文件内。

• 当Executor的CPU core执行完一批task，接着执行下一批task时，下一批task就会复用之前已有的shuffleFileGroup，包括其中的磁盘文件。也就是说，此时task会将数据写入已有的磁盘文件中，而不会写入新的磁盘文件中。因此，consolidate机制允许不同的task复用同一批磁盘文件，这样就可以有效将多个task的磁盘文件进行一定程度上的合并，从而大幅度减少磁盘文件的数量，进而提升shuffle write的性能。

Shuffle Read过程：

• 和未优化之前的Shuffle Read过程相同。

SortShuffleManager运行原理

    SortShuffleManager的运行机制主要分成两种，一种是普通运行机制，另一种是bypass运行机制。当shuffle read task的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数的值时（默认为200），就会启用bypass机制。

2.3 SortShuffleManager普通运行机制

Shuffle Write过程：

• 在该模式下，数据会先写入一个内存数据结构中，此时根据不同的shuffle算子，可能选用不同的数据结构。如果是reduceByKey这种聚合类的shuffle算子，那么会选用Map数据结构，一边通过Map进行聚合，一边写入内存；如果是join这种普通的shuffle算子，那么会选用Array数据结构，直接写入内存。接着，每写一条数据进入内存数据结构之后，就会判断一下，是否达到了某个临界阈值。如果达到临界阈值的话，那么就会尝试将内存数据结构中的数据溢写到磁盘，然后清空内存数据结构。

• 在溢写到磁盘文件之前，会先根据key对内存数据结构中已有的数据进行排序。排序过后，会分批将数据写入磁盘文件。默认的batch数量是10000条，也就是说，排序好的数据，会以每批1万条数据的形式分批写入磁盘文件。写入磁盘文件是通过Java的BufferedOutputStream实现的。BufferedOutputStream是Java的缓冲输出流，首先会将数据缓冲在内存中，当内存缓冲满溢之后再一次写入磁盘文件中，这样可以减少磁盘IO次数，提升性能。

• 一个task将所有数据写入内存数据结构的过程中，会发生多次磁盘溢写操作，也就会产生多个临时文件。最后会将之前所有的临时磁盘文件都进行合并，这就是merge过程，此时会将之前所有临时磁盘文件中的数据读取出来，然后依次写入最终的磁盘文件之中。此外，由于一个task就只对应一个磁盘文件，也就意味着该task为下游stage的task准备的数据都在这一个文件中，因此还会单独写一份索引文件，其中标识了下游各个task的数据在文件中的start offset与end offset。

• 产生中间文件数量：SortShuffleManager由于有一个磁盘文件merge的过程，因此大大减少了文件数量。比如第一个stage有50个task，总共有10个Executor，每个Executor执行5个task，而第二个stage有100个task。由于每个task最终只有一个磁盘文件，因此此时每个Executor上只有5个磁盘文件，所有Executor只有50个磁盘文件。

2.4 SortShuffleManager的bypass机制

 

Shuffle Write过程：

• 此时task会为每个下游task都创建一个临时磁盘文件，并将数据按key进行hash然后根据key的hash值，将key写入对应的磁盘文件之中。当然，写入磁盘文件时也是先写入内存缓冲，缓冲写满之后再溢写到磁盘文件的。最后，同样会将所有临时磁盘文件都合并成一个磁盘文件，并创建一个单独的索引文件。

• 该过程的磁盘写机制其实跟未经优化的HashShuffleManager是一模一样的，因为都要创建数量惊人的磁盘文件，只是在最后会做一个磁盘文件的合并而已。因此少量的最终磁盘文件，也让该机制相对未经优化的HashShuffleManager来说，shuffle read的性能会更好。

• 而该机制与普通SortShuffleManager运行机制的不同在于：第一，磁盘写机制不同；第二，不会进行排序。也就是说，启用该机制的最大好处在于，shuffle write过程中，不需要进行数据的排序操作，也就节省掉了这部分的性能开销。

“Spark基础面试题有哪些”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！