spark基本面试题

一、spark基本常识

1、spark中的RDD是什么，有哪些特性？

??RDD（Resilient Distributed Dataset）叫做分布式数据集模式spark中最基本的数据抽象，它代表一个不可变，可分区，里面的元素可以并行计算的集合。
??Resilient：表示弹性的，弹性表示
??Destributed：分布式，可以并行在集群计算
??Dataset：就是一个集合，用于存放数据的
五大特性：
??1）一个分区列表，RDD中的数据都存储在一个分区列表中
??2）作用在每一个分区列表中的函数。
??3）一个RDD依赖于其他多个RDD，RDD的容错机制就是根据这个特性而来的。
??4）可选的，针对于kv类型的RDD才有这个特性，作用是决定了数据的来源及数据处理后的去向。
??5）可选项，数据本地性，数据位置最优。

2、概述一下spark中常用算子区别（map，mapPartitions， foreach， foreachPartition）

??map：用于遍历RDD，将函数应用的每一个元素，返回新的RDD（transformation算子）
??mapPartitions：用于遍历RDD的每一个分区，返回生成一个新的??RDD（transformation算子）
??foreach：用于遍历RDD，将函数应用于每一个元素，无返回值（action算子）
??foreachPartition：用于遍历操作RDD中的每一个分区，无返回值（action算子）
??追述：一般使用mapPatitions和foreachPatition算子比map和foreach更加高效，推荐使用

二、spark要点

1、Spark shuffle时，是否会在磁盘上存储？

??会