面试 | Spark知识点@20190102
Spark基本架构
image
从集群部署的角度来看，Spark集群由集群管理器（Cluster Manager）、工作节点（Worker）、执行器（Executor）、驱动器（Driver）、应用程序（Application）等部分组成。
-
Cluster Manager
Spark的集群管理器，主要负责对整个集群资源的分配与管理。Cluster Manager分配的资源属于一级分配，它将各个Worker上的内存、CPU等资源分配给Application，但是并不负责对Executor的资源分配。 -
Worker
Spark的工作节点。Worker节点主要负责以下工作，将自己的内存，CPU等资源通过注册机制告知Cluster Manager；创建Executor；将资源和任务进一步分配给Executor；同步资源信息、Executor状态信息给Cluster Manager等。 -
Executor
执行计算任务的一线组件。主要负责任务的执行及与Worker、Driver的信息同步。 -
Driver
Application的驱动程序，Application通过Driver与Cluster Manager、Executor进行通信。Driver可以运行在Application中，也可以由Application提交给Cluster Manager并由Cluster Manager安排Worker运行 -
Application
用户编写的应用程序，Application通过Spark提供的API进行RDD的转换和DAG构建，并通过Driver将Application注册到Cluster Manager。Cluster Manager将会根据Application的资源需求，通过一级分配将Executor、内存、CPU等资源分配给Application。Driver通过二级分配将Executor等资源分配给每一个任务，Application最后通过Driver告诉Executor运行任务。
什么是RDD？
Resilient Distributed Datasets，弹性分布式数据集。是分布式内存的一种抽象概念，是一种高度受限的共享内存模型，即RDD是只读的记录分区的集合，能横跨集群的所有节点进行并行计算，是一种基于工作集的应用抽象。
RDD底层存储：
RDD的数据分布存储于多台机器上（HDFS Block形式）
RDD中的Partition是一个逻辑数据结构，存储数据分区以及逻辑结构的映射关系，存储着RDD之前的依赖转换关系。
RDD的5个主要的属性
- 一组分片（Partition）：数据集的基本组成单位。对于RDD来说，每个分片都会被一个计算任务（Task）处理，分区的数量决定了并行计算的粒度。RDD的并行度默认从父RDD传给子RDD。默认情况下，一个HDFS上的数据分片（Block）就是一个partition，HDFS文件的Block数决定了该RDD的分区数。也可以在创建RDD的时候指定RDD的分片个数，如果不指定分区数量，当RDD从集合创建时，默认分区数量为该程序多分配到资源的CPU核数（每个Core可以承载2-4个partition）。
- 一个作用于每个分区的函数：RDD中的计算是以分片为单位的，每个RDD都会实现compute函数，RDD的分片是并行计算的。
- RDD之间的依赖关系：RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后以来关系。在部分分区数据丢失时，Spark可以通过这个以来关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。
- 一个Partitioner：RDD的分片函数。只有对于Key-value类型的RDD，才会有Partitioner。Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD shuffle输出时的分片数量。
- 一个存储每个Partition的优先位置列表（preferred location）：对于一个HDFS文件来说，这个列表保存的就是每个Partition所在的快的位置。Spark在进行任务调度的时候，会尽可能地将计算任务分配到其索要处理数据块的存储位置（移动数据不如移动计算）。
Spark应用程序的执行过程？
- 构建Spark Application的运行环境（启动SparkContext），SparkContext向资源管理器（Standalone，YARN或Mesos）注册并申请运行Executor资源
- 资源管理器分配Executor资源并启动StandaloneExecutorBackend，Executor运行情况将随着心跳发送到资源管理器上
- SparkContext构建DAG图，将DAG图分解成STage，并把Taskset发送给TaskScheduler。Executor向SparkContext申请Task，TaskScheduler将Task发送给Executor运行，同时SparkContext将应用成怒代码发送给Executor
- Task在Executor上运行，运行完毕释放所有资源
Spark中cache和persist的区别？
cache和persist都是用于将一个RDD进行缓存的，这样在之后使用的过程中就不需要重新计算了，可以大大节省程序运行时间。
cache只有一个默认的缓存级别MEMORY_ONLY，cache调用了persist，而persist可以根据情况设置其他的缓存级别。
