1.Spark計算依賴內存，如果目前只有10g內存，但是需要將500G的文件排序並輸出，需要如何操作？
①、把磁盤上的500G數據分割爲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併排序！）
⑤、從100個塊中分別讀取5G/100=0.05 G入內存（100input buffers）。
⑥、執行100路合併，並將合併結果臨時存儲於5g基於內存的輸出緩衝區中。當緩衝區寫滿5GB時，寫入硬盤上最終文件，並清空輸出緩衝區；當100個輸入緩衝區中任何一個處理完畢時，寫入該緩衝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 什麼時候有shuffle什麼時候沒有shuffle
其中join操作是考驗所有數據庫性能的一項重要指標，對於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，有時候可以儘量避免程序進行Shuffle ,那麼什麼情況下有Shuffle ，什麼情況下沒有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, 即小於這個閾值即自動使用broadcast join.
3.2 Bucket join
其實rdd方式和table類似，不同的是後者要寫入Bucket表，這裏主要講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，對於表的這種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, 關於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，最後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.廣播變量是怎麼設計的
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，什麼意思呢，如果廣播表放在hive表中，那麼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，然後再進行廣播，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，然後通過bt協議進行傳輸，什麼是bt協議呢，就是數據在分佈式點對點網絡上，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。
參考
https://juejin.cn/post/6844903989557854216
https://www.jianshu.com/p/6bf887bf52b2
吳邪，小三爺，混跡於後臺，大數據，人工智能領域的小菜鳥。
更多請關注
