戳蓝字“CSDN云计算”关注我们哦！

Spark是一个针对超大数据集合的低延迟的集群分布式计算系统，比MapReducer快40倍左右，是hadoop的升级版本，Hadoop作为第一代产品使用HDFS，第二代加入了Cache来保存中间计算结果，并能适时主动推Map/Reduce任务，第三代就是Spark倡导的流Streaming。今天，就让我们一起来看看关于它的更加深度精华问答吧！

1

Q：Spark的三种运行模式有何区别？Spark Client 和 Spark Cluster的区别 ？

A：单机：

local[n] 单机伪分布式模式，n个线程分别充当driver和Executors，由于driver和Executors处于同一个jvm，算子可以访问外部的变量。很多新手的坏习惯就是从这里养成的。

集群：

standalone spark worker组成集群，Spark内置的集群搭建模式。适合于不太依赖Hadoop的运算环境，或者存储集群和计算集群分离的场景。

yarn 运行与Hadoop Yarn集群之上。作业调度、资源调度由Yarn分配。Yarn在这方面做得比Spark standalone集群好，适用于存储计算合一，或者需要依赖MR、Hive等作业的场景。

部署模式：

client driver运行于执行spark-submit脚本的机器上。这机器不一定是集群的节点，你可以在Windows上运行driver，Linux集群运行Executors。cluster 作业提交后，driver运行于集群上的某一个节点上，集群视其为一个Executor，相当于后台程序。

standalone和yarn（还有mesos，这个不了解）都支持client/cluster两种模式。前者由--master参数控制，后者由deploy-mode参数控制。

2

Q：Spark算子内能不能引用SparkSession？

A：Spark的算子是在executor上执行的，数据也是放在executor上。executor和driver并不在同一个jvm（local[*]除外），所以算子是不能访问在driver上的SparkSession对象。

好好品味一下这个图：

     

如果一定要“在算子里访问SparkSession”，那只能把数据collect回Driver，然后用Scala 集合的算子去做。这种情况下只能适用于数据量不大（多大取决于分配给Driver的内存）。另外建议是通过join的方式获取关联数据并进行处理。

3

Q：一个使用Sparksql查询Hbase数据的功能，只取结果的1000条数据，用的limit算子，最后用foreachPartition算子将数据插入数据库中，但是Hbase那张表的数据量很大，有3000多个region，查看sparkui，发现竟然是要把所有的数据都要加载一遍取出对应的数据，所以Sparksql计算的时候是要把所有的数据都要加载一遍计算吗？

A：如果数据量巨大而集群计算资源吃不消的话，就建议不要用HBase存储数据，HBase并不留存任何结构化信息，同时也没有索引，因此并不适合多维查询。用Hive+Parquet+合理的分区分桶优化+SparkSQL查询性能会可观得多。另外更酷炫的是Spark+CarbonData，满足绝大多数OLAP需求，甚至详单查询的性能也很恐怖，并且支持update delete insert。

4

Q：在其他机器上部署了HDFS、HBase、Spark，请问怎么在本地调试Java Spark来操作远程的HBase，就像操作远程数据库一样？

A：1. HBase是一个数据库(分布式)，有自己的JDBC，可以根据HBase的JDBC开发自己应用， 只要能连接上，本地远程都可以。

2. Spark集群部署好了，写好Spark作业提交给Spark集群，Spark cluster计算完成后，可以参看结果。

3. Spark相关的rest server是livy，然而并不是很好用有一定的版本和环境要求，很多开发者会选择避开这个坑，所以你会看到网上的大部分博客。

4. 推荐Linux环境下开发，少爬很多坑，Windows不适合大数据相关的开发。

5

Q：HDP2.4.0版本，Spark SQL运行在yarn-client模式，现在发现有些语句跑特别慢，20个节点，一千多个CPU核心，8TB内存，数据量不到一亿条，都是类似这样的语句：

group by十个字段，然后sum20多个值，竟然要十分钟以上，而把数据加载到一台oracle服务器，开启多核计算，同样语句只要30秒。

Spark SQL设置成动态分配，spark.dynamicallocation.enabled=true，设置成最大最小和初始化都是300。发现是卡在最后一个task里，例如有200个任务，卡在最后一个任务里，最后一个任务占95%以上时间。Java调用Spark的thrift server接口，直接运行SQL语句，没有采用调Spark rdd方法，请问是什么问题？

A：典型的数据倾斜问题。在一个stage里，每个task对应一个partition，当有一个partition的数据量大于其他的，就会出现这样的情况。这种情况只能用代码的方法，观察问题所在的stage对应的dataset，然后在执行SQL前，reparation(>200，有文档建议是2k)。如果问题仍存在，就要对group by的字段值加盐，group by一轮后，去盐再group by得到最终数据。

----------------  完  --------------

小伙伴们冲鸭，后台留言区等着你！

关于Spark，今天你学到了什么？还有哪些不懂的？除此还对哪些话题感兴趣？快来留言区打卡啦！留言方式：打开第XX天，答：……

同时欢迎大家搜集更多问题，投稿给我们！风里雨里留言区里等你~

----------------  完  --------------

1.微信群：

添加小编微信：color_ld，备注“进群+姓名+公司职位”即可，加入【云计算学习交流群】，和志同道合的朋友们共同打卡学习！

2.征稿：

投稿邮箱：liudan@csdn.net；微信号：color_ld。请备注投稿+姓名+公司职位。

推荐阅读

• Gartner的预言：通向混合IT之旅

• 崩溃！新浪程序员加班错失 77 万年会大奖

• 刚刚！华为又被美国盯上了！

• 阿里“菜鸟”AI？
  

• 以太坊升级的拖油瓶，竟只是这几行代码
  

• 程序员有话说 | 程序猿在乘地铁的时候都在想什么?

• 清华北大“世界排名断崖式下跌”？

点击“阅读原文”，打开 CSDN App 阅读更贴心！

喜欢就点击“好看”吧！