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的组建构成有哪些？

A：1：每一个application有自己的executor的进程，它们相互隔离，每个executor中可以有多个task线程。这样可以很好的隔离各个applications,各个spark applications 不能分享数据，除非把数据写到外部系统。

2：SparkContext对象可以视为Spark应用程序的入口，主程序被称为driver program，SparkContext可以与不同种类的集群资源管理器(Cluster Manager)，例如Hadoop Yarn、Mesos等 进行通信，从而分配到程序运行所需的资源，获取到集群运行所需的资源后，SparkContext将得到集群中其它工作节点(Worker Node) 上对应的Executors (不同的Spark应用程序有不同的Executor，它们之间也是独立的进程，Executor为应用程序提供分布式计算及数据存储功能)，之后SparkContext将应用程序代码分发到各Executors，最后将任务(Task)分配给executors执行。

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。

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~

福利