大数据面试-20210315

た入场券 2022-10-05 12:53 129阅读 0赞

**目录**

1、简述Spark中的缓存机制（cache和persist）与checkpoint机制,并指出两者的区别与联系

2、Storm ，Spark Streaming , Spark structured streaming，Flink 的区别？

3、智力题

--------------------

# 1、简述Spark中的缓存机制（cache和persist）与checkpoint机制,并指出两者的区别与联系 #

**区别：**

1.cache的作用等价于 persist 不带参数的情况，RDD的 cache() 方法其实调用的就是persist方法，缓存策略均为MEMORY\_ONLY。即persist可以代替cache，反之则不行。

2.checkpoint算子不仅能将RDD持久化到磁盘，还能切断RDD之间的依赖关系。

3.完成application后checkpoint的数据依然在磁盘上，而cache和persist的数据会自动清除。

4.checkpoint可以缓存到外部系统中，persist只能在本spark应用中起作用，如果想用到其他Spark应用，需要使用checkpoint。

**联系：**

1.控制算子有三种，cache,persist,checkpoint，以上算子都可以将RDD持久化，持久化的单位是partition。

2.cache和persist都是懒执行的，必须有一个action类算子触发执行。

3.三者拥有着一个共同的作用：就是将中间结果缓存到存储介质中以便一定程度的对程序进行优化。

4.对RDD执行checkpoint之前，最好对这个RDD先执行cache，这样新启动的job只需要将内存中的数据拷贝到HDFS上就可以，省去了重新计算这一步。

**总结：**

1.如果Job运行很慢的话，选择使用persist，如果Job经常失败的话，选择使用checkpoint。

2.checkpoint通常是为了容灾，如果为了提升性能的话，基本是不会考虑checkpoint的，因为它涉及磁盘的I/O，磁盘I/O是非常慢的，因此这种情况即使重算可能都会比checkpoint快。

3.persist并没有完全缓存到外部系统的选项，它只有当内存存储不足的时候才可能将剩余的数据缓存到外部系统。

4.persist可以完全替代cache

**思考题**

##  ##

# **2、****Storm ，Spark Streaming , Spark structured streaming，Flink 的区别？** #

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTExMTAzMDE_size_16_color_FFFFFF_t_70][]

# **3、智力题** #

给40亿个不重复的无符号的 int的整数，没排过序的，然后再给一个数，如何快速判断这个数是否在那40亿个数当中？

在这道题目之中，40亿个无符号数（表明最高位表示大小），几乎涵盖了整形里的所有的数（总共42亿9千多）。一个整形占4个字节，而42亿9千多的数全部放到内存大约需要4G \* 4 = 16G，加上操作系统，各种运行软件，我们普通的计算机是无法运行这42亿数字的，除非超级计算机。所以，**按照将每个数字都占用一个整形空间的方式导入内存的方式是不可取的**。我们知道，数据在计算机中都是以二进制格式存储的，或0或1，我们不妨用**每一个二进制位（比特位）来存储一个数**，存在的话置为1，不存在置为0，这样的话，一个int可以表示32个数字。所有的数据会只占用到16G/32 = 500MB，一般的计算机还是可以满足这个请求的。40亿个数字，只能存储到硬盘，查找的时候导入内存就好了.

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTExMTAzMDE_size_16_color_FFFFFF_t_70]: /images/20221005/11a60a5a8bea43f2a779c4026faa7988.png