Spark面试题

一、groupByKey和reduceByKey的区别

groupByKey仅仅只有分组功能，reduceByKey是先预聚合在shuffle在最终聚合，减少了网络io传输

二、关于数仓方面

数仓建设整体流程是什么？你参与哪些环节？

        提出需求 需求分析 模型设计【概念模型、逻辑模型】 实施【ETL、MAPPING、写SQL】测试 上线

        参与了实施【ETL、MAPPING、写SQL】测试也就是写sql

        在数据仓库（数仓）建设的语境中，Mapping（映射） 是指明确源系统数据与目标数据仓库模型中数据之间的对应关系。

具体来说，它要定义清楚：

        源系统的哪些表、哪些字段，对应目标数仓模型里的哪个维度表、哪个事实表，以及哪个字段。

        数据在从源系统向数仓转移过程中，需要进行怎样的转换（比如数据类型转换、业务规则转换等），才能适配数仓模型的要求。

        简单讲，Mapping 就像一份 “数据搬运与改造的说明书”，指导 ETL（提取、转换、加载）过程中数据如何从源头准确、合规地进入数仓。

三、SparkContext 和 SparkSession 有什么区别？

SparkContext：整个应用的上下文，控制应用的生命周期。

SparkSession：是在Spark2.0中引入的，它使开发人员可以轻松的使用它，这样我们就不用担心不同的上下文，并简化了对不同上下文的访问。通过访问SparkSession，我们可以自动访问SparkContext

四、Spark是怎么做内存计算的？DAG的作用？Stage阶段划分的作用？

根据宽窄依赖关系划分阶段时，每遇到一个宽依赖就划分，这样就可以保证每一个阶段内都是窄依赖。

五、Spark为什么比MapReduce快

Spark有更多的算子，Spark可以基于内存迭代，MapReduce是通过硬盘来交互。