本资料汇集了关于Apache Spark技术栈的经典面试问题，适用于准备应聘数据工程师、大数据分析师等职位的技术人员。包含Spark核心概念和应用场景等相关知识。
Spark是一款高效且易于使用的开源框架，在大数据处理领域尤其擅长实时计算与批处理任务。面试中的Spark相关问题通常围绕其核心概念和技术特性展开。
1. **var、val、def关键字的区别**
- `var` 是可变变量，它的值可以在程序运行时改变，但类型一旦声明便不可更改。
- `val` 是不可变常量，一旦赋值后不能更改。
- `def` 用于定义方法，每次调用都会创建一个新的作用域。
2. **样例类（case class）和样例对象（case object）**
- 样例类是一种特殊的Scala类，简化数据结构的处理，并支持模式匹配。它自动生成了`apply`、`unapply`等方法以及默认的行为。
- 样例对象是单实例的对象，可以作为枚举使用或者用于定义常量和类型别名。
3. **Spark为何快？与Hive比较**
- Spark通过内存计算模型及优化的任务调度策略提高性能。它减少了磁盘I/O操作，并且任务基于线程执行以减少进程开销。
- 然而，对于某些特定的查询场景，如单Job查询，Hive可能由于较少的数据移动而表现出更高的效率。
4. **RDD的理解**
- RDD（弹性分布式数据集）是Spark的基础组件。它是一个不可变、分区化的记录集合，并且具备容错能力。
- 通过转换操作生成新的RDD并使用行动操作触发计算过程；同时，支持缓存机制以加速后续的处理任务。
5. **Spark SQL与Hive**
- Spark SQL提供DataFrame和Dataset API进行结构化数据处理。它兼容Hive表并且在复杂查询上通常比Hive更快。
- 支持多种编程语言如Python和R，而不仅仅是传统的SQL（通过HQL）。
6. **容错机制**
- 利用血统机制，在RDD分区丢失时能够重新计算以恢复数据完整性；同时支持持久化到内存或磁盘来增强系统稳定性。
7. **Shuffle过程**
- Shuffle是Spark中用于数据再分布的关键步骤，常见于groupByKey和reduceByKey等操作。
- 合理使用Partitioner可以显著减少网络I/O开销并提高性能。
8. **调度系统**
- Spark采用DAG模型表示任务依赖关系，并通过Stage划分来优化执行流程；首先将任务划分为TaskSet再由TaskScheduler分配给Executor执行。
9. **存储机制**
- 支持多种存储级别，如仅内存、序列化后的内存和混合模式等，以适应不同的应用场景需求。
10. **Spark Streaming与微批处理**
- Spark通过DStream实现输入数据流的实时处理；每个小批量作为独立任务利用并行计算能力进行高效执行。
5星
