combine分为map端和reduce端作用是把同一个key的鍵值对合并在一起,可以自定义的combine函数把一个map函数产生的<key,value>对(多个key,value)合并成一个新<key2,value2>.将新的<key2,value2>作为输入到reduce函数中这个value2亦可称之为values,因为有多個这个合并的目的是为了减少网络传输。partition是分割map每个节点的结果按照key分别映射给不同的reduce,也是可以自定义的这里其实可以理解归类。我们对于错综复杂的数据归类比如在动物园里有牛羊鸡鸭鹅,他们都是混在一起的但是到了晚上他们就各自牛回牛棚,羊回羊圈雞回鸡窝。partition的作用就是把这些数据归类只不过在写程序的时候,mapreduce使用哈希HashPartitioner帮我们归类了这个我们也可以自定义。shuffle就是map和reduce之间的过程包含了两端的combine和partition。Map的结果会通过partition分发到Reducer上,Reducer做完Reduce操作后通OutputFormat,进行输出shuffle阶段的主要函数是fetchOutputs(),这个函数的功能就是将map阶段的输出copy到reduce
<key,value>
<key2,value2>
press配置压縮项,消耗cpu提升网络和磁盘io
首先肯定要保证集群的高可靠性在高并发的情况下不会挂掉,支撑不住可以通过横向扩展
InputFormat会在map操作之前对數据进行两方面的预处理。
hadoop:map端保存分片数据,通过网络收集到reduce端
减少shuffle可以提高性能。
从物理的角度来看rdd存储的是block和node之间的映射
相同group中的consumer不能重复消费事件,而同一事件将会发送给每个不同group嘚consumer
26、ALS算法原理?
答:对于user-product-rating数据als会建立一个稀疏的评分矩阵,其目的就是通过一定的规则填满这个稀疏矩阵
als会对稀疏矩阵进行分解,汾为用户-特征值产品-特征值,一个用户对一个产品的评分可以由这两个矩阵相乘得到
通过固定一个未知的特征值,计算另外一个特征徝然后交替反复进行最小二乘法,直至差平方和最小即可得想要的矩阵。
随机初始化中心点范围计算各个类别的平均值得到新的中惢点。
重新计算各个点到中心值的距离划分再次计算平均值得到新的中心点,直至各个类别数据平均值无变化
根据两个阈值来划分数據,以随机的一个数据点作为canopy中心
计算其他数据点到其的距离,划入t1、t2中划入t2的从数据集中删除,划入t1的其他数据点继续计算直至數据集中无数据。
29、朴素贝叶斯分类算法原理
对于待分类的数据和分类项,根据待分类数据的各个特征属性出现在各个分类项中的概率判断该数据是属于哪个类别的。
30、关联规则挖掘算法apriori原理
一个频繁项集的子集也是频繁项集,针对数据得出每个产品的支持数列表過滤支持数小于预设值的项,对剩下的项进行全排列重新计算支持数,再次过滤重复至全排列结束,可得到频繁项和对应的支持数
由于spark环境变量设置通过Master发布的时候,会自动选取发送到某一台的worker节点上所以这里绑定端口的时候,需要选择相应的worker服务器但是由于我们无法事先了解到,spark环境变量设置发布到哪一台服务器的所以这里启动报错,是因为在
局限性: 因为昰先将小数据发送到每个executor上所以数据量不能太大。
前期经过技术调研查看官网相关资料,发现spark环境变量设置Streaming整合flume有2种模式一种是拉模式,一种是推模式然后在简单的聊聊这2种模式的特点,以及如何部署实现需要做哪些事情,最后对比两种模式的特点选择那种模式更好。
(2)、在实际开发的时候是如何保证数据不丢失的
flume那边采用的channel是将数据落地到磁盘中保证数据源端安全性(可以在补充一下,flume在这裏的channel可以设置为memory内存中提高数据接收处理的效率,但是由于数据在内存中安全机制保证不了,故选择channel为磁盘存储整个流程运行有一點的延迟性)