摘要： 一、二次排序 （1）输入与输出 （2）需求：数据如file1.txt，要求根据第一列降序，如果第一列相等，则根据第二列升序 分析：平时所使用的键值对是不具有比较意义的，也就说他们没法拿来直接比较，可以通过sortByKey，sortBy(pair._2)来进行单列的排序，但是没法进行两列的同时排序。 阅读全文

摘要： 一、全局排序 任何排序算法均可，但是时间复杂度或者空间复杂度不符合要求。明明只需要TopK，却将全局都排序了，这也是这个方法复杂度非常高的原因。那能不能不全局排序，而只局部排序呢？这就引出了第二个优化方法局部排序。 二、局部排序 （1）冒泡排序：每冒一个泡，找出最大值，冒k个泡，就得到TopK 伪代 阅读全文

摘要： RPC（Remote Procedure Call Protocol）远程过程调用协议，它是一种通过网络从远程计算机程序上请求服务，而不需要了解底层网络技术的协议。简言之，RPC使得程序能够像访问本地系统资源一样，去访问远端系统资源。比较关键的一些方面包括：通讯协议、序列化、资源（接口）描述、服务框 阅读全文

摘要： 一、List和Set以及Map 1、List , Set, Map都是接口，前两个继承至Collection接口（Collection接口下还有个Queue接口，有PriorityQueue类），Map为独立接口， （1）List下有ArrayList，Vector，LinkedList （2）Se 阅读全文

摘要： 1、面向对象和面向过程的区别？ （1）面向过程：面向过程就是分析出解决问题所需要的步骤，然后用函数把这些步骤一步一步实现，使用的时候一个一个依次调用就可以了； 1）优点：性能比面向对象高，因为类调用时需要实例化，开销比较大，比较消耗资源；Linux/Unix等一般采用面向过程开发，性能是最重要的因素 阅读全文

摘要： 一、yarn的概述 Apache Yarn（Yet Another Resource Negotiator的缩写）是hadoop集群资源管理器系统，Yarn从hadoop 2引入，最初是为了改善MapReduce的实现，但是它具有通用性，同样执行其他分布式计算模式。 在MapReduce1中，具有如 阅读全文

摘要： 恢复内容开始 1.主要功能：SparkConf是Spark的配置类，配置spark的application的应用程序，使用(key,value)来进行存储配置信息。 2.主要形式：val conf=new SparkConf()，读取任何spark.*的配置，包括开发人员所设置的配置，因为Spark 阅读全文

摘要： Hive去重统计 相信使用Hive的人平时会经常用到去重统计之类的吧，但是好像平时很少关注这个去重的性能问题，但是当一个表的数据量非常大的时候，会发现一个简单的count(distinct order_no)这种语句跑的特别慢，和直接运行count(order_no)的时间差了很多，于是研究了一下。 阅读全文

摘要： （1）内外函数 如果在一个函数的内部定义了另一个函数，外部的我们叫他外函数，内部的我们叫他内函数。 （2）闭包定义 在一个外函数中定义了一个内函数，内函数里运用了外函数的临时变量，并且外函数的返回值是内函数的引用。这样就构成了一个闭包。 一般情况下，在我们认知当中，如果一个函数结束，函数的内部所有东 阅读全文

摘要： 一、Bloom Filter的算法: 为了降低冲突的概念，Bloom Filter使用了多个哈希函数，而不是一个。创建一个m位BitSet，先将所有位初始化为0，然后选择k个不同的哈希函数。第i个哈希函数对字符串str哈希的结果记为h（i，str），且h（i，str）的范围是0到m-1 处理字符串的 阅读全文