hadoop和spark的都是并行计算，那么他们有什么相同和区别
两者都是用mr模型来进行并行计算，hadoop的一个作业称为job，job里面分为map task和reduce task，每个task都是在自己的进程中运行的，当task结束时，进程也会结束
spark用户提交的任务成为application，一个application对应一个sparkcontext，app中存在多个job，每触发一次action操作就会产生一个job
这些job可以并行或串行执行，每个job中有多个stage，stage是shuffle过程中DAGSchaduler通过RDD之间的依赖关系划分job而来的，每个stage里面有多个task，组成taskset有TaskSchaduler分发到各个executor中执行，executor的生命周期是和app一样的，即使没有job运行也是存在的，所以task可以快速启动读取内存进行计算
hadoop的job只有map和reduce操作，表达能力比较欠缺而且在mr过程中会重复的读写hdfs，造成大量的io操作，多个job需要自己管理关系
spark的迭代计算都是在内存中进行的，API中提供了大量的RDD操作如join，groupby等，而且通过DAG图可以实现良好的容错。
-
在另一个关于将字符串作为字符数组进行单步执行的线程中，提示这个问题的具体注释是“注意，此技术给您的是字符，而不是代码点，这意味着您可能获得代理项。”我不是真的理解，所以我想最好是在一个新的问题中要求澄清，而不是对一个5年前的问题进行一系列的评论。
-
本文向大家介绍watch和计算属性有什么区别？相关面试题，主要包含被问及watch和计算属性有什么区别？时的应答技巧和注意事项，需要的朋友参考一下 通俗来讲，既能用computed 实现又可以用 watch 监听来实现的功能，推荐用 computed，重点在于 computed 的缓存功能 computed计算属性是用来声明式的描述一个值依赖了其它的值，当所依赖的值或者变量改变时，计算属性也会跟着
-
问题内容： 我正在尝试对术语“字符”，“代码点”和“代理”进行解释，尽管这些术语不仅限于Java，但如果存在特定于语言的差异，我希望将其解释为它与Java有关。 我发现了一些有关字符和代码点之间差异的信息，字符是为人类用户显示的内容，代码点是对该特定字符进行编码的值，但是我不知道代理。什么是代理，它们与字符和代码点有何不同？我对字符和代码点是否有正确的定义？ 在另一个关于将字符串作为字符数组步进的
-
zlib中使用的压缩算法与gzip和zip中的压缩算法本质上是相同的。什么是gzip和zip？它们有何不同，又有何相同？
-
我浏览了一下Spark中RDD和Dataframe的链接有什么区别？ > 我们可以在spark上运行Pandas、numpy数据帧功能吗。对于numpy，np。像df这样的熊猫在哪里和在哪里。分组依据[“”]。agg（）