本文对比了图的两种主要存储结构：邻接矩阵和邻接表。邻接矩阵使用N×N二维数组存储边权值，适合稠密图，能快速查询边但空间复杂度高；邻接表采用数组+链表结构，仅存储实际边，适合稀疏图，便于遍历邻居但查询边效率较低。在最小生成树算法中，邻接矩阵适合朴素Prim算法处理稠密图，邻接表则适用于堆优化Prim和Kruskal算法处理稀疏图。实际应用中应根据图规模、密度及操作需求选择合适的存储方式，邻接矩阵适合

Spark大数据处理技术简介（一）

本章详细分析Spark运行模式的设计与实现， 重点介绍Spark的几种运行模式和原理，并分析了Spark和Yarn的结合。Spark以多种模式运行，可以在独立机器上以本地模式或伪分布式模式运行。当集群以分布式模式运行时，底层资源调度可以使用Mesos或Yarn，也可以使用Spark的Standalone模式本身。在每个模式之前，介绍一些基本概念和模型。当Spark应用程序运行时，首先。

在集群的背后，有一个非常重要的分布式数据结构，这就是弹性分布式数据集（RDD）。作为一个逻辑上集中的实体，它在集群中的多台机器上运行数据分区。通过控制多台机器上不同的RDD分区，可以减少机器之间的数据变换。RDD是Spark的核心数据结构，通过RDD的依赖关系形成Spark的调度顺序。RDD的操作构成了整个Spark程序。本章的重点是RDD。RDD（弹性分布式数据集）是Spark的核心底层抽象。R

Spark Job主要阐述了Spark的内容操作流程以及不提交RDD后各流程的操作原理等Spark计算逻辑。Shuffle描述了从map任务输出数据到reduce任务输入的过程。Shuffle是Map和Reduce之间的桥梁。Map输出必须在Reduce中使用以通过shuffle链接。shuffle一般分为两个部分：Map阶段的数据准备和Reduce阶段的数据拷贝处理。map侧的Shuffle通常

Spark-SQL

Spark中流处理的相关知识

Spark机器学习的相关内容

Apache Flink是一个分布式流处理框架，支持无界和有界数据流的高性能计算。它以低延迟、高吞吐和精确一次的状态一致性为特点，提供分层API（包括SQL、Table API、DataStream/DataSet API）满足不同开发需求。Flink起源于Stratosphere项目，2014年成为Apache顶级项目，并在阿里巴巴支持下快速发展。相比Spark Streaming的微批处理模式

Flink核心知识点解析，便于期末复习