Flink的数据转换操作在：（　　）环节中完成。

Spark是专为大规模数据处理而设计的快速通用的计算引擎，将Job中间输出结果可以保存在（）中，从而不再需要读写HDFS。因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

在Spark中引入RDD概念的目的是实现（）。

Spark技术架构的资源层主要涉及两种角色，分别是（）。

（）负责资源管理和所有作业的控制，而（）负责接收来自JobTracker的命令并执行它。

当Map任务完成时，（）接收到位置和大小的更新信息，并推送给Reduce任务。

MapReduce中，不需要将这R个输出文件合并成一个文件，主要原因在于在实际应用中这些文件往往作为（）或者在处理多个分制文件的分布式应用中继续使用。

MapReduce中，当Reduce Worker接收到Master发来的数据存储位置信息后，通过远程调用从Map Worker所在主机的磁盘上读取（）输出的中间结果。

MapReduce中，（key，value）在本地磁盘上的存储位置将传给Master，由Master负责把这些存储位置再传送给（）。

MapReduce中，通过分区函数将已缓存的（key，value）分成R个区城，并周期性地写入到（）。

MapReduce中，被分派到Map任务的Worker程序读取相关的输入分片，从输入分片中解析出（key，value）然后把（key，value）传递给用户自定义的（）。