面試題之hadoop相關

　　1、簡答說一下hadoop的map-reduce編程模型

　　首先map task會從本地文件系統(tǒng)讀取數(shù)據(jù)，轉換成key-value形式的鍵值對集合

　　使用的是hadoop內(nèi)置的數(shù)據(jù)類型，比如longwritable、text等

　　將鍵值對集合輸入mapper進行業(yè)務處理過程，將其轉換成需要的key-value在輸出

　　之后會進行一個partition分區(qū)操作，默認使用的是hashpartitioner，可以通過重寫hashpartitioner的getpartition方法來自定義分區(qū)規(guī)則

　　之后會對key進行進行sort排序，grouping分組操作將相同key的value合并分組輸出，在這里可以使用自定義的數(shù)據(jù)類型，重寫Writable Comparator的Comparator方法來自定義排序規(guī)則，重寫RawComparator的compara方法來自定義分組規(guī)則

　　之后進行一個combiner歸約操作，其實就是一個本地段的reduce預處理，以減小后面shufle和reducer的工作量

　　reduce task會通過網(wǎng)絡將各個數(shù)據(jù)收集進行reduce處理，最后將數(shù)據(jù)保存或者顯示，結束整個job

　　2、hadoop的TextInputFormat作用是什么，如何自定義實現(xiàn)

　　InputFormat會在map操作之前對數(shù)據(jù)進行兩方面的預處理

　　1是getSplits，返回的是InputSplit數(shù)組，對數(shù)據(jù)進行split分片，每片交給map操作一次

　　2是getRecordReader，返回的是RecordReader對象，對每個split分片進行轉換為key-value鍵值對格式傳遞給map

　　常用的InputFormat是TextInputFormat，使用的是LineRecordReader對每個分片進行鍵值對的轉換，以行偏移量作為鍵，行內(nèi)容作為值

　　自定義類繼承InputFormat接口，重寫createRecordReader和isSplitable方法

　　在createRecordReader中可以自定義分隔符

　　3、hadoop和spark的都是并行計算，那么他們有什么相同和區(qū)別

　　兩者都是用mr模型來進行并行計算，hadoop的一個作業(yè)稱為job，job里面分為map task和reduce task，每個task都是在自己的進程中運行的，當task結束時，進程也會結束

　　spark用戶提交的任務成為application，一個application對應一個sparkcontext，app中存在多個job，每觸發(fā)一次action操作就會產(chǎn)生一個job

　　這些job可以并行或串行執(zhí)行，每個job中有多個stage，stage是shuffle過程中DAGSchaduler通過RDD之間的依賴關系劃分job而來的，每個stage里面有多個task，組成taskset有TaskSchaduler分發(fā)到各個executor中執(zhí)行，executor的生命周期是和app一樣的，即使沒有job運行也是存在的，所以task可以快速啟動讀取內(nèi)存進行計算

　　hadoop的job只有map和reduce操作，表達能力比較欠缺而且在mr過程中會重復的讀寫hdfs，造成大量的io操作，多個job需要自己管理關系

　　spark的迭代計算都是在內(nèi)存中進行的，API中提供了大量的RDD操作如join，groupby等，而且通過DAG圖可以實現(xiàn)良好的容錯

　　4、為什么要用flume導入hdfs，hdfs的構架是怎樣的

　　flume可以實時的導入數(shù)據(jù)到hdfs中，當hdfs上的文件達到一個指定大小的時候會形成一個文件，或者超過指定時間的話也形成一個文件

　　文件都是存儲在datanode上面的，namenode記錄著datanode的元數(shù)據(jù)信息，而namenode的元數(shù)據(jù)信息是存在內(nèi)存中的，所以當文件切片很小或者很多的時候會卡死

　　5、map-reduce程序運行的時候會有什么比較常見的問題

　　比如說作業(yè)中大部分都完成了，但是總有幾個reduce一直在運行

　　這是因為這幾個reduce中的處理的數(shù)據(jù)要遠遠大于其他的reduce，可能是因為對鍵值對任務劃分的不均勻造成的數(shù)據(jù)傾斜

　　解決的方法可以在分區(qū)的時候重新定義分區(qū)規(guī)則對于value數(shù)據(jù)很多的key可以進行拆分、均勻打散等處理，或者是在map端的combiner中進行數(shù)據(jù)預處理的操作

　　6、簡單說一下hadoop和spark的shuffle過程

　　hadoop：map端保存分片數(shù)據(jù)，通過網(wǎng)絡收集到reduce端

　　spark：spark的shuffle是在DAGSchedular劃分Stage的時候產(chǎn)生的，TaskSchedule要分發(fā)Stage到各個worker的executor，減少shuffle可以提高性能

　　7、Hive中存放是什么?

　　表(數(shù)據(jù)+元數(shù)據(jù))。 存的是和hdfs的映射關系，hive是邏輯上的數(shù)據(jù)倉庫，實際操作的都是hdfs上的文件，HQL就是用sql語法來寫的mr程序。

　　8、Hive與關系型數(shù)據(jù)庫的關系?

　　沒有關系，hive是數(shù)據(jù)倉庫，不能和數(shù)據(jù)庫一樣進行實時的CURD操作。

　　是一次寫入多次讀取的操作，可以看成是ETL工具。

　　9、Flume工作機制是什么?

　　核心概念是agent，里面包括source、chanel和sink三個組件。

　　source運行在日志收集節(jié)點進行日志采集，之后臨時存儲在chanel中，sink負責將chanel中的數(shù)據(jù)發(fā)送到目的地。

　　只有成功發(fā)送之后chanel中的數(shù)據(jù)才會被刪除。

　　首先書寫flume配置文件，定義agent、source、chanel和sink然后將其組裝，執(zhí)行flume-ng命令。

　　10、Sqoop工作原理是什么?

　　hadoop生態(tài)圈上的數(shù)據(jù)傳輸工具。

　　可以將關系型數(shù)據(jù)庫的數(shù)據(jù)導入非結構化的hdfs、hive或者bbase中，也可以將hdfs中的數(shù)據(jù)導出到關系型數(shù)據(jù)庫或者文本文件中。

　　使用的是mr程序來執(zhí)行任務，使用jdbc和關系型數(shù)據(jù)庫進行交互。

　　import原理：通過指定的分隔符進行數(shù)據(jù)切分，將分片傳入各個map中，在map任務中在每行數(shù)據(jù)進行寫入處理沒有reduce。

　　export原理：根據(jù)要操作的表名生成一個java類，并讀取其元數(shù)據(jù)信息和分隔符對非結構化的數(shù)據(jù)進行匹配，多個map作業(yè)同時執(zhí)行寫入關系型數(shù)據(jù)庫

　　11、Hbase行健列族的概念，物理模型，表的設計原則?

　　行健：是hbase表自帶的，每個行健對應一條數(shù)據(jù)。

　　列族：是創(chuàng)建表時指定的，為列的集合，每個列族作為一個文件單獨存儲，存儲的數(shù)據(jù)都是字節(jié)數(shù)組，其中的數(shù)據(jù)可以有很多，通過時間戳來區(qū)分。

　　物理模型：整個hbase表會拆分為多個region，每個region記錄著行健的起始點保存在不同的節(jié)點上，查詢時就是對各個節(jié)點的并行查詢，當region很大時使用.META表存儲各個region的起始點，-ROOT又可以存儲.META的起始點。

　　rowkey的設計原則：各個列簇數(shù)據(jù)平衡，長度原則、相鄰原則，創(chuàng)建表的時候設置表放入regionserver緩存中，避免自動增長和時間，使用字節(jié)數(shù)組代替string，最大長度64kb，最好16字節(jié)以內(nèi)，按天分表，兩個字節(jié)散列，四個字節(jié)存儲時分毫秒。

　　列族的設計原則：盡可能少(按照列族進行存儲，按照region進行讀取，不必要的io操作)，經(jīng)常和不經(jīng)常使用的兩類數(shù)據(jù)放入不同列族中，列族名字盡可能短。

　　12、combiner和partition的作用

　　combiner是reduce的實現(xiàn)，在map端運行計算任務，減少map端的輸出數(shù)據(jù)。

　　作用就是優(yōu)化。

　　但是combiner的使用場景是mapreduce的map輸出結果和reduce輸入輸出一樣。

　　partition的默認實現(xiàn)是hashpartition，是map端將數(shù)據(jù)按照reduce個數(shù)取余，進行分區(qū)，不同的reduce來copy自己的數(shù)據(jù)。

　　partition的作用是將數(shù)據(jù)分到不同的reduce進行計算，加快計算效果

　　13、mllib支持的算法?

　　大體分為四大類，分類、聚類、回歸、協(xié)同過濾。

　　15、Hadoop平臺集群配置、環(huán)境變量設置?

　　zookeeper：修改zoo.cfg文件，配置dataDir，和各個zk節(jié)點的server地址端口，tickTime心跳時間默認是2000ms，其他超時的時間都是以這個為基礎的整數(shù)倍，之后再dataDir對應目錄下寫入myid文件和zoo.cfg中的server相對應。

　　hadoop：修改

　　hadoop-env.sh配置java環(huán)境變量

　　core-site.xml配置zk地址，臨時目錄等

　　hdfs-site.xml配置nn信息，rpc和http通信地址，nn自動切換、zk連接超時時間等

　　yarn-site.xml配置resourcemanager地址

　　mapred-site.xml配置使用yarn

　　slaves配置節(jié)點信息

　　格式化nn和zk。

　　hbase：修改

　　hbase-env.sh配置java環(huán)境變量和是否使用自帶的zk

　　hbase-site.xml配置hdfs上數(shù)據(jù)存放路徑，zk地址和通訊超時時間、master節(jié)點

　　regionservers配置各個region節(jié)點

　　zoo.cfg拷貝到conf目錄下

　　spark：

　　安裝Scala

　　修改spark-env.sh配置環(huán)境變量和master和worker節(jié)點配置信息

　　環(huán)境變量的設置：直接在/etc/profile中配置安裝的路徑即可，或者在當前用戶的宿主目錄下，配置在.bashrc文件中，該文件不用source重新打開shell窗口即可，配置在.bash_profile的話只對當前用戶有效。

　　16、Hadoop性能調(diào)優(yōu)?

　　調(diào)優(yōu)可以通過系統(tǒng)配置、程序編寫和作業(yè)調(diào)度算法來進行。

　　hdfs的block.size可以調(diào)到128/256(網(wǎng)絡很好的情況下，默認為64)

　　調(diào)優(yōu)的大頭：mapred.map.tasks、mapred.reduce.tasks設置mr任務數(shù)(默認都是1)

　　mapred.tasktracker.map.tasks.maximum每臺機器上的最大map任務數(shù)

　　mapred.tasktracker.reduce.tasks.maximum每臺機器上的最大reduce任務數(shù)

　　mapred.reduce.slowstart.completed.maps配置reduce任務在map任務完成到百分之幾的時候開始進入

　　這個幾個參數(shù)要看實際節(jié)點的情況進行配置，reduce任務是在33%的時候完成copy，要在這之前完成map任務，(map可以提前完成)

　　mapred.compress.map.output,mapred.output.compress配置壓縮項，消耗cpu提升網(wǎng)絡和磁盤io

　　合理利用combiner

　　注意重用writable對象

　　17、Hadoop高并發(fā)?

　　首先肯定要保證集群的高可靠性，在高并發(fā)的情況下不會掛掉，支撐不住可以通過橫向擴展。

　　datanode掛掉了使用hadoop腳本重新啟動。

　　21、map-reduce程序運行的時候會有什么比較常見的問題?

　　比如說作業(yè)中大部分都完成了，但是總有幾個reduce一直在運行。

　　這是因為這幾個reduce中的處理的數(shù)據(jù)要遠遠大于其他的reduce，可能是因為對鍵值對任務劃分的不均勻造成的數(shù)據(jù)傾斜。

　　解決的方法可以在分區(qū)的時候重新定義分區(qū)規(guī)則對于value數(shù)據(jù)很多的key可以進行拆分、均勻打散等處理，或者是在map端的combiner中進行數(shù)據(jù)預處理的操作。

作者：傳智播客大數(shù)據(jù)培訓學院
首發(fā)：http://cloud.itcast.cn