hadoop面试题汇总

hadoop面试题汇总

1. 说说搭建hadoop集群的3个xml文件。

答：

• core-site.xml：核心配置文件。
• hdfs-site.xml：hdfs配置文件。
• /mapred-site.xml：MapReduce配置文件。

2. 正常的hadoop集群工作都会启动哪些进程？

答：

• NameNode
• DataNode
• Secondary NameNode

3. 他们的作用分别是什么？

• NameNode：主节点，负责维护整个Hdfs文件系统的目录树，以及每个文件所对应的block块信息(元数据)。
• DataNode：从节点，负责存储具体的文件数据，并且每个block可以在多个DataNode上存储多个副本。
• Secondary NameNode：相当于一个备用的NameNode， 当NameNode死机之后，可以将Secondary NameNode的数据备份到NameNode上面 ，但不能备份完整数据，它有两大功能，1 镜像备份，2 日志与镜像定期合并。

4. 你能详细介绍一下SecondaryNode 的具体作用吗？

• 2NN主要负责对NN的元数据进行合并，当满足一定条件的下，2NN会监测本地时间，每隔一个小时会主动对NN的edits文件和fsimage文件进行一次合并。合并的时候，首先会通知NN,这时候NN就会停止对正在使用的edits文件的追加，同时会新建一个新的edits编辑日志文件，保证NN的正常工作。接下来 2NN会把NN本地的fsimage文件和edits编辑日志拉取2NN的本地，在内存中对二者进行合并，最后产生最新fsimage文件。把最新的fsimage文件再发送给NN的本地。注意还有一个情况，当NN的edits文件中的操作次数累计达到100万次，即便还没到1小时，2NN（每隔60秒会监测一次NN方的edits文件的操作次数）也会进行合并。 2NN 也会自己把最新的fsimage文件备份一份。

5. HDFS的块默认是保存几份？一个块多大？

• 默认保存是3份，一个块是128M。

6. 之前的64M 是从哪个版本变换的？

• hadoop 1.0 默认是64M， hadoop 2.0 由64M 改为128M.

7. 那假设现在是128M，那我在工作中想把它调为256M，那我需要调整什么，才能改变块的大小？

• 主要是磁盘的存储决定 块的大小，块组成的文件的大小取决于磁盘的传输速率，调整磁盘，可以改变块的大小。

8. Hdfs的读写过程你了解吗？简单讲讲？

• 写过程：
  1、客户端跟NameNode 通信，请求上传文件，NameNode检查文件，父目录是否存在，并向客户端返回是否可以上传文件
  2、客户端请求第一个block块该上传到哪个DataNode服务器上，NameNode查询从节点之后，返回对应的DataNode 服务器A,B,C等。
  3、客户端请求NameNode服务器，采取就近原则，选择A服务器上传数据(本质上是个RPC调用，建立PipeLine)，A收到请求后，A调B，B调C，将每个pipline建立连接，然后逐级返回给客户端
  4、客户端开始往A上传第一个block，以Package为单位，A收到一个Package，就会传给B，B传给C，A每传一个package就会放入一个应答队列，等待应答。
  5、当第一个block传输完成后，客户端再次请求NameNode上传第二个block。
  
  
  
  
  
• 读过程：
  1、客户端通过DistributedFileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。
  2、挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
  3、DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet为单位来做校验）。
  4、客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。
  
  
  
  

9. 说一下MapReduce的工作原理？

• 原理：
  1、客户端启动一个job,然后向JobTracker请求一个jobID
  2、 然后将运行所需要的资源文件上传到HDFS上，包括MapReduce程序打包的jar包，配置文件，以及计算的输入划分信息等
  3、 这些文件全部存储在JobTracker专门创建的JobID文件夹中（jar文件会有10个副本，输入划分信息对应着JobTracker应该启动多少个Map任务）
  4、JobTracker将这些资源文件放入作业队列中，调度器根据调度算法对作业文件进行调度，根据输入划分信息划分Map任务并将map任务分配给TaskTracker执行。
  5、TaskTracker每隔一段时间发送给JobTracker一个心跳，告诉它自己的运行情况，这个心跳中包含map任务完成的进度等。
  6、当最后一个任务完成后，JobTracker会将该任务设为成功，返回给客户端。客户端得到结果，得知任务完成便显示消息给用户。
  
  
  
  
  
  

10. 你在具体讲一下map中的一些步骤，例如partition,sort,combiner,shuffle等等。

• 好的，sort 主要是排序，combiner是合并，partition是分片等。
  首先Mapper根据文件进行分区，sort将Mapper产生的结果按照key进行排序，combiner将key相同的记录进行合并，partition是把数据均衡的分配个Reducer. shuffle是Mapper将结果传给Reduce，在这期间容易发生数据倾斜等。
  

11. 那这个数据倾斜一般是在Mapper端发生的还是Reduce中发生的？

• Mapper将数据处理完传给Reduce，当Reduce进行处理时，因为一部分key的数据量过大，导致其他分区已经执行完成而数据量过大的key执行时间过长，所以数据倾斜是发生在Reduce端的。

12. 那发生数据倾斜是因为这个key分布不均匀，那你会怎么优化呢？

• 可以在Mapper期间将大数据量相同的key进行分散，通过添加N以内的随机数前缀，对数据较多的Key进行子扩展，先进行局部操作，再去除随机数之后进行聚合操作，避免在进行Shuffle操作时出现数据倾斜问题。

13. 那Mapper端进行combiner之后，除了速度会提升，那从Mapper端到Reduce端的数据量会怎么变？

• 数据量会减少，因为combiner之后，会将相同的key进行一次聚合，数据量会在这时候减少一部分

14. map 输出的数据如果超出他的那个小文件内存之后，那他是落地到磁盘还是落地到HDFS中？

• 落地到磁盘中，因为map,reduce操作，就是一次次的I/O请求

15. Map到Reduce默认的分区机制是什么？

• 这个是根据那个hash进行计算 对map中的key做hash，对reduce个数取模。

16. hadoop的调优主要针对配置文件的调优你知道哪几种？

• 1、因为MapReduce运算时是在磁盘中进行的，所以 通过修改磁盘I/O，也就是设置和的预读缓冲区大小来提高hadoop里面大文件顺序读的性能。以此来提高I/O性能。
  2、通过修改三个配置文件的参数如 core-site.xml,mapred-site.xml,hdfs-site.xml等
  例如 修改core 文件里面的buffer.size，来修改读写缓冲区的大小，还有hdfs文件里面的block.size修改块的大小等都可以进行调优
  
  

17. 给你出个题，现在有1G的数据文件，里面有四个字段，分别是id,name,age,class,然后要按照class来分组，id来排序，口述一下MapReduce的过程是怎么实现的？这里面会有几个map?

• 1、首先1G文件，那默认一个块是128M，所以可以分为8个块，对应的就是8个Mapper
  2、然后定义一个对象，将四个属性封装到对象中，实现序列化和反序列化
  3、定义一个类继承partitioner类，调用对象中的class属性设置分组，
  4、在map端对文件进行读取，然后通过Split来进行分割，调用对象的id作为key，然后进行局部sort排序，在combiner局部聚合后通过reduce来进行整体聚合。
  
  
  

18. 说说yarn吧，它有什么优势，能解决什么问题？

• yarn集群主要分为主节点ResourceManage,从节点 NodeManage ResourceManage负责资源的分配，将集群的资源分配给各个应用使用，资源分配的基本单元是Container，NodeManage则是一个计算节点的管理者，负责启动应用的所需的Conbiner，并对内部资源进行监控等。yarn一般和mapreduce进行结合，主要是对MapReduce中的资源计算进行维护等。