面試題之hadoop相關(guān)

更新時(shí)間:2018年10月24日15時(shí)59分來源:傳智播客瀏覽次數(shù):

　　1、簡答說一下hadoop的map-reduce編程模型

　　首先map task會(huì)從本地文件系統(tǒng)讀取數(shù)據(jù)，轉(zhuǎn)換成key-value形式的鍵值對(duì)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(duì)集合輸入mapper進(jìn)行業(yè)務(wù)處理過程，將其轉(zhuǎn)換成需要的key-value在輸出

　　之后會(huì)進(jìn)行一個(gè)partition分區(qū)操作，默認(rèn)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(huì)對(duì)key進(jìn)行進(jìn)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(jìn)行一個(gè)combiner歸約操作，其實(shí)就是一個(gè)本地段的reduce預(yù)處理，以減小后面shufle和reducer的工作量

　　reduce task會(huì)通過網(wǎng)絡(luò)將各個(gè)數(shù)據(jù)收集進(jìn)行reduce處理，最后將數(shù)據(jù)保存或者顯示，結(jié)束整個(gè)job

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

　　InputFormat會(huì)在map操作之前對(duì)數(shù)據(jù)進(jìn)行兩方面的預(yù)處理

　　1是getSplits，返回的是InputSplit數(shù)組，對(duì)數(shù)據(jù)進(jìn)行split分片，每片交給map操作一次

　　2是getRecordReader，返回的是RecordReader對(duì)象，對(duì)每個(gè)split分片進(jìn)行轉(zhuǎn)換為key-value鍵值對(duì)格式傳遞給map

　　常用的InputFormat是TextInputFormat，使用的是LineRecordReader對(duì)每個(gè)分片進(jìn)行鍵值對(duì)的轉(zhuǎn)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(jì)算，那么他們有什么相同和區(qū)別

　　兩者都是用mr模型來進(jìn)行并行計(jì)算，hadoop的一個(gè)作業(yè)稱為job，job里面分為map task和reduce task，每個(gè)task都是在自己的進(jìn)程中運(yùn)行的，當(dāng)task結(jié)束時(shí)，進(jìn)程也會(huì)結(jié)束

　　spark用戶提交的任務(wù)成為application，一個(gè)application對(duì)應(yīng)一個(gè)sparkcontext，app中存在多個(gè)job，每觸發(fā)一次action操作就會(huì)產(chǎn)生一個(gè)job

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

　　hadoop的job只有map和reduce操作，表達(dá)能力比較欠缺而且在mr過程中會(huì)重復(fù)的讀寫hdfs，造成大量的io操作，多個(gè)job需要自己管理關(guān)系

　　spark的迭代計(jì)算都是在內(nèi)存中進(jìn)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(shí)現(xiàn)良好的容錯(cuò)

　　4、為什么要用flume導(dǎo)入hdfs，hdfs的構(gòu)架是怎樣的

　　flume可以實(shí)時(shí)的導(dǎo)入數(shù)據(jù)到hdfs中，當(dāng)hdfs上的文件達(dá)到一個(gè)指定大小的時(shí)候會(huì)形成一個(gè)文件，或者超過指定時(shí)間的話也形成一個(gè)文件

　　文件都是存儲(chǔ)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(dāng)文件切片很小或者很多的時(shí)候會(huì)卡死

　　5、map-reduce程序運(yùn)行的時(shí)候會(huì)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(gè)reduce一直在運(yùn)行

　　這是因?yàn)檫@幾個(gè)reduce中的處理的數(shù)據(jù)要遠(yuǎn)遠(yuǎn)大于其他的reduce，可能是因?yàn)閷?duì)鍵值對(duì)任務(wù)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(shí)候重新定義分區(qū)規(guī)則對(duì)于value數(shù)據(jù)很多的key可以進(jìn)行拆分、均勻打散等處理，或者是在map端的combiner中進(jìn)行數(shù)據(jù)預(yù)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(luò)收集到reduce端

　　spark：spark的shuffle是在DAGSchedular劃分Stage的時(shí)候產(chǎn)生的，TaskSchedule要分發(fā)Stage到各個(gè)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(guān)系，hive是邏輯上的數(shù)據(jù)倉庫，實(shí)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(guān)系型數(shù)據(jù)庫的關(guān)系?

　　沒有關(guān)系，hive是數(shù)據(jù)倉庫，不能和數(shù)據(jù)庫一樣進(jìn)行實(shí)時(shí)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(jī)制是什么?

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

　　source運(yùn)行在日志收集節(jié)點(diǎn)進(jìn)行日志采集，之后臨時(shí)存儲(chǔ)在chanel中，sink負(fù)責(zé)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(huì)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(guān)系型數(shù)據(jù)庫的數(shù)據(jù)導(dǎo)入非結(jié)構(gòu)化的hdfs、hive或者bbase中，也可以將hdfs中的數(shù)據(jù)導(dǎo)出到關(guān)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(wù)，使用jdbc和關(guān)系型數(shù)據(jù)庫進(jìn)行交互。

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

　　export原理：根據(jù)要操作的表名生成一個(gè)java類，并讀取其元數(shù)據(jù)信息和分隔符對(duì)非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行匹配，多個(gè)map作業(yè)同時(shí)執(zhí)行寫入關(guān)系型數(shù)據(jù)庫

　　11、Hbase行健列族的概念，物理模型，表的設(shè)計(jì)原則?

　　行?。菏莌base表自帶的，每個(gè)行健對(duì)應(yīng)一條數(shù)據(jù)。

　　列族：是創(chuàng)建表時(shí)指定的，為列的集合，每個(gè)列族作為一個(gè)文件單獨(dú)存儲(chǔ)，存儲(chǔ)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(shí)間戳來區(qū)分。

　　物理模型：整個(gè)hbase表會(huì)拆分為多個(gè)region，每個(gè)region記錄著行健的起始點(diǎn)保存在不同的節(jié)點(diǎn)上，查詢時(shí)就是對(duì)各個(gè)節(jié)點(diǎn)的并行查詢，當(dāng)region很大時(shí)使用.META表存儲(chǔ)各個(gè)region的起始點(diǎn)，-ROOT又可以存儲(chǔ).META的起始點(diǎn)。

　　rowkey的設(shè)計(jì)原則：各個(gè)列簇?cái)?shù)據(jù)平衡，長度原則、相鄰原則，創(chuàng)建表的時(shí)候設(shè)置表放入regionserver緩存中，避免自動(dòng)增長和時(shí)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(gè)字節(jié)散列，四個(gè)字節(jié)存儲(chǔ)時(shí)分毫秒。

　　列族的設(shè)計(jì)原則：盡可能少(按照列族進(jìn)行存儲(chǔ)，按照region進(jìn)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(shí)現(xiàn)，在map端運(yùn)行計(jì)算任務(wù)，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(chǎng)景是mapreduce的map輸出結(jié)果和reduce輸入輸出一樣。

　　partition的默認(rèn)實(shí)現(xiàn)是hashpartition，是map端將數(shù)據(jù)按照reduce個(gè)數(shù)取余，進(jìn)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(jìn)行計(jì)算，加快計(jì)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(tái)集群配置、環(huán)境變量設(shè)置?

　　zookeeper：修改zoo.cfg文件，配置dataDir，和各個(gè)zk節(jié)點(diǎn)的server地址端口，tickTime心跳時(shí)間默認(rèn)是2000ms，其他超時(shí)的時(shí)間都是以這個(gè)為基礎(chǔ)的整數(shù)倍，之后再dataDir對(duì)應(yīng)目錄下寫入myid文件和zoo.cfg中的server相對(duì)應(yīng)。

　　hadoop：修改

　　hadoop-env.sh配置java環(huán)境變量

　　core-site.xml配置zk地址，臨時(shí)目錄等

　　hdfs-site.xml配置nn信息，rpc和http通信地址，nn自動(dòng)切換、zk連接超時(shí)時(shí)間等

　　yarn-site.xml配置resourcemanager地址

　　mapred-site.xml配置使用yarn

　　slaves配置節(jié)點(diǎn)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(shí)時(shí)間、master節(jié)點(diǎn)

　　regionservers配置各個(gè)region節(jié)點(diǎn)