一份關于大資料架構Hadoop的面試問答題

Hadoop是什麼?Hadoop是一個開發和運作處理大規模資料的軟體平台,是Appach的一個用java語言實作開源軟體架構，實作在大量計算機組成的叢集中對海量資料進行分布式計算，下面看看一般情況下，關于Hadoop的面試是會問哪些問題，以及該怎麼回答。

1. 簡單描述如何安裝配置一個apache開源版hadoop，隻描述即可，無需列出完整步驟，能列出步驟更好。

1) 安裝JDK并配置環境變量（/etc/profile）

2) 關閉防火牆

3) 配置hosts檔案，友善hadoop通過主機名通路（/etc/hosts）

4) 設定ssh免密碼登入

5) 解壓縮hadoop安裝包，并配置環境變量

6) 修改配置檔案（$HADOOP_HOME/conf）

hadoop-env.sh core-site.xml hdfs-site.xml mapred-site.xml

7) 格式化hdfs檔案系統 （hadoop namenode -format）

8) 啟動hadoop （$HADOOP_HOME/bin/start-all.sh）

9) 使用jps檢視程序

2. 請列出正常工作的hadoop叢集中hadoop都分别需要啟動那些程序，他們的作用分别是什麼，盡可能寫的全面些。

1) NameNode: HDFS的守護程序，負責記錄檔案是如何分割成資料塊，以及這些資料塊分别被存儲到那些資料節點上，它的主要功能是對記憶體及IO進行集中管理

2) Secondary NameNode：輔助背景程式，與NameNode進行通信，以便定期儲存HDFS中繼資料的快照。

3) DataNode：負責把HDFS資料塊讀寫到本地的檔案系統。

4) JobTracker：負責配置設定task，并監控所有運作的task。

5) TaskTracker：負責執行具體的task，并與JobTracker進行互動。

3. 請列出你所知道的hadoop排程器，并簡要說明其工作方法。

比較流行的三種排程器有：預設排程器FIFO，計算能力排程器Capacity Scheduler，公平排程器Fair Scheduler

1) 預設排程器FIFO

hadoop中預設的排程器，采用先進先出的原則

2) 計算能力排程器Capacity Scheduler

選擇占用資源小，優先級高的先執行

3) 公平排程器Fair Scheduler

同一隊列中的作業公平共享隊列中所有資源

4. Hive有那些方式儲存中繼資料的，各有那些特點。

1) 記憶體資料庫derby，較小，不常用

2) 本地mysql，較常用

3) 遠端mysql，不常用

5. 請簡述hadoop怎樣實作二級排序。

在Hadoop中，預設情況下是按照key進行排序，如果要按照value進行排序怎麼辦？

有兩種方法進行二次排序，分别為：buffer and in memory sort和 value-to-key conversion。

buffer and in memory sort

主要思想是：在reduce()函數中，将某個key對應的所有value儲存下來，然後進行排序。 這種方法最大的缺點是：可能會造成out of memory。

value-to-key conversion

主要思想是：将key和部分value拼接成一個組合key（實作WritableComparable接口或者調setSortComparatorClass函數），這樣reduce擷取的結果便是先按key排序，後按value排序的結果，需要注意的是，使用者需要自己實作Paritioner，以便隻按照key進行資料劃分。Hadoop顯式的支援二次排序，在Configuration類中有個setGroupingComparatorClass()方法，可用于設定排序group的key值。

6. 簡述hadoop實作Join的幾種方法。

1) reduce side join

reduce side join是一種最簡單的join方式，其主要思想如下：

在map階段，map函數同時讀取兩個檔案File1和File2，為了區分兩種來源的key/value資料對，對每條資料打一個标簽（tag）,比如：tag=0表示來自檔案File1，tag=2表示來自檔案File2。即：map階段的主要任務是對不同檔案中的資料打标簽。

在reduce階段，reduce函數擷取key相同的來自File1和File2檔案的value list， 然後對于同一個key，對File1和File2中的資料進行join（笛卡爾乘積）。即：reduce階段進行實際的連接配接操作。

2) map side join

之是以存在reduce side join，是因為在map階段不能擷取所有需要的join字段，即：同一個key對應的字段可能位于不同map中。Reduce side join是非常低效的，因為shuffle階段要進行大量的資料傳輸。

Map side join是針對以下場景進行的優化：兩個待連接配接表中，有一個表非常大，而另一個表非常小，以至于小表可以直接存放到記憶體中。這樣，我們可以将小表複制多份，讓每個map task記憶體中存在一份（比如存放到hash table中），然後隻掃描大表：對于大表中的每一條記錄key/value，在hash table中查找是否有相同的key的記錄，如果有，則連接配接後輸出即可。

為了支援檔案的複制，Hadoop提供了一個類DistributedCache，使用該類的方法如下：

A：使用者使用靜态方法DistributedCache.addCacheFile()指定要複制的檔案，它的參數是檔案的URI（如果是HDFS上的檔案，可以這樣：hdfs://namenode:9000/home/XXX/file，其中9000是自己配置的NameNode端口号）。JobTracker在作業啟動之前會擷取這個URI清單，并将相應的檔案拷貝到各個TaskTracker的本地磁盤上。

B：使用者使用DistributedCache.getLocalCacheFiles()方法擷取檔案目錄，并使用标準的檔案讀寫API讀取相應的檔案。

3) SemiJoin

SemiJoin，也叫半連接配接，是從分布式資料庫中借鑒過來的方法。它的産生動機是：對于reduce side join，跨機器的資料傳輸量非常大，這成了join操作的一個瓶頸，如果能夠在map端過濾掉不會參加join操作的資料，則可以大大節省網絡IO。

實作方法很簡單：選取一個小表，假設是File1，将其參與join的key抽取出來，儲存到檔案File3中，File3檔案一般很小，可以放到記憶體中。在map階段，使用DistributedCache将File3複制到各個TaskTracker上，然後将File2中不在File3中的key對應的記錄過濾掉，剩下的reduce階段的工作與reduce side join相同。

4) reduce side join + BloomFilter

在某些情況下，SemiJoin抽取出來的小表的key集合在記憶體中仍然存放不下，這時候可以使用BloomFiler以節省空間。

BloomFilter最常見的作用是：判斷某個元素是否在一個集合裡面。它最重要的兩個方法是：add() 和contains()。最大的特點是不會存在false negative，即：如果contains()傳回false，則該元素一定不在集合中，但會存在一定的true negative，即：如果contains()傳回true，則該元素可能在集合中。

因而可将小表中的key儲存到BloomFilter中，在map階段過濾大表，可能有一些不在小表中的記錄沒有過濾掉（但是在小表中的記錄一定不會過濾掉），這沒關系，隻不過增加了少量的網絡IO而已。

7. 請簡述MapReduce中combiner、partition的作用。

combiner：

有時一個map可能會産生大量的輸出，combiner的作用是在map端對輸出先做一次合并，以減少網絡傳輸到reducer的數量。

注意：mapper的輸出為combiner的輸入，reducer的輸入為combiner的輸出。

partition：

把map任務輸出的中間結果按照key的範圍劃分成R份(R是預先定義的reduce任務的個數)，劃分時通常使用hash函數，如：hash(key) mod R

這樣可以保證一段範圍内的key，一定會由一個reduce任務來處理。

推薦閱讀文章

大資料零基礎快速入門教程