Hadoop总结

Linux

1. 问题：Linux常用命令

参考答案：find、df、tar、ps、top、netstat等。（尽量说一些高级命令）

2. 问题：Linux查看内存、磁盘存储、io 读写、端口占用、进程等命令

答案：

1、查看内存：top

2、查看磁盘存储情况：df -h

3、查看磁盘IO读写情况：iotop（需要安装一下：yum install iotop）、iotop -o（直接查看输出比较高的磁盘读写程序）

4、查看端口占用情况：netstat -tunlp | grep 端口号

5、查看进程：ps aux

Shell

3. 问题1：使用Linux命令查询file1中空行所在的行号

答案：

[atguigu@hadoop102 datas]$ awk '/^$/{print NR}' file1.txt

5

4. 问题2：有文件chengji.txt内容如下:

张三 40

李四 50

王五 60

使用Linux命令计算第二列的和并输出

[atguigu@hadoop102 datas]$ cat chengji.txt | awk -F " " '{sum+=$2} END{print sum}'

150

5. 问题3：Shell脚本里如何检查一个文件是否存在？如果不存在该如何处理？

#!/bin/bash

if [ -f file.txt ]; then

   echo "文件存在!"

else

   echo "文件不存在!"

fi

6. 问题4：用shell写一个脚本，对文本中无序的一列数字排序

[root@CentOS6-2 ~]# sort -n test.txt|awk '{a+=$0;print $0}END{print "SUM="a}'

7. 问题5：请用shell脚本写出查找当前文件夹（/home）下所有的文本文件内容中包含有字符”shen”的文件名称

[atguigu@hadoop102 datas]$ grep -r "shen" /home | cut -d ":" -f 1

/home/atguigu/datas/sed.txt

/home/atguigu/datas/cut.txt

入门

8. 简要描述如何安装配置apache的一个开源Hadoop，列出具体步骤。

1）使用root账户登录

2）修改IP

3）修改host主机名

4）配置SSH免密码登录

5）关闭防火墙

6）安装JDK

7）解压hadoop安装包

8）配置hadoop的核心文件 hadoop-env.sh，core-site.xml , mapred-site.xml ， hdfs-site.xml

9）配置hadoop环境变量

10）格式化 hadoop namenode-format

11）启动节点start-dfs.sh start-yarn.sh

9. Hadoop中需要哪些配置文件，其作用是什么？

1）core-site.xml：

(1)fs.defaultFS:hdfs://cluster1(域名)，这里的值指的是默认的HDFS路径 。

(2)hadoop.tmp.dir:/export/data/hadoop_tmp,这里的路径默认是NameNode、DataNode、secondaryNamenode等存放数据的公共目录。用户也可以自己单独指定这三类节点的目录。

2）hdfs-site.xml：

(1) dfs.replication:他决定着系统里面的文件块的数据备份个数，默认为3个。

(2) dfs.data.dir:datanode节点存储在文件系统的目录 。

(3) dfs.name.dir:是namenode节点存储hadoop文件系统信息的本地系统路径 。

3）yarn-site.xml

（1）yarn.nodemanager.aux-services: Reducer获取数据的方式为shuffle

（2）yarn.resourcemanager.hostname：指定YARN的ResourceManager的地址

4）mapred-site.xml：

mapreduce.framework.name: yarn指定mr运行在yarn上。

10. 请列出正常工作的Hadoop集群中Hadoop都分别需要启动哪些进程，它们的作用分别是什么?

1）NameNode：负责管理文件系统名称空间和对集群中存储的文件的访问，保存有元数据。

2）SecondaryNameNode：它辅助NameNode合并edits和fsimage。

3）DataNode：负责存储集群实实在在的数据。

4）ResourceManager：负责整个集群资源的调度。

5）NodeManager：负责单个节点资源的调度。

6）DFSZKFailoverController：集群配置为高可用时它负责监控NameNode的状态，。

7）JournalNode :高可用情况下存放namenode的editlog文件。

11. 简述Hadoop的几个默认端口及其含义。

1）dfs.namenode.http-address:50070

2）SecondaryNameNode辅助名称节点端口号：50090

3）dfs.datanode.address:50010

4）fs.defaultFS:8020 或者9000

5）yarn.resourcemanager.webapp.address:8088

6. 历史服务器web访问端口：19888

HDFS

12. HDFS的存储机制（读写流程）。

image.png

13. SecondaryNameNode 工作机制。

image.png

14. NameNode与SecondaryNameNode 的区别与联系？

1）区别

（1）NameNode负责管理整个文件系统的元数据，以及每一个路径（文件）所对应的数据块信息。

（2）SecondaryNameNode主要用于定期合并命名空间镜像和命名空间镜像的编辑日志。

2）联系：

（1）SecondaryNameNode中保存了一份和namenode一致的镜像文件（fsimage）和编辑日志（edits）。

（2）在主namenode发生故障时（假设没有及时备份数据），可以从SecondaryNameNode恢复数据。

15. 服役新数据节点和退役旧节点步骤

1）节点上线操作：

按照集群配置要求，把服务器环境准备好，然后直接启动DataNode即可。

2）节点下线操作：

将要退役的节点添加到黑名单中，刷新namenode和resourcemanager。等该节点死亡时，手动将进程退出。

16. Namenode挂了怎么办？

方法一：将SecondaryNameNode中数据拷贝到namenode存储数据的目录；

方法二：使用-importCheckpoint选项启动namenode守护进程，从而将SecondaryNameNode中数据拷贝到namenode目录中。

17. 写出你常用的HDFS命令

ls mkdir cat mv get put tail rm

18. HDFS原理，以及各个模块的职责

1）NameNode：Master节点，只有一个，管理HDFS的名称空间和数据块映射信息；配置副本策略；处理客户端请求。

2）DataNode：就是Slave。存储实际的数据；执行数据块的读写；汇报存储信息给NameNode。

3）Client：切分文件。访问或通过命令行管理HDFS；与NameNode交互，获取文件为准信息；与DataNode交互，读取和写入数据。

4）SecondaryName弄得：辅助NameNode，分担其工作量；定期合并fsimage和fsEdits，推送给NameNode；紧急情况下，可辅助恢复NameNode，但SecondaryName并非NameNode的热备。

MapReduce

19. FileInputFormat切片机制

（1）简单地按照文件的内容长度进行切片

（2）切片大小，默认等于Block大小

（3）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

20. 如何决定一个job的map和reduce的数量?

1）map数量由切片个数决定

splitSize=max{minSize,min{maxSize,blockSize}}

2）reduce数量根据集群性能测试得出

reduce的数量job.setNumReduceTasks(x);x 为reduce的数量。不设置的话默认为 1。

21. Maptask的个数由什么决定？

一个job的map阶段MapTask并行度（个数），由客户端提交job时的切片个数决定。

22. 请描述mapReduce有几种排序及排序发生的阶段。

1）排序的分类：

image.png

（5）自定义排序WritableComparable

2）排序发生的阶段：

（1）二次排序、全排序、部分排序发生在map阶段。

（2）辅助排序发生在Reduce阶段。

23. 请描述MapReduce中Shuffle阶段的工作流程，如何优化Shuffle阶段？

分区，排序，溢写，拷贝到对应Reduce机器上，增加Combiner，压缩溢写的文件。

image.png image.png

24. 请描述mapReduce中combiner的作用是什么，一般使用情景，哪些情况不需要，及和reduce的区别？

1）Combiner的意义就是对每一个maptask的输出进行局部汇总，以减小网络传输量。

2）Combiner能够应用的前提是不能影响最终的业务逻辑，而且，Combiner的输出kv应该跟reducer的输入kv类型要对应起来。

3）Combiner和reducer的区别在于运行的位置。

Combiner是在每一个maptask所在的节点运行；

Reducer是接收全局所有Mapper的输出结果。

25. Mapreduce的工作原理，请举例子说明mapreduce是怎么运行的？

image.png image.png

26. 如果没有定义partitioner，那数据在被送达reducer前是如何被分区的？

如果没有自定义的 partitioning，则默认的 partition 算法，即根据每一条数据的 key

的 hashcode 值摸运算（%）reduce 的数量，得到的数字就是“分区号”。

27. MapReduce 怎么实现 TopN？

可以自定义groupingcomparator，或者在map端对数据进行排序，然后再reduce输出时，控制只输出前n个数。就达到了topn输出的目的。

28. 有可能使 Hadoop 任务输出到多个目录中么？如果可以，怎么做？

1）可以输出到多个目录中，采用自定义OutputFormat。

2）实现步骤：

（1）自定义outputformat，

（2）改写recordwriter，具体改写输出数据的方法write()

29. 简述hadoop实现join的几种方法及每种方法的实现。

1）reduce side join

Map端的主要工作：为来自不同表(文件)的key/value对打标签以区别不同来源的记录。然后用连接字段作为key，其余部分和新加的标志作为value，最后进行输出。

Reduce端的主要工作：在reduce端以连接字段作为key的分组已经完成，我们只需要在每一个分组当中将那些来源于不同文件的记录(在map阶段已经打标志)分开，最后进行合并就ok了。

1）map join

在map端缓存多张表，提前处理业务逻辑，这样增加map端业务，减少reduce端数据的压力，尽可能的减少数据倾斜。

具体办法：采用distributedcache

（1）在mapper的setup阶段，将文件读取到缓存集合中。

（2）在驱动函数中加载缓存。

job.addCacheFile(new URI("file:/e:/mapjoincache/pd.txt"));// 缓存普通文件到task运行节点

30. 请简述hadoop怎样实现二级排序。

对map端输出的key进行排序，实现的compareTo方法。在compareTo方法中排序的条件有二个。

31. ** 参考下面的MR系统的场景:**

--hdfs块的大小为64MB

--输入类型为FileInputFormat

--有三个文件的大小分别是:64KB 65MB 127MB

Hadoop框架会把这些文件拆分为多少块？

5块：64K，64M，1M, 64M，63M

Yarn

32. 简述Hadoop1与Hadoop2 的架构异同。

加入了yarn解决了资源调度的问题。

加入了对Zookeeper的支持实现比较可靠的高可用。

33. 为什么会产生Yarn,它解决了什么问题，有什么优势？

Yarn最主要的功能就是解决运行的用户程序与yarn框架完全解耦。

Yarn上可以运行各种类型的分布式运算程序（mapreduce只是其中的一种），比如mapreduce、storm程序，spark程序……

34. MR作用提交全过程。

image.png

35. Hadoop的调度器总结。

目前，Hadoop作业调度器主要有三种：FIFO、Capacity Scheduler和Fair Scheduler。Hadoop2.7.2默认的资源调度器是Capacity Scheduler。

image.png image.png image.png

36. MapReduce推测执行算法及原理。

image.png

优化（15分）

37. Hadoop 优化方法。

1）数据输入小文件处理：

（1）合并小文件：对小文件进行归档（har）、自定义inputformat将小文件存储成sequenceFile文件。

（2）采用ConbinFileInputFormat来作为输入，解决输入端大量小文件场景。

（3）对于大量小文件Job，可以开启JVM重用。

2）map阶段

（1）增大环形缓冲区大小。由100m扩大到200m

（2）增大环形缓冲区溢写的比例。由80%扩大到90%

（3）减少对溢写文件的merge次数。

（4）不影响实际业务的前提下，采用combiner提前合并，减少 I/O。

3）reduce阶段

（1）合理设置map和reduce数：两个都不能设置太少，也不能设置太多。太少，会导致task等待，延长处理时间；太多，会导致 map、reduce任务间竞争资源，造成处理超时等错误。

（2）设置map、reduce共存：调整slowstart.completedmaps参数，使map运行到一定程度后，reduce也开始运行，减少reduce的等待时间。

（3）规避使用reduce，因为Reduce在用于连接数据集的时候将会产生大量的网络消耗。

（4）增加每个reduce去map中拿数据的并行数

（5）集群性能可以的前提下，增大reduce端存储数据内存的大小。

4）IO传输

（1）采用数据压缩的方式，减少网络IO的的时间。安装Snappy和LZOP压缩编码器。

（2）使用SequenceFile二进制文件

5）整体

（1）MapTask默认内存大小为1G，可以增加MapTask内存大小为4-5g

（2）ReduceTask默认内存大小为1G，可以增加ReduceTask内存大小为4-5g

（3）可以增加MapTask的cpu核数，增加ReduceTask的cpu核数

（4）增加每个container的cpu核数和内存大小

（5）调整每个Map Task和Reduce Task最大重试次数

HA高可用

38. 如何配置hadoop高可用HA？

安装zookeeper，修改conf下相关配置文件

安装hadoop ，修改 /etc/profile ，修改配置文件hadoo-env.sh、修改core-site.xml、修改hdfs-site.xml、修改mapred-site.xml、修改yarn-site.xml

修改slaves 、免密配置 、hadoop拷贝、启动zk、格式化hdfs，启动其他服务

Zookeeper

39. Zookeeper选举机制

半数机制（Paxos 协议）：集群中半数以上机器存活，集群可用。所以Zookeeper适合装在奇数台机器上。

当集群开启的数量在半数以上时，就会将Leader给选出来，例如，有id为1，2，3三台机子，按顺序启动，第一台开启时，Zookeeper的日志会报错，因为启动数量没有达到集

一半:有id为1，2，3三台机子，按顺序启动1.启了两台，总共三台），数量多于一半，然后根据ID的大小选出Leader，则2号当选；2.3号启动时，Leader已经存在，则只能当小弟了。

40. Zookeeper常用命令

ls	查看子节点
get	获取节点信息
create	创建节点