面试系列四 之 项目涉及技术Hadoop

1.1、Hadoop常用端口号

• dfs.namenode.http-address:50070
• dfs.datanode.http-address:50075
• SecondaryNameNode辅助名称节点端口号：50090
• dfs.datanode.address:50010
• fs.defaultFS:8020 或者9000
• yarn.resourcemanager.webapp.address:8088
• 历史服务器web访问端口：19888

1.2、Hadoop配置文件以及简单的Hadoop集群搭建

（1）配置文件：

• core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml
• hadoop-env.sh、yarn-env.sh、mapred-env.sh、slaves

（2）简单的集群搭建过程：

• JDK安装

• 配置SSH免密登录

  • 配置hadoop核心文件:
  • 格式化namenode

  1.3、HDFS读流程和写流程

    这个很重要， 虽然现在Hadoop已经到了3.x, 存储也越来越多样化，但是HDFS还是主流的存储，我们需要知道HDFS的读写流程。

1.3.1、HDFS 读流程

1.3.2、HDFS 写流程

1.3.3、MapReduce流程

1.3.3.1、Shffule机制

1）Map方法之后Reduce方法之前这段处理过程叫Shuffle

2）Map方法之后，数据首先进入到分区方法，把数据标记好分区，然后把数据发送到环形缓冲区；环形缓冲区默认大小100m，环形缓冲区达到80%时，进行溢写；溢写前对数据进行排序，排序按照对key的索引进行字典顺序排序，排序的手段快排；溢写产生大量溢写文件，需要对溢写文件进行归并排序；对溢写的文件也可以进行Combiner操作，前提是汇总操作，求平均值不行。最后将文件按照分区存储到磁盘，等待Reduce端拉取。

3）每个Reduce拉取Map端对应分区的数据。拉取数据后先存储到内存中，内存不够了，再存储到磁盘。拉取完所有数据后，采用归并排序将内存和磁盘中的数据都进行排序。在进入Reduce方法前，可以对数据进行分组操作。

1.4、Hadoop优化

1.4.1、HDFS小文件影响

• （1）影响NameNode的寿命，因为文件元数据存储在NameNode的内存中
• （2）影响计算引擎的任务数量，比如每个小的文件都会生成一个Map任务

1.4.2、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。

1.4.3、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。

1.4.4、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。

1.4.5、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

1.4.6、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

1.5、压缩

压缩格式	Hadoop自带？	算法	文件扩展名	支持切分	换成压缩格式后，原来的程序是否需要修改
DEFLATE	是，直接使用	DEFLATE	.deflate	否	和文本处理一样，不需要修改
Gzip	是，直接使用	DEFLATE	.gz	否	和文本处理一样，不需要修改
bzip2	是，直接使用	bzip2	.bz2	是	和文本处理一样，不需要修改
LZO	否，需要安装	LZO	.lzo	是	需要建索引，还需要指定输入格式
Snappy	否，需要安装	Snappy	.snappy	否	和文本处理一样，不需要修改

  提示：如果面试过程问起，我们一般回答压缩方式为Snappy，特点速度快，缺点无法切分（可以回答在链式MR中，Reduce端输出使用bzip2压缩，以便后续的map任务对数据进行split）

1.6、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
提示：切片大小公式：max(0,min(Long_max,blockSize))

1.7、Yarn的Job提交流程

1.7.1、Yarn的默认调度器、调度器分类、以及他们之间的区别

1）Hadoop调度器重要分为三类：

• FIFO 、Capacity Scheduler（容量调度器）和Fair Sceduler（公平调度器）。
• Hadoop2.7.2默认的资源调度器是 容量调度器

2）区别：

• FIFO调度器：先进先出，同一时间队列中只有一个任务在执行。

• 容量调度器：多队列；每个队列内部先进先出，同一时间队列中只有一个任务在执行。队列的并行度为队列的个数。

• 公平调度器：多队列；每个队列内部按照缺额大小分配资源启动任务，同一时间队列中有多个任务执行。队列的并行度大于等于队列的个数。

1.8、Hadoop参数调优

1）在hdfs-site.xml文件中配置多目录，最好提前配置好，否则更改目录需要重新启动集群
2）NameNode有一个工作线程池，用来处理不同DataNode的并发心跳以及客户端并发的元数据操作。
dfs.namenode.handler.count=20 * log2(Cluster Size)，比如集群规模为10台时，此参数设置为60
3）编辑日志存储路径dfs.namenode.edits.dir设置与镜像文件存储路径dfs.namenode.name.dir尽量分开，达到最低写入延迟
4）服务器节点上YARN可使用的物理内存总量，默认是8192（MB），注意，如果你的节点内存资源不够8GB，则需要调减小这个值，而YARN不会智能的探测节点的物理内存总量。yarn.nodemanager.resource.memory-mb
5）单个任务可申请的最多物理内存量，默认是8192（MB）。yarn.scheduler.maximum-allocation-mb

1.9、Hadoop宕机

1）如果MR造成系统宕机。此时要控制Yarn同时运行的任务数，和每个任务申请的最大内存。调整参数：yarn.scheduler.maximum-allocation-mb（单个任务可申请的最多物理内存量，默认是8192MB）
2）如果写入文件过量造成NameNode宕机。那么调高Kafka的存储大小，控制从Kafka到HDFS的写入速度。高峰期的时候用Kafka进行缓存，高峰期过去数据sync会自动跟上。

关注我的公众号 【宝哥大数据】