hadoop面试题

0. 思维导图

1. HDFS

1. HDFS的架构♥♥

  HDFS主要包括三个部分，namenode,datanode以及secondary namenode。这里主要讲一下他们的作用：namenode主要负责存储数据的元数据信息，不存储实际的数据块，而datanode就是存储实际的数据块，secondary namenode主要是定期合并FsImage和edits文件（这里可以进行扩展，讲一下为什么有他们的存在？首先namenode存储的元数据信息是会放在内存中，因为会经常进行读写操作，放在磁盘的话效率太低了，那么这时候就会有一个问题，如果断电了，元数据信息不就丢失了吗？所有也需要将元数据信息存在磁盘上，因此就有了用来备份元数据信息的FsImage文件，那么是不是每次更新元数据信息，都需要操作FsImage文件呢？当然不是，这样效率不就又低了吗，所以我们就引入了edits文件，用来存储对元数据的所有更新操作，并且是顺序写的方式，效率也不会太低，这样，一旦重启namenode，那么首先就会进行FsImage文件和edits文件的合并，形成最新的元数据信息。这里还会有一个问题，但是如果一直向edits文件进行写入数据，这个文件就会变得很大，那么重启的时候恢复元数据就会很卡，所有这里就有了secondary namenode在namenode启动的时候定期来进行FsImage和edits文件的合并，这样在重启的时候就会很快完成元数据的合并）

2. HDFS的读写流程♥♥♥

• 读数据流程：hadoop fs -get a.txt /opt/module/hadoop/data/
  
  首先客户端向namenode进行请求，然后namenode会检查文件是否存在，如果存在，就会返回该文件所在的datanode地址，这些返回的datanode地址会按照集群拓扑结构得出datanode与客户端的距离，然后进行排序；然后客户端会选择排序靠前的datanode来读取block，客户端会以packet为单位进行接收，先在本地进行缓存，然后写入目标文件中。【读的时候是并行读取的数据块】

• 写数据流程： hadoop fs -put a.txt /user/sl/

  

  1. 首先客户端会向namenode进行请求，然后namenode会检查该文件是否已经存在，如果不存在，就会允许客户端上传文件；
  2. 客户端再次向namenode请求第一个block上传到哪几个datanode节点上，假设namenode返回了三个datanode节点；
  3. 那么客户端就会向datanode1请求上传数据，然后datanode1会继续调用datanode2,datanode2会继续调用datanode3，那么这个通信管道就建立起来了，紧接着datanode3,datanode2,datanode1，逐级应答客户端。
  4. 然后客户端就会向datanode1上传第一个block，以packet为单位（默认64K），datanode1收到后就会传给datanode2，datanode2传给datanode3
  5. 当第一个block传输完成之后，客户端再次请求namenode上传第二个block。【写的时候，是串行的写入数据块】

3. HDFS中，文件为什么以block块的方式存储

• 只要是减少硬盘寻道时间
  • 不设置block;因为数据是分散存放磁盘上的，读取数据时需要不停的进行磁盘寻道，开销比较大。
  • 使用block；一次可以读取一个block中的数据，减少磁盘寻道的次数和时间。

4. 小文件过多有什么危害，你知道的解决办法有哪些♥♥

• 危害：
  • 存储大量的小文件，会占用namenode大量的内存来存储元数据信息
  • 在计算的时候，每个小文件需要一个maptask进行处理，浪费资源
  • 读取的时候，寻址时间超过读取时间
• 解决方法：
  • 在上传到hdfs之前，对小文件进行合并之后再上传
  • 采用har归档的方式对小文件进行存储，这样能够将多个小文件打包为一个har文件
  • 在计算的时候，采用combineinputformat的切片方式，这样就可以将多个小文件放到一个切片中进行计算
  • 开启uber模式，实现JVM的重用，也就是说让多个task公用一个jvm，这样就不必为每一个task开启一个JVM

5. 在NameNode HA中，会出现脑裂问题吗？怎么解决脑裂

• 假设NameNode1当前为Active状态，NameNode2当前为Standby状态。如果某一时刻NameNode1对应的ZKFailoverController进程发生了“假死”现象，那么Zookeeper服务端会认为NameNode1挂掉了，NameNode2会替代NameNode1进入Active状态。但是此时NameNode1可能仍然处于Active状态正常运行，这样NameNode1和NameNode2都处于Active状态，都可以对外提供服务。这种情况称为脑裂

• Zookeeper对这种问题的解决方法叫做fencing（隔离），也就是想办法把旧的Active NameNode隔离起来，使它不能正常对外提供服务

  • 首先尝试调用这个旧Active NameNode的HAServiceProtocol RPC接口的transitionToStandby 方法，看能不能把它转换为Standby状态
  • 如果transitionToStandby 方法调用失败，那么就执行Hadoop配置文件之中预定义的隔离措施，Hadoop目前主要提供两种隔离措施，通常会选择sshfence;
    • sshfence：通过SSH登录到目标机器上，执行命令fuser将对应的进程杀死
    • shellfence：执行一个用户自定义的shell脚本来将对应的进程隔离

6. 简述hadoop压缩和解压缩的框架

• gzip压缩：压缩率比较高，而且压缩/解压速度也比较快，hadoop本身支持，但是不支持切片
• bzip2压缩：比gzip的压缩率更高，hadoop本身支持，而且还支持切片，但是压缩/解压缩速度很慢
• lzo压缩：合理的压缩率，压缩/解压速度也比较快，而且支持切片，但是hadoop本身不支持，需要安装，压缩率要比gzip低一些，为了支持切片，还需要手动为lzo压缩文件创建索引
• snappy压缩：合理的压缩率，压缩/解压速度也比较快，但是不支持切片，badoop本身不支持，需要安装，压缩率要比gzip低一些

7. namenode的安全模式有了解吗

• 安全模式是指hdfs对于客户端来说是只读的

• 什么时候进入安全模式？

  • namenode启动的时候，首先会进行fsimage和edits的合并，然后namenode监听datanode，datanode汇报最新的数据块信息，这个过程namenode就会处于安全模式

• 什么时候会退出安全模式？

  • 如果整个文件系统中99.9%的数据块满足最小的副本级别（默认为1），namenode会在30秒之后退出安全模式。刚初始化HDFS的时候，因为系统中没有任何块，所以namenode不会进入安全模式。

• 命令：bin/hdfs dfsadmin -safemode get/enter/leave/wait

8. Secondary NameNode了解吗，它的工作机制是怎样的

• Secondary Namenode主要是用于edit logs 和 FsImage的合并，edit logs记录了对namenode元数据的增删改操作，FsImage记录了最新的元数据检查点，在namenode重启的时候，会把edit logs和Fsimages进行合并，形成新的FsImage文件
• 工作机制：
  • Secondary NameNode 询问NameNode是否需要checkpoint。直接带回NameNode是否需要检查结果
  • Secondary NameNode 请求执行checkpoint
  • NameNode滚动正在写的edits日志
  • 将滚动前的编辑日志和镜像文件拷贝到Secondary NameNode
  • Secondary NameNode 加载编辑日志和镜像文件到内存，并合并
  • 生成新的镜像文件fsimage.checkpoint
  • 拷贝fsimage.checkpoint到NameNode
  • NameNode将fsimage.checkpoint重新命名为fsimage
  • 所以如果NameNode中的元数据丢失，是可以从Secondary NameNode恢复一部分元数据信息的，但不是全部，因为NameNode正在写的edits日志还没有拷贝到Secondary NameNode，这部分恢复不了

9. 在上传文件的时候，其中一个DataNode突然挂掉了怎么办♥

  客户端上传文件时与DataNode建立pipeline管道，管道正向是客户端向DataNode发送的数据包，管道反向是DataNode向客户端发送ack确认，也就是正确接收到数据包之后发送一个已确认收到的应答，当DataNode突然挂掉了，客户端接收不到这个DataNode发送的ack确认，客户端会通知NameNode，NameNode检查该块的副本与规定的不符，NameNode会通知DataNode去复制副本，并将挂掉的DataNode作下线处理，不再让它参与文件上传与下载。

10. 在读取文件的时候，其中一个块突然损坏了怎么办♥

  客户端读取完DataNode上的块之后会进行checksum验证，也就是把客户端读取到本地的块与HDFS上的原始块进行校验，如果发现校验结果不一致，客户端会通知NameNode，然后再从下一个拥有该block副本的DataNode继续读。

11. 介绍nameNode宕机的数据恢复过程

  当NameNode发生故障宕机时，Secondary NameNode会保存所有的元数据信息，在NameNode重启的时候，Secondary NameNode 会将元数据信息发送给NameNode

12. NameNode在启动的时候会做哪些操作

• 读取fsimage和edits文件，然后通知Secondary NameNode进行合并生成新的fsimage文件，然后创建新的空的edits文件
  • 首次启动NameNode
    • 格式化文件系统，为了生成fsimage镜像文件
    • 启动NameNode
    • 读取fsimage文件，将文件内容加载进内存
    • 等待DataNode注册于发送block report
    • 启动DataNode
    • 向NameNode注册
    • 发送block report（每3S发送一次心跳包：本节点的存储容量信息，块信息）
    • 检查fsimage中记录的块的数量和block report中块的总数是否相同
    • 对文件系统进行操作（创建目录，上传文件，删除文件等）
    • 此时内存中已经有文件系统改变的信息，但是磁盘中没有文件系统改变的信息，此时会将这些改变信息写入edits文件中，edits文件中存储的时文件系统元数据改变的信息。
  • 第二次启动NameNode
    • 读取fsimage和edits文件
    • 将fsimage和edits文件合并新的fsimage文件
    • 创建新的edits文件，内容为空
    • 启动DataNode

2. MapReduce

1. 简述MapReduce整个流程♥♥♥

1. map阶段：首先通过InputFormat把输入目录下的文件进行逻辑切片，默认大小等于block大小，并且每一个切片由一个maptask来处理，同时将切片中的数据解析成的键值对，k表示偏移量，v表示一行内容；紧接着调用Mapper类中的map方法。将每一行内容进行处理，解析为的键值对，在wordCount案例中，k表示单词，v表示数字1；
2. shuffle阶段：map端shuffle：将map后的写入环形缓冲区【默认100m】，一半写元数据信息（key的起始位置，value的起始位置，value的长度,partition号），一半写数据，等到达80%的时候，就要进行溢写操作，溢写之前需要对key按照分区进行快速排序【分区默认算法是HashPartitioner，分区号是根据key的hashcode对reduce task个数取模得到的。这时候有一个优化方法可选，combiner合并，就是预聚合的操作，将有相同key的Value合并起来，减少溢写到磁盘的数据量，只能用来累加，最大值使用，不能在平均值的时候使用】；然后溢写到文件中，并且进行merge归并排序（多个溢写文件）；reduce端shuffle:reduce会拉取copy同一分区的各个maptask的结果到内存中，如果放不下，就会溢写到磁盘上；然后对内存和粗盘上的数据进行merge归并排序（这样就可以满足将key相同的数据聚合在一起）。
3. reduce阶段：key相同的数据会调用一次reduce方法，每次调用会产生一个键值对，最后将这些键值对写入到HDFS文件中。

2. 手写wordcount ♥

3. join原理♥♥

1. Reduce端join:
   • map阶段的主要工作：对来自不同表的数据打标签，然后用连接字段作为key，其余部分和标签作为value，最后进行输出
   • shuffle阶段：根据key的值进行hash，这样就可以将相同的key送入一个reduce中
   • reduce阶段的主要工作：同一个key的数据会调用一次reduce方法，就是对来自不同表的数据进行join（笛卡尔积）

• Map端join:
  • 原理：将小表复制多份，让每个map task内存中存在一份（比如存放到HashMap中），然后只扫描大表，对于大表中的每一条记录key/value，在HashMap中查找是否有相同key的记录，如果有，则join连接后输出即可。
  • 应用场景：一张表很小，一张表很大
  • 优点：增加Map端业务，减少Reduce端数据的压力，尽可能减少数据倾斜
  • 具体方法：
    • 使用DistributedCache缓存文件到Task运行节点
    • 在mapper的setup方法中，将文件读取到缓存集合中

4. 文件切片相关问题

• 区分数据切片和数据块：

  • 数据切片：只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储
  • 数据块：默认是128M,hdfs物理上把数据分成一块一块。

• MapTast并行度决定机制：

  • 一个job的map阶段并行度由客户端在提交job时的切片数决定
  • 每一个切片分配一个MapTask进行处理
  • 默认情况下，切片大小=blocksize
  • 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

5. 环形缓冲区的底层实现

• 环形缓冲区底层就是一个数组，默认大小是100M
• 数组中存放着Key和value的数据，以及关于key和value的元数据信息。每个key,value对应一个元数据，元数据由4个int组成，第一个int存放value的起始位置，第二个int存放key的起始位置，第三个int存放partition，第四个int存放value的长度。
• key/value数据和元数据在环形缓冲区中的存储是由equator（赤道）分隔的，key/value按照索引递增的方向存储，元数据则按照索引递减的方向存储。将数组抽象为一个环形结构之后，以equator为界，key/value顺时针存储，元数据逆时针存储。

6. 全排序

补充知识：MapTask和ReduceTask都会对数据按照key进行排序。该操作属于hadoop的默认行为。（字典顺序，快速排序）
区内排序：

1. 在全排序的基础上自定义分区（继承Partitioner类，重写getPartition方法）
2. job驱动中设置自定义分区类，并且设置ReduceTask个数

• 定义：最终输出结果只有一个文件，且文件内部有序，实现方式是只设置一个ReduceTask【慎用】

• 关键步骤：

  1. 新建一个javabean类，用来存储输入的数据
  2. bean对象作为key传输，实现WritableComparable接口，重写compareTo方法，序列化和放序列化方法。

• 补充题：辅助排序（二次排序）

  • 二次排序：有两个字段参与排序
    • 跟一次排序实现的步骤一样，就在于逻辑上的不同，多以一个if…else…就可以了
  • 辅助排序：ReduceTast对从map端拉取过来数据再次进行分组排序
    • 自定义类继承WritableComparator，重写compare方法
    • job驱动中设置reduce端的自定义分组类

7. MapReduce实现TopK算法♥

• 自定义排序比较器（这里可以讲一下步骤），全局排序就行了
• 优化手段：在map阶段加上TreeMap集合，当集合大小超过K时，删除最小的元素，然后在cleanup方法中发送topk的元素；同时在reduce阶段也是一样的，因为会有不同的maptaks发送topk过来，我们还需要再次去找topK。

3. Yarn

1. 简述yarn集群的架构♥♥

• Yarn的基本思想就是将Hadoop1.0中的jobTraacker拆分了两个独立的服务：
  ResourceManager和ApplicationMaster。
• ResourceManager负责整个系统的资源管理和分配，ApplicationMaster负责当个应用程序的管理。除了这两个部分之外，还包括NodeManager和Container，其中NodeManager是单个节点上的资源和任务管理器，Container是Yarn的资源抽象，封装了各种资源，比如内存CPU磁盘。

2. yarn的任务提交流程是怎样的♥♥♥

3. yarn的资源调度的三种模型♥♥

4. 简述Hadoop1.0 2.0 3.0区别♥♥♥

• hadoop1.0 和 hadoop2.0的区别：

  1. 新增了YARN框架，1.0的时候，MapReduce既负责资源调度又负责计算，到了2.0，资源调度就交给了yarn框架：
  2. 新增HDFS高可用机制，通过配置Active和Standby两个NameNode实现在集群中对NameNode的热备，解决了1.0存在的单点故障问题

• hadoop2.0和hadoop3.0的区别：

  1. hadoop3.0要求最低的java版本为jdk1.8;
  2. hadoop3.0的MapReduce进行了优化，性能提高了30%;
  3. hadoop3.0支持两个以上的namenode，也就是可以设置一个active和多个standby
  4. hadoop3.0支持hdfs的纠删码机制，作用就是节省存储空间。

5. 任务的推测执行（spark ui见过）