Hadoop精选18道面试题(附回答思路)

1.简述Hadoop1和Hadoop2的架构异同

HDFS HA(High Availablity)
    一旦Active节点出现故障，就可以立即切换到Standby节点，避免了单点故障问题。
    加入了对zookeeper支持实现比较可靠的高可用。
    
YARN
    将MapReduce1.0中的资源管理调度功能分离出来形成了YARN，一个纯粹的资源任务管理调度框架，避免了内存受限问题。

2.简述HDFS

Hadoop分布式文件系统

文件系统
    目录树定位文件
    
分布式
    数据大，要拆，要分，再存。
    "拆"：block 128M
    "分"：编号，找namenode，分配
    "存"：传完第一份后内网互传
          副本机制，一式三份
          均衡

3.Hadoop生态系统与Hadoop框架

Hadoop生态系统除Hadoop之外，还包含zookeeper、Flume、Hbase、Hive、Sqoop等辅助框架

4.Hadoop核心组件(定义+组成+优点(思想))

HDFS 分布式文件系统 提供高吞吐量的数据访问和存储，特别适合大数据集的分布式存储。
     NameNode*2(Active|Standby)+DataNode*N
     具有高容错性 支持流式访问
     
MapReduce 分布式计算框架 用于大规模数据集的并行处理
     Map+Shuffle+Reduce
     分而治之 构造抽象模型
     
YARN 分布式资源管理系统 负责任务调度和集群资源管理
     ResourceManager & ApplicationManager
        NodeManager

HDFS角色

     NameNode,DataNode,SecondaryNameNode

Hadoop架构

     HDFS——分布式文件系统
     MapReduce——分布式计算框架
     YARN——分布式资源管理系统
     Commons

5.Block大小

如果一个文件小于128M，它只占用文件本身大小的空间，其它空间别的文件也能用。
Block大小设置主要取决于磁盘传输速率。
(把文件分为N块，读取文件时就要寻址N次)

6.NameNode与SecondaryNameNode的区别与联系

区别
1)NameNode存储了文件系统下所有目录和文件的访问，修改，执行时间，块大小，执行权限等
2)SecondaryNameNode并非NameNode的热备(≠ StandBy NameNode)。定期触发CheckPoint(服务)，代替NameNode合并EditLog和fsimage文件。

联系
1)SecondaryNameNode中保存了一份和NameNode一致的fsimage和edits文件。但是，NameNode还有一份正在使用的编辑日志edit_inporgress，这是SecondaryNameNode没有的。
2)在主namenode发生故障时(假设没有及时备份数据)，可以从SecondaryNameNode恢复历史的数据。

7.SecondaryNameNode的目的是什么

SecondaryNameNode定期触发CheckPoint，代表NameNode合并编辑日志EditLog和镜像文件Fsimage，从而减小EditLog的大小，减少NN启动时间。
同时在合并期间，NameNode也可以对外提供写操作。

8.HDFS的读/写数据流程

HDFS的写(上传)数据流程

1)HDFS client创建DFS对象，通过该对象向NameNode请求上传文件，NameNode检查权限，并判断该目标文件是否已存在。
2)如果权限许可，目标文件也存在，NameNode响应请求。
3)客户端请求第一个Block上传到哪几台DataNode服务器上。
4)NameNode返回3个DataNode结点
5)HDFS client创建FS DataOutputStream数据流对象，请求dn1建立传输通道，dn1接收到请求之后会继续调用dn2建立通道…
6)传输通道建立完成之后，dn1，dn2，dn3逐级应答客户端。
7)客户端开始往dn1上传第一个Block，dn1利用通道传向dn2,dn2利用通道传向dn3…(直到传到Block副本应在的位置停止)
8)当一个Block传输完成之后，客户端再次请求NameNode上传第二个Block到服务器。(重复3-7步)

HDFS的读数据流程

1)HDFS client创建DFS对象，该对象向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。
2)挑选一台DataNode(要考虑结点距离最近选择原则，DataNode负载均衡)服务器，请求读取数据。
3)数据从DataNode传到客户端，如果在传输过程中出现宕机，才会考虑向含有该副本的其他节点获取数据。
4)客户端接收，写在本地缓存，然后写入目标文件。

9.请简述DataNode的工作机制

1)一个数据块在DataNode上以文件的形式存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据的校验信息。
2)DataNode 启动后向 NameNode 注册，之后周期性（默认 6 小时）的向 NameNode 上报所有的块信息。同时，DN 扫描自己节点块信息列表的时间，检查DN中的块是否完好，如果某块磁盘损坏，就将该块磁盘上存储的所有 BlockID报告给NameNode。
3)心跳是每 3 秒一次，心跳返回结果带有 NameNode 给该 DataNode 的命令如复制块数据到另一台机器，或删除某个数据块。 如果超过 10 分钟 + 30s 没有收到某个 DataNode 的心跳，则认为该节点不可用。

10.如果数据误删，如何抢救?

1.立即关闭Hadoop服务
2.打开edit_log文件，删除未发送的心跳包的命令

11.如何理解Hadoop中的数据倾斜现象？

A.可能因为HDFS的存储不均衡：可能的原因是后扩展了集群的几台机器
B.使用默认的HashPartitoner
C.输入数据中不均匀的键分布
解决方法：执行 /opt/software/hadoop-3.1.3/sbin/start-balancer.sh

12.Namenode和Datanode的心跳机制：

心跳是datanode向namenode发送的小数据包，表明它是活跃的。默认情况下，
每3秒datanode就会向namenode发送一次心跳信号。如果namenode在10分钟内
没有收到任何datanode的心跳，它会将该datanode标记为“死亡”，并开始数据
的复制过程，将其复制到其他datanode，以保持数据的冗余和可靠性。

13.Safe Mode

Safe Mode是HDFS的一种状态，在此状态下，系统处于只读模式，不会进行数据块的复制或删除。
这通常用于系统维护或故障恢复。
管理员可以使用命令"hdfs dfsadmin -safemode enter"进入安全模式，"hdfs dfsadmin -safemode leave"退出安全模式，而"hdfs dfsadmin -safemode get"则用来查询系统是否处于安全模式。

14.Hadoop启动流程

首先，启动HDFS，通常包括启动namenodes,datanodes和secondary namenodes。
其次，启动YARN的资源管理器和节点管理器。
最后，如果在集群中运行MapReduce作业，则还需要启动MapReduce的历史服务器。

15.如何检查?

检查服务:jps
检查路径：
cd /opt/software/hadoop-3.1.3/logs/hadoop-root-namenode-single.log
检查端口：netstat -anutp | grep 9870
检查安全模式：hdfs dfsadmin -safemode get
重启服务

16.YARN的组成架构

ResourceManager,NodeManager,ApplicationMaster,Container

ResourceManager
    全局资源管理调度分配
    ResourceScheduler
        全局资源的调度与分配
    ApplicationManager
        接收客户端请求，监控NodeManager，启动和监控ApplicationMaster，必要时进行重启。
        
NodeManager
    管理节点的资源与任务
    定时向RM汇报节点的资源使用情况和容器运行情况
    接受来自RM的开启或关闭Container的指令
    接受来自AM分配MapTask|ReduceTask的指令
    
ApplicationMaster
    负责整个应用程序
    负责数据切片
    向RM申请资源
    分配MapTask|ReduceTask，启动或停止Container中的task
    容错
Container
    资源封装(CPU|DISK|MEM)
    虚拟机

17.YARN的工作原理

18.Hadoop HA的整体架构

1.主备NameNode
2.主备控制转换器ZKFC
3.Zookeeper
4.JournalNodes
5.DataNode