Hadoop面试题及参考答案

目录

1、什么是Hadoop及其组件

Hadoop是一个开源分布式计算平台架构，基于apache协议发布，由java语言开发。主要包括

• HDFS(分布式文件管理系统)
• MapReduce(分布式计算框架)
• Hive(基于Hadoop的数据仓库)
• Pig(基于Hadoop的数据流系统)
• HBase(一个分布式面向列的数据库)
• Spark(快速和通用计算的Hadoop数据引擎)
• ZooKeeper(分布式协作服务)

2、Hadoop的守护进程

• NameNode(元数据服务器) 主节点，存储文件的元数据（文件名，文件目录结构，文件属性——生成时间，副本数，文件权限），以及每个文件的块列表和块所在的DataNode等
• SecondaryNameNode(辅助元数据服务器) 用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据快照
• DataNodes(块存储) 在本地文件系统存储文件块数据，以及块数据校验
• JobTracker(任务调度) 负责接收用户提交的作业，负责启动、跟踪任务执行，每个 DataNode有一个TaskTracker，它们执行实际工作。
• TaskTrackers(任务执行) 负责执行由JobTracker分配的任务，管理各个任务在每个节点的执行情况。

3、Hadoop的YARN/HDFS/MapReduce分别包含哪些组件，每个组件的职能是什么？

3.1 YARN：Yet Another Resource Negotiator，是一种新的Hadoop资源管理器

• ReasourManager 负责资源管理的，整个系统有且只有一个 RM ，来负责资源的调度。它也包含了两个主要的组件：定时调用器(Scheduler)以及应用管理器(ApplicationManager)。
• ApplicationMaster 每当 Client 提交一个 Application 时候，就会新建一个 ApplicationMaster 。由这个 ApplicationMaster 去与 ResourceManager 申请容器资源，获得资源后会将要运行的程序发送到容器上启动，然后进行分布式计算。
• NodeManager NodeManager 是 ResourceManager 在每台机器的上代理，负责容器的管理，并监控他们的资源使用情况(cpu，内存，磁盘及网络等)，以及向ResourceManager/Scheduler 提供这些资源使用报告。
• Container Container是YARN集群中资源的抽象，将NM上的资源进行量化，根据需要组装成一个个Container，然后服务于已授权资源的计算任务。计算任务在完成计算后，系统会回收资源，以供后续计算任务申请使用。Container包含两种资源：内存和CPU，后续Hadoop版本可能会增加硬盘、网络等资源。

3.2 HDFS：分布式文件管理系统

• NameNode
• SecondaryNameNode
• DataNode

3.3 MapReduce：分布式计算框架，采用Master/Slave架构，1个JobTracker带多个TaskTracker

• JobTracker
• TaskTracker
• MapTask
• ReduceTask

4、一个MapReduce任务在提交阶段是如何对输入数据进行分片划分的？

通过InputSplit()函数来处理，设置分片数量为Math.max(minSize,Math.min(goalSize, blockSize))，一个数据片分配一个map任务。

5、MapReduce里的Combiner是做什么用的？什么情况下需要，和Reduce的区别是什么？

Combiner主要是在map完成后，reducer之前对数据做一次聚合，以减少数据传输的IO开销。
数据格式转换

• map: (K1, V1) → list(K2, V2)
• combine: (K2, list(V2)) → list(K2, V2)
• reduce: (K2, list(V2)) → list(K3, V3) 注意：combine的输入和reduce的完全一致，输出和map的完全一致

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；

6、MapReduce的Shuffle过程包含了哪几个阶段，分别做了什么工作？Shuffle的数据量是由什么决定的？

• map端shuffle 1、split，将文件切片 2、partition，得到key，value形式的结果 3、写入环形内存缓冲区 4、spill，执行溢出写 5、归并
• reduce端shuffle 1、复制copy 2、归并merge 3、reduce

7、什么是推测机制，它是如何解决计算慢节点问题的？

当一个task被认定很慢后，JobTracker会起一个新的task attempt来双跑，取最先完成的task的结果，本文记录下Hadoop中是如何判断一个task需要起speculative task的。

8、HDFS是如何实现容错机制的？如果NameNode挂了会怎么样，DataNode挂了会怎么样？

• HDFS 通过复制进程来保证容错机制。在文件写入 HDFS 时，HDFS 会首先把文件分割成块，并把这些数据块存储在集群不同机器上，然后在其他机器创建各个块的副本，默认情况下，HDFS 会在其他机器创建3个文件的副本。
• NameNode挂了 使用文件系统元数据副本（FsImage）启动一个新的 NameNode。 然后，配置 DataNode 和客户端，以便它们可以确认这个新的 NameNode，即启动。 现在，新的 NameNode 将在完成加载最后一个检查点 FsImage（用于元数据信息）并从 DataNode 接收到足够的块报告后开始为客户端提供服务。
• DataNode挂了 NameNode 定期从集群中的每个 DataNode 接收心跳（信号），这意味着 DataNode 运行正常。 块报告包含 DataNode 上所有块的列表。如果一个 DataNode 发送心跳消息失败，则在特定时间段后将其标记为死亡。 NameNode 使用之前创建的副本将死节点的块复制到另一个 DataNode

9、HDFS的一次读数据请求经历了怎样的过程？一次写请求经历了怎样的过程？

• 写数据请求 1、客户端通过Distributed FileSystem模块向NameNode请求上传文件； 2、NameNode检查是否已存在文件和检查权限。若通过检查，直接先将操作写入EditLog，并返回输出流对象； 3、客户端按照配置参数（dfs.blocksize，比如128MB）的大小将文件切分为块（Block），并向NameNode请求上传第一个Block； 4、NameNode返回分配的可写的DataNode列表，比如dn1、dn2、dn3； 5、客户端通过FSDataOutputStream模块向dn1请求上传数据，dn1收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道pipeline建 立完成； 6、dn1、dn2、dn3逐级应答客户端； 7、客户端开始往dn1上传第一个Block（先从磁盘读取数据放到一个本地内存缓存），以Packet为单位，dn1收到一个Packet就会传给dn2，dn2传给dn3；dn1每传一个packet会放入一个应答队列等待应答；（注：并不是每写完一个packet后就返回确认信息，因为packet中的每个chunk都携带校验信息，没必要每写一个就汇报一下，这样效率太慢。正确的做法是写完一个block块后对校验信息进行汇总分析，进而得出是否有块写错的情况发生） 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的服务器。（重复执行3-7步）； 9、写完数据，关闭输出流。
• 读数据请求 1、客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据获得这个文件的数据块位置列表，返回输入流对象； 2、挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据； 3、DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet为单位来做校验）； 4、客户端以Packet为单位接收，先在本地缓存，然后写入目标文件； 5、写完数据，关闭输入流。

10、YARN的产生解决了什么样的调度问题？

Hadoop 由MapReduce和HDFS组成，1.x版本设计缺陷是单点故障，即MR的JobTracker和HDFS的NameNode两个核心服务均存在单点问题，这使得Hadoop在相当长时间内仅适合离线存储和离线计算。

Hadoop 2.0由三个分支组成，分别是HDFS、MapReduce和YARN，YARN是Hadoop 2.x中的资源管理系统，它是一个通用的资源管理模块，可为各类应用程序进行资源管理和调度。YARN不仅限于MapReduce一种框架使用，也可以供其他框架使用，Spark、Storm等。
Yarn的作用：解耦资源与计算

11、YARN是如何做计算资源的调度的，有哪些策略？

• FIFO：先到先得
• Capacity：给小任务单独一份计算资源
• Fair：平均分配