大数据开发（Hadoop面试真题-卷八）

大数据开发（Hadoop面试真题）

1、介绍下YARN？

YARN是Apache Hadoop生态系统中的一个集群资源管理器。它的主要目的是管理和分配集群中的资源，并为运行在Hadoop集群上的应用程序提供资源。

YARN的架构基于两个主要组件：ResourceManager（资源管理器）和NodeManager（节点管理器）。

1. ResourceManager：ResourceManager负责整个集群的资源管理和调度。它接收来自客户端的应用程序提交请求，并根据可用资源进行分配。ResourceManager也负责监控集群中的资源使用情况，并在需要时进行重新分配。
2. NodeManager：每个集群节点上运行一个NodeManager，它负责管理该节点上的资源。NodeManager通过与ResourceManager通信，报告节点上的资源使用情况，并接收来自ResourceManager的指令，如分配任务或释放资源。NodeManager还负责监控已分配该节点的任务，并在需要时重新启动失败的任务。

YARN的工作流程如下：

1. 应用程序提交：用户通过客户端向ResourceManager提交应用程序。应用程序可以是MapReduce作业，也可以是其它基于YARN的应用程序。
2. 资源分配：ResourceManager根据可用资源和调度策略，为应用程序分配所需的资源。资源可以是CPU、内存或其它可用的集群资源。
3. 任务执行：每个节点上的NodeManager接收来自ResourceManager的任务分配，并在该节点上启动和管理任务的执行。
4. 监控和容错：ResourceManager和NodeManager定期报告资源使用情况和任务状态，以确保集群的稳定运行。如果某个任务失败，NodeManager会重新启动它，以保证应用程序的容错性。失败，NodeManager会重新启动它==，以保证应用程序的容错性。

2、YARN有几个模块？

YARN有三个主要的模块：

1. ResourceManager：ResourceManager负责整个集群的资源管理和调度。它接收来自客户端的应用程序提交请求，并根据可用资源进行分配。ResourceManager也负责监控集群中的资源使用情况，并在需要时进行重新分配。
2. NodeManager：每个集群节点上运行一个NodeManager，它负责管理该节点上的资源。NodeManager通过与ResourceManager通信，报告节点上的资源使用情况，并接收来自ResourceManager的指令，如分配任务或释放资源。NodeManager还负责监控已分配该节点的任务，并在需要时重新启动失败的任务。
3. ApplicationMaster（应用程序管理器）：每个应用程序都有一个ApplicationMaster，它是应用程序内部的主管。ApplicationMaster与ResourceManager通信，协调应用程序的资源请求和任务执行。它还监控应用程序的进度，并在必要时向ResourceManager请求更多的资源。
4. 容器（Container）：是一种封装了资源（如CPU、内存）的概念，它是YARN中任务运行的基本单位。ResourceManager将资源分配给应用程序管理器时，会创建容器来运行应用程序的任务。 除了这三个核心模块之外，YARN还包括一些其它的组件，如Application Timeline Server（应用程序时间线服务器）。

3、YARN工作机制？

YARN的工作机制是通过ResourceManager和NodeManager的配合，实现集群资源的管理、分配和调度，以及应用程序的执行和监控。ApplicationMaster在每个应用程序中起到协调和管理的作用，而容器则是任务执行的基本单位。

4、YARN高可用？

YARN是Hadoop生态系统中的一个资源管理器，负责管理和分配集群中的资源。YARN的高可用性指的是在出现故障或节点失效时，YARN能够自动切换到备用节点，保证集群的稳定运行。

为了实现YARN的高可用性，可用采用以下措施：

1. 启用ZooKeeper：YARN使用ZooKeeper来协调和管理集群的状态。通过在YARN配置中指定ZooKeeper的地址，YARN可以与ZooKeeper进行通信，并在主节点故障时自动切换到备用节点。
2. 配置主备节点：YARN的高可用性需要配置一个主节点和一个备用节点。主节点负责处理请求和资源分配，而备用节点在主节点失效时接管其职责。配置主备节点需要在YARN的配置文件中指定相关的参数。
3. 启用自动故障转移：YARN支持自动故障转移，即在主节点失效时自动将其职责转移到备用节点。这需要在YARN的配置文件中启用自动故障转移的参数，并指定备用节点的地址。
4. 监控和警报：为了实现YARN的高可用性，需要对集群进行监控，并在主节点失效时及时发出警报。可以使用监控工具如Ambari、Nagios等来监控YARN集群的状态，并配置警报规则，以便在出现故障时及时采取措施。

5、YARN中Container是如何启动的？

在YARN中，Container是由NodeManager启动的。当ResourceManager接收到一个应用程序的提交请求后，它会为该应用程序分配一个ApplicationMaster。然后，ApplicationMaster会向ResourceManager请求资源，并且ResourceManager会为其分配一个或多个Container。
一旦ResourceManager分配了Container，NodeManager会根据ResourceManager提供的资源和配置信息启动Container。NodeManager会在一个可用的节点上创建一个进程来运行Container，并且在Container中启动应用程序的执行环境。这个执行环境可能是一个Java虚拟机（JVM）或者其它编程语言的运行时环境，取决于应用程序的要求。
Container启动后，ApplicationMaster将与其进行通信，并在Container中运行应用程序的任务。任务的执行将在Container中进行，知道任务完成或者遇到错误。

6、YARN的改进之处，Hadoop3.x相对于Hadoop2.x？

Hadoop3.x相对于Hadoop2.x在YARN方面有以下改进之处：

1. 资源管理器（ResourceManager）的高可用性：Hadoop3.x引入了ResourceManager的高可用性特性，通过在集群中运行多个ResourceManager实例，并使用ZooKeeper进行故障转移和状态同步，提供了更可靠的资源管理。
2. 资源调度的改进：Hadoop3.x引入了容器级别的资源调度，可以更精确地管理任务地资源需求。它还引入了资源类型，可以根据任务的需求分配不同类型的资源，如CPU、内存、磁盘等。
3. 路由器（Router）的引入：Hadoop3.x引入了YARN Router，它可以在不同的YARN集群之间进行路由，使得不同集群之间的资源可以互相访问和共享。
4. 容器级别的本地化：Hadoop3.x引入了容器级别的本地化特性，可以在容器级别上进行数据本地化，提高数据访问的效率。
5. 资源隔离的改进：Hadoop3.x引入了分级队列的概念，可以更细粒度地对任务进行资源隔离和优先级管理。

7、Hive中如何调整Mapper和Reducer的数目？

在Hive中，我们可以通过设置以下两个参数来调整Mapper和Reducer的数目：

1. mapreduce.jop.maps：这个参数用于设置Mapper的数目。你可以通过设置一个具体的数值来指定Mapper的数量，或者使用一个百分比来根据输入数据的大小动态确定Mapper的数量。 例如，设置为具体的数值：

SET mapreduce.job.maps=10;

或者设置为百分比：

SET mapreduce.job.maps=0.25;

1. mapreduce.job.reduces：这个参数用于设置Reducer的数目。同样，你可以设置一个具体的数值或者使用一个百分比来确定Reducer的数量。 例如，设置为具体的数值：

SET mapreduce.job.reduces=5;

或者设置为百分比：

SET mapreduce.job.reduces=0.5;

8、Hive的mapjoin？

Hive的mapjoin是一种优化技术，用于加快Hive查询的速度。它通过将小表加载到内存中，然后再Map阶段将大表的数据与小表的数据进行连接，从而减少了磁盘读写操作和网络传输开销。

Hive的mapjoin分为两种类型：

1. Map端的mapjoin（Map-side Join）：当一个表的数据量足够小，可以将其全部加载到内存中时，Hive会将这个表的数据复制到所有的Map任务中，然后在Map任务中直接进行连接操作。这样可以避免Shuffle阶段的数据传输和磁盘I/O，大大提高了查询速度。
2. Bucket Map端的mapjoin（Bucket Map-side Join）：当两个表都被分桶（Bucketing）时，Hive可以使用Bucket Map端的mapjoin。两个表都根据某种方式被划分成多个桶（Bucket），通常是基于某个列的哈希值。Hive会将相同编号的桶从两个表中分配到同一个Map任务中。因为数据已经预先分桶，所以这样做可以确保所有必须连接的数据都已经在同一个Map任务中，不需要额外的Shuffle过程将数据从一个节点传输到另一个节点。

需要注意的是，使用mapjoin的前提是小表可以完全加载到内存中，否则可能会导致内存不足的问题。此外，mapjoin也只使用于等值连接（Equi-Join），不支持其它类型的连接操作。

9、Hive使用的时候会将数据同步到HDFS，小文件问题怎么解决的？

在Hive中，解决小文件问题有以下几种方式：

1. 合并小文件：使用Hive的合并小文件命令（如’ALTER TABLE <table_name> CONCATENATE’）将多个小文件合并为一个较大的文件。这样可以减少HDFS上的小文件数量，提高查询性能。
2. 动态分区：使用Hive的动态分区功能，可以根据数据的某些列值自动创建分区，将数据按照分区存储，减少小文件的数量。可以使用’INSERT OVERWRITE TABLE <table_name>’ PARTITION (<partition_column>) SELECT * FROM …'语句来实现。
3. 压缩数据：使用Hive支持的压缩算法（如Snappy、Gzip等）对数据进行压缩，减小存储空间占用，同时减少小文件数量。
4. 合理设置参数：通过调整Hive的相关参数，如’hive.merge.mapfiles’、'hive.merge.mapredfiles’等，来控制Hive在写入数据时自动合并小文件的行为。
5. 使用分桶（Bucketing）：将表按照指定的列进行分桶，将数据分散存储在不同的桶中，减少小文件的数量。

10、Hive的SQL转换为MapReduce的过程？

Hive的SQL查询语句会被转换为MapReduce的过程如下：

1. 解析器（Parser）：Hive首先使用解析器将SQL查询语句解析为抽象语法树。AST表示查询的结构和语法，以便后续的处理。
2. 语义分析器：在这一步，Hive的语义分析器会对AST进行处理。它会检查查询中的表、列、函数等是否存在，以及它们之间的关系是否正确。还会检查查询中是否包含合法的语义和操作符。
3. 查询优化器：一旦语义分析完成，Hive会使用查询优化器对查询进行优化。优化器会尝试重新组织查询计划，以提高查询的性能。它可能通过选择最佳的连接顺序、选择合适的索引和分区等方式来改进查询执行效率。
4. 查询计划生成器：在查询优化完成后，Hive会生成一个查询计划。查询计划是一个逻辑计划，它描述了如何从输入数据中获取所需的结果。查询计划通常以操作符树的形式表示，每个操作符代表一个转换或操作步骤。
5. 物理计划生成器：在生成了逻辑查询计划后，Hive会使用物理计划生成器将逻辑计划转换为物理计划。物理计划描述了如何在MapReduce框架中执行查询。它会将查找转换为一系列的Map和Reduce任务，并定义它们之间的数据流和依赖关系。
6. MapReduce作业提交：最后，Hive将生成的物理计划转换为MapReduce作业，并提交给底层的MapReduce框架执行。MapReduce框架会根据物理计划的指示，在集群中的节点上执行Map和Reduce任务，并将最终的查询结果返回给Hive。

总结起来，Hive将SQL查询语句转换为MapReduce的过程包括解析查询语句、语句分析、查询优化、生成逻辑查询计划、生成物理查询计划以及提交MapReduce作业执行。