1、简答说一下hadoop的map-reduce编程模型

　　首先map task会从本地文件系统读取数据，转换成key-value形式的键值对集合

　　使用的是hadoop内置的数据类型，比如longwritable、text等

　　将键值对集合输入mapper进行业务处理过程，将其转换成需要的key-value在输出

　　之后会进行一个partition分区操作，默认使用的是hashpartitioner，可以通过重写hashpartitioner的getpartition方法来自定义分区规则

　　之后会对key进行进行sort排序，grouping分组操作将相同key的value合并分组输出，在这里可以使用自定义的数据类型，重写Writable Comparator的Comparator方法来自定义排序规则，重写RawComparator的compara方法来自定义分组规则

　　之后进行一个combiner归约操作，其实就是一个本地段的reduce预处理，以减小后面shufle和reducer的工作量

　　reduce task会通过网络将各个数据收集进行reduce处理，最后将数据保存或者显示，结束整个job

　　2、hadoop的TextInputFormat作用是什么，如何自定义实现

　　InputFormat会在map操作之前对数据进行两方面的预处理

　　1是getSplits，返回的是InputSplit数组，对数据进行split分片，每片交给map操作一次

　　2是getRecordReader，返回的是RecordReader对象，对每个split分片进行转换为key-value键值对格式传递给map

　　常用的InputFormat是TextInputFormat，使用的是LineRecordReader对每个分片进行键值对的转换，以行偏移量作为键，行内容作为值

　　自定义类继承InputFormat接口，重写createRecordReader和isSplitable方法

　　在createRecordReader中可以自定义分隔符

　　3、hadoop和spark的都是并行计算，那么他们有什么相同和区别

　　两者都是用mr模型来进行并行计算，hadoop的一个作业称为job，job里面分为map task和reduce task，每个task都是在自己的进程中运行的，当task结束时，进程也会结束

　　spark用户提交的任务成为application，一个application对应一个sparkcontext，app中存在多个job，每触发一次action操作就会产生一个job

　　这些job可以并行或串行执行，每个job中有多个stage，stage是shuffle过程中DAGSchaduler通过RDD之间的依赖关系划分job而来的，每个stage里面有多个task，组成taskset有TaskSchaduler分发到各个executor中执行，executor的生命周期是和app一样的，即使没有job运行也是存在的，所以task可以快速启动读取内存进行计算

　　hadoop的job只有map和reduce操作，表达能力比较欠缺而且在mr过程中会重复的读写hdfs，造成大量的io操作，多个job需要自己管理关系

　　spark的迭代计算都是在内存中进行的，API中提供了大量的RDD操作如join，groupby等，而且通过DAG图可以实现良好的容错

　　4、为什么要用flume导入hdfs，hdfs的构架是怎样的

　　flume可以实时的导入数据到hdfs中，当hdfs上的文件达到一个指定大小的时候会形成一个文件，或者超过指定时间的话也形成一个文件

　　文件都是存储在datanode上面的，namenode记录着datanode的元数据信息，而namenode的元数据信息是存在内存中的，所以当文件切片很小或者很多的时候会卡死

　　5、map-reduce程序运行的时候会有什么比较常见的问题

　　比如说作业中大部分都完成了，但是总有几个reduce一直在运行

　　这是因为这几个reduce中的处理的数据要远远大于其他的reduce，可能是因为对键值对任务划分的不均匀造成的数据倾斜

　　解决的方法可以在分区的时候重新定义分区规则对于value数据很多的key可以进行拆分、均匀打散等处理，或者是在map端的combiner中进行数据预处理的操作

　　6、简单说一下hadoop和spark的shuffle过程

　　hadoop：map端保存分片数据，通过网络收集到reduce端

　　spark：spark的shuffle是在DAGSchedular划分Stage的时候产生的，TaskSchedule要分发Stage到各个worker的executor，减少shuffle可以提高性能

　　7、Hive中存放是什么?

　　表(数据+元数据)。 存的是和hdfs的映射关系，hive是逻辑上的数据仓库，实际操作的都是hdfs上的文件，HQL就是用sql语法来写的mr程序。

　　8、Hive与关系型数据库的关系?

　　没有关系，hive是数据仓库，不能和数据库一样进行实时的CURD操作。

　　是一次写入多次读取的操作，可以看成是ETL工具。

　　9、Flume工作机制是什么?

　　核心概念是agent，里面包括source、chanel和sink三个组件。

　　source运行在日志收集节点进行日志采集，之后临时存储在chanel中，sink负责将chanel中的数据发送到目的地。

　　只有成功发送之后chanel中的数据才会被删除。

　　首先书写flume配置文件，定义agent、source、chanel和sink然后将其组装，执行flume-ng命令。

　　10、Sqoop工作原理是什么?

　　hadoop生态圈上的数据传输工具。

　　可以将关系型数据库的数据导入非结构化的hdfs、hive或者bbase中，也可以将hdfs中的数据导出到关系型数据库或者文本文件中。

　　使用的是mr程序来执行任务，使用jdbc和关系型数据库进行交互。

　　import原理：通过指定的分隔符进行数据切分，将分片传入各个map中，在map任务中在每行数据进行写入处理没有reduce。

　　export原理：根据要操作的表名生成一个java类，并读取其元数据信息和分隔符对非结构化的数据进行匹配，多个map作业同时执行写入关系型数据库

　　11、Hbase行健列族的概念，物理模型，表的设计原则?

　　行健：是hbase表自带的，每个行健对应一条数据。

　　列族：是创建表时指定的，为列的集合，每个列族作为一个文件单独存储，存储的数据都是字节数组，其中的数据可以有很多，通过时间戳来区分。

　　物理模型：整个hbase表会拆分为多个region，每个region记录着行健的起始点保存在不同的节点上，查询时就是对各个节点的并行查询，当region很大时使用.META表存储各个region的起始点，-ROOT又可以存储.META的起始点。

　　rowkey的设计原则：各个列簇数据平衡，长度原则、相邻原则，创建表的时候设置表放入regionserver缓存中，避免自动增长和时间，使用字节数组代替string，最大长度64kb，最好16字节以内，按天分表，两个字节散列，四个字节存储时分毫秒。

　　列族的设计原则：尽可能少(按照列族进行存储，按照region进行读取，不必要的io操作)，经常和不经常使用的两类数据放入不同列族中，列族名字尽可能短。

　　12、combiner和partition的作用

　　combiner是reduce的实现，在map端运行计算任务，减少map端的输出数据。

　　作用就是优化。

　　但是combiner的使用场景是mapreduce的map输出结果和reduce输入输出一样。

　　partition的默认实现是hashpartition，是map端将数据按照reduce个数取余，进行分区，不同的reduce来copy自己的数据。

　　partition的作用是将数据分到不同的reduce进行计算，加快计算效果

　　13、mllib支持的算法?

　　大体分为四大类，分类、聚类、回归、协同过滤。

　　15、Hadoop平台集群配置、环境变量设置?

　　zookeeper：修改zoo.cfg文件，配置dataDir，和各个zk节点的server地址端口，tickTime心跳时间默认是2000ms，其他超时的时间都是以这个为基础的整数倍，之后再dataDir对应目录下写入myid文件和zoo.cfg中的server相对应。

　　hadoop：修改

　　hadoop-env.sh配置java环境变量

　　core-site.xml配置zk地址，临时目录等

　　hdfs-site.xml配置nn信息，rpc和http通信地址，nn自动切换、zk连接超时时间等

　　yarn-site.xml配置resourcemanager地址

　　mapred-site.xml配置使用yarn

　　slaves配置节点信息

　　格式化nn和zk。

　　hbase：修改

　　hbase-env.sh配置java环境变量和是否使用自带的zk

　　hbase-site.xml配置hdfs上数据存放路径，zk地址和通讯超时时间、master节点

　　regionservers配置各个region节点

　　zoo.cfg拷贝到conf目录下

　　spark：

　　安装Scala

　　修改spark-env.sh配置环境变量和master和worker节点配置信息

　　环境变量的设置：直接在/etc/profile中配置安装的路径即可，或者在当前用户的宿主目录下，配置在.bashrc文件中，该文件不用source重新打开shell窗口即可，配置在.bash_profile的话只对当前用户有效。

　　16、Hadoop性能调优?

　　调优可以通过系统配置、程序编写和作业调度算法来进行。

　　hdfs的block.size可以调到128/256(网络很好的情况下，默认为64)

　　调优的大头：mapred.map.tasks、mapred.reduce.tasks设置mr任务数(默认都是1)

　　mapred.tasktracker.map.tasks.maximum每台机器上的最大map任务数

　　mapred.tasktracker.reduce.tasks.maximum每台机器上的最大reduce任务数

　　mapred.reduce.slowstart.completed.maps配置reduce任务在map任务完成到百分之几的时候开始进入

　　这个几个参数要看实际节点的情况进行配置，reduce任务是在33%的时候完成copy，要在这之前完成map任务，(map可以提前完成)

　　mapred.compress.map.output,mapred.output.compress配置压缩项，消耗cpu提升网络和磁盘io

　　合理利用combiner

　　注意重用writable对象

　　17、Hadoop高并发?

　　首先肯定要保证集群的高可靠性，在高并发的情况下不会挂掉，支撑不住可以通过横向扩展。

　　datanode挂掉了使用hadoop脚本重新启动。

　　21、map-reduce程序运行的时候会有什么比较常见的问题?

　　比如说作业中大部分都完成了，但是总有几个reduce一直在运行。

　　这是因为这几个reduce中的处理的数据要远远大于其他的reduce，可能是因为对键值对任务划分的不均匀造成的数据倾斜。

　　解决的方法可以在分区的时候重新定义分区规则对于value数据很多的key可以进行拆分、均匀打散等处理，或者是在map端的combiner中进行数据预处理的操作。

作者：传智播客大数据培训学院
首发：http://cloud.itcast.cn

1、简答说一下hadoop的map-reduce编程模型

　　首先map task会从本地文件系统读取数据，转换成key-value形式的键值对集合

　　使用的是hadoop内置的数据类型，比如longwritable、text等

　　将键值对集合输入mapper进行业务处理过程，将其转换成需要的key-value在输出

　　之后会进行一个partition分区操作，默认使用的是hashpartitioner，可以通过重写hashpartitioner的getpartition方法来自定义分区规则

　　之后会对key进行进行sort排序，grouping分组操作将相同key的value合并分组输出，在这里可以使用自定义的数据类型，重写Writable Comparator的Comparator方法来自定义排序规则，重写RawComparator的compara方法来自定义分组规则

　　之后进行一个combiner归约操作，其实就是一个本地段的reduce预处理，以减小后面shufle和reducer的工作量

　　reduce task会通过网络将各个数据收集进行reduce处理，最后将数据保存或者显示，结束整个job

　　2、hadoop的TextInputFormat作用是什么，如何自定义实现

　　InputFormat会在map操作之前对数据进行两方面的预处理

　　1是getSplits，返回的是InputSplit数组，对数据进行split分片，每片交给map操作一次

　　2是getRecordReader，返回的是RecordReader对象，对每个split分片进行转换为key-value键值对格式传递给map

　　常用的InputFormat是TextInputFormat，使用的是LineRecordReader对每个分片进行键值对的转换，以行偏移量作为键，行内容作为值

　　自定义类继承InputFormat接口，重写createRecordReader和isSplitable方法

　　在createRecordReader中可以自定义分隔符

　　3、hadoop和spark的都是并行计算，那么他们有什么相同和区别

　　两者都是用mr模型来进行并行计算，hadoop的一个作业称为job，job里面分为map task和reduce task，每个task都是在自己的进程中运行的，当task结束时，进程也会结束

　　spark用户提交的任务成为application，一个application对应一个sparkcontext，app中存在多个job，每触发一次action操作就会产生一个job

　　这些job可以并行或串行执行，每个job中有多个stage，stage是shuffle过程中DAGSchaduler通过RDD之间的依赖关系划分job而来的，每个stage里面有多个task，组成taskset有TaskSchaduler分发到各个executor中执行，executor的生命周期是和app一样的，即使没有job运行也是存在的，所以task可以快速启动读取内存进行计算

　　hadoop的job只有map和reduce操作，表达能力比较欠缺而且在mr过程中会重复的读写hdfs，造成大量的io操作，多个job需要自己管理关系

　　spark的迭代计算都是在内存中进行的，API中提供了大量的RDD操作如join，groupby等，而且通过DAG图可以实现良好的容错

　　4、为什么要用flume导入hdfs，hdfs的构架是怎样的

　　flume可以实时的导入数据到hdfs中，当hdfs上的文件达到一个指定大小的时候会形成一个文件，或者超过指定时间的话也形成一个文件

　　文件都是存储在datanode上面的，namenode记录着datanode的元数据信息，而namenode的元数据信息是存在内存中的，所以当文件切片很小或者很多的时候会卡死

　　5、map-reduce程序运行的时候会有什么比较常见的问题

　　比如说作业中大部分都完成了，但是总有几个reduce一直在运行

　　这是因为这几个reduce中的处理的数据要远远大于其他的reduce，可能是因为对键值对任务划分的不均匀造成的数据倾斜

　　解决的方法可以在分区的时候重新定义分区规则对于value数据很多的key可以进行拆分、均匀打散等处理，或者是在map端的combiner中进行数据预处理的操作

　　6、简单说一下hadoop和spark的shuffle过程

　　hadoop：map端保存分片数据，通过网络收集到reduce端

　　spark：spark的shuffle是在DAGSchedular划分Stage的时候产生的，TaskSchedule要分发Stage到各个worker的executor，减少shuffle可以提高性能

　　7、Hive中存放是什么?

　　表(数据+元数据)。 存的是和hdfs的映射关系，hive是逻辑上的数据仓库，实际操作的都是hdfs上的文件，HQL就是用sql语法来写的mr程序。

　　8、Hive与关系型数据库的关系?

　　没有关系，hive是数据仓库，不能和数据库一样进行实时的CURD操作。

　　是一次写入多次读取的操作，可以看成是ETL工具。

　　9、Flume工作机制是什么?

　　核心概念是agent，里面包括source、chanel和sink三个组件。

　　source运行在日志收集节点进行日志采集，之后临时存储在chanel中，sink负责将chanel中的数据发送到目的地。

　　只有成功发送之后chanel中的数据才会被删除。

　　首先书写flume配置文件，定义agent、source、chanel和sink然后将其组装，执行flume-ng命令。

　　10、Sqoop工作原理是什么?

　　hadoop生态圈上的数据传输工具。

　　可以将关系型数据库的数据导入非结构化的hdfs、hive或者bbase中，也可以将hdfs中的数据导出到关系型数据库或者文本文件中。

　　使用的是mr程序来执行任务，使用jdbc和关系型数据库进行交互。

　　import原理：通过指定的分隔符进行数据切分，将分片传入各个map中，在map任务中在每行数据进行写入处理没有reduce。

　　export原理：根据要操作的表名生成一个java类，并读取其元数据信息和分隔符对非结构化的数据进行匹配，多个map作业同时执行写入关系型数据库

　　11、Hbase行健列族的概念，物理模型，表的设计原则?

　　行健：是hbase表自带的，每个行健对应一条数据。

　　列族：是创建表时指定的，为列的集合，每个列族作为一个文件单独存储，存储的数据都是字节数组，其中的数据可以有很多，通过时间戳来区分。

　　物理模型：整个hbase表会拆分为多个region，每个region记录着行健的起始点保存在不同的节点上，查询时就是对各个节点的并行查询，当region很大时使用.META表存储各个region的起始点，-ROOT又可以存储.META的起始点。

　　rowkey的设计原则：各个列簇数据平衡，长度原则、相邻原则，创建表的时候设置表放入regionserver缓存中，避免自动增长和时间，使用字节数组代替string，最大长度64kb，最好16字节以内，按天分表，两个字节散列，四个字节存储时分毫秒。

　　列族的设计原则：尽可能少(按照列族进行存储，按照region进行读取，不必要的io操作)，经常和不经常使用的两类数据放入不同列族中，列族名字尽可能短。

　　12、combiner和partition的作用

　　combiner是reduce的实现，在map端运行计算任务，减少map端的输出数据。

　　作用就是优化。

　　但是combiner的使用场景是mapreduce的map输出结果和reduce输入输出一样。

　　partition的默认实现是hashpartition，是map端将数据按照reduce个数取余，进行分区，不同的reduce来copy自己的数据。

　　partition的作用是将数据分到不同的reduce进行计算，加快计算效果

　　13、mllib支持的算法?

　　大体分为四大类，分类、聚类、回归、协同过滤。

　　15、Hadoop平台集群配置、环境变量设置?

　　zookeeper：修改zoo.cfg文件，配置dataDir，和各个zk节点的server地址端口，tickTime心跳时间默认是2000ms，其他超时的时间都是以这个为基础的整数倍，之后再dataDir对应目录下写入myid文件和zoo.cfg中的server相对应。

　　hadoop：修改

　　hadoop-env.sh配置java环境变量

　　core-site.xml配置zk地址，临时目录等

　　hdfs-site.xml配置nn信息，rpc和http通信地址，nn自动切换、zk连接超时时间等

　　yarn-site.xml配置resourcemanager地址

　　mapred-site.xml配置使用yarn

　　slaves配置节点信息

　　格式化nn和zk。

　　hbase：修改

　　hbase-env.sh配置java环境变量和是否使用自带的zk

　　hbase-site.xml配置hdfs上数据存放路径，zk地址和通讯超时时间、master节点

　　regionservers配置各个region节点

　　zoo.cfg拷贝到conf目录下

　　spark：

　　安装Scala

　　修改spark-env.sh配置环境变量和master和worker节点配置信息

　　环境变量的设置：直接在/etc/profile中配置安装的路径即可，或者在当前用户的宿主目录下，配置在.bashrc文件中，该文件不用source重新打开shell窗口即可，配置在.bash_profile的话只对当前用户有效。

　　16、Hadoop性能调优?

　　调优可以通过系统配置、程序编写和作业调度算法来进行。

　　hdfs的block.size可以调到128/256(网络很好的情况下，默认为64)

　　调优的大头：mapred.map.tasks、mapred.reduce.tasks设置mr任务数(默认都是1)

　　mapred.tasktracker.map.tasks.maximum每台机器上的最大map任务数

　　mapred.tasktracker.reduce.tasks.maximum每台机器上的最大reduce任务数

　　mapred.reduce.slowstart.completed.maps配置reduce任务在map任务完成到百分之几的时候开始进入

　　这个几个参数要看实际节点的情况进行配置，reduce任务是在33%的时候完成copy，要在这之前完成map任务，(map可以提前完成)

　　mapred.compress.map.output,mapred.output.compress配置压缩项，消耗cpu提升网络和磁盘io

　　合理利用combiner

　　注意重用writable对象

　　17、Hadoop高并发?

　　首先肯定要保证集群的高可靠性，在高并发的情况下不会挂掉，支撑不住可以通过横向扩展。

　　datanode挂掉了使用hadoop脚本重新启动。

　　21、map-reduce程序运行的时候会有什么比较常见的问题?

　　比如说作业中大部分都完成了，但是总有几个reduce一直在运行。

　　这是因为这几个reduce中的处理的数据要远远大于其他的reduce，可能是因为对键值对任务划分的不均匀造成的数据倾斜。

　　解决的方法可以在分区的时候重新定义分区规则对于value数据很多的key可以进行拆分、均匀打散等处理，或者是在map端的combiner中进行数据预处理的操作。

作者：传智播客大数据培训学院
首发：http://cloud.itcast.cn