Hadoop面试问题和回答
[toc]
1：什么是Hadoop?
答：是google的核心算法MapReduce的一个开源实现。用于海量数据的并行处理。hadoop的核心主要包含：HDFS和MapReduce：
HDFS：是分布式文件系统，用于分布式存储海量数据。
MapReduce：是分布式数据处理模型，本质是并行处理。
2：用Hadoop来做什么的？
答：分布式的海量存储、大规模的日志分析、离线的数据处理，结合云计算，可以进行数据挖掘等
3：什么是MapReduce？
答：是一种分布式的处理数据的计算模型，采用分而治之的思想，把处理过程高度抽象为两个函数：map()函数和reduce函数，map函数将任务分解成多个任务，reduce负责把分解后的多个任务结果汇总起来。
详情
MapReduce借用了函数式编程的概念，是一种用分布式来处理数据的计算模型。
MapReduce采用"分而治之"的思想，把对大规模数据集的操作，分发给一个主节点管理下的各个分节点共同完成，然后通过整合各个节点的中间结果，得到最终结果。简单地说，MapReduce就是"任务的分解与结果的汇总"。
在分布式计算中，MapReduce框架负责处理了并行编程中分布式存储、工作调度、负载均衡、容错均衡、容错处理以及网络通信等复杂问题，把处理过程高度抽象为两个函数：map和reduce，map负责把任务分解成多个任务，reduce负责把分解后多任务处理的结果汇总起来。
4 Hadoop中，用于执行MapReduce任务的机器角色有两个?
一共有两个，分别是JobTracker和TaskTracker：
JobTracker：用于作业调度的，一个Hadoop集群中只有一个JobTracker，位于master
TaskTracker：用于作业执行，位于各slave上。
5 MapReduce提交作业的流程？
备注：要会画图
1 客户端编写好MapReduce程序，提交作业给JobTracker；
2 JobTracker构建job，分配作业ID；
3 检查作业的输出和输入目录，没有问题则对作业输入分片的进行计算；
4 配置资源，初始化作业，放入内部作业队列中；
5 初始化完毕后，作业调度器获取输入分片信息，创建对应map任务；
6 通过心跳机制获得可用的tasktracker，对其分配任务；
7 执行任务，同时jobtracker通过心跳机制进行监控，任务完成，则返回给jobtracker；
8 client去查询jobtracker，如果任务执行成功，则任务执行结束，否则再次提交作业。
详细提交作业流程看：
MapReduce工作机制
hadoop 学习笔记：mapreduce框架详解
6 MapReduce的计算过程？
分三部分：map shuffer reduce
要回画图
map
1）分片(split)：FileInputFormat会将输入文件分割成多个split(等于block，*考点)；
2）执行map：对分片的键值对进行map()运算，输出键值对到环形缓冲区中(考点)；此处要进行partition
3）溢写spill：环形缓冲区达到阈值，启动溢写线程，将缓冲区的数据写入磁盘；
4）合并merge：溢写会产生多个文件，再写入磁盘前会进行排序(sort)和合并(combiner：对相同的key进行合并操作，提高带宽，考点)
备注：再进行合并时，会有partition操作，用来生成reduce的输入分片，对应于具体的reduce，类似于map阶段的输入分片，
shuffer
1）copy过程：Reduce端启动copy线程，通过Http方式，将map端输出的有序文件、属于自己的部分拉取到本地；
2）merge过程：copy数据先放在内存缓冲区，达到阈值时，溢写入磁盘，产生的多个小文件会合并成一个有序的最终文件，这个过程不断执行sort和combine。
reduce
1）将shuffer阶段最终生成的有序文件作为reduce的输入，对每个键值调用reduce()方法，并将结果写入HDFS中。
7 Hadoop分块和分片？
分块：
为了便于文件的管理和备份，HDFS使用块作为存储系统当中的最小单位，默认一个块的大小为64MB；
当有文件上传到HDFS上时，若文件大小大于设置的块太大，则该文件会被切分存储为多个块，多个块可以存放在不同的DataNode上，整个过程中 HDFS系统会保证一个块存储在一个datanode上 。
分片：
Hadoop会将MapReduce的输入数据划分为等长的小数据块，称为分片；
默认情况下，以HDFS的一个块的大小做为一个分片，即分片大小等于分块大小；
8 为什么默认分片大小与分块大小要相同呢？
太大，会导致map读取的数据可能跨越不同的节点，没有了数据本地化的优势
太小，会导致map数量过多，任务启动和切换开销太大，并行度过高
9 什么是map任务的数据本地化呢？
数据本地优化是指map任务中处理的数据存储在各个运行map本身的节点上，不需要跨界点消耗网络带宽进行数据传输，这能够使得作业以最好的状态运行。
10 环形缓冲区的机制？
Map过程中环形缓冲区是指：数据被map处理之后会先放入内存，内存中的这片区域就是环形缓冲区。
使用环形数据结构是为了有效使用内存空间，其数据结构是一个字节数组(KVBuffer：数据区域 索引数据区域)
具体的执行机制：
MapReduce源码解析--环形缓冲区
正确理解hadoop 2.x 的环形缓冲区: (一) MR环形缓冲区的结构
11 combine、partition和shuffer的区别？
combine：
把同一个key的键值对合并在一起，combine函数把一个map函数产生的<key,value>对（多个key,value）合并成一个新的<key2,value2>，将新的<key2,value2>作为输入到reduce函数中，这个value2亦可称之为values，因为有多个。这个合并的目的是为了减少网络传输。
partition：
partition是分割map每个节点的结果，按照key分别映射给不同的reduce，也是可以自定义的。这里其实可以理解归类。
partition的作用就是把这些数据归类，主要在Shuffle过程中按照Key值将中间结果分成R份，其中每份都有一个Reduce去负责，可以通过job.setPartitionerClass()方法进行设置，默认的使用hashPartitioner类。
Partitioner：对map()的输出进行partition，即根据key或value及reduce的数量来决定当前的这对键值对最终应该交由哪个reduce处理。默认是对key哈希后再以reduce task数量取模，默认的取模方式只是为了避免数据倾斜。然后该key/value对以及partitionIdx的结果都会被写入环形缓冲区。
shuffle：
shuffle就是map和reduce之间的过程，包含了两端的combine和partition。它比较难以理解，因为我们摸不着，看不到它，它只是理论存在的，而且确实存在，它属于mapreduce的框架。将map端的输入作为reduce的输出。
12 如何优化网络传输？
1）在分片时，调整分片大小和block块大小相同，不让分片跨界点存放，防止map时跨节点读取数据
2）在溢写时，对小文件进行合并，减少冗余文件，提高传输效率；其次使用combiner，将key相同的键值合并。
3）在shuffle的copy拉去数据时，需要网络传输，默认reduce端会并行从5个map端下载数据，可以调整这个并行默认参数。与此同时，加大下载等待时间，防止网络延迟过大或太慢，导致下载线程误判为失败。
4）使用压缩对数据进行传输。
13 Hadoop中为什么要使用数据压缩？
优点：
1，减少存储磁盘空间，降低单节点的磁盘IO。
2，加快网络传输的效率。
缺点：
需要花费额外的时间/CPU做压缩和解压缩计算
应用场景：
1，数据更多的是被存储，而不是被处理。例如使用HDFS作为数据存储，且上层搭建了Hive数据仓库。
2，数据本身有不错的压缩率。
参考：Hadoop数据压缩
14 Hadoop中的数据压缩有哪几种呢？
输入文件压缩：减少了I/O操作，但加大了cpu的处理时间；
压缩map程序中间输出：压缩这类输出可减少文件从map程序中写入到本地磁盘的文件I/O，也可以减少分区从Mapper节点传输到Reducer节点的网络I/O。；
压缩MapReduce程序的输出：对map和reduce的输出进行压缩；
压缩方式：
根据：压缩大小 压缩速度 是否可分割 冷热数据
Snappy压缩方式比GZIP方式快几个数量级，然而输出文件更大，大出20%-100%
Hadoop压缩方式
Boy-20180330-10:30 第一部分结束
