大数据面试题总结

1.HashTable，HashMap，CurrentHashMap
HashTable：哈希表，该哈希表将键映射到相应的值。任何非null对象都可以用作键或值。
HashMap：基于哈希表的Map接口实现。此实现提供所有可选的映射操作，并允许使用null值和null键。
（除了非同步和允许使用null之外，HashMap类与Hashtable大致相同。）此类不保证映射的顺序。
特别是它不保证该顺序恒久不变。
CurrentHashMap：此类与Hashtable相似，但与 HashMap不同，它不允许将null用作键或值。
2.Hive表关联查询，如何解决数据倾斜问题？
1.首先过滤掉无用的数据。
2.通过参数控制set
hive.groupby.skewinda=true；实现负载均衡，
3.通过优化sql语句，比如casewhen实现数据的负载均衡
3.Yarn的新特性
（1）ResourceManager HA
在apache hadoop 2.4或者CDH5.0.0版本之后，增加了
ResourcemManager HA特性，支持基于Zookeeper的热主备切换
（2）磁盘容错
在apache hadoop 2.4或者CDH5.0.0版本之后，增加了几个对多磁盘非常友好地参数，这些参数允许YARN更好地使用NodeManager上的多块磁盘，相关jira为：YARN-1781，主要新增了三个参数；
yarn.nodemanager.disk-health-checker.min-healthy-disks；
NodeManager上最少保证健康磁盘比例，当健康磁盘比例低于该值时，NodeManager不会在接收和启动新的Container，默认值为0.25，表示25%；
yarn.nodemanager.disk-health-checker.max-disk-utilization-per-disk-percentage；一块磁盘的最高使用率，当一块磁盘使用率超过该值时，则认为该盘为坏盘，不再使用该盘，默认是100，表示100%，可以适当调低；
yarn.nodemanager.disk-health-checker.min-free-space-per-disk-mb；一块磁盘最少保证剩余空间大小，当某块磁盘剩余空间低于该值时，将不再使用该盘，默认是0，表示0MB。
（3）资源调度器
Fair Scheduler：Fair Scheduler增加了一个非常有用的新特性，允许用户在线将一个应用程序从一个队列转移到另外一个队列，比如将一个重要作业从一个低优先级队列转移到高优先级别队列，操作命令是：bin/yarn appalication -movetoqueue appID -queue targetQueueName，相关jira为：YARN-1721
Capacity Scheduler：Capacity Scheduler中资源抢占功能经过了充分的测试，可以使用了。
4.如何使用Mapreduce实现2个表的Join
常见的join方法介绍
假设要进行join的数据分别来自File1和File2
（1）reduce side join
reduce side join是一种最简单的join方式，其主要思想如下：在map阶段，map函数同时读取两个文件File1和File2，为了区分两种来源的key/value数据对，对每条数据打一个标签（tag），比如：tag=0表示来自文件File1，tag=2表示来自文件File2.即：map阶段的主要任务是对不同文件中的数据打标签
在reduce阶段，reduce函数获取key相同的来自File1和File2文件的value list，然后对于同一个key，对File1和File2中的数据进行join（笛卡尔乘积）即：reduce阶段进行实际的连接操作。
（2）map side join
之所以存在reduce side join ，是因为在map阶段不能获取所有需要的join字段，即：同一个key对应的字段可能位于不同map中。
Reduce side join是非常低效的，因为shuffle阶段要进行大量的数据传输。
map side join是针对以下场景进行的优化：两个带连接表中，有一个表非常大，而另一个表非常小，以至于小表可以直接存放到内存中，这样，我们可以将小表复制多份，让每个map task内存中存在一份（比如存放到hash table中），然后只扫描大表：对于大表中的每一条记录key/value，在hash table中查找是否有相同的key的记录，如果有，则连接后输出即可。
为了支持文件的复制，Hadoop提供了一个类DistributedCache，使用该类的方法如下：
用户使用静态方法DistributedCache.addCacheFile（）指定要复制的文件，它的参数是文件的URI（如果是HDFS上的文件，可以这样：hdfs：//namenode：9000/home/XXX/file，其中9000是自己配置的NameNode端口号）JobTracker在作业启动之前会获取这个URL列表，并将相应的文件拷贝到各个TaskTracker的本地磁盘上。
(2)用户使用DistributedCache.getLocalCacheFiles（）方法 获取文件目录，并使用标准的文件读写API读取相应的文件。
（3）SemiJoin
SemiJoin，也叫半连接，是从分布式数据库中借鉴过来的方法，它的产生动机是：对于reduce side join，跨机器的数据传输量非常大，这成了join操作的一个瓶颈，如果能够在map端过滤掉不会参加join操作的数据，则可以大大节省网络IO。
实现方法很简单；选取一个小表，假设是File1，将其参与join的key抽取出来，保存到文件File3中，File3文件一般很小，可以放到内存中。在map阶段，使用DistributedCache将File3复制到各个TaskTracker上，然后将File2中不在File3中的key对应的记录过滤掉，剩下的reduce阶段的工作与reduce side join相同。
更多关于半连接的介绍，可参考：半连接介绍;