hadoop面试整理

1.简要描述一个apache如何安装配置hadoop.

   

   1.创建hadoop 帐户。
   2.setup.改IP。
   3.安装java，并修改/etc/profile 文件，配置java 的环境变量。
   4.修改Host 文件域名。
   5.安装SSH，配置无密钥通信。
   6.解压hadoop。
   7.配置conf 文件下hadoop-env.sh、core-site.sh、mapre-site.sh、hdfs-site.sh。
   8.配置hadoop 的环境变量。
   9.Hadoop namenode -format
  10.Start-all

2.请列出正常工作中的Hadoop集群中Hadoop都分别需要启动那些进程，他们的作用分别是什么？

   NameNode：    管理集群，并记录datanode 文件信息。
   SecondName：可以做冷备，对一定范围内数据做快照性备份。
   DataNode：       存储数据
  JobTracker ：     管理任务，并将任务分配给tasktracker。
  TaskTracker：    任务执行方。

3.写出以下执行命令.

   

   3.1 杀死一个job

          hadoop job -list  拿到job-id ,hadoop job -kill job-id

   3.2  加入一个新的存储节点和删除一个计算节点需要刷新集群状态命令

           加新节点时：
           Hadoop-daemon.sh start datanode          

           Hadoop-daemon.sh start tasktracker

          删除时：
          Hadoop mradmin -refreshnodes
          Hadoop dfsadmin -refreshnodes

 4.请列出你所知道的hadoop调度器，并简要说明其工作方法。

   Fifo schedular ：默认，先进先出的原则。
   Capacity schedular ：计算能力调度器，选择占用最小、优先级高的先执行，依此类推。 
   Fair schedular：公平调度，所有的job 具有相同的资源。

    异构集群的调度器 LATE
   实时作业的调度器 Deadline Scheduler 和 Constraint-based Scheduler

5.Hive有哪些方式保存元数据的，各有那些特点。

   有三种

   1.内存数据库derby,挺小，不常用。

   2.本地mysql,常用。

   3.远程端mysql,不常用。

     

6.简述hadoop实现join的几种方法。

   

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：两个待连接表中，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：

（1）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URI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。

7.请简述hadoop中的shuffle,combiner,partition的作用。

   shuffle： 
　　是描述着数据从map端传输到reduce端的过程，而且我们知道的是hadoop的集群环境中，大部分map task和reduce task是在不同的node上执行，主要的开销是网络开销和磁盘IO开销，因此shuffle的主要作用相当于是 
　　1.完整的从map task端传输到reduce task端。 
　　2.跨节点传输数据时，尽可能减少对带宽的消耗.（注意是reduce执行的时候去拉取map端的结果） 
　　3.减少磁盘IO开销对task的影响。 

  Partition： 
    Partition主要作用就是将map的结果发送到相应的reduce。这就对partition有两个要求： 
    1）均衡负载，尽量的将工作均匀的分配给不同的reduce。 
    2）效率，分配速度一定要快。 
　　  重定向mapper的输出，根据key来决定mapper应该讲k，v对输出给谁，默认采用的hash key来实现，也可以根据自己的需要来实现。 

  combiner：

       实现的功能跟reduce 差不多，接收map 的值，经过计算后给reduce，它的key,value 类型要跟reduce 完全一样，

       当reduce 业务复杂时可以用，不过它只是操作本机的数据。