大数据开发面试知识点总结

hadoop job执行流程

dataInput–>split–>Mapper–>Combine–>(产出临时数据–>Partition–>Sort–>Reducer–>最终数据。

Mapper阶段

Mapper的数量由输入的大小和个数决定。在默认情况下，最终input占据了多少block，就应该启动多少个Mapper。500M的数据分成四个block（128M*4）就是4个mapper。

分区 排序 溢写 文件合并

partition默认分区 分区器是HashPartitioner 对numReduceTasks取模，模数相同分到同一分区，对key进行排序，当内存缓冲区达到阈值进行溢写到磁盘，产生的多个小文件将合并为一个大文件。分区对应reduce；参考文章

Reduce

Reducer将与一个key关联的一组中间数值集归为一个更小的数值集。它的数据来源可能是多个mapper的某个分区，过程就要进行shuffle，然后对收集到的key进行合并；
reduce的数量可以直接在程序设置job.setNumReduceTasks属性设置
文件中配置根据任务需求
1．调整reduce个数方法一
（1）每个Reduce处理的数据量默认是256MB
hive.exec.reducers.bytes.per.reducer=256000000
（2）每个任务最大的reduce数，默认为1009
hive.exec.reducers.max=1009
（3）计算reducer数的公式
N=min(参数2，总输入数据量/参数1)
2．调整reduce个数方法二
在hadoop的mapred-default.xml文件中修改
设置每个job的Reduce个数
set mapreduce.job.reduces = 15;
3．reduce个数并不是越多越好
1）过多的启动和初始化reduce也会消耗时间和资源；
2）另外，有多少个reduce，就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；
在设置reduce个数的时候也需要考虑这两个原则：处理大数据量利用合适的reduce数；使单个reduce任务处理数据量大小要合适；

hive数据倾斜

产生数据倾斜原因

进行Join group by Distinct这些操作时
1)、key分布不均匀
2)、业务数据本身的特性
3)、建表时考虑不周
4)、某些SQL语句本身就有数据倾斜
当某些key很多进行groupby时，发生数据倾斜，reduce阶段shuffle需要交换合并大量数据
解决
设置hive.map.aggr=true 在map阶段聚合，再把结果merge起来，为了减少reducer处理的数据量。
设置hive.groupby.skewindata=true，有数据倾斜时开启负载均衡
在mapper阶段对key加盐，比如hello，hello，hello-》1_hello,2_hello,3_hello使key能够均匀分布到reduce

spark和hadoop（mapreduce）区别

mapreduce经历map阶段和reduce，且只有map完才能reduce，map阶段溢写将kv数据写到磁盘（耗时），reduce阶段再将map阶段写道磁盘的数据读取再归并排序写道磁盘
适合单次处理非常大的数据，且中间任务数量不多
而spark适合数据规模不是很大，但是中间任务很多的情况
spark利用了DAG有向无环图，利用RDD（弹性分布式数据集）将需要反复用到的数据给 Cache 到内存中，减少数据加载耗时，对迭代次数多的数据友好。

hive外部表和内部表区别

外部表是hdfs文件的映射不储存数据，删除外部表数据部分不会删除，
内部表储存数据，删除内部表数据随之删除

sql语句解析

写一个sql

table1
city_id 城市
level_id 业务线
gmv 销售额
需求输出一个表table2 字段city_id,level_id,gmv
可查询每个城市gmv，每个业务线gmv

select city,null,sum(gmv)
from test
group by city
union
select null,level,sum(gmv)
from test
group by level