Hadoop+Kafka相关重点复习

一、Linux

1、常用高级命令

Top：查看CPU使用情况（系统内存）

Iotop：查看磁盘IO使用情况

ps -ef ：查看服务器进程信息      

df -h：显示磁盘分区使用情况

netstat：查看端口号       

rpm：安装软件包

tar：解压缩

jmap-heap：查看某一个进程对应的内存

distcp:集群间数据迁移

scp ：节点之间数据迁移

二、shell

1、用过哪些工具

awk、sed、sort、cut、<python>

2、写过的shell脚本

1）分发脚本

2）启停脚本<重点>

#！/bin/bash

case $1 in

"start")

for i in hadoop102 hadoop103 hadoop104

do

ssh $i " 绝对路径"

done

;;

"stop")

do

ssh $i "绝对路径"

done

;;

esac

3）数仓中数据导入和导出脚本

        mySQL -> hdfs <datax>

hdfs -> mySQL <datax>

4）数仓层级内部

ods -> ads （5步）

3、单引号（''）和双引号（""）

'' ：不解析里面变量的值

""：解析里面变量的值

两者嵌套使用：谁在外面谁起作用

三、hadoop

1、入门

1）常用端口号：3.x：9870（hdfs）,8088（yarn）,19888（历史服务器），9820/9000/8020（内部通讯）

2）常用配置文件：core_site.xml        hdfs_site.xml        mapred_site.xml        yarn_site.xml        workers

2、HDFS

1）hdfs读写流程（笔试题）：

2）小文件（面试题）：危害：

a.存储：影响namenode的存储，一个文件的元数据大约150字节

b.计算：默认情况会对每个文件单独切片，一个文件需要一个maptask

3) 小文件怎么处理：a.CombineTextInputFormat：可以把多个小文件放在一起统一切片

         b.har归档：多个小文件打包成块

        c.jvm重用：开启一个jvm进程之后一直处理小文件不关闭

4）副本数：3个

5）块大小：1.x：64m

                        2.x：128

                本地模式：32m

                企业中：128m，256m，512m （根据磁盘读写速度而定）

3、MR

        shuffle：横跨map和reduce，混写的过程为shuffle

        数据进来先getpartition进行分区，方便后续处理

        然后进入环形缓冲区：100m，80%（可以提高为200m，90%）

        出缓冲区之后对key进行<快速>排序，产生大量溢写文件

         将数据按照分区不同进行归并，在内存中完成，然后将数据溢写到磁盘，map阶段结束

        reduce阶段开始：拉取指定分区的数据，放入内存中，内存不够用放入磁盘，然后将数据进行归并排序（拉去过来的数据都是有序的，无序的数据使用快排），然后放入reduce方法中

优化：a.getpartition阶段自定义分区处理数据倾斜  b.环形缓冲区优化 c.溢写文件归并过程，调整溢写文件个数（默认10个），d.溢写文件预聚合,不能影响最终业务逻辑（不能求平均值）e.减少磁盘io，使用压缩，f.reduce拉取文件个数调整

4、yarn

1）yarn的工作机制：

client（客户端）

2）有哪些调度器：

默认调度器，FIFO调度器，容量调度器（资源不够可以借，优先保证先进来的任务），公平调度器（也可以借，按缺额分配资源）

3）实际生产中：如果要求并行度比较高（中大型公司）：公平调度器

        如果要求并行度比较低（中小公司）：容量调度器

4）默认几个队列：

默认一个default队列，需要用户创建，按照框架分：hive，spark，flink

提交一个递归死循环/rm -rf / 6.18,11.11

因此企业中会按照部门进行创建队列，降级使用

四、zookeeper

1、选举机制：半数选举机制

2、安装多少台：奇数台

3、10服务器安装多少zk：3台

20服务器安装多少zk：5台

50服务器安装多少zk：7台

100服务器安装多少zk：11台

200服务器安装多少zk：11台

zk台数越多：好处：可靠性高，坏处：效率低

4、常用命令：ls，get，create，delete，delete all

***Paxos算法和ZAB协议（扩展）

zookeeper底层使用的就是ZAB协议

***什么是CAP法则，zookeeper符合这个法则的那两个（扩展）

一致性（C），可用性（A），分区容错性（P）

zookeeper满足CP，在zookeeper其中一个节点挂掉之后重新选举之间无法使用，因此不满足可用性

***zookeeper选举机制：a.第一次选举：第一个和第二个来个先给自己投票，都不满足超过半数，进入等待，第三台来了前两台加第三台共三票，选举成功为leader

b.leader挂掉之后的重新选举：SID：服务器ID，和myid一样，ZXID：事务ID，用来标识一次服务器状态的变更，Epoch：每个Leader任期的代号，先比较Epoch，然后比较事务ID，最后比较myID

五、Flume（三件事）

1、组成

1）taildir sourse：a：断点续传，多目录b:对应版本：Apache1.7，cdh1.6产生 c.可能产生重复数据：可以加一个事务（不推荐，影响效率），也可以在下游处理，hive-dwd，redis，spark，flink

2）channel

a.file channel ：基于磁盘。可靠性高，效率低（和钱有关）

b.memory channel：基于内存，可靠性低，效率高（日志文件）

c.kafka chanel：基于磁盘，可靠性高，效率高（下游是kafka）

3）hdfs sink：小文件

        先控制大小在128m，然后控制时间30分钟，event个数禁止掉（0）

2、三个器

1）拦截器：ETL拦截器：json不完整的数据过滤掉，时间戳拦截器：零点漂移问题，数据落盘按照时间落盘，数据处理过程有延迟 自定义拦截器步骤：定义类，实现interceptor接口，重写4个方法，单event，多event，初始化、关闭，静态内部类builder，打包上传，配置文件

2）选择器

a.re... 把数据发送下一级所有通道

b.mu...把数据选择性发往指定通道

3）监控器

g 监控put，take，事务 尝试提交的次数，如果尝试次数远远大于成功次数，说明flume异常，增加flume内存（flume-env.sh4-6g），增加flume台数 

日志服务器的配置：8g，16g 

3、挂了及优化

source和sink有事务机制，不会丢失数据

channel如果是memory channel，有丢失数据的风险

小文件相关优化

增加flume内存（flume-env.sh4-6g），增加flume台数 

六、kafka（重点：hive，kafka，spark，flink ，ck）

1、组成：生产者，broker，消费者，zk

2、安装多少台：2*（生产者峰值生产速率*副本数/100）+1 =3台

3、压测：得到生产者峰值生产速率，生产者峰值消费速率

4、副本：生产环境一般两个副本

        副本多的好处：可靠性高，坏处：占用存储空间，影响通信效率

5、传输速率：100万日活*100条日志=1亿条数据

        1亿/（24小时*3600s）= 1150条/s

        一条日志（0.5k-2k） ->1k    1m/s

小峰值：中午，大峰值，晚上，是平时的20倍：20-30m/s

6：选择服务器：硬盘（固态，机械）：kafka底层是顺序读写，两者顺序读写速度几乎一样，600m/s，所以选择机械硬盘

7、网络带宽：20-30m/s：千兆带宽：125m/s

8、cpu选择：越多越好，20核40线程的服务器，单独部署

9、内存：启动脚本里面可以调整内存：默认1g，生产环境调整为10-15g

10、分区数：增加分区可以增加并行度，峰值生产速率：20m/s，消费速率：40m/s

期望达到：100m/s，分区数= 100/（min（20，40）） = 5个分区

企业中一般设置3-10个分区，**只能增加，不能减少**

11、kafka是否做了监控：kafka eagle （manager，montor）

12、分区器：如果制定了分区，发送到指定分区，没有指定分区，制定了key，按照key的hashcode值%分区数进行分区，既没有指定分区，也没有 指定key，按照粘性分区

13、生产者如何提高吞吐量：

32m缓存 ==》64m

16k批次大小 ==》 32k

linger.ms ==》 0 =》 5-100ms

压缩：snappy，zstd，gzip

14、如何保证数据不丢：

acks：-1+ 副本数大于等于2+isr里面最小副本数大于等于2

15、保证数据不重复：

幂等性（pid，分区，序列号）+事务

acks：-1+ 副本数大于等于2+isr里面最小副本数大于等于2

16、保证数据有序：单分区数据有序

17、会不会乱序：inflight默认=5，缓存5个元数据

        如果没有幂等性，设置inflight =1，如果开启了幂等性，inflight<=5 ，乱序的元数据不会落盘

18、kafka底层怎么高效读写：

1）kafka本身是集群，并行度高，可以增加分区

2）index稀疏索引，4k数据做一个索引

3）顺序读写600m/s

4）零拷贝+页缓存技术（重点）

19、删除数据策略：

delete（常用），压缩（保存最新）

20、消费者：主动拉取数据

21、消费策略：range（每个topic消费策略相同）

        roundin（大的轮询，每个topic消费策略不同，避免数据倾斜）

        粘性：出现故障后保证原先分区不动

topic数较少：粘性+range

topic数较大：粘性+roundin

22、触发再平衡条件

消费者会每隔3s和消费者组协调器通讯一次，如果通讯时间超过45s，会认为消费者挂掉了，就会把他的任务分配给别的消费者，

另一点：消费者消费一批数据超过5分钟还没消费完，也会认为挂掉了，触发再平衡

23、可以指定消费者消费位置：seek

24、可以按照时间指定消费位置

25、如何提高整个kafka的吞吐量

生产者：

32m缓存 ==》64m

16k批次大小 ==》 32k

linger.ms ==》 0 =》 5-100ms

压缩：snappy，zstd，gzip

broker：增加分区 ，对应的要增加消费者cpu核数

消费者：增加每批次处理的数据量，默认500 =》 1000-5000

        最大数据量 默认50m =》 60m

26、kafka topic设置多少个合适

满足下一级消费者所有需求，同时也要适当聚合

27、传输大于1m的日志，会出现什么情况（重点）

kafka会卡住

kafka处理单条日志的上限：1m

28、默认保存时间：7天。生产环境：3天

29、kafka挂了：

1）重启（内存，磁盘，网络带宽）

2）误删：采用服役流程，先退役，再服役