数据采集与预处理技术考点复习——第七章

第七章：大数据分析实例

1. Hadoop具有那些特征

（1）高可靠性：采用冗余数据存储方式，即使一个副本发生故障，其他副本也可以保证正常的高效性
（2）高效性：作为并行分布式计算平台，Hadoop采用分布式存储和分布式处理两大核心技术，能够高效的处理PB级数据
（3）高可扩展性：Hadoop的设计目标是可以高效、稳定的运行在廉价的计算机集群上，可以扩展到数以千计的计算机节点上
（4）高容错性：采用冗余数据存储方式，自动保存数据的多个副本，并且能够自动将失败的任务进行重新分配
（5）成本低：Hadoop采用廉价的计算机集群，成本低
（6）运行在Linux平台上：Hadoop基于java语言开发的，可以较好的运行在Linux平台
（7）支持多种编程语言。

2. HDFS的块与普通文件系统中的块有何区别

• HDFS采用块的概念可以将大规模文件分拆成若干个文件块，适宜大规模文件的存储；
• 不同文件块可以被分发到不同的节点上，文件的大小就不会受到单个节点存储容量的限制；
• 使存储管理更为方便，简化了系统设计；
• 适合数据备份，将文件块冗余的存储到多个节点上，提高了系统的容错率和可用性

3. 简述HDFS中名称节点和数据节点的功能

• 名称节点：负责管理分布式文件系统的命名空间，记录了每个文件中各个块所在的数据节点的位置信息，但不是持久存储这些信息，而是在系统每次启动时扫描所有数据节点重构得到这些信息
• 数据节点：分布式文件系统HDFS的工作节点，负责数据的存储和读取

4. 简述MapReduce与Hadoop的关系

• Mapreduce是一种模式。
• Hadoop是一种框架。
• Hadoop是一个实现了mapreduce模式的开源的分布式并行编程框架。

5. MapReduce的主从结构中，JobTracker和TaskTracker的作用是什么

• JobTracker：负责控制以及调度MapReduce的Job
• TaskTracker：负责运行MapReduce的Job

6. 简述MapReduce工作流程

• MapReduce将输入数据拆分成多个split（分片）。
• 由多个Map任务在多台机器上执行这些分片，每个Map任务通常运行在数据存储的节点上，计算和数据放在一起运行，不需要额外的数据传输开销。
• 当Map任务结束后，会生成以<key,value>键值对形式的许多中间结果，MapReduce将这些中间结果分发到多个MapReduce。
• 与Map任务相似，Reduce也是在多台机器上并行执行，并将具有相同key值的<key,value>的键值对发送到同一个Reduce任务，Reduce任务对中间结果进行汇总计算得到最后结果。
• 最后输出到分布式文件系统中

7. 分析MapReduce中Shuffle过程的作用

使Reduce可以并行处理Map端的结果，需要对Map的输出进行一定的分区、排序、合并、归并等处理，从而得到<key,(list of value)>形式的中间结果，然后再交给对应的Reduce进行处理

8. 简述HBase与传统数据库的区别

• 数据类型：

  关系数据库：采用关系模型，数据类型和存储方式丰富

  HBase：数据模型更加简单，将数据存储为未经解释的字符串，因此结构化、非结构化数据都可转化为字符串保存在HBase中

• 数据操作：

  关系数据库：包含了丰富的操作，其中涉及复杂的多表连接

  HBase：不涉及复杂的表与表的关系，只有简单的插入、查询、删除、清空等，使得数据操作更为简单直观

• 数据存储模式：

  关系数据库：基于行模式存储

  HBase：基于列模式的存储，每个列族都由几个文件保存，不同列族的文件是分离的

• 数据索引：

  关系数据库：针对不同列构建复杂的多个索引，以提高数据访问性能

  HBase：只有一个索引——行键，其所有访问方法，通过行键访问或者通过行键扫描

• 数据维护：

  关系数据库：更新操作会用最新的当前值去替换记录中的旧值，旧值被覆盖后就不会存在

  HBase：执行更新操作时，不会删除数据旧的版本，而是生成一个新的版本，有的旧版本仍然保留

• 其他：

  关系数据库：很难实现横向扩展

  HBase：能够轻易通过集群中增加或者减少硬件数量来实现性能的伸缩

9. 解释HBase中行键/列键和时间戳的概念

• 行键：HBase表由若干行组成，每个行由行键标识
• 列键：HBase表由若干列组成，每个列由列键标识
• 时间戳：HBase中通过行、列族和列限定符确定一个单元格cell。每个cell都保存着同一份数据的多个版本。版本通过时间戳来索引。如果应用程序要避免数据版本冲突，就必须自己生成具有唯一性的时间戳

10.简述Yarn组件在Hadoop中的作用

将JobTracke的三大功能（资源管理、任务调度、任务监控）进行拆分，分别交给不同的新组件去处理，重新设计后产生的Yarn：

• ResourseManage：资源管理
• ApplicationMaster：调度和监控
• NodeManager：执行原TaskTracker的任务

这种设计实际为“放权”，大大降低了JobTracke的负担，提升了运行的效率和稳定性