大数据面试杀招——Hadoop高频考点,正在刷新你的认知!

        上一篇文章为大家总结了一些关于Hive的热门考点,得到了一些朋友的肯定与转发,菌菌就觉得花时间去做这些知识整合是非常有价值,有意义的一件事。本篇文章,让我们有幸一起来阅读一下,该怎么准备Hadoop的内容,才有机会在面试过程占据上风。

        
在这里插入图片描述


一、什么是Hadoop?

        这是一个看着不起眼,实则“送命题”的典型。往往大家关于大数据的其他内容准备得非常充分,反倒问你什么是Hadoop却有点猝不及防,回答磕磕绊绊,给面试官的印象就很不好。另外,回答这个问题,一定要从事物本身上升到广义去介绍。面试官往往通过这个问题来判断你是否具有最基本的认知能力。

        Hadoop是一个能够对大量数据进行分布式处理的软件框架。以一种可靠、高效、可伸缩的方式进行数据处理。主要包括三部分内容:Hdfs,MapReduce,Yarn

        Hadoop在广义上指一个生态圈,泛指大数据技术相关的开源组件或产品,如HBase,Hive,Spark,Zookeeper,Kafka,flume…

        

Hadoop生态圈
        

二、能跟我介绍下Hadoop和Spark的差异吗?

        被问到也不要惊讶,面试官往往通过你对于不同技术的差异描述,就能看出你是不是真的具有很强的学习能力。
        

HadoopSpark
类型基础平台,包含计算,存储,调度分布式计算工具
场景大规模数据集上的批处理迭代计算,交互式计算,流计算
价格对机器要求低,便宜对内存有要求,相对较贵
编程范式MapReduce,API 较为底层,算法适应性差RDD组成DAG有向无环图,API较为顶层,方便使用
数据存储结构MapReduce中间计算结果存在HDFS磁盘上,延迟大RDD中间运算结果存在内存中,延迟小
运行方式Task以进程方式维护,任务启动慢Task以线程方式维护,任务启动快

        

三、Hadoop常见的版本有哪些,分别有哪些特点,你一般是如何进行选择的?

        这个完全就是基于个人的经验之谈的,如果平时没有细致研究过这些,这个问题一定是答不好的。

        由于Hadoop的飞速发展,功能不断更新和完善,Hadoop的版本非常多,同时也显得杂乱。目前市面上,主流的是以下几个版本:

  • Apache 社区版本

        Apache 社区版本 完全开源,免费,是非商业版本。Apache社区的Hadoop版本分支较多,而且部分Hadoop存在Bug。在选择Hadoop、Hbase、Hive等时,需要考虑兼容性。同时,这个版本的Hadoop的部署对Hadoop开发人员或运维人员的技术要求比较高

  • Cloudera版本

        Cloudera 版本 开源,免费,有商业版和非商业版本,是在Apache社区版本的Hadoop基础上,选择相对稳定版本的Hadoop,进行开发和维护的Hadoop版本。由于此版本的Hadoop在开发过程中对其他的框架的集成进行了大量的兼容性测试,因此使用者不必考虑Hadoop、Hbase、Hive等在使用过程中版本的兼容性问题,大大节省了使用者在调试兼容性方面的时间成本

  • Hortonworks版本

        Hortonworks 版本 的 Hadoop 开源、免费,有商业和非商业版本,其在 Apache 的基础上修改,对相关的组件或功能进行了二次开发,其中商业版本的功能是最强大,最齐全的

        所以基于以上特点进行选择,我们一般刚接触大数据用的就是CDH,在工作中大概率用 Apache 或者 Hortonworks。

        

四、能简单介绍Hadoop1.0,2.0,3.0的区别吗?

        一般能问出这种问题的面试官都是“狠人”,基本技术都不差,他们往往是更希望应聘者能在这些“细节”问题上脱颖而出。

        Hadoop1.0由分布式存储系统HDFS和分布式计算框架MapReduce组成,其中HDFS由一个NameNode和多个DateNode组成,MapReduce由一个JobTracker和多个TaskTracker组成。在Hadoop1.0中容易导致单点故障,拓展性差,性能低,支持编程模型单一的问题。

        Hadoop2.0即为克服Hadoop1.0中的不足,提出了以下关键特性:

  • Yarn:它是Hadoop2.0引入的一个全新的通用资源管理系统,完全代替了Hadoop1.0中的JobTracker。在MRv1 中的 JobTracker 资源管理和作业跟踪的功能被抽象为 ResourceManager 和 AppMaster 两个组件。Yarn 还支持多种应用程序和框架,提供统一的资源调度和管理功能
  • NameNode 单点故障得以解决:Hadoop2.2.0 同时解决了 NameNode 单点故障问题和内存受限问题,并提供 NFS,QJM 和 Zookeeper 三种可选的共享存储系统
  • HDFS 快照:指 HDFS(或子系统)在某一时刻的只读镜像,该只读镜像对于防止数据误删、丢失等是非常重要的。例如,管理员可定时为重要文件或目录做快照,当发生了数据误删或者丢失的现象时,管理员可以将这个数据快照作为恢复数据的依据
  • 支持Windows 操作系统:Hadoop 2.2.0 版本的一个重大改进就是开始支持 Windows 操作系统
  • Append:新版本的 Hadoop 引入了对文件的追加操作

        同时,新版本的Hadoop对于HDFS做了两个非常重要的增强,分别是支持异构的存储层次通过数据节点为存储在HDFS中的数据提供内存缓冲功能

        相比于Hadoop2.0,Hadoop3.0 是直接基于 JDK1.8 发布的一个新版本,同时,Hadoop3.0引入了一些重要的功能和特性

  • HDFS可擦除编码:这项技术使HDFS在不降低可靠性的前提下节省了很大一部分存储空间
  • 多NameNode支持:在Hadoop3.0中,新增了对多NameNode的支持。当然,处于Active状态的NameNode实例必须只有一个。也就是说,从Hadoop3.0开始,在同一个集群中,支持一个 ActiveNameNode 和 多个 StandbyNameNode 的部署方式。
  • MR Native Task优化
  • Yarn基于cgroup 的内存和磁盘 I/O 隔离
  • Yarn container resizing

        限于篇幅原因,这还都只是部分特性,大家多注意菌哥标记颜色的部分,就足以应对面试了。
        

五、说下Hadoop常用的端口号

        Hadoop常用的端口号总共就那么几个,大家选择好记的几个就OK了

  • dfs.namenode.http-address:50070
  • dfs.datanode.http-address:50075
  • SecondaryNameNode:50090
  • dfs.datanode.address:50010
  • fs.defaultFS:8020 或者9000
  • yarn.resourcemanager.webapp.address:8088
  • 历史服务器web访问端口:19888

六、简单介绍一下搭建Hadoop集群的流程

        这个问题实在基础,这里也简单概述下。

        在正式搭建之前,我们需要准备以下6步:

准备工作

  1. 关闭防火墙
  2. 关闭SELINUX
  3. 修改主机名
  4. ssh无密码拷贝数据
  5. 设置主机名和IP对应
  6. jdk1.8安装

搭建工作:

  • 下载并解压Hadoop的jar包
  • 配置hadoop的核心文件
  • 格式化namenode
  • 启动…

        

七、介绍一下HDFS读写流程

        这个问题非常基础,同时出现的频率也是异常的高,但是大家也不要被HDFS的读写流程吓到。相信看到这里的朋友,应该不是第一次背HDFS读写繁多的步骤了,菌哥在这里也不建议大家去背那些文字,这里贴上两张图,大家要学会做到心中有图,万般皆易。

  • HDFS读数据流程

在这里插入图片描述

  • HDFS的写数据流程
    在这里插入图片描述
            

八、介绍一下MapReduce的Shuffle过程,并给出Hadoop优化的方案(包括:压缩、小文件、集群的优化)

        MapReduce数据读取并写入HDFS流程实际上是有10步

在这里插入图片描述
        其中最重要,也是最不好讲的就是 shuffle 阶段,当面试官着重要求你介绍 Shuffle 阶段时,可就不能像上边图上写的那样简单去介绍了。

        你可以这么说:

        1) Map方法之后Reduce方法之前这段处理过程叫Shuffle

        2) Map方法之后,数据首先进入到分区方法,把数据标记好分区,然后把数据发送到环形缓冲区;环形缓冲区默认大小100m,环形缓冲区达到80%时,进行溢写;溢写前对数据进行排序,排序按照对key的索引进行字典顺序排序,排序的手段快排;溢写产生大量溢写文件,需要对溢写文件进行归并排序对溢写的文件也可以进行Combiner操作,前提是汇总操作,求平均值不行。最后将文件按照分区存储到磁盘,等待Reduce端拉取。

        3)每个Reduce拉取Map端对应分区的数据。拉取数据后先存储到内存中,内存不够了,再存储到磁盘。拉取完所有数据后,采用归并排序将内存和磁盘中的数据都进行排序。在进入Reduce方法前,可以对数据进行分组操作。

讲到这里你可能已经口干舌燥,想缓一缓。
但面试官可能对你非常欣赏:

小伙几,看来你对MapReduce的Shuffle阶段掌握很透彻啊,那你跟我再介绍一下你是如何基于MapReduce做Hadoop的优化的,可以给你个提示,可以从压缩,小文件,集群优化层面去考虑哦~
在这里插入图片描述可能你心里仿佛有一万只草泥马在奔腾,但是为了顺利拿下本轮面试,你还是不得不开始思考,如何回答比较好:

1)HDFS小文件影响

  • 影响NameNode的寿命,因为文件元数据存储在NameNode的内存中
  • 影响计算引擎的任务数量,比如每个小的文件都会生成一个Map任务

2)数据输入小文件处理

  • 合并小文件:对小文件进行归档(Har)、自定义Inputformat将小文件存储成SequenceFile文件。
  • 采用ConbinFileInputFormat来作为输入,解决输入端大量小文件场景
  • 对于大量小文件Job,可以开启JVM重用

3)Map阶段

  • 增大环形缓冲区大小。由100m扩大到200m
  • 增大环形缓冲区溢写的比例。由80%扩大到90%
  • 减少对溢写文件的merge次数。(10个文件,一次20个merge)
  • 不影响实际业务的前提下,采用Combiner提前合并,减少 I/O

4)Reduce阶段

  • 合理设置Map和Reduce数:两个都不能设置太少,也不能设置太多。太少,会导致Task等待,延长处理时间;太多,会导致 Map、Reduce任务间竞争资源,造成处理超时等错误。
  • 设置Map、Reduce共存:调整 slowstart.completedmaps 参数,使Map运行到一定程度后,Reduce也开始运行,减少Reduce的等待时间
  • 规避使用Reduce,因为Reduce在用于连接数据集的时候将会产生大量的网络消耗。
  • 增加每个Reduce去Map中拿数据的并行数
  • 集群性能可以的前提下,增大Reduce端存储数据内存的大小

5) IO 传输

  • 采用数据压缩的方式,减少网络IO的的时间
  • 使用SequenceFile二进制文件

6) 整体

  • MapTask默认内存大小为1G,可以增加MapTask内存大小为4
  • ReduceTask默认内存大小为1G,可以增加ReduceTask内存大小为4-5g
  • 可以增加MapTask的cpu核数,增加ReduceTask的CPU核数
  • 增加每个Container的CPU核数和内存大小
  • 调整每个Map Task和Reduce Task最大重试次数

7) 压缩

        压缩,可以参考这张图

在这里插入图片描述
        提示:如果面试过程问起,我们一般回答压缩方式为Snappy,特点速度快,缺点无法切分(可以回答在链式MR中,Reduce端输出使用bzip2压缩,以便后续的map任务对数据进行split)

        

九、介绍一下 Yarn 的 Job 提交流程

        这里一共也有两个版本,分别是详细版和简略版,具体使用哪个还是分不同的场合。正常情况下,将简略版的回答清楚了就很OK,详细版的最多做个内容的补充:

  • 详细版
    在这里插入图片描述
  • 简略版

在这里插入图片描述
        其中简略版对应的步骤分别如下:

  1. client向RM提交应用程序,其中包括启动该应用的ApplicationMaster的必须信息,例如ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等
  2. ResourceManager启动一个container用于运行ApplicationMaster
  3. 启动中的ApplicationMaster向ResourceManager注册自己,启动成功后与RM保持心跳
  4. ApplicationMaster向ResourceManager发送请求,申请相应数目的container
  5. 申请成功的container,由ApplicationMaster进行初始化。container的启动信息初始化后,AM与对应的NodeManager通信,要求NM启动container
  6. NM启动container
  7. container运行期间,ApplicationMaster对container进行监控。container通过RPC协议向对应的AM汇报自己的进度和状态等信息
  8. 应用运行结束后,ApplicationMaster向ResourceManager注销自己,并允许属于它的container被收回

十、介绍下Yarn默认的调度器,调度器分类,以及它们之间的区别

        关于Yarn的知识点考察实际上在面试中占的比重并的不多,像面试中常问的无非就Yarn的Job执行流程或者调度器的分类,答案往往也都差不多,以下回答做个参考:

        1)Hadoop调度器主要分为三类:

  • FIFO Scheduler:先进先出调度器:优先提交的,优先执行,后面提交的等待【生产环境不会使用】
  • Capacity Scheduler:容量调度器:允许看创建多个任务对列,多个任务对列可以同时执行。但是一个队列内部还是先进先出。【Hadoop2.7.2默认的调度器】
  • Fair Scheduler:公平调度器:第一个程序在启动时可以占用其他队列的资源(100%占用),当其他队列有任务提交时,占用资源的队列需要将资源还给该任务。还资源的时候,效率比较慢。【CDH版本的yarn调度器默认】

十一、了解过哪些Hadoop的参数优化

        前面刚回答完Hadoop基于压缩,小文件,IO的集群优化,现在又要回答参数优化,真的好烦啊(T▽T)如果你把自己放在实习生这个level,你 duck 不必研究这么多关于性能调优这块的内容,毕竟对于稍有工作经验的工程师来说,调优这块是非常重要的

        我们常见的Hadoop参数调优有以下几种:

  • 在hdfs-site.xml文件中配置多目录,最好提前配置好,否则更改目录需要重新启动集群
  • NameNode有一个工作线程池,用来处理不同DataNode的并发心跳以及客户端并发的元数据操作
dfs.namenode.handler.count=20 * log2(Cluster Size)

        比如集群规模为10台时,此参数设置为60

  • 编辑日志存储路径dfs.namenode.edits.dir设置与镜像文件存储路径dfs.namenode.name.dir尽量分开,达到最低写入延迟
  • 服务器节点上YARN可使用的物理内存总量,默认是8192(MB),注意,如果你的节点内存资源不够8GB,则需要调减小这个值,而YARN不会智能的探测节点的物理内存总量
  • 单个任务可申请的最多物理内存量,默认是8192(MB)

十二、了解过Hadoop的基准测试吗?

        这个完全就是基于项目经验的面试题了,暂时回答不上来的朋友可以留意一下:

        我们搭建完Hadoop集群后需要对HDFS读写性能和MR计算能力测试。测试jar包在hadoop的share文件夹下。

十三、你是怎么处理Hadoop宕机的问题的?

        相信被问到这里,一部分的小伙伴已经坚持不下去了

在这里插入图片描述
        但言归正传,被问到了,我们总不能说俺不知道,洒家不会之类的吧٩(๑❛ᴗ❛๑)۶下面展示一种回答,给大家来个Demo。

        如果MR造成系统宕机。此时要控制Yarn同时运行的任务数,和每个任务申请的最大内存。调整参数:yarn.scheduler.maximum-allocation-mb(单个任务可申请的最多物理内存量,默认是8192MB)。

        如果写入文件过量造成NameNode宕机。那么调高Kafka的存储大小,控制从Kafka到HDFS的写入速度。高峰期的时候用Kafka进行缓存,高峰期过去数据同步会自动跟上。

        

十四、你是如何解决Hadoop数据倾斜的问题的,能举个例子吗?

        性能优化数据倾斜,如果在面试前不好好准备,那就准备在面试时吃亏吧~其实掌握得多了,很多方法都有相通的地方。下面贴出一种靠谱的回答,大家可以借鉴下:

        1)提前在map进行combine,减少传输的数据量

        在Mapper加上combiner相当于提前进行reduce,即把一个Mapper中的相同key进行了聚合,减少shuffle过程中传输的数据量,以及Reducer端的计算量

        如果导致数据倾斜的key 大量分布在不同的mapper的时候,这种方法就不是很有效了

        2)数据倾斜的key 大量分布在不同的mapper

        在这种情况,大致有如下几种方法:

  • 局部聚合加全局聚合

        第一次在map阶段对那些导致了数据倾斜的key 加上1到n的随机前缀,这样本来相同的key 也会被分到多个Reducer 中进行局部聚合,数量就会大大降低。

        第二次mapreduce,去掉key的随机前缀,进行全局聚合。

        思想二次mr,第一次将key随机散列到不同 reducer 进行处理达到负载均衡目的。第二次再根据去掉key的随机前缀,按原key进行reduce处理

        这个方法进行两次mapreduce,性能稍差。

  • 增加Reducer,提升并行度
JobConf.setNumReduceTasks(int)
  • 实现自定义分区

        根据数据分布情况,自定义散列函数,将key均匀分配到不同Reducer


彩蛋

        为了能鼓励大家多学会总结,菌在这里贴上自己平时做的思维导图,需要的朋友,可以关注博主个人微信公众号【猿人菌】,后台回复“思维导图”即可获取。

在这里插入图片描述
        

结语

        很高兴能看到这里的朋友,有任何好的想法或者建议都可以在评论区留言,或者直接私信我也ok,后期会考虑出一些大数据面试的场景题,在最美的年华,做最好的自己,我是00后Alice,我们下一期见~~

        一键三连,养成习惯~

文章持续更新,可以微信搜一搜「 猿人菌 」第一时间阅读,思维导图,大数据书籍,大数据高频面试题,海量一线大厂面经…期待您的关注!

在这里插入图片描述

Alice菌 CSDN认证博客专家 CSDN博客专家 大数据学者 追梦人
00后大数据学者,坚信技术成就自我。
个人原创公众号【猿人菌】,每日更新大数据干货,欢迎上车!
一天的生活就是一生的缩影。在最美的年华,做最好的自己!
©️2020 CSDN 皮肤主题: 代码科技 设计师:Amelia_0503 返回首页