hadoop/spark面試題

總結於網絡

轉自：https://www.cnblogs.com/jchubby/p/5449379.html

一、簡答說一下hadoop的map-reduce編程模型

首先map task會從本地文件系統讀取數據，轉換成key-value形式的鍵值對集合

使用的是hadoop內置的數據類型，好比longwritable、text等

將鍵值對集合輸入mapper進行業務處理過程，將其轉換成須要的key-value在輸出

以後會進行一個partition分區操做，默認使用的是hashpartitioner，能夠經過重寫hashpartitioner的getpartition方法來自定義分區規則

以後會對key進行進行sort排序，grouping分組操做將相同key的value合併分組輸出，在這裏可使用自定義的數據類型，重寫WritableComparator的Comparator方法來自定義排序規則，重寫RawComparator的compara方法來自定義分組規則

以後進行一個combiner歸約操做，其實就是一個本地段的reduce預處理，以減少後面shufle和reducer的工做量

reduce task會經過網絡將各個數據收集進行reduce處理，最後將數據保存或者顯示，結束整個job

 

二、hadoop的TextInputFormat做用是什麼，如何自定義實現

InputFormat會在map操做以前對數據進行兩方面的預處理 
1是getSplits，返回的是InputSplit數組，對數據進行split分片，每片交給map操做一次 
2是getRecordReader，返回的是RecordReader對象，對每一個split分片進行轉換爲key-value鍵值對格式傳遞給map

經常使用的InputFormat是TextInputFormat，使用的是LineRecordReader對每一個分片進行鍵值對的轉換，以行偏移量做爲鍵，行內容做爲值

自定義類繼承InputFormat接口，重寫createRecordReader和isSplitable方法 
在createRecordReader中能夠自定義分隔符

 

三、hadoop和spark的都是並行計算，那麼他們有什麼相同和區別

二者都是用mr模型來進行並行計算，hadoop的一個做業稱爲job，job裏面分爲map task和reduce task，每一個task都是在本身的進程中運行的，當task結束時，進程也會結束

spark用戶提交的任務成爲application，一個application對應一個sparkcontext，app中存在多個job，每觸發一次action操做就會產生一個job

這些job能夠並行或串行執行，每一個job中有多個stage，stage是shuffle過程當中DAGSchaduler經過RDD之間的依賴關係劃分job而來的，每一個stage裏面有多個task，組成taskset有TaskSchaduler分發到各個executor中執行，executor的生命週期是和app同樣的，即便沒有job運行也是存在的，因此task能夠快速啓動讀取內存進行計算

hadoop的job只有map和reduce操做，表達能力比較欠缺並且在mr過程當中會重複的讀寫hdfs，形成大量的io操做，多個job須要本身管理關係

spark的迭代計算都是在內存中進行的，API中提供了大量的RDD操做如join，groupby等，並且經過DAG圖能夠實現良好的容錯

 

四、爲何要用flume導入hdfs，hdfs的構架是怎樣的

flume能夠實時的導入數據到hdfs中，當hdfs上的文件達到一個指定大小的時候會造成一個文件，或者超過指定時間的話也造成一個文件

文件都是存儲在datanode上面的，namenode記錄着datanode的元數據信息，而namenode的元數據信息是存在內存中的，因此當文件切片很小或者不少的時候會卡死

 

五、map-reduce程序運行的時候會有什麼比較常見的問題

好比說做業中大部分都完成了，可是總有幾個reduce一直在運行

這是由於這幾個reduce中的處理的數據要遠遠大於其餘的reduce，多是由於對鍵值對任務劃分的不均勻形成的數據傾斜

解決的方法能夠在分區的時候從新定義分區規則對於value數據不少的key能夠進行拆分、均勻打散等處理，或者是在map端的combiner中進行數據預處理的操做

 

六、簡單說一下hadoop和spark的shuffle過程 

hadoop：map端保存分片數據，經過網絡收集到reduce端 
spark：spark的shuffle是在DAGSchedular劃分Stage的時候產生的，TaskSchedule要分發Stage到各個worker的executor

減小shuffle能夠提升性能

 

七、Hive中存放是什麼？ 

   存的是和hdfs的映射關係，hive是邏輯上的數據倉庫，實際操做的都是hdfs上的文件，HQL就是用sql語法來寫的mr程序。

 

八、Hive與關係型數據庫的關係？ 

   沒有關係，hive是數據倉庫，不能和數據庫同樣進行實時的CURD操做。 
   是一次寫入屢次讀取的操做，能夠當作是ETL工具。

 

九、Flume工做機制是什麼？ 

核心概念是agent，裏面包括source、chanel和sink三個組件。 
source運行在日誌收集節點進行日誌採集，以後臨時存儲在chanel中，sink負責將chanel中的數據發送到目的地。 
只有成功發送以後chanel中的數據纔會被刪除。 
首先書寫flume配置文件，定義agent、source、chanel和sink而後將其組裝，執行flume-ng命令。

 

十、Hbase行健列族的概念，物理模型，表的設計原則？ 

行健：是hbase表自帶的，每一個行健對應一條數據。 
列族：是建立表時指定的，爲列的集合，每一個列族做爲一個文件單獨存儲，存儲的數據都是字節數組，其中的數據能夠有不少，經過時間戳來區分。 
物理模型：整個hbase表會拆分爲多個region，每一個region記錄着行健的起始點保存在不一樣的節點上，查詢時就是對各個節點的並行查詢，當region很大時使用.META表存儲各個region的起始點，-ROOT又能夠存儲.META的起始點。 
rowkey的設計原則：各個列簇數據平衡，長度原則、相鄰原則，建立表的時候設置表放入regionserver緩存中，避免自動增加和時間，使用字節數組代替string，最大長度64kb，最好16字節之內，按天分表，兩個字節散列，四個字節存儲時分毫秒。 
列族的設計原則：儘量少（按照列族進行存儲，按照region進行讀取，沒必要要的io操做），常常和不常用的兩類數據放入不一樣列族中，列族名字儘量短。

 

十一、Spark Streaming和Storm有何區別？ 

    一個實時毫秒一個準實時亞秒，不過storm的吞吐率比較低。

 

十二、mllib支持的算法？ 
    大致分爲四大類，分類、聚類、迴歸、協同過濾。

 

1三、Hadoop高併發？ 

    首先確定要保證集羣的高可靠性，在高併發的狀況下不會掛掉，支撐不住能夠經過橫向擴展。 
    datanode掛掉了使用hadoop腳本從新啓動。

 

1四、RDD機制？ 
    rdd分佈式彈性數據集，簡單的理解成一種數據結構，是spark框架上的通用貨幣。 
    全部算子都是基於rdd來執行的，不一樣的場景會有不一樣的rdd實現類，可是均可以進行互相轉換。 
    rdd執行過程當中會造成dag圖，而後造成lineage保證容錯性等。 
    從物理的角度來看rdd存儲的是block和node之間的映射。

 

1五、spark有哪些組件？ 
   （1）master：管理集羣和節點，不參與計算。 
   （2）worker：計算節點，進程自己不參與計算，和master彙報。 
   （3）Driver：運行程序的main方法，建立spark context對象。 
   （4）spark context：控制整個application的生命週期，包括dagsheduler和task scheduler等組件。 
   （5）client：用戶提交程序的入口。

 

1六、spark的優化怎麼作？ 
    經過spark-env文件、程序中sparkconf和set property設置。 
      （1）計算量大，造成的lineage過大應該給已經緩存了的rdd添加checkpoint，以減小容錯帶來的開銷。 
      （2）小分區合併，太小的分區形成過多的切換任務開銷，使用repartition。

 

1七、kafka工做原理？ 

producer向broker發送事件，consumer從broker消費事件。 
事件由topic區分開，每一個consumer都會屬於一個group。 
相同group中的consumer不能重複消費事件，而同一事件將會發送給每一個不一樣group的consumer。