hadoop/spark面试题

总结于网络

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

一、简答说一下hadoop的map-reduce编程模型

首先map task会从本地文件系统读取数据，转换成key-value形式的键值对集合

使用的是hadoop内置的数据类型，好比longwritable、text等

将键值对集合输入mapper进行业务处理过程，将其转换成须要的key-value在输出

以后会进行一个partition分区操做，默认使用的是hashpartitioner，能够经过重写hashpartitioner的getpartition方法来自定义分区规则

以后会对key进行进行sort排序，grouping分组操做将相同key的value合并分组输出，在这里可使用自定义的数据类型，重写WritableComparator的Comparator方法来自定义排序规则，重写RawComparator的compara方法来自定义分组规则

以后进行一个combiner归约操做，其实就是一个本地段的reduce预处理，以减少后面shufle和reducer的工做量

reduce task会经过网络将各个数据收集进行reduce处理，最后将数据保存或者显示，结束整个job

 

二、hadoop的TextInputFormat做用是什么，如何自定义实现

InputFormat会在map操做以前对数据进行两方面的预处理 
1是getSplits，返回的是InputSplit数组，对数据进行split分片，每片交给map操做一次 
2是getRecordReader，返回的是RecordReader对象，对每一个split分片进行转换为key-value键值对格式传递给map

经常使用的InputFormat是TextInputFormat，使用的是LineRecordReader对每一个分片进行键值对的转换，以行偏移量做为键，行内容做为值

自定义类继承InputFormat接口，重写createRecordReader和isSplitable方法 
在createRecordReader中能够自定义分隔符

 

三、hadoop和spark的都是并行计算，那么他们有什么相同和区别

二者都是用mr模型来进行并行计算，hadoop的一个做业称为job，job里面分为map task和reduce task，每一个task都是在本身的进程中运行的，当task结束时，进程也会结束

spark用户提交的任务成为application，一个application对应一个sparkcontext，app中存在多个job，每触发一次action操做就会产生一个job

这些job能够并行或串行执行，每一个job中有多个stage，stage是shuffle过程当中DAGSchaduler经过RDD之间的依赖关系划分job而来的，每一个stage里面有多个task，组成taskset有TaskSchaduler分发到各个executor中执行，executor的生命周期是和app同样的，即便没有job运行也是存在的，因此task能够快速启动读取内存进行计算

hadoop的job只有map和reduce操做，表达能力比较欠缺并且在mr过程当中会重复的读写hdfs，形成大量的io操做，多个job须要本身管理关系

spark的迭代计算都是在内存中进行的，API中提供了大量的RDD操做如join，groupby等，并且经过DAG图能够实现良好的容错

 

四、为何要用flume导入hdfs，hdfs的构架是怎样的

flume能够实时的导入数据到hdfs中，当hdfs上的文件达到一个指定大小的时候会造成一个文件，或者超过指定时间的话也造成一个文件

文件都是存储在datanode上面的，namenode记录着datanode的元数据信息，而namenode的元数据信息是存在内存中的，因此当文件切片很小或者不少的时候会卡死

 

五、map-reduce程序运行的时候会有什么比较常见的问题

好比说做业中大部分都完成了，可是总有几个reduce一直在运行

这是由于这几个reduce中的处理的数据要远远大于其余的reduce，多是由于对键值对任务划分的不均匀形成的数据倾斜

解决的方法能够在分区的时候从新定义分区规则对于value数据不少的key能够进行拆分、均匀打散等处理，或者是在map端的combiner中进行数据预处理的操做

 

六、简单说一下hadoop和spark的shuffle过程 

hadoop：map端保存分片数据，经过网络收集到reduce端 
spark：spark的shuffle是在DAGSchedular划分Stage的时候产生的，TaskSchedule要分发Stage到各个worker的executor

减小shuffle能够提升性能

 

七、Hive中存放是什么？ 

   存的是和hdfs的映射关系，hive是逻辑上的数据仓库，实际操做的都是hdfs上的文件，HQL就是用sql语法来写的mr程序。

 

八、Hive与关系型数据库的关系？ 

   没有关系，hive是数据仓库，不能和数据库同样进行实时的CURD操做。 
   是一次写入屡次读取的操做，能够当作是ETL工具。

 

九、Flume工做机制是什么？ 

核心概念是agent，里面包括source、chanel和sink三个组件。 
source运行在日志收集节点进行日志采集，以后临时存储在chanel中，sink负责将chanel中的数据发送到目的地。 
只有成功发送以后chanel中的数据才会被删除。 
首先书写flume配置文件，定义agent、source、chanel和sink而后将其组装，执行flume-ng命令。

 

十、Hbase行健列族的概念，物理模型，表的设计原则？ 

行健：是hbase表自带的，每一个行健对应一条数据。 
列族：是建立表时指定的，为列的集合，每一个列族做为一个文件单独存储，存储的数据都是字节数组，其中的数据能够有不少，经过时间戳来区分。 
物理模型：整个hbase表会拆分为多个region，每一个region记录着行健的起始点保存在不一样的节点上，查询时就是对各个节点的并行查询，当region很大时使用.META表存储各个region的起始点，-ROOT又能够存储.META的起始点。 
rowkey的设计原则：各个列簇数据平衡，长度原则、相邻原则，建立表的时候设置表放入regionserver缓存中，避免自动增加和时间，使用字节数组代替string，最大长度64kb，最好16字节之内，按天分表，两个字节散列，四个字节存储时分毫秒。 
列族的设计原则：尽量少（按照列族进行存储，按照region进行读取，没必要要的io操做），常常和不常用的两类数据放入不一样列族中，列族名字尽量短。

 

十一、Spark Streaming和Storm有何区别？ 

    一个实时毫秒一个准实时亚秒，不过storm的吞吐率比较低。

 

十二、mllib支持的算法？ 
    大致分为四大类，分类、聚类、回归、协同过滤。

 

1三、Hadoop高并发？ 

    首先确定要保证集群的高可靠性，在高并发的状况下不会挂掉，支撑不住能够经过横向扩展。 
    datanode挂掉了使用hadoop脚本从新启动。

 

1四、RDD机制？ 
    rdd分布式弹性数据集，简单的理解成一种数据结构，是spark框架上的通用货币。 
    全部算子都是基于rdd来执行的，不一样的场景会有不一样的rdd实现类，可是均可以进行互相转换。 
    rdd执行过程当中会造成dag图，而后造成lineage保证容错性等。 
    从物理的角度来看rdd存储的是block和node之间的映射。

 

1五、spark有哪些组件？ 
   （1）master：管理集群和节点，不参与计算。 
   （2）worker：计算节点，进程自己不参与计算，和master汇报。 
   （3）Driver：运行程序的main方法，建立spark context对象。 
   （4）spark context：控制整个application的生命周期，包括dagsheduler和task scheduler等组件。 
   （5）client：用户提交程序的入口。

 

1六、spark的优化怎么作？ 
    经过spark-env文件、程序中sparkconf和set property设置。 
      （1）计算量大，造成的lineage过大应该给已经缓存了的rdd添加checkpoint，以减小容错带来的开销。 
      （2）小分区合并，太小的分区形成过多的切换任务开销，使用repartition。

 

1七、kafka工做原理？ 

producer向broker发送事件，consumer从broker消费事件。 
事件由topic区分开，每一个consumer都会属于一个group。 
相同group中的consumer不能重复消费事件，而同一事件将会发送给每一个不一样group的consumer。