hadoop面试题总结
1、hadoop常用端口号
| hadoop2.x | Hadoop3.x | |
| 访问HDFS端口 | 50070 | 9870 |
| 访问MR执行情况端口 | 8088 | 8088 |
| 历史服务器 | 19888 | 19888 |
| 客户端访问集群端口 | 9000 | 8020 |
2、hadoop集群搭建
hadoop搭建流程概述：
（1）准备三个客户端，master，node1，node2 （2）安装jdk 配置免密 ssh-keygen -t rsa 分发秘钥 ssh-copy-id master ssh-copy-id node1 ssh-copy-id node2 （3）配置环境变量 source 一下 （4）主要有 hadoop环境配置文件：hadoop-env.sh hadoop核心配置文件 core-site.xml yarn配置文件 yarn-site.xml mapreduce核心配置文件 mapred-site.xml hdfs配置文件 hdfs-site.xml （5）分发集群文件 scp -r /usr/local....... 格式化 hdfs namenode-format 启动集群 start-all.sh 访问hdfs页面查看是否搭建成功 3、环境配置文件主要内容（1）hadoop-env.sh ： Hadoop 环境配置文件 vim hadoop-env.sh 修改JAVA_HOME export JAVA_HOME=/usr/local/soft/jdk1.8.0_171 （2）core-site.xml ： hadoop核心配置文件 vim core-site.xml 在configuration中间增加以下内容 <property> <name>fs.defaultFS</name> <value>hdfs://master:9000</value> </property> <property> <name>hadoop.tmp.dir</name> <value>/usr/local/soft/hadoop-2.7.6/tmp</value> </property> <property> <name>fs.trash.interval</name> <value>1440</value> </property> （3）hdfs-site.xml ： hdfs配置文件 vim hdfs-site.xml 在configuration中间增加以下内容 <property> <name>dfs.replication</name> <value>1</value> </property> <property> <name>dfs.permissions</name> <value>false</value> </property> （4）yarn-site.xml： yarn配置文件 vim yarn-site.xml 在configuration中间增加以下内容 <property> <name>yarn.resourcemanager.hostname</name> <value>master</value> </property> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> <property> <name>yarn.log-aggregation-enable</name> <value>true</value> </property> <property> <name>yarn.log-aggregation.retain-seconds</name> <value>604800</value> </property> <property> <name>yarn.nodemanager.resource.memory-mb</name> <value>20480</value> </property> <property> <name>yarn.scheduler.minimum-allocation-mb</name> <value>2048</value> </property> <property> <name>yarn.nodemanager.vmem-pmem-ratio</name> <value>2.1</value> </property> （5）mapred-site.xml： mapreduce配置文件 重命名 mv mapred-site.xml.template mapred-site.xml vim mapred-site.xml 在configuration中间增加以下内容 <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property> <property> <name>mapreduce.jobhistory.address</name> <value>master:10020</value> </property> <property> <name>mapreduce.jobhistory.webapp.address</name> <value>master:19888</value> </property>
3、hdfs读写流程
写流程：
1）客户端向namenode请求上传文件，namenode检查目标文件是否已存在，父目录是否存在。
2）namenode返回是否可以上传。
3）客户端请求第一个 block上传到哪几个datanode服务器上。 4）namenode返回3个datanode节点，分别为dn1、dn2、dn3。 5）客户端请求dn1上传数据，dn1收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道建立完成。 6）dn1、dn2、dn3逐级应答客户端 7）客户端开始往dn1上传第一个block（先从磁盘读取数据放到一个本地内存缓存），以packet为单位，dn1收到一个packet就会传给dn2，dn2传给dn3；dn1每传一个packet会放入一个应答队列等待应答 8）当一个block传输完成之后，客户端再次请求namenode上传第二个block的服务器。（重复执行3-7步） 理解过程： 客户端先向namenode请求上传数据，namenode检查文件是否存在，父目录是否存在，namenode返回是否可以上传。 客户端请求block1上传到哪几个datanode上，客户端返回可以上传的节点 客户端请求dn1上传数据.....建立通信管道 节点逐级应答客户端 客户端开始上传数据 ，block1上传完后，然后接着按上述步骤上传block2 读流程：
过程： 1.待处理文件 （200M） 2.在submit里面对原始数据进行切片 3.客户端准备三样东西（job.split wc.jar job.xml ）像YARN提交 4.YARN会开启Mrappmaster（整个任务运行的老大）：读取切片信息，会根据切片个数对应开启map task个数 5.TextInputformat 开始读数据 6.读完数据给Mapper（K.是偏移量 ，v是一行内容） 7.进入OutputCollect（输出收集器）：环形缓冲区：就是一块内存 右侧存数据，左侧存索引 环形缓冲区默认大小100M 数据到达80%开始反向溢写 8.分区排序（刚进来的数据要进行分区排序，分区1 进入reduce1 分区2 进入reduce2 ）进行溢写前对分区内部数据进行排序（快排） 9.溢写到文件（分区切区内有序） 10.Merge归并排序（对有序的文件进行排序）存储在磁盘上 11.合并 ........ Shuffle 过程（Mapper方法之后，reduce方法之前，数据处理过程称为Shuffle） map方法出来之后 ，先标记数据是哪个分区，然后进入环形缓冲区（默认100M）左侧存索引，右侧存数据。到达80%之后进行反向溢写（到达80%就进行溢写，留出时间不至于等待，可以让环形缓冲区一直高效运转 ）在溢写之前要对数据进行排序 （按照字典顺序对k的索引进行快排）排序之后进行溢写，溢写会产生两个文件（spill.index Spill.out ）,然后对数据进行归并排序。Combiner为可选流程，然后进行压缩 ，之后卸载磁盘上，然后等待reduce来拉取指定分区的数据 。 调优 1）Map阶段 （1）增大环形缓冲区大小。由100m扩大到200m （2）增大环形缓冲区溢写的比例。由80%扩大到90% （3）减少对溢写文件的merge次数。（10个文件，一次20个merge） （4）不影响实际业务的前提下，采用Combiner提前合并，减少 I/O。 2）Reduce阶段 （1）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。 （2）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。 （3）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。 （4）增加每个Reduce去Map中拿数据的并行数 （5）集群性能可以的前提下，增大Reduce端存储数据内存的大小。 3）IO传输 采用数据压缩的方式，减少网络IO的的时间。安装Snappy和LZOP压缩编码器。 压缩： （1）map输入端主要考虑数据量大小和切片，支持切片的有Bzip2、LZO。注意：LZO要想支持切片必须创建索引； （2）map输出端主要考虑速度，速度快的snappy、LZO； （3）reduce输出端主要看具体需求，例如作为下一个mr输入需要考虑切片，永久保存考虑压缩率比较大的gzip。 4）整体 （1）NodeManager默认内存8G，需要根据服务器实际配置灵活调整，例如128G内存，配置为100G内存左右，yarn.nodemanager.resource.memory-mb。 （2）单任务默认内存8G，需要根据该任务的数据量灵活调整，例如128m数据，配置1G内存，yarn.scheduler.maximum-allocation-mb。 （3）mapreduce.map.memory.mb ：控制分配给MapTask内存上限，如果超过会kill掉进程（报：Container is running beyond physical memory limits. Current usage:565MB of512MB physical memory used；Killing Container）。默认内存大小为1G，如果数据量是128m，正常不需要调整内存；如果数据量大于128m，可以增加MapTask内存，最大可以增加到4-5g。 （4）mapreduce.reduce.memory.mb：控制分配给ReduceTask内存上限。默认内存大小为1G，如果数据量是128m，正常不需要调整内存；如果数据量大于128m，可以增加ReduceTask内存大小为4-5g。 （5）mapreduce.map.java.opts：控制MapTask堆内存大小。（如果内存不够，报：java.lang.OutOfMemoryError） （6）mapreduce.reduce.java.opts：控制ReduceTask堆内存大小。（如果内存不够，报：java.lang.OutOfMemoryError） （7）可以增加MapTask的CPU核数，增加ReduceTask的CPU核数 （8）增加每个Container的CPU核数和内存大小 （9）在hdfs-site.xml文件中配置多目录 （10）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。 6、Yarn的工作机制