三、MapReduce

1、Shuffle及其优化☆

Shuffle是Map方法之后，Reduce方法之前，混洗的过程

Map-->getPartition（标记数据的分区）-->对应的环形缓冲区（一侧存数据，一侧存索引，默认大小为100M，达到80%时进行反向溢写以提高空间利用率）

（溢写前需要对数据进行排序，默认快排，对key的索引排序，按照字典顺序排）（会产生大量的溢写文件）

【如何对溢写文件进行排序】：按照指定分区进行归并排序

优化：

环形缓冲区调整为200m，反向溢写的比例达到90+%，减少溢写的个数

 

溢写前进行一次combiner求和，默认一次归并10个，调大其数值（服务器性能可以，不会OOM内存溢出）

对数据进行压缩

【哪些地方能够对数据进行压缩？如何压缩】

Map输入输出端、Reduce的输出端

Map输入：数据量超过128M时，看是否有必要对数据切片，lzo、bzip2支持切片（数据量大时）

Map输出：快的是snappy、lzo

Reduce的输出端：看数据的最终流向（下一个MR看是否支持切片）（永久保存考虑压缩比最高）

【100个分区的数据，默认一次拉取5个，增大每批次拉取的个数，和reduce阶段的内存】

2、NodeManager的默认内存

企业服务器默认内存是128G

NodeManager的默认内存：8G【通常需要调整】

Map Task

Reduce Task

 

 16G的任务，OOM

默认不配置就是8G内存，生产环境下需要配置到90-100G左右，给其他服务器资源留10G左右

3、配置单任务的默认内存

单任务的默认内存：8G

如果有1G/1T/10T的数据

如何调整其内存

估计，128M数据，对应1G内存

1G数据，对应8G内存左右

2G数据量，对应16G内存左右

4、其他默认

Map Task：1G

Reduce Task：1G

如果数据量是128M，不用调整

如果数据量大，且不支持切片，如500M，就需要根据比例调整，配置4G的内存

 进入reduce的数据量比较大，适当增大内存

5、配置参数的等级优先级

defaul==》site.xml==》Idea的配置文件==》代码

6、Hadoop命令行如何提交文件

maven打包

hadoop jar wc.jar Class类名 输入路径 输出路径

7、内存设置

 

 

 

8、其他

Spark Shuffle和Hadoop Shuffle的区别

各讲一下其原理

四、Yarn

1、Yarn工作机制（笔试题）【客户端和集群】

客户端

集群：ResourceManager

集群模式（xml是参数的等级，切片影响MapTask的个数）

 

任务在队列中排队，nodemanager接收并执行任务

ApplicationMasterr负责执行，内部container容器拉取指定分区数据

Map按照分区存储在磁盘上-》reduce阶段，拉取完指定数据后释放

2、Yarn的调度器（与生产环境相关）

常见调度器：FIFO、容量、公平调度器

默认调度器是？Apache和CDH

FIFO调度器：支持单队列、先进先出（生产环境不会用）

容量调度器（Apache消耗资源少）：支持多个队列，优先保证先进来的资源执行

公平调度器（CDH，占用资源多，需要内存大）：保证所有任务公平享有资源，每个任务都分配2G，新进入任务，其他任务释放一定资源。保证每个任务公平享有资源

3、生产环境下如何选择

如果对并发度要求比较高，选择公平调度器，要求服务器性能必须好【大公司】

中小公司一般使用容量调度器，集群服务器资源不太充裕

4、容量调度器默认几个队列

默认只有一个default队列

5、生产环境下如何创建队列

两种方式

可以按照框架：hive/spark/flink放入指定的队列中【企业不常用】

也可以按照业务模块划分：登录队列、注册、购物车、下单、业务部门1、业务部门2

原因：怕新员工写递归死循环代码，导致所有资源全部耗尽

切记，不要使用rm -rf /* 

也可以对任务队列划分优先级，集群资源不够用，只留重点资源的执行，对其他资源进行降级