hadoop组成？
MapReduce 计算
Yarn 资源调度
hdfs 数据存储
Common 辅助工具
如何安装hadoop?
1.安装jdk 安装hadoop
2.格式化 hadoop namenode-format
3.启动节点 start-all.sh
hadoop中需要哪些配置文件？
1）core-site.xml 全局配置
2）hdfs-site.xml hdfs的局部配置
3）mapred-site.xml mapred的局部配置
4）yarn-site.xml yarn的局部配置
hadoop启动那些进程？他们的作用分别是什么？
1）NameNode 管理文件系统元数据
2）SecondaryNameNode 帮助NameNode合并镜像文件和编辑日志
3）DataNode 每个存储数据的节点都会运行一个dataNode守护进程
4）ResourceManager 负责调度DataNode上的工作
5）NodeManager 执行任务
hadoop几个默认端口及含义？
1）dfs.namenode.http-address:50070 web端查看HDFS文件系统
2）yarn.resourcemanager.webapp.address:8088 web端查看yarn
HDFS写入流程？
1）客户端向namenode请求上传文件，namenode检查目标文件是否已存在返回是否可以上传
2）客户端请求一个block上传到那几个datanode服务器上，namenode返回可上传的datanode节点
3）客户端请求datanode上传数据，datanode应答客户端是否可以上传数据
4）客户端开始往datanode上传第一个block，当一个block传输完成后，客户端再次请求上传第二个block
HDFS读取流程？
1）客户端向namenode请求下载文件，namenode通过查询元数据找到文件块所在的datanode地址
2）挑选一台datanode（就近原则）服务器，请求读取数据
3）datanode开始传输数据给客户端
4）客户端接收
NameNode与SecondaryNameNode区别？
1）NameNode 负责管理文件系统的元数据，以及每一个路径所对应的数据块信息
2）SecondaryNameNode 辅助NameNode工作，帮助NameNode合并镜像文件和编辑日志
3）NameNode 发生故障时，假如没有及时备份数据可以从SecondaryNameNode恢复数据，不是无损恢复
服役新节点和退役旧节点步骤?
1）服役新节点
（1）将新节点添加到白名单
（2）直接启动DataNode，即可关联到集群
2）退役旧节点
（1）将退役节点添加到黑名单
（2）刷新NameNode、刷新ResourceManager
namenode挂了怎么办?
使用-importCheckpoint选项启动namenode守护进程，将SecondaryNameNode中数据拷贝到namenode存储数据的目录
序列化反序列化以及自定义bean对象实现序列化？
hadoop自己开发了一套序列化机制，hadoop序列化特点：高效的使用了存储空间，读写数据快，可升级可扩展，支持多语言交互
自定义bean对象实现序列化接口：
1）实现Writable 接口
2）重写序列化 反序列化方法
3）反序列化必须有空参构造
4）注意反序列化的顺序和序列化的顺序完全一致
如何决定一个job的map和reduce的数量？
1）map数量是由切片数量决定的
2）reduce数量由job.setNumReduceTasks(x)设置，不设置默认1
MapReduce有几种排序？以及排序阶段？
部分排序，全排序，辅助排序，二次排序，自定义排序。
自定义排序实现WritableComparable接口，重写compareTo方法。
除了辅助排序其他都发生在map阶段，辅助排序发生在Reduce阶段。
如果没有定义partitioner，那么数据在被送达reducer前是如何被分区的？
如果没有自定义的partitioning，则默认的partition算法，即根据每一条数据的key的hashcode值模运算（%）reduce的数量，得到的数字就是分区号。
MapReduce怎么实现TopN？
可以自定义groupingcomparator，或者在map端对数据进行排序，然后在reduce输出时，控制只输出前n个数就达到了topn输出的目的。
有可能使Hadoop任务输出到多个目录中么？如果可以怎么做？
1）可以输出到多个目录中，采用自定义outputformat
2）实现步骤 自定义outputformat 然后 改写recordwriter，具体改写输出数据的方法write()
简述hadoop实现join的几种方法及每种方法的实现？
1）reduce join
将来源不同的文件在map阶段打标记区分开，在reduce端进行合并
2）map join
在map端缓存多张表，提前处理业务逻辑，减少reduce端数据压力，
具体办法
//缓存普通文件
job.addCacheFile(new URI("file:/e/mapjoincache/pd.txt"));
hadoop怎么实现二级排序？
对map端输出的key进行排序，实现compareTo方法
shuffle工作机制？
如何优化shuffle?
分区，排序，溢写，拷贝到对应reduce机器上，增加combiner，压缩溢写文件
MapReduce工作流程？
MapTask工作机制？
Reduce工作机制？
自定义InputFormat流程？
1）自定义一个类继承FileInputFormat
2）改写RecordReader
SecondaryNameNode工作机制？
1）第一阶段：namenode启动
第一次启动namenode格式化后，创建fsimage和edits文件
客户端对元数据进行增删改的请求
namenode记录操作日志，更新滚动日志
namenode在内存中对数据进行增删改查
2）第二阶段：Secondary NameNode工作
Secondary NameNode询问namenode是否需要checkpoint
Secondary NameNode请求执行checkpoint
namenode滚动正在写的edits日志
将滚动前的编辑日志和镜像文件拷贝到Secondary NameNode
Secondary NameNode加载编辑日志和镜像文件到内存，并合并
生成新的镜像文件fsimage.chkpoint
拷贝fsimage.chkpoint到namenode
namenode将fsimage.chkpoint重新命名成fsimage
简述hadoop1和hadoop2的架构异同？
加入了yarn解决资源调度的问题
加入了对zookeeper的支持实现比较可靠的高可用
为什么要有yarn解决了什么问题?有什么优势?
yarn上可以运行各种类型的分布式运算程序，比如mapreducer，spark程序等
MR作业提交全过程
1）yarn作业提交过程
2）MapReduce作业提交过程
3）作业提交过程之读数据
4）作业提交过程之写数据
HDFS的数据压缩算法？及每种算法的应用场景？
1）gzip压缩
优点：压缩率比较高，而且压缩/解压速度也比较快；hadoop本身支持，大部分linux系统都自带gzip命令
缺点：不支持split
应用场景：当每个文件压缩之后在130m以内的（1个块大小内），都可以考虑使用gzip压缩格式
2）Bzip2压缩
优点：支持split，具有很高的压缩率比gzip压缩率都高，hadoop本身支持，但不支持native，在linux系统下自带bzip2命令
缺点：压缩/解压速度慢，不支持native
应用场景：适合对速度要求不高，但需要较高压缩率的时候，可作为mapreduce作业的输出格式，或者数据比较大压缩以后数据用的比较少
3）Lzo压缩
优点：压缩/解压速度也比较快，合理的压缩率；支持split，是hadoop中最流行的压缩格式，可以在linux系统下安装lzop命令
缺点：压缩率比gzip要低一些；hadoop本身不支持，需要安装，在应用中对lzo格式的文件需要做一些特殊处理
应用场景：一个很大的文本文件，压缩之后还大于200m以上的可以考虑，而且单个文件越大lzo优点越明显
4）Snappy压缩
优点：高速压缩速度和合理的压缩率
缺点：不支持split，压缩率比gzip低，hadoop本身不支持，需要安装
应用场景：当mapreduce作业的map输出的数据比较大的时候，作为map到reduce的中间数据压缩格式；或者作为一个mapreduce作业的输出和另外一个mapreduce作业的输入
Hadoop调度器？
目前Hadoop调度器主要有三种：FIFO（先进先出调度器），Capacity Scheduler（容量调度器） 和 Fair Scheduler（公平调度器）。默认调度器是Capacity Scheduler
MapReducer跑的慢的原因？
mapreduce程序效率的瓶颈在于两点：
1）计算机性能
CPU，内存，磁盘健康，网络
2）I/O操作优化
数据倾斜，map和reduce数设置不合理，reduce等待过久，小文件过多，大量不可分块的超大文件，spill次数过多，merge次数过多等
MapReduce优化方法？
1）数据输入
1.合并小文件：在执行mr任务前将小文件进行合并，大量的小文件会产生大量的map任务，增大map任务装载次数，而任务的装载比较耗时，从而导致mr运行较慢
2.采用ConbinFileInputFormat来作为输入，解决输入端大量小文件场景
2）map阶段
1.减少spill次数，通过调整io.sort.mb及sort.spill.percent参数值，增大触发spill的内存上限，减少spill次数，从而减少磁盘IO
2.减少merge次数，通过调整io.sort.factor参数，增大merge的文件数目，减少merge的次数，从而缩短mr处理时间
3.在map之后先进行combine处理，减少IO
3）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.合理设置reduce端的buffer，默认情况下，数据达到一个阈值的时候buffer中的数据就会写入磁盘，然后reduce会从磁盘中获得所有的数据。也就是说buffer和reduce是没有直接关联的，中间多个一个写磁盘->读磁盘的过程，既然有这个弊端，那么就可以通过参数来配置，使得buffer中的一部分数据可以直接输送到reduce，从而减少IO开销：mapred.job.reduce.input.buffer.percent，默认为0.0，当值大于0的时候会保留指定比例的内存读buffer中的数据直接拿给reduce使用。这样一来，设置buffer需要内存，读取数据需要内存，reduce计算也要内存，所以要根据作业的运行情况进行调整
4）IO传输
1.采用数据压缩的方式，减少网络IO的时间。安装Snappy和LZOP压缩编码器
2.使用SequenceFile二进制文件
5）数据倾斜问题
1.数据倾斜现象
数据频率倾斜——某一个区域的数据量要远远大于其他区域
数据大小倾斜——部分记录的大小远远大于平均值
2.减少数倾斜的方法
抽样和范围分区
自定义分区
Combine
HDFS小文件优化方法?
1）Hadoop Archive
是一个高效的将小文件放入HDFS块中的文件存档工具，它能够将多个小文件打包成一个HAR文件
2）Sequence file
由一系列的二进制key/value组成，如果key为文件名，value为文件内容，则可以将大批小文件合并成一个大文件
3）CombineFileInputFormat
是一种新的inputformat，用于将多个文件合并成一个单独的split，另外，他会考虑数据的存储位置
4）开启JVM重用
对于大量小文件job，可以开启JVM重用会减少45%的运行时间
具体设置：mapreduce.job.jvm.numtasks值在10-20之间
