Hadoop大数据面试--Hadoop篇
本篇大部分内容參考网上，当中性能部分參考：http://blog.cloudera.com/blog/2009/12/7-tips-for-improving-mapreduce-performance/、http://www.idryman.org/blog/2014/03/05/hadoop-performance-tuning-best-practices/
原理篇：
1. Hadoop2.X的各个模块一句话简单介绍
1）Hadoop Common：为Hadoop其它模块提供支持的公共工具包；
2）HDFS：Hadoop分布式文件系统；
3）YARN：任务调度和集群资源管理框架；
4）MapReduce：用于处理大数据集的框架，可扩展和并行。
2. HDFS数据上传原理
1） Client端发送一个加入文件到HDFS的请求给NameNode。
2） NameNode告诉Client端怎样来分发数据块以及分发到哪里；
3） Client端把数据分为块（block）然后把这些块分发到DataNode中。
4） DataNode在NameNode的指导下复制这些块，保持冗余。
能够在解说的时候，拿仅仅笔和纸画下：
Tips:
a. NameNode之存储文件的元数据，而不存储详细的数据；
b. HDFS Federation： 解决HA单点故障问题，支持NameNode水平扩展，每一个NameNode相应一个NameSpace。
3. MapReduce概述
1）map和reduce任务在NodeManager节点上各自有自己的JVM；
2）全部的Mapper完毕后。实时的key/value对会经过一个shuffle和sort的阶段，在这个阶段中全部共同的key会被合并，发送到同样的Reducer中；
3）Mapper的个数依据输入的格式确定，Reducer的个数依据job作业的配置决定；
4）Partitioner分区器决定key/value相应该被送往哪个Reducer中。
5）Combiner合并器能够合并Mapper的输出，这样能够提高性能；
4. map--》shuffle、sort--》reduce
map阶段：
1） InputFormat确定输入数据应该被分为多少个分片。而且为每一个分片创建一个InputSplit实例；
2） 针对每一个InputSplit实例MR框架使用一个map任务来进行处理。在InputSplit中的每一个KV键值对被传送到Mapper的map函数进行处理；
3） map函数产生新的序列化后的KV键值对到一个没有排序的内存缓冲区中；
4） 当缓冲区装满或者map任务完毕后。在该缓冲区的KV键值对就会被排序同一时候流入到磁盘中，形成spill文件，溢出文件；
5） 当有不止一个溢出文件产生后，这些文件会全部被排序，而且合并到一个文件里；
6） 文件里排序后的KV键值对等待被Reducer取走；
同样的，能够简单画个图：
reduce阶段：
主要包含三个小阶段：
1） shuffle：或者称为fetch阶段（获取阶段），在这个阶段全部拥有同样键的记录都被合并而且发送到同一个Reducer中；
2） sort： 和shuffle同一时候发生，在记录被合并和发送的过程中，记录会依照key进行排序。
3） reduce：针对每一个键会进行reduce函数调用；
reduce数据流：1） 当Mapper完毕map任务后，Reducer開始获取记录，同一时候对他们进行排序并存入自己的JVM内存中的缓冲区；
2） 当一个缓冲区数据装满。则会流入到磁盘；
3） 当全部的Mapper完毕而且Reducer获取到全部和他相关的输入后，该Reducer的全部记录会被合并和排序，包含还在缓冲区中的；
4） 合并、排序完毕后调用reduce方法；输出到HDFS或者依据作业配置到其它地方；
图片来自《Hadoop权威指南》3rd Edition5. YARN相关
YARN包含的组件有：ResourceManager、NodeManager、ApplicationMaster，当中ResourceManager能够分为：Scheduler、ApplicationsManager
Hadoop1.X中的JobTracker被分为两部分：ResourceManager和ApplicationMaster。前者提供集群资源给应用，后者为应用提供执行时环境。
YARN应用生命周期：
1） client提交一个应用请求到ResourceManager；
2） ResourceManager中的ApplicationsManager在集群中寻找一个可用的、负载较小的NodeManager；
3） 被找到的NodeManager创建一个ApplicationMaster实例；
4） ApplicationMaster向ResourceManager发送一个资源请求。ResourceManager回复一个Container的列表。包含这些Container是在哪些NodeManager上启动的信息。
5） ApplicationMaster在ResourceManager的指导下在每一个NodeManager上启动一个Container，Container在ApplicationMaster的控制下执行一个任务；
简单绘图：
Tips：
a. client能够从ApplicationMaster中获取任务信息；
b. 一个作业一个ApplicationMaster，一个Application能够有多个Container，一个NodeManager也能够有多个Container；
性能篇：
性能涉及较多内容。这里參考前文中给出的链接。并依照作业执行、map阶段、reduce阶段的顺序来组织性能相关的点。
1. 命令行參数：
在自己定义集群的參数时。不改动集群的文件，而在命令行使用參数。这样能够针对不同的參数设置方便，从而不必改动集群中的配置文件，一般有以下两种方式：
1）hadoop jar ExampleJob-0.0.1.jar ExampleJob -conf my-conf.xml arg0 arg1
使用配置文件的方式，把须要改动的地方设置在配置文件里面，使用-conf指定配置文件（上面命令行来自：http://www.idryman.org/blog/2014/03/05/hadoop-performance-tuning-best-practices/）；
2）hadoop jar ExampleJob-0.0.1.jar ExampleJob -Dmapred.reduce.tasks=20 arg0
使用-D參数来这是相应的值也是能够的（上面的命令行来自：http://www.idryman.org/blog/2014/03/05/hadoop-performance-tuning-best-practices/）；
2. map阶段
1） map的个数问题
map的个数是不能直接设置的。假设有非常多mapper的执行时间小于1分钟。那么建议设置mapred.min.split.size的大小。提高分片的大小，这样来减小Mapper的个数，能够减小Mapper初始化的时间；或者设置JVM重用（图片来自：http://www.idryman.org/blog/2014/03/05/hadoop-performance-tuning-best-practices/）
2） 设置mapred.child.java.opts參数
使用Ganglia、Nagios等监控工具检測slave节点的内存使用情况，设置合适的mapred.child.java.opts 參数。避免交换的发生；
3）map的输出使用压缩
当map的输出较多时，能够考虑使用压缩，这能提高非常大的性能（图片来自：http://www.idryman.org/blog/2014/03/05/hadoop-performance-tuning-best-practices/）：
4）使用合适的Writable作为key（键）和value（值）类型
这一点在mapper和reducer的编程中都能够使用，假设全部数据都使用Text的话，那么数据的占有空间将会非常大，导致效率低下。假设有必要能够自己定义Writable类型。
5）重用已有变量
在mapper或者reducer的编程中重用已经定义的变量，能够避免反复的生成新对象，而导致垃圾回收频繁的调用，例如以下代码1和2（代码參考：http://blog.cloudera.com/blog/2009/12/7-tips-for-improving-mapreduce-performance/）；
public void map(...) {
...
for (String word : words) {
output.collect(new Text(word), new IntWritable(1));
}
}class MyMapper ... {
Text wordText = new Text();
IntWritable one = new IntWritable(1);
public void map(...) {
...
for (String word : words) {
wordText.set(word);
output.collect(word, one);
}
}
}6） 设置mapreduce.reduce.shuffle.parallelcopies參数设置此參数，能够使 Reducer在一个Mapper完毕后就開始获取数据，并行化数据获取；
7） 最小化mapper输出：
a. 在Mapper端过滤，而不是在Reducer端过滤；
b. 使用更小的数据来存储map输出的key和value（參考第4）点）；
c. 设置Mapper的输出进行压缩（參考第3）点）。
Reducer负载均衡：
1） Reducer的个数。依据实际集群的数量来设置Reducer的个数。使其负载均衡。
比方集群有100个节点。那么Reducer的个数设置为101个则应该是不合理的。在第一次任务分配时分配了100个作业。这100个作业是并行的。可是最后一个作业并非并行的。
2）Reducer中部分由于同样key的数据量大，导致个别Reducer执行耗时相比其它Reducer耗时长非常多。
能够考虑：
a. 实现一个更好的hash函数继承自Partitioner类；
b. 假设知道有大量同样的key的数据。能够写一个预处理的作业把同样的key分到不同的输出中，然后再使用一个MR作业来处理这个特殊的key的数据；
假设有多个连续的MR作业，能够设置输入输出为序列文件，这样能够达到更好的性能。
个人整理，如有错误，敬请不吝赐教。
分享，成长，快乐
脚踏实地，专注
转载请注明blog地址：http://blog.csdn.net/fansy1990
