Hadoop大数据面试--Hadoop篇

本篇大部分内容参考网上，其中性能部分参考：http://blog.cloudera.com/blog/20 ... reduce-performance/、http://www.idryman.org/blog/2014 ... ing-best-practices/

原理篇：
1. Hadoop2.X的各个模块一句话简介
   1）Hadoop Common：为Hadoop其他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端发送一个添加文件到HDFS的请求给NameNode；
2） NameNode告诉Client端如何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；
可以在讲解的时候，拿只笔和纸画下：



Tips:
a. NameNode之存储文件的元数据，而不存储具体的数据；
b. HDFS Federation： 解决HA单点故障问题，支持NameNode水平扩展，每个NameNode对应一个NameSpace；

3. MapReduce概述

1）map和reduce任务在NodeManager节点上各自有自己的JVM；
2）所有的Mapper完成后，实时的key/value对会经过一个shuffle和sort的阶段，在这个阶段中所有共同的key会被合并，发送到相同的Reducer中；
3）Mapper的个数根据输入的格式确定，Reducer的个数根据job作业的配置决定；
4）Partitioner分区器决定key/value对应该被送往哪个Reducer中；
5）Combiner合并器可以合并Mapper的输出，这样可以提高性能；


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，并且为每个分片创建一个InputSplit实例；
2） 针对每个InputSplit实例MR框架使用一个map任务来进行处理；在InputSplit中的每个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任务完成后，在该缓冲区的KV键值对就会被排序同时流入到磁盘中，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，并且合并到一个文件中；
6） 文件中排序后的KV键值对等待被Reducer取走；
同样的，可以简单画个图：



reduce阶段：
主要包括三个小阶段：
1） shuffle：或者称为fetch阶段（获取阶段），在这个阶段所有拥有相同键的记录都被合并而且发送到同一个Reducer中；
2） sort： 和shuffle同时发生，在记录被合并和发送的过程中，记录会按照key进行排序；
3） reduce：针对每个键会进行reduce函数调用；
reduce数据流：
1） 当Mapper完成map任务后，Reducer开始获取记录，同时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） 当所有的Mapper完成并且Reducer获取到所有和他相关的输入后，该Reducer的所有记录会被合并和排序，包括还在缓冲区中的；
4） 合并、排序完成后调用reduce方法；输出到HDFS或者根据作业配置到其他地方；




图片来自《Hadoop权威指南》3rd Edition

5. YARN相关
YARN包括的组件有：ResourceManager、NodeManager、ApplicationMaster，其中ResourceManager可以分为：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，后者为应用提供运行时环境；
YARN应用生命周期：

1）   客户端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，包括这些Container是在哪些NodeManager上启动的信息；
5）   ApplicationMaster在ResourceManager的指导下在每个NodeManager上启动一个Container，Container在ApplicationMaster的控制下执行一个任务；
简单画图：




Tips：
a.  客户端可以从ApplicationMaster中获取任务信息；
b. 一个作业一个ApplicationMaster，一个Application可以有多个Container，一个NodeManager也可以有多个Container；

性能篇：
性能涉及较多内容，这里参考前文中给出的链接，并按照作业运行、map阶段、reduce阶段的顺序来组织性能相关的点。
1. 命令行参数：
在自定义集群的参数时，不修改集群的文件，而在命令行使用参数，这样可以针对不同的参数设置方便，从而不必修改集群中的配置文件，一般有下面两种方式：
1）hadoop jar ExampleJob-0.0.1.jar ExampleJob -conf my-conf.xml arg0 arg1
使用配置文件的方式，把需要修改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 ... ing-best-practices/）；
2）hadoop jar ExampleJob-0.0.1.jar ExampleJob -Dmapred.reduce.tasks=20 arg0
使用-D参数来这是相应的值也是可以的（上面的命令行来自：http://www.idryman.org/blog/2014 ... ing-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，如果有很多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，可以减小Mapper初始化的时间；或者设置JVM重用（图片来自：http://www.idryman.org/blog/2014 ... ing-best-practices/）



2） 设置mapred.child.java.opts参数
使用Ganglia、Nagios等监控工具检测slave节点的内存使用情况，设置合适的mapred.child.java.opts 参数，避免交换的发生；

3）map的输出使用压缩
当map的输出较多时，可以考虑使用压缩，这能提高很大的性能（图片来自：http://www.idryman.org/blog/2014 ... ing-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的编程中都可以使用，如果全部数据都使用Text的话，那么数据的占有空间将会很大，导致效率低下。如果有必要可以自定义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，可以避免重复的生成新对象，而导致垃圾回收频繁的调用，如下代码1和2（代码参考：http://blog.cloudera.com/blog/20 ... reduce-performance/）；

public void map(...) {  
  ...  
  for (String word : words) {  
    output.collect(new Text(word), new IntWritable(1));  
  }  
}  
复制代码

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);  
    }  
  }  
}  
复制代码

6） 设置mapreduce.reduce.shuffle.parallelcopies参数

     设置此参数，可以使 Reducer在一个Mapper完成后就开始获取数据，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（参考第4）点）；
c.      设置Mapper的输出进行压缩（参考第3）点）；

3. reduce阶段Reducer负载均衡：
1） Reducer的个数，根据实际集群的数量来设置Reducer的个数，使其负载均衡。比如集群有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，但是最后一个作业并不是并行的。
2）Reducer中部分因为相同key的数据量大，导致个别Reducer运行耗时相比其他Reducer耗时长很多。
可以考虑：
a.      实现一个更好的hash函数继承自Partitioner类；
b.      如果知道有大量相同的key的数据，可以写一个预处理的作业把相同的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；

4. 设置输入输出如果有多个连续的MR作业，可以设置输入输出为序列文件，这样可以达到更好的性能。



个人整理，如有错误，敬请指教。


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

不错的总结！

总结的很好，谢谢楼主分享。      

http://www.aboutyun.com/forum.php?mod=guide&view=new