Hadoop面试题

hadoop面试题

面试hadoop可能被问到的问题，你能回答出几个 ?

1、hadoop运行的原理?

2、mapreduce的原理?

3、HDFS存储的机制?

4、举一个简单的例子说明mapreduce是怎么来运行的 ?

5、面试的人给你出一些问题,让你用mapreduce来实现？

      比如:现在有10个文件夹,每个文件夹都有1000000个url.现在让你找出top1000000url。

6、hadoop中Combiner的作用?

一、作用
1、combiner最基本是实现本地key的聚合，对map输出的key进行排序，value进行迭代。如下所示：
map: (K1, V1) → list(K2, V2) 
combine: (K2, list(V2)) → list(K2, V2) 
reduce: (K2, list(V2)) → list(K3, V3)

2、combiner还具有类似本地的reduce功能.
例如hadoop自带的wordcount的例子和找出value的最大值的程序，combiner和reduce完全一致。如下所示：
map: (K1, V1) → list(K2, V2) 
combine: (K2, list(V2)) → list(K3, V3) ，减轻reduce的负担！reduce: (K3, list(V3)) → list(K4, V4) 

3、如果不用combiner，那么，所有的结果都是reduce完成，效率会相对低下。使用combiner，先完成的map会在本地聚合，提升速度。

举一个hadoop自带的wordcount例子说明。
value就是一个叠加的数字，所以map一结束就可以进行reduce的value叠加，而不必要等到所有的map结束再去进行reduce的value叠加。

二、总结
1、combiner使用的合适，可以在满足业务的情况下提升job的速度，如果不合适，则将导致输出的结果不正确，上面7楼说的很对，不是所有的场合都适合combiner。根据自己的业务来使用。、

、hadoop就是map 和 reduce的过程。服务器上一个目录节点+多个数据节点。将程序传送到各个节点，在数据节点上进行计算
2、将数据存储到不同节点，用map方式对应管理，在各个节点进行计算，采用reduce进行合并结果集
3、就是通过java程序和目录节点配合，将数据存放到不同数据节点上
4、看上边的2.注意，分布式注重的是计算，不是每个场景都适合
5、将文件存放到不同的数据节点，然后每个节点计算出前十个进行reduce的计算

====================================================================================

常见的问题：

Hadoop科普文—常见的45个问题解答

·        Hadoop

hadoop工作linux 

1.Hadoop集群可以运行的3个模式

·        单机（本地）模式

·        伪分布式模式

·        全分布式模式

2.  单机（本地）模式中的注意点？

在单机模式（standalone）中不会存在守护进程，所有东西都运行在一个JVM上。这里同样没有DFS，使用的是本地文件系统。单机模式适用于开发过程中运行MapReduce程序，这也是最少使用的一个模式。

3.  伪分布模式中的注意点？

伪分布式（Pseudo）适用于开发和测试环境，在这个模式中，所有守护进程都在同一台机器上运行。

4.  VM是否可以称为Pseudo？

不是，两个事物，同时Pseudo只针对Hadoop。

5.  全分布模式又有什么注意点？

全分布模式通常被用于生产环境，这里我们使用N台主机组成一个Hadoop集群，Hadoop守护进程运行在每台主机之上。这里会存在Namenode运行的主机，Datanode运行的主机，以及task tracker运行的主机。在分布式环境下，主节点和从节点会分开。

6.  Hadoop是否遵循UNIX模式？

是的，在UNIX用例下，Hadoop还拥有“conf”目录。

7.  Hadoop安装在什么目录下？

Cloudera和Apache使用相同的目录结构，Hadoop被安装在cd/usr/lib/hadoop-0.20/。

8.  Namenode、Job tracker和task tracker的端口号是？

Namenode，70；Job tracker，30；Task tracker，60。

9.  Hadoop的核心配置是什么？

Hadoop的核心配置通过两个xml文件来完成：1，hadoop-default.xml；2，hadoop-site.xml。这些文件都使用xml格式，因此每个xml中都有一些属性，包括名称和值，但是当下这些文件都已不复存在。

10.  那当下又该如何配置？

Hadoop现在拥有3个配置文件：1，core-site.xml；2，hdfs-site.xml；3，mapred-site.xml。这些文件都保存在conf/子目录下。

11.  RAM的溢出因子是？

溢出因子（Spill factor）是临时文件中储存文件的大小，也就是Hadoop-temp目录。

12.  fs.mapr.working.dir只是单一的目录？

fs.mapr.working.dir只是一个目录。

13.  hdfs-site.xml的3个主要属性？

·        dfs.name.dir决定的是元数据存储的路径以及DFS的存储方式（磁盘或是远端）

·        dfs.data.dir决定的是数据存储的路径

·        fs.checkpoint.dir用于第二Namenode

14.  如何退出输入模式？

退出输入的方式有：1，按ESC；2，键入:q（如果你没有输入任何当下）或者键入:wq（如果你已经输入当下），并且按下Enter。

15.  当你输入hadoopfsck /造成“connection refused java exception’”时，系统究竟发生了什么？

这意味着Namenode没有运行在你的VM之上。

16.  我们使用Ubuntu及Cloudera，那么我们该去哪里下载Hadoop，或者是默认就与Ubuntu一起安装？

这个属于Hadoop的默认配置，你必须从Cloudera或者Edureka的dropbox下载，然后在你的系统上运行。当然，你也可以自己配置，但是你需要一个Linux box，Ubuntu或者是Red Hat。在Cloudera网站或者是Edureka的Dropbox中有安装步骤。

17.  “jps”命令的用处？

这个命令可以检查Namenode、Datanode、Task Tracker、 Job Tracker是否正常工作。

18.  如何重启Namenode？

·        点击stop-all.sh，再点击start-all.sh。

·        键入sudo hdfs（Enter），su-hdfs （Enter），/etc/init.d/ha（Enter），及/etc/init.d/hadoop-0.20-namenode start（Enter）。

19.  Fsck的全名？

全名是：File System Check。

20.  如何检查Namenode是否正常运行？

如果要检查Namenode是否正常工作，使用命令/etc/init.d/hadoop-0.20-namenode status或者就是简单的jps。

21.  mapred.job.tracker命令的作用？ 可以让你知道哪个节点是Job Tracker。 22.  /etc /init.d命令的作用是？ /etc /init.d说明了守护进程（服务）的位置或状态，其实是LINUX特性，和Hadoop关系不大。 23.  如何在浏览器中查找Namenode？ 如果你确实需要在浏览器中查找Namenode，你不再需要localhost:8021，Namenode的端口号是50070。 24.  如何从SU转到Cloudera？ 从SU转到Cloudera只需要键入exit。 25.  启动和关闭命令会用到哪些文件？ Slaves及Masters。 26.  Slaves由什么组成？ Slaves由主机的列表组成，每台1行，用于说明数据节点。 27.  Masters由什么组成？ Masters同样是主机的列表组成，每台一行，用于说明第二Namenode服务器。 28.  hadoop-env.sh是用于做什么的？ hadoop-env.sh提供了Hadoop中. JAVA_HOME的运行环境。 29.  Master文件是否提供了多个入口？ 是的你可以拥有多个Master文件接口。 30.  hadoop-env.sh文件当下的位置？ hadoop-env.sh现在位于conf。 31.  在Hadoop_PID_DIR中，PID代表了什么？ PID代表了“Process ID”。 32.  /var/hadoop/pids用于做什么？ /var/hadoop/pids用来存储PID。 33.  hadoop-metrics.properties文件的作用是？ hadoop-metrics.properties被用做“Reporting”，控制Hadoop报告，初始状态是“not to report”。 34.  Hadoop需求什么样的网络？ Hadoop核心使用Shell（SSH）来驱动从节点上的服务器进程，并在主节点和从节点之间使用password-less SSH连接。 35.  全分布式环境下为什么需求password-less SSH？ 这主要因为集群中通信过于频繁，Job Tracker需要尽可能快的给Task Tracker发布任务。 36.  这会导致安全问题吗？ 完全不用担心。Hadoop集群是完全隔离的，通常情况下无法从互联网进行操作。与众不同的配置，因此我们完全不需要在意这种级别的安全漏洞，比如说通过互联网侵入等等。Hadoop为机器之间的连接提供了一个相对安全的方式。 37.  SSH工作的端口号是？ SSH工作的端口号是NO.22，当然可以通过它来配置，22是默认的端口号。 38.  SSH中的注意点还包括？ SSH只是个安全的shell通信，可以把它当做NO.22上的一种协议，只需要配置一个密码就可以安全的访问。 39.  为什么SSH本地主机需要密码？ 在SSH中使用密码主要是增加安全性，在某些情况下也根本不会设置密码通信。 40.  如果在SSH中添加key，是否还需要设置密码？ 是的，即使在SSH中添加了key，还是需要设置密码。 41.  假如Namenode中没有数据会怎么样？ 没有数据的Namenode就不能称之为Namenode，通常情况下，Namenode肯定会有数据。 42.  当Job Tracker宕掉时，Namenode会发生什么？ 当Job Tracker失败时，集群仍然可以正常工作，只要Namenode没问题。 43.  是客户端还是Namenode决定输入的分片？ 这并不是客户端决定的，在配置文件中以及决定分片细则。 44.  是否可以自行搭建Hadoop集群？ 是的，只要对Hadoop环境足够熟悉，你完全可以这么做。 45.  是否可以在Windows上运行Hadoop？ 你最好不要这么做，Red Hat Linux或者是Ubuntu才是Hadoop的最佳操作系统。在Hadoop安装中，Windows通常不会被使用，因为会出现各种各样的问题。因此，Windows绝对不是Hadoop的推荐系统。