1. 簡單描述如何安裝配置一個apache開源版hadoop袭景,只描述即可证逻,無需列出完整步驟涡真,能列出步驟更好篙贸。
1) 安裝JDK并配置環(huán)境變量(/etc/profile)
2) 關(guān)閉防火墻
3) 配置hosts文件,方便hadoop通過主機(jī)名訪問(/etc/hosts)
4) 設(shè)置ssh免密碼登錄
5) 解壓縮hadoop安裝包茅特,并配置環(huán)境變量
6) 修改配置文件($HADOOP_HOME/conf)
hadoop-env.sh core-site.xml hdfs-site.xml mapred-site.xml
7) 格式化hdfs文件系統(tǒng) (hadoop namenode -format)
8) 啟動hadoop ($HADOOP_HOME/bin/start-all.sh)
9) 使用jps查看進(jìn)程
2. 請列出正常工作的hadoop集群中hadoop都分別需要啟動那些進(jìn)程,他們的作用分別是什么棋枕,盡可能寫的全面些白修。
1) NameNode: HDFS的守護(hù)進(jìn)程,負(fù)責(zé)記錄文件是如何分割成數(shù)據(jù)塊重斑,以及這些數(shù)據(jù)塊分別被存儲到那些數(shù)據(jù)節(jié)點上兵睛,它的主要功能是對內(nèi)存及IO進(jìn)行集中管理
2) Secondary NameNode:輔助后臺程序,與NameNode進(jìn)行通信,以便定期保存HDFS元數(shù)據(jù)的快照祖很。
3) DataNode:負(fù)責(zé)把HDFS數(shù)據(jù)塊讀寫到本地的文件系統(tǒng)笛丙。
4) JobTracker:負(fù)責(zé)分配task,并監(jiān)控所有運行的task假颇。
5) TaskTracker:負(fù)責(zé)執(zhí)行具體的task胚鸯,并與JobTracker進(jìn)行交互。
3. 請列出你所知道的hadoop調(diào)度器笨鸡,并簡要說明其工作方法姜钳。
比較流行的三種調(diào)度器有:默認(rèn)調(diào)度器FIFO,計算能力調(diào)度器Capacity Scheduler形耗,公平調(diào)度器Fair Scheduler
1) 默認(rèn)調(diào)度器FIFO
hadoop中默認(rèn)的調(diào)度器哥桥,采用先進(jìn)先出的原則
2) 計算能力調(diào)度器Capacity Scheduler
選擇占用資源小,優(yōu)先級高的先執(zhí)行
3) 公平調(diào)度器Fair Scheduler
同一隊列中的作業(yè)公平共享隊列中所有資源
4. Hive有那些方式保存元數(shù)據(jù)的激涤,各有那些特點拟糕。
1) 內(nèi)存數(shù)據(jù)庫derby,較小倦踢,不常用
2) 本地mysql送滞,較常用
3) 遠(yuǎn)程mysql,不常用
5. 請簡述hadoop怎樣實現(xiàn)二級排序硼一。
在Hadoop中累澡,默認(rèn)情況下是按照key進(jìn)行排序,如果要按照value進(jìn)行排序怎么辦般贼?
有兩種方法進(jìn)行二次排序愧哟,分別為:buffer and in memory sort和 value-to-key conversion。
buffer and in memory sort
主要思想是:在reduce()函數(shù)中哼蛆,將某個key對應(yīng)的所有value保存下來蕊梧,然后進(jìn)行排序。 這種方法最大的缺點是:可能會造成out of memory腮介。
value-to-key conversion
主要思想是:將key和部分value拼接成一個組合key(實現(xiàn)WritableComparable接口或者調(diào)setSortComparatorClass函數(shù))肥矢,這樣reduce獲取的結(jié)果便是先按key排序,后按value排序的結(jié)果叠洗,需要注意的是甘改,用戶需要自己實現(xiàn)Paritioner,以便只按照key進(jìn)行數(shù)據(jù)劃分灭抑。Hadoop顯式的支持二次排序十艾,在Configuration類中有個setGroupingComparatorClass()方法,可用于設(shè)置排序group的key值
http://dongxicheng.org/mapreduce/hadoop-join-two-tables/
6. 簡述hadoop實現(xiàn)Join的幾種方法。
1) reduce side join
reduce side join是一種最簡單的join方式,其主要思想如下:
在map階段氮昧,map函數(shù)同時讀取兩個文件File1和File2订咸,為了區(qū)分兩種來源的key/value數(shù)據(jù)對北启,對每條數(shù)據(jù)打一個標(biāo)簽(tag),比如:tag=0表示來自文件File1惰许,tag=2表示來自文件File2孙乖。即:map階段的主要任務(wù)是對不同文件中的數(shù)據(jù)打標(biāo)簽橄浓。
在reduce階段访递,reduce函數(shù)獲取key相同的來自File1和File2文件的value list晦嵌, 然后對于同一個key,對File1和File2中的數(shù)據(jù)進(jìn)行join(笛卡爾乘積)力九。即:reduce階段進(jìn)行實際的連接操作耍铜。
2) map side join
之所以存在reduce side join,是因為在map階段不能獲取所有需要的join字段跌前,即:同一個key對應(yīng)的字段可能位于不同map中棕兼。Reduce side join是非常低效的,因為shuffle階段要進(jìn)行大量的數(shù)據(jù)傳輸抵乓。
Map side join是針對以下場景進(jìn)行的優(yōu)化:兩個待連接表中伴挚,有一個表非常大,而另一個表非常小灾炭,以至于小表可以直接存放到內(nèi)存中茎芋。這樣,我們可以將小表復(fù)制多份蜈出,讓每個map task內(nèi)存中存在一份(比如存放到hash table中)田弥,然后只掃描大表:對于大表中的每一條記錄key/value,在hash table中查找是否有相同的key的記錄铡原,如果有偷厦,則連接后輸出即可。
為了支持文件的復(fù)制燕刻,Hadoop提供了一個類DistributedCache只泼,使用該類的方法如下:
A:用戶使用靜態(tài)方法DistributedCache.addCacheFile()指定要復(fù)制的文件,它的參數(shù)是文件的URI(如果是HDFS上的文件卵洗,可以這樣:hdfs://namenode:9000/home/XXX/file请唱,其中9000是自己配置的NameNode端口號)。JobTracker在作業(yè)啟動之前會獲取這個URI列表过蹂,并將相應(yīng)的文件拷貝到各個TaskTracker的本地磁盤上十绑。
B:用戶使用DistributedCache.getLocalCacheFiles()方法獲取文件目錄,并使用標(biāo)準(zhǔn)的文件讀寫API讀取相應(yīng)的文件酷勺。
3) SemiJoin
SemiJoin孽惰,也叫半連接,是從分布式數(shù)據(jù)庫中借鑒過來的方法鸥印。它的產(chǎn)生動機(jī)是:對于reduce side join勋功,跨機(jī)器的數(shù)據(jù)傳輸量非常大,這成了join操作的一個瓶頸库说,如果能夠在map端過濾掉不會參加join操作的數(shù)據(jù)狂鞋,則可以大大節(jié)省網(wǎng)絡(luò)IO。
實現(xiàn)方法很簡單:選取一個小表潜的,假設(shè)是File1骚揍,將其參與join的key抽取出來,保存到文件File3中啰挪,F(xiàn)ile3文件一般很小信不,可以放到內(nèi)存中。在map階段亡呵,使用DistributedCache將File3復(fù)制到各個TaskTracker上抽活,然后將File2中不在File3中的key對應(yīng)的記錄過濾掉,剩下的reduce階段的工作與reduce side join相同锰什。
更多關(guān)于半連接的介紹下硕,可參考:半連接介紹:http://wenku.baidu.com/view/ae7442db7f1922791688e877.html
4) reduce side join + BloomFilter
在某些情況下,SemiJoin抽取出來的小表的key集合在內(nèi)存中仍然存放不下汁胆,這時候可以使用BloomFiler以節(jié)省空間梭姓。
BloomFilter最常見的作用是:判斷某個元素是否在一個集合里面。它最重要的兩個方法是:add() 和contains()嫩码。最大的特點是不會存在false negative誉尖,即:如果contains()返回false,則該元素一定不在集合中铸题,但會存在一定的true negative铡恕,即:如果contains()返回true,則該元素可能在集合中回挽。
因而可將小表中的key保存到BloomFilter中没咙,在map階段過濾大表,可能有一些不在小表中的記錄沒有過濾掉(但是在小表中的記錄一定不會過濾掉)千劈,這沒關(guān)系祭刚,只不過增加了少量的網(wǎng)絡(luò)IO而已。
更多關(guān)于BloomFilter的介紹墙牌,可參考:http://blog.csdn.net/jiaomeng/article/details/1495500
7. 請簡述MapReduce中combiner涡驮、partition的作用。
combiner:
有時一個map可能會產(chǎn)生大量的輸出喜滨,combiner的作用是在map端對輸出先做一次合并捉捅,以減少網(wǎng)絡(luò)傳輸?shù)絩educer的數(shù)量。
注意:mapper的輸出為combiner的輸入虽风,reducer的輸入為combiner的輸出棒口。
partition:
把map任務(wù)輸出的中間結(jié)果按照key的范圍劃分成R份(R是預(yù)先定義的reduce任務(wù)的個數(shù))寄月,劃分時通常使用hash函數(shù),如:hash(key) mod R
這樣可以保證一段范圍內(nèi)的key无牵,一定會由一個reduce任務(wù)來處理漾肮。
來源:http://www.tuicool.com/articles/bUruqi2