Hadoop/Spark相关面试问题总结
面试回来之后把当中比較重要的问题记了下来写了个总结：
（答案在后面）
1、简答说一下hadoop的map-reduce编程模型
2、hadoop的TextInputFormat作用是什么，如何自己定义实现
3、hadoop和spark的都是并行计算，那么他们有什么同样和差别
4、为什么要用flume导入hdfs，hdfs的构架是如何的
5、map-reduce程序执行的时候会有什么比較常见的问题
6、简单说一下hadoop和spark的shuffle过程
下面是自己的理解，假设有不正确的地方希望各位大侠能够帮我指出来~：
1、简答说一下hadoop的map-reduce编程模型
首先map task会从本地文件系统读取数据，转换成key-value形式的键值对集合
使用的是hadoop内置的数据类型，比方longwritable、text等
将键值对集合输入mapper进行业务处理过程。将其转换成须要的key-value在输出
之后会进行一个partition分区操作。默认使用的是hashpartitioner。能够通过重写hashpartitioner的getpartition方法来自己定义分区规则
之后会对key进行进行sort排序，grouping分组操作将同样key的value合并分组输出。在这里能够使用自己定义的数据类型，重写WritableComparator的Comparator方法来自己定义排序规则。重写RawComparator的compara方法来自己定义分组规则
之后进行一个combiner归约操作，事实上就是一个本地段的reduce预处理。以减小后面shufle和reducer的工作量
reduce task会通过网络将各个数据收集进行reduce处理。最后将数据保存或者显示，结束整个job
2、hadoop的TextInputFormat作用是什么。如何自己定义实现
InputFormat会在map操作之前对数据进行双方面的预处理
1是getSplits，返回的是InputSplit数组，对数据进行split分片，每片交给map操作一次
2是getRecordReader。返回的是RecordReader对象。对每一个split分片进行转换为key-value键值对格式传递给map
经常使用的InputFormat是TextInputFormat，使用的是LineRecordReader对每一个分片进行键值对的转换，以行偏移量作为键，行内容作为值
自己定义类继承InputFormat接口。重写createRecordReader和isSplitable方法
在createRecordReader中能够自己定义分隔符
3、hadoop和spark的都是并行计算，那么他们有什么同样和差别
两者都是用mr模型来进行并行计算，hadoop的一个作业称为job，job里面分为map task和reduce task。每一个task都是在自己的进程中执行的，当task结束时，进程也会结束
spark用户提交的任务成为application，一个application相应一个sparkcontext，app中存在多个job。每触发一次action操作就会产生一个job
这些job能够并行或串行执行，每一个job中有多个stage。stage是shuffle过程中DAGSchaduler通过RDD之间的依赖关系划分job而来的。每一个stage里面有多个task，组成taskset有TaskSchaduler分发到各个executor中执行，executor的生命周期是和app一样的。即使没有job执行也是存在的。所以task能够高速启动读取内存进行计算
hadoop的job仅仅有map和reduce操作。表达能力比較欠缺并且在mr过程中会反复的读写hdfs。造成大量的io操作，多个job须要自己管理关系
spark的迭代计算都是在内存中进行的。API中提供了大量的RDD操作如join，groupby等。并且通过DAG图能够实现良好的容错
4、为什么要用flume导入hdfs。hdfs的构架是如何的
flume能够实时的导入数据到hdfs中，当hdfs上的文件达到一个指定大小的时候会形成一个文件，或者超过指定时间的话也形成一个文件
文件都是存储在datanode上面的。namenode记录着datanode的元数据信息，而namenode的元数据信息是存在内存中的，所以当文件切片非常小或者非常多的时候会卡死
5、map-reduce程序执行的时候会有什么比較常见的问题
比方说作业中大部分都完毕了，可是总有几个reduce一直在执行
这是由于这几个reduce中的处理的数据要远远大于其它的reduce，可能是由于对键值对任务划分的不均匀造成的数据倾斜
解决办法能够在分区的时候又一次定义分区规则对于value数据非常多的key能够进行拆分、均匀打散等处理。或者是在map端的combiner中进行数据预处理的操作
6、简单说一下hadoop和spark的shuffle过程
hadoop：map端保存分片数据，通过网络收集到reduce端
spark：spark的shuffle是在DAGSchedular划分Stage的时候产生的，TaskSchedule要分发Stage到各个worker的executor
降低shuffle能够提高性能
部分答案不是十分准确欢迎补充:-)
——-补充更新———
1、Hive中存放是什么？
表。
存的是和hdfs的映射关系。hive是逻辑上的数据仓库，实际操作的都是hdfs上的文件，HQL就是用sql语法来写的mr程序。
2、Hive与关系型数据库的关系？
没有关系。hive是数据仓库，不能和数据库一样进行实时的CURD操作。
是一次写入多次读取的操作，能够看成是ETL工具。
3、Flume工作机制是什么？
核心概念是agent。里面包含source、chanel和sink三个组件。
source执行在日志收集节点进行日志採集，之后暂时存储在chanel中，sink负责将chanel中的数据发送到目的地。
仅仅有成功发送之后chanel中的数据才会被删除。
首先书写flume配置文件。定义agent、source、chanel和sink然后将其组装，执行flume-ng命令。
4、Sqoop工作原理是什么？
hadoop生态圈上的传输数据工具。
能够将关系型数据库的数据导入非结构化的hdfs、hive或者bbase中，也能够将hdfs中的数据导出到关系型数据库或者文本文件里。
使用的是mr程序来执行任务，使用jdbc和关系型数据库进行交互。
import原理：通过指定的分隔符进行数据切分，将分片传入各个map中，在map任务中在每行数据进行写入处理没有reduce。
export原理：依据要操作的表名生成一个java类，并读取其元数据信息和分隔符对非结构化的数据进行匹配。多个map作业同一时候执行写入关系型数据库
5、Hbase行健列族的概念，物理模型。表的设计原则？
行健：是hbase表自带的，每一个行健相应一条数据。
列族：是创建表时指定的。为列的集合，每一个列族作为一个文件单独存储，存储的数据都是字节数组，当中的数据能够有非常多，通过时间戳来区分。
物理模型：整个hbase表会拆分为多个region。每一个region记录着行健的起始点保存在不同的节点上，查询时就是对各个节点的并行查询。当region非常大时使用.META表存储各个region的起始点。-ROOT又能够存储.META的起始点。
rowkey的设计原则：各个列簇数据平衡。长度原则、相邻原则，创建表的时候设置表放入regionserver缓存中，避免自己主动增长和时间，使用字节数组取代string，最大长度64kb，最好16字节以内，按天分表，两个字节散列，四个字节存储时分毫秒。
列族的设计原则：尽可能少（依照列族进行存储，依照region进行读取，不必要的io操作），经常和不经常使用的两类数据放入不同列族中。列族名字尽可能短。
6、Spark Streaming和Storm有何差别？
一个实时毫秒一个准实时亚秒，只是storm的吞吐率比較低。
7、mllib支持的算法？
大体分为四大类，分类、聚类、回归、协同过滤。
8、简答说一下hadoop的map-reduce编程模型？
首先map task会从本地文件系统读取数据，转换成key-value形式的键值对集合。
将键值对集合输入mapper进行业务处理过程，将其转换成须要的key-value在输出。
之后会进行一个partition分区操作，默认使用的是hashpartitioner，能够通过重写hashpartitioner的getpartition方法来自己定义分区规则。
之后会对key进行进行sort排序，grouping分组操作将同样key的value合并分组输出。
在这里能够使用自己定义的数据类型，重写WritableComparator的Comparator方法来自己定义排序规则，重写RawComparator的compara方法来自己定义分组规则。
之后进行一个combiner归约操作。事实上就是一个本地段的reduce预处理，以减小后面shufle和reducer的工作量。
reduce task会通过网络将各个数据收集进行reduce处理，最后将数据保存或者显示。结束整个job。
9、Hadoop平台集群配置、设置环境变量？
zookeeper：改动zoo.cfg文件，配置dataDir。和各个zk节点的server地址端口，tickTime心跳时间默认是2000ms，其它超时的时间都是以这个为基础的整数倍。之后再dataDir相应文件夹下写入myid文件和zoo.cfg中的server相相应。
hadoop：改动
hadoop-env.sh配置java环境变量
core-site.xml配置zk地址。暂时文件夹等
hdfs-site.xml配置nn信息，rpc和http通信地址，nn自己主动切换、zk连接超时时间等
yarn-site.xml配置resourcemanager地址
mapred-site.xml配置使用yarn
slaves配置节点信息
格式化nn和zk。
hbase：改动
hbase-env.sh配置java环境变量和是否使用自带的zk
hbase-site.xml配置hdfs上数据存放路径，zk地址和通讯超时时间、master节点
regionservers配置各个region节点
zoo.cfg复制到conf文件夹下
spark：
安装Scala
改动spark-env.sh配置环境变量和master和worker节点配置信息
环境变量的设置：直接在/etc/profile中配置安装的路径就可以。或者在当前用户的宿主文件夹下。配置在.bashrc文件里，该文件不用source又一次打开shell窗体就可以，配置在.bash_profile的话仅仅对当前用户有效。
10、Hadoop性能调优？
调优能够通过系统配置、程序编写和作业调度算法来进行。
hdfs的block.size能够调到128/256（网络非常好的情况下，默觉得64）
调优的大头：mapred.map.tasks、mapred.reduce.tasks设置mr任务数（默认都是1）
mapred.tasktracker.map.tasks.maximum每台机器上的最大map任务数
mapred.tasktracker.reduce.tasks.maximum每台机器上的最大reduce任务数
mapred.reduce.slowstart.completed.maps配置reduce任务在map任务完毕到百分之几的时候開始进入
这个几个參数要看实际节点的情况进行配置，reduce任务是在33%的时候完毕copy，要在这之前完毕map任务。（map能够提前完毕）
mapred.compress.map.output,mapred.output.compress配置压缩项。消耗cpu提升网络和磁盘io
合理利用combiner
注意重用writable对象
11、Hadoop高并发？
首先肯定要保证集群的高可靠性，在高并发的情况下不会挂掉，支撑不住能够通过横向扩展。
datanode挂掉了使用hadoop脚本又一次启动。
12、hadoop的TextInputFormat作用是什么，如何自己定义实现？
InputFormat会在map操作之前对数据进行双方面的预处理。
1是getSplits，返回的是InputSplit数组，对数据进行split分片，每片交给map操作一次 。
2是getRecordReader，返回的是RecordReader对象。对每一个split分片进行转换为key-value键值对格式传递给map。
经常使用的InputFormat是TextInputFormat，使用的是LineRecordReader对每一个分片进行键值对的转换，以行偏移量作为键，行内容作为值。
自己定义类继承InputFormat接口，重写createRecordReader和isSplitable方法 。
在createRecordReader中能够自己定义分隔符。
13、hadoop和spark的都是并行计算，那么他们有什么同样和差别？
两者都是用mr模型来进行并行计算，hadoop的一个作业称为job，job里面分为map task和reduce task，每一个task都是在自己的进程中执行的，当task结束时。进程也会结束。
spark用户提交的任务成为application。一个application相应一个sparkcontext，app中存在多个job。每触发一次action操作就会产生一个job。
这些job能够并行或串行执行。每一个job中有多个stage，stage是shuffle过程中DAGSchaduler通过RDD之间的依赖关系划分job而来的。每一个stage里面有多个task。组成taskset有TaskSchaduler分发到各个executor中执行，executor的生命周期是和app一样的，即使没有job执行也是存在的，所以task能够高速启动读取内存进行计算。
hadoop的job仅仅有map和reduce操作。表达能力比較欠缺并且在mr过程中会反复的读写hdfs，造成大量的io操作。多个job须要自己管理关系。
spark的迭代计算都是在内存中进行的，API中提供了大量的RDD操作如join。groupby等，并且通过DAG图能够实现良好的容错。
14、为什么要用flume导入hdfs。hdfs的构架是如何的？
flume能够实时的导入数据到hdfs中。当hdfs上的文件达到一个指定大小的时候会形成一个文件，或者超过指定时间的话也形成一个文件。
文件都是存储在datanode上面的，namenode记录着datanode的元数据信息。而namenode的元数据信息是存在内存中的，所以当文件切片非常小或者非常多的时候会卡死。
15、map-reduce程序执行的时候会有什么比較常见的问题？
比方说作业中大部分都完毕了，可是总有几个reduce一直在执行。
这是由于这几个reduce中的处理的数据要远远大于其它的reduce，可能是由于对键值对任务划分的不均匀造成的数据倾斜。
解决办法能够在分区的时候又一次定义分区规则对于value数据非常多的key能够进行拆分、均匀打散等处理，或者是在map端的combiner中进行数据预处理的操作。
16、简单说一下hadoop和spark的shuffle过程？
hadoop：map端保存分片数据，通过网络收集到reduce端。
spark：spark的shuffle是在DAGSchedular划分Stage的时候产生的，TaskSchedule要分发Stage到各个worker的executor。
降低shuffle能够提高性能。
17、RDD机制？
rdd分布式弹性数据集。简单的理解成一种数据结构，是spark框架上的通用货币。
全部算子都是基于rdd来执行的，不同的场景会有不同的rdd实现类。可是都能够进行互相转换。
rdd执行过程中会形成dag图，然后形成lineage保证容错性等。
从物理的角度来看rdd存储的是block和node之间的映射。
18、spark有哪些组件？
（1）master：管理集群和节点。不參与计算。
（2）worker：计算节点，进程本身不參与计算，和master汇报。
（3）Driver：执行程序的main方法，创建spark context对象。
（4）spark context：控制整个application的生命周期，包含dagsheduler和task scheduler等组件。
（5）client：用户提交程序的入口。
19、spark工作机制？
用户在client端提交作业后。会由Driver执行main方法并创建spark context上下文。
执行add算子，形成dag图输入dagscheduler。依照add之间的依赖关系划分stage输入task scheduler。
task scheduler会将stage划分为task set分发到各个节点的executor中执行。
20、spark的优化怎么做？
通过spark-env文件、程序中sparkconf和set property设置。
（1）计算量大。形成的lineage过大应该给已经缓存了的rdd加入checkpoint。以降低容错带来的开销。
（2）小分区合并。过小的分区造成过多的切换任务开销，使用repartition。
21、kafka工作原理？
producer向broker发送事件，consumer从broker消费事件。
事件由topic区分开，每一个consumer都会属于一个group。
同样group中的consumer不能反复消费事件，而同一事件将会发送给每一个不同group的consumer。
22、ALS算法原理？
答：对于user-product-rating数据，als会建立一个稀疏的评分矩阵。其目的就是通过一定的规则填满这个稀疏矩阵。
als会对稀疏矩阵进行分解，分为用户-特征值，产品-特征值，一个用户对一个产品的评分能够由这两个矩阵相乘得到。
通过固定一个未知的特征值，计算另外一个特征值。然后交替反复进行最小二乘法。直至差平方和最小，就可以得想要的矩阵。
23、kmeans算法原理？
随机初始化中心点范围，计算各个类别的平均值得到新的中心点。
又一次计算各个点到中心值的距离划分，再次计算平均值得到新的中心点，直至各个类别数据平均值无变化。
24、canopy算法原理？
依据两个阈值来划分数据，以随机的一个数据点作为canopy中心。
计算其它数据点到其的距离，划入t1、t2中，划入t2的从数据集中删除。划入t1的其它数据点继续计算，直至数据集中无数据。
25、朴素贝叶斯分类算法原理？
对于待分类的数据和分类项，依据待分类数据的各个特征属性。出如今各个分类项中的概率推断该数据是属于哪个类别的。
26、关联规则挖掘算法apriori原理？
一个频繁项集的子集也是频繁项集。针对数据得出每一个产品的支持数列表。过滤支持数小于预设值的项，对剩下的项进行全排列。又一次计算支持数，再次过滤，反复至全排列结束，可得到频繁项和相应的支持数。
作者：@小黑
下面是自己的理解，假设有不正确的地方希望各位大侠能够帮我指出来~：
1、简答说一下hadoop的map-reduce编程模型
首先map task会从本地文件系统读取数据。转换成key-value形式的键值对集合
使用的是hadoop内置的数据类型，比方longwritable、text等
将键值对集合输入mapper进行业务处理过程，将其转换成须要的key-value在输出
之后会进行一个partition分区操作。默认使用的是hashpartitioner。能够通过重写hashpartitioner的getpartition方法来自己定义分区规则
之后会对key进行进行sort排序。grouping分组操作将同样key的value合并分组输出，在这里能够使用自己定义的数据类型。重写WritableComparator的Comparator方法来自己定义排序规则，重写RawComparator的compara方法来自己定义分组规则
之后进行一个combiner归约操作，事实上就是一个本地段的reduce预处理，以减小后面shufle和reducer的工作量
reduce task会通过网络将各个数据收集进行reduce处理。最后将数据保存或者显示，结束整个job
2、hadoop的TextInputFormat作用是什么，如何自己定义实现
InputFormat会在map操作之前对数据进行双方面的预处理
1是getSplits，返回的是InputSplit数组，对数据进行split分片。每片交给map操作一次
2是getRecordReader，返回的是RecordReader对象。对每一个split分片进行转换为key-value键值对格式传递给map
经常使用的InputFormat是TextInputFormat，使用的是LineRecordReader对每一个分片进行键值对的转换，以行偏移量作为键，行内容作为值
自己定义类继承InputFormat接口。重写createRecordReader和isSplitable方法
在createRecordReader中能够自己定义分隔符
3、hadoop和spark的都是并行计算。那么他们有什么同样和差别
两者都是用mr模型来进行并行计算，hadoop的一个作业称为job，job里面分为map task和reduce task。每一个task都是在自己的进程中执行的，当task结束时，进程也会结束
spark用户提交的任务成为application，一个application相应一个sparkcontext。app中存在多个job，每触发一次action操作就会产生一个job
这些job能够并行或串行执行。每一个job中有多个stage，stage是shuffle过程中DAGSchaduler通过RDD之间的依赖关系划分job而来的。每一个stage里面有多个task。组成taskset有TaskSchaduler分发到各个executor中执行，executor的生命周期是和app一样的。即使没有job执行也是存在的，所以task能够高速启动读取内存进行计算
hadoop的job仅仅有map和reduce操作，表达能力比較欠缺并且在mr过程中会反复的读写hdfs。造成大量的io操作，多个job须要自己管理关系
spark的迭代计算都是在内存中进行的，API中提供了大量的RDD操作如join，groupby等。并且通过DAG图能够实现良好的容错
4、为什么要用flume导入hdfs，hdfs的构架是如何的
flume能够实时的导入数据到hdfs中，当hdfs上的文件达到一个指定大小的时候会形成一个文件，或者超过指定时间的话也形成一个文件
文件都是存储在datanode上面的。namenode记录着datanode的元数据信息，而namenode的元数据信息是存在内存中的，所以当文件切片非常小或者非常多的时候会卡死
5、map-reduce程序执行的时候会有什么比較常见的问题
比方说作业中大部分都完毕了，可是总有几个reduce一直在执行
这是由于这几个reduce中的处理的数据要远远大于其它的reduce，可能是由于对键值对任务划分的不均匀造成的数据倾斜
解决办法能够在分区的时候又一次定义分区规则对于value数据非常多的key能够进行拆分、均匀打散等处理，或者是在map端的combiner中进行数据预处理的操作
6、简单说一下hadoop和spark的shuffle过程
hadoop：map端保存分片数据，通过网络收集到reduce端
spark：spark的shuffle是在DAGSchedular划分Stage的时候产生的，TaskSchedule要分发Stage到各个worker的executor
降低shuffle能够提高性能
部分答案不是十分准确欢迎补充:-)
作者：@小黑