20道大数据常见面试题

1.Hadoop分布式集群与伪分布式集群的区别

分布式集群需要多台电脑,，一台为奴隶主机，其他的为奴隶机用来存储数据。

伪分布式集群可以使用一台电脑搭建，也可以使用多台电脑，只需要在slaves中添加自己的主机名就可以了，其他的与分布式一样。

2.Hadoop分为三个核心部分，每个部分是什么，有什么功能？

三个核心：hdfs，mapreduce和yarn

Hadfs：分布式文件系统，mapreduce:分布式计算框架，yarn：资源调度器

功能：hdfs：由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。用于存储文件，通过目录树来定位文件

Mapreduce：采用“分而治之”的思想，来处理大规模的数据。将数据拆解成多个部分，并利用集群的多个节点同时进行数据处理，然后将各个节点得到的中间结果进行汇总，经过进一步的计算（该计算也是并行进行的），得到最终结果

3.Hadoop分布式集群，默认备份数为多少，每个数据块大小是多少？在哪个配置文件中可以修改备份数与每个数据块大小？

默认备份为3份，每块数据大小128M， 在hdfs-site.xml配置文件中可以修改备份数和数据块大小。

<property>
<name>dfs.block.size</name>
<value>128</value>
</property>
 <property>
 <name>dfs.replication</name>
 <value>3</value>
 </property>

4.Hadoop分布式集群中NN和DN、SN，指得是什么？他们分别有什么作用？

NN：Name Node 管理HDFS的命名空间,配置副本策略,管理数据块（Block）映射信息,处理客户端读写请求

DN：DataNode 存储实际的数据块,执行数据块的读/写操作

SN：SecondaryNameNode 辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode ,在紧急情况下，可辅助恢复NameNode

5.Hadoop分布式集群中，如果NN挂掉，会出现什么情况？如果DN挂掉，会出现什么情况？如果SN挂掉，会出现什么情况？数据会丢失吗？

NN挂掉，数据丢失，分布式集群崩溃，DN挂掉，由于其他机器中存有备份，数据不会丢失，正常情况下对分布式集群不会出现大问题，SN挂掉，数据不会丢失，只是失去了对NameNode中映射的备份，为了防止意外（NN挂掉），需要尽快恢复SN。

6.Hadoop集群中yarn模式，是什么？在分布式计算中有什么作用？

Yarn模式是资源调度器，

yarn在管理者机器中是ResourceManager，负责 协调和管理整个集群（所有 NodeManager）的资源，响应用户提交的不同类型应用程序的 解析，调度，监控等工作。

在奴隶机中是NodeManager，是真正执行应用程序的容器的提供者， 监控应用程序的资源使用情况（CPU，内存，硬盘，网络），并通过心跳向集群资源调度器 ResourceManager 进行汇报以更新自己的健康状态。同时其也会监督 Container 的生命周期 管理，监控每个 Container 的资源使用（内存、CPU 等）情况，追踪节点健康状况，管理日 志和不同应用程序用到的附属服务（auxiliary service）。

7.请描述对文本单词统计中mapreduce的过程。（文字和流程图描述）

过程分为4个阶段：spilt，map，shuffle，reduce

MapReduce过程

8、Split阶段（分片输入）

有两份文件，经过分片处理之后，会被分成三个分片（split1，split2，split3）。依次作为map阶段的输入。

经过分片处理之后，产生了三个分片，每个分片就是一行的三个单词，分别作为 map 阶段的输入。

9、Map阶段

Split 阶段的输出作为 Map 阶段的输入，一个分片对应一个 Map 任务。在 Map 阶段中，读取 value 值，将 value 值拆分为的形式。key 为 每个单词，value 为 1。

Map 阶段需要考虑 key 是什么，value 是什么。特别是 key ，他将作为后面 reduce 的依据。输出结果例如：<Deer, 1>，<River, 1>，<Bear, 1>，<Bear, 1>。

Map 阶段的输出会作为 Shuffle 阶段的输入。

10、Shuffle阶段

理解为从 Map 输出到 Reduce 输入的过程，而且涉及到网络传输。

将 Map 中 key 相同的都归置到一起，作为一个 Reduce 的输入

11、Reduce阶段

将 key 相同的数据进行累计。输出结果例如：<Beer， 3>。

12.Hadoop集群中请描述RM，NM是什么？有什么作用？

RM和NM都是属于hadoop yarn资源调度器：

RM：资源管理者：1、处理客户端请求2、启动或监控 MRAppMaster3、监控 NodeManager4、资源的分配与调度

NM：节点管理者：1、管理单个节点上的资源2、处理来自 ResourceManager 的命令3、处理来自 MRAppMaster 的命令

13.Hadoop集群中RM中分为几大模块，每个模块有什么作用？

RM分为：两个模块：ApplicationMaster (AM)和Containe。

ApplicationMaster (AM)：

用户提交的应用程序均包含一个AM，负责应用的监控，跟踪应用执行状态，重启失败任务等。ApplicationMaster是应用框架，它负责向ResourceManager协调资源，并且与NodeManager协同工作完成Task的执行和监控。

Container：

Container是YARN中的资源抽象，它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等，当AM向RM申请资源时，RM为AM返回的资源便是用Container 表示的。 YARN会为每个任务分配一个Container且该任务只能使用该Container中描述的资源。

14.ETL是什么？kettle有什么作用？你常用使用的核心对象有哪些？分别有什么作用？

ETL是：用来描述将数据从来源端经过抽取、转换、加载至目的端的过程。ETL一词较常用在数据仓库，但其对象并不限于数据仓库。

核心对象：BI和数据仓库

作用：BI：用来将企业中现有的数据（原始数据或商业数据或业务数据等）进行有效的整合，快速准确地提供报表并提出决策依据，帮助企业做出明智的业务经营决策。

数据仓库：它为企业提供一定的BI（商业智能）能力，指导业务流程改进、监视时间、成本、质量以及控制。数据仓库的输入方是各种各样的数据源，最终的输出用于企业的数据分析、数据挖掘、数据报表等方向。

15.hadoop集群中50070端口和8088端口，分别指的什么？

50070：奴隶主机的namenode；

8088：yarn资源调度器中的RM；里面有所有的进程完成情况

数据仓库hive中，启动hive服务器的命令有哪些？分别代表什么意思？内部表与外部表有啥区别？分区与分桶，指的是什么？

命令：hive --service metastore 启动元数据

hive：本地运行hive命令

hiveserver2：远程服务，开放默认端口 10000

内部表：内部表删除表时，数据也会被删除，

外部表：外部表在创建时需要加external，删除表时，表中的数据仍然会存储在hadoop中，不会丢失

分区：分文件夹：分目录，把一个大的数据集根据业务需要分割成小的数据集

分桶：分数据：分桶是将数据集分解成更容易管理的若干部分

16.什么是BI，什么是数据仓库？为什么需要用数据仓库hive？

BI:即商务智能，它是一套完整的解决方案，用来将企业中现有的数据（原始数据或商业数据或业务数据等）进行有效的整合，快速准确地提供报表并提出决策依据，帮助企业做出明智的业务经营决策。

数据仓库：是一个很大的数据存储集合，出于企业的分析性报告和决策支持目的而创建，对多样的业务数据进行筛选与整合。

为什么：hive为企业提供一定的BI（商业智能）能力，指导业务流程改进、监视时间、成本、质量以及控制。数据仓库的输入方是各种各样的数据源，最终的输出用于企业的数据分析、数据挖掘、数据报表等方向。

17.数据仓库Hive跟hadoop集群，有什么关系？使用hive的好处是什么？

关系：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类SQL查询功能，hadoop是用来存储数据的，hive是用来操作数据的。hive的数据文件存储在hdfs上，至于hdfs文件位置是由hadoop管理的。

好处：1)操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）

2)避免了去写MapReduce，减少开发人员的学习成本

3)Hive的执行延迟比较高，因此Hive常用于数据分析，对实时性要求不高的场合

4)Hive优势在于处理大数据，对于处理小数据没有优势，因为Hive的执行延迟比较高

5)Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数

18.Hadoop集群中hadoop namenode –format ，可否在任意节点出，多次执行这条语句？如果执行多次语句后，会出现什么样的结果？如果在节点中执行语句，怎么修改？

不能，将hadoop格式化，将集群中所有的电脑name下的文件全部删除，重新启动hadoop

19.如何创建hive的外部表（包含分区与分桶）？在创建表时候和后期导入数据中，需要注意哪些问题？如何向hive的外部表中导入本地数据文件data.csv和外部hdfs上的/data.txt文件？

创建表的时候加入关键字：external，数据字段数量，类型要一致，分隔符要相同，导入数据时要不要覆盖，不覆盖的情况下不能用overwrite。

本地数据：load data local inpath '/home/user/data.csv' into table 导入的表名;

Hdfs：load data inpath '/home/user/data.txt' into table 导入的表名;

20.hive中集合数据类型什么？有什么作用？什么情况下，hive需要使用集合类型？

数据类型：包括6个基本类型：整数，布尔类型，浮点数，字符，时间类型。字节数组

2个集合数据类型： struct，map，array

基本数据类型表达不了的情况下使用集合类型