大数据相关面试题

linux

常见linux高级命令？

1. top、iotop
2. netstat
3. df -h
4. jmap -heap
5. tar
6. rpm
7. ps -ef

shell 

 用过的shell工具？

1. awk  Awk 命令详解 - 简书

   awk是行处理器: 相比较屏幕处理的优点，在处理庞大文件时不会出现内存溢出或是处理缓慢的问题，通常用来格式化文本信息

2. sort sort 命令详解 - 简书
3. cut Linux cut 命令详解 - 简书
4. sed 【现学现忘&Shell编程】— 35.sed命令（一） - 简书

写过哪些脚本

1.启停脚本

     

 2. 单引号、双引号区别  单引号不解析里面变量的值，双引号解析里面变量值

hadoop

入门问题：常用端口号、常用配置

  9870 hdfs访问端口；8088 yarn访问端口；19888JobHistory访问；剩下的是内部通信端口

 HDFS

2. 读写流程 HDFS的读写流程（面试重点）_简述hdfs的读写流程_你可以自己看的博客-CSDN博客 
3. 小文件危害 （1）存储  每个文件都必须占用一个NameNode存储元数据。每个NameNode大小150字节。小文件太多，占用空间。 （2）计算 默认的切片原则是每个文件单独切片，即使是1个字节的小文件也需要启动1个对应的maptask处理，每个maptask至少占用1G内存。切片的概念 HDFS的block和切片（split）的区别_贺雨蒙的博客-CSDN博客_hdfs切片
4. 小文件怎么解决

    （1）har归档 将多个小文件的NamNode进行合并

    （2）CombineTextInputformat 把小文件放在一起切片计算

    （3）JVM重用 启动一个JVM，计算多个文件。节省开启、关闭的开销。

     

MR shuffle 过程

案例举例整个过程 080_大数据第五阶段-Hadoop第三天_shuffle下_哔哩哔哩_bilibili

1. hdfs中文件是以block块的形式存储，默认block大小为128M，如果电脑磁盘读写速度块，可以配置成246/512M都可以。
2. 默认一个block对应一个split逻辑分区。可以配置成多个block对应一个split逻辑分区。
3. split分区的数据按行存储。每行的数据调用自己编写的Map函数的逻辑，对数据进行处理。即图中的Map处理。
4. map方法处理后的数据写入环形缓冲区。环形缓冲区默认时100M大小的内存，写到80%时异步线程spill溢出到磁盘，写的数据进行向剩下的20%写入。等20%写满时，80%空间基本已经spill结束空间已经空闲可以继续写入，再写满80%，重复spill。因此环形缓冲区可以保证不中断的存储数据。环形缓冲区底层时byte数组。
5. 环形缓冲区溢出时会 排序、分区，甚至combine操作。

• 比如reducer为求最大值，那么就可以在此处提前进行combine求出每个分区的最大值。但是如果此时combine会对reduce的计算有影响，那么不进行combine。combine通过在map方法里面指定且溢出文件大于等于3个时才进行。
• 分区一般是根据对key hash 求模reduceTask数量确定分区位置。

      6.对多个溢出文件进行归并操作。 每个分区排好序。

yarn 

1.yarn工作机制、工作流程

mapreduce yarn流程图_YARN 运行机制分析_投资百晓生的博客-CSDN博客mapreduce yarn流程图_YARN 运行机制分析_投资百晓生的博客-CSDN博客

2.调度器

大数据技术Hadoop——YARN_阳哥赚钱很牛的博客-CSDN博客

• 公平、容量调度器通常都是默认的1个队列，需要修改 yarn-site.xml中的配置项  yarn.resourcemanager.scheduler.class    
• 公司一个yarn，此时根据一个部门一个申请一个队列，如果队列任务过多，可以格局任务重要性将不重要的任务降级使用。

kafka 

（1）生产者工作流程 

生产者两个线程：main、sender

1. 一个main线程，创建kafkaproducer，调用send方法。

• send方法异步发送，加上send().get()则同步发送。callback回调函数。
• 拦截器一般不用。
• 自定义序列化器，之所以不用java自带的序列化器，是因为自带的辅助属性太多浪费空间。常见数据类型kafka已经实现序列化器，自定义类需要自己实现序列化器。
• 分区器，决定把数据发送到哪个分区？（1）指定分区发送到指定分区 （2）未指定分区，按照key的hash值取余分区数（3）没有指定分区和key，那么按照粘性分区。粘性分区random随机选择分区，直到16k满了或这一批数据发送完再random切换分区。

      2.sender线程  专门用来发送数据

• 创建networkclient对象和broker通信。默认缓存5个发送数据的请求。比如给leader发送数据的一个请求，没有按时ack，那么发送缓存队列中的下一个请求。
• 底层发送数据使用selector nio发送数据
• 将数据发给leader，leader ack应答。如果leader正确收到，那么会删除缓存和分区中的数据，如果没正确收到，会重试，重试次数int最大值。

（2）brokers工作流程

• 每个broker启动后，会将id主车道zk中。
• controller 用来选择谁是leader，每个broker服务器都有。才开始是会随机一个broker的controller和zk的controller通信，选举谁是leader。根据lsr里面的ar顺序先后选择leader。并将leader的id记录在zk中。
• broker 会将topic的每个partition以多个segment存储，默认大小1G。每个segment包括为 .index  .log .timestatmp   。.log存储具体数据，.index稀疏矩阵，没4kb数据存储一个索引 timestamp存储文件创建时间。
• lsr 记录能和leader正常通信的follow节点 正常通信是40s内有心跳。

消费者组消费流程 

• 多个消费者根据配置的groupid来确定是一个消费者组。id对默认的分区数50取余的分区，向分区所在的消费者组协调器通信。consumer offset默认50个分区kafka consumer offset机制 - 简书 
• 消费者全部发送joingroup信息。然后回复信息，随机选择消费者中某个作为leader ，将结果告知协调器。
• 协调器所有信息发送给消费者的leader，leader根据 range/粘性、roundin消费策略分配每个消费者的消费组。告知协调器，协调器告知所有消费者。
• 消费者每隔3s和协调器进行一次通信，超过45s没有通信；消费者如果超过5分钟没有再拉取数据，都会认为消费者挂掉，会再平衡。 再平衡会所有数据发送暂停，分配好在发送。  很不好

消费者真正消费数据流程

• 消费者有networkclient对象，创建时会初始化一些参数。 比如最大一次拉取数据大小50M、最小一次拉取数据1个字节。如果分区数据超过500ms没有凑够50M那么直接数据拉回不等待，防止等待时间太长
• networkclient调用send方法，有回调函数取回数据，消息队列中按照数据本来分区进行存储。消费者根据确定的分区拉取。拉取回后对数据反序列化、拦截器进行处理。