hadoop

hadoop介绍

Hadoop是一个能够对大量数据进行分布式处理的软件框架。以一种可靠、高效、可伸缩的方式进行数据处理。主要包括三部分内容：Hdfs，MapReduce，Yarn

hadoop版本

Hadoop2.0即为克服Hadoop1.0中的不足，提出了以下关键特性：

• Yarn：它是Hadoop2.0引入的一个全新的通用资源管理系统，完全代替了Hadoop1.0中的JobTracker。在MRv1 中的 JobTracker 资源管理和作业跟踪的功能被抽象为 ResourceManager 和 AppMaster 两个组件。Yarn 还支持多种应用程序和框架，提供统一的资源调度和管理功能

• NameNode 单点故障得以解决：Hadoop2.2.0 同时解决了 NameNode 单点故障问题和内存受限问题，并提供 NFS，QJM 和 Zookeeper 三种可选的共享存储系统

• HDFS 快照：指 HDFS（或子系统）在某一时刻的只读镜像，该只读镜像对于防止数据误删、丢失等是非常重要的。例如，管理员可定时为重要文件或目录做快照，当发生了数据误删或者丢失的现象时，管理员可以将这个数据快照作为恢复数据的依据

• 支持Windows 操作系统：Hadoop 2.2.0 版本的一个重大改进就是开始支持 Windows 操作系统

• Append：新版本的 Hadoop 引入了对文件的追加操作

同时，新版本的Hadoop对于HDFS做了两个非常重要的「增强」，分别是支持异构的存储层次和通过数据节点为存储在HDFS中的数据提供内存缓冲功能

相比于Hadoop2.0，Hadoop3.0 是直接基于 JDK1.8 发布的一个新版本，同时，Hadoop3.0引入了一些重要的功能和特性

• HDFS可擦除编码：这项技术使HDFS在不降低可靠性的前提下节省了很大一部分存储空间

• 多NameNode支持：在Hadoop3.0中，新增了对多NameNode的支持。当然，处于Active状态的NameNode实例必须只有一个。也就是说，从Hadoop3.0开始，在同一个集群中，支持一个 ActiveNameNode 和 多个 StandbyNameNode 的部署方式。

• MR Native Task优化

• Yarn基于cgroup 的内存和磁盘 I/O 隔离

• Yarn container resizing

Hadoop常用的端口号

dfs.namenode.http-address:50070 dfs.datanode.http-address:50075 SecondaryNameNode：50090 dfs.datanode.address:50010 fs.defaultFS:8020 或者9000 yarn.resourcemanager.webapp.address:8088 历史服务器web访问端口：19888

搭建Hadoop集群的流程

 

 

HDFS读写流程

 

• HDFS读数据流程

• HDFS写数据流程

 

 

MapReduce的Shuffle过程

 

MapReduce数据读取并写入HDFS流程实际上是有10步

其中最重要，也是最不好讲的就是 shuffle 阶段，当面试官着重要求你介绍 Shuffle 阶段时，可就不能像上边图上写的那样简单去介绍了。

你可以这么说：

1. Map方法之后Reduce方法之前这段处理过程叫「Shuffle」

2. Map方法之后，数据首先进入到分区方法，把数据标记好分区，然后把数据发送到环形缓冲区；环形缓冲区默认大小100m，环形缓冲区达到80%时，进行溢写；溢写前对数据进行排序，排序按照对key的索引进行字典顺序排序，排序的手段「快排」；溢写产生大量溢写文件，需要对溢写文件进行「归并排序」；对溢写的文件也可以进行Combiner操作，前提是汇总操作，求平均值不行。最后将文件按照分区存储到磁盘，等待Reduce端拉取。

3）每个Reduce拉取Map端对应分区的数据。拉取数据后先存储到内存中，内存不够了，再存储到磁盘。拉取完所有数据后，采用归并排序将内存和磁盘中的数据都进行排序。在进入Reduce方法前，可以对数据进行分组操作。

Hadoop优化的方案(包括：压缩、小文件、集群的优化)

1）HDFS小文件影响

• 影响NameNode的寿命，因为文件元数据存储在NameNode的内存中

• 影响计算引擎的任务数量，比如每个小的文件都会生成一个Map任务

2）数据输入小文件处理

• 合并小文件：对小文件进行归档（Har）、自定义Inputformat将小文件存储成SequenceFile文件。

• 采用ConbinFileInputFormat来作为输入，解决输入端大量小文件场景

• 对于大量小文件Job，可以开启JVM重用

3）Map阶段

• 增大环形缓冲区大小。由100m扩大到200m

• 增大环形缓冲区溢写的比例。由80%扩大到90%

• 减少对溢写文件的merge次数。（10个文件，一次20个merge）

• 不影响实际业务的前提下，采用Combiner提前合并，减少 I/O

4）Reduce阶段

• 合理设置Map和Reduce数：两个都不能设置太少，也不能设置太多。太少，会导致Task等待，延长处理时间；太多，会导致 Map、Reduce任务间竞争资源，造成处理超时等错误。

• 设置Map、Reduce共存：调整 slowstart.completedmaps 参数，使Map运行到一定程度后，Reduce也开始运行，减少Reduce的等待时间

• 规避使用Reduce，因为Reduce在用于连接数据集的时候将会产生大量的网络消耗。

• 增加每个Reduce去Map中拿数据的并行数

• 集群性能可以的前提下，增大Reduce端存储数据内存的大小

5) IO 传输

• 采用数据压缩的方式，减少网络IO的的时间

• 使用SequenceFile二进制文件

6) 整体

• MapTask默认内存大小为1G，可以增加MapTask内存大小为4

• ReduceTask默认内存大小为1G，可以增加ReduceTask内存大小为4-5g

• 可以增加MapTask的cpu核数，增加ReduceTask的CPU核数

• 增加每个Container的CPU核数和内存大小

• 调整每个Map Task和Reduce Task最大重试次数

7) 压缩

压缩，可以参考这张图

「提示」：如果面试过程问起，我们一般回答压缩方式为Snappy，特点速度快，缺点无法切分（可以回答在链式MR中，Reduce端输出使用bzip2压缩，以便后续的map任务对数据进行split）

介绍一下 Yarn 的 Job 提交流程

这里一共也有两个版本，分别是详细版和简略版，具体使用哪个还是分不同的场合。正常情况下，将简略版的回答清楚了就很OK，详细版的最多做个内容的补充：

• 详细版

• 简略版

其中简略版对应的步骤分别如下：

1. client向RM提交应用程序，其中包括启动该应用的ApplicationMaster的必须信息，例如ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等

2. ResourceManager启动一个container用于运行ApplicationMaster

3. 启动中的ApplicationMaster向ResourceManager注册自己，启动成功后与RM保持心跳

4. ApplicationMaster向ResourceManager发送请求,申请相应数目的container

5. 申请成功的container，由ApplicationMaster进行初始化。container的启动信息初始化后，AM与对应的NodeManager通信，要求NM启动container

6. NM启动container

7. container运行期间，ApplicationMaster对container进行监控。container通过RPC协议向对应的AM汇报自己的进度和状态等信息

8. 应用运行结束后，ApplicationMaster向ResourceManager注销自己，并允许属于它的container被收回

Yarn默认的调度器，调度器分类，以及它们之间的区别

以下回答做个参考：

1）Hadoop调度器主要分为三类：

• FIFO Scheduler：先进先出调度器：优先提交的，优先执行，后面提交的等待【生产环境不会使用】

• Capacity Scheduler：容量调度器：允许看创建多个任务对列，多个任务对列可以同时执行。但是一个队列内部还是先进先出。【Hadoop2.7.2默认的调度器】

• Fair Scheduler：公平调度器：第一个程序在启动时可以占用其他队列的资源（100%占用），当其他队列有任务提交时，占用资源的队列需要将资源还给该任务。还资源的时候，效率比较慢。【CDH版本的yarn调度器默认】

Hadoop的参数优化

我们常见的「Hadoop参数调优」有以下几种：

• 在hdfs-site.xml文件中配置多目录，最好提前配置好，否则更改目录需要重新启动集群

• NameNode有一个工作线程池，用来处理不同DataNode的并发心跳以及客户端并发的元数据操作

dfs.namenode.handler.count=20 * log2(Cluster Size)

处理Hadoop宕机

如果MR造成系统宕机。此时要控制Yarn同时运行的任务数，和每个任务申请的最大内存。调整参数：yarn.scheduler.maximum-allocation-mb（单个任务可申请的最多物理内存量，默认是8192MB）。

如果写入文件过量造成NameNode宕机。那么调高Kafka的存储大小，控制从Kafka到HDFS的写入速度。高峰期的时候用Kafka进行缓存，高峰期过去数据同步会自动跟上。

Hadoop数据倾斜的问题的

家可以借鉴下：

1）提前在map进行combine，减少传输的数据量

在Mapper加上combiner相当于提前进行reduce，即把一个Mapper中的相同key进行了聚合，减少shuffle过程中传输的数据量，以及Reducer端的计算量。

如果导致数据倾斜的key 大量分布在不同的mapper的时候，这种方法就不是很有效了

2）数据倾斜的key 大量分布在不同的mapper

在这种情况，大致有如下几种方法：

• 「局部聚合加全局聚合」

第一次在map阶段对那些导致了数据倾斜的key 加上1到n的随机前缀，这样本来相同的key 也会被分到多个Reducer 中进行局部聚合，数量就会大大降低。

第二次mapreduce，去掉key的随机前缀，进行全局聚合。

「思想」：二次mr，第一次将key随机散列到不同 reducer 进行处理达到负载均衡目的。第二次再根据去掉key的随机前缀，按原key进行reduce处理。

这个方法进行两次mapreduce，性能稍差

• 「增加Reducer，提升并行度」

JobConf.setNumReduceTasks(int)

• 「实现自定义分区」

根据数据分布情况，自定义散列函数，将key均匀分配到不同Reducer