總結於網絡
轉自：https://www.cnblogs.com/jchubby/p/5449379.html
1、簡答說一下hadoop的map-reduce編程模型
首先map task會從本地文件系統讀取數據，轉換成key-value形式的鍵值對集合
使用的是hadoop內置的數據類型，比如longwritable、text等
將鍵值對集合輸入mapper進行業務處理過程，將其轉換成需要的key-value在輸出
之后會進行一個partition分區操作，默認使用的是hashpartitioner，可以通過重寫hashpartitioner的getpartition方法來自定義分區規則
之后會對key進行進行sort排序，grouping分組操作將相同key的value合並分組輸出，在這里可以使用自定義的數據類型，重寫WritableComparator的Comparator方法來自定義排序規則，重寫RawComparator的compara方法來自定義分組規則
之后進行一個combiner歸約操作，其實就是一個本地段的reduce預處理，以減小后面shufle和reducer的工作量
reduce task會通過網絡將各個數據收集進行reduce處理，最后將數據保存或者顯示，結束整個job
2、hadoop的TextInputFormat作用是什么，如何自定義實現
InputFormat會在map操作之前對數據進行兩方面的預處理
1是getSplits，返回的是InputSplit數組，對數據進行split分片，每片交給map操作一次
2是getRecordReader，返回的是RecordReader對象，對每個split分片進行轉換為key-value鍵值對格式傳遞給map
常用的InputFormat是TextInputFormat，使用的是LineRecordReader對每個分片進行鍵值對的轉換，以行偏移量作為鍵，行內容作為值
自定義類繼承InputFormat接口，重寫createRecordReader和isSplitable方法
在createRecordReader中可以自定義分隔符
3、hadoop和spark的都是並行計算，那么他們有什么相同和區別
兩者都是用mr模型來進行並行計算，hadoop的一個作業稱為job，job里面分為map task和reduce task，每個task都是在自己的進程中運行的，當task結束時，進程也會結束
spark用戶提交的任務成為application，一個application對應一個sparkcontext，app中存在多個job，每觸發一次action操作就會產生一個job
這些job可以並行或串行執行，每個job中有多個stage，stage是shuffle過程中DAGSchaduler通過RDD之間的依賴關系划分job而來的，每個stage里面有多個task，組成taskset有TaskSchaduler分發到各個executor中執行，executor的生命周期是和app一樣的，即使沒有job運行也是存在的，所以task可以快速啟動讀取內存進行計算
hadoop的job只有map和reduce操作，表達能力比較欠缺而且在mr過程中會重復的讀寫hdfs，造成大量的io操作，多個job需要自己管理關系
spark的迭代計算都是在內存中進行的，API中提供了大量的RDD操作如join，groupby等，而且通過DAG圖可以實現良好的容錯
4、為什么要用flume導入hdfs，hdfs的構架是怎樣的
flume可以實時的導入數據到hdfs中，當hdfs上的文件達到一個指定大小的時候會形成一個文件，或者超過指定時間的話也形成一個文件
文件都是存儲在datanode上面的，namenode記錄着datanode的元數據信息，而namenode的元數據信息是存在內存中的，所以當文件切片很小或者很多的時候會卡死
5、map-reduce程序運行的時候會有什么比較常見的問題
比如說作業中大部分都完成了，但是總有幾個reduce一直在運行
這是因為這幾個reduce中的處理的數據要遠遠大於其他的reduce，可能是因為對鍵值對任務划分的不均勻造成的數據傾斜
解決的方法可以在分區的時候重新定義分區規則對於value數據很多的key可以進行拆分、均勻打散等處理，或者是在map端的combiner中進行數據預處理的操作
6、簡單說一下hadoop和spark的shuffle過程
hadoop：map端保存分片數據，通過網絡收集到reduce端
spark：spark的shuffle是在DAGSchedular划分Stage的時候產生的，TaskSchedule要分發Stage到各個worker的executor
減少shuffle可以提高性能
7、Hive中存放是什么？
存的是和hdfs的映射關系，hive是邏輯上的數據倉庫，實際操作的都是hdfs上的文件，HQL就是用sql語法來寫的mr程序。
8、Hive與關系型數據庫的關系？
沒有關系，hive是數據倉庫，不能和數據庫一樣進行實時的CURD操作。
是一次寫入多次讀取的操作，可以看成是ETL工具。
9、Flume工作機制是什么？
核心概念是agent，里面包括source、chanel和sink三個組件。
source運行在日志收集節點進行日志采集，之后臨時存儲在chanel中，sink負責將chanel中的數據發送到目的地。
只有成功發送之后chanel中的數據才會被刪除。
首先書寫flume配置文件，定義agent、source、chanel和sink然后將其組裝，執行flume-ng命令。
10、Hbase行健列族的概念，物理模型，表的設計原則？
行健：是hbase表自帶的，每個行健對應一條數據。
列族：是創建表時指定的，為列的集合，每個列族作為一個文件單獨存儲，存儲的數據都是字節數組，其中的數據可以有很多，通過時間戳來區分。
物理模型：整個hbase表會拆分為多個region，每個region記錄着行健的起始點保存在不同的節點上，查詢時就是對各個節點的並行查詢，當region很大時使用.META表存儲各個region的起始點，-ROOT又可以存儲.META的起始點。
rowkey的設計原則：各個列簇數據平衡，長度原則、相鄰原則，創建表的時候設置表放入regionserver緩存中，避免自動增長和時間，使用字節數組代替string，最大長度64kb，最好16字節以內，按天分表，兩個字節散列，四個字節存儲時分毫秒。
列族的設計原則：盡可能少（按照列族進行存儲，按照region進行讀取，不必要的io操作），經常和不經常使用的兩類數據放入不同列族中，列族名字盡可能短。
11、Spark Streaming和Storm有何區別？
一個實時毫秒一個准實時亞秒，不過storm的吞吐率比較低。
12、mllib支持的算法？
大體分為四大類，分類、聚類、回歸、協同過濾。
13、Hadoop高並發？
首先肯定要保證集群的高可靠性，在高並發的情況下不會掛掉，支撐不住可以通過橫向擴展。
datanode掛掉了使用hadoop腳本重新啟動。
14、RDD機制？
rdd分布式彈性數據集，簡單的理解成一種數據結構，是spark框架上的通用貨幣。
所有算子都是基於rdd來執行的，不同的場景會有不同的rdd實現類，但是都可以進行互相轉換。
rdd執行過程中會形成dag圖，然后形成lineage保證容錯性等。
從物理的角度來看rdd存儲的是block和node之間的映射。
15、spark有哪些組件？
（1）master：管理集群和節點，不參與計算。
（2）worker：計算節點，進程本身不參與計算，和master匯報。
（3）Driver：運行程序的main方法，創建spark context對象。
（4）spark context：控制整個application的生命周期，包括dagsheduler和task scheduler等組件。
（5）client：用戶提交程序的入口。
16、spark的優化怎么做？
通過spark-env文件、程序中sparkconf和set property設置。
（1）計算量大，形成的lineage過大應該給已經緩存了的rdd添加checkpoint，以減少容錯帶來的開銷。
（2）小分區合並，過小的分區造成過多的切換任務開銷，使用repartition。
17、kafka工作原理？
producer向broker發送事件，consumer從broker消費事件。
事件由topic區分開，每個consumer都會屬於一個group。
相同group中的consumer不能重復消費事件，而同一事件將會發送給每個不同group的consumer。