Hadoop面试题(基础和HDFS)
大家好，我是蓦然，这一系列大数据面试题是我秋招时自己总结准备的，后续我会总结出PDF版，
希望对大家有帮助！
1、集群的最主要瓶颈
磁盘IO
2、Hadoop运行模式
单机版、伪分布式模式、完全分布式模式
3、Hadoop生态圈的组件并做简要描述1)Zookeeper：是一个开源的分布式应用程序协调服务,基于zookeeper可以实现同步服务，配置维护，命名服务。2)Flume：一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统。 3)Hbase：是一个分布式的、面向列的开源数据库, 利用Hadoop HDFS作为其存储系统。 4)Hive：基于Hadoop的一个数据仓库工具，可以将结构化的数据档映射为一张数据库表，并提供简单的sql 查询功能，可以将sql语句转换为MapReduce任务进行运行。
5)Sqoop：将一个关系型数据库中的数据导进到Hadoop的 HDFS中，也可以将HDFS的数据导进到关系型数据库中。
4、解释“hadoop”和“hadoop 生态系统”两个概念
Hadoop是指Hadoop框架本身；hadoop生态系统，不仅包含hadoop，还包括保证hadoop框架正常高效运行其他框架，比如zookeeper、Flume、Hbase、Hive、Sqoop等辅助框架。
5、请列出正常工作的Hadoop集群中Hadoop都分别需要启动哪些进程，它们的作用分别是什么?1)NameNode：它是hadoop中的主服务器，管理文件系统名称空间和对集群中存储的文件的访问，保存有metadate。2)SecondaryNameNode：它不是namenode的冗余守护进程，而是提供周期检查点和清理任务。帮助NN合并editslog，减少NN启动时间。3)DataNode：它负责管理连接到节点的存储(一个集群中可以有多个节点)。每个存储数据的节点运行一个datanode守护进程。4)ResourceManager(JobTracker)：JobTracker负责调度DataNode上的工作。每个DataNode有一个TaskTracker，它们执行实际工作。5)NodeManager：(TaskTracker)执行任务6)DFSZKFailoverController：高可用时它负责监控NN的状态，并及时的把状态信息写入ZK。它通过一个独立线程周期性的调用NN上的一个特定接口来获 取NN的健康状态。FC也有选择谁作为Active NN的权利，因为最多只有两个节点，目前选择策略还比较简单(先到先得，轮换)。7)JournalNode：高可用情况下存放namenode的editlog文件.
6、 HDFS 中的 block 默认保存几份？
默认保存3份
7、HDFS 默认 BlockSize 是多大？
默认64MB
8、负责HDFS数据存储的是哪一部分？
DataNode负责数据存储
9、SecondaryNameNode的目的是什么？
它的目的使帮助NameNode合并编辑日志，减少NameNode 启动时间 10、文件大小设置，增大有什么影响？
HDFS中的文件在物理上是分块存储(block)，块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在hadoop2.x版本中是128M，老版本中是64M。
思考：为什么块的大小不能设置的太小，也不能设置的太大？
HDFS的块比磁盘的块大，其目的是为了最小化寻址开销。如果块设置得足够大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。因而，传输一个由多个块组成的文件的时间取决于磁盘传输速率。
如果寻址时间约为10ms，而传输速率为100MB/s，为了使寻址时间仅占传输时间的1%，我们要将块大小设置约为100MB。默认的块大小128MB。
块的大小：10ms*100*100M/s = 100M，如图
增加文件块大小，需要增加磁盘的传输速率。
11、hadoop的块大小，从哪个版本开始是128M？Hadoop1.x都是64M，hadoop2.x开始都是128M。
12、HDFS的存储机制(☆☆☆☆☆)HDFS存储机制，包括HDFS的
写入数据过程和
读取数据过程两部分
HDFS写数据过程
1) 客户端通过Distributed FileSystem模块向NameNode请求上传文件，NameNode检查目标文件是否已存在，父目录是否存在。2) NameNode返回是否可以上传。3) 客户端请求第一个 block上传到哪几个datanode服务器上。4) NameNode返回3个datanode节点，分别为dn1、dn2、dn3。5) 客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道建立完成。6) dn1、dn2、dn3逐级应答客户端。7) 客户端开始往dn1上传第一个block(先从磁盘读取数据放到一个本地内存缓存)，以packet为单位，dn1收到一个packet就会传给dn2，dn2传给dn3；dn1每传一个packet会放入一个应答队列等待应答。8) 当一个block传输完成之后，客户端再次请求NameNode上传第二个block的服务器。(重复执行3-7步)。
HDFS读数据过程
1) 客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。2) 挑选一台DataNode(就近原则，然后随机)服务器，请求读取数据。
3) DataNode开始传输数据给客户端(从磁盘里面读取数据输入流，以packet为单位来做校验)。
4) 客户端以packet为单位接收，先在本地缓存，然后写入目标文件。
13、secondary namenode工作机制(☆☆☆☆
☆)
1)第一阶段：NameNode启动
(1)第一次启动NameNode格式化后，创建fsimage和edits文件。如果不是第一次启动，直接加载编辑日志和镜像文件到内存。
(2)客户端对元数据进行增删改的请求。
(3)NameNode记录操作日志，更新滚动日志。
(4)NameNode在内存中对数据进行增删改查。
2)第二阶段：Secondary NameNode工作
(1)Secondary NameNode询问NameNode是否需要checkpoint。直接带回NameNode是否检查结果。
(2)请求执行
checkpoint。
(3)NameNode滚动正在写的edits日志。
(4)先将滚动前的编辑日志和镜像文件拷贝到Secondary NameNode。
(5)Secondary NameNode加载编辑日志和镜像文件到内存，并合并。
(6)生成新的镜像文件fsimage.chkpoint。
(7)拷贝fsimage.chkpoint到NameNode。
(8)NameNode将fsimage.chkpoint重新命名成fsimage。
14、NameNode与SecondaryNameNode 的区别与联系？(☆☆☆☆☆)
区别：(1)NameNode负责管理整个文件系统的元数据，以及每一个路径(文件)所对应的数据块信息。(2)SecondaryNameNode主要用于定期合并命名空间镜像和命名空间镜像的编辑日志。联系：(1)SecondaryNameNode中保存了一份和namenode一致的镜像文件(fsimage)和编辑日志(edits)。(2)在主namenode发生故障时(假设没有及时备份数据)，可以从SecondaryNameNode恢复数据。
15、HDFS组成架构(☆☆☆☆☆)
架构主要由四个部分组成，分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分。1)Client：就是客户端。 (1)文件切分。文件上传HDFS的时候，Client将文件切分成一个一个的Block，然后进行存储； (2)与NameNode交互，获取文件的位置信息； (3)与DataNode交互，读取或者写入数据； (4)Client提供一些命令来管理HDFS，比如启动或者关闭HDFS； (5)Client可以通过一些命令来访问HDFS；2)NameNode：就是Master，它是一个主管、管理者。 (1)管理HDFS的名称空间； (2)管理数据块(Block)映射信息； (3)配置副本策略； (4)处理客户端读写请求。3) DataNode：就是Slave。NameNode下达命令，DataNode执行实际的操作。 (1)存储实际的数据块； (2)执行数据块的读/写操作。4) Secondary NameNode：并非NameNode的热备。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务。 (1)辅助NameNode，分担其工作量； (2)定期合并Fsimage和Edits，并推送给NameNode； (3)在紧急情况下，可辅助恢复NameNode。
16、HAnamenode如何工作? (☆☆☆☆☆)
ZKFailoverController主要职责1)健康监测：周期性的向它监控的NN发送健康探测命令，从而来确定某个NameNode是否处于健康状态，如果机器宕机，心跳失败，那么zkfc就会标记它处于一个不健康的状态。2)会话管理：如果NN是健康的，zkfc就会在zookeeper中保持一个打开的会话，如果NameNode同时还是Active状态的，那么zkfc还会在Zookeeper中占有一个类型为短暂类型的znode，当这个NN挂掉时，这个znode将会被删除，然后备用的NN，将会得到这把锁，升级为主NN，同时标记状态为Active。3)当宕机的NN新启动时，它会再次注册zookeper，发现已经有znode锁了，便会自动变为Standby状态，如此往复循环，保证高可靠，需要注意，目前仅仅支持最多配置2个NN。4)master选举：如上所述，通过在zookeeper中维持一个短暂类型的znode，来实现抢占式的锁机制，从而判断那个NameNode为Active状态
