1、hadoop：
  1）hadoop是大數(shù)據(jù)分析的完整生態(tài)系統(tǒng)，從數(shù)據(jù)采集，存儲(chǔ)，分析，轉(zhuǎn)運(yùn)，再到頁(yè)面展示，構(gòu)成了整個(gè)流程
  2）采集可以用flume，
  3）存儲(chǔ)用hbase，hdfs，mangodb就相當(dāng)于hbase，
  4）分析用Mapreduce自己寫算法，
  5）還有hive做數(shù)據(jù)倉(cāng)庫(kù)，
  6）pig做數(shù)據(jù)流處理，
  7）轉(zhuǎn)儲(chǔ)方面有sqoop，可以將hdfs中的數(shù)據(jù)轉(zhuǎn)換存儲(chǔ)到mysql，oracle等傳統(tǒng)數(shù)據(jù)庫(kù)，
這就構(gòu)成了一整套大數(shù)據(jù)分析的整個(gè)流程

2、Hadoop 集群可以運(yùn)行的 3 個(gè)模式分別是什么, 都有哪些注意點(diǎn)？
  單機(jī)模式、偽分布式模式、全分布式模式；

3、Hadoop 的核心配置文件？
  1）以前是hadoop-default.xml、hadoop-site.xml
  2）現(xiàn)在是core-site.xml、hdfs-site.xml、mapred-site.xml；都在conf目錄下；

4、hdfs-site.xml 的 3 個(gè)主要屬性？
  1）dfs.name.dir 決定的是元數(shù)據(jù)存儲(chǔ)的路徑以及 DFS 的存儲(chǔ)方式（磁盤或是遠(yuǎn)端）
  2）dfs.data.dir 決定的是數(shù)據(jù)存儲(chǔ)的路徑
  3）fs.checkpoint.dir 用于第二 Namenode

5、簡(jiǎn)述HDFS的原理？
  1）客戶端向 nameNode 發(fā)送要上傳文件的請(qǐng)求
  2）nameNode 返回給用戶是否能上傳數(shù)據(jù)的狀態(tài)
  3）加入用戶端需要上傳一個(gè) 1024M 的文件，客戶端會(huì)通過(guò) Rpc 請(qǐng)求 NameNode，并返回需要上傳給那些 DataNode(分配機(jī)器的距離以及空間的大小等),namonode會(huì)選擇就近原則分配機(jī)器。
  4）客戶端請(qǐng)求建立 block 傳輸管道 chnnel 上傳數(shù)據(jù)
  5）在上傳時(shí) datanode 會(huì)與其他的機(jī)器建立連接并把數(shù)據(jù)塊傳送到其他的機(jī)器上
  6）dataNode 向 namenode 匯報(bào)自己的儲(chǔ)存情況以及自己的信息
  7）當(dāng)?shù)谝粋€(gè)快上傳完后再去執(zhí)行其他的復(fù)制的傳送

6、簡(jiǎn)述MR（MapReduce）的原理？
  1）當(dāng)執(zhí)行mr程序時(shí)，會(huì)執(zhí)行一個(gè)Job
  2）客戶端的jobClick會(huì)請(qǐng)求namenode的jobTracker要執(zhí)行任務(wù)
  3）jobClick會(huì)去HDFS端復(fù)制作業(yè)的資源文件
  4）客戶端的jobClick會(huì)向namenode提交作業(yè),讓namenode做準(zhǔn)備
  5）Namenode的jobTracker會(huì)去初始化創(chuàng)建的對(duì)象
  6）Namenode會(huì)獲取hdfs的劃分的分區(qū)
  7）Namenode去檢查TaskTracker的心跳信息，查看存活的機(jī)器
  8）當(dāng)執(zhí)行的datenode執(zhí)行任務(wù)時(shí)Datenode會(huì)去HDFS獲取作業(yè)的資源的文件
  9）TaskTracker會(huì)去執(zhí)行代碼，并登陸JVM的執(zhí)行渠道
  10）JVM或執(zhí)行MapTask或者ReduceTask
  11）執(zhí)行終結(jié)

7、談?wù)剶?shù)據(jù)傾斜，如何發(fā)生的，并給出優(yōu)化方案
     數(shù)據(jù)的傾斜主要是兩個(gè)的數(shù)據(jù)相差的數(shù)量不在一個(gè)級(jí)別上，在執(zhí)行任務(wù)時(shí)就造成了數(shù)據(jù)的傾斜，可以通過(guò)分區(qū)的方法減少reduce數(shù)據(jù)傾斜性能的方法，例如：抽樣和范圍的分區(qū)、自定義分區(qū)、數(shù)據(jù)大小傾斜的自定義策略；

8、簡(jiǎn)單概括安裝hadoop的步驟
  1）創(chuàng)建 hadoop 帳戶。
  2）setup.改 IP。
  3）安裝 java，并修改/etc/profile 文件，配置 java 的環(huán)境變量。
  4）修改 Host 文件域名。
  5）安裝 SSH，配置無(wú)密鑰通信。
  6）解壓 hadoop。
  7）配置 conf 文件下 hadoop-env.sh、core-site.sh、mapre-site.sh、hdfs-site.sh。
  8）配置 hadoop 的環(huán)境變量。
  9）Hadoop namenode -format
  10）start-all.sh

9、怎樣快速的殺死一個(gè)job
  1）執(zhí)行hadoop  job -list  拿到j(luò)ob-id
  2）Hadoop job kill hadoop-id

10、簡(jiǎn)單概述hadoop的combinet與partition的區(qū)別
  1）combine和partition都是函數(shù)，中間的步驟應(yīng)該只有shuffle！
  2）combine分為map端和reduce端，作用是把同一個(gè)key的鍵值對(duì)合并在一起，可以自定義的；
  3）partition是分割map每個(gè)節(jié)點(diǎn)的結(jié)果，按照key分別映射給不同的reduce，也是可以自定義的。這里其實(shí)可以理解歸類。

11、hadoop的shuffer的概念
  1）Shuffer是一個(gè)過(guò)程，實(shí)在map端到reduce在調(diào)reduce數(shù)據(jù)之前都叫shuffer,主要是分區(qū)與排序，也就是內(nèi)部的緩存分分區(qū)以及分發(fā)（是reduce來(lái)拉數(shù)據(jù)的）和傳輸；

12、3 個(gè) datanode 中有一個(gè) 個(gè)datanode 出現(xiàn)錯(cuò)誤會(huì)怎樣？
    這個(gè) datanode 的數(shù)據(jù)會(huì)在其他的 datanode 上重新做備份。

13、簡(jiǎn)單概述一下hadoop1與hadoop2的區(qū)別
  1）Hadoop2與hadoop1最大的區(qū)別在于HDFS的架構(gòu)與mapreduce的很大的區(qū)別，而且速度上有很大的提升；
  2）hadoop2最主要的兩個(gè)變化是：namenode可以集群的部署了，hadoop2中的mapreduce中的jobTracker中的資源調(diào)度器與生命周期管理拆分成兩個(gè)獨(dú)立的組件，并命名為YARN

14、hadoop的二次排序
  1）Hadoop默認(rèn)的是HashPartitioner排序，當(dāng)map端一個(gè)文件非常大另外一個(gè)文件非常小時(shí)就會(huì)產(chǎn)生資源的分配不均勻，既可以使用setPartitionerClass來(lái)設(shè)置分區(qū)，即形成了二次分區(qū)。

15、mapreduce的combiner的作用是什么，什么時(shí)候不應(yīng)該使用？
  1）Mapreduce中的Combiner就是為了避免map任務(wù)和reduce任務(wù)之間的數(shù)據(jù)傳輸而設(shè)置的，Hadoop允許用戶針對(duì)map task的輸出指定一個(gè)合并函數(shù)。即為了減少傳輸?shù)絉educe中的數(shù)據(jù)量。它主要是為了削減Mapper的輸出從而減少網(wǎng)絡(luò)帶寬和Reducer之上的負(fù)載。
  2）在數(shù)據(jù)量較少時(shí)不宜使用。

16、你對(duì)zookeeper的理解？
  1）隨著大數(shù)據(jù)的快速發(fā)展，多機(jī)器的協(xié)調(diào)工作，避免主要機(jī)器單點(diǎn)故障的問(wèn)題，于是就引入管理機(jī)器的一個(gè)軟件，他就是zookeeper來(lái)協(xié)助機(jī)器正常的運(yùn)行。
  2）Zookeeper有兩個(gè)角色分別是leader與follower ，其中l(wèi)eader是主節(jié)點(diǎn)，其他的是副節(jié)點(diǎn)，在安裝配置上一定要注意配置奇數(shù)個(gè)的機(jī)器上，便于zookeeper快速切換選舉其他的機(jī)器。
  3）在其他的軟件執(zhí)行任務(wù)時(shí)在zookeeper注冊(cè)時(shí)會(huì)在zookeeper下生成相對(duì)應(yīng)的目錄，以便zookeeper去管理機(jī)器。

17、hive是怎樣保存元數(shù)據(jù)的？
  1）保存元數(shù)據(jù)的方式有：內(nèi)存數(shù)據(jù)庫(kù)rerdy，本地mysql數(shù)據(jù)庫(kù)，遠(yuǎn)程mysql數(shù)據(jù)庫(kù)；
  2）但是本地的mysql數(shù)據(jù)用的比較多，因?yàn)楸镜刈x寫速度都比較快

18、Hive中外部表與內(nèi)部表的區(qū)別
  1）Hive 創(chuàng)建內(nèi)部表時(shí)，會(huì)將數(shù)據(jù)移動(dòng)到數(shù)據(jù)倉(cāng)庫(kù)指向的路徑；若創(chuàng)建外部表，僅記錄數(shù)據(jù)所在的路徑，不對(duì)數(shù)據(jù)的位置做任何改變。
  2）在刪除表的時(shí)候，內(nèi)部表的元數(shù)據(jù)和數(shù)據(jù)會(huì)被一起刪除，而外部表只刪除元數(shù)據(jù)，不刪除數(shù)據(jù)。這樣外部表相對(duì)來(lái)說(shuō)更加安全些，數(shù)據(jù)組織也更加靈活，方便共享源數(shù)據(jù)。

19、對(duì)于 hive，你寫過(guò)哪些 UDF 函數(shù)，作用是什么？
  1）UDF: user  defined  function  的縮寫，
  1）編寫hive udf的兩種方式extends UDF 重寫evaluate第二種extends GenericUDF重寫initialize、getDisplayString、evaluate方法

20、Hive 的 sort by 和 order by 的區(qū)別
  1）order by 會(huì)對(duì)輸入做全局排序，因此只有一個(gè)reducer（多個(gè)reducer無(wú)法保證全局有序）只有一個(gè)reducer，會(huì)導(dǎo)致當(dāng)輸入規(guī)模較大時(shí)，需要較長(zhǎng)的計(jì)算時(shí)間。
  2）sort by不是全局排序，其在數(shù)據(jù)進(jìn)入reducer前完成排序.因此，如果用sort by進(jìn)行排序，并且設(shè)置mapred.reduce.tasks>1， 則sort by只保證每個(gè)reducer的輸出有序，不保證全局有序。

21、Hbase 的 rowkey 怎么創(chuàng)建比較好？列族怎么創(chuàng)建比較好？
  1）Rowkey是一個(gè)二進(jìn)制碼流，Rowkey的長(zhǎng)度被很多開(kāi)發(fā)者建議說(shuō)設(shè)計(jì)在10~100個(gè)字節(jié)，不過(guò)建議是越短越好，不要超過(guò)16個(gè)字節(jié)。在查找時(shí)有索引會(huì)加快速度。
  2）Rowkey散列原則 、 Rowkey唯一原則 、 針對(duì)事務(wù)數(shù)據(jù)Rowkey設(shè)計(jì) 、 針對(duì)統(tǒng)計(jì)數(shù)據(jù)的Rowkey設(shè)計(jì) 、 針對(duì)通用數(shù)據(jù)的Rowkey設(shè)計(jì)、 支持多3）總結(jié)設(shè)計(jì)列族：
    a、一般不建議設(shè)計(jì)多個(gè)列族
    b、數(shù)據(jù)塊的緩存的設(shè)計(jì)
    c、激進(jìn)緩存設(shè)計(jì)
    d、布隆過(guò)濾器的設(shè)計(jì)(可以提高隨機(jī)讀取的速度)
    e、生產(chǎn)日期的設(shè)計(jì)
    f、列族壓縮
    g、單元時(shí)間版本

22、hive 如何調(diào)優(yōu)？
  1）在優(yōu)化時(shí)要注意數(shù)據(jù)的問(wèn)題，盡量減少數(shù)據(jù)傾斜的問(wèn)題，減少job的數(shù)量，同事對(duì)小的文件進(jìn)行成大的文件，
  2）如果優(yōu)化的設(shè)計(jì)那就更好了，因?yàn)閔ive的運(yùn)算就是mapReduce所以調(diào)節(jié)mapreduce的參數(shù)也會(huì)使性能提高，如調(diào)節(jié)task的數(shù)目。

23、hbase 寫數(shù)據(jù)的原理
  1）首先，Client通過(guò)訪問(wèn)ZK來(lái)請(qǐng)求目標(biāo)數(shù)據(jù)的地址。
  2）ZK中保存了-ROOT-表的地址，所以ZK通過(guò)訪問(wèn)-ROOT-表來(lái)請(qǐng)求數(shù)據(jù)地址。
  3）同樣，-ROOT-表中保存的是.META.的信息，通過(guò)訪問(wèn).META.表來(lái)獲取具體的RS。
  4）.META.表查詢到具體RS信息后返回具體RS地址給Client。
  5）Client端獲取到目標(biāo)地址后，然后直接向該地址發(fā)送數(shù)據(jù)請(qǐng)求

24、hbase宕機(jī)了如何處理？
  1）HBase的RegionServer宕機(jī)超過(guò)一定時(shí)間后，HMaster會(huì)將其所管理的region重新分布到其他活動(dòng)的RegionServer上，由于數(shù)據(jù)和日志都持久在HDFS中，該操作不會(huì)導(dǎo)致數(shù)據(jù)丟失。所以數(shù)據(jù)的一致性和安全性是有保障的。
  2）但是重新分配的region需要根據(jù)日志恢復(fù)原RegionServer中的內(nèi)存MemoryStore表，這會(huì)導(dǎo)致宕機(jī)的region在這段時(shí)間內(nèi)無(wú)法對(duì)外提供服務(wù)。
  3）而一旦重分布，宕機(jī)的節(jié)點(diǎn)重新啟動(dòng)后就相當(dāng)于一個(gè)新的RegionServer加入集群，為了平衡，需要再次將某些region分布到該server。
  4）因此，Region Server的內(nèi)存表memstore如何在節(jié)點(diǎn)間做到更高的可用，是HBase的一個(gè)較大的挑戰(zhàn)。

25、Hbase 中的 metastore 用來(lái)做什么的？
  1）Hbase的metastore是用來(lái)保存數(shù)據(jù)的，
  2）其中保存數(shù)據(jù)的方式有有三種第一種于第二種是本地儲(chǔ)存，第二種是遠(yuǎn)程儲(chǔ)存這一種企業(yè)用的比較多

26、hbase是怎樣預(yù)分區(qū)的？
  如何去進(jìn)行預(yù)分區(qū)，可以采用下面三步：
  1）取樣，先隨機(jī)生成一定數(shù)量的rowkey,將取樣數(shù)據(jù)按升序排序放到一個(gè)集合里
  2）根據(jù)預(yù)分區(qū)的region個(gè)數(shù)，對(duì)整個(gè)集合平均分割，即是相關(guān)的splitKeys.
  3）HBaseAdmin.createTable(HTableDescriptor tableDescriptor,byte[][] splitkeys)可以指定預(yù)分區(qū)的splitKey，即是指定region間的rowkey臨界值

27、怎樣將 mysql 的數(shù)據(jù)導(dǎo)入到 hbase 中？
  1）不能使用 sqoop，速度太慢了，提示如下：
    A、一種可以加快批量寫入速度的方法是通過(guò)預(yù)先創(chuàng)建一些空的 regions，這樣當(dāng)數(shù)據(jù)寫入 HBase 時(shí)，會(huì)按照 region 分區(qū)情況，在集群內(nèi)做數(shù)據(jù)的負(fù)載均衡。
    B、hbase 里面有這樣一個(gè) hfileoutputformat 類，他的實(shí)現(xiàn)可以將數(shù)據(jù)轉(zhuǎn)換成 hfile格式，通過(guò) new 一個(gè)這個(gè)類，進(jìn)行相關(guān)配置,這樣會(huì)在 hdfs 下面產(chǎn)生一個(gè)文件，這個(gè)時(shí)候利用 hbase 提供的 jruby 的 loadtable.rb 腳本就可以進(jìn)行批量導(dǎo)入。

28、Redis, 傳統(tǒng)數(shù)據(jù)庫(kù),hbase,hive  每個(gè)之間的區(qū)別？
  1）Redis 是基于內(nèi)存的數(shù)據(jù)庫(kù)，注重實(shí)用內(nèi)存的計(jì)算，
  2）hbase是列式數(shù)據(jù)庫(kù)，無(wú)法創(chuàng)建主鍵，地從是基于HDFS的，每一行可以保存很多的列，
  3）hive是數(shù)據(jù)的倉(cāng)庫(kù)，是為了減輕mapreduce而設(shè)計(jì)的，不是數(shù)據(jù)庫(kù)，是用來(lái)與hadoop做交互的。

29、HBase scan setBatch和setCaching的區(qū)別
  1）scan可以通過(guò)setCaching與setBatch方法提高速度（以空間換時(shí)間），
  2）setCaching設(shè)置的值為每次rpc的請(qǐng)求記錄數(shù)，默認(rèn)是1；cache大可以優(yōu)化性能，但是太大了會(huì)花費(fèi)很長(zhǎng)的時(shí)間進(jìn)行一次傳輸。
  3）setBatch設(shè)置每次取的column size；有些row特別大，所以需要分開(kāi)傳給client，就是一次傳一個(gè)row的幾個(gè)column。

30、flume 不采集 Nginx 日志，通過(guò) Logger4j 采集日志，優(yōu)缺點(diǎn)是什么？
  1）在nginx采集日志時(shí)無(wú)法獲取session的信息，然而logger4j則可以獲取session的信息，
  2）logger4j的方式比較穩(wěn)定，不會(huì)宕機(jī)。缺點(diǎn)：不夠靈活，logger4j的方式和項(xiàng)目結(jié)合過(guò)濾緊密，而flume的方式就比較靈活，便于插拔式比較好，不會(huì)影響項(xiàng)目的性能。

31、flume 和 kafka 采集日志區(qū)別，采集日志時(shí)中間停了，怎么記錄之前的日志。
  1）Flume 采集日志是通過(guò)流的方式直接將日志收集到存儲(chǔ)層，而 kafka 將日志緩存在 kafka集群，待后期可以采集到存儲(chǔ)層。
  2）Flume 采集中間停了，可以采用文件的方式記錄之前的日志，而 kafka 是采用 offset(偏移量) 的方式記錄之前的日志。

32、kafka 中怎樣儲(chǔ)存數(shù)據(jù)結(jié)構(gòu)的，data.....目錄下有多少個(gè)分區(qū)，每個(gè)分區(qū)的存儲(chǔ)格式是什么樣的？
  1）topic 是按照“主題名-分區(qū)”存儲(chǔ)的
  2）分區(qū)個(gè)數(shù)由配置文件決定
  3）每個(gè)分區(qū)下最重要的兩個(gè)文件是 0000000000.log 和 000000.index，0000000.log，以默認(rèn) 1G 大小回滾。

33、mr 和 spark 區(qū)別，怎么理解 spark-rdd
  1）Mr 是文件方式的分布式計(jì)算框架，是將中間結(jié)果和最終結(jié)果記錄在文件中，map 和 reduce的數(shù)據(jù)分發(fā)也是在文件中。
  2）spark 是內(nèi)存迭代式的計(jì)算框架，計(jì)算的中間結(jié)果可以緩存內(nèi)存，也可以緩存硬盤，但是不是每一步計(jì)算都需要緩存的。
  3）spark-rdd 是一個(gè)數(shù)據(jù)的分區(qū)記錄集合，是利用內(nèi)存來(lái)計(jì)算的，spark之所以快是因?yàn)橛袃?nèi)存的模式

34、你們的集群規(guī)模？
  1）這個(gè)得看個(gè)人在公司的規(guī)模，下面介紹一下我們公司的一些配置：
    聯(lián)想System x3750  服務(wù)器，價(jià)格3.5萬(wàn)，內(nèi)存容量32G，產(chǎn)品類型機(jī)架式，硬盤接口SSD,CPU頻率2.6GH,CPU數(shù)量2顆，三級(jí)緩存15MB,cpu核心6核，cpu線程數(shù)12線程,最大內(nèi)存支持1.5T,網(wǎng)絡(luò)是千兆網(wǎng)卡,可插拔時(shí)硬盤接口12個(gè)卡槽,配置1T的容量
詳細(xì)：http://detail.zol.com.cn/server/index1101243.shtml

35、你在項(xiàng)目中遇到了哪些難題，是怎么解決的？
  1）在執(zhí)行任務(wù)時(shí)發(fā)現(xiàn)副本的個(gè)數(shù)不對(duì)，經(jīng)過(guò)一番的查找發(fā)現(xiàn)是超時(shí)的原因，修改了配置文件hdfs-site.xml：中修改了超時(shí)時(shí)間。
  2）由于當(dāng)時(shí)在分配各個(gè)目錄空間大小時(shí)，沒(méi)有很好的分配導(dǎo)致有的目錄的空間浪費(fèi)，于是整體商量后把儲(chǔ)存的空間調(diào)大了一些。