大数据面试—

一、Hadoop1.0 与 Hadoop2.0的区别

二、写一个 WordCount 案例

【1】我在安装目录执行 hadoop jar "jar包" wordcount "统计文件目录" "输出目录(一定不要存在，会自动创建)"，重点就是 wordcount ，在Linux 中也常常使用 wc 来统计行数，字符个数等。

[root@localhost hadoop-2.7.2]# hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount data/zzx data/output

【2】进入输出目录，查看统计结果

三、从多个文件 Grep 制定数据

【1】我在安装目录执行 hadoop jar "jar包" grep "统计文件目录" "输出目录(一定不要存在，会自动创建)" "'抓取文件时的规则'"

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar grep input output 'dfs[a-z.]+'

【2】进入输出目录，查看统计结果。统计的是input 文件下所有文件，符合正则的单词的数量。

四、为什么不能一直格式化NameNode，格式化NameNode，要注意什么？

[zzx@hadoop101 hadoop-2.7.2]$ cd data/tmp/dfs/name/current/

[zzx@hadoop101 current]$ cat VERSION

clusterID=CID-f0330a58-36fa-4a2a-a65f-2688269b5837

[zzx@hadoop101 hadoop-2.7.2]$ cd data/tmp/dfs/data/current/

clusterID=CID-f0330a58-36fa-4a2a-a65f-2688269b5837

如上图，DataNode 与 NameNode 的集群ID是相同的。如果格式化NameNode，会产生新的集群id，导致 NameNode和 DataNode的集群id不同，集群找不到已往数据。就会出现启动了 NameNode 时，DataNode会挂掉。启动了DataNode时，NameNode会挂掉的问题。所以，格式NameNode时，一定要先删除 data数据和 log日志，然后再格式化NameNode。

五、HDFS 文件块大小

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，默认在 Hadoop2.x版本中是 128M，老版本是 64M。

HDFS 块大小设置：为什么块的大小不能设置太小，也不能设置太大
【1】HDFS 块设置太小，会增加寻址时间，程序一直在找块的位置；
【2】如果块设置的太大，从磁盘传输数据的时间会明显大于块定位的时间。导致程序在处理块数据时，会非常慢。

总结：HDFS 块的大小设置取决于磁盘传输速率

六、setrep 设置副本数

如果设置了10个副本，但是目前只有三台服务器，如果后续增加了服务器，会怎样？

hadoop fs -setrep 10 /sanguo/shuguo/kongming.txt

这里设置的副本数只是记录在NameNode的元数据中，是否真的会有这么多副本，还得看DataNode的数量。因为目前只有3台设备，最多也就3个副本，只有节点数的增加到10台时，副本数才能达到10。

七、HDFS 读数据流程

HDFS的读数据流程，如下图所示：

【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地址进行返回。
【2】挑选一台 DataNode（就近原则，然后随机）服务器，请求读取数据。当第一次读取完成之后，才进行第二次块的读取。
【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。

八、HDFS 写数据流程

HDFS 文件写入流程图如下：三个模块（客户端、NameNode、DataNode）

【1】校验：客户端通过 DistributedFileSystem 模块向 NameNode 请求上传文件，NameNode 会检查目标文件是否已经存在，父目录是否存在。
【2】响应：NameNode 返回是否可以上传的信号。
【3】请求 NameNode：客户端对上传的数据根据块进行切片，并请求第一块 Block 上传到哪几个 DataNode 服务器上。
【4】响应 DataNode节点信息：NameNode 根据副本数等信息返回可上传的DataNode节点，例如这里的 dn1,dn2,dn3。
【5】建立通道：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】DataNode 响应 Client：dn1、dn2、dn3逐级应答客户端。
【7】上传数据到DataNode：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】通知 NameNode上传完成：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。
【9】关闭输入输出流。