一、单选题
1、Shuffle中Partitioner 分区发生在哪个过程( A )
A. 溢写过程
B. 本地Merge
C. reduce函数阶段
D. map函数阶段
2、在整个maprduce运行阶段,数据是以( A )形式存在的
A. key/value
B. LongWritable
C. Text
D. IntWritable
3、下列哪个方法提交job任务的入口方法 ( B )
A. JoB.addCacheFile()
B. JoB.waitForCompletion()
C. JoB.setMapperClass()
D. JoB.setJarByClass()
二、多选题
1、下列哪些是对reduceTask阶段任务正确理解(ABC )
A. 对多个mapTask任务输出key,value,按照不同的分区通过网络copy到不同的reduceTask节点处理。
B. 对多个mapTask任务的输出进行合并、排序。再reduce函数中实现自己的逻辑,对输入的key、value处理,转换成新的key、value输出。
C. outputformat把reducer输出的key,value保存到文件中。
D. reduceTask阶段不会根据key进行分组和排序
2、执行一个job, 如果这个job的输出路径已经存在,那么程序会 ( CD )
A. 覆盖这个输出路径
B. 抛出警告,但是能够继续执行
C. 抛出一个异常,然后退出程序的执行
D. 会抛出文件路径已存在的异常
3、对mapreduce数据类型理解正确(AB )
A. Java中的String类型在Mapreduce中对应的是Text类型
B. hadoop的序列化,对象可以被序列化成二进制字节序列进行网络传输和存储
C. Mapreduce中的数据类型和java一模一样
D. Mapreduce中的数据类型完全和java中基本类型是通用的
4、下列说法正确的是(ABC )
A. mapreduce总体上分为maptask阶段和reducetask阶段
B. shfflue阶段由maptask的map方法之后的部分和reduce方法之前前部分组成
C. shfflue阶段可能会造成数据倾斜
D. shfflue阶段不会对数据进行排序和分区
5、下列说法正确的是 ( BCD )
A. inputformat阶段会对文件进行切片,切片过程是物理上的切片,切切实实的对数据进行了分割
B. mr中默认使用的是TextInputFormat对文件进行读取,一次读取一行,偏移量作为key值,行内容作为value值对应的数据类型为LongWritable和Text
C. mapreduce运行过程中切片的数量决定了maptask的数量,maptask任务并行执行互不影响。
D. inputformat会将文件转换为(key, value)值得形式输出到mapper类的map()方法中
6、下列描述正确的是(ABC )
A. 默认的reduceTask数量为1意味着所有的mapTask处理后的数据都会交给这个reduceTask进行数据的汇总,最终输出一个文件
B. 当分区数量大于reduceTask数量时,程序运行出错
C. 自定义分区首先需要定义一个类,继承自Partitioner,实现getPartition()方法根据具体需求返回对于的分区号。
D. ReduceTask的数量越多越好,这样处理数据执行的效率越高
三、判断题
1、如果reduceTask存在多个,那么单个ReduceTask负责从不同MapTask上拷贝同一分区数据最终对数据进行归并排序和分组,将数据一组一组的传递给Reducer类中的reduce方法中进行处理(对 )
2、MapReduce是一个分布式的运算程序编程框架,适合处理大量的离线数据,有良好的扩展性和高容错性( 对 )
3、在整个mapreduce阶段共实现了2次排序(错)
4、在整个Shufflue过程中环形缓冲区得大小默认为100M,存储量达到百分之80则完成溢写,将内存中得数据写入到磁盘中(对 )
5、 使用hadoop-daemon.sh start/stop resourcemanager 命令启动和停止resourcemanager ( 对 )
四、简答题
1、简单描述Shuffle过程环形缓冲区的作用(shuffle流程概述)?
[答案]key,value从map()方法输出后,被outputcollector收集通过HashPartitioner类的getpartitioner()方法获取分区号,进入环形缓冲区。默认情况下,环形缓冲区为100MB。当环形环形缓冲区存储达到80%,开始执行溢写过程,溢写过程中如果有其他数据进入,那么由剩余的20%反向写入。溢写过程会根据key,value先根据分区进行排序,再根据key值进行排序,后生成一个溢写文件(再对应的分区下根据key值有序),maptask将溢写文件归并排序后落入本地磁盘,reduceTask阶段将多个mapTask下相同分区的数据copy到指定的reduceTask中进行归并排序、分组后一次读取一组数据给reduce()函数。
2、mapreduce在哪些阶段(位置)实现了排序?默认是怎么排序的?如何自定义排序?
[答案](1)MapTask和ReduceTask均会对数据按照key进行排序。
MapTask,会将处理的结果暂时放到环形缓冲区中,当环形缓冲区使用率达到一定阈值(100M的百分之80)后,对缓冲区中的数据进行一次快速排序,并将有序数据溢写到磁盘上,最后会对磁盘上所有文件溢写文件进行归并排序。
ReduceTask,从每个MapTask上拷贝对应分区的数据文件,如果文件大小超过一定阈值,则溢写磁盘上,否则存储在内存中。当所有数据拷贝完毕后,ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。
(2)排序操作属于Hadoop的默认行为。任何应用程序中的数据均会被排序,默认排序是按照字典顺序排序,实现该排序的方法是快速排序。
(3)我们需要在数据对象类中实现WritableComparable接口中的 compareTo方法(自然比较方法),从而实现对当前对象和传入对象的比对,实现排序。
3、Combiner是什么有什么作用?Combiner的作用位置和Reducer的作用位置有什么不同?
[答案](1)Combiner是MR程序中Mapper和Reducer之外的一种组件,继承自reducer,是可选的,并不是必须存在的,因为只有在不影响最终业务结果的场景下才能使用。Combiner的作用就是对每一个MapTask的输出进行局部汇总,以减小网络传输量
(2)Combiner是在每一个MapTask所在的节点运行;Reducer是接收全局所有Mapper的输出结果
4、hadoop序列化的特点?如何实现序列化?序列化和反序列化时要注意什么?
[答案](1) hadoop序列化之序列化必要数据,所以具有紧凑、快速高效、可扩展、互操作的特点,
(2)必须实现Writable接口,重写序列化public void write(DataOutput out)方法和反序列化public void readFields(DataInput in)方法
(3)序列化时要注意数据的数据类型,注意反序列化的顺序和序列化的顺序完全一致
5、mapreduce处理数据时FileInputFormat中getSplits()方法是如何对数据进行切片的?
[答案] 默认情况下为了避免mr处理数据的过程中存在网络数据传输,从而降低mr的效率,默认的切片大小为block块大小(128M),FileInputFormat中getSplits()方法会根据文件大小将文件拆分成splits,如果单个文件较小小于128的1.1倍,则每个文件为一个split,并将文件按行分割形成<key,value>对,如果单个文件较大。超过block块(128M)默认大小得1.1倍,则会将文件切分为多个split,切片数量决定了maptask的任务数量。
6、mr默认的reduceTask数量是多少?mr默认是如何为key,value分配分区的?总结如何自定义分区?使用自定义分区的注意事项(reducetask和分区的关系)?
(1)默认的reduceTask数量为1意味着所有的mapTask处理后的数据都会交给这个reduceTask进行数据的汇总,最终输出一个文件
(2)数据在经过map方法的context.write()写出后,会通过outputcollector收集,底层调用HashPartitioner类的getPartition()方法通过(key.hashCode() & Integer.MAX_VALUE) % numReduceTasks模得到的,但是用户没法控制哪个key存储到哪个分区。
(3)自定义分区首先需要定义一个类,继承自Partitioner,实现getPartition()方法根据具体需求返回对于的分区号,最后通过job.setPartitionerClass()设置分区类
1 public class FlowPartitioner extends Partitioner<Text,FlowBean> {
2 public int getPartition(Text text, FlowBean flowBean, int numPartitions) {
3 //分区号从0开始:5reducetask 5个分区:0~4
4 //手机号136、137、138、139开头都分别放到一个独立的4个文件中,
5 //其他开头的放到一个文件中。
6 String phonenum = text.toString();
7 switch (phonenum.substring(0,3)){
8 case "136":
9 return 0;
10 case "137":
11 return 1;
12 case "138":
13 return 2;
14 case "139":
15 return 3;
16 default:
17 return 4;
18 }
19 }
20 }
(4)注意:
分区号从0开始,不要跳号
当分区数量大于reduceTask数量时,程序运行出错
当设置reduceTask的数量为一时,不走分区方法
当设置的reduceTask数量大于分区时,会产生空的输出文件
7、如何实现根据bean对象中的某一个值进行分组?
此场景我们通常使用的是辅助分组,定义类继承自WritableComparator,重写compare()方法通过对象中的某一个或者多个参数比对,参数相同则视为同一组数据进入到reduce方法中。
注意:使用时需要创建一个构造器将比较对象的类传给父类(不然会报出Null..空指针异常)
8、job提交流程步骤:
waitForCompletion 提交job 任务的入口方法
if(state == JobState.DEFINE)判断任务是否处于定义状态
submit();
ensureState(JobState.DEFINE); //再次确认任务状态(不是DEFINE状态则抛出异常)
setUseNewAPI();判断当前是走新的api还是旧的api
connect(); 实例化cluster (明确mr运行在本地还是yarn)
submitJobInternal 真正提交任务的方法
checkSpecs(job);
checkOutputSpecs:检查输出路径是否存在和有没有设置
submitClient.getNewJobID():获取jobid
writeSplits:切片分割数据的方法
writeConf(conf, submitJobFile):将切片信息和配置文件写入到临时目录
status = submitClient.submitJob(jobId, submitJobDir.toString() 提交job任务,返回提交状态
state = JobState.RUNNING提交任务完成后将DEFINE改为RUNNING
isSuccessful() 判断任务执行成功还是失败
return status.getState() == JobStatus.State.SUCCEEDED;
9、处理数据时怎么完成切片的
inpt -> inputFormat -> map ->shuffle -> reduce -> outputformat -> 本地文件
默认私用的是TextInputFormat getSplits():切片方法
isSplitable(job, path):判断文件是否支持切片,根据文件路径获取压缩格式,如果支持切片返回true,如果文件不是压缩文件,则直接返回true
file.getBlockSize();获取块大小
Math.max(minSize, Math.min(maxSize, blockSize)):获取切片的大小
当需要让切片的大小小于块大小的时,要调整maxsize
当需要让切片的大小大于块大小的时,要调整minsize
默认的切片大小时128M
long bytesRemaining = length;
while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, splitSize,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
bytesRemaining -= splitSize;
}
10、IntFormat
inputFormat:把文件内容转换成key,value值
默认使用的是TextInputFormat
InputFormat<?, ?> input =
ReflectionUtils.newInstance(job.getInputFormatClass(), conf);
TextInputFormat extends FileInputFormat<LongWritable, Text>
TextInputFormat:没有重写切片方法getSplits,默认使用的时FileInputFormat的切片方法
返回:LineRecordReader -> LongWritable, TextNLineInputFormat: NLineInputFormat extends FileInputFormat<LongWritable, Text>
NLineInputFormat:重写了getSplits方法,默认按照行进行切片
返回:LineRecordReader -> LongWritable, TextCombineFileInputFormat: CombineFileInputFormat<K, V> extends FileInputFormat
CombineTextInputFormat extends CombineFileInputFormat<LongWritable,Text>
CombineFileInputFormat:重写了getSplits方法,自定义切片的大小
返回的是:CombineFileRecordReader ->LongWritable,TextKeyValueTextInputFormat:KeyValueTextInputFormat extends FileInputFormat<Text, Text>
KeyValueTextInputFormat:没有重写切片方法getSplits,默认使用的时FileInputFormat的切片方法
返回的是:KeyValueLineRecordReader -> Text, TextSequenceFileInputFormat<K, V> extends FileInputFormat<K, V>
SequenceFileInputFormat:没有重写切片方法getSplits,默认使用的时FileInputFormat的切片方法
返回的是:SequenceFileRecordReader -> Text, Text
11、压缩
hadoop种的压缩方式有哪些?哪些方式压缩文件支持切片?mr可以在哪些位置执行压缩?
压缩的作用(优点)和原则是什么?默认是否开启了压缩,怎么开启map、reduce端的压缩功能?
(1) DEFLATE、Gzip、bzip2(支持切片)、LZO(支持切片)、Snappy
(2) 可以在mapreduce执行任务前(数据输入前的数据压缩)、任务中(map到reduce的数据传输过程中的数据压缩)、任务后(执行完毕后的数据压缩)
(3)压缩会占用一定的CPU资源,合理采用压缩可以减少磁盘io和网络数据传输,提高mr的整体运行效率原则:运算密集型任务少用压缩,IO密集型任务多使用压缩
(4)mr默认没有开启压缩功能
// 开启map端输出压缩
configuration.setBoolean("mapreduce.map.output.compress", true);
// 设置map端输出压缩方式
configuration.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class, CompressionCodec.class);
//设置reduce端输出压缩开启
FileOutputFormat.setCompressOutput(job, true);
// 设置压缩的方式
FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);