1.简要描述一个apache如何安装配置hadoop.
1.创建hadoop 帐户。
2.setup.改IP。
3.安装java，并修改/etc/profile 文件，配置java 的环境变量。
4.修改Host 文件域名。
5.安装SSH，配置无密钥通信。
6.解压hadoop。
7.配置conf 文件下hadoop-env.sh、core-site.sh、mapre-site.sh、hdfs-site.sh。
8.配置hadoop 的环境变量。
9.Hadoop namenode -format
10.Start-all
2.请列出正常工作中的Hadoop集群中Hadoop都分别需要启动那些进程，他们的作用分别是什么？
NameNode： 管理集群，并记录datanode 文件信息。
SecondName：可以做冷备，对一定范围内数据做快照性备份。
DataNode： 存储数据
JobTracker ： 管理任务，并将任务分配给tasktracker。
TaskTracker： 任务执行方。
3.写出以下执行命令.
3.1 杀死一个job
hadoop job -list 拿到job-id ,hadoop job -kill job-id
3.2 加入一个新的存储节点和删除一个计算节点需要刷新集群状态命令
加新节点时：
Hadoop-daemon.sh start datanode
Hadoop-daemon.sh start tasktracker
删除时：
Hadoop mradmin -refreshnodes
Hadoop dfsadmin -refreshnodes
4.请列出你所知道的hadoop调度器，并简要说明其工作方法。
Fifo schedular ：默认，先进先出的原则。
Capacity schedular ：计算能力调度器，选择占用最小、优先级高的先执行，依此类推。
Fair schedular：公平调度，所有的job 具有相同的资源。
5.Hive有哪些方式保存元数据的，各有那些特点。
有三种
1.内存数据库derby,挺小，不常用。
2.本地mysql,常用。
3.远程端mysql,不常用。
6.简述hadoop实现join的几种方法。
1 reduce side join
reduce side join是一种最简单的join方式，其主要思想如下：
在map阶段，map函数同时读取两个文件File1和File2，为了区分两种来源的key/value数据对，对每条数据打一个标签（tag）,比如：tag=0表示来自文件File1，tag=2表示来自文件File2。即：map阶段的主要任务是对不同文件中的数据打标签。
在reduce阶段，reduce函数获取key相同的来自File1和File2文件的value list， 然后对于同一个key，对File1和File2中的数据进行join（笛卡尔乘积）。即：reduce阶段进行实际的连接操作。
2 map side join
之所以存在reduce side join，是因为在map阶段不能获取所有需要的join字段，即：同一个key对应的字段可能位于不同map中。Reduce side join是非常低效的，因为shuffle阶段要进行大量的数据传输。
Map side join是针对以下场景进行的优化：两个待连接表中，有一个表非常大，而另一个表非常小，以至于小表可以直接存放到内存中。这样，我们可以将小表复制多份，让每个map task内存中存在一份（比如存放到hash table中），然后只扫描大表：对于大表中的每一条记录key/value，在hash table中查找是否有相同的key的记录，如果有，则连接后输出即可。
为了支持文件的复制，Hadoop提供了一个类DistributedCache，使用该类的方法如下：
（1）用户使用静态方法DistributedCache.addCacheFile()指定要复制的文件，它的参数是文件的URI（如果是HDFS上的文件，可以这样：hdfs://namenode:9000/home/XXX/file，其中9000是自己配置的NameNode端口号）。JobTracker在作业启动之前会获取这个URI列表，并将相应的文件拷贝到各个TaskTracker的本地磁盘上。（2）用户使用DistributedCache.getLocalCacheFiles()方法获取文件目录，并使用标准的文件读写API读取相应的文件。
3 SemiJoin
SemiJoin，也叫半连接，是从分布式数据库中借鉴过来的方法。它的产生动机是：对于reduce side join，跨机器的数据传输量非常大，这成了join操作的一个瓶颈，如果能够在map端过滤掉不会参加join操作的数据，则可以大大节省网络IO。
实现方法很简单：选取一个小表，假设是File1，将其参与join的key抽取出来，保存到文件File3中，File3文件一般很小，可以放到内存中。在map阶段，使用DistributedCache将File3复制到各个TaskTracker上，然后将File2中不在File3中的key对应的记录过滤掉，剩下的reduce阶段的工作与reduce side join相同。
7.请简述hadoop中的shuffle,combiner,partition的作用。
shuffle：
是描述着数据从map端传输到reduce端的过程，而且我们知道的是hadoop的集群环境中，大部分map task和reduce task是在不同的node上执行，主要的开销是网络开销和磁盘IO开销，因此shuffle的主要作用相当于是
1.完整的从map task端传输到reduce task端。
2.跨节点传输数据时，尽可能减少对带宽的消耗.（注意是reduce执行的时候去拉取map端的结果）
3.减少磁盘IO开销对task的影响。
Partition：
Partition主要作用就是将map的结果发送到相应的reduce。这就对partition有两个要求：
1）均衡负载，尽量的将工作均匀的分配给不同的reduce。
2）效率，分配速度一定要快。
重定向mapper的输出，根据key来决定mapper应该讲k，v对输出给谁，默认采用的hash key来实现，也可以根据自己的需要来实现。
combiner：
实现的功能跟reduce 差不多，接收map 的值，经过计算后给reduce，它的key,value 类型要跟reduce 完全一样，
当reduce 业务复杂时可以用，不过它只是操作本机的数据。
8、MapReduce中排序发生在哪几个阶段？？这些排序是否可以避免，为什么？？
答：一个MapReduce作业由Map阶段和Reduce阶段两部分组成，这两阶段会对数据排序，从这个意义上说，MapReduce框架本质就是一个Distributed Sort。在Map阶段，在Map阶段，Map Task会在本地磁盘输出一个按照key排序（采用的是快速排序）的文件（中间可能产生多个文件，但最终会合并成一个），在Reduce阶段，每个Reduce Task会对收到的数据排序，这样，数据便按照Key分成了若干组，之后以组为单位交给reduce（）处理。很多人的误解在Map阶段，如果不使用Combiner便不会排序，这是错误的，不管你用不用Combiner，Map Task均会对产生的数据排序（如果没有Reduce Task，则不会排序， 实际上Map阶段的排序就是为了减轻Reduce端排序负载）。由于这些排序是MapReduce自动完成的，用户无法控制，因此，在hadoop 1.x中无法避免，也不可以关闭，但hadoop2.x是可以关闭的。
9、编写MapReduce作业时，如何做到在Reduce阶段，先对Key排序，再对Value排序？？
答：该问题通常称为”二次排序“，最常用的方法是将Value放到Key中，实现一个组合Key，然后自定义Key排序规则（为Key实现一个WritableComparable）
10、如何使用MapReduce实现两个表join，可以考虑一下几种情况：（1）一个表大，一个表小（可放到内存中）；（2）两个表都是大表
答：第一种情况比较简单，只需将小表放到DistributedCache中即可；第二种情况常用的方法有：map-side join（要求输入数据有序，通常用户Hbase中的数据表连接），reduce-side join，semi join（半连接），具体资料可网上查询
11、Job的状态及状态转换：
job总共有5种状态（PREP、RUNNING、SUCCEEDED、FAILED、KILLED），其转换及其对应的事件
- PREP -> RUNNING：作业的Setup Task(job-setup Task)成功执行完成
- PREP -> FAILED/KILLED：人为使用Shell命令杀死作业，即bin/hadoop job [-kill|-fail] <jobid>
- RUNNING -> SUCCEEDED：作业的Clean Task(job-clean Task)执行成功
- RUNNING -> FAILED：多种情况可导致该状态转移，包括人为使用Shell命令杀死作业，作业的Cleanup/Setup Task运行失败和作业失败的任务数超过了一定比例
- RUNNING -> KILLED：人为使用Shell杀死作业
