大数据面试问答-Hadoop/Hive/HDFS/Yarn

1. Hadoop

1.1 MapReduce

1.1.1 Hive语句转MapReduce过程

可分为 SQL解析阶段、语义分析阶段、逻辑计划生成阶段、逻辑优化阶段、物理计划生成阶段。

SQL解析阶段
词法分析(Lexical Analysis)：使用Antlr3将SQL字符串拆分为有意义的token序列
语法分析(Syntax Analysis)：根据Hive语法规则构建抽象语法树(AST)
示例转换：SELECT a FROM t WHERE b > 10会被解析为：

TOK_QUERY
  TOK_FROM (TOK_TABREF (TOK_TABNAME t))
  TOK_INSERT
    TOK_DESTINATION (TOK_DIR TOK_TMP_FILE)
    TOK_SELECT
      TOK_SELEXPR (TOK_TABLE_OR_COL a)
    TOK_WHERE (> (TOK_TABLE_OR_COL b) 10)

语义分析阶段
元数据验证：检查表、列是否存在，类型是否匹配
隐式类型转换：如将字符串与数字比较时的自动转换
UDF解析：确定用户定义函数的实现类
权限验证：检查用户是否有执行该查询的权限

逻辑计划生成
Operator Tree构建：将AST转换为由TableScanOperator、FilterOperator、SelectOperator等组成的DAG
初始逻辑计划：对于SELECT a FROM t WHERE b > 10会生成：

TableScanOperator(t)
  ↓
FilterOperator(b > 10)
  ↓
SelectOperator(a)
  ↓
FileSinkOperator(output)

逻辑优化阶段
优化规则应用：
列剪枝(Column Pruning)：只读取需要的列
谓词下推(Predicate Pushdown)：尽早过滤数据
分区裁剪(Partition Pruning)：只扫描相关分区
MapJoin优化：自动将小表JOIN转换为Map端JOIN
合并操作：如合并相邻的FilterOperator

物理计划生成
Operator到MR任务的映射：
TableScanOperator → Map任务输入
FilterOperator/SelectOperator → Map任务处理逻辑
GroupByOperator → Reduce阶段聚合
JoinOperator → 根据大小决定CommonJoin或MapJoin

1.1.2 MapReduce过程

“MapReduce是Hadoop的核心计算模型，其过程可分为Map、Shuffle、Reduce三个阶段”

阶段一：Map阶段
输入分片：HDFS数据按块（默认128MB）划分成多个Split，每个Split启动一个Map Task
数据处理：
列剪枝：若查询仅涉及部分列，Hive优化器会跳过无关列解析（如ORC文件只读取所需列）
谓词下推：将WHERE条件推送到存储层，减少数据读取量（例如Parquet文件的行组过滤）
Map逻辑：执行投影、转换、打标签（Join时标记表来源），输出<k,v>对（k通常是group by/join key）
示例：处理SELECT user_id, SUM(order_amt) FROM orders WHERE dt='2023-01' GROUP BY user_id时：
Map Task过滤dt='2023-01’的记录
提取user_id和order_amt，输出<user_id, order_amt>

阶段二：Shuffle阶段
环形缓冲区：Map输出先写入内存缓冲区（默认100MB），达到阈值后spill到磁盘
分区排序：
按key的hash值分区（确保相同key进入同一Reducer）
每个分区内按key排序（为Reduce阶段的归并排序做准备）
Combiner优化：在Map端进行本地聚合（如sum操作），减少网络传输量
调优经验：曾通过调整mapreduce.task.io.sort.mb提升shuffle效率20%

阶段三：Reduce阶段
数据拉取：Reducer通过HTTP从各Map节点抓取对应分区的数据
归并排序：对来自不同Map的相同key数据进行多路归并
聚合计算：执行最终聚合（如SUM）、Join关联等逻辑
结果输出：通过OutputFormat写入HDFS，Hive默认使用TextOutputFormat

总结：map阶段从hdfs取数据块，并根据查询语句输出kv键值对；shuffle阶段将相同k的键值对分到同一个reduce里；reduce阶段将键值对根据查询语句进行聚合得到结果。

1.1.2.1 MapReduce引申问题

MR过程中存在2次聚合：
1是map阶段生成键值对后，输出到磁盘之前，会先根据k值进行聚合，此过程为Combiner阶段，可以通过// 在MapReduce作业中显式设置Combiner类 job.setCombinerClass(SumCombiner.class);开启，好处在于可以提前聚合，减少shuffle阶段的数据量，提升效率，但需注意，因为同一个k的键值对并不一定处在同一个map任务里，所以Combiner只能解决部分聚合，而不是所有。
2是在reduce阶段从shuffle阶段获取的键值对，对其进行聚合，可以理解reduce是全局聚合，而combiner是局部聚合。

2. Hive

Hive 不是传统的关系型数据库，而是一个基于Hadoop的数据仓库工具，提供类SQL（HiveQL）的查询功能。
核心差异：
存储与计算：Hive依赖HDFS存储数据，依赖MapReduce/Tez/Spark进行计算。
延迟：Hive适用于高延迟的批处理场景（OLAP），而非低延迟的实时事务处理（OLTP）。
功能特性：支持表结构定义、数据加载、复杂查询，但不支持事务和实时更新（Hive 3+支持有限的事务）。

2.1 内部表和外部表

特性	内部表	外部表
数据管理	Hive管理数据和元数据	Hive仅管理元数据，数据由用户维护
删除表时	删除元数据和HDFS数据	仅删除元数据，HDFS数据保留
语法	CREATE TABLE table_name (…)	CREATE EXTERNAL TABLE table_name (…) LOCATION ‘/path’
适用场景	临时数据、测试场景	多系统共享数据（如Spark、Presto）

2.2 SORT BY vs ORDER BY vs DISTRIBUTE BY vs CLUSTER BY

ORDER BY全局排序但性能低，SORT BY局部排序，CLUSTER BY为分桶，DISTRIBUTE BY为分区，分区和分桶在性能优化文章有详细介绍。

2.3 Join的类型

Join 类型	别称	触发条件	核心原理	适用场景	资源消耗
Map Join	Broadcast Join	小表 + 大表	将小表广播到所有 Map 任务内存中	小表可完全装入内存	低（无 Shuffle）
Bucket Map Join	分桶优化 Join	分桶对齐的大表 + 大表	利用分桶的物理分布，跳过 Shuffle	大表预先分桶且 JOIN Key 对齐	低（无 Shuffle）
Sort-Merge Join	SMB Join	分桶且排序对齐的大表 + 大表	分桶排序后按序合并	大表分桶且排序，JOIN Key 对齐	中（部分排序开销）
Common Join	Reduce Join	默认策略（无优化条件时）	Shuffle + Reduce 阶段处理	通用场景	高（Shuffle 开销大）

Map Join 和 Bucket Map Join 是避免 Shuffle 的核心优化手段，前者依赖小表广播，后者依赖分桶对齐。
Sort-Merge Join 是对分桶场景的进一步优化，适合排序对齐的大表。
Common Join 是保底策略，但应尽量避免其触发（通过分桶、分区、过滤条件优化）。
实际场景中，分桶 + Bucket Map Join 是大表 Join 的黄金组合，而 Map Join 是小表 Join 大表的标准方案。通过合理设计表结构和参数配置，可显著提升 Hive 查询性能。

3. Hdfs

HDFS（Hadoop Distributed File System）是Hadoop生态的分布式文件系统，设计用于存储超大规模数据集（PB级以上），并在廉价硬件集群上提供高容错性和高吞吐量访问。
特点是：
容错优先：硬件故障是常态而非异常，HDFS通过自动冗余和故障恢复保障数据可靠性。
流式数据访问：适合批处理（如MapReduce），而非低延迟的随机读写。
大文件存储：优化大文件存储（如TB级），避免小文件导致的元数据膨胀。

3.1 核心架构与组件

主从架构：
NameNode（主节点）：
管理文件系统元数据（命名空间、块映射、访问控制）。
单点问题（早期版本）通过HA（High Availability）解决：双NameNode（Active/Standby）+ JournalNodes（元数据同步）。
DataNode（从节点）：
存储实际数据块，定期向NameNode发送心跳和块报告。
Secondary NameNode（辅助角色）：
合并FsImage与EditLog（非HA方案下），防止EditLog过大。
数据存储机制：
分块存储：文件按块（Block，默认128MB/256MB）切分，分散存储在多台DataNode。
副本机制：默认3副本，按机架感知策略（Rack Awareness）分布（同机架→跨机架），平衡容错与网络效率。

3.2 读写流程与原理

写入流程：
客户端向NameNode申请写入，获取可写入的DataNode列表。
数据按管道（Pipeline）写入：客户端→DN1→DN2→DN3，确保副本顺序写入。
写入成功后，NameNode更新元数据。

读取流程：
客户端向NameNode获取文件块的位置信息。
直接从最近的DataNode读取数据（就近原则），支持并行读取多个块。

3.2 小文件

HDFS 默认块大小确实为 128MB（或 256MB，取决于版本），但实际应用中仍然存在大量小文件，主要原因如下：
（1）用户直接上传小文件
场景：用户直接将大量小文件（如日志、图片、CSV 文件）上传到 HDFS，未做合并。
原因：业务需求需要保留原始文件（如用户上传的图片需按原文件访问）。
缺乏对小文件合并的意识或工具支持。
（2）日志切割
场景：日志收集工具（如 Flume、Logstash）按时间或大小切割日志文件。
示例：Flume 配置按小时滚动日志文件，若每小时日志量仅 10MB，则会生成大量 10MB 的小文件。
（3）ETL 过程的分区输出
场景：数据处理任务（如 Hive、Spark）按分区字段（如日期、城市）输出结果。
示例：
某 Hive 任务按 dt=20231001、city=beijing 分区，若每个分区的数据量仅 1MB，则每个分区生成一个小文件。

危害：即使文件只有1KB，也会在NameNode中占用元数据，并且存储时占用一个块的空间，导致资源浪费

小文件合并的方法：
Hadoop Archive (HAR)
原理：
将多个小文件打包成一个HAR文件，减少NameNode元数据条目。
HAR文件在HDFS中表现为一个索引文件（.har.index）和数据文件（part-0…part-N），通过har://协议访问内部文件。
命令示例：

hadoop archive -archiveName output.har -p /input/dir /output/dir

优点：
显著减少NameNode元数据量。
兼容HDFS原生操作，无需修改上层应用。
缺点：
访问HAR内文件时需额外解析索引，性能略低。
不支持修改，仅适用于归档冷数据。

Hive表分区与ORC/Parquet格式
原理：
将小文件导入Hive表，按分区（如日期、类型）组织数据，并使用列式存储格式（ORC/Parquet）合并文件。
列式格式自动合并小文件为更大的块，并支持压缩。
实现方式：

-- 插入数据时合并小文件
SET hive.merge.mapfiles = true;
SET hive.merge.size.per.task = 256000000; -- 合并后目标大小
INSERT OVERWRITE TABLE target_table PARTITION(dt='20231001')
SELECT * FROM source_table;

优点：同时优化存储和计算性能，适合数仓场景。

3.3 Secondary NameNode

Secondary NameNode（SNN）是 HDFS 早期版本（非 HA 架构）中的一个关键角色，主要用于辅助 NameNode 管理元数据，但其名称容易引起误解——它并不是 NameNode 的热备节点，无法直接接管 NameNode 的工作。

非 HA 集群：Secondary NameNode 是元数据管理的“辅助清洁工”，负责定期合并 FsImage 和 EditLog，防止日志文件过大占用空间增加风险。
HA 集群：其职责由 Standby NameNode 承担，实现高可用性与实时元数据同步。

4. Yarn

YARN（Yet Another Resource Negotiator）是Hadoop 2.0引入的分布式资源管理框架，核心职责是解耦资源管理与计算框架，实现统一的集群资源调度。

4.1 核心架构与组件

（1）核心角色
ResourceManager（RM）：
全局资源调度器：负责整个集群的资源分配（通过Scheduler模块）。
核心功能：
接收客户端提交的应用（如MapReduce/Spark作业）。
启动ApplicationMaster（AM）并监控其状态。
处理NodeManager（NM）心跳，管理节点资源状态。
高可用（HA）：通过Active/Standby双节点避免单点故障。

NodeManager（NM）：
单节点资源代理：管理单个节点的资源（如CPU、内存、磁盘）。
职责：
向RM汇报资源状态。
启动/监控Container（资源容器），执行具体任务（如Map Task）。

ApplicationMaster（AM）：
应用级管家：每个应用（如一个Spark作业）对应一个AM。
职责：
向RM申请资源（Container）。
与NM协作启停任务，监控任务状态。
容错处理（如任务失败重试）。

4.2 Yarn的工作流程

以提交一个MapReduce作业为例：

作业提交：客户端向RM提交应用（包含JAR包、配置、资源需求）。
启动AM：RM分配一个Container启动AM。
资源申请：AM向RM申请运行任务的Container资源。
任务分配：RM根据调度策略（如容量调度器）分配资源，AM与NM协作启停任务。
任务执行与监控：AM监控任务状态，失败时重试或上报RM。
作业完成：AM向RM注销，释放资源。

4.2 Yarn的资源调度策略

（1）调度器类型
FIFO Scheduler：先进先出，简单但易导致资源饥饿（大作业阻塞小作业）。
Capacity Scheduler（默认）：划分多个队列，每个队列设置资源容量，队列内采用FIFO。
适用场景：多租户共享集群，需资源隔离。
Fair Scheduler：动态平衡资源分配，保证所有作业公平共享资源。
适用场景：交互式分析（如临时查询需快速响应）。

（2）资源分配模型
基于资源预留：AM可预先申请资源，避免资源碎片。
资源超卖：支持配置虚拟核（vCore），物理核可超量分配。