前言
hadoop在大数据面试中的比重已经呈下降趋势了，因为有spark的存在，hadoop存在感越来越低，但因为有分布式文件系统HDFS的存在，hadoop也不会被时代所抛弃。
面试过程中涉及hadoop的知识点主要集中与shuffle过程，切片机制，性能调优，以及datanode挂了怎么办，HA高可用等这些真实场景问题，可见除了一些基本的知识基础之外，性能调优和真实场景的相关问题是面试问的比较多的。
秋招高频题
1.hadoop的各个组件
2.hadoop作业提交到yarn的流程：
（1）client将切片清单/配置/jar包上传到HDFS。
（2）RM收到请求后，选一个满足要求的NM，通知它启动一个特殊的Container，称为ApplicationMaster(AM)，后续流程由AM发起。
（3）AM启动后，从HDFS下载切片清单，AM向RM申请资源(Container)。
（4）若有足够资源，RM会将Container分给NM,Container反向注册给AM。
（5）AM将任务分发给Container。
（6）Container执行具体任务，NM监控任务执行情况。
（7）各个Container向AM汇报自己的执行情况，都完成后，AM向RM注销任务，RM向NM杀死Container,任务结束.
3.hive与spark区别
4.Hadoop没被淘汰因为什么？hdfs
5.hdfs与hbase有什么关系？
hbase底层是hdfs
6.hdfs默认副本数为什么是3？
hdfs采用机架感知策略来改进数据可靠性，可用性和网络带宽的利用率。
在大多数情况下，hdfs的副本数是3，hdfs的存放策略是一个副本在本地机架节点上，另外一个副本存放在同一机架的另一个节点上，第三个副本存放在不同机架的节点上
这种策略是减少了机架间的数据传输，提高了写操作的效率。
7.hdfs读写流程
- hdfs写流程：
（1）客户端与NameNode建立连接，创建文件元数据信息
（2）NameNode判断元数据是否有效
（3）NameNode触发副本存放策略，返回一个有序的DataNode列表
（4）client与DataNode建立管道连接，客户端将文件块切成一个个packet
（5）客户端将packet放入管道并向第一个DataNode传输
（6）第一个DataNode保存后发送给第二个DataNode，第二个DataNode保存后发送给第三个DataNode（类似流水线）
（7）几个DataNode会与NameNode建立心跳，确认传输完成后完成写流程
- hdfs读流程：
（1）HDFS会尽量读离它最近的副本，即如果同一个机架上有副本，就读它
（2）客户端与NameNode交互文件元数据，获取文件块的位置，NameNode会按照距离策略排序返回DataNode列表
（3）客户端从最近的DataNode开始读，先建立管道，然后DataNode将文件块的一个个packet传给客户端。
8.MapReduce中Shuffle过程：
（1）shuffle发生在map()方法之后，reduce()方法之前
（2）在map()完成后，会先通过getPartition()方法得到记录进入哪个分区
（3）然后数据进入环形缓冲区(默认100兆，超过80%会反向溢写)，溢写时对数据进行快排，对key按照字典序对索引进行排序
（4）溢写完产生多个溢写文件，进行分区归并排序，将数据放到指定分区，等待reduce拉取
（5）每个reduce拉取自己指定分区的数据，首先放入内存，内存不够再写入磁盘，进行归并排序，还可进行分组排序，最后进入reduce方法
9.map端的并行度取决于切片数
10.为什么要有shuffle过程，为什么有reduce就要有shuffle过程
shuffle的本意是洗牌，把一组有一定规律的数据尽量打散转换成一组无规律的数据，而MapReduce中的shuffle更像是洗牌的逆过程。
把一组无规律的数据尽量转换成一组具有一定规律的数据。Map是映射，负责数据的过滤分发，reduce是规约，负责数据的计算归并
reduce的数据来源于map,map的输出即为reduce的输入，reduce需要通过shuffle来获取数据。
shuffle过程必然涉及分区器，需要重新计算数据所属分区，这样相同的key才会经hash后进入同一个分区，完成数据的过滤分发过程。
11.mapreduce分桶的作用
分桶可以利于检索我们想要的数据，缩小了检索的范围
12.某个datanode挂了怎么办？
13.mapreduce的容错机制：
（1）JobTracker:无容错机制，挂掉之后需要人工介入，重启
用户可通过配置一些参数，以便JobTracker重启后，让作业恢复运行，这样JobTracker重启前，会在histrory log中记录各个作业的运行状态
这样在JobTracker重启后，重新提交这些作业，并只对未完成的task进行重新调度。
（2）TaskTracker：汇报心跳
当超过参数超过的时间间隔时未向jobTracker汇报心跳，则认为它死亡，并将其从调度池中删除；还可设置一些tasktracker host，表示这些节点不允许接入集群，也不会被分配task
（3）Job
当一个作业在某个tasktracker上失败的task个数超过设定值，则该tasktracker被加到该job的黑名单中
（4）Task
每个map Task，每个reduce task都有最大尝试次数
（5）record
跳过坏记录的条数也可设置
（6）磁盘
用户可配置多个磁盘目录，将map task中间结果分到不同的磁盘上，增强容错性。map task临时结果将被轮询写到这些目录上，以避免某个磁盘文件目录数据过多。
也可每次选择数据最少的磁盘目录写入，采样小顶堆等
14.hadoop的HA：
（1）多个节点，主NN(active 状态)与备NN(Standby 状态)，主NN对外提供服务
（2）利用一个可靠的中间件集群(JN)journalonde负责同步NN的editLog，实现最终一致性。
（3）通过zookeeper集群协调NN的主从选举和切换，用到了zk的事件回调机制。
用两个进程分别监听主备有无挂掉，一个挂了，会在zk释放锁，通过回调机制让另一个NN抢锁，以便备成为主；若监听主的进程挂了，zk也会释放锁，备节点成为主节点
（4）DN同时向NN汇报block块的信息。
HA的数据最终一致性由两部分组成：
一是中间件集群JN同步主NN的editlog，备NN去订阅JN的日志，实现最终一致性，这就完成了客户端交互操作的同步。
二是通过心跳机制DN定期向所有NN发送block块的信息。
HDFS-Federation解决方案：
解决了NN的访问压力过大，内存受限的问题；通过元数据分治，复用DN存储，元数据访问隔离性；DN目录隔离block块实现。