面试系列四 之 项目涉及技术Hadoop
Posted chbxw
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了面试系列四 之 项目涉及技术Hadoop相关的知识,希望对你有一定的参考价值。
1.1、Hadoop常用端口号
- dfs.namenode.http-address:50070
- dfs.datanode.http-address:50075
- SecondaryNameNode辅助名称节点端口号:50090
- dfs.datanode.address:50010
- fs.defaultFS:8020 或者9000
- yarn.resourcemanager.webapp.address:8088
- 历史服务器web访问端口:19888
1.2、Hadoop配置文件以及简单的Hadoop集群搭建
(1)配置文件:
- core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml
- hadoop-env.sh、yarn-env.sh、mapred-env.sh、slaves
(2)简单的集群搭建过程:
- JDK安装
- 配置SSH免密登录
- 配置hadoop核心文件:
- 格式化namenode
1.3、HDFS读流程和写流程
这个很重要, 虽然现在Hadoop已经到了3.x
, 存储也越来越多样化,但是HDFS还是主流的存储,我们需要知道HDFS的读写流程。
1.3.1、HDFS 读流程
1.3.2、HDFS 写流程
1.3.3、MapReduce流程
1.3.3.1、Shffule机制
1.4、Hadoop优化
1.4.1、HDFS小文件影响
- (1)影响NameNode的寿命,因为文件元数据存储在NameNode的内存中
- (2)影响计算引擎的任务数量,比如每个小的文件都会生成一个Map任务
1.4.2、数据输入小文件处理:
- (1)合并小文件:对小文件进行归档(Har)、自定义Inputformat将小文件存储成SequenceFile文件。
- (2)采用ConbinFileInputFormat来作为输入,解决输入端大量小文件场景。
- (3)对于大量小文件Job,可以开启JVM重用。
1.4.3、Map阶段
- (1)增大环形缓冲区大小。由100m扩大到200m
- (2)增大环形缓冲区溢写的比例。由80%扩大到90%
- (3)减少对溢写文件的merge次数。
- (4)不影响实际业务的前提下,采用Combiner提前合并,减少 I/O。
1.4.4、Reduce阶段
- (1)合理设置Map和Reduce数:两个都不能设置太少,也不能设置太多。太少,会导致Task等待,延长处理时间;太多,会导致 Map、Reduce任务间竞争资源,造成处理超时等错误。
- (2)设置Map、Reduce共存:调整slowstart.completedmaps参数,使Map运行到一定程度后,Reduce也开始运行,减少Reduce的等待时间。
- (3)规避使用Reduce,因为Reduce在用于连接数据集的时候将会产生大量的网络消耗。
- (4)增加每个Reduce去Map中拿数据的并行数
- (5)集群性能可以的前提下,增大Reduce端存储数据内存的大小。
1.4.5、IO传输
- (1)采用数据压缩的方式,减少网络IO的的时间。安装Snappy和LZOP压缩编码器。
- (2)使用SequenceFile二进制文件
1.4.6、整体
- (1)MapTask默认内存大小为1G,可以增加MapTask内存大小为4-5g
- (2)ReduceTask默认内存大小为1G,可以增加ReduceTask内存大小为4-5g
- (3)可以增加MapTask的cpu核数,增加ReduceTask的CPU核数
- (4)增加每个Container的CPU核数和内存大小
- (5)调整每个Map Task和Reduce Task最大重试次数
以上是关于面试系列四 之 项目涉及技术Hadoop的主要内容,如果未能解决你的问题,请参考以下文章