整理的一点面试题

Posted 2022-11-30 Vics异地我就

Hive优化
属性优化 本地模式 JVM重用 推测执行 Fetch抓取 并行执行 压缩矢量化查询 零拷贝 关联优化 CBO优化器 小文件处理 索引优化 谓词下推
推测执行机制是什么
在作业执行的过程中数据倾斜发生的可能性是很大的，甚至有可能只有一个task执行到50%，但是其他task早早执行完毕了。
这就需要推测执行，hadoop的推测执行机制会给这些有可能需要长时间才可以执行完的task准备一个备份，一旦task执行缓慢，那么备份task也会执行task的工作，看哪个先执行完就使用哪个的结果。
但是如果数据量过于庞大，备份task有可能直接打垮集群。
Yarn的调度模式有哪些
FIFO调度器

先进先出，但不适合资源公平性

容量调度器

独立的专门队列保证小作业也可以提交后就启动，队列容量是专门保留的

以整个集群的利用率为代价，与FIFO比，大作业执行的时间要长

公平调度器

不需要预留资源，调度器可以在运行的作业之间动态平衡资源，大作业启动时，因为是唯一运行的，所以获得集群的所有资源，之后小作业启动时，被分配到集群的一半的资源，这样每个作业都能公平共享资源
Orderby 和sort by 的区别
Order by 是全局排序
Sort by 是分组排序

UDF UDTF UDAF函数区别
分类
1、用户定义函数(user-defined function)UDF;
2、用户定义聚集函数（user-defined aggregate function，UDAF）;
3、用户定义表生成函数（user-defined table-generating function，UDTF)。

UDF操作作用于单个数据行，并且产生一个数据行作为输出。大多数函数都属于这一类（比如数学函数和字符串函数）。
UDAF 接受多个输入数据行，并产生一个输出数据行。像COUNT和MAX这样的函数就是聚集函数。
UDTF 操作作用于单个数据行，并且产生多个数据行-------一个表作为输出。lateral view explore()
简单来说：
UDF:返回对应值，一对一
UDAF：返回聚类值，多对一
UDTF：返回拆分值，一对多
MR的流程
client端提交job给jobtracker，jobtracker会给这个job分配资源，在tasktracker上启动task任务，而且还要监控task任务的状况，如果task挂了，jobtracker还得重新分配新的资源给挂了的task任务，当task执行完成后，jobtracker会为reduce任务分配资源，然后监控reduce的执行流程，最后执行完成输出。

hadoop 2.x 用yarn框架，使资源的调度和监控分开，并且实现了resourcemanager的HA(通过zkfc进程和zookeeper管理实现)。
MR中有几次排序，分别是什么
3次排序。
第一次 快速排序
第二三次 归并排序
小文件的处理方式？
设置Hive中底层MapReduce读取数据的输入类：将所有文件合并为一个大文件作为输 入 hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputF ormat;
#如果hive的程序，只有maptask，将MapTask产生的所有小文件进行合并
分层有哪些，每层的功能是什么
ODS
DWD
DWM
DWS
APP
DIM
源数据层（ODS）：此层数据无任何更改，直接沿用外围系统数据结构和数据，不对外开放；为临时存储层，是接口数据的临时存储区域，为后一步的数据处理做准备。

细节层（DWD）：为数据仓库层，DW 层的数据应该是一致的、准确的、干净的数据，即对源系统数据进行了清洗（去除了杂质）后的数据。

集市层（DWS）：为数据进行小粒度的聚合，就是处理一些宽表，具体宽表，用户行为宽表，用户购买商品

应用层（DWS）：前端应用直接读取的数据源；根据报表、专题分析需求而计算生成的数据。

    数据仓库的数据来源于不同的源数据，并提供多样的数据应用，数据自下而上流入数据仓库后向上层开放应用，而数据仓库只是中间集成化数据管理的一个平台。

    顺便提一下关于数据仓库与数据库的区别：

数据库是面向事务的设计，数据仓库是面向主题设计的。
数据库一般存储业务数据，数据仓库存储的一般是历史数据。
数据库设计是尽量避免冗余，一般针对某一业务应用进行设计，比如一张简单的 User 表，记录用户名、密码等简单数据即可，符合业务应用，但是不符合分析。数据仓库在设计是有意引入冗余，依照分析需求，分析维度、分析指标进行设计。
数据库是为捕获数据而设计，数据仓库是为分析数据而设计。
DIM
维度数据表 存储维度表的
Hive中最重要的功能是什么？
元数据映射
窗口函数有哪几类？
聚合函数
排序开窗函数
分析窗口函数
机架感知的副机制
通常，大型 Hadoop 集群是以机架的形式来组织的，同一个机架上不同 节点间的网络状况比不同机架之间的更为理想。 另外， NameNode 设法将 数据块副本保存在不同的机架上以提高容错性。
而 HDFS 不能够自动判断集群中各个 datanode 的网络拓扑情况 Hadoop 允 许集群的管理员通过配置 dfs.network.script 参数来确定节点所处的机架。 文 件提供了 IP->rackid 的翻译。 NameNode 通过这个得到集群中各个 datanode 机器的 rackid 。 如果 topology.script.file.name 没有设定，则每个 IP 都会翻译 成 / default-rack 。
有了机架感知， NameNode 就可以画出上图所示的 datanode 网络拓扑图。 D1,R1 都是交换机，最底层是 datanode 。 则 H1 的 rackid=/D1/R1/H1 ， H1 的 parent 是 R1 ， R1 的是 D1 。 这些 rackid 信息可以通过 topology.script.file.name 配置。有了这些 rackid 信息就可以计算出任意两台 datanode 之间的距离。
distance(/D1/R1/H1,/D1/R1/H1)=0 相同的 datanode
distance(/D1/R1/H1,/D1/R1/H2)=2 同一 rack 下的不同 datanode
distance(/D1/R1/H1,/D1/R1/H4)=4 同一 IDC 下的不同 datanode
distance(/D1/R1/H1,/D2/R3/H7)=6 不同 IDC 下的 datanode
什么是拉链表
在源数据发生变化时，给维度记录建立一个新的“版本”记录，从而维护维度历史。SCD2不删除、不修改已存在的数据。SCD2也叫拉链表。

什么是上卷和下钻
维度中有不同的层次，每个层次可以有多个级别，这样就可以根据多个维护层次和级别进行分析，可以灵活获取高级别的汇总信息，获取低级别的明细信息，把获取高级别的汇总信息的过程叫上卷，把获取低级别的明细信息的过程叫下钻，比如：课程访问量分析，时间维度有四个级别，分别是年、月、天、小时，现在我们某个级别分析每天的课程访问量，比如按天分析课程访问量，此时我们可以按小时下钻分析，得出一天内每小时的课程访问量，也可以按月上卷，得到月度的课程访问量。

下钻维度：
天、小时
上卷维度：
年、月

为什么要使用分区？
提高查询效率，ODS start_time/dt， DWD->DWS 年月日
如果要插入的数据较多，指定分区进行插入过程繁琐，如何解决？
动态分区
静态分区和动态分区的区别？
静态分区，插入要指定值；动态分区，自动分配值。创建表时是没有区别的。
插入数据时，如果静态分区和动态分区一起使用，有什么注意的点？
静态分区要在动态分区之前。

常用的时间函数有哪些
to_date：日期时间转日期函数
select to_date(‘2015-04-02 13:34:12’);
输出：2015-04-02
from_unixtime：转化unix时间戳到当前时区的时间格式
select from_unixtime(1323308943,’yyyyMMdd’);
输出：20111208
unix_timestamp：获取当前unix时间戳
select unix_timestamp();
输出：1430816254
select unix_timestamp(‘2015-04-30 13:51:20’);
输出：1430373080
year：返回日期中的年
select year(‘2015-04-02 11:32:12’);
输出：2015
month：返回日期中的月份
select month(‘2015-12-02 11:32:12’);
day：返回日期中的天
select day(‘2015-04-13 11:32:12’);
输出：13
hour：返回日期中的小时
select hour(‘2015-04-13 11:32:12’);
输出：11
minute：返回日期中的分钟
select minute(‘2015-04-13 11:32:12’);
输出：32
second：返回日期中的秒
select second(‘2015-04-13 11:32:56’);
输出：56
weekofyear：返回日期在当前周数
select weekofyear(‘2015-05-05 12:11:1’);
输出：19
datediff：返回开始日期减去结束日期的天数
select datediff(‘2015-04-09’,‘2015-04-01’);
输出：8
date_sub：返回日期前n天的日期
select date_sub(‘2015-04-09’,4);
输出：2015-04-05
date_add：返回日期后n天的日期
select date_add(‘2015-04-09’,4);
输出：2015-04-13
from_unixtime+ unix_timestamp Hive中yyyymmdd和yyyy-mm-dd日期之间的切换
思想：先转换成时间戳，再由时间戳转换为对应格式。
–20171205转成2017-12-05
select from_unixtime(unix_timestamp(‘20171205’,‘yyyymmdd’),‘yyyy-mm-dd’) from dual;

–2017-12-05转成20171205
select from_unixtime(unix_timestamp(‘2017-12-05’,‘yyyy-mm-dd’),‘yyyymmdd’) from dual;
Hive中取最近30天数据
datediff(CURRENT_TIMESTAMP ,gmt_create)<=30
1
Hive中 两个日期相差多少小时
select (unix_timestamp(‘2018-05-25 12:03:55’) - unix_timestamp(‘2018-05-25 11:03:55’))/3600
输出：1
Hive中 两个日期相差多少分钟
select (unix_timestamp(‘2018-05-25 12:03:55’) - unix_timestamp(‘2018-05-25 11:03:55’))/60

输出：60
hive 计算某一个日期属于星期几，如2018-05-20 是星期日
SELECT IF(pmod(datediff(‘2018-05-20’, ‘1920-01-01’) - 3, 7)=‘0’, 7, pmod(datediff(‘2018-05-20’, ‘1920-01-01’) - 3, 7))
输出：7
hive返回上个月第一天和最后一天
–上个月第一天
select trunc(add_months(CURRENT_TIMESTAMP,-1),‘MM’)

select concat(substr(add_months(from_unixtime(unix_timestamp(),‘yyyy-MM-dd’),-1),1,7),’-01’);

–上个月最后一天
select date_sub(trunc(CURRENT_TIMESTAMP,‘MM’),1);

Coalesce的作用
主流数据库系统都支持COALESCE()函数，这个函数主要用来进行空值处理，其参数格
式如下：
COALESCE ( expression,value1,value2……,valuen)
COALESCE()函数的第一个参数expression为待检测的表达式，而其后的参数个数不定。
COALESCE()函数将会返回包括expression在内的所有参数中的第一个非空表达式。如果
expression不为空值则返回expression；否则判断value1是否是空值，如果value1不为空值则返
回value1；否则判断value2是否是空值，如果value2不为空值则返回value3；……以此类推，
如果所有的表达式都为空值，则返回NULL。
我们将使用COALESCE()函数完成下面的功能，返回人员的“重要日期”：如果出生日
期不为空则将出生日期做为“重要日期”，如果出生日期为空则判断注册日期是否为空，如
果注册日期不为空则将注册日期做为“重要日期”，如果注册日期也为空则将“2008年8月8
日”做为“重要日期”。实现此功能的SQL语句如下：
Hadoop 有几个组件
Hdfs
Common
Yarn
MapReduce
Hadoop常用模式？
本地模式（默认模式）
不需要启用单独进程，直接可以运行，测试和开发时使用。

伪分布式模式
等同于完全分布式，只有一个节点。需要配7个配置文件（待我后续整理后，会在此添加文章连接）

完全分布式模式
多个节点一起运行。

Hadoop主要瓶颈
Io
Cpu
带宽
内存
Flume组件以及采集方式有哪些
Source channel sink

Avro
EXEC
UDF函数自定义流程
使用IDEA新建Maven工程udf
2、配置Maven工程的pom.xml，参考《使用IDEA新建MAVEN工程配置》，然后导包
3、新建一个自定义的继承于UDF的子类
4、写入想实现的功能
4.1、导入依赖hive-exec
4.2、在标签里加入myudf，也就是jar包的名字
5、功能测试成功后，右击右侧靠边栏的MavenProjects，点开Lifecycle，双击其中的package，系统就会自动打包生成一个.jar文件（执行包），并给出jar包的路径。
6、进入jar包的文件目录，修改名字为自己想要的名字，或参考4.2的方法改名
7、把jar包通过XFTP拖到虚拟机指定目录（或者，hive文件的子目录lib里(存放jar包的地方)）
8、进入hive界面，输入下面两条语句，一条是增加这个依赖jar包，第二条是创建临时函数(毕竟第一次写的函数功能未必强大)：
add jar PATH/JAR_NAME;
Hadoop的配置文件有哪些？

CM的版本是多少
6.2.1
Yarn的列队资源隔离
CPU资源按照百分比进行使用和隔离。
限制每个container的CPU资源使用上限。
限制yarn使用的CPU上限

Yarn的调度策略
FIFO Scheduler
Capacity Scheduler
Fair Scheduler
Sqoop导入数据时被临时中断会发生什么

Sqoop的导出会遗失字段嘛？ mysql会吗？
SQOOP会 Mysql不会， 他有事务性管理，保存数据一致性。
联邦机制解决元数据存储上限
在HDFS联邦中，设计了多个相互独立的NN，使得HDFS的命名服务能够水平扩展，这些NN分别进行各自命名空间和块的管理，不需要彼此协调。每个DN要向集群中所有的NN注册，并周期性的发送心跳信息和块信息，报告自己的状态。

HDFS联邦拥有多个独立的命名空间，其中，每一个命名空间管理属于自己的一组块，这些属于同一个命名空间的块组成一个“块池”。每个DN会为多个块池提供块的存储，块池中的各个块实际上是存储在不同DN中的。

Map join ，Reduce join，SMBjoin
 Map join：当关联的两个表是一个比较小的表和一个特别大的表的时候，我们把比较小的表直接放到内存中去，然后再对比较大的表格进行map操作
 Reduce join：当关联两个表，在reduce中join，相同的key在一个reduce task
 SMBjoin：排序分桶join
ORC为什么查询快
ORC是列式存储，查询的时候不需要扫描全部的数据，而只需要读取每次查询涉及的列，由于每一列的成员都是同构的，可以针对不同的数据类型使用更高效的数据压缩算法，进一步减小I/O。由于每一列的成员的同构性，可以使用更加适合CPU pipeline的编码方式，减小CPU的缓存失效。
ORC是三级索引：文件级别、stripe条带级别、行级别
ORC有布隆过滤器
HDFS为什么分块，

• 文件大小可以大于任意一个磁盘的容量，块并不需要存储在同一个磁盘上
• 抽象块作为存储单元，简化存储子系统的设计
• 数据备份提高容错能力和可用性
  MapReduce为什么分片，
• MapReduce是给分布式计算框架，分布在不同的机器上并行运行，在哪台机器运行多少个任务计算？都是需要进行分片来给各个机器计算
  Yarn 为什么分Container
• Yarn也是一个分布式框架，要把计算任务分发给不同机器计算
  Yarn运行中最重要的是
  AppMaster
  JVM重用
• 每次每个Task都会申请一个JVM进程来运行程序，JVM进程需要内存等资源。
• 每个Task运行完成以后，这个JVM就被销毁了
• 开启JVM重用后申请了一个JVM进程的资源以后，可以运行多个Task。实现资源复用
  推测执行
• 如果appmaster发现某个Task一直不能结束，会在另外节点上启动同一个Task，谁先运行结束，另外一个会被kill
  在项目中遇到java高并发怎么解决？
• 如果很多申请读取的key不存在，就设置一个临时的默认值
• 如果一个IP短时间申请上万上十万不是正常的读取量，就把IP禁止掉
• 如果很多申请读取的key存在，但是临时，如果资源充足，就设置永久
  linux中的hive命令怎么向SQL文件传参
• –hiveconf yest=$yesterday
• yesterday=date -d ‘-1 day’ +%Y-%m-%d
  什么是Fetch抓取
  简单的，没有计算的SQL语句不会通过MapReduce
  Hive里为什么用load，不用insert into values
  因为insert into values会产生小文件，HDFS里小文件过多，会影响性能
  数据压缩常用格式
• 冷数据压缩常用zlib、
• 热数据压缩常用snappy
  零拷贝是什么
• 普通拷贝：用户发起指令给内核，内核拷贝磁盘的文件到内核缓冲区，然后由内核缓冲区拷贝到用户缓冲区，然后再由用户缓冲区拷贝到内核缓冲区，内核缓冲区通过网络发送到服务器，经过三次拷贝
• 零拷贝：直接通过内核空间不经过用户空间进行发送