Hadoop，MapReduce,HDFS面试题

今天发这个的目的是为了给自己扫开迷茫，告诉自己该进阶了，以下内容不一定官方和正确，完全个人理解，欢迎大家留言讨论

1.什么是hadoop

答：是google的核心算法MapReduce的一个开源实现。用于海量数据的并行处理。hadoop的核心主要包含：HDFS和MapReduceHDFS是分布式文件系统，用于分布式存储海量数据。MapReduce是分布式数据处理模型，本质是并行处理。

2.用hadoop来做什么？

1、最简单的，做个数据备份/文件归档的地方，这利用了hadoop海量数据的存储能力
2、数据仓库/数据挖掘：分析web日志，分析用户的行为（如：用户使用搜索时，在搜索结果中点击第2页的概率有多大）
3、搜索引擎：设计hadoop的初衷，就是为了快速建立索引。
4、云计算：据说，中国移动的大云，就是基于hadoop的
5、研究：hadoop的本质就是分布式计算，又是开源的。有很多思想值得借鉴。

3.什么是MapReduce，它是怎么工作的

MapReduce借用了函数式编程的概念，是google发明的一种用分布式来处理大数据集的数据处理模型
[这也是和SQL数据库重大区别之一，用函数编程（MapReduce）代替声明查询SQL。
SQL：声明查询结果，让数据库引擎判定获取数据。
MapReduce：数据处理步骤由你自己制定（脚本，代码）eg：复杂的数据统计模型，或改变图像数据格式]

工作流程：
1、client提交数据到DFS，然后被分为多个split，然后通过inputformatter以key-value传给jobTraker，jobTraker分配工作给多个map(taskTraker)，工程师重写map,在各个taskTraker上分别执行代码任务，做到数据不动，代码动（改革之一）。真正实现代码分布式。

2、tasktraker执行完代码后，将结果通过上下文收集起来，再传给reduce（也是taskTraker），经过排序等操作，再执行工程师重写的reduce方法,最终将结果通过outputFormatter写到DFS。

4.什么是HDFS，它的存储机制？

HDFS（Hadoop Distributed File System）是Hadoop项目的核心子项目，是分布式计算中数据存储管理的基础，坦白说HDFS是一个不错的分布式文件系统，它有很多的优点，但也存在有一些缺点，包括：不适合低延迟数据访问、无法高效存储大量小文件、不支持多用户写入及任意修改文件。

有一个文件FileA，100M大小。Client将FileA写入到HDFS上。

HDFS按默认配置。

HDFS分布在三个机架上Rack1，Rack2，Rack3。

a. Client将FileA按64M分块。分成两块，block1和Block2;

b. Client向nameNode发送写数据请求，如图蓝色虚线①——>。

c. NameNode节点，记录block信息。并返回可用的DataNode，如粉色虚线②———>。

Block1: host2,host1,host3Block2: host7,host8,host4原理：NameNode具有RackAware机架感知功能，这个可以配置。若client为DataNode节点，那存储block时，规则为：副本1，同client的节点上；副本2，不同机架节点上；副本3，同第二个副本机架的另一个节点上；其他副本随机挑选。若client不为DataNode节点，那存储block时，规则为：副本1，随机选择一个节点上；副本2，不同副本1，机架上；副本3，同副本2相同的另一个节点上；其他副本随机挑选。

d. client向DataNode发送block1；发送过程是以流式写入。

流式写入过程，1>将64M的block1按64k的package划分;2>然后将第一个package发送给host2;3>host2接收完后，将第一个package发送给host1，同时client想host2发送第二个package；4>host1接收完第一个package后，发送给host3，同时接收host2发来的第二个package。5>以此类推，如图红线实线所示，直到将block1发送完毕。6>host2,host1,host3向NameNode，host2向Client发送通知，说“消息发送完了”。如图粉红颜色实线所示。7>client收到host2发来的消息后，向namenode发送消息，说我写完了。这样就真完成了。如图黄色粗实线8>发送完block1后，再向host7，host8，host4发送block2，如图蓝色实线所示。9>发送完block2后，host7,host8,host4向NameNode，host7向Client发送通知，如图浅绿色实线所示。10>client向NameNode发送消息，说我写完了，如图黄色粗实线。。。这样就完毕了。

分析，通过写过程，我们可以了解到：

①写1T文件，我们需要3T的存储，3T的网络流量贷款。②在执行读或写的过程中，NameNode和DataNode通过HeartBeat进行保存通信，确定DataNode活着。
如果发现DataNode死掉了，就将死掉的DataNode上的数据，放到其他节点去。读取时，要读其他节点去。③挂掉一个节点，没关系，还有其他节点可以备份；甚至，挂掉某一个机架，也没关系；其他机架上，也有备份。以后是通过源码分析，和代码经验来慢慢加深这些概念的理解巩固他们，欢迎大家常驻，一起学习。