你準備好面試了嗎?呀，需要 Hadoop 的知識!!?不要慌!這里有一些可能會問到的問題以及你應該給出的答案。

Q1.什么是 Hadoop?

Hadoop 是一個開源軟件框架，用于存儲大量數(shù)據(jù)，并發(fā)處理/查詢在具有多個商用硬件(即低成本硬件)節(jié)點的集群上的那些數(shù)據(jù)?？傊?，Hadoop 包括以下內容：

HDFS(Hadoop Distributed File System，Hadoop 分布式文件系統(tǒng))：HDFS 允許你以一種分布式和冗余的方式存儲大量數(shù)據(jù)。例如，1 GB(即 1024 MB)文本文件可以拆分為 16 * 128MB 文件，并存儲在 Hadoop 集群中的 8 個不同節(jié)點上。每個分裂可以復制 3 次，以實現(xiàn)容錯，以便如果 1 個節(jié)點故障的話，也有備份。HDFS 適用于順序的“一次寫入、多次讀取”的類型訪問。

MapReduce：一個計算框架。它以分布式和并行的方式處理大量的數(shù)據(jù)。當你對所有年齡> 18 的用戶在上述 1 GB 文件上執(zhí)行查詢時，將會有“8 個映射”函數(shù)并行運行，以在其 128 MB 拆分文件中提取年齡> 18 的用戶，然后“reduce”函數(shù)將運行以將所有單獨的輸出組合成單個最終結果。

YARN(Yet Another Resource Nagotiator，又一資源定位器)：用于作業(yè)調度和集群資源管理的框架。

Hadoop 生態(tài)系統(tǒng)，擁有 15 多種框架和工具，如 Sqoop，F(xiàn)lume，Kafka，Pig，Hive，Spark，Impala 等，以便將數(shù)據(jù)攝入 HDFS，在 HDFS 中轉移數(shù)據(jù)(即變換，豐富，聚合等)，并查詢來自 HDFS 的數(shù)據(jù)用于商業(yè)智能和分析。某些工具(如 Pig 和 Hive)是 MapReduce 上的抽象層，而 Spark 和 Impala 等其他工具則是來自 MapReduce 的改進架構/設計，用于顯著提高的延遲以支持近實時(即 NRT)和實時處理。

Q2.為什么組織從傳統(tǒng)的數(shù)據(jù)倉庫工具轉移到基于 Hadoop 生態(tài)系統(tǒng)的智能數(shù)據(jù)中心?

Hadoop 組織正在從以下幾個方面提高自己的能力：

現(xiàn)有數(shù)據(jù)基礎設施：

1. 主要使用存儲在高端和昂貴硬件中的“structured data，結構化數(shù)據(jù)”
2. 主要處理為 ETL 批處理作業(yè)，用于將數(shù)據(jù)提取到 RDBMS 和數(shù)據(jù)倉庫系統(tǒng)中進行數(shù)據(jù)挖掘，分析和報告，以進行關鍵業(yè)務決策。
3. 主要處理以千兆字節(jié)到兆字節(jié)為單位的數(shù)據(jù)量

基于 Hadoop 的更智能的數(shù)據(jù)基礎設施：

1. 其中結構化(例如 RDBMS)，非結構化(例如 images，PDF，docs )和半結構化(例如 logs，XMLs)的數(shù)據(jù)可以以可擴展和容錯的方式存儲在較便宜的商品機器中。
2. 可以通過批處理作業(yè)和近實時(即，NRT，200 毫秒至 2 秒)流(例如 Flume 和 Kafka)來攝取數(shù)據(jù)。
3. 數(shù)據(jù)可以使用諸如 Spark 和 Impala 之類的工具以低延遲(即低于 100 毫秒)的能力查詢。
4. 可以存儲以兆兆字節(jié)到千兆字節(jié)為單位的較大數(shù)據(jù)量。

這使得組織能夠使用更強大的工具來做出更好的業(yè)務決策，這些更強大的工具用于獲取數(shù)據(jù)，轉移存儲的數(shù)據(jù)(例如聚合，豐富，變換等)，以及使用低延遲的報告功能和商業(yè)智能。

Q3.更智能&更大的數(shù)據(jù)中心架構與傳統(tǒng)的數(shù)據(jù)倉庫架構有何不同?

傳統(tǒng)的企業(yè)數(shù)據(jù)倉庫架構

基于 Hadoop 的數(shù)據(jù)中心架構

Q4.基于 Hadoop 的數(shù)據(jù)中心的好處是什么?

隨著數(shù)據(jù)量和復雜性的增加，提高了整體 SLA(即服務水平協(xié)議)。例如，“Shared Nothing”架構，并行處理，內存密集型處理框架，如 Spark 和 Impala，以及 YARN 容量調度程序中的資源搶占。

縮放數(shù)據(jù)倉庫可能會很昂貴。添加額外的高端硬件容量以及獲取數(shù)據(jù)倉庫工具的許可證可能會顯著增加成本。基于 Hadoop 的解決方案不僅在商品硬件節(jié)點和開源工具方面更便宜，而且還可以通過將數(shù)據(jù)轉換卸載到 Hadoop 工具(如 Spark 和 Impala)來補足數(shù)據(jù)倉庫解決方案，從而更高效地并行處理大數(shù)據(jù)。這也將釋放數(shù)據(jù)倉庫資源。

探索新的渠道和線索。Hadoop 可以為數(shù)據(jù)科學家提供探索性的沙盒，以從社交媒體，日志文件，電子郵件等地方發(fā)現(xiàn)潛在的有價值的數(shù)據(jù)，這些數(shù)據(jù)通常在數(shù)據(jù)倉庫中不可得。

更好的靈活性。通常業(yè)務需求的改變，也需要對架構和報告進行更改?；?Hadoop 的解決方案不僅可以靈活地處理不斷發(fā)展的模式，還可以處理來自不同來源，如社交媒體，應用程序日志文件，image，PDF 和文檔文件的半結構化和非結構化數(shù)據(jù)。

Q5.大數(shù)據(jù)解決方案的關鍵步驟是什么?

提取數(shù)據(jù)，存儲數(shù)據(jù)(即數(shù)據(jù)建模)和處理數(shù)據(jù)(即數(shù)據(jù)加工，數(shù)據(jù)轉換和查詢數(shù)據(jù))。

提取數(shù)據(jù)

從各種來源提取數(shù)據(jù)，例如：

RDBM(Relational Database Management Systems)關系數(shù)據(jù)庫管理系統(tǒng)，如 Oracle，MySQL 等。

ERPs(Enterprise Resource Planning)企業(yè)資源規(guī)劃(即 ERP)系統(tǒng)，如 SAP。

CRM(Customer Relationships Management)客戶關系管理系統(tǒng)，如 Siebel，Salesforce 等

社交媒體 Feed 和日志文件。

平面文件，文檔和圖像。

并將其存儲在基于“Hadoop 分布式文件系統(tǒng)”(簡稱 HDFS)的數(shù)據(jù)中心上?？梢酝ㄟ^批處理作業(yè)(例如每 15 分鐘運行一次，每晚一次，等)，近實時(即 100 毫秒至 2 分鐘)流式傳輸和實時流式傳輸(即 100 毫秒以下)去采集數(shù)據(jù)。

Hadoop 中使用的一個常用術語是“Schema-On-Read”。這意味著未處理(也稱為原始)的數(shù)據(jù)可以被加載到 HDFS，其具有基于處理應用的需求在處理之時應用的結構。這與“Schema-On-Write”不同，后者用于需要在加載數(shù)據(jù)之前在 RDBM 中定義模式。

存儲數(shù)據(jù)

數(shù)據(jù)可以存儲在 HDFS 或 NoSQL 數(shù)據(jù)庫，如 HBase。HDFS 針對順序訪問和“一次寫入和多次讀取”的使用模式進行了優(yōu)化。HDFS 具有很高的讀寫速率，因為它可以將 I / O 并行到多個驅動器。HBase 在 HDFS 之上，并以柱狀方式將數(shù)據(jù)存儲為鍵/值對。列作為列家族在一起。HBase 適合隨機讀/寫訪問。在 Hadoop 中存儲數(shù)據(jù)之前，你需要考慮以下幾點：

1. 數(shù)據(jù)存儲格式：有許多可以應用的文件格式(例如 CSV，JSON，序列，AVRO，Parquet 等)和數(shù)據(jù)壓縮算法(例如 snappy，LZO，gzip，bzip2 等)。每個都有特殊的優(yōu)勢。像 LZO 和 bzip2 的壓縮算法是可拆分的。
2. 數(shù)據(jù)建模：盡管 Hadoop 的無模式性質，模式設計依然是一個重要的考慮方面。這包括存儲在 HBase，Hive 和 Impala 中的對象的目錄結構和模式。Hadoop 通常用作整個組織的數(shù)據(jù)中心，并且數(shù)據(jù)旨在共享。因此，結構化和有組織的數(shù)據(jù)存儲很重要。
3. 元數(shù)據(jù)管理：與存儲數(shù)據(jù)相關的元數(shù)據(jù)。
4. 多用戶：更智能的數(shù)據(jù)中心托管多個用戶、組和應用程序。這往往導致與統(tǒng)治、標準化和管理相關的挑戰(zhàn)。

處理數(shù)據(jù)

Hadoop 的處理框架使用 HDFS。它使用“Shared Nothing”架構，在分布式系統(tǒng)中，每個節(jié)點完全獨立于系統(tǒng)中的其他節(jié)點。沒有共享資源，如 CPU，內存以及會成為瓶頸的磁盤存儲。Hadoop 的處理框架(如 Spark，Pig，Hive，Impala 等)處理數(shù)據(jù)的不同子集，并且不需要管理對共享數(shù)據(jù)的訪問。 “Shared Nothing”架構是非常可擴展的，因為更多的節(jié)點可以被添加而沒有更進一步的爭用和容錯，因為每個節(jié)點是獨立的，并且沒有單點故障，系統(tǒng)可以從單個節(jié)點的故障快速恢復。

Q6.你會如何選擇不同的文件格式存儲和處理數(shù)據(jù)?

設計決策的關鍵之一是基于以下方面關注文件格式：

使用模式，例如訪問 50 列中的 5 列，而不是訪問大多數(shù)列。

可并行處理的可分裂性。

塊壓縮節(jié)省存儲空間 vs 讀/寫/傳輸性能

模式演化以添加字段，修改字段和重命名字段。

CSV 文件

CSV 文件通常用于在 Hadoop 和外部系統(tǒng)之間交換數(shù)據(jù)。CSV 是可讀和可解析的。 CSV 可以方便地用于從數(shù)據(jù)庫到 Hadoop 或到分析數(shù)據(jù)庫的批量加載。在 Hadoop 中使用 CSV 文件時，不包括頁眉或頁腳行。文件的每一行都應包含記錄。CSV 文件對模式評估的支持是有限的，因為新字段只能附加到記錄的結尾，并且現(xiàn)有字段不能受到限制。CSV 文件不支持塊壓縮，因此壓縮 CSV 文件會有明顯的讀取性能成本。

JSON 文件

JSON 記錄與 JSON 文件不同;每一行都是其 JSON 記錄。由于 JSON 將模式和數(shù)據(jù)一起存儲在每個記錄中，因此它能夠實現(xiàn)完整的模式演進和可拆分性。此外，JSON 文件不支持塊級壓縮。

序列文件

序列文件以與 CSV 文件類似的結構用二進制格式存儲數(shù)據(jù)。像 CSV 一樣，序列文件不存儲元數(shù)據(jù)，因此只有模式進化才將新字段附加到記錄的末尾。與 CSV 文件不同，序列文件確實支持塊壓縮。序列文件也是可拆分的。序列文件可以用于解決“小文件問題”，方式是通過組合較小的通過存儲文件名作為鍵和文件內容作為值的 XML 文件。由于讀取序列文件的復雜性，它們更適合用于在飛行中的(即中間的)數(shù)據(jù)存儲。

注意：序列文件是以 Java 為中心的，不能跨平臺使用。

Avro 文件

適合于有模式的長期存儲。Avro 文件存儲具有數(shù)據(jù)的元數(shù)據(jù)，但也允許指定用于讀取文件的獨立模式。啟用完全的模式進化支持，允許你通過定義新的獨立模式重命名、添加和刪除字段以及更改字段的數(shù)據(jù)類型。Avro 文件以 JSON 格式定義模式，數(shù)據(jù)將采用二進制 JSON 格式。Avro 文件也是可拆分的，并支持塊壓縮。更適合需要行級訪問的使用模式。這意味著查詢該行中的所有列。不適用于行有 50+ 列，但使用模式只需要訪問 10 個或更少的列。Parquet 文件格式更適合這個列訪問使用模式。

Columnar 格式，例如 RCFile，ORC

RDBM 以面向行的方式存儲記錄，因為這對于需要在獲取許多列的記錄的情況下是高效的。如果在向磁盤寫入記錄時已知所有列值，則面向行的寫也是有效的。但是這種方法不能有效地獲取行中的僅 10% 的列或者在寫入時所有列值都不知道的情況。這是 Columnar 文件更有意義的地方。所以 Columnar 格式在以下情況下工作良好

在不屬于查詢的列上跳過 I / O 和解壓縮

用于僅訪問列的一小部分的查詢。

用于數(shù)據(jù)倉庫型應用程序，其中用戶想要在大量記錄上聚合某些列。

RC 和 ORC 格式是專門用 Hive 寫的而不是通用作為 Parquet。

Parquet 文件

Parquet 文件是一個 columnar 文件，如 RC 和 ORC。Parquet 文件支持塊壓縮并針對查詢性能進行了優(yōu)化，可以從 50 多個列記錄中選擇 10 個或更少的列。Parquet 文件寫入性能比非 columnar 文件格式慢。Parquet 通過允許在最后添加新列，還支持有限的模式演變。Parquet 可以使用 Avro API 和 Avro 架構進行讀寫。

所以，總而言之，相對于其他，你應該會更喜歡序列，Avro 和 Parquet 文件格式;序列文件用于原始和中間存儲，Avro 和 Parquet 文件用于處理。