
Hadoop面試中6個(gè)常見的問題及答案
準(zhǔn)備好面試了嗎?呀,需要Hadoop的知識(shí)?。??不要慌!這里有一些可能會(huì)問到的問題以及你應(yīng)該給出的答案。
Q1.什么是Hadoop?
Hadoop是一個(gè)開源軟件框架,用于存儲(chǔ)大量數(shù)據(jù),并發(fā)處理/查詢?cè)诰哂卸鄠€(gè)商用硬件(即低成本硬件)節(jié)點(diǎn)的集群上的那些數(shù)據(jù)??傊?,Hadoop包括以下內(nèi)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(chǔ)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(chǔ)在Hadoop集群中的8個(gè)不同節(jié)點(diǎn)上。每個(gè)分裂可以復(fù)制3次,以實(shí)現(xiàn)容錯(cuò),以便如果1個(gè)節(jié)點(diǎn)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(gè)計(jì)算框架。它以分布式和并行的方式處理大量的數(shù)據(jù)。當(dāng)你對(duì)所有年齡> 18的用戶在上述1 GB文件上執(zhí)行查詢時(shí),將會(huì)有“8個(gè)映射”函數(shù)并行運(yùn)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(yùn)行以將所有單獨(dú)的輸出組合成單個(gè)最終結(jié)果。
YARN(Yet Another Resource Nagotiator,又一資源定位器):用于作業(yè)調(diào)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(zhuǎn)移數(shù)據(jù)(即變換,豐富,聚合等),并查詢來(lái)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(lái)自MapReduce的改進(jìn)架構(gòu)/設(shè)計(jì),用于顯著提高的延遲以支持近實(shí)時(shí)(即NRT)和實(shí)時(shí)處理。
Q2.為什么組織從傳統(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)工具轉(zhuǎn)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(gè)方面提高自己的能力:
現(xiàn)有數(shù)據(jù)基礎(chǔ)設(shè)施:
主要使用存儲(chǔ)在高端和昂貴硬件中的“structured data,結(jié)構(gòu)化數(shù)據(jù)”
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(cāng)庫(kù)系統(tǒng)中進(jìn)行數(shù)據(jù)挖掘,分析和報(bào)告,以進(jìn)行關(guān)鍵業(yè)務(wù)決策。
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(chǔ)設(shè)施,其中
結(jié)構(gòu)化(例如RDBMS),非結(jié)構(gòu)化(例如images,PDF,docs )和半結(jié)構(gòu)化(例如logs,XMLs)的數(shù)據(jù)可以以可擴(kuò)展和容錯(cuò)的方式存儲(chǔ)在較便宜的商品機(jī)器中。
可以通過批處理作業(yè)和近實(shí)時(shí)(即,NRT,200毫秒至2秒)流(例如Flume和Kafka)來(lái)攝取數(shù)據(jù)。
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。
可以存儲(chǔ)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(qiáng)大的工具來(lái)做出更好的業(yè)務(wù)決策,這些更強(qiáng)大的工具用于獲取數(shù)據(jù),轉(zhuǎn)移存儲(chǔ)的數(shù)據(jù)(例如聚合,豐富,變換等),以及使用低延遲的報(bào)告功能和商業(yè)智能。
Q3.更智能&更大的數(shù)據(jù)中心架構(gòu)與傳統(tǒng)的數(shù)據(jù)倉(cāng)庫(kù)架構(gòu)有何不同?
傳統(tǒng)的企業(yè)數(shù)據(jù)倉(cāng)庫(kù)架構(gòu)
基于Hadoop的數(shù)據(jù)中心架構(gòu)
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(fù)雜性的增加,提高了整體SLA(即服務(wù)水平協(xié)議)。例如,“Shared Nothing”架構(gòu),并行處理,內(nèi)存密集型處理框架,如Spark和Impala,以及YARN容量調(diào)度程序中的資源搶占。
縮放數(shù)據(jù)倉(cāng)庫(kù)可能會(huì)很昂貴。添加額外的高端硬件容量以及獲取數(shù)據(jù)倉(cāng)庫(kù)工具的許可證可能會(huì)顯著增加成本。基于Hadoop的解決方案不僅在商品硬件節(jié)點(diǎn)和開源工具方面更便宜,而且還可以通過將數(shù)據(jù)轉(zhuǎn)換卸載到Hadoop工具(如Spark和Impala)來(lái)補(bǔ)足數(shù)據(jù)倉(cāng)庫(kù)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(cāng)庫(kù)資源。
探索新的渠道和線索。Hadoop可以為數(shù)據(jù)科學(xué)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(jià)值的數(shù)據(jù),這些數(shù)據(jù)通常在數(shù)據(jù)倉(cāng)庫(kù)中不可得。
更好的靈活性。通常業(yè)務(wù)需求的改變,也需要對(duì)架構(gòu)和報(bào)告進(jìn)行更改?;?a href='/map/hadoop/' style='color:#000;font-size:inherit;'>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(lái)自不同來(lái)源,如社交媒體,應(yīng)用程序日志文件,image,PDF和文檔文件的半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。
Q5.大數(shù)據(jù)解決方案的關(guān)鍵步驟是什么?
提取數(shù)據(jù),存儲(chǔ)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(zhuǎn)換和查詢數(shù)據(jù))。
提取數(shù)據(jù)
從各種來(lái)源提取數(shù)據(jù),例如:
RDBM(Relational Database Management Systems)關(guān)系數(shù)據(jù)庫(kù)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(guān)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(chǔ)在基于“Hadoop分布式文件系統(tǒng)”(簡(jiǎn)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(yùn)行一次,每晚一次,等),近實(shí)時(shí)(即100毫秒至2分鐘)流式傳輸和實(shí)時(shí)流式傳輸(即100毫秒以下)去采集數(shù)據(jù)。
Hadoop中使用的一個(gè)常用術(shù)語(yǔ)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(yīng)用的需求在處理之時(shí)應(yīng)用的結(jié)構(gòu)。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(chǔ)數(shù)據(jù)
數(shù)據(jù)可以存儲(chǔ)在HDFS或NoSQL數(shù)據(jù)庫(kù),如HBase。HDFS針對(duì)順序訪問和“一次寫入和多次讀取”的使用模式進(jìn)行了優(yōu)化。HDFS具有很高的讀寫速率,因?yàn)樗梢詫 / O并行到多個(gè)驅(qū)動(dòng)器。HBase在HDFS之上,并以柱狀方式將數(shù)據(jù)存儲(chǔ)為鍵/值對(duì)。列作為列家族在一起。HBase適合隨機(jī)讀/寫訪問。在Hadoop中存儲(chǔ)數(shù)據(jù)之前,你需要考慮以下幾點(diǎn):
數(shù)據(jù)存儲(chǔ)格式:有許多可以應(yīng)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(gè)都有特殊的優(yōu)勢(shì)。像LZO和bzip2的壓縮算法是可拆分的。
數(shù)據(jù)建模:盡管Hadoop的無(wú)模式性質(zhì),模式設(shè)計(jì)依然是一個(gè)重要的考慮方面。這包括存儲(chǔ)在HBase,Hive和Impala中的對(duì)象的目錄結(jié)構(gòu)和模式。Hadoop通常用作整個(gè)組織的數(shù)據(jù)中心,并且數(shù)據(jù)旨在共享。因此,結(jié)構(gòu)化和有組織的數(shù)據(jù)存儲(chǔ)很重要。
元數(shù)據(jù)管理:與存儲(chǔ)數(shù)據(jù)相關(guān)的元數(shù)據(jù)。
多用戶:更智能的數(shù)據(jù)中心托管多個(gè)用戶、組和應(yīng)用程序。這往往導(dǎo)致與統(tǒng)治、標(biāo)準(zhǔn)化和管理相關(guān)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(gòu),在分布式系統(tǒng)中,每個(gè)節(jié)點(diǎn)完全獨(dú)立于系統(tǒng)中的其他節(jié)點(diǎn)。沒有共享資源,如CPU,內(nèi)存以及會(huì)成為瓶頸的磁盤存儲(chǔ)。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(duì)共享數(shù)據(jù)的訪問。 “Shared Nothing”架構(gòu)是非??蓴U(kuò)展的,因?yàn)楦嗟墓?jié)點(diǎn)可以被添加而沒有更進(jìn)一步的爭(zhēng)用和容錯(cuò),因?yàn)槊總€(gè)節(jié)點(diǎn)是獨(dú)立的,并且沒有單點(diǎn)故障,系統(tǒng)可以從單個(gè)節(jié)點(diǎn)的故障快速恢復(fù)。
Q6.你會(huì)如何選擇不同的文件格式存儲(chǔ)和處理數(shù)據(jù)?
設(shè)計(jì)決策的關(guān)鍵之一是基于以下方面關(guān)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(chǔ)空間vs讀/寫/傳輸性能
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(kù)到Hadoop或到分析數(shù)據(jù)庫(kù)的批量加載。在Hadoop中使用CSV文件時(shí),不包括頁(yè)眉或頁(yè)腳行。文件的每一行都應(yīng)包含記錄。CSV文件對(duì)模式評(píng)估的支持是有限的,因?yàn)樾?a href='/map/ziduan/' style='color:#000;font-size:inherit;'>字段只能附加到記錄的結(jié)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(huì)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(chǔ)在每個(gè)記錄中,因此它能夠?qū)崿F(xiàn)完整的模式演進(jìn)和可拆分性。此外,JSON文件不支持塊級(jí)壓縮。
序列文件
序列文件以與CSV文件類似的結(jié)構(gòu)用二進(jìn)制格式存儲(chǔ)數(shù)據(jù)。像CSV一樣,序列文件不存儲(chǔ)元數(shù)據(jù),因此只有模式進(jìn)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(shí)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(chǔ)文件名作為鍵和文件內(nèi)容作為值的XML文件。由于讀取序列文件的復(fù)雜性,它們更適合用于在飛行中的(即中間的)數(shù)據(jù)存儲(chǔ)。
注意:序列文件是以Java為中心的,不能跨平臺(tái)使用。
Avro文件
適合于有模式的長(zhǎng)期存儲(chǔ)。Avro文件存儲(chǔ)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(dú)立模式。啟用完全的模式進(jìn)化支持,允許你通過定義新的獨(dú)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(jìn)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(jí)訪問的使用模式。這意味著查詢?cè)撔兄械乃辛?。不適用于行有50+列,但使用模式只需要訪問10個(gè)或更少的列。Parquet文件格式更適合這個(gè)列訪問使用模式。
Columnar格式,例如RCFile,ORC
RDBM以面向行的方式存儲(chǔ)記錄,因?yàn)檫@對(duì)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(shí)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(shí)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(cāng)庫(kù)型應(yīng)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(gè)columnar文件,如RC和ORC。Parquet文件支持塊壓縮并針對(duì)查詢性能進(jìn)行了優(yōu)化,可以從50多個(gè)列記錄中選擇10個(gè)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(gòu)進(jìn)行讀寫。
所以,總而言之,相對(duì)于其他,你應(yīng)該會(huì)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(chǔ),Avro和Parquet文件用于處理。
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長(zhǎng)度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長(zhǎng)序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠(chéng)摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡(jiǎn)稱 BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測(cè)分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢(shì)預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測(cè)分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭(zhēng)搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢(shì)性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢(shì)性檢驗(yàn)如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢(shì)與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢(shì)變化以及識(shí)別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國(guó)內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對(duì)策略? 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場(chǎng)調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場(chǎng)調(diào)研是企業(yè)洞察市場(chǎng)動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場(chǎng)調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03