0
点赞
收藏
分享

微信扫一扫

Hadoop一定会问的面试题 (MapReduce)

龙毓七七 2022-03-30 阅读 78

1.hadoop解决数据倾斜的方法。

首先什么是数据倾斜?以及现象

比如一个文件 a b c

a 一亿个 map1

b 1个 map2

c 1个 map3

做wordcount

以及现象: map1 99% map2 100% mp3 100%

如何解决数据倾斜:

1.combiner (a,1),....(a,1)->(a.1亿)   减少网络传输

但是avg不适合,如果导致数据倾斜的文件的key分布在很多文件中,不同的mapper 这种就不太适用

2.如果导致数据倾斜的文件的key分布在很多文件中

2.1 局部聚合+全局聚合

第一次map :对于导致数据倾斜的key,加上一个随机数前缀 ,这样原本相同的key也会分到不同的reduce中进行局部聚合

第二次map:去掉前缀key,进行全局聚合

思想:两次MR,第一次将key随机散列到不同的reduce中处理,达到负载均衡,

第二次再根据去除掉key的随机前缀,按照原本的key进行reduce处理

2.2   增加reduce数,提高并行度

job.setNumReduceTasks(3);
也可以设置0,reduce就不输出了,直接显示map结果 

2.3 实现自定义分区。

partitioner :按照某种规则(可以自定义)对map输出的数据进行分区操作。默认的是HashPartitner

顺序:map-》Partitioner-》reduce

根据实际数据情况 让数据分配均匀。自定义散列函数 

job.setPartitionerClass(HashPartitioner.class);

2.shuffe优化

   2.1  Map端 

     1  小文件问题,少输入文件个数,对小文件合并

     2 Combine

  2.2    I/O

     数据传输时进行压缩(Map-》Shuffe)

  2.3    reduce端

      1 设置map reduce共存。 map1 99% map2 100% mp3 100%  100%的就直接进行reduce操作

      mapreduce.job.reduce.slowstart.completedmaps   默认 0.5

也就是说  map执行到5%的时候开始为reduce申请资源,开始reduce操作

       2.尽量少用reduce   设置reduce数为0 

reduce会产生大量的网络消耗,但是该用还是用

      3.增加reduce ,提高并行度

   2.4  整体

       1    合理设置map数 和reduce数

       2  mr on yarn yarn进行参数调优 Container

       3  加配置(机器。内存等)

3 一些其他面试题

   3.1是否可以只有map没有reduce

        可以

   3.2 是否可以只有reduce没有map

    第一印象不可以

但是 hive野心很大 不想仅仅限制与sql ,想提供一个单独的,可以用Java编写的的hive自己的map/reduce框架(map不展示出来)

https://mp.weixin.qq.com/s/SkjHeuosdX-SzEC6AxGgGA

           

                                                                                                                                                                                                   
举报

相关推荐

0 条评论