Hadoop经典面试题及解析

---

1. HDFS架构核心组件

问题：NameNode和DataNode的作用是什么？
解析：

• NameNode：存储元数据（文件目录树、块位置映射），管理文件系统命名空间，处理客户端请求
• DataNode：存储实际数据块，定期向NameNode发送心跳和块报告
• Secondary NameNode：辅助合并fsimage和edits文件（非热备节点）

---

2. MapReduce执行流程

问题：描述WordCount程序的执行过程
解析：

// Mapper阶段
map(String key, String value):
    for word in value.split():
        emitIntermediate(word, "1")

// Reducer阶段
reduce(String key, Iterator values):
    int sum = 0;
    while(values.hasNext()) sum += parseInt(values.next());
    emit(key, sum)

过程分解：

1. 输入分片（Split）
2. Map任务处理生成键值对
3. Shuffle阶段排序分组
4. Reduce任务聚合结果

---

3. 数据倾斜解决方案

问题：如何处理MapReduce中的数据倾斜？
方法：

1. 预处理数据采样（Combine抽样检测热点Key）
2. 自定义Partitioner将热点Key分散到不同Reducer
3. 使用随机前缀打散Key（如：KaTeX parse error: Expected 'EOF', got '#' at position 32: …iginal\_key + "#̲" + random(3)）
4. 开启Combiner预聚合

---

4. HDFS读写流程

问题：描述文件写入HDFS的过程
流程：

1. 客户端向NameNode申请写入
2. NameNode返回DataNode列表（含副本存储位置）
3. 客户端建立管道传输数据块
4. DataNode完成副本复制后返回确认

---

5. YARN架构原理

问题：YARN如何实现资源管理？
组件：

• ResourceManager：全局资源调度（含Scheduler和ApplicationsManager）
• NodeManager：单节点资源监控与容器管理
• ApplicationMaster：单个应用的任务协调

资源分配公式：
$$total\_container=\frac{cluster\_memory}{container\_memory}\times \frac{cluster\_vcores}{container\_vcores}$$

---

6. 小文件问题处理

问题：HDFS存储小文件有什么影响？如何优化？
解决方案：

1. 使用Har归档文件（Hadoop Archive）
2. 合并小文件为SequenceFile
3. 调整HDFS块大小参数（dfs.blocksize）
4. 使用CombineFileInputFormat

---

7. 容错机制

问题：Task失败后如何恢复？
机制：

1. TaskTracker定期发送心跳
2. 若Task失败超过4次（可配置），任务标记为失败
3. ApplicationMaster重新调度任务到其他节点
4. 已完成的Map任务结果会被保留

---

8. 推测执行原理

问题：什么是推测执行（Speculative Execution）？
原理：
当检测到某个Task比同阶段其他Task慢时（通过进度百分比比较），启动备份任务并行执行，最终取先完成的结果。判断公式：
$$progress\_rate=\frac{current\_progress-last\_progress}{time\_diff}$$
当某Task速率低于平均速率的$0.2$倍时触发推测执行。

---

9. Hadoop 1.x与2.x差异

对比：

特性	Hadoop 1.x	Hadoop 2.x
资源管理	JobTracker统一管理	YARN分层架构
扩展性	最大4000节点	支持10000+节点
高可用	NameNode单点故障	NameNode HA（双主热备）

---

10. 适用场景分析

问题：Hadoop适合处理哪些类型的数据？
典型场景：

• 离线批处理（日志分析、ETL）
• 海量数据存储（PB级）
• 非结构化数据处理（文本、图像）
  不适用场景：
• 低延迟实时计算
• 频繁更新的OLTP系统
• 强事务一致性需求场景

---

提示：理解底层设计原理比死记配置参数更重要，面试时建议结合项目经验说明具体问题的解决过程。