1、簡單描述如何安裝配置一個apache開源版hadoop，只描述即可，無需列出完整步驟，能列出步驟更好。

1) 安裝JDK並配置環境變量（/etc/profile）

2) 關閉防火牆

3) 配置hosts文件，方便hadoop通過主機名訪問（/etc/hosts）

4) 設置ssh免密碼登錄

5) 解壓縮hadoop安裝包，並配置環境變量

6) 修改配置文件（$HADOOP_HOME/conf）

hadoop-env.sh core-site.xml hdfs-site.xml mapred-site.xml

7) 格式化hdfs文件系統 （hadoop namenode -format）

8) 啟動hadoop （$HADOOP_HOME/bin/start-all.sh）

9) 使用jps查看進程

2、請列出正常工作的hadoop集群中hadoop都分別需要啟動那些進程，他們的作用分別是什麼，儘可能寫的全面些。

1) NameNode: HDFS的守護進程，負責記錄文件是如何分割成數據塊，以及這些數據塊分別被存儲到那些數據節點上，它的主要功能是對內存及IO進行集中管理

2) Secondary NameNode：輔助後臺程序，與NameNode進行通信，以便定期保存HDFS元數據的快照。

3) DataNode：負責把HDFS數據塊讀寫到本地的文件系統。

4) JobTracker：負責分配task，並監控所有運行的task。

5) TaskTracker：負責執行具體的task，並與JobTracker進行交互。

3、請列出你所知道的hadoop調度器，並簡要說明其工作方法。

比較流行的三種調度器有：默認調度器FIFO，計算能力調度器Capacity Scheduler，公平調度器Fair Scheduler

1) 默認調度器FIFO

hadoop中默認的調度器，採用先進先出的原則

2) 計算能力調度器Capacity Scheduler

選擇佔用資源小，優先級高的先執行

3) 公平調度器Fair Scheduler

同一隊列中的作業公平共享隊列中所有資源

4、Hive有那些方式保存元數據的，各有那些特點。

1) 內存數據庫derby，較小，不常用

2) 本地mysql，較常用

3) 遠程mysql，不常用

5、請簡述hadoop怎樣實現二級排序。

在Hadoop中，默認情況下是按照key進行排序，如果要按照value進行排序怎麼辦？

有兩種方法進行二次排序，分別為：buffer and in memory sort和 value-to-key conversion。

buffer and in memory sort

主要思想是：在reduce()函數中，將某個key對應的所有value保存下來，然後進行排序。 這種方法最大的缺點是：可能會造成out of memory。

value-to-key conversion

主要思想是：將key和部分value拼接成一個組合key（實現WritableComparable接口或者調setSortComparatorClass函數），這樣reduce獲取的結果便是先按key排序，後按value排序的結果，需要注意的是，用戶需要自己實現Paritioner，以便只按照key進行數據劃分。Hadoop顯式的支持二次排序，在Configuration類中有個setGroupingComparatorClass()方法，可用於設置排序group的key值。《Hadoop&Spark解決二次排序問題(Hadoop篇)》

6、簡述hadoop實現Join的幾種方法。

(1)、reduce side join

reduce side join是一種最簡單的join方式，其主要思想如下：

在map階段，map函數同時讀取兩個文件File1和File2，為了區分兩種來源的key/value數據對，對每條數據打一個標籤（tag）,比如：tag=0表示來自文件File1，tag=2表示來自文件File2。即：map階段的主要任務是對不同文件中的數據打標籤。

在reduce階段，reduce函數獲取key相同的來自File1和File2文件的value list， 然後對於同一個key，對File1和File2中的數據進行join（笛卡爾乘積）。即：reduce階段進行實際的連接操作。

(2)、map side join

之所以存在reduce side join，是因為在map階段不能獲取所有需要的join字段，即：同一個key對應的字段可能位於不同map中。Reduce side join是非常低效的，因為shuffle階段要進行大量的數據傳輸。

Map side join是針對以下場景進行的優化：兩個待連接表中，有一個表非常大，而另一個表非常小，以至於小表可以直接存放到內存中。這樣，我們可以將小表複製多份，讓每個map task內存中存在一份（比如存放到hash table中），然後只掃描大表：對於大表中的每一條記錄key/value，在hash table中查找是否有相同的key的記錄，如果有，則連接後輸出即可。

為了支持文件的複製，Hadoop提供了一個類DistributedCache，使用該類的方法如下：

（1）用戶使用靜態方法DistributedCache.addCacheFile()指定要複製的文件，它的參數是文件的URI（如果是HDFS上的文件，可以這樣：hdfs://namenode:9000/home/XXX/file，其中9000是自己配置的NameNode端口號）。JobTracker在作業啟動之前會獲取這個URI列表，並將相應的文件拷貝到各個TaskTracker的本地磁盤上。（2）用戶使用DistributedCache.getLocalCacheFiles()方法獲取文件目錄，並使用標準的文件讀寫API讀取相應的文件。

(3)、SemiJoin

SemiJoin，也叫半連接，是從分佈式數據庫中借鑑過來的方法。它的產生動機是：對於reduce side join，跨機器的數據傳輸量非常大，這成了join操作的一個瓶頸，如果能夠在map端過濾掉不會參加join操作的數據，則可以大大節省網絡IO。

實現方法很簡單：選取一個小表，假設是File1，將其參與join的key抽取出來，保存到文件File3中，File3文件一般很小，可以放到內存中。在map階段，使用DistributedCache將File3複製到各個TaskTracker上，然後將File2中不在File3中的key對應的記錄過濾掉，剩下的reduce階段的工作與reduce side join相同。

(4)、reduce side join + BloomFilter

在某些情況下，SemiJoin抽取出來的小表的key集合在內存中仍然存放不下，這時候可以使用BloomFiler以節省空間。

BloomFilter最常見的作用是：判斷某個元素是否在一個集合裡面。它最重要的兩個方法是：add() 和contains()。最大的特點是不會存在false negative，即：如果contains()返回false，則該元素一定不在集合中，但會存在一定的true negative，即：如果contains()返回true，則該元素可能在集合中。

因而可將小表中的key保存到BloomFilter中，在map階段過濾大表，可能有一些不在小表中的記錄沒有過濾掉（但是在小表中的記錄一定不會過濾掉），這沒關係，只不過增加了少量的網絡IO而已。

7、請簡述MapReduce中combiner、partition的作用

(1)、combiner

有時一個map可能會產生大量的輸出，combiner的作用是在map端對輸出先做一次合併，以減少網絡傳輸到reducer的數量。

注意：mapper的輸出為combiner的輸入，reducer的輸入為combiner的輸出。

(2)、partition

把map任務輸出的中間結果按照key的範圍劃分成R份(R是預先定義的reduce任務的個數)，劃分時通常使用hash函數，如：hash(key) mod R

這樣可以保證一段範圍內的key，一定會由一個reduce任務來處理。