HDFS常见题

1. 谈谈什么是Hadoop?

Hadoop是一个开源软件框架，用于存储大量数据，并发计算/查询节点的集群上的数据。
　　Hadoop包括以下内容：
　　　　HDFS(Hadoop Distributed File System)：Hadoop分布式文件存储系统。
　　　　MapReduce：分布式计算框架。它以分布式和并行的方式处理大量的数据。
　　　　YARN(资源定位器)：用于管理和调度集群资源的框架。

2. 谈谈 hadoop1 和 hadoop2 的区别？

hadoop1.x：由Common（公共模块辅助工具）、HDFS（分布式数据存储）、MapReduce（分布式计算+资源调度）组成
　　hadoop1.x：由Common（公共模块辅助工具）、HDFS（分布式数据存储）、MapReduce（分布式计算）、YARN（统一资源调度）组成

3、什么是HDFS文件系统？

HDFS是大数据开源框架hadoop的组件之一，全称（Hadoop Distributed File System），它是一个分布式文件系统，由多台服务器联合起来实现文件存储功能，通过目录树来定位文件，集群中的服务器都有有各自的角色。

4、HDFS文件系统有什么特点？

1.数据通过副本存储，提高容错性
　　2.能够处理PB级及以上数据，可处理百万级文件数量
　　3.节约成本，可分布在“廉价”机器上
　　4.不适合低延时数据访问
　　5.不适合对大量文件的存储和访问
　　6.单线程操作文件不能多用户执行写操作，并且不支持文件随机修改

5、HDFS默认数据块得大小是多少？为什么？

HDFS目前默认块大小在Hadoop2.x版本中是128M，老版本中是64M,
　　因为目前磁盘的传输率约为100M/s,而HDFS读取文件时最佳的寻址
　　时间为10ms，寻址时间为传输时间的百分之1时最佳，所以定义块
　　大小为128M，1秒左右可以快速读取完毕；本质上HDFS的块大小取决于
　　磁盘的传输速率。

6、为什么HDFS不支持存储小文件？

1）存储大量小文件会占用NameNode大量的内存和磁盘来存储文件目录和块信息。是不可取的，因为NameNode的内存是有限的；
　　 2）读取小文件时寻址时间会超过读取时间，不合理，违反了HDFS的设计目标.

7、 简单描述hdfs文件的读取流程？

说说hdfs的文件上传的流程
　　　　1.首先客户端通过Distributed FileSystem模块向NameNode请求上传文件，NameNode检查目标文件是否已存在，父目录是否存在。
　　　　2.NameNode返回是否可以上传。
　　　　3.如果文件大于128M则分块存储，客户端请求第一个 Block上传到哪几个DataNode服务器上。
　　　　4.NameNode根据副本储存策略返回3个DataNode节点，假如为dn1、dn2、dn3。
　　　　5.客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求调用dn2，dn2调用dn3，建立通信管道完成,dn1、dn2、dn3逐级应答客户端。
　　　　6.客户端以Packet为单位往dn1上传第一个Block数据,dn1收到Packet就会传给dn2，dn2传给dn3；dn1,dn2,dn3每接收packet会放入一个待写队列等待写入数据，落盘。
　　　　7.当一个Block传输完成之后，客户端再次请求NameNode上传第二个Block的服务器，重复执行3-6步。

说说文件的下载流程

1.客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。
　　　　2.挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
　　　　3.DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet为单位来做校验）。
　　　　4.客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。

8.我们在上传文件的时候namenode如何选取的datanode存储副本？有什么优势?

HDFS的放置策略是将一个副本放置在本地机架中的一个节点上，将另一个副本放置在本地机架中的另一个节点上，最后一个副本放置在不同机架中的另一个节点上（一个副本在Client所处的节点上。如果客户端在集群外，随机选一个,第二个副本和第一个副本位于相同机架，随机节点,第三个副本位于不同机架，随机节点）。

优点：该策略减少了机架间的写流量，通常可以提高写性能。机架故障的机会远小于节点故障的机会。此策略不会影响数据的可靠性和可用性保证

9.描述一下Namenode和secondarynamenode的工作机制

1. NameNode启动和工作内容
　　　　1.1第一次启动NameNode格式化后，创建Fsimage和Edits文件。如果不是第一次启动，会加载编辑日志和镜像文件到内存。
　　　　1.2客户端对元数据进行增删改的请求。
　　　　1.3NameNode记录操作日志，更新滚动日志。
　　　　1.4NameNode在内存中对元数据进行增删改。
　　 2. Secondary NameNode工作内容
　　　　2.1 2NN询问NN是否需要CheckPoint（合并镜像和编辑日志），并带回NameNode是否执行结果。
　　　　2.2 2NN请求执行CheckPoint
　　　　2.3 NN滚动正在写的Edits编辑日志。
　　　　2.4 将滚动前的编辑日志和镜像文件拷贝到2NN。
　　　　2.5 2NN加载编辑日志和镜像文件到内存，并执行合并，生成新的镜像文件fsimage.chkpoint。
　　　　2.6 2NN拷贝fsimage.chkpoint到NN。
　　　　2.7 NN将fsimage.chkpoint重新命名成fsimage，替换之间旧的fsimage

10.fsimage和edits文件分别指的是什么？存的是什么？

fsimage：HDFS文件系统元数据的镜像文件，其中包含HDFS文件系统的所有目录和文件inode及相关属性的序列化信息。
edits：用户操作的编辑日志文件，存放HDFS文件系统的所有更新操作的动作，文件所有写操作会被记录到Edits文件中。

11.默认情况下进行ckeckpoint（合并镜像及编辑日志）的触发条件是什么？

默认情况下，2NN每隔一小时执行一次checkpoint
默认情况下，一分钟检查一次Edits文件的操作次数，当操作次数达到1百万时，2NN执行一次checkpoint。

12.工作中假如你的namenode发生故障，导致namenode中的元数据丢失，如何恢复数据？

方法一：将2NN所在服务器元数据存储目录namesecondary中数据拷贝到NameNode存储元数据的name目录下，重新开启服务即可。
方法二：使用-importCheckpoint选项启动NameNode守护进程，将2NN所在服务器元数据存储目录namesecondary拷贝到NameNode所在服务器的同级目录下，导入检查点数据，重新开启服务即可。

1.修改hdfs-site.xml中的

       <property>
　　　　　　<name>dfs.namenode.checkpoint.period</name>
　　　　　　<value>120</value>
　　　　</property>
　　　　<property>
　　　　　　<name>dfs.namenode.name.dir</name>
　　　　　　<value>/opt/module/hadoop-2.7.2/data/tmp/dfs/name</value>
　　　　</property> 

导入检查点数据：hdfs namenode -importCheckpoint
注意：恢复后会丢失最后一次Edits文件记录的用户操作

13.什么情况下集群会进入安全模式？安全模式下集群有有什么限制？如何查看、进入、退出、等待安全模式

1.NameNode启动时，会将镜像文件（Fsimage）和编辑日志（Edits）加载到内存。一旦在内存中成功建立文件系统元数据的映像，则创建一个新的Fsimage文件和一个空的编辑日志。此时，NameNode开始监听DataNode请求。这个过程期间，NameNode处于安全模式。当数据块的副本数不满足（dfs.replication.min=1）最小副本数时，不会主动退出安全模式；
2.安全模式下：NameNode的文件系统对于客户端来说是只读的。
3.（1）bin/hdfs dfsadmin -safemode get （功能描述：查看安全模式状态）
（2）bin/hdfs dfsadmin -safemode enter （功能描述：进入安全模式状态）
（3）bin/hdfs dfsadmin -safemode leave （功能描述：离开安全模式状态）
（4）bin/hdfs dfsadmin -safemode wait （功能描述：等待安全模式状态）
注意：集群正常启动完成后，自动退出安全模式，如果无法正常退出可使用hdfs dfsadmin -safemode leave退出安全模式；对于全新创建的HDFS集群，NameNode启动后不会进入安全模式，因为没有Block信息。

14.启动集群时，我们要对namenode进行格式化操作？为什么只能格式化一次

因为格式化NameNode，就会产生新的集群id,导致NameNode和DataNode的集群id不一致，集群找不到已往数据（现象datanode无法正常启动）;所以，重新格式化NameNode时，一定要先删除data数据和log日志，然后再格式化NameNode，后再启动集群

15.公司现在有4台服务器hadoop1、hadoop2、hadoop3、hadoop4 4台服务器，hadoop2和hadoop4配置相对较好，根据现有配置设计一个集群，并简单说说基本的配置流程？

hadoop1 　　　　 hadoop2 　　　　 hadoop3　　　　 hadoop4
　 datanode 　　 　 datanode　　　　 datanode 　　 　　 datanode
　 nodemanager 　 nodemanager　　 nodemanager 　　 nodemanager
　　　　　　　　　　namenode 　　　　　　　　　　　　 resourcemanager

16.启动集群的相关命令有哪些？

1 启动集群之前一定要格式化(/opt/module/hadoop-2.7.2)
　　　　bin/hdfs namenode -format ( has been successfully formatted
　　 2 启动HDFS服务
　　　　2.1 启动namenode
　　　　　　sbin/hadoop-daemon.sh start|stop namenode
　　　　2.2 启动datanode
　　　　　　sbin/hadoop-daemon.sh start|stop datanode
　　　　检查namenode的web页面是否可以访问
　　　　http://192.168.232.201:50070
　 　3 启动YARN服务
　　　　3.1 启动resourcemanager
　　　　　　sbin/yarn-daemon.sh start|stop resourcemanager
　　　　3.2 启动nodemanager
　　　　　　sbin/yarn-daemon.sh start|stop nodemanager
　　　　检查yarn的web页面:http://192.168.232.201:8088
　　4 开启历史服务
　　　　sbin/mr-jobhistory-daemon.sh start|stop historyserver
　　5 实现了集群的群停和群起
　　　　5.1、 群起群停HDFS服务进程（再namenode所在的服务器上）
　　　　　　5.11 配置etc/hadoop/slaves （相对于hadoop-2.7.2）
　　　　　　5.12 群起的命令：start-dfs.sh
　　　　　　5.13 群停的命令：stop-dfs.sh
　　　　5.2 群起群停YARN服务进程（再resourcemanager所在的服务器上）
　　　　　　5.21 配置etc/hadoop/slaves （相对于hadoop-2.7.2）
　　　　　　5.22 群起的命令：start-yarn.sh
　　　　　　5.23 群停的命令：stop-yarn.sh
　　　　5.3 stop-all.sh | start-all.sh

17.HDFS文件操作的命令有哪些？

hadoop fs | hdfs dfs 命令分类
　　本地文件 -> HDFS
　　　　　　-put 将本地数据上传至hdfs
　　　　　　-copyFromLocal 将本地文件数据拷贝到hdfs
　　　　　　-moveFromLocal 将本地文件数据移动到hdfs，成功后本地数据会删除
　　　　　　-appendToFile 追加一个文件到已经存在的文件末尾
　　HDFS与HDFS之间
　　　　　　-ls 查看hdfs文件目录
　　　　　　-mkdir 在HDFS上创建目录
　　　　　　-rm 删除文件或者文件夹
　　　　　　-rmr | -rm -r 递归删除
　　　　　　-cp 从一个目录拷贝文件至另一目录
　　　　　　-mv 在HDFS目录中移动文件
　　　　　　-chown 修改文件所属用户权限
　　　　　　-chmod 修改文件所属读写权限
　　　　　　-du -h 文件夹暂用的空间大小
　　　　　　-df -h 查看系统分区情况
　　　　　　-cat 查看文件
　　HFDS -> 本地
　　　　　　-get 从hdfs下载文件至本地
　　　　　　-getmerge 合并hdfs目录下的文件至本地
　　　　　　-copyToLocal 从hdfs拷贝文件至本地
　　其他
　　　　　　-setrep 设置文件副本数（注意：具体的副本数得看DataNode的数量）
　　　　　　-help 帮助命令

18.配置集群过程中如果发现各台服务器的datanode启动后，过一段时间自动消失了，
查看原因发现datanode的集群clusterID=CID-9a578a40-2089-492b-9599-54dadbcd9849
而namenode的clusterID=CID-0b798a40-2089-492b-9599-54dadbcd9849，这时如果需要让集群正常工作，如何处理？

原因：这是因为多次格式化namenode后造成，datanode和namenode的集群id不一致，导致的，
　　　　方案一：如何集群没有任何数据，可以删除个服务器的data logs目录重新格式化，重新启动集群
　　　　方案二：如果集群中已经存在大量数据，则找到无法启动datanode的服务器进入到data/tmp/dfs/data 目录下找到VERSION文件删除后，重新开启datanode服务

19. 请列出正常工作的Hadoop 集群中Hadoop 都分别需要启动哪些进程，它们的作用分别是什么? 请尽量列的详细一些？

namenode：
　　　　负责接受客户端读写数据请求
　　　　负责数据块副本的存储策略
　　　　负责管理快数据的映射关系
　　　　储存元数据信息
　　datanode：
　　　　存储实际的数据块
　　　　真实处理数据块的读/写操作
　　Secondary NameNode：
　　　　辅助后台程序,与NameNode进行通信,定期合并FSimage和Edits编辑日志,合并为最新的镜像文件。
　　　　保存HDFS元数据的快照。
　　resourcemanager:统一资源调度和管理器
　　　　处理客户端请求
　　　　监控NodeManager
　　　　启动或监控ApplicationMaster
　　　　资源的分配与调度
　　nodemanager:提供计算资源
　　　　管理单个节点上的资源
　　　　处理来自ResourceManager的命令
　　　　处理来自ApplicationMaster的命令

20. 现在为了满足公司业务需求，在原有hadoop集群的基础之上要求扩展两个节点（也可以说扩展两台服务器）,该如何操作？

1.从现有集群的任意服务器克隆两台服务器，修改主机名和ip地址
　　2.删除集群hadoop-2.7.2目录下的data logs目录
　　3.修改/etc/hosts文件,添加本机的主机、ip映射关系
　　4.将/etc/hosts分发到其他服务器
　　5.配置免密登录
　　6.启动datanode和nodemanager

21. 公司现有100台服务器组成的集群，由于疫情期间业务骤减，现需要减少10台服务器，如何退役这些节点？有哪几种方式退役节点？

本业务场景适合使用黑名单退役节点：
　　步骤：
　　　　1.可以在hadoop-2.7.2/etc/hadoop目录下创建黑名单dfs.hosts.exclude文件
　　　　2.在dfs.hosts.exclude文件中添加要退役的服务器名称
　　　　3.在hdfs-site.xml文件中添加黑名单那的配置项
　　　　　　
　　　　　　　　dfs.hosts.exclude
　　　　　　　　黑名单文件绝对路径
　　　　　　
　　　　4.刷新NameNode、刷新ResourceManager
　　　　　　hdfs dfsadmin -refreshNodes
　　　　　　yarn rmadmin -refreshNodes
　　退役的方式：
　　　　黑名单：在黑名单上面的主机都会被强制退出。
　　　　白名单：添加到白名单的主机节点，都允许访问NameNode，不在白名单的主机节点，都会被强制退出。
　　　　注意：黑名单和白名单最好不要同时出现，如果同时出现不允许白名单和黑名单中同时出现同一个主机名称。

22. 刷新namenode的命令是什么? 刷新resourcemanager的命令是什么？

刷新NameNode、刷新ResourceManager
　　　　hdfs dfsadmin -refreshNodes
　　　　yarn rmadmin -refreshNodes

22. namenode是怎么确定datanode能够正常工作的？他们之间是怎么保持联系的？

1.datanode会先向namdnode注册，namdnode返回注册成功；后每一小时datanode向namenode上传块信息，每3秒datanode向namenode发送一次心跳包，并携带namenode给datanode的命令，默认情况下如果超过10分30秒namenode没有收到datanode的心跳，则任务datanode掉线
　　2.dn和nn是通过心跳包来保持联系的

23. 简要描述如何安装配置apache 的一个开源Hadoop，只描述即可，无需列出具体步骤，列出具体步骤更好？

1、准备服务器修改ip和主机名（虚拟机需要）、创建用户和软件安装目录
　　2、安装JDK并配置环境变量(/etc/profile);
　　3、关闭防火墙;
　　4、配置hosts文件，方便hadoop通过主机名访问(/etc/hosts);
　　5、设置ssh免密码登录;
　　6、解压缩hadoop安装包，并配置环境变量;
　　7、修改配置文件hadoop-env.sh、yarn-env.sh、mapred-env.sh、 core-site.xml hdfs-site.xml mapred-site.xml yarn-site.xml;
　　8、格式化hdfs文件系统(hadoop namenode -format);
　　9、启动hadoop:start-def.sh、start-yarn.sh
　　10、使用jps查看进程。

24. 简述Hadoop 的几个默认端口及其含义？

dfs.namenode.http-address:50070
　　SecondaryNameNode辅助名称节点端口号：50090
　　fs.defaultFS:9000
　　yarn.resourcemanager.webapp.address:8088
　　historyserver：19888

25 hadoop集群可以运行的3个模式是什么？

本地运行模式、伪分布式运行模式、完全分布式运行模式

26 搭建完全分布式集群有哪些注意点？

完全分布式集群通常被用于生产环境，这里我们使用N台主机组成一个Hadoop集群，
　　Hadoop守护进程运行在每台主机之上。这里会存在Namenode运行的主机，Datanode
　　运行的主机，以及task tracker运行的主机。在完全分布式环境下，主节点和从节点会分开。

27 通常情况下我们搭建集群时，需要自定义一些参数，需要修改哪些配置文件，列出文件名即可？

修改配置文件hadoop-env.sh、yarn-env.sh、mapred-env.sh、 core-site.xml hdfs-site.xml mapred-site.xml

28 jps命令的作用？

jps这个命令是是jdk提供的一个查看当前java进程的小工具，在hadoop中可以用来查看集群相关
服务进程是否正常开启例如：namenode、datanode、secondarynamenode、resourcemanager、nodemanager等

29 datanode可以设置多目录存储数据吗？怎么实现？

DataNode也可以配置成多个目录，并且每个目录存储的数据不一样。
　　编辑hdfs-site.xml文件，添加如下配置项，这里块数据会分布存储在data1和data2目录中
　　　　
　　　　　　dfs.datanode.data.dir
　　　　　　file:///$hadoop.tmp.dir/dfs/data1,file:///${hadoop.tmp.dir}/dfs/data2
　　　　

30 是否可以在Windows上运行Hadoop?

你最好不要这么做，Red Hat Linux或者是Ubuntu才是Hadoop的最佳操作系统。在Hadoop安装中，Windows通常不会被使用，
　　因为会出现各种各样的问题。因此，Windows绝对不是Hadoop的推荐系统。

31 hadoop有哪些发行版？

hadoop三大发行版本：Apache、Cloudera、Hortonworks。
　　Apache版本最原始（最基础）的版本。
　　Cloudera在大型互联网企业中用的较多。
　　Hortonworks文档较好。

32 是否可以在不同集群之间复制文件? 如果是的话，怎么能做到这一点? （新特性）

采用distcp命令实现两个Hadoop集群之间的递归数据复制
　　　　例如：将集群hadoop102上的文件赋值到hadoop103上
　　　　　　hadoop distcp hdfs://haoop102:9000/user/jinghang/hello.txt hdfs://hadoop103:9000/user/jinghang/hello.txt

33 你们公司用的hadoop的哪个版本？运行Hadoop需要什么平台和哪个Java版本？

hadoop 2.x比较多，因为企业开发追求的是稳定性，也有历史兼容问题，比如hadoop 3.x需要jdk8以上，但是如果整个方案都是之前的java版本，那么比较保守的办法就是用原来的。
企业开发的原则就是如果没有问题，就不用新版的。但是以后的趋势肯定是3.0会流行，只是一个时间的问题。
如果你是从0开始，没有包袱，那么用3.0好了，越旧的软件，维护的成本越大。
　　需要Linux操作平台，jdk8及以上版本

34 当两个用户尝试访问HDFS中的同一文件并修改时会发生什么？

HDFS上的文件只支持单用户操做，因此只有第一个用户能够操作文件，第二个用户会被拒绝

35、关于ssh协议中的免登录，下列理解错误的是( D )

A. 可以用命令 ssh-keygen -t rsa 生成公钥、私钥对
B. ssh协议是一种采用的是非对称加密往往采用rsa加密算法
C. 可以用 ssh-copy-id 命令来发送公钥到别的服务器，实现免密登录
D. ssh的私钥不是必须保留在服务器上，可以进行分发，可以保证数据的安全性。

36、下列描述错误的是( A )

A. Hadoop在完全参照GSF项目的基础上演变而来
B. Hadoop充分吸收google三大论文的思想
C. Hadoop解决了大数据中海量数据的存储和海量数据的计算问题
D. Hadoop现目前属于apache 基金组织，属于top项目之一

37、下面描述正确的是( A )

A. NameNode是一个中心服务器(master端)，负责管理文件元数据的存储、以及客户端对文件的访问等
B. DataNode负责元数据操作，文件内容相关的数据流经过会DataNode.
C. 副本存放在哪些DataNode上由NameNode和DataNode协商任意分配
D. DataNode全权自主管理数块的存储，接受心跳信号和块状态报告