大数据面试题剖析.docx
《大数据面试题剖析.docx》由会员分享，可在线阅读，更多相关《大数据面试题剖析.docx（11页珍藏版）》请在冰豆网上搜索。
大数据面试题剖析
单项选择题
1.下面哪个程序负责HDFS数据存储。
a）NameNode
b）Jobtracker
c）Datanode
d）secondaryNameNode
e）tasktracker
2.HDfS中的block默认保存几份?
a）3份
b）2份
c）1份
d）不确定
3.下列哪个程序通常与NameNode在一个节点启动?
a）SecondaryNameNode
b）DataNode
c）TaskTracker
d）Jobtracker
1
4.Hadoop作者
a）MartinFowler
b）KentBeck
c）Dougcutting
5.HDFS默认BlockSize
a）32MB
b）64MB
c）128MB
6.下列哪项通常是集群的最主要瓶颈
a）CPU
b）网络
c）磁盘
d）内存
7.关于SecondaryNameNode哪项是正确的?
a）它是NameNode的热备
b）它对内存没有要求
2
c）它的目的是帮助NameNode合并编辑日志，减少NameNode启动时
间
d）SecondaryNameNode应与NameNode部署到一个节点
多选题
8.下列哪项可以作为集群的管理工具
a）Puppet
b）Pdsh
c）ClouderaManager
d）d）Zookeeper
9.配置机架感知的下面哪项正确
a）如果一个机架出问题，不会影响数据读写
b）写入数据的时候会写到不同机架的DataNode中
c）MapReduce会根据机架获取离自己比较近的网络数据
10.Client端上传文件的时候下列哪项正确
a）数据经过NameNode传递给DataNode
b）Client端将文件切分为Block，依次上传
3
c）Client只上传数据到一台DataNode，然后由NameNode负责Block复制工作
11.下列哪个是Hadoop运行的模式
a）单机版
b）伪分布式
c）分布式
12.Cloudera提供哪几种安装CDH的方法
a）Clouderamanager
b）Tarball
c）Yumd）Rpm
判断题
13.Ganglia不仅可以进行监控，也可以进行告警。
（）
14.BlockSize是不可以修改的。
（）
15.Nagios不可以监控Hadoop集群，因为它不提供Hadoop支持。
（）
4
16.如果NameNode意外终止，SecondaryNameNode会接替它使集群继续工作。
（）
17.ClouderaCDH是需要付费使用的。
（）
18.Hadoop是Java开发的，所以MapReduce只支持Java语言编写。
（）
19.Hadoop支持数据的随机读写。
（）
20.NameNode负责管理metadata，client端每次读写请求，它都会从磁盘中读取或则会写入metadata信息并反馈client端。
（）
21.NameNode本地磁盘保存了Block的位置信息。
（）
22.DataNode通过长连接与NameNode保持通信。
（）
23.Hadoop自身具有严格的权限管理和安全措施保障集群正常运行。
（）
5
24.Slave节点要存储数据，所以它的磁盘越大越好。
（）
25.hadoopdfsadmin–report命令用于检测HDFS损坏块。
（）
26.Hadoop默认调度器策略为FIFO（）
27.集群内每个节点都应该配RAID，这样避免单磁盘损坏，影响整个节点运行。
（）
28.因为HDFS有多个副本，所以NameNode是不存在单点问题的。
（）
29.每个map槽就是一个线程。
（）
30.Mapreduce的inputsplit就是一个block。
（）
31.NameNode的WebUI端口是50030，它通过jetty启动的Web服务。
（）
32.Hadoop环境变量中的HADOOP_HEAPSIZE用于设置所有Hadoop守护线程的内存。
它默认是200GB。
（）
6
33.DataNode首次加入cluster的时候，如果log中报告不兼容文件
版本，那需要NameNode执行“Hadoopnamenode-format”操作格式化磁盘。
（）
别走开，答案在后面哦!
答案
单选题
1.下面哪个程序负责HDFS数据存储。
答案Cdatanode a）NameNode
b）Jobtracker
c）Datanode
d）secondaryNameNode
e）tasktracker
2.HDfS中的block默认保存几份?
答案A默认3分
7
a）3份
b）2份
c）1份
d）不确定
3.下列哪个程序通常与NameNode在一个节点启动?
答案D
a）SecondaryNameNode
b）DataNode
c）TaskTracker
d）Jobtracker
此题分析：
hadoop的集群是基于master/slave模式，namenode和jobtracker属于
master，datanode和tasktracker属于slave，master只有一个，而slave有多
个SecondaryNameNode内存需求和NameNode在一个数量级上，所以通常
secondaryNameNode（运行在单独的物理机器上）和NameNode运行在不同的机器上。
JobTracker和TaskTracker
8
JobTracker对应于NameNode
TaskTracker对应于DataNode
DataNode和NameNode是针对数据存放来而言的
JobTracker和TaskTracker是对于MapReduce执行而言的
mapreduce中几个主要概念，mapreduce整体上可以分为这么几条执行线索：
obclient，JobTracker与TaskTracker。
1、JobClient会在用户端通过JobClient类将应用已经配置参数打包成jar
文件存储到hdfs，并把路径提交到Jobtracker,然后由JobTracker创建每一个
Task（即MapTask和ReduceTask）并将它们分发到各个TaskTracker服务中去执行。
2、JobTracker是一个master服务，软件启动之后JobTracker接收Job，负
责调度Job的每一个子任务task运行于TaskTracker上，并监控它们，如果发现
有失败的task就重新运行它。
一般情况应该把JobTracker部署在单独的机器上。
3、TaskTracker是运行在多个节点上的slaver服务。
TaskTracker主动与
JobTracker通信，接收作业，并负责直接执行每一个任务。
TaskTracker都需
9
要运行在HDFS的DataNode上。
4.Hadoop作者答案CDougcutting
a）MartinFowler
b）KentBeck
c）Dougcutting
5.HDFS默认BlockSize答案：
B
a）32MB
b）64MB
c）128MB
（因为版本更换较快，这里答案只供参考）
6.下列哪项通常是集群的最主要瓶颈：
答案：
C磁盘 a）CPU
b）网络
c）磁盘IO
d）内存
1
0
该题解析：
首先集群的目的是为了节省成本，用廉价的pc机，取代小型机及大型机。
小型机和大型机有什么特点?
1.cpu处理能力强
2.内存够大
所以集群的瓶颈不可能是a和d
3.网络是一种稀缺资源，但是并不是瓶颈。
4.由于大数据面临海量数据，读写数据都需要io，然后还要冗余数据，hadoop一般备3份数据，所以IO就会打折扣。
7.关于SecondaryNameNode哪项是正确的?
答案C
a）它是NameNode的热备
b）它对内存没有要求
c）它的目的是帮助NameNode合并编辑日志，减少NameNode启动时间
1
1
d）SecondaryNameNode应与NameNode部署到一个节点。
多选题
8.下列哪项可以作为集群的管理?
答案：
ABD
a）Puppet
b）Pdsh
c）ClouderaManager
d）Zookeeper
9.配置机架感知的下面哪项正确：
答案ABC
a）如果一个机架出问题，不会影响数据读写
b）写入数据的时候会写到不同机架的DataNode中
c）MapReduce会根据机架获取离自己比较近的网络数据
10.Client端上传文件的时候下列哪项正确?
答案B
a）数据经过NameNode传递给DataNode
b）Client端将文件切分为Block，依次上传
c）Client只上传数据到一台DataNode，然后由NameNode负责Block复制工作
1
2
该题分析：
Client向NameNode发起文件写入的请求。
NameNode根据文件大小和文件块配置情况，返回给Client它所管理部分DataNode的信息。
Client将文件划分为多个Block，根据DataNode的地址信息，按顺序写入到每一个DataNode块中。
11.下列哪个是Hadoop运行的模式：
答案ABC
a）单机版
b）伪分布式
c）分布式
12.Cloudera提供哪几种安装CDH的方法?
答案：
ABCD
a）Clouderamanager
b）Tarball
c）Yum
1
3
d）Rpm
判断题
13.Ganglia不仅可以进行监控，也可以进行告警。
（正确）
分析：
此题的目的是考Ganglia的了解。
严格意义上来讲是正确。
ganglia
作为一款最常用的Linux环境中的监控软件，它擅长的的是从节点中按照用户
的需求以较低的代价采集数据。
但是ganglia在预警以及发生事件后通知用户
上并不擅长。
最新的ganglia已经有了部分这方面的功能。
但是更擅长做警告
的还有Nagios。
Nagios，就是一款精于预警、通知的软件。
通过将Ganglia和
Nagios组合起来，把Ganglia采集的数据作为Nagios的数据源，然后利用Nagios来发送预警通知，可以完美的实现一整套监控管理的系统。
14.BlockSize是不可以修改的。
（错误）
分析：
它是可以被修改的Hadoop的基础配置文件是hadoop-default.xml，
默认建立一个Job的时候会建立Job的Config，Config首先读入hadoop-
default.xml的配置，然后再读入hadoop-site.xml的配置（这个文件初始的时
候配置为空），hadoop-site.xml中主要配置需要覆盖的hadoop-default.xml的
1
4
系统级配置。
15.Nagios不可以监控Hadoop集群，因为它不提供Hadoop支持。
（错误）
分析：
Nagios是集群监控工具，而且是云计算三大利器之一
16.如果NameNode意外终止，SecondaryNameNode会接替它使集群继续工作。
（错误）
分析：
SecondaryNameNode是帮助恢复，而不是替代，如何恢复，可以查看
17.ClouderaCDH是需要付费使用的。
（错误）
分析：
第一套付费产品是ClouderaEnterpris，ClouderaEnterprise在
美国加州举行的Hadoop大会（HadoopSummit）上公开，以若干私有管理、
监控、运作工具加强Hadoop的功能。
收费采取合约订购方式，价格随用的Hadoop叢集大小变动。
1
5
18.Hadoop是Java开发的，所以MapReduce只支持Java语言编写。
（错误）
分析：
rhadoop是用R语言开发的，MapReduce是一个框架，可以理解是一种思想，可以使用其他语言开发。
19.Hadoop支持数据的随机读写。
（错）
分析：
lucene是支持随机读写的，而hdfs只支持随机读。
但是HBase可以
来补救。
HBase提供随机读写，来解决Hadoop不能处理的问题。
HBase自底层设
计开始即聚焦于各种可伸缩性问题：
表可以很“高”，有数十亿个数据行;也
可以很“宽”，有数百万个列;水平分区并在上千个普通商用机节点上自动复
制。
表的模式是物理存储的直接反映，使系统有可能提高高效的数据结构的序列化、存储和检索。
20.NameNode负责管理metadata，client端每次读写请求，它都会从磁盘中读取或则会写入metadata信息并反馈client端。
（错误）
此题分析：
1
6
NameNode不需要从磁盘读取metadata，所有数据都在内存中，硬盘上的只是序列化的结果，只有每次namenode启动的时候才会读取。
1）文件写入
Client向NameNode发起文件写入的请求。
NameNode根据文件大小和文件块配置情况，返回给Client它所管理部分DataNode的信息。
Client将文件划分为多个Block，根据DataNode的地址信息，按顺序写入到每一个DataNode块中。
2）文件读取Client向NameNode发起文件读取的请求。
21.NameNode本地磁盘保存了Block的位置信息。
（个人认为正确，欢迎提出其它意见）
分析：
DataNode是文件存储的基本单元，它将Block存储在本地文件系统
中，保存了Block的Meta-data，同时周期性地将所有存在的Block信息发送给
1
7
NameNode。
NameNode返回文件存储的DataNode的信息。
Client读取文件信息。
22.DataNode通过长连接与NameNode保持通信。
（）
这个有分歧：
具体正在找这方面的有利资料。
下面提供资料可参考。
首先明确一下概念：
（1）.长连接Client方与Server方先建立通讯连接，连接建立后不断开，然
后再进行报文发送和接收。
这种方式下由于通讯连接一直存在，此种方式常用于点对点通讯。
（2）.短连接Client方与Server每进行一次报文收发交易时才进行通讯连接，
交易完毕后立即断开连接。
此种方式常用于一点对多点通讯，比如多个Client连接一个Server.
23.Hadoop
（错误）
自身具有严格的权限管理和安全措施保障集群正常运行。
hadoop只能阻止好人犯错，但是不能阻止坏人干坏事
1
8
24.Slave节点要存储数据，所以它的磁盘越大越好。
（错误）
分析：
一旦Slave节点宕机，数据恢复是一个难题
25.hadoopdfsadmin–report命令用于检测HDFS损坏块。
（错误）
26.Hadoop默认调度器策略为FIFO（正确）
27.集群内每个节点都应该配RAID，这样避免单磁盘损坏，影响整个节点运行。
（错误）
分析：
首先明白什么是RAID，可以参考百科磁盘阵列。
这句话错误的地方
在于太绝对，具体情况具体分析。
题目不是重点，知识才是最重要的。
因为
hadoop本身就具有冗余能力，所以如果不是很严格不需要都配备RAID。
具体参考第二题。
28.因为HDFS有多个副本，所以NameNode是不存在单点问题的。
（错误）
1
9
29.每个map槽就是一个线程。
（错误）
分析：
首先我们知道什么是map槽,map槽->mapslotmapslot只是一个
逻辑值（
org.apache.hadoop.mapred.TaskTracker.TaskLauncher.numFreeSlots），而不是对应着一个线程或者进程
30.Mapreduce的inputsplit就是一个block。
（错误）
31.NameNode的WebUI端口是50030，它通过jetty启动的Web服务。
（错误）
32.Hadoop环境变量中的HADOOP_HEAPSIZE用于设置所有Hadoop守护线程的内存。
它默认是200GB。
（错误）
hadoop为各个守护进程
（namenode,secondarynamenode,jobtracker,datanode,tasktracker）统一分配
的内存在hadoop-env.sh中设置，参数为HADOOP_HEAPSIZE，默认为1000M。
33.DataNode首次加入cluster的时候，如果log中报告不兼容文件
2
0
版本，那需要NameNode执行“Hadoopnamenode-format”操作格式化磁盘。
（错误）
分析：
首先明白介绍，什么ClusterID
ClusterID
添加了一个新的标识符ClusterID用于标识集群中所有的节点。
当格式化
1个Namenode，需要提供这个标识符或者自动生成。
这个ID可以被用来格式化加入集群的其他Namenode。
2次整理
有的同学问题的重点不是上面分析内容：
内容如下：
这个报错是说明DataNode所装的Hadoop版本和其它节点不一致，应该检查DataNode的Hadoop版本
2
1
升级会员 