7. Hadoop的Block大小及原因
Hadoop的块默认大小是128MB。在Hadoop 1.x和2.x版本中默认为64MB。原因如下:
- 文件块越大,寻址时间越短,但磁盘的传输时间越长。
- 文件块越小,寻址时间越长,但磁盘传输时间越短。
- 块大小的设置需要在寻址时间和传输时间之间找到平衡。
8. Hadoop中Block划分的原因
- 分布式存储:将文件划分为块,可以将这些块分散存储在不同的节点上,实现数据的分布式存储和并行处理。
- 数据冗余:通过副本机制确保数据的可靠性和容错性。
- 数据局限性:将计算任务分配给存储数据的节点,以减少数据的网络传输和提高计算效率。
- 管理和调度:块的大小可以根据具体应用和硬件配置进行调整,以优化数据处理和存储性能。
9. Hadoop中常见的压缩算法
- Gzip:可以减小文件的大小,但无法进行并行处理。
- Snappy:谷歌开发,具有很高的压缩和解压缩速度。
- LZO:较快的压缩算法,适用于大数据压缩。
- Bzip2:较高压缩比,速度较慢。
- LZ4:极快压缩速度,压缩比较低。
10. Hadoop作业提交到YARN的流程
- ResourceManager接收到作业请求后,生成唯一ApplicationID,并为作业分配一个ApplicationMaster。
- ResourceManager将ApplicationID和ApplicationMaster的地址返回给客户端。
- 客户端与ApplicationMaster建立通信,发送资源请求。
- ApplicationMaster收到作业资源需求和启动命令,向ResourceManager申请资源。
- ResourceManager为ApplicationMaster分配所需资源。
- ApplicationMaster收到资源位置信息后,与NodeManager通信,将作业所需的资源分配给具体的任务。
- 每个任务在独立的Container中运行,通过心跳机制汇报任务情况。
- ApplicationMaster收到所有任务完成的信息,向ResourceManager注销自己。
- ResourceManager将作业从YARN状态存储中删除,释放相关资源。
11. Hadoop的Combiner的作用
Combiner是在Map阶段之后,Reduce阶段之前,对Map输出的中间数据进行本地合并和压缩,减少数据传输量,提高整体性能。Combiner可以将相同Key的多个Map输出结果进行合并,减少网络传输的数据量,降低Reduce的负载,提高效率。
12. Hadoop序列化和反序列化
序列化是将数据转换为字节流的过程,以便在网络传输或存储时占用更少的空间。反序列化则是将字节流重新转换成数据的过程,以便在各个节点之间传输时恢复原始数据。
13. Hadoop小文件处理问题
导致的问题:
- 存储开销:每个小文件需要占据磁盘空间,默认的块大小是128MB,大部分小文件会浪费磁盘空间。
- 元数据开销:NameNode会为每个文件分配一个元数据块,小文件数量过多时,元数据存储和访问的开销会增加。
- 数据读取效率低:小文件数量庞大,导致大量的寻址时间和网络传输开销。
- 任务调度:MapReduce任务是以块为单位进行调度的,小文件数量庞大会导致任务调度的开销增加。
处理办法:
- 合并小文件:使用工具HAR(Hadoop Archive)或者自定义脚本进行合并操作,减少存储和元数据开销(将多个小文件打包成一个HAR文件,NameNode中的元数据也就存储一份)。
- SequenceFile格式:将小文件转换成SequenceFile格式,将多个小文件合并成一个SequenceFile文件,有效处理小文件。
- 数据归档:将多个小文件合并为一个大文件,进行归档存储。
- 数据压缩:压缩小文件,减少存储空间和网络传输开销。