刚入职场的菜鸟，这些大数据知识点，你必须掌握了！

一、Hadoop入门

1、常用端口号

hadoop3.x

• HDFS NameNode 内部通常端口：8020/9000/9820
• HDFS NameNode 对用户的查询端口：9870
• Yarn查看任务运行情况的：8088
• 历史服务器：19888

hadoop2.x

• HDFS NameNode 内部通常端口：8020/9000
• HDFS NameNode 对用户的查询端口：50070
• Yarn查看任务运行情况的：8088
• 历史服务器：19888

2、常用的配置文件

• 3.x core-site.xml  hdfs-site.xml  yarn-site.xml  mapred-site.xml workers
• 2.x core-site.xml  hdfs-site.xml  yarn-site.xml  mapred-site.xml slaves

二、HDFS

• 1、HDFS文件块大小（面试重点）
  • 硬盘读写速度
  • 在企业中  一般128m（中小公司）   256m （大公司）
• 2、HDFS的Shell操作（开发重点）
• 3、HDFS的读写流程（面试重点）

三、Map Reduce

1、InputFormat

• 1）默认的是TextInputformat  kv  key偏移量，v :一行内容
• 2）处理小文件CombineTextInputFormat 把多个文件合并到一起统一切片

2、Mapper

• setup()初始化；  map()用户的业务逻辑； clearup() 关闭资源；

3、分区

• 默认分区HashPartitioner ，默认按照key的hash值%numreducetask个数
• 自定义分区

4、排序

• 1）部分排序  每个输出的文件内部有序。
• 2）全排序：  一个reduce ,对所有数据大排序。
• 3）二次排序：  自定义排序范畴， 实现 writableCompare接口， 重写compareTo方法

5、Combiner

前提：不影响最终的业务逻辑（求和 没问题   求平均值）         

提前聚合map  => 解决数据倾斜的一个方法

6、Reducer

• 用户的业务逻辑；
• setup()初始化；
• reduce()用户的业务逻辑；
• clearup() 关闭资源；

7、OutputFormat

• 1）默认TextOutputFormat  按行输出到文件
• 2）自定义

四、Yarn

• 1、Yarn的工作机制（面试题）
• 2、Yarn的调度器
  • 1）FIFO/容量/公平
  • 2）apache 默认调度器  容量； CDH默认调度器 公平
  • 3）公平/容量默认一个default ，需要创建多队列
  • 4）中小企业：hive  spark flink  mr
  • 5）中大企业：业务模块：登录/注册/购物车/营销
  • 6）好处：解耦  降低风险  11.11  6.18  降级使用
  • 7）每个调度器特点：
    • 相同点：支持多队列，可以借资源，支持多用户
    • 不同点：
      • 容量调度器：优先满足先进来的任务执行；
      • 公平调度器，在队列里面的任务公平享有队列资源
  • 8）生产环境怎么选：
    • 中小企业，对并发度要求不高，选择容量
    • 中大企业，对并发度要求比较高，选择公平。