运行mapreduce 程序时，MapReduce执行过程中有四个独立的实体。如何优化mapreduceJob的运行效率在作业的运行过程中会有一系列的排序操作，reduceinputgroups的counter变量的值要比reduceinputrecordscounter的值小得多。
1、什么是大数据 测试?大数据测试从一大堆数据里随便挑几个测试就叫大数据测试。测试大数据应用程序比测试软件产品的个别功能更多的是验证其数据处理。说到大数据测试，性能和功能测试，才是关键。在大数据测试中，QA工程师使用集群和其他组件来验证TB级数据的成功处理。因为处理速度非常快，所以需要很高的测试技能水平。大数据应用-2测试更多的是验证其数据处理，而不是验证其单一的功能特征。
2、redcode=-1加载失败使用beeline连接到hiveserver时，遇到以下错误:5。JDBC:Hive 2://Blue Joe 0/default > Select * From Hive _ triples where object Limit 1；错误:Errorwhileprocessingstatement:失败:ExecutionError，
Code1)但是这个查询在hivecli中是可以的。同时观察到由于hive_triples表非常大，查询启动一个MapReduce任务，打开hiveserver2的日志后发现:权限被拒绝:用户匿名，access execute，Inode "/tmp "发现是/tmp的访问权限问题，所以设置hadoopdfschmodR777/tmp后重启hivese。
3、运行 mapreduce 程序时,指定的输出结果一定不能存在对吗错。MapReduce是一个编程模型，其核心功能是将用户编写的业务逻辑代码和默认组件整合成一个完整的分布式操作程序，并发运行在一个Hadoop集群上。运行MapReduce 程序时，并不存在，但使用后，每个MapReduce作业的输出结果都会写入磁盘，会造成大量的磁盘IO。
4、如何优化 mapreducejob的运行效率Job的操作过程中会有一系列的排序操作，reduceinputgroups的counter变量的值要比reduceinputrecordscounter的小很多。mapper完成后，在shuffle过程中传输了大量的中间结果文件(比如每个slave上的mapoutputbytes都是几GB)。从job的webui上的计数器可以看出，Job的溢出记录数远远大于mapoutputrecords。
Hadoop的mapreduce框架提供了Combiner来减少中间结果向磁盘的写入，减少中间结果在mapper和reducer之间的传输，这通常是极大影响作业性能的两个方面。性能对比:修改wordcount 程序，删除setCombinerClass与否，两种方式运行。
5、7.3MapReduce工作流程(1)首先，从HDFS读取数据并将其拆分。(2)每个小切片单独启动一个map任务，处理本切片的数据。map任务的输入和输出都是键值(3)。每个map输出的键值被分区、排序、合并并分发到所有reduce节点进行处理。这个过程叫做洗牌。因此，map输出的分区数量取决于reduce机器(节点)的数量。
用户无法直接控制节点间的数据交换，全部由MapReduce框架本身实现，以降低开发难度。对于上一段的流程，我们会分阶段(模块)更详细的讲解。为了方便起见，假设集群只包含两个节点。首先，InputFormat模块从HDFS读取文件并验证格式。然后InputFormat会把数据分成多个段。请注意，这种分段只是一种逻辑定义，并不会发生物理移动。
在6、MapReduce执行过程
MapReduce中有四个独立的实体。1.JobClient:运行在clientnode上，负责将MapReduce 程序作为Jar包存储到HDFS，并将Jar包的路径提交给Jobtracker，由job tracker分发和监控任务。2.JobTracker:运行在namenode中，负责接收JobClient提交的作业，调度作业的各个子任务在TaskTracker上运行，并对它们进行监控。如果发现失败的任务，它将重新运行。
7、如何用MapReduce 程序操作hbase我们来看一个标准hbase作为数据读取源和输出目标的例子:configurationConfHBaseConfiguration。create()；JobjobnewJob(conf，job name)；job . setjarbyclass(test . class)；ScanscannewScan()；tablemapreduceutil . inittablemapperjob(inputTable，
mapper.class，Writable.class，Writable.class，job)；tablemapreduceutil . inittablereducerjob(output table，reducer.class，job)；job . waitforcompletion(true)；与普通mr 程序不同的是，mapper和reducer不是用job.setMapperClass()和job.setReducerClass()设置的，而是用TableMapReduceUtil的initT设置的。
8、如何分布式运行 mapreduce 程序1。首先要知道，如果直接在windows的Eclipse项目中启动MapRedc 程序，需要将hadoop集群的配置目录中的xml全部复制到src目录中，这样程序就可以自动读取集群的地址，以分布式的方式运行(也可以自己编写java代码来设置作业的配置属性)。如果不复制，项目中的bin目录没有完整的xml配置文件，那么windows执行的mapreduce 程序将全部由本机的jvm执行，作业名也将是带有“本地”字样的作业，如job_local_0001。
9、 mapreduce工作流程mapreduce工作流程如下:1 .inputsplit:在地图计算之前，mapreduce会根据输入文件计算inputsplit，每个inputsplit会为一个地图任务输入一个inputsplit。如果我们将hdfs的块大小设置为64mb，如果我们输入三个大小分别为3mb、65mb和127mb的文件，那么mapreduce会将3mb文件分成一个inputsplit，65mb分成两个输入split，127mb分成两个输入split。
