hs面试总结：
1 服务器传输命令
-- scp -r ./** node1:`pwd` -- 远程文件拷贝程序，是secure copy program的的缩写 -r (递归)
2. 查看服务器运行情况以及cpu，运用哪个命令
top:查看服务器各个进程情况 df -h:linux查看系统内存(硬盘)
3.搭建hadoop生态圈，hadoop的搭建，以及cdh的维护 搭建.hadoop环境集群是个什么样的配比（资源，内存，cpu），以及搭建的台数
1. 物理机：以128G内存，20核物理CPU，40线程，8THDD和2TSSD硬盘，单台报价4W出头，
惠普品牌。⼀般物理机寿命5年左右。
2. 云主机，以阿⾥云为例，差不多相同配置，每年5W服务器配置：内存:128，40线程，20核，8T机械，2T固态
服务器台数：20多台
总的资源：2T内存，400核。
3. 项目中对spark的使用情况
spark 代码：适用于表关联较少，但是处理逻辑相对复杂的的情况. 而且spark相对于hive来讲，速度更快
在项目中，使用spark对ods层的数据进行清洗，统一字段，对敏感数据加密。然后将数据保存到dwd层,主要用了两种方式 spark dsl 和 spark sql。
4.聊下对etl的理解
ETL的全称是抽取（Extract）、清洗（Cleaning）、转换（Transform）、装载（Load）而ETL要做的事情，就是按照数据仓库的规则和要求，对各个源系统的数据进行加工和整合，并且将各个源系统的数据存储到数据仓库中。
- 抽取和清洗
这一环节的主要工作是获取源系统的数据，并按照数据仓库的规则，进行数据加工，对不完整的数据、错误的数据、重复的数据进行处理，最终提取出我们想要的数据。
- 数据转换
一是数据不一致。具体包括数据类型不一致、数据格式不一致、编码不一致等。
二是数据粒度的转换。源系统和数据仓库对于业务的抽象粒度不一致
- 数据加载
一是作业加载方式：全量加载还是增加更新。
二是任务触发方式：时间触发还是事件触发。如果是时间触发的话，还需要确定任务的上下游关系和依赖触发关系。
三是调度工具：采用什么调度工具，才能满足上面的需求呢
5. 是否参与过数仓建模的调研
6 ..对于宽表，维度表的数据倾斜的处理
7..hive的row-
key设计，设计原理是啥
对key进行分组排序，打乱等，分区的设计逻辑，防止数据的丢失，row-key会影响到存储情况，对rowkey设计的原理以及逻辑思维，想法
数据(结构化，非结构化)抽取——转化为结构化数据——对表有指定的id，关联主键——hive数仓分层(ods数据结构,dw数据结构)拼接到设计的数仓层，加上分区时间，加上指定的数据值
8 .在清洗重复数据，脏数据以及脱敏，sql是怎么定义的，定义的标准是什么，脱敏的规则是啥
9 .对sql调优的操作
标签：总结,博客,面试,大厂,sql,spark,数据,清洗,内存 From： https://www.cnblogs.com/liudehaos/p/16618850.html