先说些废话
作为一个全栈开发工作者，曾经对公司专职的大数据开发有着浓厚的兴趣，所以尝试学习大数据开发所需要的各种技术栈。
本文就是我在学习过程中记录下，所遇到的一些大数据面试的提问，仅供参考。
当然，因为时间精力有限，并非所有的问题我都去记录了答案，如果您不了解某些问题或者不认可我记录的解答，可以带着问题百度或者问ChatCPT，相信会给您留下更深刻的印象。
最后，读者可以把本文当作模拟面试的提纲，欢迎各位在评论区交流，大家一起成长，努力变得更强！！！
高频基础知识点
执行过程
- MapReduce 的执行过程，如何进行一个文件的计算，shuffle的过程（不需要手写MapReduce或者用java写MapReduce）
- HDFS 的读写流程
- Yarn 的任务提交流程，如何查看任务日志和报错信息
- Hive 的执行过程（Hive SQL 如何解析成MapReduce的）
- Spark 任务的执行过程
- Spark SQL 的底层执行过程
Linux
- 如何查看内存，CPU占用
- Shell脚本如何定义函数调用
- Shell脚本第一行：
#!/bin/bash的含义- 第一行的内容指定了shell脚本解释器的路径，而且这个指定路径只能放在文件的第一行
- 第一行写错或者不写时，系统会有一个默认的解释器进行解释
- Linux脚本授权是什么？Linux授权命令是什么？
chmod [{ugoa}{+-=}{rwx}] [文件或目录]chmod [mode=421] [文件或目录]
- Shell标准输出和标准错误是什么？
- 工作中常用的Linux命令有哪些？
MySQL
- sql的执行计划，执行错误报警机制
- 索引有什么优缺点
- 什么时候会导致索引失效
- 如果我给一张表的所有字段添加索引会有什么样的问题
- 如何进行sql调优 高频
Hadoop（HDFS/MapReduce/Yarn）
- Haddop3对于Hadoop2有哪些新特性
- HDFS 常用命令有哪些
- 工作中遇到 MapReduce 流程的相关问题如何排查
- 其他问题汇总
Hive
- 工作中如何进行Hive优化 高频
- 同类型问题：Hive中有任务跑的时间比较长，怎么优化
- 同类型问题：Hive任务处理过程中遇到过什么样的问题
- 同类型问题：Hive SQL 查询比较慢，怎么处理
- 同类型问题：Hive的参数设置用过哪些，有什么作用
- 同类型问题：Hive中表关联方式join的分类、用法、应用场景
- 同类型问题：什么时候会走MapJoin
- 同类型问题：什么情况下会产生Hive小文件，小文件有什么危害
- Hive在工作中的调优总结
- mapjoin的使用方法以及注意事项
- Hive在工作中的调优总结
- 实操 | Hive 数据倾斜问题定位排查及解决
- Hive千亿级数据倾斜解决方案
- Hive企业级性能优化
- Hive的查询过程，哪些方法可以提高查询效率 变相的问优化
- Hive的窗口函数，常用窗口函数，怎么使用
- 窗口函数
row_number、rank、dense_rank之间的区别row_number是行号，不会重复
rank数据相同的，给出并列排名，但是会跳跃
dense_rank类似于rank，但不会跳跃
hive窗口函数之排名函数row_number、rank和dense_rank
Hive窗口函数保姆级教程
Hive窗口函数/分析函数详解 - 如何用窗口函数去重
- 窗口函数
- Hive SQL的数据去重方式
- distinct、groupby、row_number
- hive中三种去重的方法
- 项目中Hive有多少表
- Hive查询组件Impala了解吗？简单介绍下
- Hive中的行列转换，除了case when，还有别的方法吗
- 行转列：
collect_set()、collect_list()、concat_ws() - 列转行：
explode()、split()、LATERAL VIEW - Hive sql 行列转换(行转列，列转行)
- 行转列：
- Hive中内部表和外部表的区别？内部表和外部表如果删除了元数据是由谁来维护？元数据的存储位置和管理者是谁
- 从创建表和删除表两个方面说明
- metastore，master节点上
- mysql，metastore
- Hive分区和分桶的区别？分桶的原理？分区可以提高查询效率吗？分区越多越好吗
- MR中：按照key的hash值去模除以reductTask的个数
- Hive中：按照分桶字段的hash值去模除以分桶的个数
- 缩小数据查询范围，提高查询效率，但是不是分区越多越好
- Hive中如果有过多的分区，由于底层是存储在HDFS上，HDFS上只用于存储大文件而非小文件，因为过多的分区会增加NameNode的负担
- Hive SQL会转化为MapReduce， MapReduce会转化为多个task，过多小文件的话，每个文件一个task，每个taskー个JVM实例，JVM的开启与销毀会降低系统效率
- 合理的分区不应该有过多的分区和文件目录，并且每个目录下的文件应该足够大
- Hive中分区是否越多越好？
- 如何反查哪条Hive SQL执行较慢？
- Hive查询在工作中遇到什么样的难点？如何解决？
Hbase
- Hbase查询用的多吗，有没有做过优化？
- 万字长文详解HBase读写性能优化
- Hbase快速入门（超精炼总结）
- 大多数key-value数据库是为了高频写入而设计的，而不是为了高速读取！用来做高性能查询完全是个方向性错误
- Hbase查询过滤器用过吗，简单介绍下
- RowFilter、FamilyFilter、QualifierFilter、ValueFilter
- SingleColumnValueFilter、SingleColumnValueExcludeFilter、PrefixFilter、PageFilter
- 多过滤器综合查询FilterList
- HBase过滤器查询
- 用户画像的构建是Hbase做的吗？特征值怎么提取的？
- 项目Hbase的RowKey是如何设计的？
Scala
- Scala有什么特性
- Scala的class和case class在使用层面有什么区别
- Scala的Option类型的作用与使用方法
- Scala的泛型斜变逆变
- Scala的函数柯里化了解吗？优点是什么？
- Scala的隐式函数、隐式转换
- Scala用过哪些函数
- Scala中的String是可变的吗？
- String是一个不可变的对象，所以该对象不可被修改，这就意味着你如果修改字符串就会产生一个新的字符串对象，但其他对象，如数组就是可变的对象
- String对象是不可变的，如果你需要创建一个可以修改的字符串，可以使用
String Builder类 - Scala:字符串
- Scala是否可以多继承
- Scala中的多重继承由特质（trait）实现并遵循线性化规则
- 在多重继承中，如果一个特质已经显式扩展了一个类，则混入该特质的类必须是之前特质混入的类的子类
- 这意味着当混入一个已扩展了别的类的特质时，他们必须拥有相同的父类
Spark
- 你了解Spark的序列化吗？Spark提供了哪些序列化类？
- Spark中RDD持久化了解过吗？
- Spark算子分类？常用算子？怎么使用的？ 高频
- Spark的惰性计算机制了解过吗？（懒加载）
- 工作中如何进行Spark优化？ 高频
- Spark的Stage和Task的划分？Task数目由什么决定？
- Spark的宽窄依赖了解过吗？
- Spark如何查看日志和排查报错问题？
- 工作中跟有没有遇到到Spark数据倾斜，如何处理的？
- Spark Streaming怎么保证精准的消费？
- Spark在工作中遇到什么样的难点？如何解决？
Spark面试资料合集
Kafka
- 简单介绍下kafka的核心概念及个人理解
- Kafka在数据传输过程中遇到重复数据怎么处理
- Kafka在使用过程中如何保证数据不丢失
- Kafka中的ack含义是什么
Kafka面试八问
大厂面试官竟然这么爱问Kafka，一连八个Kafka问题把我问蒙了？
- 为什么要使用Kafka？
- Kafka消费过的消息如何再消费？
- Kafka的数据是放在磁盘上还是内存上，为什么速度会快？
- Kafka数据怎么保障不丢失？
- 采集数据为什么选择Kafka？
- Kafka重启是否会导致数据丢失？
- Kafka宕机了如何解决？
- 为什么Kafka不支持读写分离？
Java
- Java的io流分类
- Java怎么写事务
- MyBatis怎么使用事务
- Java的内部类和外部类
- 在Java中，可以将一个类定义在另一个类里面或者一个方法里面，这样的类称为内部类
- 内部类一般来说包括这四种：成员内部类、局部内部类、匿名内部类和静态内部类
- 静态成员内部类：使用static修饰类
- 非静态成员内部类：未用static修饰类，在没有说明是静态成员内部类时，默认成员内部类指的就是非静态成员内部类
- Java中全局变量、静态全局变量、静态局部变量和局部变量的区别
- Java中重写与重载之间的区别
- Java中的final关键字
- Java的jvm了解吗
- 多线程，线程启动个数如何确定？最多多少？
Flink
- Flink-cdc介绍一下
- Flink和Spark的区别是什么？
- 你们之前使用Spark做实时，后来为什么使用Flink了？
- Flink的windowapi的分类介绍一下
- Flink常用算子介绍一下
- Flink的cep了解么？怎么使用的？
- Flink的水位线了解吗？可以具体讲讲吗？
- 你们Flink主要使用api开发还是sql开发？
- 能讲讲Flink双流join是如何实现的吗？
Flink面试资料合集
clickhouse
- 你们有有过clickhouse做join吗？如何保证秒级延迟？
涉及到项目和数仓的问题
- 简单介绍一下你们项目中的业务吧
- 能结合业务说说你们的数仓怎么搭建的吗？你负责哪些模块？
- 你们项目中的人员怎么分配的？
- 你们的
主题是根据什么来划分，为什么这么划分？ - 你们源数据大概多少张表？
- 你们的日志数据到建立
事实表的过程中，主要做了什么？ - 你们的
维度层是怎么建设的 - 如果在解析日志文件时遇到很多的硬编码，如何使用维度去解决？
- 你们的项目中有多少个
指标？负责过多少个？怎么编写的？ - 如果指标出现同义不同名的情况如何解决？
- 阿里的
oneData体系有了解吗？ - 你们如何保证
数据质量的？你日常遇到最多的数据质量问题是什么？ - 你的项目中
离线任务有多少个？任务执行的时间是什么时候？ - 你的项目中
数据量，日活，漏斗分析大概是多少？以及其他分析的方向？ - 你们项目中的
业务数据清洗是怎么做的？ - 数仓的
整体架构是什么样的？数仓是如何分层的？ - 介绍一下项目中的
数据流向 - 介绍一下项目中
处理后的数据用途？ - 数仓中的
增量表和全量表分别是怎么做的？有没有用过拉链表？ - 工作中有没有遇到的
数据倾斜？如何处理的？ - 工作中有没有遇到过
断点续传的问题？怎么处理的 这个问题具体技术具体处理 - 你的
数据建模经验介绍一下？ Java框架在你们项目中的应用？- 你在实时开发的过程中遇到什么问题？如何解决的？
- 你们的实时模型是如何进行优化的？怎么评估它是否是一个优质的模型？
- 你们的
任务监控有做过吗？主要监控什么？ - 你们如何保证
数据的准确性？ - 埋点数据缺失怎么处理，埋点数据相关的表示如何设计的？
- 零点漂移如何解决？
- 有做过用户路径模型吗？每条路径的转化率是多少？（是不是类似页面单跳率那种）
- 你们的OLAP引擎主要用的什么？为什么这样选型？
- 能聊聊
端到端的一致性和精准一次消费吗？
工作内容的问题
- 你们的需求周期一般是多久？拿到需求之后怎么分析？
- 在完成需求的过程中，有没有考虑过数仓的通用性，你们是如何体现的？
- 你在工作中的最大收获是什么，带给你什么样的能力？
- 你们的工作强度怎么样，能接受加班吗？
- 如果一周内让你做十个紧急的需求，你会怎么办？
- 你们部门之间是直接进行对接吗？
- 有没有反驳过产品提出的需求，如果不合理怎么办？
各种组件需要学到什么样的程度
hadoop学习到什么样的程度
- hdfs、mapreduce、yarn 基本原理即可
- 各种面试基本题完成即可
- MapReduce的执行过程，如何进行一个文件的计算，shuffle的过程（不需要手写mapreduce或者用java写mapreduce）
- HDFS的读写流程
- Yarn的任务提交流程，如何查看任务日志和报错信息
- 大多数公司可能都进入spark阶段了
spark学习到什么样的程度
- 主要为了优化mapreduce2的一些问题，利用内存计算，减少磁盘IO
- spark streaming + hbase 离线实时 -> 使用flink搭建一整套实时
- 熟悉spark开发的api和常用的算子
- 熟悉spark调优
- spark的应用：批处理，流处理流计算（flink和sparkstreaming），数据分析，图形计算
spark面试重点
- 一些八股文知识点，基本原理，是高频且必须熟练知晓的，核心原理的流程和图
- spark常见报错的解决方案
- real spark冲突怎么解决
- om怎么处理，driver的om和excute的om分别怎么处理
- 参数调优，集群层面调优，应用层面调优
- 为什么这么做
- 有没有更好的方案
- sparksql调优
- 调优场景
- 怎么发现问题的
- 发现问题后怎么定位问题的
- 定位问题后怎么解决的
- 解决之后达到什么样的一个效果
- 还有哪些更好的一些优化方案吗
- 根据业务场景现场写sql，根据数仓的理论优化sql
- 常规的业务逻辑，join，for函数，截取字符串，嵌套多个高级函数
- 企业开发使用场景的解决方案
- udf管理：统一仓库管理还是自己提交，怎么解决相同含义的sql function被重复的udf提交
- thift server怎么用的，怎么用的，怎么解决多租户，怎么解决权限，怎么解决负载均衡
- spark平台和二次开发，源码，遇到的问题详细问
- 面试流程相关
- 10-20分钟问项目
- 20分钟问编程基础
- 20分钟问组件
- spark问20分钟左右
spark畅谈
- 小公司大部分业务场景是离线开发，实时场景也较少
- 大公司80%离线，20%实时
- sparkstreaming批处理比flink批处理更快，性能差百分之五十左右，spark使用门槛较低
- 入职后可以想老员工讨教经验，核心组件
- 博客快速浏览一些内容
- 官网提供的一些例子
未来技术趋势
附录
面试资料总结
大厂面试总结
我是 fx67ll.com，如果您发现本文有什么错误，欢迎在评论区讨论指正，感谢您的阅读！
如果您喜欢这篇文章，欢迎访问我的 本文github仓库地址，为我点一颗Star，Thanks~