春招面试经验系列（六）阿里 菜鸟网络 、美团
阿里 菜鸟网络
一、介绍下MapReduce的原理。
1、 Map过程：数据从hdfs中传入一个maptask，数据经过partition之后存入map的内存缓冲区（每个map task都会有一个内容缓冲区），当缓冲区满了之后就会将缓冲区的内容存到磁盘上，然后再用缓冲区来接受新的数据，这个往磁盘存数据的过程就是spill。当整个map task结束后再对磁盘中所有的临时文件做合并。
2、 在MapReduce中reduce的用法规定在从map中取数之后到合并计算的过程中，其实在数据传入reduce之前也有“reduce”过程，称作combine。Combiner等同于reducer，combiner将有相同的key/value对的value加起来，减少写到磁盘的数量。
3、 Map端的所用工作结束后，最终生成的merge后的文件存放在tasktracker能够检测到的某个本地目录中，每个reduce task不断的通过RPC从jobtracker哪里获取maptask是否完成的信息，如果reduce task得到通知已经完成，再启动shuffle的后半段过程。
4、 Reduce task 执行之前，就是从不同的map task的最终结果，将他们merge到一起，形成reduce task的输入文件。
5、 Reduce端的shuffle过程：（1）copy过程：不停的从本地磁盘通过对tasktracker的访问来拉取map的输出文件。（2）merge过程：copy过来的数据将先存放在缓冲区，这里和map的缓冲区原理一样（这个过程如果设置了combiner，也会启动），然后知道没有了map端的数据才停止merge（这里的merge有三种形式：内存到内存，内存到磁盘，磁盘到磁盘）。
6、 不断的merge后，reducer获得了最终的输入文件。整个shuffle过程结束！然后就是reducer执行，把结果放到hdfs上了。
combiner function可以减少需要在map和reduce之间传输的数据。
shuffle：后台线程根据reduce个数将输出结果进行分组。
二、MapReduce如何解决数据倾斜问题？
在map端解决，或对key操作从而缓解reduce的压力：
1、参数调优：(1)hive.map.aggr=true，
(2)hive.groupby.skewindata=true：为了让结果是相同的groupby key有可能被分到不同的reduce中，从而达到负载均衡的目的。
2、在key上做文章，在map阶段将造成倾斜的key先分成多组，在为计算之前将多的key后边加上例如1,2,3,4这些字符，先进行一个运算，之后再恢复key进行最终的运算。
3、先进行group操作，把key先进行一次reduce，之后再进行count或者distinct count操作。
4、join操作中，使用map join在map端就进行join，免得reduce是卡住。
三、会不会数据库？知不知道索引？
会使用一些数据库的指令（show 、use、 create等 ）
索引：是指对数据库中的一行或者一列的数值进行排序的一种结构，可以不用遍历整个数据库，方便的访问数据表中的特定信息。例如：select * from table 1 where id = 10000。
四、sql中内连接和左连接的区别是什么？
1、内连接：只有两个表都有的key才会保留。
2、左连接：以左边的表为主，左表有的才会保存。
3、右连接：以右边的表为主，右表有的才会保存。
4、完全连接
5、union：在进行表的连接后，会筛选掉重复的记录，并且进行排序。
6、union all：只是简单的将两个表合并后返回。
五、where和having的区别：
- where 过滤行，
- having 过滤的是分组，
- 区别：where在数据分组前进行过滤，having在数据分组后进行过滤。where 排除的行不包括在分组中，可能会改变计算值。
六、决策树和逻辑回归的区别？什么时候用决策树，什么时候用逻辑回归？
- 逻辑回归对数据整体结构的分析优于决策树，而决策树对局部结构的分析优于逻辑回归。
- 逻辑回归擅长辨识线性关系，而决策树对线性关系的把握较差。线性联系在实践中有很多优点：简洁，易理解，
- 可以在一定程度上防止对数据的过度拟合。决策树的强项是非线性关联，但是很多非线性关系完全可以用直线模拟，
- 逻辑回归对极值比较敏感，容易受极端值的影响，而决策树对极值有很好的抗干扰性。
- 决策树由于采用分割的方法，所以能够深入数据细部，但同时就失去了对全局的把握。一个分层一旦形成，它和别的层面或节点的关系就被切断了，以后的挖掘只能在局部中进行。同时由于切分，样本数量不断萎缩，所以无法支持对多变量的同时检验。而逻辑回归，始终着眼整个数据的拟合，所以对全局把握较好。但无法兼顾局部数据，或者说缺乏探查局部结构的内在机制。
美团
一、MySQL第一范式，第二范式，第三范式
1、第一范式：指的是数据库表的每一列是不可分割的基本数据项，同一列中不能有多个值。
2、第二范式：在第一范式的基础上简历起来，即首先需要先满足第一范式，同时要求数据库表中的每个行必须是被唯一地区分。
3、第三范式：如果关系模式R是第二范式，且每个非主属性都不传递依赖于R的候选键，则称R是第三范式的模式。（例如学生表：学号、姓名、课程号、成绩）
二、MapReduce的执行过程
1、 Map过程：数据从hdfs中传入一个maptask，数据经过partition之后存入map的内存缓冲区（每个map task都会有一个内容缓冲区），当缓冲区满了之后就会将缓冲区的内容存到磁盘上，然后再用缓冲区来接受新的数据，这个往磁盘存数据的过程就是spill。当整个map task结束后再对磁盘中所有的临时文件做合并。
2、 在MapReduce中reduce的用法规定在从map中取数之后到合并计算的过程中，其实在数据传入reduce之前也有“reduce”过程，称作combine。Combiner等同于reducer，combiner将有相同的key/value对的value加起来，减少写到磁盘的数量。
3、 Map端的所用工作结束后，最终生成的merge后的文件存放在tasktracker能够检测到的某个本地目录中，每个reduce task不断的通过RPC从jobtracker哪里获取maptask是否完成的信息，如果reduce task得到通知已经完成，再启动shuffle的后半段过程。
4、 Reduce task 执行之前，就是从不同的map task的最终结果，将他们merge到一起，形成reduce task的输入文件。
5、 Reduce端的shuffle过程：（1）copy过程：不停的从本地磁盘通过对tasktracker的访问来拉取map的输出文件。（2）merge过程：copy过来的数据将先存放在缓冲区，这里和map的缓冲区原理一样（这个过程如果设置了combiner，也会启动），然后知道没有了map端的数据才停止merge（这里的merge有三种形式：内存到内存，内存到磁盘，磁盘到磁盘）。
6、 不断的merge后，reducer获得了最终的输入文件。整个shuffle过程结束！然后就是reducer执行，把结果放到hdfs上了。
三、MapReduce数据倾斜问题。
四、用过哪些机器学习模型，结合项目。
五、MapReduce和spark的区别？
通俗的讲：Hadoop主要是HDFS和MapReduce，其中HDFS用于存储数据，MapReduce用于分布式处理，而MapReduce阶段又分为map和reduce，然而spark在map和reduce阶段分别有对应的算法：map, flatMap, filter, keyBy，以及reduceByKey, sortByKey, mean, gourpBy, sort等，所以说非常方便。
Mapreduce是Hadoop1.0的核心，Spark出现慢慢替代Mapreduce。那么为什么Mapreduce还在被使用呢？因为有很多现有的应用还依赖于它，它不是一个独立的存在，已经成为其他生态不可替代的部分，比如pig，hive等。
尽管MapReduce极大的简化了大数据分析，但是随着大数据需求和使用模式的扩大，用户的需求也越来越多：
1. 更复杂的多重处理需求（比如迭代计算, ML, Graph）；
2. 低延迟的交互式查询需求（比如ad-hoc query）
而MapReduce计算模型的架构导致上述两类应用先天缓慢，用户迫切需要一种更快的计算模型，来补充MapReduce的先天不足。
Spark的出现就弥补了这些不足，我们来了解一些Spark的优势：
1.每一个作业独立调度，可以把所有的作业做一个图进行调度，各个作业之间相互依赖，在调度过程中一起调度，速度快。
2.所有过程都基于内存，所以通常也将Spark称作是基于内存的迭代式运算框架。
3.spark提供了更丰富的算子，让操作更方便。
4.更容易的API：支持Python，Scala和Java
其实spark里面也可以实现Mapreduce，但是这里它并不是算法，只是提供了map阶段和reduce阶段，但是在两个阶段提供了很多算法。如Map阶段的map, flatMap, filter, keyBy，Reduce阶段的reduceByKey, sortByKey, mean, gourpBy, sort等。六、osi 七层模型，tcp协议和IP协议在哪一层？
物理层、数据链路层、网络层、传输层、会话层、表示层、应用层
tcp在传输层，IP协议在网络层。
七、知道哪些排序算法？冒泡排序的时间复杂度和快速排序的时间复杂度？快速排序最差时间复杂度？
1、 冒泡排序：比较相邻元素，成对比较。
2、 快速排序：每一趟排序后都分成独立的两部分，保证其中一部分比另一部分小。再分别对两部分进行相同操作。（将第0个看做中轴）
3、 堆排序：树形选择排序，对直接选择排序有效改进。
4、 选择排序：在一组数中选出最小的一个数与第一个位置的数交换（这个最小的数不参与之后的计算），以此类推（与第二，第三等等后边的位置交换）
5、 插入排序：先比较前两个数，按大小排序再比较第三个，然后插入前边的合适位置，以此类推。
6、 归并排序：将两个有序表合并成一个有序表的过程。
7、 希尔算法：将整个序列分成若干个子序列，依次进行直接插入排序，然后再对全体序列进行插入排序。