大数据笔试真题集锦---第一章:通用面试题
试题总体概述
面试题包含时下流行的多个大数据工具和概念（spark、sparkStreaming、kafka、hadoop、hive、hbase、redis、flume、sqoop、zk、azkaban、kylin、Elatic Search）的原理介绍、实战总结、调优方式等,我会不间断的更新,维护,希望可以对正在找大数据工作的朋友们有所帮助.
第一章目录
第一章 通用
1.1 数据倾斜
当某个job长时间运行没有结束，可能发生了数据倾斜。
1.1.1 hive
设置map端聚合和二次group by保证reduce数据大概平均，然后再设置reduce数量减少每个reduce的数据量
尽量少用distinct，不仅吃不到map端聚合（distinct原理是全局排序去重），而且多个distinct也吃不到二次group的优化。
如果group by 多个字段，或者其它二次group失效的情况，可以走下方spark的解决方案，将hql分多个hql来做。
1.1.2 Spark
比起hive来说，spark对数据倾斜的优化可以更细一些（也可以说更麻烦些）。
- 先用sample(false,0.x)采样key，找出倾斜的key
- 把数据集拆成倾斜的部分和不倾斜的部分，不倾斜的部分走正常流程
- 倾斜的部分key前面加上一个定长的随机字符串，然后执行重分区
- 重分区后进行一个聚合操作，然后去除定长前缀再聚合一次。
- 如果是大表join大表，其中一个表有数据倾斜，就需要用膨胀法，将倾斜部分的key加上一个0-n的前缀，一条数据膨胀成n条，然后将另一个表的这部分key也加上相应的前缀，然后单独对这部分数据进行一次双重聚合，与不倾斜的数据进行union操作，完成聚合。
- 空值看作是特殊的key，空值多了一样用3的方法去解决。
1.2 海量数据
1.2.1 如何调优
1.抽样检测分组字段，看看是否有倾斜
2.如果没有倾斜，就正常增加reduce数量，设置中间ORC+SNAPPY压缩
3.如果有倾斜，把倾斜的部分过滤出来加前缀打散处理，不倾斜的部分正常处理。
4.如果是大表join小表，大表倾斜，可以使用map端join方法，小表倾斜直接无视。
5.如果是大表join大表，某表倾斜，可以使用膨胀法处理。1.2.2 实时排序
跳表法快速排序
将值域划分区间建有序链表，原本海量的遍历会被压缩N倍。每个值域对应一个有序链表，因此是双重链表。
前提：除了跳表外还有一张作品表，以作品id为key，value含分数
值变更时，先查询作品表更新原值，通过原值到对应区间的链表中删除该值，新值插入对应区间的链表中。
求排名：1.每个区间链表除了保存作品和分数外，还额外维护一个区间总长
2.每次新值插入时，都将原区间总长-1，新区间总长+1
3.求排名时遍历第一层链表将区间总长累加，然后遍历该值所在的区间求出区间内排名，两者相加。
求TopN:第二层链表一路往下走N个。
缺点：事实上所有针对数据直接排序的方式都存在锁问题，每次更新只能有一个线程做，否则必然会乱。平衡二叉树排序
假设总分为5 [0,5]
1.将总分一分为二 [0,2],[3,5]
2.将划分的部分继续二分 [0,1],[1,2],[3,4],[4,5]
3.重复2直到划分到底 [0,0],[1,1],[2,2],[3,3]...
采用链表的方式从顶点往下一路关联起来，每个区间key对应一个人数value。
假设有某个值从2变成3。
先从顶点开始往下遍历查找[2,2]，遍历过程中经过的节点人数全部-1，终点[2,2]的人数也-1;
然后从顶点开始往下遍历查找[3,3]，经过的节点人数全部+1。终点也+1。
求排名：假设要求分数为3的排名，从起点开始往下查找[3,3]，如果是往左走，就把右值累加上，如果往右走则不加。
优点：毫秒级响应排名，更新不需要锁表，因为是单纯的加减日志。
缺点：消耗大量内存存储，每次更新都要改变N个值，每次更新值时还需要把排名添加到TopN表里。1.2.3 求交集
理论：
如果是k-v形式的数据，或者是可以提取key的数据，可以使用分组法比较。
假设我有x G内存，要求A,B的交集。
先把A,B分别分组拆分成多个小文件，每个小文件的大小为(x-300)/2，超过的部分再水平拆分成多个文件。
然后按分组读入A,B的数据，在内存中比较，求出交集部分。
如果分组太细，就按分组key的哈希进行分区，一次比较多个分组。
为了方便小文件的合并，可以在输出时将数据排序输出，创建索引文件，后续可以采用归并排序的方式快速合并。
如果不能提取key，则按照hash分组。
实战：假设已经把两张表要求交集的部分字段拼接成"key"
select * from A join B on A.key = B.key1.2.4 求差集
select * from A full outer join B on A.key = B.key where A.key is null or B.key is null;1.3 布隆过滤器 原理
将字符串用哈希函数转换为一个或多个整型值，将bit型数组中对应位置上的0改为1。判断该字符串是否存在时，只需要判断这些位置上的值是否都为1，如果不是就说明一定不存在。但是反过来不能说明一定存在。
如：abc 转换为3和5，就将arr[3]和arr[5]的值设置为1，只要这两个值都为1，就说明abc可能存在，如果它们不全为1，可以保证abc一定不存在。
1.4 存储格式
TextFile
默认格式，按行存储，可以压缩但压缩文件不支持分片，反序列化开销是SequenceFile的几十倍（需要判断分隔符和换行符）
SequenceFile
hadoop原生支持，将kv以二进制方式按行存储，压缩后的文件支持压缩。默认以record压缩，可以改为block性能更好。压缩率很低，查询速度一般。
RCFile
按行分块、按列存储的存储方式，反序列化速度较慢，但压缩率和查询速度最快。
ORC file
RC的改良版，每个Task输出单文件、存储索引、支付复杂类型、支持块压缩、可以直接读取，ORC比RC高效很多。
Parquet
列式存储，是spark的默认存储格式，压缩和查询性能比ORC稍差，但是支持的编码更多，而且对嵌套式结构支持的更好（json）。
因此对结构化数仓来说ORC file格式更好，对灵活的spark作业来说Parquet格式更好。
1.5 压缩格式
上面虽然提到了压缩比，但只不过是相对于纯文本，在数据的存储方式上带来的数据量减少，并不是真正的压缩方式。
下方介绍在这些存储方式之上进一步减少数据量的压缩方式。
gzip
spark默认压缩方式，hadoop原生支持，压缩比率很高、压缩和解压速度很快，支持纯文本式编辑，使用方便，但是压缩后不支持分片，因此适用于1个块内大小的文件。
lzo
hadoop流行的压缩方式，需要安装，压缩解压速度较快，压缩率适中，建立索引后支持分片，压缩单个大文件时可以使用。
snappy
高速压缩和解压，压缩率较低，需要安装，不支持分片，推荐作为临时数据的压缩方式。
bzip2
非常高的压缩率，但解压速度很慢，支持分片。hadoop本身支持，但本地库不支持。一般和lzo选其中一个作为数据源的压缩格式。
1.6 手写算法
1.6.1 四大排序
速度上：改良的归并排序算法是n-nlogn，快速排序的时间复杂度是nlogn-n^2，冒泡和选择都是n^2。
稳定性：快速、选择都不稳定，冒泡和归并都稳定
空间上：冒泡和选择都是1，快速为logn，归并为n
/**
* 一个完整的快速排序的方法
* 可以传入任意类型的buffer对其排序后返回
* 可以传入一个比较器对自定义类型排序
*
* @author 孤星魅影
* @param buffer 任意类型的buffer
* @param isASC 是否正序排序
* @param ev 自定义比较器
* @return 返回一个快速排序后的buffer
*/
def quickSort[T: ClassTag](buffer: mutable.Buffer[T])(implicit isASC: Boolean = true, ev: T => Comparable[T]): mutable.Buffer[T] = {
//为null、为空、长度为1时都返回buffer
if (buffer == null || buffer.length <= 1)
return buffer
//1.将数组的第一个数head与后面所有的数进行比较，左边放比head小的数，右边放比head大的数（从小到大）
//2.递归执行拆分，直到数组只剩下1个
//3.按顺序将左、中、右三者拼接起来，完成排序
val (left, right) = buffer.tail.partition(t => {
if (isASC) t.compareTo(buffer.head) < 0
else t.compareTo(buffer.head) > 0
})
quickSort(left) += buffer.head ++= quickSort(right)
}
1.6.2 懒汉式单例
scala
object{
lazy val obj = new T()
}
java
class T{
private static T obj = null;
private T(){}
//先执行一次null检验，然后上锁再执行一次null检验，防止同时有两个线程通过了第一次null检验导致异常。
public T getObj()={
if(obj==null){
sysconized(obj){
if(obj == null)
obj = new T();
}
}
return obj;
}
}
1.6.3 ip转int
a,b,c,d = a*256*256*256+b*256*256+c*256+123
ip是256进制，所以a需要*3个256才能保证每个bcd不重复，b,c,d同理，使用位计算效率更高：*256相当于<<8
提供一段scala代码:
def ip2long(ip:String)=ip.split(".").reverse.zipWithIndex.map(v=>v._1<<(8*v._2)).reduce(_+_)
可以提取转换后的数字的前三位进行分组查询，效率更高：
ip.groupby(_.substring(0,3))
1.6.4 求质数
/**
* 求min - max以内的所有质数
* 只需要判断一个数是否能被自身以外的大于1的质数数整除就可以了
* @return
*/
def countPrime(min:Int,max:Int):Array[Int]={
val arr = mutable.Set[Int](1)
(min to max).foreach(index=> {
if(!arr.exists(prime=>{
//某个数如果能被除自己和1以外的质数整除，说明该数不是质数
if(prime>1 && index != prime && index % prime == 0) true
else false
}))
arr += index
})
arr.toArray.sorted
}
1.6.5 判断平衡二叉树
原理：最底层的左节点和右节点相差为1（左右子树相差为1），例子可以看上方海量数据实时排序部分
方法：从根节点开始，判断左子树与右子树是否差1，然后对左右子树不断递归这个判断直到没有子树。
1.6.6 Java 生产者和消费者
package third;
import static java.lang.Thread.sleep;
public class SellShaoBing {
private int shaoBingAmount=0;
private boolean isStop = false;
private int maxAmount;
public SellShaoBing(int max){
maxAmount = max;
}
private Thread createProductThread(){
return new Thread(()->{
while (!isStop) {
synchronized (this) {
//留个缓冲，做满之前就开始卖
if (shaoBingAmount > maxAmount - 5) notifyAll();
waitMethod(shaoBingAmount == maxAmount);
sleepMethod();
System.out.println("做烧饼");
shaoBingAmount++;
System.out.println("当前烧饼数量"+shaoBingAmount);
}
}
});
}
private Thread createConsumerThread(){
return new Thread(()->{
while (!isStop) {
synchronized (this) {
//留个缓冲，烧饼卖完之间就通知生产
if (shaoBingAmount < maxAmount /4) notifyAll();
waitMethod(shaoBingAmount == 0);
sleepMethod();
System.out.println("卖烧饼");
shaoBingAmount--;
System.out.println("当前烧饼数量"+shaoBingAmount);
}
}
});
}
public void actions(){
Thread product = createProductThread();
Thread consumer = createConsumerThread();
consumer.start();
product.start();
try {
sleep(5000);
} catch (InterruptedException e) {
e.printStackTrace();
Thread.currentThread().interrupt();
}
isStop = true;
}
private synchronized void waitMethod(boolean iswait){
if (iswait) {
try {
wait();
} catch (InterruptedException e) {
e.printStackTrace();
Thread.currentThread().interrupt();
}
}
}
private void sleepMethod(){
try {
sleep(100);
} catch (InterruptedException e) {
e.printStackTrace();
Thread.currentThread().interrupt();
}
}
}
1.6.7 Scala 生产者和消费者（推荐）
package utils
//卖烧饼（Java生产者消费者的Scala实现）
case class ShaoBing(var amount:Int=0,maxAmount:Int=30,isContinue:Boolean=true)
object ShaoBing{
/**
* 烧饼线程模板
* @param isNotify 传入一个唤醒所有线程的判断方法
* @param isWait 传入一个使当前线程等待的方法
* @param doMethod 传入一个增减烧饼数量的方法
* @param shaoBing 传入一个烧饼对象
*/
def createThread(isNotify:ShaoBing => Boolean , isWait:ShaoBing => Boolean , doMethod:ShaoBing => Unit)(shaoBing:ShaoBing)={
while (shaoBing.isContinue){
//notify和wait都需要在同步代码块中才能使用，java 的 synchronized(obj){...} = scala 的 obj.synchronized{...}
shaoBing.synchronized{
if (isNotify(shaoBing)) shaoBing.notifyAll()
//传入等待条件，使线程等待
if (isWait(shaoBing)) shaoBing.wait()
//增加或减少烧饼数量时才上锁
doMethod(shaoBing)
}
println("当前烧饼数量:"+shaoBing.amount)
Thread.sleep(1000)
}
}
//做烧饼
val createProducerThread = createThread(
//做满之前就开始卖
isNotify = shaoBing=>shaoBing.amount > shaoBing.maxAmount-5,
//做满之后就等
isWait = shaoBing=>shaoBing.amount == shaoBing.maxAmount,
_.amount += 1) _
//卖烧饼
val createConsumerThread = createThread(
//卖到剩四分之一时候提前开始生产烧饼
isNotify = shaoBing=>shaoBing.amount < shaoBing.maxAmount/4,
//卖光了就停止卖烧饼
isWait = shaoBing=>shaoBing.amount == 0,
_.amount -= 1) _
//启动生产者和消费者
def main(args:Array[String]):Unit={
val shaoBing = ShaoBing()
val producer = new Thread(new Runnable {override def run(): Unit = createProducerThread(shaoBing)})
val consumer = new Thread(new Runnable {override def run(): Unit = createConsumerThread(shaoBing)})
producer.start()
consumer.start()
}
}1.7 线程模型
IO共有四种模型：同步阻塞、同步非阻塞、异步阻塞、异步非阻塞
同步阻塞：系统内核做好读写数据的准备之前，用户线程一直等待。
同步非阻塞：用户线程使用一个循环不断询问内核是否准备就绪，在准备就绪以前会一直进行该循环。
异步阻塞：用户线程启动一个新的线程去同步阻塞，自己则做下一件事，新的线程不断询问系统内核并阻塞。
异步非阻塞：当用户线程收到通知时，数据已经被内核读取完毕，并放在了用户线程指定的缓冲区内，内核在IO完成后通知用户线程直接使用即可