数据ETL岗位实习面经

给大家分享一下博主近期关于大数据ETL数据实习岗位的一点笔试题和面试题，答案只代表博主的个人见解哈，欢迎大家纠正并且提建议。

笔试题

1.关于sql优化的五种方式

（1）添加索引

索引是一种特殊的查询表，数据库的搜索引擎可以利用索引来加速对数据检索，索引是唯一的，创建索引时允许单个列或多个列，但是索引也不是没有缺点尼，索引的缺点就是它会减慢数据录入的速度，同时增加数据库的尺寸大小。详细索引可以看博主的以前的文章（MySQL的索引分类）

（2）从表结构上优化sql

• 分表分库技术(取模分表=水平分割,垂直分割)

  电商项目将一个项目进行分割,拆成多个小项目,每个小项目有自己单独的数据库,互不影响----垂直分割 会员数据库,订单数据库,支付数据库

  分表 根据业务需求,比如存放日志(每年存放)
  水平分割(取模算法:如下图所示)用于均匀的分表…

• 读写分离 主从复制

• 尽量将多条Sql压缩到一条Sql语句中，尽量避免过多的执行SQL语句，能够压缩到一句SQL执行的语句不使用用多条来执行。

（3）避免索引失效

单个索引什么时候会失效？
使用like语句查询失效 %使用错误会造成模糊匹配全盘扫描。
组合索引什么时候会失效呢？
1、顺序颠倒时候失效，如where name=value and id = value这是顺序颠倒
2、使用like语句时候失效
3、如果查询时使用id查询索引不失效，使用name查询会失效 如where name=value 索引失效 如where id=value 索引不失效

索引遵循最左原则，也就是说，组合索引是从左往右查询数据的，最左边属性必须有，跳属性就不管用，数据查不到 在使用like语句查询时失效。

在使用了索引后如何判断索引是否生效？

使用explain观察：
1、看key可以看到它有没有用到索引
2、Rows 看看数据到底扫描了多少行
并且不要在素引列上进行操作。

（4）服务器优化

通过判断不同的存储引擎支持的行为来使用合适的存储引擎。

（5）对查询进行优化

1.对查询进行优化，应尽量避免全表扫描，首先应考虑在 where 及 order by 涉及的列上建立索引。

2.应尽量避免在 where 子句中对字段进行 null 值判断，否则将导致引擎放弃使用索引而进行全表扫描，如：
select id from t where num is null
可以在num上设置默认值0，确保表中num列没有null值，然后这样查询：
select id from t where num=0

3.应尽量避免在 where 子句中使用!=或<>操作符，否则将引擎放弃使用索引而进行全表扫描。

4.应尽量避免在 where 子句中使用 or 来连接条件，否则将导致引擎放弃使用索引而进行全表扫描，如：
select id from t where num=10 or num=20
可以这样查询：
select id from t where num=10
union all
select id from t where num=20

5.in 和 not in 也要慎用，否则会导致全表扫描，如：
select id from t where num in(1,2,3)
对于连续的数值，能用 between 就不要用 in 了：
select id from t where num between 1 and 3

6.下面的查询也将导致全表扫描：
select id from t where name like ‘%abc%’

7.应尽量避免在 where 子句中对字段进行表达式操作，这将导致引擎放弃使用索引而进行全表扫描。如：
select id from t where num/2=100
应改为:
select id from t where num=100*2

8.应尽量避免在where子句中对字段进行函数操作，这将导致引擎放弃使用索引而进行全表扫描。如：
select id from t where substring(name,1,3)=‘abc’–name以abc开头的id
应改为:
select id from t where name like ‘abc%’
sql部分博主尽力了，有建议欢迎评论

2.python 用于数据分析常用的库有哪些？

Numpy

Numpy：Numpy可以提供数组支持以及相应的高效处理函数，是SciPy、PandaS等数据处理和科学计算库最基本的函数功能库，Numpy提供了两种基本的对象：ndarray和ufunc。ndarray是存储单一数据类型的多维数组，而ufunc是能够对数组进行处理的函数。

Pandas

Pandas：使用Pandas更容易处理丢失数据。合并MySQL数据库等等，可以用pandas进行数据清洗数据规整，使用时间序列等等，包含Series、DataFrame等高级数据结构。

SciPy

SciPy：专门解决科学计算中各种标准问题域的包的集合，包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算

Matplotlib

Matplotlib：通过控制Matplotlib中的每一个默认属性：图像大小、每英寸点数、线宽、色彩和样式、子图、坐标轴、网个属性、文字和文字属性，来对数据做出可视化操作。

详情可以看博主以前关于巨潮资讯的文章嘎嘎干货！

3.另外还有一些sql笔试题

这些笔试题博主不一一举例了，都是在csdn和牛客上可以刷的题目，主要需要掌握内外链接左右链接，存储过程，视图等等，每日刷几十道sql题，保证你的sql能力更上一层楼。。。

面试题

（1）谈一谈你对Java中List和Set以及Map的理解？

一、结构特点
List和Set是存储单列数据的集合，Map是存储键和值这样的双列数据的集合；
List中存储的数据是有顺序，并且允许重复； Map中存储的数据是无序的，其键是不能重复的，但是值是可以重复的；Set中存储的数据是无序的，且不允许有重复，但元素在集合中的位置由元素的hashCode决定，位置是固定的（Set 根据hashcode来进行数据的存储，所以位置是固定的，但是位置不是用户可以控制的，所以对于用户来说 set 中的元素还是无序的）；
二、实现类
List接口有三个实现类

LinkedList：基于链表实现，链表内存是散乱的，每一个元素存储本身内存地址的同时还存储下一个元素的地址。链表增删快，查找慢；
ArrayList：基于数组实现，非线程安全的，效率高，便于索引，但不便于插入删除；
Vector：基于数组实现，线程安全的，效率低
Map接口有三个实现类

HashMap：基于 hash 表的 Map 接口实现，非线程安全，高效，支持 null 值和 null键； 底层实现：HashMap底层整体结构是一个数组，数组中的每个元素又是一个链表。每次添加一个对象（put）时会产生一个链表对象（Object类型），Map中的每个Entry就是数组中的一个元素（Map.Entry就是一个），它具有由当前元素指向下一个元素的引用，这就构成了链表。
存储原理：当向HsahMap中添加元素的时候，首先计算Key对象的Hash值，得到数组下标，如果数组该位置为空则插入，否则遍历这个位置链表。当某个节点Key对象和Node对象均和新元素的equals时，用新元素的Value对象替换该节点的Value对象，否则插入新节点。（注意：JDK 8之后加入了红黑树）

HashTable：线程安全，低效，不支持 null 值和 null 键； LinkedHashMap： 是 HashMap 的一个子类，保存了记录的插入顺序；
SortMap 接口： TreeMap，能够把它保存的记录根据键排序，默认是键值的升序排序；
Set接口有两个实现类

HashSet：底层是由 HashMap 实现，不允许集合中有重复的值，使用该方式时需要重写 equals()和 hashCode()方法；
LinkedHashSet：继承与 HashSet，同时又基于 LinkedHashMap 来进行实现，底层使用的是 LinkedHashMap；

三、区别
List 集合中对象按照索引位置排序，可以有重复对象，允许按照对象在集合中的索引位置检索对象，例如通过list.get(i)方法来获取集合中的元素；
Map 中的每一个元素包含一个键和一个值，成对出现，键对象不可以重复，值对象可以重复；
Set 集合中的对象不按照特定的方式排序，并且没有重复对象，但它的实现类能对集合中的对象按照特定的方式排序，例如 TreeSet 类，可以按照默认顺序，也可以通过实现 Java.util.Comparator接口来自定义排序方式。
在这里博主给大家整理了详细的解释（当时面试时候就说一个能重复剩下俩不能重复）

（2）能否简单说一下yarn的几种调度器？

YARN中支持三种调度器：

1:FIFO Scheduler:先进先出(first in, first out)调度策略

2:Capacity Scheduler:FIFO Scheduler的多队列版本

3:FairScheduler（公平调度器）:多队列，多用户共享资源

这里关于调度器博主后期会整理关于yarn和hdfs以及mapreduce三者的基本概念以及流程。其中会包括yarn工作流程和hdfs的读写流程以及mapreduce的工作流程以及mapreduce中的suffle机制。

（3）能否简单说一下redis中的哨兵机制？

监控(Monitoring)：我会不断地检查你的Master和Slave是否运作正常。

提醒(Notification)：当被监控的某个Redis节点出现问题时, 我可以通过 API 向管理员或者其他应用程序发送通知。

3.自动故障迁移(Automatic failover)：当一个Master不能正常工作时，我会开始一次自动故障迁移操作。

我会将失效Master的其中一个Slave升级为新的Master, 并让失效Master的其他Slave改为复制新的Master；

当客户端试图连接失效的Master时，集群也会向客户端返回新Master的地址，使得集群可以使用现在的Master替换失效Master。

Master和Slave服务器切换后，Master的redis.conf、Slave的redis.conf和sentinel.conf的配置文件的内容都会发生相应的改变，即，Master主服务器的redis.conf配置文件中会多一行slaveof的配置，sentinel.conf的监控目标会随之调换。

详细可以看博主关于redis的主从复制原理里面有详细的解释

（4）简述一下MySQL两种存储引擎的区别？

MySql的两种引擎分辨是MyISAM和InnoDB，在MySql5.1版本之前的默认引擎是MyISAM，而之后的版本默认引擎就是InnoDB。

MyISAM 和InnoDB 讲解
　　InnoDB和MyISAM是许多人在使用MySQL时最常用的两个表类型，这两个表类型各有优劣，视具体应用而定。基本的差别为：MyISAM类型不支持事务处理等高级处理，而InnoDB类型支持。MyISAM类型的表强调的是性能，其执行数度比InnoDB类型更快，但是不提供事务支持，而InnoDB提供事务支持以及外部键等高级数据库功能。

两种引擎的特点：MyISAM是表级锁，不支持事务和全文索引，适合一些CMS内容管理系统作为后台数据库使用，但是使用大并发、重负荷生产系统上，表锁结构的特性就显得力不从心。而InnoDB是行级锁，事务安全，支持外键，不支持FULLTEXT类型的索引(5.6.4以后版本开始支持FULLTEXT类型的索引)。InnoDB存储引擎提供了具有提交、回滚和崩溃恢复能力的事务安全存储引擎。InnoDB是为处理巨大量时拥有最大性能而设计的。它的CPU效率可能是任何其他基于磁盘的关系数据库引擎所不能匹敌的。

注意：

InnoDB表的行锁也不是绝对的，假如在执行一个SQL语句时MySQL不能确定要扫描的范围，InnoDB表同样会锁全表，例如update table set num=1 where name like “a%”。

两种类型最主要的差别就是InnoDB支持事务处理与外键和行级锁。而MyISAM不支持。所以MyISAM往往就容易被人认为只适合在小项目中使用

两种存储引擎在具体的一些实现细节上也会有所不同，比如

* 1.InnoDB 中不保存表的具体行数，也就是说，执行select count() from table时，InnoDB要扫描一遍整个表来计算有多少行，但是MyISAM只要简单的读出保存好的行数即可。注意的是，当count()语句包含 where条件时，两种表的操作是一样的。

* 2.对于AUTO_INCREMENT类型的字段，InnoDB中必须包含只有该字段的索引，但是在MyISAM表中，可以和其他字段一起建立联合索引。

* 3.DELETE FROM table时，InnoDB不会重新建立表，而是一行一行的删除。

* 4.LOAD TABLE FROM MASTER操作对InnoDB是不起作用的，解决方法是首先把InnoDB表改成MyISAM表，导入数据后再改成InnoDB表，但是对于使用的额外的InnoDB特性(例如外键)的表不适用。

（5）谈谈你对flume的理解？

flume主要博主还没涉及到只能简单叙述一下辣。

Flume 是 Cloudera 提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传 输的系统。Flume 基于流式架构，灵活简单。

无论数据来自什么企业，或是多大量级，通过部署Flume，可以确保数据都安全、及时地到达大数据平台，用户可以将精力集中在如何洞悉数据上。

Flume的定义

Flume支持在日志系统中定制各类数据发送方，用于采集数据；

Flume提供对数据进行简单处理，并写到各种数据接收方的能力。

简单的说，Flume是实时采集日志的数据采集引擎。
Flume有3个重要组件：Source、Channel、Sink

特点：

分布式：flume分布式集群部署，扩展性好
可靠性好: 当节点出现故障时，日志能够被传送到其他节点上而不会丢失
易用性：flume配置使用较繁琐，对使用人员专业技术要求高
实时采集：flume采集流模式进行数据实时采集
适用场景：适用于日志文件实时采集。

其他数据采集工具还有：dataX、kettle、Logstash、Scribe、sqoop。

dataX:

是阿里开源软件异构数据源离线同步工具。实现包括关系型数据库(MySQL、 Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的 数据同步功能。
特点：

易用性：没有界面，以执行脚本方式运行，对使用人员技术要求较高

性能：数据抽取性能高

部署：可独立部署

适用场景：在异构数据库/文件系统之间高速交换数据

kettle

开源ETL工具。支持数据库、FTP、文件、rest接口、hdfs、hive等平台的据进 行抽取、转换、传输等操作，Java编写跨平台，C/S架构，不支持浏览器模式。
特点：
易用性：有可视化设计器进行可视化操作，使用简单

功能强大：不仅能进行数据传输，能同时进行数据清洗转换等操作

支持多种源：支持各种数据库、FTP、文件、rest接口、hdfs、Hive等源

部署方便：独立部署，不依赖第三方产品。

关于flume博主整理了这一点等以后学习到这里再仔细整理趴。

今天的好文就更新到这里辣，欢迎大家提建议并且交流心得撒，笔芯。