大数据开发工程师--面试宝典
1.前言
随着5G终端的快速增长，产生大量的数字信息，这些数据的采集和挖掘对于企业、政府具有重大意义。目前，对于海量数据的存储和挖掘存在诸多难题，例如：大数据技术人才的匮乏、中小企业开发成本过高，大数据生态的不成熟等问题。本文旨在与大数据开发人员一起学习探讨大数据开发技术问题。有兴趣的可以互关进圈哈。
2.岗位技能要求
（1）Java基础、数据结构与算法、计算机网络基础
（2）Linux基础
（3）Hadoop海量数据平台的搭建(Ambari/CDH)
（４）Hadoop集群的核心组件：hdfs、yarn和mapreduce
（5）数据中间件：rabbitmq/kafka/rocketmq、elastic search、redis、hbase、mongodb等
（6）数据查询和计算引擎：hive、spark、flink等
（7）机器学习、深度学习、数据挖掘（统计分析）等算法技术
（8）数据的可视化开发（驾驶舱、表报统计）
（9）项目经验：大数据运维、数仓开发、可视化开发、数据分析和数据挖掘
3.面试技术点汇总
（1）haooop核心组件介绍
hdfs、yarn和mapreducess
（2）你自己搭过大数据集群吗？那你说说搭建hadoop集群的3个xml文件
core-site.xml、hdfs-site.xml、mapred-site.xml
（3）正常的hadoop集群工作都会启动哪些进程？他们的作用分别是什么？
NameNode DataNode Secondary NameNode
NameNode：主节点，负责维护整个Hdfs文件系统的目录树，以及每个文件所对应的block块信息(元数据)。
DataNode：从节点，负责存储具体的文件数据，并且每个block可以在多个DataNode上存储多个副本。
Secondary NameNode：相当于一个备用的NameNode， 当NameNode死机之后，可以将Secondary NameNode的数据备份到NameNode上面 ，但不能备份完整数据，它有两大功能:
1 镜像备份，
2 日志与镜像定期合并。
Secondary NameNode会经常向NameNode发送请求，是否满足check。
当条件满足时，Secondary NameNode将进行CheckPoint 。
这时NameNode 滚动当前正在写的edits，将刚刚滚动掉的和之前edits文件进行合并。Secondary NameNode下载edis文件，然后将edits文件和自身保存的fsimage文件在内存中进行合并，然后写入磁盘并上传新的fsimage到nameNode，这时NameNode将旧的fsimage用新的替换掉。
（4）HDFS的块默认是保存几份？一个块多大？
默认保存是3份，一个块是128M。
hadoop 1.0 默认是64M， hadoop 2.0 由64M 改为128M
主要是磁盘的存储决定 块的大小，块组成的文件的大小取决于磁盘的传输速率，调整磁盘，可以改变块的大小。
（5）Hdfs的读写过程你了解吗？简单讲讲？
1、客户端跟NameNode 通信，请求上传文件，NameNode检查文件，父目录是否存在，并向客户端返回是否可以上传文件
2、客户端请求第一个block块该上传到哪个DataNode服务器上，NameNode查询从节点之后，返回对应的DataNode 服务器A,B,C等。
3、客户端请求NameNode服务器，采取就近原则，选择A服务器上传数据(本质上是个RPC调用，建立PipeLine)，A收到
请求后，A调B，B调C，将每个pipline建立连接，然后逐级返回给客户端
4、客户端开始往A上传第一个block，以Package为单位，A收到一个Package，就会传给B，B传给C，A每传一个package就会放入一个应答队列，等待应答。
5、当第一个block传输完成后，客户端再次请求NameNode上传第二个block。
（6）说一下MapReduce的工作原理？
1、客户端启动一个job,然后向JobTracker请求一个jobID
2、 然后将运行所需要的资源文件上传到HDFS上，包括MapReduce程序打包的jar包，配置文件，以及计算的输入划分信息等
3、 这些文件全部存储在JobTracker专门创建的JobID文件夹中（jar文件会有10个副本，输入划分信息对应着JobTracker应该启动多少个Map任务）
4、JobTracker将这些资源文件放入作业队列中，调度器根据调度算法对作业文件进行调度，根据输入划分信息划分Map任务
并将map任务分配给TaskTracker执行。
5、TaskTracker每隔一段时间发送给JobTracker一个心跳，告诉它自己的运行情况，这个心跳中包含map任务完成的进度等。
6、当最后一个任务完成后，JobTracker会将该任务设为成功，返回给客户端。客户端得到结果，得知任务完成便显示消息给用户。
（7）具体讲一下map中的一些步骤，例如partition,sort,combiner,shuffle
好的，sort 主要是排序，combiner是合并，partition是分片等。
首先Mapper根据文件进行分区，sort将Mapper产生的结果按照key进行排序，combiner将key相同的记录进行合并，partition是把数据均衡的分配个Reducer. shuffle是Mapper将结果传给Reduce，在这期间容易发生数据倾斜等。
（8）数据倾斜一般是在Mapper端发生的还是Reduce中发生的？
Mapper将数据处理完传给Reduce，当Reduce进行处理时，因为一部分key的数据量过大，导致其他分区已经执行完成而数据量过大的key执行时间过长，所以数据倾斜是发生在Reduce端的。
（9）数据倾斜是因为这个key分布不均匀，那你会怎么优化呢？
可以在Mapper期间将大数据量相同的key进行分散，通过添加N以内的随机数前缀，对数据较多的Key进行子扩展，先进行局部操作，再去除随机数之后进行聚合操作，避免在进行Shuffle操作时出现数据倾斜问题。
（10）Mapper端进行combiner之后，除了速度会提升，那从Mapper端到Reduce端的数据量会怎么变？
数据量会减少，因为combiner之后，会将相同的key进行一次聚合，数据量会在这时候减少一部分
（11）map 输出的数据如何超出他的那个小文件内存之后，那他是落地到磁盘还是落地到HDFS中？
落地到磁盘中，因为map,reduce操作，就是一次次的I/O请求
（12）Map到Reduce默认的分区机制是什么？
据那个hash进行计算 对map中的key做hash，对reduce个数取模
（13）hadoop的调优主要针对配置文件的调优你知道哪几种？
1、因为MapReduce运算时是在磁盘中进行的，所以 通过修改磁盘I/O，也就是设置和的预读缓冲区大小
来提高hadoop里面大文件顺序读的性能。以此来提高I/O性能。
2、通过修改三个配置文件的参数如 core-site.xml,mapred-site.xml,hdfs-site.xml等
例如 修改core 文件里面的buffer.size，来修改读写缓冲区的大小，还有hdfs文件里面的block.size修改块的大小等都可以进行调优
（14）出个题，现在有1G的数据文件，里面有四个字段，分别是id,name,age,class,然后要按照class来分组
id来排序，口述一下MapReduce的过程是怎么实现的？这里面会有几个map?思考了一下
1、首先1G文件，那默认一个块是128M，所以可以分为8个块，对应的就是8个Mapper
2、然后定义一个对象，将四个属性封装到对象中，实现序列化和反序列化
3、定义一个类继承partitioner类，调用对象中的class属性设置分组，
4、在map端对文件进行读取，然后通过Split来进行分割，调用对象的id作为key，然后进行局部sort排序，在combiner局部聚合后通过reduce来进行整体聚合。
（15）说说yarn吧，它有什么优势，能解决什么问题？
yarn集群主要分为主节点ResourceManager,从节点 NodeManage ResourceManage负责资源的分配，将集群的资源分配给各个应用使用，资源分配的基本单元是Container，NodeManage则是一个计算节点的管理者，负责启动应用的所需的Conbiner，并对内部资源进行监控等。yarn一般和mapreduce进行结合，主要是对MapReduce中的资源计算进行维护等。
（16）Spark为啥比Mapreduce运行块，原因都有哪些?
1、spark是基于内存计算，mapreduce是基于磁盘运算，所以速度快
2、spark拥有高效的调度算法，是基于DAG,形成一系列的有向无环图
3、spark 是通过RDD算子来运算的，它拥有两种操作，一种转换操作，一种动作操作，可以将先运算的结果存储在内存中，随后在计算出来
4、spark 还拥有容错机制Linage
（17）什么是RDD？
RDD就是弹性分布式数据集，可以理解为一种数据结构，拥有多种不同的RDD算子。
（18）你都知道哪些RDD算子？
比如转换操作，有map().fliter() flatMap()，distinct()等
动作操作 有 collect ,reduce 等.
（19）reduceBykey 和groupBykey有啥区别吗？
reduceByKey会在结果发送至reducer之前会对每个mapper在本地进行merge，有点类似于在MapReduce中的combiner。这样做的好处在于，在map端进行一次reduce之后，数据量会大幅度减小， 从而减小传输，保证reduce端能够更快的进行结果计算。groupByKey会对每一个RDD中的value值进行聚合形成一个序列(Iterator)，此操作发生在reduce端， 所以势必会将所有的数据通过网络进行传输，造成不必要的浪费。同时如果数据量十分大， 可能还会造成OutOfMemoryError。
（20）现在有一个业务，当SparkStreaming在消费kafka里面的数据，然后消费了一段时间之后，程序挂了，当下一次程序启动时如何保证SparkStraming能继续消费kafka之前的位置?
可以依靠checkPoint机制来保证，每次SparkStreaming消费kafka数据后，将消费的kafka offsets更新到checkpoint，当程序挂机或升级时，就可以用过读取checkpoint 的记录来接着上次的位置进行读取，实现数据的零丢失。
还可以在sparkStreaming中另外启动一个预写日志，这将同步保存所有收到的kafka数据导入hdfs中，以便发生故障时，恢复到上次的位置和之前的数据。
（21）说说Spark的广播变量？
Spark中因为算子中的真正逻辑是发送到Executor中去运行的，所以当Executor中需要引用外部变量时，需要使用广播变量。广播变量只能在Driver端定义，不能在Executor端定义，在Driver端可以修改广播变量的值，在Executor端无法修改广播变量的值。
（22）你知道累加器吗？
之前看过一点，累机器相当于统筹大变量，常用于计数，统计。累加器常常被作为rdd的map filter操作的副产品等。
（23）说说spark中 job,stage,task，分别代表什么？
Job简单讲就是提交给spark的任务。
Stage是每一个job处理过程要分为的几个阶段。
Task是每一个job处理过程要分几次任务。Task是任务运行的最小单位。最终是要以task为单位运行在executor中。
（24）说说Spark的工作机制？
用户在客户端提交job作业后，会由driver运行main方法并创建SparkContext上下文。执行RDD算子，形成DAG图，然后将DAG图交给DAGScheduler来处理。DAGScheduler按照RDD之间的依赖关系划分stage，输入task Scheduler，task Scheduler会将stage划分为task set分发到各个节点的executer中执行，executor以多线程的方式执行，每个线程负责一个任务，任务结束后，根据不同类型的任务返回不同的结果。
（25） 了解zookeeper吗？
zookeeper 是一个分布式协调服务，zookeeper集群包括 leader 和 follow.
zookeeper的选举过程，比如现在有五台机器，ABCDE依次启动起来，那么哪台是leader？
1.首先更新logicalclock并提议自己为leader并广播出去
2.进入本轮投票的循环
3.从recvqueue队列中获取一个投票信息，如果为空则检查是否要重发自己的投票或者重连，否则
判断投票信息中的选举状态.
（26）hive了解吗？
Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能
（27） 说说内部表和外部表的区别？
内部表的数据是由Hive自身管理的，
外部表的数据是由HDFS管理的；
删除内部表会删除元数据和存储的数据；
删除外部表只删除元数据不删除存储的数据.
（28）知道UDF吗？
UDF就是Hive提供的内置函数无法满足业务处理需要时，可以考虑使用用户自定义函数。
（29）一张大表，一张小表，你写join in时，哪个表放左边，哪个表放右边？
小表放前，大表放后，左查询，根据小表为主进行查询。
（30） 问一下kafka的问题吧，kafka是怎么进行数据备份的？
备份机制是Kafka0.8版本之后出的，一个备份数量为n的集群允许n-1个节点失败。在所有备份节点中，有一个节点作为lead节点，这个节点保存了其它备份节点列表，并维持各个备份间的状态同步。
（31）消费者是从leader中拿数据，还是从follow中拿数据？
写是都往leader上写，但是读并不是任意flower上读都行，读也只在leader上读，flower只是数据的一个备份，
kafka是由follower周期性或者尝试去pull(拉)过来(其实这个过程与consumer消费过程非常相似)，
保证leader被挂掉后顶上来，并不往外提供服务。
（32）说说kafka的ISR机制？
kafka 为了保证数据的一致性使用了isr 机制，
-
leader会维护一个与其基本保持同步的Replica列表，该列表称为ISR(in-sync Replica)，每个Partition都会有一个ISR，
而且是由leader动态维护
-
如果一个flower比一个leader落后太多，或者超过一定时间未发起数据复制请求，则leader将其从ISR中移除
-
当ISR中所有Replica都向Leader发送ACK时，leader才commit
(33)kafka如何保证数据的不重复和不丢失？
答案上面已经回到了
(34)kafka里面存的数据格式都是什么样的？
topic主题，然后主题进行分区 topic 分为partition , partition里面包含Message。
(35)kafka中存的一个是数据文件，一个是索引文件，说说这个？
。。。。。不太会。。。哇，kafka被虐惨啦
(36)kafka 是如何清理过期数据的？
kafka的日志实际上是以日志的方式默认保存在/kafka-logs文件夹中的，默认7天清理机制，
日志的真正清理时间。当删除的条件满足以后，日志将被“删除”，但是这里的删除其实只是将 该日志进行了“delete”标注，文件只是无法被索引到了而已。但是文件本身，仍然是存在的，只有当过了log.segment.delete.delay.ms 这个时间以后，文件才会被真正的从文件系统中删除。
(37) 一条message中包含哪些信息？
包含 header,body
一个Kafka的Message由一个固定长度的header和一个变长的消息体body组成。
header部分由一个字节的magic(文件格式)和四个字节的CRC32(用于判断body消息体是否正常)构成。
当magic的值为1的时候，会在magic和crc32之间多一个字节的数据：attributes(保存一些相关属性，比如是否压缩、
压缩格式等等)；
如果magic的值为0，那么不存在attributes属性body是由N个字节构成的一个消息体，包含了具体的key/value消息
(38)mysql的最左原则吗？
最左原则：顾名思义，就是最左优先，比如现在有一张表，里面建了三个字段ABC,对A进行主键，BC建立索引，就相当于创建了多个索引，A索引，(A,B)组合索引，(A,B,C)组合索引，那查询时，会根据查询最频繁的 放到最左边。
（注意：本文部分技术面试答题摘录过来的，如有侵权，可告知删除。）