程序员必备的面试技巧——大数据工程师面试必备技能
目录
前言
一、不同工程师的职责和技能要求
1、数仓开发工程师
2、算法挖掘工程师
3、大数据平台开发工程师
4、大数据前端开发工程师
二、大数据技术架构图
三、大数据相关的技术内容
四、大数据面试经验
1、大数据开发岗位
2、大数据分析岗位
总结
前言
“程序员必备的面试技巧，就像是编写一段完美的代码一样重要。在面试战场上，我们需要像忍者一样灵活，像侦探一样聪明，还要像无敌铁金刚一样坚定。只有掌握了这些技巧，我们才能在面试的舞台上闪耀光芒，成为那个令HR们心动的程序猿！”
一、不同工程师的职责和技能要求
在不同层，对于工程师的职责、技能要求都会存在差异。
1、数仓开发工程师
根据企业的要求搭建数仓体系（DW），是企业所有级别决策的制定过程，基于分析性报告和决策支持目的，为需要业务智能的企业，提供指导业务流程赶紧、监视时间、成本、质量以及控制，为战略策略做数据支持。主要负责核心业务模块数据仓库的构建，对数据模型进行设计，ETL实施、ETL性能优化、ETL数据监控以及一系列技术问题的解决；构建用户主题、各业务线主题、推荐主题、BI门户系统，并对全产品线数据字典维护，提升数据资产质量。
需要熟悉的技能：
（1）需要深入理解常用的数据建模理论，独立把控数据仓库的各层级设计；
（2）熟练掌握Hive/SQL、Spark/Map-Reduce/MPI分布式计算框架；
（3）熟悉大数据的离线和实时处理，可以进行海量数据模型的设计、开发。
2、算法挖掘工程师
在大厂重创新、研究，在小厂重赋能、产品，有本质上的区别，也分很多种类型，包括搜索算法、导航算法、NLP、视觉算法、图像识别、自动驾驶、安全算法、通信算法等，需要掌握的技能差异性也很大，整体来看，有以下共性。
需要熟悉的技能：
（1）数据分析：通过编程语言进行科学分析，python、sql、spark，分布式计算框架Hadoop/Spark/Storm/ map-reduce/MPI；
（2）文献阅读：能够关注市面上的主流比赛算法应用，能够对学术、工业论坛、论文有非常多的积累；
（3）创新思维：场景迁移/举一反三能力，例如看到广告推荐中的根因定位，应该能马上切换到安全中的异常溯源；
（4）算法原理：机器学习、深度学习、强化学习、算法导论等；
（5）数学功底：扎实的数学功底，能够完成公式推导，并进行调优。
3、大数据平台开发工程师
大数据平台开发有两个方面，平台自研、应用开发，需要熟悉Web后端开发语言、大数据开源组件，至少精通掌握一种开发语言golang、php、java； 对开发框架的原理&源码都有一定的了解（如laravel）。
需要熟悉的技能：
（1）平台自研，属于研发级开发，基于Hadoop组件开发HBase、Hive、Avro、Zookeeper等，完成元数据系统、数据质量、数据采集、数据计算平台、任务调度平台等系统性建设；
（2）应用开发，在大数据平台Hadoop及Spark进行具体的应用开发，搭建数据报表平台、自助数据分析平台、数据地图、标签库等。
4、大数据前端开发工程师
给用户看到的都叫做前端，比如APP界面、Web 界面，与交互设计师、 视觉设计师协作，根据设计图，依据相关编程语言进行界面内容实现，把界面更好地呈现给用户；前端从业人员主要分布于我国中东、南部地区，其中北京的前端开发工程师最多，其次是深圳、上海、成都、杭州、广州、武汉、南京、长沙和西安。
需要熟悉的技能：
（1）熟悉W3C技术标准，精通HTML、Javascript、Ajax、DOM、HTML5、CSS3等前端开发技术；
（2）熟练掌握Vue、jequry、webpack等前端框架和相关技术并了解其实现原理，熟悉nginx、nodejs等webserver技术；
（3）熟悉前端性能分析和调优，并保证兼容性和执行效率，可编写复用的用户界面组件；
（4）掌握前端开发的安全风险和对策，良好的分析和解决问题的能力。
二、大数据技术架构图
可以参考一下大数据的技术架构：
在企业里面，如果按照数据流向来看，有一个主链路：
（1）系统对接：大数据平台开发工程师负责，对接各个业务系统，提供数据接入的能力；
（2）采集存储：数仓开发工程师，通过工具定期进行数据接入，并进行维度建模，抽象出DW层，建立指标；
（3）数据挖掘：算法挖掘工程师，结合数仓的底层模型表，dws表构建数据特征，挖掘数据的业务价值；
（4）数据呈现：大数据前端开发工程师，根据数据接口信息，在前端进行数据的可视化图表呈现，系统集成。
三、大数据相关的技术内容
由于数据中台的出现，组织架构和分工可能会有一定到差异，根据所需要做的内容和事情，所需要掌握的技能树是类似的，按照日常使用情况，可以归纳为以下几种：
1、关于python、sql、spark、hadoop和消息
综合对大数据开发过程的技术要求，比较主流的几个工具和技术：
（1）python：主要解决数据处理、分析、挖掘的内容；
（2）SQL：主要是在数仓存储、模型存储、指标接口开发过程中需要非常熟练；
（3）Spark：在算法挖掘、大批量数据计算、机器学习应用方面的应用；
（4）Hadoop神态：对数据存储、大数据平台开发都有非常强的要求，依赖HDFS、HIVE等特性；
（5）消息：数据接口开发，对于数据应用，和上层应用系统之间的互通有比较高的要求。
2、关于实时计算相关的技术栈
flink：在实时计算，处理批、流数据，实现秒级计算并赋能给业务系统的核心技术。
四、大数据面试经验
目前市面上的大数据开发岗位主要分为两大方向：【大数据ETL开发】和【大数据分析】。
不同的岗位对技术要求的侧重点不一样，前者的市场岗位需求更大。
1、大数据开发岗位
岗位简介：
这个岗位的核心工作是负责将原始的数据源接入到大数据平台，然后用平台中的各种大数据组件对数据做各种数据的转换、清洗，然后有的就可以直接入库，用于各种BI系统的报表展现；而有的清洗后的数据则提供给大数据分析人员作为数据源，用于各种机器学习算法、人工智能模型等手段进行分析、挖掘，最终得出想要的结果。
（1）全局视角：一个好的大数据ETL开发，应该对你所在的大数据系统（或者叫大数据平台）有一个全局性的认识。这样，才清楚每一次代码开发，对应运行在这个系统的哪个位置，会与哪些模块交互、模块间的兼容性如何、上下游的数据处理链路是怎么样的。任何一个大数据系统它都是有套路的，都可以将其拆解为3大部分：数据源接入模块、数据计算模块、结果存储模块。
（2）局部思维：在写代码开发具体的功能的时候，是否想过为什么要用这个技术？使用这个技术的优劣势在哪？为什么不用另个一个呢？比如在对数据源接入时，很多时候都用kafka这个组件，来承接数据的落地，那为什么会选这个组件？都知道它快，为什么快，是什么原理支撑它快的，数据结构？通信原理？等等。
（3）业务理解能力：所有的开发，目的都是完成业务需求，那么对业务数据的理解能力就显得特别重要。比如在数据处理过程中常常遇到的效率优化问题，用计算引擎对数据计算时出现分区之间数据不平衡问题（也叫数据倾斜）如何解决？这个时候其实需要对业务有比较深的理解才可以，不是单纯的技术问题能解决的，如果要平衡新的分区，就要基于当前业务要求作出新的调整。
（4）基础能力：这里指的是计算机基础，编程语言基础。任何一个坚实稳定的软件工程都需要一个牢靠的地基支撑。这个也是每次面试的必考察项。比如：JVM原理、常用容器类型、常用数据结构与算法、网络IO、计算机组成等等。
2、大数据分析岗位
岗位简介：
这个岗位跟上一个岗位相比，从理论上来说应该是要少很多的，但是一些注重算法的公司在这个岗位上的人员投入比例却非常的大。
（1）理论知识：
一是基础数学统计知识，二是市场研究方法论。
基础数学统计知识，这里不过多的介绍。一方面因为只要大学里学过统计学，有一定的数理分析能力基本就能过关，另一方面也是因为我们有各种各样的计算器及计算软件可以辅佐。
具备良好的市场研究方法论，是一个优秀数据分析师的基础。因为作为一个数据分析师，当你面对海量的数据，只有快速找到并牵起那根线头，才能开展后续所有的工作。这个“找线头”的工作，往往需要数据分析师们通过充分的市场环境调查、市场基本情况调查、客户情况调查与竞争对手调查，进行多方面信息收集和调研分析。信息收集为市场调查提供数据，调研分析能够对数据的内在规律进行深入的剖析。
（2）常用分析工具：
1）数据库
我们可以将数据库简单理解为，企业为自己搭建的，根据数据结构组织、存储和管理数据的“仓库”。要进行数据分析时，我们需要将一些数据放入这个“仓库”中，根据我们的需求进行相应的处理。比如说人力资源部，将各个部门的员工当年固定工资、绩效奖金、年终奖，员工的工龄、岗级等数十项数据放入“仓库”，再结合正确的数据筛选和抽取、计算方法，就可以以此为基础制作一份企业的人力成本分析报告，供管理层参考与决策使用。
2）专业软件
数据分析师可使用的专业软件种类繁多，但最常用的其实就3种——SQL、BI和Python。这些软件想要用到精深，每一个都需要花大量的时间，下苦功夫，但如果只是做到熟练掌握基本功能，满足日常范围内的数据检索、调用和分析需求，难度则大为下降一一通过专业化、系统化的学习和培训即可。
3）日常办公软件
与数据分析师日常联系最密切相关的办公软件，就是Excel了——这也是使用者上限和下限差异巨大的软件，可能没有之一。在普通人手中，这就是个填表格的软件，但在高手手中，Excel甚至能做一些微型编程工作。对于数据分析师来说，熟练掌握Excel的函数和数据透视表功能，基本上已经能够完成日常大部分数据的基础处理工作了。
总结
对于大数据，随着技术的不断迭代，数字化的发展，对数据职能的区分度会越来越细分，持续保持对前沿知识的关注，通过和周边的大佬进行学习，结合场景进行深度应用，在数字化的道路上才能走的更长远。