一面（约60分钟）面试从两道SQL题开始，难度适中但很考基础：1. 计算指定日期登录用户的上次登录间隔天数；2. 对商品按销售额排序并分档（如前10%为第一档）。随后是简历深挖，延伸问到不少实习中没细想的问题，有一定挑战性。二面（约45分钟）这一轮更侧重逻辑与业务理解：继续深挖项目，关注难点、卡点和最复杂的部分；再完成两道SQL题：统计连续登录3天以上的用户数 + 计算每用户近30天登录间隔平均值；还有一道费米估算题：“估算一个城市每天卖出的咖啡数量”；最后问了一个开放题：“你认为电商平台最应关注哪些指标？”三面（约30分钟）这一轮更偏向软素质与职业匹配度：从自我介绍开始，重点考察对实习业务的理解，希望我能跳出执行者视角，思考业务逻辑；问到跨团队沟通出现问题时如何应对；也坦诚交流了工作强度、地域适应性与生活节奏变化等问题。整体感受遇到的面试官都很耐心专业，不会的问题也会逐步引导，整体体验很好。如果也在准备类似面试的同学，建议重点准备SQL连续类题目、业务场景题和项目深度思考。

1、自我介绍2、你对数仓的了解3、数仓每层的用处是什么4、怎么分事实和维度5、用户订单表（交易表），设计一个ETL流程将其转换成用户的每日消费汇总表，怎么设计6、假如有一张表里头有两个一模一样的重复数据，如何去掉重复数据？7、如果有一个ETL任务运行缓慢，如何优化？——看物理执行计划，数据倾斜，索引，当时是否有别的任务抢资源，（面试官：没其他的了？）8、ETL任务过程中的数据发散问题9、你对你的职业生涯有什么规划？10、加班会比较严重，你觉得你通过加班能得到什么，获得什么？11、刚毕业的大学生经验不足，你觉得你能用什么样的方式去快速获得这些经验？（觉得我的规划不够突出）12、谈谈你对公司的了解和对未来的期望

1.对 Hadoop 各组件之间通信所使用的 RPC协议的具体内容2.Hadoop 中读数据的完整流程(包括客户端发起请求、与 NameNode 交互、与 DataNode交互等各环节)3.在数据传输过程中，若 DataNode 突然挂掉，Hadoop 系统会如何处理(包括任务重试、数据副本恢复等机制)4.HBase 源码的核心模块、关键类及底层实现窪捞轶货嶍瑛冶辑(如数据存储、读写流程等相关源码细节)5.在 HBase 中构建二级索引时，通过何种方式或机制保证索引数据与原始数据的一致性(如事务控制、同步更新策略等6.JVM 的具体架构(包括程序计数器、方法区虚拟机栈、本地方法栈、堆等组成部分);堆内存的划分的原理及适用场景;以及平时实际工作中是否会调整GC算法调整的依据是什么7.JVM 参数中，-Xms(初始堆大小)和-Xmx(最大堆大小)仅设置其中一个，与同时设置两个且值相同的情况下，对 JVM 运行产生的具体区别8.如何通过命令或工具查看当前 Java 进程中内存各代(新生代的 Eden 区、Survivor区，老年代等)的内存占比情况9.用于查看 Java 进程中线程堆栈信息的具体命令(如 jstack 等)及使用方法10.如何查看 Java 进程中某个对象的具体大小包括对象本身及引用的对象所占用的内存)，可使用的命令或工具及操作步骤11.排查堆内存泄露的方法，除了将堆内存Dump 出来用MAT(Memory AnalyzerTO01)分析之外，还有哪些更简单直接的排查方式

1.列举几种数据倾斜的情况，并解释为什么会倾場咏，以及如何解决?2.解释一下 SQL 运行步骤，是否有优化空间如果有，如何优化:SELECT a.id,b.nameFROM a LEFT OUTER JOIN bON a.id =b.idWHERE a.dt='2016-01-01'AND b.dt='2016-01-01';3.已知表 a 是一张内部表，如何将它转换成外部表?请写出相应的 Hive 语句4.用 select 做查询时，用哪个函数给值为null的数据设置默认值?5.Hive 中，建的表为压缩表，但是输入文件为非压缩格式，会产生怎样的现象或者结果?6.订单详情表 ord_det(order_id 订单号，sku_id 商品编号，sale_qtty 销售数量，dt 日期分区)，任务计算2016年1月1 日商品销量的 Top100，并按销量降序排序7.某日志的格式如下:pin|-lrequest_tm|-url|-|sku_id|-|amount，分隔符为"-'，数据样例为:张三-|q2013-11-2311:59:30-www.jd.com-100023-110.15。假设本地数据文件为 sample.txt,先将其导入到 hive的test 库的表t_sample 中，并计算每个用户的总消费金额写出详细过程包括表结构8.test.log 日志中内容如下左列所示，使用awk 输出右列 4行数据:左列:10-3-jd-dv、2-4-jd-dv、5-7-pv-click、36-24-pv-uv、37-24-pv-uV、24-3-uv-mq右列:10-4-jd-dv、5-7-pv-click、37-24-pv-uv、24-3-uv-mq9.Storm 的分组策略有哪些?

一面时间10.29面试了50min，但面试过程中网络经常出问题1、自我介绍2、你觉得大数据专业和计算机科学等专业有啥差异？3、你觉得哪门你的印象比较深刻、对你的影响比较大？4、你觉得大数据和传统数据库的主要区别在哪？5、你觉得事务是什么意思？举个例子6、你觉得整个事务是单纯数据库就可以完成的吗？7、事务能够解决怎样的问题？为啥需要事务——》什么情况下会出现幻读、脏读——》为什么大家不能一个一个读呢？——》并发8、大数据中有并发这种东西吗——》（有时候解决一个问题是靠技术解决，有时是靠一个规范，有的是使用模式）——》数仓怎么解决这个问题？——》（面试官）从技术层面上来讲早期HDFS是有这个问题的，并行写是有问题的，但这个问题是可以忍受的,一是因为不太用的到并发，实际数仓建设中一个表里在一定时间基本只有一个东西在往里写（delete,insert），二是因为出了点问题是可以接受的，早期谷歌大数据搜索，现在记录日志，很少有数仓一边写一边读9、大数据在分布式上的作用是啥，从存储、计算的层面来讲哪些比较有特点——》你觉得100台1G的服务器比较贵还是1台100G的服务器比较贵——》（面试官）100台服务器一直都是比较贵，电力、散热等，但不怎么容易坏——》Yarn解决的啥问题——》啥是计算资源——》讲讲Spark的计算这块介绍一下10、场景：你到现场，没有任何数据平台，给一份文件（数据量极大，以京东白条这种为例），第一列是时间，第二列是用户人名，第三列是消费金额，我现在要做个排序，找出单日消费前10的人，服务器上性能较一般，但啥语言工具都有，你会怎么解决？——》你觉得并行和并发有什么区别——》（面试官）一个大数据任务本质上处理方法是一样的，无非节点多就并行做，节点少就串行做，节点不多不少就整体并行，每个并行里是串行。11、聊聊你的离线数仓——》为什么企业要建数仓？——》数仓分层的依据——》ODS的中文是啥（回答错了）——》如果ODS和数仓只能留一个，你准备留哪个？（回答错，实际是保留ODS）——》你既然回答的理直气壮，那你觉得ODS为什么还留着，为什么没被干掉？（面试官跳过了）12、你觉得数仓几个层要被干掉一个，你觉得哪个层要被合并——》DWS（？）13、你对维度建模理论有了解吗？——》你觉得维度建模理论提出是为了解决啥问题，为什么要搞维度表，事实表，为什么不搞个宽表，2、300个字段堆那？——》你觉得实际工作中宽表用的多不多——》（面试官原话）所以你觉得维度建模理论是扯淡吗（笑）——》你觉得谁喜欢宽表？——》（面试官）政府部门的人相当喜欢宽表，实际工作环境中，不查数据，一般都是要求下载为excel，他只关心本部门的数据，那个数据没有那么多，他也不会写SQL，就要求你整到一起下载到excel让他去操作。（面试官）为什么这些理论和实际差别很大呢——》早期数仓很贵ODS最大的价值——》万一领导马上就要数据，数仓来不及跑，可以直接从ODS拿，像泄洪闸一样的方便的东西，另外一般参与ODS建设的人的资历比较老，ODS可以减小，但不能被干掉。面试官建议：你的逻辑能力、学习能力都不错，再找个方向去积累，数仓有些没那么牛，但可以做很久。

面试部门：内容数据工程timeline：09.24投递，10.14笔试通知，10.21一面，次日挂，并取消10.25的笔试一面（35min）自我介绍实习内容介绍实习中最复杂的一项工作，主要内容是什么，从中有哪些收获主要用什么技术栈JVM的内存结构如何排查OOM问题内存泄漏在什么场景下会发生算法：最大子数组和

1.实习介绍2.美团数据处理:你可以介绍一下在美团这块的详细的数据。3.实时数据加工:你们会做实时数据加工吗?4.实时数据加工工具:你们用什么工具进行实时数据加工?5.实时数据加工内容:你在实时数据加工中主要处理什么内容?6.离线数据处理量:你们离线处理数据量有多大?7.数据倾斜问题:你在实习过程中遇到过数据倾斜问题吗?怎么解决的?8.Spark宽窄依赖:你了解Spark的宽窄依赖吗?9.查询时间优化:查询时间比较久的话，一般你们的规划思路有哪些?10.Flink SQL开发:你做过FlinkSQL开发吗?能介绍-下checkpoint机制吗?11.规则引擎与窗口函数:你能介绍一下在oppo实习段经历里面，通过规则引擎与窗口函数处理数据的经历吗?12.编程语言:你之前用Python或者Java开发过程或者学习或者这些计算机。13.Java集合:你能介绍-下Java的HashMap吗?14.对象比较:Java里面的equals和==有什么区别?15.深拷贝与浅拷贝:你能介绍一下深拷贝和浅拷贝的区别吗?16.多态:你了解多态吗?它主要是指什么?17.进程与线程:你了解进程和线程吗?18.TCP与UDP:你了解TCP和UDP的区别吗?19.数据库索引:我们为什么使用数据库索引?20.B+树:你能介绍一下B+树的特点吗?21.索引失效情况:什么情况下索引会失效?

1.ES，ES的项目好几年前接触的了几乎忘光了，被狠狠拷打什么是倒排索引ES写数据流程ES读数据流程项目里ES集群规模，分了几个索引，做过哪些优化来提升性能2.KafkaKafka如何实现高吞吐量Kafka如何保证消息按顺序消费Kafka偏移量怎么保存Consumer出错如何恢复Consumer想从指定时间开始重新消费如何实现3.Spark和FlinkSpark和Flink在使用场景和设计上有何不同什么是shuffle什么是数据倾斜如何优化数据倾斜Flink消费kafka什么情况下会出现数据倾斜之前项目里Spark写数据是往什么地方写的4.其他一些零碎问题，本来想问hadoop和hive，但我们之前项目用的aws，所以改问了s3一些问题，比如s3和传统文件系统相比有什么缺陷，为什么选择s3，s3上的文件能否编辑

面试部门：忘了....好像是做财务的timeline：09.18投递，09.23一面，面完秒挂一面（30min）自我介绍实习期间最有价值的项目有没有遇到数据倾斜问题，什么场景，解决思路是什么Flink反压产生的原因，解决思路有哪些Spark中groupByKey，reduceByKey，aggregationByKey的区别是什么，如何选择

1.项目介绍2.实习内容询问，角度有点偏，感觉面试官不是很懂java3.有无MySQL索引优化经验，说了实习的一段经历4.https的过程，中间对我所说的非对称加密构建会话秘钥不理解5.有无接触过java大数据开发，说无，因为之前介绍过实习做的doris业务，被面试官指正6000万级的数据量并不大6.介绍下过往设计模式的运用，解决什么问题的7.手撕，“我们来做个java题目吧”8 .反问环节，此时才面了30分钟出头

1.目前所在地在哪?现在有课程安排?2.面试官介绍面试的流程。3.自我介绍。4.sq1题(口述回答):要取年至今所有用户的首次及未次下单时间。5.如果在此基础上，还要求出首次及未次下单时间对应的订单 id、商品id等，应该如何处理?6.了解row_number吗?7.介绍一下实习公司的业务/产品?8.讲一下你做过的任何一个优化案例?9.有其它关于计算资源、存储的具体优化案例吗?10.介绍-下spark问题定位的流程?11.介绍一下项目涉及的核心指标?12.项目中部分指标是怎么做的(计算逻辑)?13.有没有考虑过为啥要做这些指标?14.有接触过实时项目吗?15.为什么要数仓分层?16.维度建模有哪些模型?17.有了解过大模型吗?有做过算法题吗?18.sq1题:求出所有成绩均大于80分的学生姓名?19.讲解一下代码的思路?你写的代码可以如何优化20.知道distinct和group by的区别吗?21.什么时候能到岗?22.反问环节。

1.实习介绍2.能理解为你的项目就是对指标和标签做一个规范整理吗?3.你在切换标签的时候如何保障数据质量?4.你在实习过程中有遇到过数据倾斜的情况吗?你是如何解决的?5.标签存储用的是什么数据库?6.用Doris存储主要是为了加快查询，你有遇到过下游报表查数慢但不是数据倾斜的情况吗?你是如何解决的?7.两道Sql:(1)很简单;(2)找出那些有5个下属的经理id及其名称8.能实习多久?实验室有要求出勤吗?base地能否接受?9.面试官介绍部门业务线。10.反问环节。

1.WordCount 具体是怎么跑的?比如怎么分片、map 阶段做了啥、shuffle 是咋回事、reduce 最后怎么汇总的2.MapReduce和Spark 到底差在哪儿?适用场景这些都得对比着说3.Spark 提交任务时，Client模式和集群模式有啥不一样?比如 Driver 在哪跑、日志在陖瞎圈看、适合啥场景4.同一条 SQL，为啥 SparkSQL 跑起来比HiveSQL 快?得从执行引擎、优化器这些底层说说原因5.自定义 UDF 怎么实现?比如在 Hive 或Spark 里，具体步骤是啥，有没有踩过坑6.设计 HBase 表得注意啥?rowkey 怎么设计才合理、列族要不要分、版本数怎么设，这些睪腘狐旨を曽斷纰可能问到7.HBase 里的 HLog 是干嘛的?跟数据持久化、故障恢复有关系吗8.都是存在 HDFS 上的数据，为啥 HBase 能支持在线实时查询，Hive 就不行?底层存储结构不一样在哪9.用 SparkSQL 操作 Hive 数据时，有没有縈区堠浓ゴ壮攥到过兼容性问题?比如某些函数不支持、数据格式读不对之类的，怎么解决的10.Spark Streaming、Storm、Flink 这几个流处理框架，区别在哪?各自的优缺点和适用场景得搞明白场景题:11.数据量特别大，要用三个 Map 和一个Reduce 来做 Top10，哪种方法效率最高?得考虑怎么减少数据传输、避免倾斜

5分钟项目介绍，15分钟手撕1.查询最近一年连续登陆超过7天的用户10分钟问实习2.实习中业务项目从数仓建模到落实的每个环节行动(正常回答)3.你觉得数仓建设的标准是什么，怎么判断数仓做的好还是不好(应该是贴近业务、数据准确、灵活拓展)4.了解一些大数据引擎的原理和源码吗(开始懵逼，说了个spark)5.对spark的原理讲述反问反问业务、加ai的浪潮、作息、可以提升的点(对大数据更了解一些)

1.项目介绍2.实习经历 难点3.数据倾斜4.CTE的执行计划5.spark stage怎么划分6.什么算子会触发宽依赖7.hive内部表和外部表区别8.HDFS小文件过多会有什么问题9.对数仓分层的理解10.数仓业务域和主题域的区别手撕:sql1:查询某段时间借书的 uidsql:2.sql:查询至少连续两天登录的用户3.算法:有序重复数组返回n出现的次数

分享一下11.12上午面的古茗数据挖掘岗一面1.自我介绍，简单聊了下学校经历，本科毕业去向2.问项目，项目里有大模型相关所以问了很多问题，包括评估指标，如何迭代，怎么去模型选型，RAG检索问题、知识图谱没召回怎么办（召回了有幻觉怎么办）总体还是以深挖项目为主3.八股问题：分别简述cnn，rnn，lstm，transformer和它们之间区别，为什么trans好，如果预测奶茶销量用哪个模型。总体强度不大，可能更偏算法一点，感觉也没问sql数仓相关问题。

1. 自我介绍2. 是否有过从事大数据的相关工作经历，项目活动也可以算3. 对大数据岗位的理解4. 追问了一些项目细节5. 软件开发流程6. 本科毕设（面向的需求方是谁？）

timeline：10.15一面，两周后催了一下，遂挂一面（50min）实习经历介绍+提问（15min）（实习业务场景下）从业务的视角来看，如果要实现GMV增收10%的目的，你会从哪些角度考虑1道sql题，简单的join+聚合谈谈对spark的理解spark如何定位并解决数据倾斜问题谈谈对数仓的理解，为什么要进行数仓建设是否拿到其他公司的offer反问环节：业务介绍+技术栈介绍

项目拷打 1.请详细说明你当前所在公司日常进行数据统计时，主要采用哪些方式?这些方式分别适用于什么场景?例如针对实时数据统计、离线批量数据统计等不同需求，会选择不同的工具或方法吗?2.结合你参与过的具体项目，谈谈你是如何分析项目的业务数据结构的?请说明该数据结构包含哪些核心字段、表与表之间的关联关系，以及你是如何基于业务逻辑梳理清楚这些结构的?3.请问你有相关的数据处理或分析类实习经历吗?另外，你是否接触过非底层(如偏向业务应用层、基于现有平台进行数据处理而非搭建底层架构)的项目?如果有，请简要介绍项目背景和你的职责。4.Spark了解吗?5.从代码到输出结果，Spark引擎做了什么sql题目：表1:用户信息表(含id:用户唯一标识date:用户行为日期，is_new:是否为新用户标识，1表示新用户，0表示老用户)表2:红包领取记录表(含id:用户唯一标识，date:领取日期，time:领取时间，money:题目1:请编写SQL语句，计算"未领取红包的用户在未领取次日、未领取后7日的留存情况"(注:需先明确“未领取红包用户"的定义，即在指定时间范围内有行为记录(表1有数据)但表2无对应领取记录的用户，再计算该类用户在未领取红包日期的次日、第7日是否仍有行为记录(表1有数据)的留存率)。题目2:请编写SQL语句，完成以下两个指标的计算:(1)每日DAU(日活跃用户数):指每日有行为记录(表1中当日有数据)的独立用户数;(2)最近1个月内，3天连续登录的用户占比:即最近 30天内，至少有一次连续3天每日均有行为记录(表1中有对应日期数据)的用户数，占该月内总活跃用户数(表1中该月有至少一天数据的用户数)的比例。反问