推荐阅读文章列表：大数据开发面试笔记V4.0   ||   面试聊数仓第一季  ||   小白大数据学习路线 一、前言京东2024届校园招聘面向应届生开放8000+岗位！！！冲起来，兄弟们，我帮大家整理好了大数据开发的高频面试题，希望对你有用！！！二、高频面试题总结 1. clickhouse的写入和读取为什么快写入：ClickHouse采用类LSM Tree的结构，数据写入后定期在后台Compaction，而且， ClickHouse在数据导入时全部是顺序写入，写入后数据段不可更改，在后台 compaction 时也是多个段 合并排序后写回磁盘。读取：本质就是利用优秀的存储引擎来减少磁盘IO对性能的影响，比如mergeTree、ReplacingMergeTree等，同时ClickHouse在将数据写入磁盘前，会进行预排序，以保证数据在磁盘上是有序的，在实现范围查找时可以将随机读变成顺序读，从而有效提高IO效率。另外，压缩可以减少写入和读取的数据量，从而减少IO的时间2. hbase中rowkey的设计原则是什么，如何解决热点现象设计原则：长度原则散列原则唯一原则热点现象：预分区+rowkey设计3. kafka的副本机制Kafka有主题的概念，每个主题又分为若干个分区。副本的概念是在分区层级下定义的，每个分区配置有若干个副本4. hdfs为什么是128M一块首先解释为什么不能设置太大，也不能设置太小？如果块设置过大，一方面，从磁盘传输数据的时间会明显大于寻址时间，导致程序在处理这块数据时，变得非常慢；另一方面，mapreduce中的map任务通常一次只处理一个块中的数据，如果块过大运行速度也会很慢。如果块设置过小，一方面存放大量小文件会占用NameNode中大量内存来存储元数据，而NameNode的内存是有限的，不可取；另一方面文件块过小，寻址时间增大，导致程序一直在找block的开始位置。再解释为什么设置为128m？HDFS中平均寻址时间大概为10ms；经过前人的大量测试发现，寻址时间为传输时间的1%时，为最佳状态；所以最佳传输时间为10ms/0.01=1000ms=1s目前磁盘的传输速率普遍为100MB/s；计算出最佳block大小：100MB/s x 1s = 100MB所以我们设定block大小为128MB5. Hive的数据存储格式有哪些，优缺点TextFile行存储，优点：数据操作方便，直接使用put上传数据文件，并且可以直接使用cat 查看HDFS上的文件内容；缺点：直接存储文件，数据量级大，磁盘开销大。SequenceFile行存储，优点：可压缩、可分割，优化磁盘利用率和I/O；缺点：含有键值对的二进制文件，数据量级大，对于Hadoop生态系统之外的工具不适用，需要通过text文件转化加载。rcfile行列式存储，优点：可压缩、高效的列存取、查询效率较高；缺点：读取全量数据性能低（扫描的数据块多效率低 ）。orcfile列式存储，优点：压缩快、快速列存取、效率比rcfile高，上层presto查询引擎和orc格式兼容性较好；缺点：查询引擎不支持 impala 只能用hive查询数据。parquet列存储，优点：支持多种查询引擎。6. udf函数的分类udf、udaf、udtf7. MapReduce的执行过程 请阅读之前的文章8. flink和spark的区别是什么 请阅读之前的文章9. hbase的特点和底层，和mysql有什么区别HBase主要包括region server和master，region server主要用于region的管理，而master主要用于管理region server，另外还有zookeeper和hdfs，zookeeper主要是用来保证master的高可用，hdfs提供存储服务。hbase是一个数据库，而hive一般用于构建数据仓库hbase可以看做是一个存储框架，而hive是一款分析框架hbase的查询延迟比较低，常用于在线实时的业务，而hive常用于离线的业务10. flink有哪些算子map、flatMap、filter、keyBy、reduce、union、split、connect等11. flink的窗口函数滚动窗口Tumbling Windows滑动窗口Sliding Windows会话窗口Session Windows12. flink的精准一次性如何保证的checkpoint算法13. kafka是如何保证数据不丢失和不重复的，从生产者和消费者考虑保证数据不丢失：生产者端：producer发送数据到kafka的时候，当kafka接收到数据之后，需要向producer发送ack确认收到，如果producer接收到ack，才会进行下一轮的发送，否则重新发送数据....【大数据开发面试笔记V4.0含所有答案】消费者端：消费者消费数据的时候会不断提交offset，就是消费数据的偏移量，以免挂了，下次可以从上次消费结束的位置继续消费....【大数据开发面试笔记V4.0含所有答案】保证数据不重复：问题：当我们把ack级别设置为-1之后，假设leader收到数据并且同步ISR队列之后，在返回ack之前leader挂掉了，那么producer端就会认为数据发送失败，再次重新发送，那么此时集群就会收到重复的数据，这样在生产环境中显然是有问题的【大数据开发面试笔记V4.0含所有答案】14. 数据倾斜请阅读之前的文章15. zookeper的leader选举机制，常见的一些应用场景，举例说明 zookeeper刚启动的时候：投票过半数时，服务器id大的胜出我举个例子吧，假设有3台服务器，服务器1先启动，此时只有它一台服务器启动了，没有任何服务器可以进行通信，因此处于Looking状态，紧接着服务器2启动，它就会和1进行通信，交换选举结果，此时id较大的2胜出，并且满足半数以上的服务器同意选举2，所以2就成为了leader，最后服务器3启动，虽然自己的id大一些，但是前面已经选出了leader，因此自己就成为了follower