学了1年大数据,来测测你大数据技术掌握程度?大数据综合复习之面试题15问

Posted 2021-08-05 大数据Manor

前言

大家好,我是ChinaManor,直译过来是中国码农的意思,我希望自己能成为国家复兴道路的铺路人,大数据领域的耕耘者,平凡但不甘于平庸的人。

时隔一年,终于把主流的大数据组件全部学完了,学成之时,便是出师之日,
那为师便来考考你学的如何:

问题1：Rowkey如何设计，设计规则是什么？

• 业务原则：贴合业务，保证前缀是最常用的查询字段
• 唯一原则：每条rowkey唯一表示一条数据
• 组合原则：常用的查询条件组合作为Rowkey
• 散列原则：rowkey构建不能连续
• 长度原则：满足业务需求越短越好

问题2：请简述Hbase写入数据的流程

• step1：获取元数据

  • 客户端请求Zookeeper，获取meta表所在的regionserver的地址
  • 读取meta表的数据：获取所有表的元数据

• step2：找到对应的Region

  • 根据meta表中的元数据，找到表对应的所有的region
  • 根据region的范围和写入的Rowkey，判断需要写入具体哪一个Region
  • 根据region的Regionserver的地址，请求对应的RegionServer

• step3：写入数据

  • 请求RegionServer写入对应Region：根据Region的名称来指定写入哪个Region

  • 根据列族判断写入哪一个具体的Store

    • 先写入WAL：Hlog预写日志中

  • 写入对应Store的MemStore中

    • MemStore

问题3：协处理器是什么？Hbase中提供了几种协处理器？

• 协处理器指的是Hbase提供了一些开发接口，可以自定义开发一些功能集成到Hbase中
• 类似于Hive中的UDF，当没有这个功能时，可以使用协处理器来自定义开发，让Hbase支持对应的功能
• 协处理器分为两类
  • Observer：观察者类，类似于监听器的实现
  • Endpoint：终端者类，类似于存储过程的实现

以上面试题出自之前发布的Hbase专栏
Hbase专栏链接

问题4：为什么Kafka读写会很快？

• 写很快
  • 应用了PageCache的页缓存机制
  • 顺序写磁盘的机制
• 读很快
  • 优先基于PageCache内存的读取，使用零拷贝机制
  • 按照Offset有序读取每一条
  • 构建Segment文件段
  • 构建index索引

问题5：请简述Kafka生产数据时如何保证生产数据不丢失？

• acks机制：当接收方收到数据以后，就会返回一个确认的ack消息
• 生产者向Kafka生产数据，根据配置要求Kafka返回ACK
  • ack=0：生产者不管Kafka有没有收到，直接发送下一条
    • 优点：快
    • 缺点：容易导致数据丢失，概率比较高
  • ack=1：生产者将数据发送给Kafka，Kafka等待这个分区leader副本写入成功，返回ack确认，生产者发送下一条
    • 优点：性能和安全上做了平衡
    • 缺点：依旧存在数据丢失的概率，但是概率比较小
  • ack=all/-1：生产者将数据发送给Kafka，Kafka等待这个分区所有副本全部写入，返回ack确认，生产者发送下一条
    • 优点：数据安全
    • 缺点：慢
    • 如果使用ack=all，可以搭配min.insync.replicas参数一起使用，可以提高效率
      • min.insync.replicas：表示最少同步几个副本以后，就返回ack
• 如果生产者没有收到ack，就使用重试机制，重新发送上一条消息，直到收到ack

问题6：Kafka中生产者的数据分区规则是什么，如何自定义分区规则？

• 如果指定了分区：就写入指定的分区
• 如果没有指定分区，就判断是否指定了Key
  • 如果指定了Key：根据Key的Hash取余分区
  • 如果没有指定Key：根据黏性分区来实现
• 自定义分区
  • 开发一个类实现Partitioner接口
  • 实现partition方法
  • 在生产者中指定分区器的配置

以上面试题出自之前发布的Kafka专栏
Kafka专栏链接

问题7：简述Spark on yarn的作业提交流程（YARN Cluster模式）

1、任务提交后会和ResourceManager通讯申请启动ApplicationMaster
2、随后ResourceManager分配container，在合适的NodeManager上启动ApplicationMaster，此时的ApplicationMaster就是Driver。
3、Driver启动后向ResourceManager申请Executor内存
4、ResourceManager接到ApplicationMaster的资源申请后会分配container，然后在合适的NodeManager上启动Executor进程
5、Executor进程启动后会向Driver反向注册
6、Executor全部注册完成后Driver开始执行main函数，之后执行到Action算子时，触发一个job，并根据宽依赖开始划分stage，每个stage生成对应的taskSet，之后将task分发到各个Executor上执行。

问题8：简述Spark on yarn的作业提交流程（YARN Client模式）

1、Driver在任务提交的本地机器上运行，Driver启动后会和ResourceManager通讯申请启动ApplicationMaster
2、随后ResourceManager分配container，在合适的NodeManager上启动ApplicationMaster
3、此时的ApplicationMaster的功能相当于一个ExecutorLaucher，只负责向ResourceManager申请Executor内存
4、ResourceManager接到ApplicationMaster的资源申请后会分配container，ApplicationMaster在资源分配指定的NodeManager上启动Executor进程
5、Executor进程启动后会向Driver反向注册
6、Executor全部注册完成后Driver开始执行main函数，之后执行到Action算子时，触发一个job，并根据宽依赖开始划分stage，每个stage生成对应的taskSet，之后将task分发到各个Executor上执行。

问题9：Repartition和Coalesce关系与区别

1）关系：

两者都是用来改变RDD的partition数量的，repartition底层调用的就是coalesce方法：coalesce(numPartitions, shuffle = true)

2）区别：

repartition一定会发生shuffle，coalesce根据传入的参数来判断是否发生shuffle

一般情况下增大rdd的partition数量使用repartition，减少partition数量时使用coalesce

问题10：cache和pesist的区别？

cache和persist都是用于将一个RDD进行缓存的，这样在之后使用的过程中就不需要重新计算了，可以大大节省 程序运行时间

1） cache只有一个默认的缓存级别MEMORY_ONLY ，cache调用了persist，而persist可以根据情况设置其它的缓存级别；

2） executor执行的时候，默认60%做cache，40%做task操作，persist是最根本的函数，最底层的函数。

以上面试题出自之前发布的Spark专栏
Spark专栏链接

问题11：flink中的水印机制？

1、首先什么是Watermaker？
Watermaker就是给数据再额外的加的一个时间列，也就是Watermaker是个时间戳!
2、其次如何计算Watermaker？
Watermaker = 当前窗口的最大的事件时间 - 最大允许的延迟时间或乱序时间
3、窗口计算的触发条件为:

• 1.窗口中有数据
• 2.Watermaker >= 窗口的结束时间

问题12：Flink的四大基石都有什么？

Checkpoint、State、Time、Window

问题13：Flink的重启策略有哪些？

固定延迟重启策略（Fixed Delay Restart Strategy）

失败率重启策略（Failure Rate Restart Strategy）

回调 (Fallback) 重启策略（Fallback Restart Strategy）

无重启策略

问题14：请描述一下flink的双流join

Flink Join大体分类只有两种：Window Join和Interval Join。

• Window Join又可以根据Window的类型细分出3种：

Tumbling Window Join、Sliding Window Join、Session Widnow Join

Windows类型的join都是利用window的机制，先将数据缓存在Window State中，当窗口触发计算时，执行join操作。

• interval join也是利用state存储数据再处理，区别在于state中的数据有失效机制，依靠数据触发数据清理。

问题15：flink on yarn执行任务的两种方式

第一种yarn seesion(Start a long-running Flink cluster on YARN)这种方式需要先启动集群，然后在提交作业，接着会向yarn申请一块空间后，资源永远保持不变。如果资源满了，下一个作业就无法提交，只能等到yarn中的其中一个作业执行完成后，释放了资源，那下一个作业才会正常提交.这种方式资源被限制在session中，不能超过，比较适合特定的运行环境或者测试环境。

第二种Flink run直接在YARN上提交运行Flink作业(Run a Flink job on YARN)，这种方式的好处是一个任务会对应一个job,即没提交一个作业会根据自身的情况，向yarn申请资源，直到作业执行完成，并不会影响下一个作业的正常运行，除非是yarn上面没有任何资源的情况下。一般生产环境是采用此种方式运行。这种方式就需要确保集群资源足够。

以上面试题出自之前发布的Flink专栏
Flink专栏链接

总结

以上便是大数据综合复习之面试题15问,你都掌握了吗?

愿你读过之后有自己的收获,如果有收获不妨一键三连，我们下期再见👋·