我们VIP成员很多在2021年春节年前、后，拿到了offer。而且不止一个，有的两个，有的四个，有的六个。这里给我们分享其中一位成员，整理的一家公司的面试题，后续将会陆续发布。
对于问题的答案做了一些完善，而且对于问题如何回答，依据是什么，也整理或者引用了相关文章，也就是说我们面试回答，切忌只背答案，背后没有东西，是经不起追问和质疑的。对于面试我们要正确认识，很多问题的答案都不是唯一的，如何get面试官的问题点，让面试官满意和觉得你厉害，或者说觉得你很有能力，那么你的回答就是一个好的回答。
2021亿信华辰最新面试题继续：
1、spark的共享变量有哪几个？广播变量广播出去之后怎么使用 共享变量两个：broadcast、Accumulator 如何使用：通过brocadcast.value 更详细可参考 Spark系列-共享变量
https://www.aboutyun.com/forum.php?mod=viewthread&tid=8565
点评：【考察编程功底基础知识，通过上面告诉尽量不要复制黏贴代码，如果经常手写代码，这个问题就非常容易】2、Hive的底层存储和计算方式是什么？Hive的数据是存储在Hadoop的文件系统中的，Hive为Hadoop提供SQL语句，是Hadoop可以通过SQL语句操作文件系统中的数据。hive是依赖Hadoop而存在的。Hive计算引擎有三种：（1）MaperReudce Spark Tez （2）Hive默认计算引擎是MR，为了提高计算速度，我们可以改为Tez引擎 （3）Hive on spark是计算引擎的升级，很多不会写程序的想处理大数据还得用hive。那hive on spark会比原来的hive计算速度更快，对于开发spark的人来讲无所谓，对于不会开发spark的那就是厉器，让只会写SQL的人也能方便使用spark. 点评：【考察编程功底基础知识，上面其实只要能回答出三个引擎即可，第二点和第三点其实可以更换为自己的理解。】3、讲讲整个数仓的架构，有多少层，每层具体做什么的？分层每个公司不太一样，我们公司是分了四层：ODS层、DWD和DWS层、应用层：ODS层：数据仓库源头系统的数据表通常会原封不动地存储一份，这成为ODS(Operation Data Store)层。它们是后续数据仓库层加工数据的来源，同时也存储着历史的增量数据或全量数据。DWD和DWS层：数据仓库明细层(Data Warehouse Detail, DWD)和数据仓库汇总层(Data Warehouse Summery, DWS)是数据平台的主体内容，这两个层的数据是ODS层数据经过ETL清洗、转换、加载生成的。应用层(ADS)：应用层主要是各个业务方或者部门基于DWD和DWS建立的数据集市(Data Market, DM)，一般来说应用层的数据来源于DW层，而且相对于DW层，应用层只包含部门或者业务方面自己关心的明细层和汇总层的数据。点评：【考察数据仓库基础知识，这也是必备知识，如果分层都说不上来，那面试基本就挂了，但是分层也没有标准答案，甚至他们的作用不同的场景诠释也可以不同，所以关键是我们有自己的理解。】4、Hive的元数据存储在哪？你们如何配置的？Hive将元数据存储在RDBMS中，比如MySQL、Derby中。Hive默认是用Derby数据库，生产我们使用的是MySQL 配置的话需要配置链接url和jdbc驱动 <property> <name>javax.jdo.option.ConnectionURL</name> <value>jdbc:mysql://localhost:3306/hive_hdp?characterEncoding=UTF-8 &createDatabaseIfNotExist=true</value> <description>JDBC connect string for a JDBC metastore</description> </property> <property> <name>javax.jdo.option.ConnectionDriverName</name> <value>com.mysql.jdbc.Driver</value> <description>Driver class name for a JDBC metastore</description> </property> 还需要mysql驱动jar包mysql-connector-java-5.1.22-bin.jar 拷贝到 PATH:HIVE_HOME/bin 点评：【其实这个也是考察的细节，只要能回答上来有哪些配置项，其实这个回答就很不错，当然如果能回答出来具体的配置项以及配置参数，那会让面试官觉得做事非常认真和注重细节，拿到offer的概率会大大增加。】5、RDD的依赖关系有哪两个？做简单的比较。Spark中RDD的高效与DAG（有向无环图）有很大的关系，在DAG调度中需要对计算的过程划分Stage，划分的依据就是RDD之间的依赖关系。RDD之间的依赖关系分为两种，宽依赖(wide dependency/shuffle dependency)和窄依赖（narrow dependency）宽依赖往往对应着shuffle操作，需要在运行的过程中将同一个RDD分区传入到不同的RDD分区中，中间可能涉及到多个节点之间数据的传输，而窄依赖的每个父RDD分区通常只会传入到另一个子RDD分区，通常在一个节点内完成。当RDD分区丢失时，对于窄依赖来说，由于父RDD的一个分区只对应一个子RDD分区，这样只需要重新计算与子RDD分区对应的父RDD分区就行。这个计算对数据的利用是100%的当RDD分区丢失时，对于宽依赖来说，重算的父RDD分区只有一部分数据是对应丢失的子RDD分区的，另一部分就造成了多余的计算。宽依赖中的子RDD分区通常来自多个父RDD分区，极端情况下，所有父RDD都有可能重新计算。点评：【回答问题的方式很重要如果说试卷的方式，试卷什么题，我们就回答什么即可，如果面试的过程，可以像上面有所延申，让面试尽量了解我们。】6、hive的文件存储格式有那几个？你们公司选择哪个存储格式？简单说说为什么？（问到2次） Hive有四种存储格式：1、TextFile 2、RCFile 3、ORCFile 4、Parquet我们只是在HIve中存储和查询，使用的是ORC格式。ORC文件代表了优化排柱状的文件格式。ORC文件格式提供了一种将数据存储在Hive表中的高效方法。这个文件系统实际上是为了克服其他Hive文件格式的限制而设计的。Hive从大型表读取，写入和处理数据时，使用ORC文件可以提高性能。点评：【其实回答那种格式不是最重要的，理由反而是关键。】7、kafka的offset在哪里设置？如何做到不丢数据不重复消费数据 我们offset存储在zookeeper中。Kafka使用同步模式的时候，有3种状态保证消息被安全生产，在配置为1（只保证写入leader成功）的话，如果刚好leader partition挂了，数据就会丢失。还有一种情况可能会丢失消息，就是使用异步模式的时候，当缓冲区满了，如果配置为0（还没有收到确认的情况下，缓冲池一满，就清空缓冲池里的消息），数据就会被立即丢弃掉。在数据生产时避免数据丢失的方法：只要能避免上述两种情况，那么就可以保证消息不会被丢失。就是说在同步模式的时候，确认机制设置为-1，也就是让消息写入leader和所有的副本。还有，在异步模式下，如果消息发出去了，但还没有收到确认的时候，缓冲池满了，在配置文件中设置成不限制阻塞超时的时间，也就说让生产端一直阻塞，这样也能保证数据不会丢失。在数据消费时，避免数据丢失的方法：如果使用了storm，要开启storm的ackfail机制；如果没有使用storm，确认数据被完成处理之后，再更新offset值。低级API中需要手动控制offset值。点评：【kafka根据VIP成员反馈，这个是比较常问的问题，大家对这个问题需要重视，上面答案仅供参考，可以根据自己的理解，写出自己的答案。】8、kafka如何做到分区数据平衡？分区策略就是决定生产消息时，如何写入到不同的分区中；kafka提供了默认的分区策略，当然我们也能自定义分区策略（通过指定生产者partitioner.class参数）kafka提供了三种分区策略：轮询策略、随机策略、按消息键保序策略（1）、轮询策略 这是默认的分区策略，能够保证消息最大限度的被平均分配到所有分区（2）、随机策略（已经过时了） 也就是生产的消息被随机分配到不同的分区，实际的表现逊于轮询策略；实际上，老的kafka版本用的是随机策略，新的版本已经改成轮询策略了（3）、按消息键保序策略 生产消息时，为每条消息定义消息键key，消息键是一个有着明确含义的业务字符串，可以是业务ID之类的；通过消息键，相同的消息键的消息能被保证写入相同的分区9、你们有用到CDH集群吗？会自己搭建吗？我们使用的是CDH集群，搭建过程中网络是个比较耗时的问题，所以我们搭建了自己的私服，这样会更快。同时要注意版本的兼容性。最近还帮我们公司其它工作组搭建了集群。
----------------------------END----------------------------
