文章目录- 引言
- 第一剑「总决式」功能概述（三句话左右概况，简明扼要）
- 第二剑「破剑式」项目周期（开发时长和人员配置）
- 开发时长：
- 人员配置
- 第三剑「破刀式」技术架构（技术选项及框架版本）
- 第四剑「破枪式」集群规模（业务数据量及服务器配置和数量）
- 如何确认集群规模？（假设：每台服务器8T磁盘，128G内存）
- 服务器使用物理机还是云主机？
- 第五剑「破鞭式」数据来源及数据采集
- 第六剑「破索式」数据ETL（可能离线、可能实时）
- 第七剑「破掌式」业务报表分析（离线报表、实时报表）
- 第八剑「破箭式」数据分析引擎（Hive、Impala、Es、Spark、Flink等）
- 第九剑「破气式」项目问题（数据倾斜、OOM或性能优化等）
- 总结
- 开发时长：
- 人员配置
- 如何确认集群规模？（假设：每台服务器8T磁盘，128G内存）
- 服务器使用物理机还是云主机？
引言
代码语言：javascript复制大家好,我是ChinaManor,直译过来就是中国码农的意思,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。
在萌新准备出去面试之前，需要针对每个大数据项目，
需整理一套属于自己基础知识，必须熟记于心,招式烂熟于心,方能无剑胜有剑!
(敲黑板) 面经源于真实10年开发经验的讲师所授,笔者只是将其写成了博客=== 下面以某智慧物流大数据平台项目为例: ===
第一剑「总决式」功能概述（三句话左右概况，简明扼要）
本项目涉及的业务数据包括订单、运输、仓储、搬运装卸等物流环节中涉及的数据、信息。由于多年的积累、庞大的用户群，每日的订单数上千万，传统的数据处理技术已无法满足企业需求。因此通过大数据分析可以提高运输配送效率、减少物流成本，更有效地满足客户服务要求，并对数据结果分析，提出具有中观指导意义的解决方案。
第二剑「破剑式」项目周期（开发时长和人员配置）
开发时长：
六个月左右
代码语言：javascript复制阶段划分
需求调研、评审(4周)
设计架构(1周)
编码、集成(12周）
测试(2周)
上线部署,试运行,调优(3周）人员配置
开发人员: 6人 职责划分： 前端（JavaWeb 前端 2人） 大数据开发（3人） 运维（1人）
第三剑「破刀式」技术架构（技术选项及框架版本）
- 业务系统数据主要存放到Oracle和MySQL数据库中，比如CRM系统数据在MySQL，OMS系统数据存放在Oracle中；
- OGG增量同步Oracle数据库的数据，Canal增量同步MySQL数据库的数据；
- OGG及Canal增量抽取的数据会写入到Kafka集群，供实时分析计算程序消费； 实时分析
- 实时分析计算程序消费kafka的数据，将消费出来的数据进行ETL操作；
- 为了方便业务部门对各类单据的查询，StructuredStreaming流式处理系统将数据经过ETL处理后，将数据写入到Elasticsearch索引中；
- StructuredStreaming流处理会将数据写入到ClickHouse，Java Web后端直接将数据查询出来进行展示,例如：将运输车辆的GPS位置数据实时展示到GIS地图；
- StructuredStreaming将实时ETL处理后的数据同步更新到Kudu中，方便进行数据的准实时分析、查询，Impala对Kudu数据进行即席分析查询；
- 前端应用对数据进行可视化展示，比如数据服务接口或大屏实时刷新；
第四剑「破枪式」集群规模（业务数据量及服务器配置和数量）
代码语言：javascript复制此处数据量，需参考实际需要酌情考虑如何确认集群规模？（假设：每台服务器8T磁盘，128G内存）
每天日活跃用户100万，每人一天平均100条：100万*100条=10000万条(1亿)
每条日志1K左右，每天1亿条：100000000/1024/1024=约100G 半年内不扩容服务器来算：100G*180天=约18T
保存3副本：18T3=54T 预留20%-30%Buf=54T/0.7=77T 因此：约8T10台服务器
如果考虑数仓分层？ 服务器将近在扩容1-2倍
服务器使用物理机还是云主机？
机器成本考虑： 物理机：以128G内存，20核物理CPU，40线程，8THDD和2TSSD硬盘，单台报价4W出头，需考虑托管服务器费用。一般物理机寿命5年左右 云主机，以阿里云为例，差不多相同配置，每年5W 运维成本考虑： 物理机：需要有专业的运维人员 云主机：很多运维工作都由阿里云已经完成，运维相对较轻松
第五剑「破鞭式」数据来源及数据采集
第六剑「破索式」数据ETL（可能离线、可能实时）
第七剑「破掌式」业务报表分析（离线报表、实时报表）
- 第一点：传统报表分析，各个主题报表
- 数据倾斜、大表与大表关联、OOM内存溢出等等
- 第二点：Impala 即席查询，SQL语句
- 第三点：ClickHouse 实时OLAP分析
第八剑「破箭式」数据分析引擎（Hive、Impala、Es、Spark、Flink等）
- Hive：底层MapReduce框架，“稳”
- SparkSQL：集成Hive或集成Kudu，分析数据，当然也是用StructuredStreaming
- Impala、ClickHouse：实时OLAP分析框架
第九剑「破气式」项目问题（数据倾斜、OOM或性能优化等）
- 抛出问题，如何解决（自己解决）
- 常见性能优化，背下来：Hive性能优化、Spark性能优化（原理性东西）
例：如何避免Spark数据倾斜？ 避免Spark数据倾斜，一般是要选用合适的 key，或者自己定义相关的 partitioner，通 过加盐或者哈希值来拆分这些 key，从而将这些数据分散到不同的 partition 去执 行。如下算子会导致 shuffle 操作，是导致数据倾斜可能发生的关键点所在： groupByKey；reduceByKey；aggregaByKey；join；cogroup；
总结
以上便是十年项目经验面试官亲传大数据面试独孤九剑~
