十年项目经验面试官亲传大数据面试__大数据面试独孤九剑_九剑前端(1)

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）


![在这里插入图片描述](https://img-blog.csdnimg.cn/20210611152945348.png)


### 第三剑「破刀式」技术架构（技术选项及框架版本）


![在这里插入图片描述](https://img-blog.csdnimg.cn/20210611150348250.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW55dTEyMA==,size_16,color_FFFFFF,t_70)


1. 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；
2. OGG增量同步Oracle数据库的数据，Canal增量同步MySQL数据库的数据；
3. 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
4. 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；
5. 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；
6. 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；
7. 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；
8. 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；


![在这里插入图片描述](https://img-blog.csdnimg.cn/20210611152923854.png)


### 第四剑「破枪式」集群规模（业务数据量及服务器配置和数量）

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：18T*3=54T  
 预留20%-30%Buf=54T/0.7=77T  
 因此：约8T*10台服务器


 如果考虑数仓分层？  
 服务器将近在扩容1-2倍  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20210611151117207.png)


#### 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


![在这里插入图片描述](https://img-blog.csdnimg.cn/20210609150744730.jpg)


### 第五剑「破鞭式」数据来源及数据采集


![在这里插入图片描述](https://img-blog.csdnimg.cn/20210611151437944.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW55dTEyMA==,size_16,color_FFFFFF,t_70)


### 第六剑「破索式」数据ETL（可能离线、可能实时）


![在这里插入图片描述](https://img-blog.csdnimg.cn/20210611151456928.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW55dTEyMA==,size_16,color_FFFFFF,t_70)


### 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  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20210611151525244.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW55dTEyMA==,size_16,color_FFFFFF,t_70)


### 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  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20210609153733800.png)


### 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



> 


![img](https://img-blog.csdnimg.cn/img_convert/d0eca84417c4b95c810393aca38966b9.png)
![img](https://img-blog.csdnimg.cn/img_convert/b41d80193965bd8d24417728c0842989.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

/bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**