总结:引导面试官到自己擅长的领域,掌握主动权,问题回答不一定完整,说出关键点即可。
1、项目规模,一天/月数据量,各组件版本?
数据规模:一般100M数据由300万条数据;数据量:上百G;条数:达到几十亿条数据
美团数据规模:负责每天数百GB的数据存储和分析
2、Spark 2.x 和Spark 1.x版本的区别?
1)Spark2.x实现了Spark sql和Hive Sql操作API的统一。
2)Spark2.0中引入了 SparkSession 的概念,它为用户提供了一个统一的切入点来使用 Spark 的各项功能, 统一了旧的SQLContext与HiveContext
3) 统 一 DataFrames 和 Datasets 的 API
4)Spark Streaming基于Spark SQL(DataFrame / Dataset )构建了high-level API,使得Spark Streaming充分受益Spark SQL的易用性和性能提升
3、项目中的遇见的问题,如何解决?【讲述数据倾斜】
4、Hive元数据存储了哪些信息?
存储了hive中所有表格的信息,包括表格的名字,表格的字段,字段的类型就是表的定义
5、数据去重怎么做?【UDF使用】
在hive数据清洗这里总结三种常用的去重方式
1.distinct
2.group by
3.row_number()
实例:
SELECT tel, link_name, certificate_