DD-∞-大数据面试流程及面试题

hr问：工作地点要求，目前工作情况（为什么离职）
技术面试：
1.个人介绍
2.在公司最近的一个项目。
3.项目中遇到最复杂的问题和最终解决方案。
4.职业规划
甲方面试： 沟通近期所做工作内容，所使用的技术和需求内容，问题比较偏向于业务。
(面试前或面试后·背景调查调·)

技术面试可能会问道的技术知识点：
说说对hadoop的理解，都有哪些组件，分别是干什么的
hadoop是一个分布式系统基础框架，主要包括HDFS（分布式存储系统），Mapreduce（分布式计算框架），Yarn（资源管理框架）

项目中使用到的案例场景有哪些

·
·

Hive的四种排序

order by
order by 会对输入做全局排序，因此只有一个reducer（多个reducer无法保证全局有序）
只有一个reducer，会导致当输入规模比较大时，需要较长的时间。
set hive.mapred.mode=nonstrict; (default value / 默认值)
set hive.mapred.mode=strict;
order by 和数据库中的order by功能一致按照某一项&几项排序输出。
与数据库中order by的区别在于hive.mapred.mode = strict模式下 必须指定limit否则执行会报错
原因：在order by状态下所有的数据都会到一台服务器进行reduce操作也就是只有一个reduce， 如果在数据量大的情况下会出现无果的情况，如果进行limit n，那只有n * map
number 条记录而已。只有一个reduce也可以出来里过来

sort by
sort by不是全局排序，其在数据进入reducer前完成排序
因此，如果用sort by进行排序，并且设置mapred.reduce.tasks>1，则sort by只保证每个reducer 的输出有序，不保证全局有序。
sort by 不受hive.mapred.mode是否为strict，nostrict的影响。
sort by的数据只能保证在同一个reduce中的数据可以按指定字段排序。
使用sort by你可以指定执行的reduce个数（set mapred.reduce.tasks=），对输出的 数据在执行归并排序，即可以得到全部结果。
注意：可以用limit子句大大减少数据量。使用limit n后，传输到reduce端（单机）的数据记录就 减少到n*（map个数）。否则由于数据过大可能出不了结果。

distribute by
按照指定的字段对数据进行划分到不同的输出reduce / 文件中。
insert overwrite local directory ‘/home/hadoop/out’ select * from test order by name

distribute by length(name);
此方法会根据name的长度划分到不同的reduce中，最终输出到不同的文件中。
length 是内建函数，也可以指定其他的函数或这使用自定义函数。

Cluster By
cluster by 除了具有 distribute by 的功能外还兼具 sort by 的功能。
但是排序只能是倒序排序，不能指定排序规则为asc 或者desc。

·
·

Hive的分区分桶

我们发现其实桶的概念就是MapReduce的分区的概念，两者完全相同。物理上每个桶就是目录里的一个文件，一个作业产生的桶（输出文件）数量和reduce任务个数相同。

而分区表的概念，则是新的概念。分区代表了数据的仓库，也就是文件夹目录。每个文件夹下面可以放不同的数据文件。通过文件夹可以查询里面存放的文件。但文件夹本身和数据的内容毫无关系。

桶则是按照数据内容的某个值进行分桶，把一个大文件散列称为一个个小文件。 这些小文件可以单独排序。如果另外一个表也按照同样的规则分成了一个个小文件。两个表join的时候，就不必要扫描整个表，只需要匹配相同分桶的数据即可。效率当然大大提升。

同样，对数据抽样的时候，也不需要扫描整个文件。只需要对每个分区按照相同规则抽取一部分数 据即可。

• 分区表
如果在建表时使用了 PARTITIONED BY，表即为分区表。分区表下的数据按分区键的值（或值的范围）放在HDFS下的不同目录中，可以有效减少查询时扫描的数据量，提升查询效率。
• 非分区表
非分区表即除分区表之外的表。
按表是否分桶分类
按表是否分桶可以将表分为两类：分桶表和非分桶表。
• 分桶表
如果在建表时使用了 CLUSTERED BY … INTO … BUCKETS，表即为分桶表。分桶表下的数据按
分桶键的哈希值放在HDFS下的不同目录中，可以有效减少查询时扫描的数据量，提升查询效率。
• 非分桶表
非分桶表即除分桶表之外的表

贷款的五级分类，正常、关注、次级、可疑、损失。

1、正常。借款人能够履行合同，一直能正常还本付息，不存在任何影响贷款本息及时全额偿还的消极因素，贷款损失的概率为0。
2、关注。尽管借款人有能力偿还贷款本息，但存在一些可能对偿还产生不利影响的因素，贷款损失的概率不会超过5%。
3、次级。借款人的还款能力出现明显问题，需要通过处分资产或对外融资乃至执行抵押担保来还款付息。贷款损失的概率在30%-50%。
4、可疑。借款人无法足额偿还贷款本息，即使执行抵押或担保，也肯定要造成一部分损失，贷款损失的概率在50%-75%之间。
5、损失。指借款人已无偿还本息的可能，无论采取什么措施和履行什么程序，贷款都注定要损失了，其贷款损失的概率在75%-100%。

取3分钟内发生过多次教交易的客户，进行预警提示

原子交易流水表
、客户表
、码值表  
、账户表 
、卡表

取3分钟内发生过多次教交易的客户，进行预警提示

原子交易表 使用实时表
客户表账户表卡表使用t-1表

限制数据范围
10分钟与13分钟
将交易表数据进行限制分成两部分：
t1 一部分取10分钟内的数据
t2 一部分取13分钟内的数据
通过客户号进行关联 t1.cust_id=t2.cust_id
取三分钟内的异常数据 t1.tr_time+3<=t2.tr_time

使用kafka组件实时抽取去交易表数据
因为交易流水表的数据量比较大，先将交易表的数据做个限制，每次跑批筛选出截至到当前两天的数据做个临时表，然后才与其他的维表做规则关联
有因hive/spark 跑批比较满，每次跑批处理时间大于10分钟，对每次推送的时间延长处理，改为半个小时推送一次

待整理补充…………