数据集成面试题

Flume

一、flume组成

--Agent
Flume的部署单元，本质上是一个JVM进程,Agent主要由Source、Channel、Sink三个部分组成
--Source
收集数据，以event为单元进行封装发送给channel
参数配置：当采集速度比较慢，调整batchSize参数，该参数决定了source 一次批量运输events到channel 的条数
--Channel
Source接收的数据会被发送到Channel缓冲区暂时存储
参数配置：选择内存(memory)时，channel性能最好，选择磁盘（file）时，安全性高，但是性能差
--Sink
用于将Channel中的数据发送到外部数据源。
参数配置：调整batchsize参数，决定了sink一次批量从channel 读取的events条数

二、flume的事务机制

flume使用两个独立事务put和take，分别负责从source 到channel 、channel 到sink，记录事件状态，保证两个过程的数据不会丢失

三、flume的数据会丢失吗？

根据flume的事务机制，flume的数据一般不会丢失，除非使用的时候memory channel ，在机器宕机的时候会导致数据丢失，或者channel 满了，sources无法写入导致数据丢失.
此外，也有可能完成数据重复，比如sink接收到一批数据，处理到一半宕机了，处理完的数据没有给channel 发送响应，导致channel 重新发送数据，造成数据重复。

四、flume的适用场景？

1、大规模数据的离线采集
2、日志收集与聚合
3、实时数据采集

Sqoop

一、sqoop使用场景

sqoop用于关系型数据库（如Mysql、Oracle、SQL Server）与hdfs之间的数据传输

二、Sqoop底层运行的任务是什么

Sqoop会为数据传输生成MapReduce作业,但是Sqoop的MapReduce任务只有Map阶段，没有Reduce阶段。

DataX

一、简单介绍一下DataX(DataX使用场景)

DataX是一个由阿里巴巴开源的离线数据同步工具,实现包括主流关系型数据库、NoSQL、大数据计算系统在内的多种异构数据源之间数据同步功能。

二、DataX架构介绍

--Reader
负责采集数据源的数据，将数据发送给Framework
--Framework
用于连接reader和writer，作为两者的数据传输通道，并处理缓冲、流控、并发、数据转换等核心技术问题。
--Writer
负责不断向Framework取数据，并将数据写入到目的端

三、 DataX的使用

基于官网提供的JSON格式配置文件模版，选择对应的读写插件，根据实际情况修改相关配置，最后使用dataX命令提交运行即可