【面经】联想大数据开发面经

欢迎点击此处关注公众号。

1.说一下实习和学校做过什么事情，有什么收获。

问了一些细节。

2.Hive 怎么把 SQL 编译成 MapReduce

Hive 的基本流程：

• UI 调用 DRIVER 的接口；

• DRIVER 为查询创建会话句柄，并将查询发送到 COMPILER 生成执行计划；

• COMPILER 从元数据存储中获取本次查询所需要的元数据，该元数据用于对查询树中的表达式进行类型检查，以及基于查询谓词修建分区；

• COMPILER 生成的计划是分阶段的 DAG，每个阶段要么是 map/reduce 作业，要么是一个元数据或者 HDFS 上的操作。将生成的计划发给 DRIVER。如果是 map/reduce 作业，该计划包括 map operator trees 和一个 reduce operator tree，执行引擎将会把这些作业发送给 MapReduce。

• 执行引擎将这些阶段提交给适当的组件。在每个 task(mapper/reducer) 中，从 HDFS 文件中读取与表或中间输出相关联的数据，并通过相关算子树传递这些数据。最终这些数据通过序列化器写入到一个临时 HDFS 文件中（如果不需要 reduce 阶段，则在 map 中操作）。临时文件用于向计划中后面的 map/reduce 阶段提供数据。

• 最终的临时文件将移动到表的位置，确保不读取脏数据(文件重命名在 HDFS 中是原子操作)。对于用户的查询，临时文件的内容由执行引擎直接从 HDFS 读取，然后通过 Driver 发送到 UI。

编译 SQL 的任务是在上述的 COMPILER（编译器组件）中完成的。Hive 将 SQL 转化为 MapReduce 任务，整个编译过程分为六个阶段：

1. 词法、语法解析：将 SQL 转化为抽象语法树 AST Tree；
2. 语义解析：遍历 AST Tree，抽象出查询的基本组成单元 QueryBlock；
3. 生成逻辑执行计划：遍历 QueryBlock，翻译为执行操作树 OperatorTree；
4. 优化逻辑执行计划：逻辑层优化器进行 OperatorTree 变换，合并 Operator，达到减少 MapReduce Job，减少数据传输及 shuffle 数据量；
5. 生成物理执行计划：遍历 OperatorTree，翻译为 MapReduce 任务；
6. 优化物理执行计划：物理层优化器进行 MapReduce 任务的变换，生成最终的执行计划。

其中重点是第 5 点生成物理执行计划。举例说明：

例 1 join on：

select u.name, o.orderid
from order o
join user u on o.uid = u.uid;
1
2
3

关于 join：在 map 的输出 value 中为不同表的数据打上 tag 标记，在 reduce 阶段根据 tag 判断数据来源。

关于 on：on 后面的字段就是 key，shuffle 的时候相同的 key 会进入同一个 reducer 中。

最后同一个 reduce 中 tag 不同的进行组合即可。

例 2 Group By：

select rank, isonline, count(*)
from city
group by rank, isonline;
1
2
3

将 Group By 的字段组合为 map 的输出 key 值，利用 MapReduce 的排序，在 reduce 阶段保存 LastKey 区分不同的 key。MapReduce 的过程如下:

例 3 Distinct：

select dealid, count(distinct uid) num
from order
group by dealid;
1
2
3

当只有一个 distinct 字段时，如果不考虑 Map 阶段的 Hash Group By，只需要将 Group By 字段和 Distinct 字段组合为 map 输出 key，利用 mapreduce 的排序，同时将 Group By 字段作为 reduce 的 key，在 reduce 阶段保存 LastKey 即可完成去重。

3.Hive 调优用过哪些

小表大表Join(MapJoin)。

开启 Map 端聚合参数设置，防止数据倾斜。

一般 COUNT DISTINCT 使用先 GROUP BY 再 COUNT 的方式替换。

尽量避免笛卡尔积。

合理设置 Map 及 Reduce 数。

小文件进行合并。

严格模式：where 语句中含有分区字段过滤条件来限制范围，否则不允许执行。

JVM 重用。

压缩。

4.map join 的原理

mapJoin 适用于大表 join 小表，使用 DistributedCache 机制将小表存储到各个 Mapper 进程所在机器的磁盘空间上，各个 Mapper 进程读取不同的大表分片，将分片中的每一条记录与小表中所有记录进行合并。
合并后直接输出 map 结果即可得到最终结果。不需要进行 shuffle 流程，也不需要 reduce 处理。

5.从头到尾搭建数仓的环境，会有什么问题

框架选型：Apache、CDH、云服务器，各组件的兼容性。

服务器选型：数据量、预算、多久不扩容，算出需要对 CPU、内存、磁盘，集群规模。

节点功能规划：哪些机器部署哪些框架。

• 消耗内存的分开；
• kafka 、zk 、flume 传输数据比较紧密的放在一起；
• 客户端尽量放在一到两台服务器上，方便外部访问；
• 有依赖关系的尽量放到同一台服务器。

6.Linux 常用命令？一台新电脑要看配置（内存、磁盘、CPU）怎么看

常用命令

linux 查看 cpu 信息的方法：使用 “cat /proc/cpuinfo” 命令。

7.JVM 的内存模型

8.查看 JVM 信息的命令

• jps：查看本地正在运行的 Java 进程和进程 ID(pid)。
• jinfo pid：查看指定 pid 的所有 JVM 信息。
  • jinfo -flags pid：查询虚拟机运行参数信息。
  • jinfo -flag name pid：查询具体参数信息。
• jmap：
  • jmap -heap pid：输出堆内存设置和使用情况
  • jmap -histo pid：输出 heap 的直方图，包括类名，对象数量，对象占用大小
  • jmap -histo:live pid：同上，只输出存活对象信息
  • jmap -clstats pid：输出加载类信息
  • jmap -help：jmap 命令帮助信息
• jstat：Java 虚拟机统计工具，全称 “Java Virtual Machine statistics monitoring tool”。可以用于监视 JVM 各种堆和非堆内存大小和使用量。
• jstat -class pid：输出加载类的数量及所占空间信息。
• jstat -gc pid：输出 gc 信息，包括 gc 次数和时间，内存使用状况（可带时间和显示条目参数）。
• jstack：用于打印指定 Java 进程、核心文件或远程调试服务器的 Java 线程的 Java 堆栈跟踪信息。jstack 命令可以生成 JVM 当前时刻的线程快照。线程快照是当前 JVM 内每一条线程正在执行的方法堆栈的集合，生成线程快照的主要目的是定位线程出现长时间停顿的原因，如线程间死锁、死循环、请求外部资源导致的长时间等待等。

9.别人写了一个 Java 程序，CPU 占用 100%，怎么查问题

上面的 6、7、8 都是这一问的铺垫。问题都是循序渐进的。

思路：定位 Java服务进程 → 定位 Java 线程 → 定位代码块。

1. 通过 top 命令可查看是哪个服务 cpu 使用率较高。
2. 使用 ps 来分析进程和线程的占用情况。
3. 采用 jstack 来进行虚拟机栈的区分。通过 16 进制的 TID 查找问题所在的代码块。

10.你相比于别人，工作上有什么优势。

该题是下面三个题的铺垫。

11.你怎么证明你的优势。

12.你要处理一个别人从来没解决过的问题，你怎么办。

13.假如昨天开源了一个大数据组件，没人知道应用场景，你怎么快速了解其应用场景。