大数据知识面试题-通用（2022版）

文章目录

1.1 数据倾斜

当某个job长时间运行没有结束，可能发生了数据倾斜。

1.1.1 hive

设置map端聚合和二次group by保证reduce数据大概平均，然后再设置reduce数量减少每个reduce的数据量
尽量少用distinct，不仅吃不到map端聚合（distinct原理是全局排序去重），而且多个distinct也吃不到二次group的优化。
如果group by 多个字段，或者其它二次group失效的情况，可以走下方spark的解决方案，将hql分多个 hql来做。

1.1.2 Spark

比起hive来说，spark对数据倾斜的优化可以更细一些（也可以说更麻烦些）。

先用sample(false,0.x)采样key，找出倾斜的key
把数据集拆成倾斜的部分和不倾斜的部分，不倾斜的部分走正常流程
倾斜的部分key前面加上一个定长的随机字符串，然后执行重分区
重分区后进行一个聚合操作，然后去除定长前缀再聚合一次。
如果是大表join大表，其中一个表有数据倾斜，就需要用膨胀法，将倾斜部分的key加上一个0-n的前缀，一条数据膨胀成n条，然后将另一个表的这部分key也加上相应的前缀，然后单独对这部分数据进行一次双重聚合，与不倾斜的数据进行union操作，完成聚合。
空值看作是特殊的key，空值多了一样用3的方法去解决。

1.2 海量数据

1.2.1 如何调优

1.抽样检测分组字段，看看是否有倾斜
2.如果没有倾斜，就正常增加reduce数量，设置中间ORC+SNAPPY压缩
3.如果有倾斜，把倾斜的部分过滤出来加前缀打散处理，不倾斜的部分正常处理。
4.如果是大表join小表，大表倾斜，可以使用map端join方法，小表倾斜直接无视。
5.如果是大表join大表，某表倾斜，可以使用膨胀法处理。

1.2.2 实时排序

跳表法快速排序

1    将值域划分区间建有序链表，原本海量的遍历会被压缩N倍。每个值域对应一个有序链表，因此是双重链表。
2    前提：除了跳表外还有一张作品表，以作品id为key，value含分数
3    值变更时，先查询作品表更新原值，通过原值到对应区间的链表中删除该值，新值插入对应区间的链表中。
4    求排名：1.每个区间链表除了保存作品和分数外，还额外维护一个区间总长
52.每次新值插入时，都将原区间总长-1，新区间总长+163.求排名时遍历第一层链表将区间总长累加，然后遍历该值所在的区间求出区间内排名，两者相加。
78    求TopN:第二层链表一路往下走N个。
9    缺点：事实上所有针对数据直接排序的方式都存在锁问题，每次更新只能有一个线程做，否则必然会乱。

平衡二叉树排序

1    假设总分为5[0,5]21.将总分一分为二            [0,2],[3,5]32.将划分的部分继续二分      [0,1],[1,2],[3,4],[4,5]43.重复2直到划分到底         [0,0],[1,1],[2,2],[3,3]...56    采用链表的方式从顶点往下一路关联起来，每个区间key对应一个人数value。
7    假设有某个值从2变成3。
8    先从顶点开始往下遍历查找[2,2]，遍历过程中经过的节点人数全部-1，终点[2,2]的人数也-1;9    然后从顶点开始往下遍历查找[3,3]，经过的节点人数全部+1。终点也+1。
10    求排名：假设要求分数为3的排名，从起点开始往下查找[3,3]，如果是往左走，就把右值累加上，如果往右走则不加。
11    优点：毫秒级响应排名，更新不需要锁表，因为是单纯的加减日志。
12    缺点：消耗大量内存存储，每次更新都要改变N个值，每次更新值时还需要把排名添加到TopN表里。

1.2.3 求交集

理论：
如果是k-v形式的数据，或者是可以提取key的数据，可以使用分组法比较。
假设我有x G内存，要求A,B的交集。
先把A,B分别分组拆分成多个小文件，每个小文件的大小为(x-300)/2，超过的部分再水平拆分成多个 文件。
然后按分组读入A,B的数据，在内存中比较，求出交集部分。

如果分组太细，就按分组key的哈希进行分区，一次比较多个分组。
为了方便小文件的合并，可以在输出时将数据排序输出，创建索引文件，后续可以采用归并排序的方式 快速合并。
如果不能提取key，则按照hash分组。

实战：假设已经把两张表要求交集的部分字段拼接成"key"
select * from A join B on A.key =B.key

1.2.4 求差集

 select * from A full outer join B on A.key =B.key where A.key is null or B.key  null;

1.3 布隆过滤器原理

将字符串用哈希函数转换为一个或多个整型值，将bit型数组中对应位置上的0改为1。判断该字符串是否存在时，只需要判断这些位置上的值是否都为1，如果不是就说明一定不存在。但是反过来不能说明一定存在。

如：abc 转换为3和5，就将arr[3]和arr[5]的值设置为1，只要这两个值都为1，就说明abc可能存在
，如果它们不全为1，可以保证abc一定不存在。

1.4 存储格式

TextFile
默认格式，按行存储，可以压缩但压缩文件不支持分片，反序列化开销是SequenceFile的几十倍（需要判断分隔符和换行符）

SequenceFile
hadoop原生支持，将kv以二进制方式按行存储，压缩后的文件支持压缩。默认以record压缩，可以改为block性能更好。压缩率很低，查询速度一般。

RCFile
按行分块、按列存储的存储方式，反序列化速度较慢，但压缩率和查询速度快。

ORC file
RC的改良版，每个Task输出单文件、存储索引、支付复杂类型、支持块压缩、可以直接读取，ORC比RC高效很多。

Parquet
列式存储，是spark的默认存储格式，压缩和查询性能比ORC稍差，但是支持的编码更多，而且对嵌套式结构支持的更好（json）。

因此对结构化数仓来说ORC file格式更好，对灵活的spark作业来说Parquet格式更好。

1.5 压缩格式

上面虽然提到了压缩比，但只不过是相对于纯文本，在数据的存储方式上带来的数据量减少，并不是真正的压缩方式。
下方介绍在这些存储方式之上进一步减少数据量的压缩方式。

gzip
spark默认压缩方式，hadoop原生支持，压缩比率很高、压缩和解压速度很快，支持纯文本式编辑，使用方便，但是压缩后不支持分片，因此适用于1个块内大小的文件。

lzo
hadoop流行的压缩方式，需要安装，压缩解压速度较快，压缩率适中，建立索引后支持分片，压缩单个大文件时可以使用。

snappy
高速压缩和解压，压缩率较低，需要安装，不支持分片，推荐作为临时数据的压缩方式。

bzip2
非常高的压缩率，但解压速度很慢，支持分片。hadoop本身支持，但本地库不支持。一般和lzo选其中一个作为数据源的压缩格式。

1.6 手写算法

1.6.1 四大排序

速度上：改良的归并排序算法是n-nlogn，快速排序的时间复杂度是nlogn-n2，冒泡和选择都是n2。
稳定性：快速、选择都不稳定，冒泡和归并都稳定空间上：冒泡和选择都是1，快速为logn，归并为n

/**
* 一个完整的快速排序的方法
* 可以传入任意类型的buffer对其排序后返回
* 可以传入一个比较器对自定义类型排序 *
* @author 孤星魅影
* @param buffer 任意类型的buffer
* @param isASC  是否正序排序
* @param ev     自定义比较器
* @return 返回一个快速排序后的buffer */
def quickSort[T:ClassTag](buffer:mutable.Buffer[T])(implicit isASC:Boolean=true, ev:T=>Comparable[T]):mutable.Buffer[T]={//为null、为空、长度为1时都返回bufferif(buffer ==null|| buffer.length <=1)return buffer

//1.将数组的第一个数head与后面所有的数进行比较，左边放比head小的数，右边放比head大的数 (从小到大)//2.递归执行拆分，直到数组只剩下1个//3.按顺序将左、中、右三者拼接起来，完成排序
val (left, right)= buffer.tail.partition(t =>{if(isASC) t.compareTo(buffer.head)<0else t.compareTo(buffer.head)>0})quickSort(left)+= buffer.head ++=quickSort(right)}

1.6.2 懒汉式单例

scala
object{
lazy val obj =newT()}

java
classT{privatestaticT obj =null;privateT(){}//先执行一次null检验，然后上锁再执行一次null检验，防止同时有两个线程通过了第一次null检 验导致异常。publicTgetObj()={if(obj==null){sysconized(obj){if(obj ==null) obj =newT();}}return obj;}}

1.6.3 ip转int

a,b,c,d = a*256*256*256+b*256*256+c*256+123
ip是256进制，所以a需要*3个256才能保证每个bcd不重复，b,c,d同理，使用位计算效率更高：*256 相当于<<8
提供一段scala代码:
def
ip2long(ip:String)=ip.split(".").reverse.zipWithIndex.map(v=>v._1<<(8*v._2)).reduce(_+_)
可以提取转换后的数字的前三位进行分组查询，效率更高：
ip.groupby(_.substring(0,3))

1.6.4 求质数

/**
* 求min - max以内的所有质数
* 只需要判断一个数是否能被自身以外的大于1的质数数整除就可以了
* @return */
def countPrime(min:Int,max:Int):Array[Int]={
val arr =mutable.Set[Int](1)(min tomax).foreach(index=>{if(!arr.exists(prime=>{//某个数如果能被除自己和1以外的质数整除，说明该数不是质数          if(prime>1 && index != prime && index % prime == 0) trueelsefalse}))
arr += index
})
arr.toArray.sorted
}

1.6.5 判断平衡二叉树

1 原理：底层的左节点和右节点相差为1（左右子树相差为1），例子可以看上方海量数据实时排序部分 2 方法：从根节点开始，判断左子树与右子树是否差1，然后对左右子树不断递归这个判断直到没有子树。

1.6.6 Java 生产者和消费者

packagethird;importstaticjava.lang.Thread.sleep;publicclassSellShaoBing{privateint shaoBingAmount=0;privateboolean isStop =false;privateint maxAmount;publicSellShaoBing(int max){
maxAmount = max;}privateThreadcreateProductThread(){returnnewThread(()->{while(!isStop){synchronized(this){//留个缓冲，做满之前就开始卖if(shaoBingAmount > maxAmount -5)notifyAll();waitMethod(shaoBingAmount == maxAmount);sleepMethod();System.out.println("做烧饼");
shaoBingAmount++;System.out.println("当前烧饼数量"+shaoBingAmount);}}});}privateThreadcreateConsumerThread(){returnnewThread(()->{while(!isStop){synchronized(this){//留个缓冲，烧饼卖完之间就通知生产                       if (shaoBingAmount < maxAmount /4) notifyAll(); waitMethod(shaoBingAmount == 0);               sleepMethod();System.out.println("卖烧饼");
shaoBingAmount--;System.out.println("当前烧饼数量"+shaoBingAmount);}}});}publicvoidactions(){Thread product =createProductThread();Thread consumer =createConsumerThread();
consumer.start();
product.start();try{sleep(5000);}catch(InterruptedException e){
e.printStackTrace();Thread.currentThread().interrupt();}
isStop =true;}privatesynchronizedvoidwaitMethod(boolean iswait){if(iswait){try{wait();}catch(InterruptedException e){ e.printStackTrace();Thread.currentThread().interrupt();}}}privatevoidsleepMethod(){try{sleep(100);}catch(InterruptedException e){
e.printStackTrace();Thread.currentThread().interrupt();}}}

1.6.7 Scala 生产者和消费者（推荐）

packageutils//卖烧饼 (Java生产者消费者的Scala实现)caseclassShaoBing(var
amount:Int=0,maxAmount:Int=30,isContinue:Boolean=true)
object ShaoBing{/**
* 烧饼线程模板
* @param isNotify 传入一个唤醒所有线程的判断方法
* @param isWait   传入一个使当前线程等待的方法
* @param doMethod 传入一个增减烧饼数量的方法
* @param shaoBing 传入一个烧饼对象 */
def createThread(isNotify:ShaoBing=>Boolean, isWait:ShaoBing=>Boolean, doMethod:ShaoBing=>Unit)(shaoBing:ShaoBing)={while(shaoBing.isContinue){//notify和wait都需要在同步代码块中才能使用，java 的 synchronized(obj) {...} = scala 的 obj.synchronized{...}
shaoBing.synchronized{if(isNotify(shaoBing)) shaoBing.notifyAll()//传入等待条件，使线程等待if(isWait(shaoBing)) shaoBing.wait()//增加或减少烧饼数量时才上锁doMethod(shaoBing)}println("当前烧饼数量:"+shaoBing.amount)Thread.sleep(1000)}}//做烧饼
val createProducerThread =createThread(//做满之前就开始卖
isNotify = shaoBing=>shaoBing.amount > shaoBing.maxAmount-5,//做满之后就等
isWait = shaoBing=>shaoBing.amount == shaoBing.maxAmount, _.amount +=1) _
//卖烧饼
val createConsumerThread =createThread(//卖到剩四分之一时候提前开始生产烧饼
isNotify = shaoBing=>shaoBing.amount < shaoBing.maxAmount/4,//卖光了就停止卖烧饼
isWait = shaoBing=>shaoBing.amount ==0,
_.amount -=1) _

//启动生产者和消费者
def main(args:Array[String]):Unit={
val shaoBing =ShaoBing()
val producer =newThread(newRunnable{override def run():Unit=createProducerThread(shaoBing)})
val consumer =newThread(newRunnable{override def run():Unit=createConsumerThread(shaoBing)})
producer.start()
consumer.start()}}

1.7 线程模型

IO共有四种模型：同步阻塞、同步非阻塞、异步阻塞、异步非阻塞同步阻塞：系统内核做好读写数据的准备之前，用户线程一直等待。
同步非阻塞：用户线程使用一个循环不断询问内核是否准备就绪，在准备就绪以前会一直进行该循环。
异步阻塞：用户线程启动一个新的线程去同步阻塞，自己则做下一件事，新的线程不断询问系统内核并阻塞。
异步非阻塞：当用户线程收到通知时，数据已经被内核读取完毕，并放在了用户线程指定的缓冲区内，内核在IO完成后通知用户线程直接使用即可

标签： big data spark hadoop

本文转载自: https://blog.csdn.net/qq_43061290/article/details/124819089
版权归原作者 拉格朗日(Lagrange) 所有，如有侵权，请联系我们删除。