点击上方蓝色字体，选择“设为星标”

回复”面试“获取更多惊喜

目前各大公司的校招已经启动，相信很多小伙伴有和我当年一样的困扰。国内高校开辟大数据相关专业正好一个毕业季过去了，那么作为一个科班出身的学生，该怎么准备校招呢？

本文是在和读者交流的过程中，在网络上搜集到的一些面试资源，只要自己掌握方法并且准备充分，其实很容易在面试中脱颖而出。

其实当时的我也非常发愁，觉得自己什么都不会，又不知道该准备些什么，走了不少弯路。在收集面试资源的同时，也发现同样作为95后，现在的学生面试的眼界和能力都比2-3年前强出很多，但是基础知识会稍微差一些。大概也是因为网上太多的这个实战、那个实战内容太多了，反而基础知识准备不充分。

小米/字节/阿里

Hadoop

• 1.介绍下Hadoop（字节.好未来）

• 2.mapreduce处理流程/shuffle过程（阿里.好未来.网易）

• 3.Yarn是怎么工作的（小米）

• 4.mapreduce和hdfs是一体的吗，有什么关系（阿里）

• 5.数据倾斜是如何产生的及解决方案（阿里.字节.小米.网易.好未来）

• 6.mapreduce有几种join（字节）

• 7.Hadoop的HA

Hive

• 1.内部表和外部表的区别（字节.好未来）

• 2.数据仓库的分层（小米.好未来.网易）

• 3.星型模型和雪花模型的选择（字节.好未来）

• 4.数据仓库和传统数据库的区别（好多都问了）

• 5.接上问，维度冗余及三范式（字节.好未来）

• 6.hive数据存储格式.压缩格式，区别（好未来）

• 7.HQL执行慢是怎么解决的（字节.阿里.小米）

Spark

• 1.job.stage.task的关系（小米）

• 2.spark任务提交过程（阿里.小米）

• 3.spark常见算子（小米）

• 4.spark shuffle和mr shuffle的区别及优化

• 5.spark容错机制（阿里）

• 6.sparkSQL的几种join实现

• 7.介绍下sparkstreaming

• 8.spark RDD的理解

Flink

• 1.spark streaming和flink的比较（小米）

• 2.flink的状态（小米）

• 3.flink的容错机制.状态一致性（阿里）

• 4.讲述一致性检查点的实现——分布式快照（阿里）

• 5.flink的watermark.窗口机制.时间（小米）

• 6.flink的运行构架

Mysql

• 1.索引相关，b+tree（阿里）

• 2.建立索引的考虑因素（使用频率.联合索引.索引顺序）

• 3.聚簇索引.覆盖索引与回表查询

• 4.索引失效的情况，如何知道索引是否被用到

• 5.什么是事务，事务并发带来的问题（脏读.不可重复读.幻读）

• 6.ACID.隔离级别

Kafka

• 1.kafka的文件存储机制

• 2.kafka的可靠性保障 1）生产者往broker发送消息（副本数据同步策略.ISR.ACK） 2）topic分区副本 3）leader选举

• 3.kafka一致性保障

• 4.如何保障数据有序性

• 5.kafka和传统消息队列的区别

Redis

• 1.redis的优缺点

• 2.redis的数据类型

• 3.为什么redis效率高

• 4.redis主从复制过程

• 5.AOF.RDB的优缺点.适用场景

• 6.redis的过期淘汰策略

• 7.缓存雪崩.缓存击穿及如何解决

Java基础

这个写起来就太多了，基本包含了Java的基础知识、JVM、多线程等等。

开放型问题

• 1.谈谈对大数据处理思想的理解（可以围绕分而治之、计算向数据移动展开）

• 2.谈谈对大数据体系演变的理解（阿里）

• 3.你觉得未来大数据体系的变化可能是怎样的（阿里）

• 4.如果你的抖音突然卡住了，会是因为什么（字节）

算法

笔者不是算法大神，剑指offer刷过两遍，整体回顾过四五次，建议每次面试前将j剑指offer 链表、二叉树、栈和队列、动态规划、递归及回溯 的题目都分块回顾一次，链表的题一般用虚拟头结点、步长差解决。

二叉树的题目一般要么和遍历有关，借助栈和队列，比如镜像和对称二叉树、求深度、之字形打印...都相当于在遍历中加入判断条件；要么用递归及回溯思想解决，比如树的子结构，最低公共祖先、和为某值的路径等题目。

动态规划思想我认为是维护一个状态，关注点就在目前状态和新进来的数据上面，然后进行比较和状态更新，需要多练习找感觉。

另外排序算法也要熟悉，冒泡啥的不说了，快速排序、归并排序也要可以直接写出来。算法练习过程中注意思考多种方法解题，字节面试中有遇到追问第二种方法解决问题。

字节

一面

• 维度建模 ：确认主题、确认粒度、确认度量、确认事实表、确认维度表

• Hive shuffle 和 spark shuffle的区别

• Spark 为什么快？Spark任务是怎么执行的

• 转化率如何计算

• 缓慢变化维怎么处理

• Flink状态

• Flink窗口

• Flink广播流

二面

• Hive count(distinct)有几个reduce 海量数据会有什么问题

• Spark优化

• Flink 精确一致怎么保证

• Flink 实时topN

• Flink 写入redis怎么保证精确一致

• Spark hive 用过的解决数据倾斜的方案

• 事实表分类

• 累积型快照事实表做法

三面

• Hdfs读数据流程 源码级别（要回答出来 rpc）

• Hdfs写数据流程 源码级别（要回答出来rpc）

• Mapreduce shffule原理 源码级别（要回答出来锁 多线程 以及缓存写磁盘交换）

• 数仓为什么要分层

• 实时比起来离线 要注意啥

• 特征挖掘是怎么做的？怎么管理的

Shopee

一面

• 自我介绍（要求重点介绍项目）

• 怼项目（重点在于Hadoop相关部分）

• Hadoop相关问题的延伸（HDFS写数据流程，要求越详细越好）

• 如果要实现一个HashMap怎么做，算法复杂度多少

• 手撸快排。（有思路没撸出来）

• 面试要求尽可能的说出细节，但是我只能大概说出来一些设计原则

• 由于实习的时候用过 clickhouse（其实就当关系数据库存储了一下数据），所以面试官让我讲讲 clickhouse，我给小姐姐说明我只是当数据库用的之后，她就只让我说了 clickhouse 有哪些特点？

• 对 java 熟悉吧？JVM 的内存结构？

• volatile 关键字的作用？

• 说说 MySQL 的索引？b树与b+树的区别？

• Redis的应用场景有哪些？Redis支持的数据结构？

• 40亿条数据，内存只有10G，如何确定一个数是否存在于这40亿的数字里面？

• Spark的作业运行流程是怎么样的？

• Spark处理数据倾斜的方法？

• Kafka作为消息队列，它可解决什么样的问题？

• Hive的文件存储格式都有哪些？

• HQL：行转列、列转行

• HQL：一张表字段有 id，name，date，其中id有重复，问如何拿到最新的date对应的id的name？

• ZooKeeper 如何实现分布式锁？

• 了解Linux吧？如何查看占用CPU最高的进程？

• 算法题：用栈实现一个队列，提供入队、出队方法？

二面

• namenode的主要职责，元数据的形式

• 介绍namenode宕机的恢复过程

• namenode启动时datanode向namenode的心跳报告内容

• block划分的原因

• HDFS写数据流程

• 一个多线程代码，判断是否会跳出线程。（主要考察线程中对类静态成员变量的访问）

• linux bash，一行命令，输出文件中某关键字的出现的行数

三面

• 一个线程生成key-value对，另外一个线程合并相同的key对value求和

• SQL语句，合并表里相同人姓名的成绩求和

• 最后linux bash脚本求去除表头后第二列值的和

• sql：用户连续登录问题

• sql：求平均成绩大于80，且0001课程分数高于0002课程分数的学生id

• 数据倾斜问题

• jvm内存中，堆和栈的区别？

• Objects类中的通用方法？其中hashCode方法的返回值是什么？

• 如何创建一个线程？使用线程设置堆大小？

• jvm垃圾回收机制？

• 算法：二叉树的镜像

• 内存只有256M，有两个10G的文件，从这两个文件中找出相同的数字？（只说思路）

• 大概就是这些啦，后边要是想起来其他的，会来更。

腾讯

一面

• 自我介绍

• 在工作中负责的内容

• 数仓分层

• Spark 任务遇见过哪些问题？怎么解决的

• 维表和事实表

• 事实表有哪些种类

• 项目组有哪些人，什么指责

• 有多少张表，是怎么管理的

• sql题

• join 时 on 和 where 语法

• 用户连续打卡天数

二面

• 主题是怎么划分的，从那一层开始，为什么

• 维表和事实表

• 事实表有哪些种类

• 数据质量是怎么保证的，有哪些方法保证

• 怎么衡量数仓的数据质量，有哪些指标

• 离线任务遇见过哪些问题，怎么处理的，如数据迟到、数据重复

• 怎么保证数据的一致性

• 数据仓库和数据中台区别

• 数据仓库中有哪几类数据建模

• 对于缓慢变化的数据，在数据仓库中是如何处理的

• 如何建立用户画像指标的，如何维护

• 如何实施数据清洗的？从哪些方面着手

• 如若提供出去的指标有问题，如何解决和定位

美团

一面

• 1 自我介绍

• 2 介绍一下数学建模竞赛，做了什么、遇到什么问题、怎么解决的

• 3 做了几道SQL题

• 4 常用的操作系统命令

• 5 io占用很高怎么解决

• 6 MySQL索引

• 7 mapreduce原理

• 8 说说shuffle

• 9 数据倾斜了解吗，怎么优化

• 10 项目相关，数据为什么存到mongodb

• 11 hive了解吗

• 面试官人很好，建议我找点数据跑一下

二面

• 1 项目说说你具体做了什么

• 2 Java实现一个word count

• 3 改进一下写的代码

• 4 聊聊spark，spark你做过什么

• 5 项目里spark streaming用哪一个层面的接口，RDD,dataframe,dataset

• 6 说一下spark的DAG

• 7 spark的懒加载机制

• 8 hive常见的调优方法

• 9 分区分桶的逻辑

• 9 网络七层协议，通过每一层解决什么问题

• 10 Linux常见命令

• 11 shell写过什么东西

• 12 shell中管道的概念怎么理解

• 13 常见数据结构有哪些，怎么理解B树和B+树

• 14 MYSQL插入一条数据，索引的变化

• 15 敲键盘，屏幕显示对应的数据，这个过程计算机做了什么

• 16 字符集编码解码的原理

• 17 六个人围成一个圆桌就餐有多少种就坐方式？每个人点一道菜，一共有四种菜系，有多少种点法

三面

• 1 自我介绍

• 2 本科研究生学过什么计算机的知识

• 3 操作系统文件系统介绍一下

• 4 说说你擅长的吧，展开说说Hadoop，hive，hbase

• 5 Hadoop你搭建过吗，怎么搭建的详细说说

• 6 zookeeper搭建要配置什么

• 7 最近做过大数据的相关东西吗，说说你的项目

• 8 详细说说你建的什么表，rowkey是怎么设计的

• 9 HBASE适合解决什么问题

• 10 MySQL适合做什么，你对MySQL了解多少，说说建过的表

• 11 为什么项目里不把MySQL存的数据不存到HBASE

• 12 你用MySQL解决过什么实际问题

• 13 讲讲Java关键的语法特性

• 14 hashmap的key和value对于存储的实例有什么要求

• 15 用原始的数据类型实现一个list

网易

一面

• 1.自我介绍（3分钟）

• 2.介绍ETL开发项目（15分钟）

• 3.为什么数据存入hdfs还要再倒入NoSql，为什么hdfs对olap支持不友好。

• 4.spark任务执行全过程。

• 5.mapReduce对比spark

• 6.linux操作命令（没答上来，表示没用到过）

• 7.统计学中p值的意义，中位数的意义，和均值对比，使用场景

• 8.业务题：1.网易云课堂突然订阅量下降，怎么定位分析原因2.在各个平台投放简历，怎么评估效果。

二面

• 1.自我介绍（3分钟）

• 2.介绍ETL开发项目（15分钟）

• 3.介绍数据仓库开发，数据迁移项目（10分钟）

• 4.介绍机器学习项目，怎么和大数据开发做的结合（5分钟）

• 5.kafka结构，怎样防止脑裂，为什么最新版本不用zookeeper来维护offset

• 6.手撕代码，找出数组中第二大的数。

三面

• 1.自我介绍（3分钟）

• 2.介绍ETL开发项目（15分钟）

• 3.手撕代码：知道二叉树前中序遍历，怎么得到后续遍历，限时5分钟

• 4.业务题: 1.开发统计某app用户各功能使用时长，整个流程怎么实现，怎么优化，怎么横向拓展。2.统计评估各个网页的重要性，采取的算法思路，spark代码实现。（实际就是Google page rank算法）

四面

• 实习做的事

• 实习公司的技术整体架构

• 前后端，数据中心算法团队的协同配合

百度

一面

• 1.项目介绍

• 2.join的left join , inner join, cross join

• 3.MR

• 4.冒泡排序

• 5.维度建模三种模型

• 6.Awk

• 7.动态分区静态分区

• 8.数据倾斜

• 9.Join大小表

二面

• 1.项目介绍（深度挖掘，问到自闭）

• 2.Sql 取A、B两个表的交集，A表减交集，B表减交集

• 3.Sql 成绩排名前三的学生的情况

• 4.Sql 左连接的情况

• 5.二叉树查找

• 6.两个有序链表合并

• 7.Shell、linux常用的语句

• 8.工厂模式

• 9.mysql中myIsam,Innodb各自区别和使用场景

三面

• 1.手撕代码：两个有序数组的交集（写的有点错误）

• 2.动态分区

• 3.Linux常用命令

• 4.Spark数据倾斜、Spark血缘等

八千里路云和月 | 从零到大数据专家学习路径指南

我们在学习Flink的时候，到底在学习什么？

193篇文章暴揍Flink，这个合集你需要关注一下

Flink生产环境TOP难题与优化，阿里巴巴藏经阁YYDS

Flink CDC我吃定了耶稣也留不住他！| Flink CDC线上问题小盘点

我们在学习Spark的时候，到底在学习什么？

在所有Spark模块中，我愿称SparkSQL为最强！

硬刚Hive | 4万字基础调优面试小总结

数据治理方法论和实践小百科全书

标签体系下的用户画像建设小指南

4万字长文 | ClickHouse基础&实践&调优全视角解析

【面试&个人成长】2021年过半，社招和校招的经验之谈

大数据方向另一个十年开启 |《硬刚系列》第一版完结

我写过的关于成长/面试/职场进阶的文章

当我们在学习Hive的时候在学习什么？「硬刚Hive续集」

你好，我是王知无，一个大数据领域的硬核原创作者。

做过后端架构、数据中间件、数据平台&架构、算法工程化。

专注大数据领域实时动态&技术提升&个人成长&职场进阶，欢迎关注。