中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
大數據工程師面試筆試寶典 版權信息
- ISBN：9787111753872
- 條形碼：9787111753872 ; 978-7-111-75387-2
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
大數據工程師面試筆試寶典 本書特色
《大數據工程師面試筆試寶典》系統覆蓋大數據工程師崗位需要掌握的重要概念、技術和工具，包括Hadoop、Spark、Flink、Hive、HBase、Kafka等，以及大數據與人工智能的交叉點。
視頻精講：68個大數據核心知識點分享視頻
真題全解：提供超200頁大數據面試筆試真題及答案
大數據工程師面試筆試寶典 內容簡介
《大數據工程師面試筆試寶典》全面講解了大數據的核心技術及如何解答大數據工程師面試筆試中的常見問題，還引入了相關知識點輔以說明，讓讀者對所學知識進行查漏補缺，幫助讀者順利通過大數據工程師面試筆試。
《大數據工程師面試筆試寶典》的題目均來自一線互聯網公司面試筆試真題，涵蓋大數據基礎、大數據生態圈技術組件以及大數據不同崗位的面試筆試題。第1～2章主要介紹了職業道路如何選擇、面試筆試前如何準備、面試筆試過程中如何應對，以及面試經常遇到的“坑”。第3章介紹了大數據基礎面試筆試題，讓讀者學會利用大數據思維解決常見應用場景；第4～10章重點介紹了大數據生態圈核心技術的面試筆試題，讓讀者加強對大數據技術組件的理解；第11～13章介紹了大數據倉庫、大數據項目、大數據運維方向的常見面試筆試題；第14章探討了大數據與人工智能的交叉點，讓讀者可以輕松應對大數據工程師的面試筆試。
《大數據工程師面試筆試寶典》內容的深度和廣度貼近實際，將幫助大數據領域的求職者為面試筆試做好充分的準備，提高面試成功率，同時，《大數據工程師面試筆試寶典》也可作為從業者的實用工具書，以加深對大數據技術和實踐的理解。無論是初學者還是有經驗的專業人士，都將從本書提供的詳實信息和實用建議中受益。
大數據工程師面試筆試寶典 目錄
前言
第1章 面試筆試心得交流
1.1 擺正求職心態／1
1.2 求職前準備／2
1.3 做好自我介紹／4
1.4 職業規劃是什么／5
1.5 為什么離開上一家公司／6
1.6 被面試官否定怎么辦／6
1.7 加分項一定要呈現出來／7
1.8 面試禁忌／8
1.9 面試會有哪些“坑”／8
1.10 如何應對自己不會回答的問題／9
1.11 如何應對某一次面試失敗／10
1.12 面試成功是否就高枕無憂／11
第2章 大數據工程師面試筆試攻略
2.1 大數據職業的崗位劃分／12
2.2 典型大數據工程師的職業發展路徑／13
2.3 公司大數據部門劃分與人員編制／15
2.4 大數據工程師的工作職責／16
2.5 大數據工程師簡歷如何編寫／17
2.6 缺少大數據項目經驗如何應對／18
2.7 大數據面試筆試需要掌握哪些技能／19
2.8 如何把握大數據工程師的面試筆試重點／24
2.9 引導面試官提問自己擅長的技術／25
第3章 大數據基礎應用
3.1 大數據基礎知識／27
3.1.1 大數據生態體系／27
3.1.2 大數據基石—云計算／29
3.1.3 大數據核心—海量數據／30
3.1.4 大數據靈魂—大數據技術／31
3.1.5 大數據價值—商業應用／32
3.2 大數據算法／32
3.2.1 如何從海量數據中找出*高頻詞／32
3.2.2 如何找出訪問百度次數*多的IP地址／34
3.2.3 如何從2.5億個整數中找出不重復的整數／36
3.2.4 判斷一個數在40億數據中是否存在／38
3.2.5 如何找出CSDN網站*熱門的搜索關鍵詞／39
3.2.6 如何從大量數據中統計不同手機號的個數／41
3.2.7 如何從大量數據中找出重復次數*多的一條數據／42
3.2.8 如何對大量數據按照query的頻度排序／43
3.2.9 如何從大量的URL中找出相同的URL／44
3.2.10 如何從5億個數中找出中位數／46
第4章 ZooKeeper分布式協調服務
4.1 簡述ZooKeeper包含哪些重要特性／48
4.2 簡述ZooKeeper包含哪些應用場景／49
4.3 簡述ZooKeeper包含哪幾種Znode節點類型／51
4.4 請問ZooKeeper對Znode的監聽是永久的嗎／52
4.5 請問ZooKeeper集群包含多少節點合適／52
4.6 簡述ZooKeeper集群節點包含哪些角色／53
4.7 簡述ZooKeeper集群節點有哪幾種工作狀態／54
4.8 請問ZooKeeper節點宕機后內部如何處理／54
4.9 請問ZooKeeper集群是否支持動態添加機器／55
4.10 簡述ZooKeeper集群的數據讀寫流程／56
4.11 簡述ZooKeeper的監聽器原理／57
4.12 談談你對CAP原則的理解／58
4.13 談談ZAB協議在ZooKeeper中的作用／59
4.14 談談你對ZooKeeper選舉機制的理解／60
4.15 闡述ZooKeeper如何保證事務的順序一致性／62
4.16 闡述如何遷移ZooKeeper集群／62
第5章 Hadoop大數據平臺
5.1 Hadoop分布式文件系統（HDFS）／64
5.1.1 闡述HDFS中的數據塊大小設置／64
5.1.2 簡述HDFS的副本存放策略／65
5.1.3 闡述如何處理HDFS大量小文件問題／65
5.1.4 簡述NameNode元數據存儲在什么位置／67
5.1.5 闡述如何解決edits文件過大的問題／67
5.1.6 簡述HDFS讀數據流程／68
5.1.7 簡述HDFS寫數據流程／69
5.1.8 簡述NameNode HA的運行機制／71
5.1.9 簡述HDFS聯邦機制／71
5.1.10 闡述如何處理NameNode宕機問題／72
5.1.11 闡述如何處理DataNode宕機問題／73
5.1.12 簡述HDFS支持哪些存儲格式與壓縮算法／73
5.2 Hadoop資源管理系統（YARN）／75
5.2.1 簡述YARN應用的運行機制／75
5.2.2 闡述YARN與MapReduce1的異同／76
5.2.3 簡述YARN 高可用原理／77
5.2.4 簡述YARN的容錯機制／78
5.2.5 簡述YARN調度器的工作原理／79
5.2.6 闡述YARN的任務提交流程／81
5.3 Hadoop分布式計算框架（MapReduce）／82
5.3.1 簡述MapReduce作業運行機制／82
5.3.2 簡述MapReduce Shuffle過程／85
5.3.3 簡述MapReduce作業失敗與容錯機制／87
5.3.4 闡述如何解決MapReduce數據傾斜問題／89
5.3.5 簡述MapReduce二次排序原理／90
5.3.6 簡述MapReduce Join實現原理／91
第6章 Hive數據倉庫工具
6.1 簡述Hive與傳統數據庫的異同／93
6.2 簡述Hive與HBase的異同／94
6.3 簡述Hive包含哪些建表方式／94
6.4 簡述Hive內部表與外部表的區別／95
6.5 簡述Hive分區表與分桶表的區別／96
6.6 簡述Hive包含哪些表連接方式／97
6.7 簡述collect_list()與collect_set()函數的區別／98
6.8 簡述ORDER BY、DISTRIBUTE BY、SORT BY和
CLUSTER BY的區別與聯系／99
6.9 談談如何預防Hive查詢全表掃描／100
6.10 簡述Hive包含哪些自定義函數／101
6.11 闡述如何解決Hive數據傾斜問題／101
6.12 闡述Hive有哪些性能調優手段／104
第7章 HBase分布式數據庫
7.1 簡述HBase的應用場景／106
7.2 簡述HBase讀數據流程／107
7.3 簡述HBase寫數據流程／108
7.4 闡述HBase Region如何定位／109
7.5 簡述HBase Region的合并與分裂過程／110
7.6 闡述HBase如何設計RowKey／112
7.7 闡述HBase如何實現預分區／112
7.8 談談你對HBase二級索引的理解／113
7.9 闡述HBase如何降低磁盤IO／114
7.10 闡述HBase如何處理冷熱數據／117
7.11 簡述HBase有哪些性能調優手段／117
第8章 Kafka分布式消息隊列
8.1 簡述ZooKeeper在Kafka中的作用／120
8.2 簡述Kafka文件存儲設計特點／121
8.3 簡述Kafka的使用場景／121
8.4 簡述Kafka寫數據流程／122
8.5 闡述Kafka為什么不支持讀寫分離／122
8.6 簡述Kafka哪些地方涉及選舉／123
8.7 簡述Kafka Topic分區的分配規則／123
8.8 談談你對Kafka消費者負載均衡策略的理解／124
8.9 談談你對Kafka再均衡的理解／124
8.10 簡述Kafka生產者ACK機制／125
8.11 闡述Kafka如何實現數據同步／125
8.12 闡述如何提高Kafka吞吐量／126
8.13 闡述如何優化Kafka生產者數據寫入速度／127
8.14 闡述Kafka如何實現高效讀取數據／127
8.15 闡述Kafka如何保證高吞吐量／128
8.16 闡述Kafka如何保證數據可靠性／128
8.17 闡述Kafka如何保證數據不丟失／129
8.18 闡述Kafka如何保證消息冪等性／130
8.19 闡述Kafka如何保證消息被順序消費／130
8.20 闡述Kafka消費者數量較大對性能有何影響／131
第9章 Spark內存計算框架
9.1 談談Hadoop和Spark的區別與聯系／132
9.2 簡述Spark與MapReduce的Shuffle區別／133
9.3 闡述Spark解決了Hadoop哪些問題／136
9.4 簡述Spark應用程序的生命周期／137
9.5 談談你對RDD機制的理解／140
9.6 簡述RDD包含哪些缺陷／140
9.7 闡述Spark如何劃分DAG的Stage／141
9.8 請問Spark中的數據位置由誰來管理／142
9.9 談談reduceByKey與groupByKey的區別與聯系／143
9.10 談談Cache和Persist的區別與聯系／143
9.11 闡述如何解決Spark中的數據傾斜問題／144
9.12 闡述如何解決Spark中的OOM問題／145
9.13 闡述Spark Streaming如何保證Exactly-Once語義／146
9.14 闡述Spark Streaming如何性能調優／148
9.15 談談你對Spark Streaming背壓機制的理解／150
第10章 Flink流式計算框架
10.1 談談Spark與Flink的區別與聯系／151
10.2 簡述Flink有哪些方式設置并行度／156
10.3 闡述如何合理評估Flink任務的并行度／157
10.4 談談你對Flink Operator Chain的理解／157
10.5 談談你對Flink重啟策略的理解／158
10.6 闡述Flink內存管理是如何實現的／160
10.7 闡述Flink Task如何實現數據交換／161
10.8 闡述Flink狀態如何實現容錯／162
10.9 簡述Flink分布式快照原理／164
10.10 闡述Flink如何保證端到端Exactly-Once語義／166
10.11 闡述如何解決Flink任務延遲高的問題／169
10.12 闡述如何處理Flink反壓問題／170
10.13 闡述Flink海量數據如何實現去重／171
10.14 闡述Flink如何處理遲到的數據／172
10.15 闡述如何解決Flink數據傾斜／173
10.16 闡述如何解決Flink Window中的數據傾斜／174
第11章 大數據倉庫
11.1 談談你如何理解數據庫三范式／175
11.2 闡述為什么需要數倉建模／177
11.3 簡述事實表分為哪幾類／178
11.4 簡述維度建模包含哪些常用的模型／178
11.5 簡述維度建模實現過程／180
11.6 談談你對元數據的理解／180
11.7 談談數倉架構如何分層／181
11.8 談談你對離線數倉架構的理解／183
11.9 談談你對Lambda架構的理解／184
11.10 談談你對Kappa架構的理解／185
11.11 闡述字段頻繁變更的數倉架構如何設計／186
11.12 闡述如何實現拉鏈表／187
11.13 闡述如何查詢連續7日登錄的用戶／188
11.14 闡述如何統計注冊用戶的留存數與留存率／190
第12章 大數據項目
12.1 談談大數據項目組如何分工與協作／193
12.2 談談你在項目中扮演什么角色／194
12.3 簡述你所在或曾任職公司的大數據集群規模／194
12.4 簡述你所在或曾任職公司的項目數據類型及規模／196
12.5 簡述你所在或曾任職公司的項目產生的表及數據量／196
12.6 簡述你所在或曾任職公司的大數據項目業務需求／197
12.7 簡述項目整體架構及技術選型／198
12.8 簡述大數據項目遇到過的難點及解決方案／199
12.9 簡述大數據項目遇到的瓶頸及優化方法／202
12.10 簡述大數據項目開發周期及安排／204
第13章 大數據運維
13.1 請問ZooKeeper節點宕機如何處理／206
13.2 闡述多次修改HDFS副本數如何計算數據總量／207
13.3 闡述如何估算HDFS需要的內存大小／207
13.4 請問DataNode節點宕機如何恢復／208
13.5 請問NameNode節點宕機如何恢復／208
13.6 闡述晚高峰期DataNode節點不穩定如何處理／209
13.7 闡述如何調優才能加快NameNode啟動速度／210
13.8 請問Hadoop出現文件塊丟失如何處理／211
13.9 請問文件寫入HDFS是先全部寫入再備份嗎／211
13.10 請問如何查看HDFS目錄下的文件數及位置／212
13.11 闡述集群硬盤損壞后的詳細處理流程／213
13.12 闡述集群擴容后如何處理數據不均衡的現象／214
13.13 闡述運維人員如何避免開發人員誤刪數據／214
13.14 闡述大數據集群如何自動化擴容／215
13.15 闡述如何對大數據集群進行有效監控／216
13.16 闡述如何保證海量數據寫入HBase的及時性／216
13.17 簡述哪些情況會導致HBase Master發生故障／217
13.18 簡述哪些情況會導致HBase RegionServer發生故障／218
13.19 闡述Kafka如何選擇適當的分區數量／219
13.20 簡述Kafka分區是否可以增加或減少／220
第14章 大數據 人工智能
14.1 如何解釋大數據與人工智能之間的關系／221
14.2 闡述數據采集的作用以及數據質量對人工智能模型性能的
影響／222
14.3 當前流行的大型語言模型如何利用大數據進行訓練／223
14.4 AIGC、Sora等項目是如何將大數據與人工智能
相結合的／224
14.5 請解釋什么是數據驅動的人工智能／225
14.6 介紹一下常用的人工智能開發工具和平臺／225
14.7 闡述AI中的基本概念及其區別與聯系／226
14.8 數據預處理在人工智能中的作用是什么／227
14.9 如何評估人工智能模型的性能／229
14.10 闡述過擬合和欠擬合現象在機器學習中的含義及如何
解決／230
14.11 闡述在大數據環境中人工智能項目的倫理和
隱私問題／231
14.12 闡述數據可視化的作用并介紹一些常用的
工具和技術／232
14.13 闡述什么是監督學習、無監督學習和半監督學習／233
14.14 談談數據安全的挑戰和解決方案／234
14.15 如何有效地管理和處理大規模的數據集／235
14.16 闡述深度學習的應用及其在大數據環境中的挑戰和解決
方案／236
14.17 闡述強化學習的基本原理及其應用場景和優劣勢／237
14.18 如何利用大數據和人工智能技術來優化企業的運營和
決策／238
第1章 面試筆試心得交流
1.1 擺正求職心態／1
1.2 求職前準備／2
1.3 做好自我介紹／4
1.4 職業規劃是什么／5
1.5 為什么離開上一家公司／6
1.6 被面試官否定怎么辦／6
1.7 加分項一定要呈現出來／7
1.8 面試禁忌／8
1.9 面試會有哪些“坑”／8
1.10 如何應對自己不會回答的問題／9
1.11 如何應對某一次面試失敗／10
1.12 面試成功是否就高枕無憂／11
第2章 大數據工程師面試筆試攻略
2.1 大數據職業的崗位劃分／12
2.2 典型大數據工程師的職業發展路徑／13
2.3 公司大數據部門劃分與人員編制／15
2.4 大數據工程師的工作職責／16
2.5 大數據工程師簡歷如何編寫／17
2.6 缺少大數據項目經驗如何應對／18
2.7 大數據面試筆試需要掌握哪些技能／19
2.8 如何把握大數據工程師的面試筆試重點／24
2.9 引導面試官提問自己擅長的技術／25
第3章 大數據基礎應用
3.1 大數據基礎知識／27
3.1.1 大數據生態體系／27
3.1.2 大數據基石—云計算／29
3.1.3 大數據核心—海量數據／30
3.1.4 大數據靈魂—大數據技術／31
3.1.5 大數據價值—商業應用／32
3.2 大數據算法／32
3.2.1 如何從海量數據中找出*高頻詞／32
3.2.2 如何找出訪問百度次數*多的IP地址／34
3.2.3 如何從2.5億個整數中找出不重復的整數／36
3.2.4 判斷一個數在40億數據中是否存在／38
3.2.5 如何找出CSDN網站*熱門的搜索關鍵詞／39
3.2.6 如何從大量數據中統計不同手機號的個數／41
3.2.7 如何從大量數據中找出重復次數*多的一條數據／42
3.2.8 如何對大量數據按照query的頻度排序／43
3.2.9 如何從大量的URL中找出相同的URL／44
3.2.10 如何從5億個數中找出中位數／46
第4章 ZooKeeper分布式協調服務
4.1 簡述ZooKeeper包含哪些重要特性／48
4.2 簡述ZooKeeper包含哪些應用場景／49
4.3 簡述ZooKeeper包含哪幾種Znode節點類型／51
4.4 請問ZooKeeper對Znode的監聽是永久的嗎／52
4.5 請問ZooKeeper集群包含多少節點合適／52
4.6 簡述ZooKeeper集群節點包含哪些角色／53
4.7 簡述ZooKeeper集群節點有哪幾種工作狀態／54
4.8 請問ZooKeeper節點宕機后內部如何處理／54
4.9 請問ZooKeeper集群是否支持動態添加機器／55
4.10 簡述ZooKeeper集群的數據讀寫流程／56
4.11 簡述ZooKeeper的監聽器原理／57
4.12 談談你對CAP原則的理解／58
4.13 談談ZAB協議在ZooKeeper中的作用／59
4.14 談談你對ZooKeeper選舉機制的理解／60
4.15 闡述ZooKeeper如何保證事務的順序一致性／62
4.16 闡述如何遷移ZooKeeper集群／62
第5章 Hadoop大數據平臺
5.1 Hadoop分布式文件系統（HDFS）／64
5.1.1 闡述HDFS中的數據塊大小設置／64
5.1.2 簡述HDFS的副本存放策略／65
5.1.3 闡述如何處理HDFS大量小文件問題／65
5.1.4 簡述NameNode元數據存儲在什么位置／67
5.1.5 闡述如何解決edits文件過大的問題／67
5.1.6 簡述HDFS讀數據流程／68
5.1.7 簡述HDFS寫數據流程／69
5.1.8 簡述NameNode HA的運行機制／71
5.1.9 簡述HDFS聯邦機制／71
5.1.10 闡述如何處理NameNode宕機問題／72
5.1.11 闡述如何處理DataNode宕機問題／73
5.1.12 簡述HDFS支持哪些存儲格式與壓縮算法／73
5.2 Hadoop資源管理系統（YARN）／75
5.2.1 簡述YARN應用的運行機制／75
5.2.2 闡述YARN與MapReduce1的異同／76
5.2.3 簡述YARN 高可用原理／77
5.2.4 簡述YARN的容錯機制／78
5.2.5 簡述YARN調度器的工作原理／79
5.2.6 闡述YARN的任務提交流程／81
5.3 Hadoop分布式計算框架（MapReduce）／82
5.3.1 簡述MapReduce作業運行機制／82
5.3.2 簡述MapReduce Shuffle過程／85
5.3.3 簡述MapReduce作業失敗與容錯機制／87
5.3.4 闡述如何解決MapReduce數據傾斜問題／89
5.3.5 簡述MapReduce二次排序原理／90
5.3.6 簡述MapReduce Join實現原理／91
第6章 Hive數據倉庫工具
6.1 簡述Hive與傳統數據庫的異同／93
6.2 簡述Hive與HBase的異同／94
6.3 簡述Hive包含哪些建表方式／94
6.4 簡述Hive內部表與外部表的區別／95
6.5 簡述Hive分區表與分桶表的區別／96
6.6 簡述Hive包含哪些表連接方式／97
6.7 簡述collect_list()與collect_set()函數的區別／98
6.8 簡述ORDER BY、DISTRIBUTE BY、SORT BY和
CLUSTER BY的區別與聯系／99
6.9 談談如何預防Hive查詢全表掃描／100
6.10 簡述Hive包含哪些自定義函數／101
6.11 闡述如何解決Hive數據傾斜問題／101
6.12 闡述Hive有哪些性能調優手段／104
第7章 HBase分布式數據庫
7.1 簡述HBase的應用場景／106
7.2 簡述HBase讀數據流程／107
7.3 簡述HBase寫數據流程／108
7.4 闡述HBase Region如何定位／109
7.5 簡述HBase Region的合并與分裂過程／110
7.6 闡述HBase如何設計RowKey／112
7.7 闡述HBase如何實現預分區／112
7.8 談談你對HBase二級索引的理解／113
7.9 闡述HBase如何降低磁盤IO／114
7.10 闡述HBase如何處理冷熱數據／117
7.11 簡述HBase有哪些性能調優手段／117
第8章 Kafka分布式消息隊列
8.1 簡述ZooKeeper在Kafka中的作用／120
8.2 簡述Kafka文件存儲設計特點／121
8.3 簡述Kafka的使用場景／121
8.4 簡述Kafka寫數據流程／122
8.5 闡述Kafka為什么不支持讀寫分離／122
8.6 簡述Kafka哪些地方涉及選舉／123
8.7 簡述Kafka Topic分區的分配規則／123
8.8 談談你對Kafka消費者負載均衡策略的理解／124
8.9 談談你對Kafka再均衡的理解／124
8.10 簡述Kafka生產者ACK機制／125
8.11 闡述Kafka如何實現數據同步／125
8.12 闡述如何提高Kafka吞吐量／126
8.13 闡述如何優化Kafka生產者數據寫入速度／127
8.14 闡述Kafka如何實現高效讀取數據／127
8.15 闡述Kafka如何保證高吞吐量／128
8.16 闡述Kafka如何保證數據可靠性／128
8.17 闡述Kafka如何保證數據不丟失／129
8.18 闡述Kafka如何保證消息冪等性／130
8.19 闡述Kafka如何保證消息被順序消費／130
8.20 闡述Kafka消費者數量較大對性能有何影響／131
第9章 Spark內存計算框架
9.1 談談Hadoop和Spark的區別與聯系／132
9.2 簡述Spark與MapReduce的Shuffle區別／133
9.3 闡述Spark解決了Hadoop哪些問題／136
9.4 簡述Spark應用程序的生命周期／137
9.5 談談你對RDD機制的理解／140
9.6 簡述RDD包含哪些缺陷／140
9.7 闡述Spark如何劃分DAG的Stage／141
9.8 請問Spark中的數據位置由誰來管理／142
9.9 談談reduceByKey與groupByKey的區別與聯系／143
9.10 談談Cache和Persist的區別與聯系／143
9.11 闡述如何解決Spark中的數據傾斜問題／144
9.12 闡述如何解決Spark中的OOM問題／145
9.13 闡述Spark Streaming如何保證Exactly-Once語義／146
9.14 闡述Spark Streaming如何性能調優／148
9.15 談談你對Spark Streaming背壓機制的理解／150
第10章 Flink流式計算框架
10.1 談談Spark與Flink的區別與聯系／151
10.2 簡述Flink有哪些方式設置并行度／156
10.3 闡述如何合理評估Flink任務的并行度／157
10.4 談談你對Flink Operator Chain的理解／157
10.5 談談你對Flink重啟策略的理解／158
10.6 闡述Flink內存管理是如何實現的／160
10.7 闡述Flink Task如何實現數據交換／161
10.8 闡述Flink狀態如何實現容錯／162
10.9 簡述Flink分布式快照原理／164
10.10 闡述Flink如何保證端到端Exactly-Once語義／166
10.11 闡述如何解決Flink任務延遲高的問題／169
10.12 闡述如何處理Flink反壓問題／170
10.13 闡述Flink海量數據如何實現去重／171
10.14 闡述Flink如何處理遲到的數據／172
10.15 闡述如何解決Flink數據傾斜／173
10.16 闡述如何解決Flink Window中的數據傾斜／174
第11章 大數據倉庫
11.1 談談你如何理解數據庫三范式／175
11.2 闡述為什么需要數倉建模／177
11.3 簡述事實表分為哪幾類／178
11.4 簡述維度建模包含哪些常用的模型／178
11.5 簡述維度建模實現過程／180
11.6 談談你對元數據的理解／180
11.7 談談數倉架構如何分層／181
11.8 談談你對離線數倉架構的理解／183
11.9 談談你對Lambda架構的理解／184
11.10 談談你對Kappa架構的理解／185
11.11 闡述字段頻繁變更的數倉架構如何設計／186
11.12 闡述如何實現拉鏈表／187
11.13 闡述如何查詢連續7日登錄的用戶／188
11.14 闡述如何統計注冊用戶的留存數與留存率／190
第12章 大數據項目
12.1 談談大數據項目組如何分工與協作／193
12.2 談談你在項目中扮演什么角色／194
12.3 簡述你所在或曾任職公司的大數據集群規模／194
12.4 簡述你所在或曾任職公司的項目數據類型及規模／196
12.5 簡述你所在或曾任職公司的項目產生的表及數據量／196
12.6 簡述你所在或曾任職公司的大數據項目業務需求／197
12.7 簡述項目整體架構及技術選型／198
12.8 簡述大數據項目遇到過的難點及解決方案／199
12.9 簡述大數據項目遇到的瓶頸及優化方法／202
12.10 簡述大數據項目開發周期及安排／204
第13章 大數據運維
13.1 請問ZooKeeper節點宕機如何處理／206
13.2 闡述多次修改HDFS副本數如何計算數據總量／207
13.3 闡述如何估算HDFS需要的內存大小／207
13.4 請問DataNode節點宕機如何恢復／208
13.5 請問NameNode節點宕機如何恢復／208
13.6 闡述晚高峰期DataNode節點不穩定如何處理／209
13.7 闡述如何調優才能加快NameNode啟動速度／210
13.8 請問Hadoop出現文件塊丟失如何處理／211
13.9 請問文件寫入HDFS是先全部寫入再備份嗎／211
13.10 請問如何查看HDFS目錄下的文件數及位置／212
13.11 闡述集群硬盤損壞后的詳細處理流程／213
13.12 闡述集群擴容后如何處理數據不均衡的現象／214
13.13 闡述運維人員如何避免開發人員誤刪數據／214
13.14 闡述大數據集群如何自動化擴容／215
13.15 闡述如何對大數據集群進行有效監控／216
13.16 闡述如何保證海量數據寫入HBase的及時性／216
13.17 簡述哪些情況會導致HBase Master發生故障／217
13.18 簡述哪些情況會導致HBase RegionServer發生故障／218
13.19 闡述Kafka如何選擇適當的分區數量／219
13.20 簡述Kafka分區是否可以增加或減少／220
第14章 大數據 人工智能
14.1 如何解釋大數據與人工智能之間的關系／221
14.2 闡述數據采集的作用以及數據質量對人工智能模型性能的
影響／222
14.3 當前流行的大型語言模型如何利用大數據進行訓練／223
14.4 AIGC、Sora等項目是如何將大數據與人工智能
相結合的／224
14.5 請解釋什么是數據驅動的人工智能／225
14.6 介紹一下常用的人工智能開發工具和平臺／225
14.7 闡述AI中的基本概念及其區別與聯系／226
14.8 數據預處理在人工智能中的作用是什么／227
14.9 如何評估人工智能模型的性能／229
14.10 闡述過擬合和欠擬合現象在機器學習中的含義及如何
解決／230
14.11 闡述在大數據環境中人工智能項目的倫理和
隱私問題／231
14.12 闡述數據可視化的作用并介紹一些常用的
工具和技術／232
14.13 闡述什么是監督學習、無監督學習和半監督學習／233
14.14 談談數據安全的挑戰和解決方案／234
14.15 如何有效地管理和處理大規模的數據集／235
14.16 闡述深度學習的應用及其在大數據環境中的挑戰和解決
方案／236
14.17 闡述強化學習的基本原理及其應用場景和優劣勢／237
14.18 如何利用大數據和人工智能技術來優化企業的運營和
決策／238
展開全部
大數據工程師面試筆試寶典 作者簡介
楊俊，資深大數據架構師和技術專家，擁有十余年的大數據開發經驗。精通Hadoop、Spark、Flink等主流大數據生態技術，尤其擅長Hadoop源碼級技術。參與并主導了十余個重量級大數據項目，曾在廣電數據咨詢公司擔任大數據架構師，負責大數據平臺的架構設計與實施，并構建了企業級數據倉庫。
暢銷書《實戰大數據（Hadoop Spark Flink）》和《Hadoop大數據技術基礎與應用》的作者。51CTO知名培訓講師，擁有30余萬粉絲，具有豐富的大數據技術培訓經驗。為數十家高校和企業提供過大數據技術課程培訓，包括首都經濟貿易大學、河北大學、北京交通大學等高校，以及中國移動、新華三（H3C）等知名企業。
書友推薦
- >
朝聞道
- >
小考拉的故事-套裝共3冊
- >
煙與鏡
- >
自卑與超越
- >
李白與唐代文化
- >
史學評論
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
名家帶你讀魯迅:朝花夕拾
本類暢銷
