字节跳动-数据仓库高级工程师面试

写在前面：

2020.05月份疫情期间面试整理，已斩offer，试用期现已转正。此时，借社区平台分享给大家！

思想和方法论：

• 如何建设数仓，如何构建主题域
  

• 缓慢变化维 几种处理方式

• 什么是维度建模，星型模型与雪花模型的区别

• 数仓的好处

• 分层的好处

• 怎么做数据质量，怎么保证及时性和准确性

• 什么是维度，什么是度量

• 如何数据治理？

• 三范式

• 数据仓库vs数据中台vs数据湖

• 做过实时数仓吗，讲一下

hadoop：

• MapReduce原理，map数、reduce数的参数
  

• 说一下 map join 与 reduce join

• hive sql怎么优化

• spark和hive的区别

• 数据倾斜几种解决方式

• 数据如何清洗

• 说一下udf、udtf、udaf ，集成的类、接口，怎么写

• hive文件存储格式，对比

• 内外表区别

• hive执行的job数是怎么确定的

Spark：

• join 实现有几种呢，源码有研究过吗？底层是怎么实现的
  

• shuffle形式有几种？都做哪些优化

• 是通过什么管理shuffle中的内存，磁盘的

• 讲讲spark内存模型？说说你了解这些，对实际的工作有什么帮助？

• rdd有哪些特性？

• 宽依赖，窄依赖都是什么？有什么不同？除了大家都认为的不同点以外，还有哪些不同？
  

• spark为什么比hive快

• 讲讲sparksql优化

• 讲讲RDD, DAG, Stage

• 说说groupByKey, reduceByKey

• spark是怎么读取文件的？

• 有没有遇到过spark读取文件，有一些task空跑的现象？

• 窗口函数中几个rank函数有啥不同

• parquet文件和orc文件有啥不同

shell：

• 字符串替换（sed）
  

• 本文逗号分隔输出第二列（awk）

       注：新浪也考过 awk输出并求和

python：

• 数组和列表的区别，什么是字典
  

• 什么是模块，有哪些内置模块

• 全局变量与局部变量

算法：

• 几种排序算法，说一下冒泡排序
  

• 堆vs栈
  

sql题：

• 手写7日留存
  

• 手写连续3日登陆

• 1000亿userid如何最高性能求uv
  

业务：

• 讲一个最复杂的业务场景
  

• 数据赋能，你如何体现数仓职位的价值
  

• 你能为我们带来什么？
  

往期推荐 

关注公众号回复："资料"，即可获得ClickHouse资料合集。