劍譜總綱 | 大數據方向學習面試知識圖譜

<u>關注個人公衆號，後臺回覆【JAVAPDF】獲取200頁面試題！</u>
5萬人關注的大數據成神之路，不來了解一下嗎？
5萬人關注的大數據成神之路，真的不來了解一下嗎？
5萬人關注的大數據成神之路，肯定真的不來了解一下嗎？

歡迎您關注《大數據成神之路》

願讀到這篇文章的技術人早日明白而且脫離技術自己，早登彼岸。
一切技術最終只是雕蟲小技。

大綱

本系列主題是大數據開發面試指南，旨在爲你們提供一個大數據學習的基本路線，完善數據開發的技術棧，以及咱們面試一個大數據開發崗位的時候，哪些東西是重點考察的，這些公司更但願面試者具有哪些技能。
本文不會對某一個知識點進行詳細的展開，後續會陸續出專題文章，但願讀者能當成一個學習或者複習的大綱，用以查漏補缺。

語言基礎篇

Java基礎篇
整個大數據開發技術棧咱們從實時性的角度來看，主要包含了離線計算和實時計算兩大部分，而整個大數據生態中的框架絕大部分都是用 Java 開發或者兼容了 Java 的 API 調用，那麼做爲基於 JVM 的第一語言 Java 就是咱們繞不過去的坎，Java 語言的基礎也是咱們閱讀源碼和進行代碼調優的基礎。
Java 基礎主要包含如下部分：

• 語言基礎
• 鎖
• 多線程
• 併發包中經常使用的併發容器（J.U.C）

語言基礎

Java 的面向對象
Java 語言的三大特徵：封裝、繼承和多態
Java 語言數據類型
Java 的自動類型轉換，強制類型轉換
String 的不可變性，虛擬機的常量池，String.intern() 的底層原理
Java 語言中的關鍵字：final、static、transient、instanceof、volatile、synchronized的底層原理
Java 中經常使用的集合類的實現原理：ArrayList/LinkedList/Vector、SynchronizedList/Vector、HashMap/HashTable/ConcurrentHashMap 互相的區別以及底層實現原理
動態代理的實現方式

鎖

CAS、樂觀鎖與悲觀鎖、數據庫相關鎖機制、分佈式鎖、偏向鎖、輕量級鎖、重量級鎖、monitor
鎖優化、鎖消除、鎖粗化、自旋鎖、可重入鎖、阻塞鎖、死鎖
死鎖的緣由
死鎖的解決辦法
CountDownLatch、CyclicBarrier 和 Semaphore 三個類的使用和原理

多線程

併發和並行的區別
線程與進程的區別
線程的實現、線程的狀態、優先級、線程調度、建立線程的多種方式、守護線程
本身設計線程池、submit() 和 execute()、線程池原理
爲何不容許使用 Executors 建立線程池
死鎖、死鎖如何排查、線程安全和內存模型的關係
ThreadLocal 變量
Executor 建立線程池的幾種方式：
newFixedThreadPool(int nThreads)
newCachedThreadPool()
newSingleThreadExecutor()
newScheduledThreadPool(int corePoolSize)
newSingleThreadExecutor()
ThreadPoolExecutor 建立線程池、拒絕策略
線程池關閉的方式

併發容器（J.U.C）

JUC 包中 List 接口的實現類：CopyOnWriteArrayList
JUC 包中 Set 接口的實現類：CopyOnWriteArraySet、ConcurrentSkipListSet
JUC 包中 Map 接口的實現類：ConcurrentHashMap、ConcurrentSkipListMap
JUC包中Queue接口的實現類：ConcurrentLinkedQueue、ConcurrentLinkedDeque、ArrayBlockingQueue、LinkedBlockingQueue、LinkedBlockingDeque

Java 進階篇

進階篇部分是對 Java 基礎篇的補充，這部份內容是咱們熟讀大數據框架的源碼必備的技能，也是咱們在面試高級職位的時候的面試重災區。

JVM

JVM 內存結構
class 文件格式、運行時數據區：堆、棧、方法區、直接內存、運行時常量池
堆和棧區別
Java 中的對象必定在堆上分配嗎？
Java 內存模型
計算機內存模型、緩存一致性、MESI 協議、可見性、原子性、順序性、happens-before、內存屏障、synchronized、volatile、final、鎖
垃圾回收
GC 算法：標記清除、引用計數、複製、標記壓縮、分代回收、增量式回收、GC 參數、對象存活的斷定、垃圾收集器（CMS、G一、ZGC、Epsilon）
JVM 參數及調優
-Xmx、-Xmn、-Xms、Xss、-XX:SurvivorRatio、-XX:PermSize、-XX:MaxPermSize、-XX:MaxTenuringThreshold
Java 對象模型
oop-klass、對象頭
HotSpot
即時編譯器、編譯優化
虛擬機性能監控與故障處理工具
jps、jstack、jmap、jstat、jconsole、 jinfo、 jhat、javap、btrace、TProfiler、Arthas
類加載機制
classLoader、類加載過程、雙親委派（破壞雙親委派）、模塊化（jboss modules、osgi、jigsaw）

NIO

用戶空間以及內核空間
Linux 網絡 I/O 模型：阻塞 I/O (Blocking I/O)、非阻塞 I/O (Non-Blocking I/O)、I/O 複用（I/O Multiplexing)、信號驅動的 I/O (Signal Driven I/O)、異步 I/O
靈拷貝（ZeroCopy）
BIO 與 NIO 對比
緩衝區 Buffer
通道 Channel
反應堆
選擇器
AIO

RPC

RPC 的原理編程模型
經常使用的 RPC 框架：Thrift、Dubbo、SpringCloud
RPC 的應用場景和與消息隊列的差異
RPC 核心技術點：服務暴露、遠程代理對象、通訊、序列化

Linux 基礎

瞭解 Linux 的經常使用命令
遠程登陸
上傳下載
系統目錄
文件和目錄操做
Linux 下的權限體系
壓縮和打包
用戶和組
Shell 腳本的編寫
管道操做

分佈式理論篇

分佈式中的一些基本概念：集羣（Cluster）、負載均衡（Load Balancer）等
分佈式系統理論基礎：一致性、2PC 和 3PC
分佈式系統理論基礎：CAP
分佈式系統理論基礎：時間、時鐘和事件順序
分佈式系統理論進階：Paxos
分佈式系統理論進階：Raft、Zab
分佈式系統理論進階：選舉、多數派和租約
分佈式鎖的解決方案
分佈式事務的解決方案
分佈式 ID 生成器解決方案

大數據框架網絡通訊基石——Netty

Netty 是當前最流行的 NIO 框架，Netty 在互聯網領域、大數據分佈式計算領域、遊戲行業、通訊行業等得到了普遍的應用，業界著名的開源組件只要涉及到網絡通訊，Netty 是最佳的選擇。
關於 Netty 咱們要掌握：
Netty 三層網絡架構：Reactor 通訊調度層、職責鏈 PipeLine、業務邏輯處理層

Netty 的線程調度模型

序列化方式

鏈路有效性檢測

流量整形

優雅停機策略

Netty 對 SSL/TLS 的支持

Netty 的源碼質量極高，推薦對部分的核心代碼進行閱讀：

Netty 的 Buffer

Netty 的 Reactor

Netty 的 Pipeline

Netty 的 Handler 綜述

Netty 的 ChannelHandler

Netty 的 LoggingHandler

Netty 的 TimeoutHandler

Netty 的 CodecHandler

Netty 的 MessageToByteEncoder

離線計算

Hadoop 體系是咱們學習大數據框架的基石，尤爲是 MapReduce、HDFS、Yarn 三駕馬車基本墊定了整個數據方向的發展道路。也是後面咱們學習其餘框架的基礎，關於 Hadoop 自己咱們應該掌握哪些呢？

MapReduce：

掌握 MapReduce 的工做原理

能用 MapReduce 手寫代碼實現簡單的 WordCount 或者 TopN 算法

掌握 MapReduce Combiner 和 Partitioner的做用

熟悉 Hadoop 集羣的搭建過程，而且能解決常見的錯誤

熟悉 Hadoop 集羣的擴容過程和常見的坑

如何解決 MapReduce 的數據傾斜

Shuffle 原理和減小 Shuffle 的方法

HDFS：

十分熟悉 HDFS 的架構圖和讀寫流程

十分熟悉 HDFS 的配置

熟悉 DataNode 和 NameNode 的做用

NameNode 的 HA 搭建和配置，Fsimage 和 EditJournal 的做用的場景

HDFS 操做文件的經常使用命令

HDFS 的安全模式

Yarn：

Yarn 的產生背景和架構

Yarn 中的角色劃分和各自的做用

Yarn 的配置和經常使用的資源調度策略

Yarn 進行一次任務資源調度的過程

OLAP 引擎 Hive

Hive 是一個數據倉庫基礎工具，在 Hadoop 中用來處理結構化數據。它架構在 Hadoop 之上，總歸爲大數據，並使得查詢和分析方便。Hive 是應用最普遍的 OLAP 框架。Hive SQL 也是咱們進行 SQL 開發用的最多的框架。
關於 Hive 你必須掌握的知識點以下：
HiveSQL 的原理：咱們都知道 HiveSQL 會被翻譯成 MapReduce 任務執行，那麼一條 SQL 是如何翻譯成 MapReduce 的？

Hive 和普通關係型數據庫有什麼區別？

Hive 支持哪些數據格式

Hive 在底層是如何存儲 NULL 的

HiveSQL 支持的幾種排序各表明什麼意思（Sort By/Order By/Cluster By/Distrbute By）

Hive 的動態分區

HQL 和 SQL 有哪些常見的區別

Hive 中的內部表和外部表的區別

Hive 表進行關聯查詢如何解決長尾和數據傾斜問題

HiveSQL 的優化（系統參數調整、SQL 語句優化）

列式數據庫 Hbase

咱們在提到列式數據庫這個概念的時候，第一反應就是 Hbase。
HBase 本質上是一個數據模型，相似於谷歌的大表設計，能夠提供快速隨機訪問海量結構化數據。它利用了 Hadoop 的文件系統（HDFS）提供的容錯能力。
它是 Hadoop 的生態系統，提供對數據的隨機實時讀/寫訪問，是 Hadoop 文件系統的一部分。
咱們能夠直接或經過 HBase 的存儲 HDFS 數據。使用 HBase 在 HDFS 讀取消費/隨機訪問數據。 HBase 在 Hadoop 的文件系統之上，並提供了讀寫訪問。
HBase 是一個面向列的數據庫，在表中它由行排序。表模式定義只能列族，也就是鍵值對。一個表有多個列族以及每個列族能夠有任意數量的列。後續列的值連續地存儲在磁盤上。表中的每一個單元格值都具備時間戳。總之，在一個 HBase：表是行的集合、行是列族的集合、列族是列的集合、列是鍵值對的集合。
關於 Hbase 你須要掌握：
Hbase 的架構和原理

Hbase 的讀寫流程

Hbase 有沒有併發問題？Hbase 如何實現本身的 MVVC 的？

Hbase 中幾個重要的概念：HMaster、RegionServer、WAL 機制、MemStore

Hbase 在進行表設計過程當中如何進行列族和 RowKey 的設計

Hbase 的數據熱點問題發現和解決辦法

提升 Hbase 的讀寫性能的通用作法

HBase 中 RowFilter 和 BloomFilter 的原理

Hbase API 中常見的比較器

Hbase 的預分區

Hbase 的 Compaction

Hbase 集羣中 HRegionServer 宕機如何解決

實時計算篇

分佈式消息隊列 Kafka

Kafka 是最初由 Linkedin 公司開發，是一個分佈式、支持分區的（partition）、多副本的（replica）的分佈式消息系統，它的最大的特性就是能夠實時的處理大量數據以知足各類需求場景：好比基於 Hadoop 的批處理系統、低延遲的實時系統、Spark 流式處理引擎，Nginx 日誌、訪問日誌，消息服務等等，用 Scala 語言編寫，Linkedin 於 2010 年貢獻給了 Apache 基金會併成爲頂級開源項目。
Kafka 或者相似 Kafka 各個公司本身造的消息'輪子'已是大數據領域消息中間件的事實標準。目前 Kafka 已經更新到了 2.x 版本，支持了相似 KafkaSQL 等功能，Kafka 不知足單純的消息中間件，也正朝着平臺化的方向演進。
關於 Kafka 咱們須要掌握：
Kafka 的特性和使用場景

Kafka 中的一些概念：Leader、Broker、Producer、Consumer、Topic、Group、Offset、Partition、ISR

Kafka 的總體架構

Kafka 選舉策略

Kafka 讀取和寫入消息過程當中都發生了什麼

Kakfa 如何進行數據同步（ISR）

Kafka 實現分區消息順序性的原理

消費者和消費組的關係

消費 Kafka 消息的 Best Practice（最佳實踐）是怎樣的

Kafka 如何保證消息投遞的可靠性和冪等性

Kafka 消息的事務性是如何實現的

如何管理 Kafka 消息的 Offset

Kafka 的文件存儲機制

Kafka 是如何支持 Exactly-once 語義的

一般 Kafka 還會要求和 RocketMQ 等消息中間件進行比較

Spark

Spark 是專門爲大數據處理設計的通用計算引擎，是一個實現快速通用的集羣計算平臺。它是由加州大學伯克利分校 AMP 實驗室開發的通用內存並行計算框架，用來構建大型的、低延遲的數據分析應用程序。它擴展了普遍使用的 MapReduce 計算模型。高效的支撐更多計算模式，包括交互式查詢和流處理。Spark 的一個主要特色是可以在內存中進行計算，即便依賴磁盤進行復雜的運算，Spark 依然比 MapReduce 更加高效。
Spark 生態包含了：Spark Core、Spark Streaming、Spark SQL、Structured Streming 和機器學習相關的庫等。
學習 Spark 咱們應該掌握：
（1）Spark Core：
Spark的集羣搭建和集羣架構（Spark 集羣中的角色）

Spark Cluster 和 Client 模式的區別

Spark 的彈性分佈式數據集 RDD

Spark DAG（有向無環圖）

掌握 Spark RDD 編程的算子 API（Transformation 和 Action 算子）

RDD 的依賴關係，什麼是寬依賴和窄依賴

RDD 的血緣機制

Spark 核心的運算機制

Spark 的任務調度和資源調度

Spark 的 CheckPoint 和容錯

Spark 的通訊機制

Spark Shuffle 原理和過程

（2）Spark Streaming：
原理剖析（源碼級別）和運行機制

Spark Dstream 及其 API 操做

Spark Streaming 消費 Kafka 的兩種方式

Spark 消費 Kafka 消息的 Offset 處理

數據傾斜的處理方案

Spark Streaming 的算子調優

並行度和廣播變量

Shuffle 調優

（3）Spark SQL：
Spark SQL 的原理和運行機制

Catalyst 的總體架構

Spark SQL 的 DataFrame

Spark SQL 的優化策略：內存列式存儲和內存緩存表、列存儲壓縮、邏輯查詢優化、Join 的優化
（4）Structured Streaming
Spark 從 2.3.0 版本開始支持 Structured Streaming，它是一個創建在 Spark SQL 引擎之上可擴展且容錯的流處理引擎，統一了批處理和流處理。正是 Structured Streaming 的加入使得 Spark 在統一流、批處理方面能和 Flink 平起平坐。
咱們須要掌握：
Structured Streaming 的模型

Structured Streaming 的結果輸出模式

事件時間（Event-time）和延遲數據（Late Data）

窗口操做

水印

容錯和數據恢復

Spark Mlib：
本部分是 Spark 對機器學習支持的部分，咱們學有餘力的同窗能夠了解一下 Spark 對經常使用的分類、迴歸、聚類、協同過濾、降維以及底層的優化原語等算法和工具。能夠嘗試本身使用 Spark Mlib 作一些簡單的算法應用。

Flink

Apache Flink（如下簡稱 Flink）項目是大數據處理領域最近冉冉升起的一顆新星，其不一樣於其餘大數據項目的諸多特性吸引了愈來愈多人的關注。尤爲是 2019 年初 Blink 開源將 Flink 的關注度提高到了史無前例的程度。
那麼關於 Flink 這個框架咱們應該掌握哪些核心知識點？
Flink 集羣的搭建

Flink 的架構原理

Flink 的編程模型

Flink 集羣的 HA 配置

Flink DataSet 和 DataSteam API

序列化

Flink 累加器

狀態 State 的管理和恢復

窗口和時間

並行度

Flink 和消息中間件 Kafka 的結合

Flink Table 和 SQL 的原理和用法

另外這裏重點講一下，阿里巴巴 Blink 對 SQL 的支持，在阿里雲官網上能夠看到，Blink 部分最引覺得傲的就是對 SQL 的支持，那麼 SQL 中最多見的兩個問題：1.雙流 JOIN 問題，2.State 失效問題也是咱們關注的重點。

大數據算法

本部分的算法包含兩個部分。第一部分是：面試中針對大數據處理的經常使用算法題；第二部分是：經常使用的機器學習和數據挖掘算法。
咱們重點講第一部分，第二部分咱們學有餘力的同窗能夠去接觸一些，在面試的過程當中也能夠算是一個亮點。
常見的大數據算法問題：
兩個超大文件找共同出現的單詞

海量數據求 TopN

海量數據找出不重複的數據

布隆過濾器

bit-map

堆

字典樹

倒排索引

企業指望的你是什麼樣子？

咱們先來看幾個典型的 BAT 招聘大數據開發工程師的要求：

以上三則招聘分別來自百度阿里和騰訊，那麼咱們把他們的要求分類概括：
1~2 門語言基礎

紮實的後臺開發基礎

離線計算方向（Hadoop/Hbase/Hive 等）

實時計算方向（Spark/Flink/Kafka 等）

知識面更寬優先（對口經驗 + 其餘）

若是你是 Apache 頂級項目的 Committer 那麼恭喜你，你將會是各大公司競相挖角對象。
咱們在寫簡歷時應該注意什麼？
我曾經做爲面試官面試過不少人，我認爲一個比較優秀的簡歷應該包含：
漂亮的排版，杜絕使用 word，格式化的模板，推薦使用 MarkDown 生成 PDF

不要堆砌技術名詞，不會的不瞭解的不要寫，不然你會被虐的體無完膚

1~2 個突出的項目經歷，不要讓你的簡歷看起來像Demo同樣淺顯

寫在簡歷上的項目我建議你要熟悉每個細節，即便不是你開發的也要知道是如何實現的

若是有一段知名企業的實習或者工做經歷那麼是很大的加分

技術深度和廣度？
在技術方向，你們更喜歡一專多能，深度廣度兼具的同窗，固然這個要求已經很高了。可是最起碼應該作到的是，你用到的技術不只要熟悉如何使用，也應該要知曉原理。
若是你曾經做爲組內的核心開發或者技術 leader 那麼要突出本身的技術優點和前瞻性，不只要熟悉使用如今已經有的輪子的優劣，也要對將來的技術發展有必定的前瞻性和預見性。
如何投遞簡歷？
最建議的方式是直接找到招聘組的負責人或者讓同窗或者同事內推。

歡迎掃碼關注個人公衆號，回覆【JAVAPDF】能夠得到一份200頁秋招面試題！