大数据面试题，
一题一题讲透

Flink

61 题

实时计算：状态、Checkpoint、Watermark、反压、Flink SQL

• Flink 任务出现反压，你怎么排查？
• Flink Checkpoint 经常失败，你怎么排查？
• Flink 的 Exactly-Once 是怎么实现的？

Spark

70 题

执行原理、Shuffle、内存、调优、Structured Streaming

• 你有遇到过 Spark 的数据倾斜吗？
• Spark Shuffle 为什么慢？怎么优化？
• Spark 任务 OOM，你怎么排查？

Kafka

58 题

可靠性、顺序、消费组、Rebalance、事务与幂等

• Kafka 消息积压了，你怎么排查？
• Kafka 如何保证消息不丢失？
• Kafka Consumer 频繁 Rebalance，你怎么排查？

项目与面试表达

82 题

自我介绍、项目怎么讲、追问应对、行为面试、面试官视角

• 项目中的技术选型，你怎么向面试官解释？
• 大数据面试怎么讲个人贡献？说参与了数仓建设为什么还不够？
• 大数据面试怎么讲一次线上故障？只说重跑恢复为什么不够？

Hadoop / Hive / HBase

73 题

HDFS、YARN、MapReduce、Hive 调优、HBase 设计

• Hive SQL 跑得很慢，你怎么排查？
• HDFS 小文件过多，怎么治理？
• Hive 分区表和分桶表有什么区别？

AI 与大模型

37 题

RAG、向量检索、Agent、大模型应用的数据链路

• RAG 知识库的数据链路怎么设计？
• RAG 文档切分 Chunking 怎么设计？
• RAG 为什么要做混合检索和重排？

OLAP 与数据湖

59 题

Doris、ClickHouse、Iceberg、Hudi、Paimon、列式存储

• 数据湖、数据仓库和湖仓一体有什么区别？
• 为什么列式存储更适合分析场景？
• Iceberg 的 Copy-on-Write 和 Merge-on-Read 怎么选？

数仓建模

115 题

分层、维度建模、事实表、拉链表、宽表、数仓项目

• 数仓分层怎么设计？
• 拉链表怎么设计？
• 数仓事实表的粒度怎么设计？

SQL 与数据库

112 题

窗口函数、JOIN、去重、留存漏斗、MySQL 索引与事务

• SQL Join 后数据量翻倍，你怎么排查？
• SQL 去重怎么做？DISTINCT 和 ROW_NUMBER 怎么选？
• SQL EXISTS、IN 和 JOIN 怎么选？

数据应用：画像 / 指标 / 报表

62 题

用户画像、标签体系、指标管理与口径、报表与 BI

• 指标平台和语义层怎么设计？
• 指标口径变更后，历史报表怎么兼容？
• 面试官问「介绍一下你做的用户画像项目」——怎么用STAR法则讲清楚？

数据开发与治理

100 题

数据质量、血缘、采集同步与 CDC、调度、幂等、回刷对账

• 数据质量检查怎么设计？
• 离线任务出现重复数据，你怎么排查？
• CDC 增量同步如何保证不丢不重？

Java 与 JVM

19 题

大数据岗的 Java：JVM、GC、并发、序列化、类加载

• Flink作业频繁Full GC导致Checkpoint超时——JVM内存模型和GC原理
• 线上Spark Executor用的G1还是CMS？——垃圾回收器选型和调优
• HashMap在多线程下死循环了——HashMap底层原理和线程安全

Python

19 题

数据处理场景：PySpark、Pandas、GIL、内存与性能

• PySpark的DataFrame和Pandas有什么区别？——Python在大数据中的定位
• 列表推导式比for循环快3倍——list/dict/set底层原理
• 一个字典居然占了200MB——Python对象的内存模型

Linux 与运维

20 题

大数据排障常用的 Linux：磁盘、内存、网络、进程、Shell

• 线上日志一天50G，只会tail -f和grep？——一次故障10分钟锁定问题日志
• 某台机器CPU飙到100%，top进去看到java进程——怎么一步步定位到哪行代码？
• free -h 里的 available 和 free 差了20G——Linux内存到底怎么看？OOM killer杀谁？

分布式与综合

14 题

分布式理论、架构取舍、业务分析与综合题

• Lambda 架构和 Kappa 架构怎么选？
• 订单级优惠和运费，怎么分摊到商品明细？
• CAP 定理怎么解释？为什么不能简单说三选二？