2023秋招——大数据研发工程师提前批一面

2023秋招百度提前批面经复盘，刚出炉，还是热乎的。

柳小葱

1663人浏览 · 2022-08-21 14:59:18

柳小葱 · 2022-08-21 14:59:18 发布

🌻最近在准备秋招，又到了面试的环节，我将会对秋招面试的问题进行一系列的复盘，在面试中一点一点成长。对往期内容感兴趣的小伙伴可以参考下面👇：

🌿这次面试的是百度大数据研发工程师的提前批，没有笔试，简历通过后直接面试，具体的业务方向是好像是自动驾驶。
在这里插入图片描述

1. 面试问题

1. 自我介绍

开局就是自我介绍，我有点生疏，语速有点快，等面试次数多了，就好了。

2. 介绍一下简历中的项目

我这里介绍的是一个flink的项目，介绍了这个项目的技术，datagen、kafak、flink、es和mysql，数据源为datagen，然后经过kafka消息队列的处理，输入到flink中进行计算，然后输出到mysql和es中进行一个可视化的过程。（这块我没有加入数据的业务逻辑，比如数据源的数据啥样、消息队列如何处理、flink中业务逻辑是什么、最终得到一个什么结果。）

3. 你的项目中提到了kafka，介绍一下你的项目为什么要用kafka，说一说kafka的作用？

我这里说了一下消息中间件的作用，异步和削峰的特点，不用处理完数据之后马上返回结果，达到一种异步的操作，然后还有就是可以处理某一时间段大量的数据输入，我们可以通过消息中间件进行缓存，需要处理的时候再处理。（我觉得我没说到kafka在流式数据处理中的作用，说的是消息队列本身的特点，我应该结合flink说一说）

4. kafka中的生产者的数据一致性保障是如何实现的？

问到这里，我说了幂等性和事务，但是生产者的幂等性和事务的具体实现是什么样子的，我没说出来（这个过程有点复杂，不记得了）

5. 说一说双流join？

我觉得这个名词很熟悉，但是不记得是啥原理，不会答（面试官应该认为我是实时开发的，所以前面问的都是实时相关的问题，我直接说我是离线开发之后，后面就开始说离线的问题了），后面问了一下别人，双流join就是两个流数据直接进行join，因为数据是不断变化的，可能一条流中的数据还没join上就流出去了，所以需要设定一个类似水位线的时间，来限制多久之内没join上，就直接流出去了。

6. 说一下HDFS中如果一个数据块突然坏掉了，会如何处理？

这里我从namenode和datanode的角度来说的，说客户段将数据划分为123m一块，存储在datanode上，datanode会进行备份，会返回每一份的地址给namenode，如果其中一个块坏掉了，会通知namenode从别的datanode上返回备份数据块。

7. 说一下spark和hadoop的区别？

我从map reduce和rdd算子的计算方式、基于内存和磁盘、shuffle中的分区排序和分区不排序做了一些讲解。

8. 介绍一下你在字节跳动做的项目？

七七八八说了一堆，我没有总结，感觉自己说的很乱。

9. 你在项目中遇到过什么困难吗？你是如何解决的？

这个问题好广泛啊，因为我做的需求都是零零碎碎的，我就从我做的业务需求难度、代码的复杂程度等问题进行说明（我觉得这个问题太范了，下次我应该总结几条）

10. 你遇到离线任务出错的情况是如何处理的？

我主要是提了一下我的处理流程：

首先看DAG图，看上游数据是否都成功到达。
都到达就重跑一遍，然后看看日志。
如果是资源不够，可以加资源，比如shuffle超出限制，资源紧张等等。

11. 你提到多是业务问题，有没有遇到过什么技术问题？

这一块我主要说的就是数据倾斜，把数据倾斜处理的手段说了一遍。

12. 你对sparksql优化有何经验？

这里我回答的很浅，像：比如先where后join、不要count distinct、不要select *、不要outer join（我这一块觉得很像如何避免数据倾斜）

13. 如果一个需求很复杂，你觉得应该如何去解决或者优化这个需求？

和需求方确定好，数据范围、包括字段、数据类型等等、然后自己探查和开发的时候碰见疑问，及时抛出来，一起对齐，巴拉巴拉说了一堆（我不知道这个问题的重点在哪）

14.如果一段sql运行很慢你觉得是什么原因？从关系型数据库的角度说一说，并解释一下应该如何处理。

脑子里的第一反应就是：资源不够、数据倾斜，但是感觉以及回答很多遍了，后面面试官叫我从关系型数据库的角度说一说，我就说，可能是数据量太大，应该分库分表，然后我就不会了，面试官也没追问什么。

15. 写一道sql题，窗口函数没问题吧？（下面题目是我记忆中的题目）

这道题主要是算出一个状态的开始时间和结束时间，只要头和尾
在这里插入图片描述
这道题我没写出来，但是有思路，就是lead函数，取下一个，然后打上标记，再判断，有点紧张，只写了个lead函数，然后把思路说了一下，后面复盘的时候就写出来了，还是比较有难度的，需要lead和lag

# 第一层的思路确实是lead函数，但是后面需要用lag函数，补充上一个状态最早的开始时间
SELECT 	if(release_time>lag(t1,1,null)over(ORDER BY release_time ),lag(t1,1,null)over(ORDER BY release_time ),release_time) min_time
				,t1,now_status
from(
		SELECT 	release_time,
						LEAD(release_time,1,null)over(ORDER BY release_time ) t1 ,
						now_status,
						LEAD(now_status,1,null)over(ORDER BY release_time ) s1,
						if(now_status=LEAD(now_status,1,null)over(ORDER BY release_time ),1,0) tag
		from status_info
)main
where tag=0

结果如下：
在这里插入图片描述