高级ETL大数据工程师面试题

这部分面试题是用来面试高级ETL工程师的，初中级只需要问sql与kettle工具即可。
参考:大数据ETL之Kettle基本理论与安装部署

---

---

1. 当数据源与ODS为不同数据库类型时怎么办？

α 将源数据导出为文本文件，再将文件导入ODS【会增加传输步骤】
β 如果能建立ODBC连接则直接使用【会对源数据系统造成压力】

2. 直接连接数据库和使用ODBC连接各有什么优缺点？

	优点	缺点
直连(PL/SQL、COBOL等)	运行性能高	通用性差
ODBC	性能差	灵活性(不同数据库只需要换驱动)

3. ETL过程中基于安全考量，你觉得哪些步骤应该写到磁盘上？

*Staging Area(数据准备区)的每一步都要写到磁盘上
例如：连接源系统数据抽取阶段，将抽取的数据保存到数据准备区(类似于ODS)，而不是不让数据落地。

4. 有哪些方式实现增量抽取？

增量机制	支持类型	数据完备	抽取性能	源系统影响	实现难度
1.触发器	RMDB	高	优	大	容易
2.时间戳	RMDB，表具有时间字段	低	较优	很小	容易
3.全表对比	RMDB；文本格式	高	差	小	一般
4.日志表	RMDB	高	优	小	容易

5. 怎么评估大型ETL任务的数据加载时间？

数据加载分两大类，一个是初次全量加载；另一类是增量加载
全量加载：
α.分为抽取、转换、加载三部分，然后时间加起来
β.按数据总量的10%处理任务，然后总时间*10
增量加载：
α.可参考全量加载，但是因为增量数据量少，分析更容易
β.参考上一次增量的时间直接评估(增量每天/次的数据量是差不多的)

6. 举例说明一下ETL中有哪些元数据？

业务元数据：业务角度对数据的描述
技术元数据：技术角度对数据的描述，如数据类型、长度
过程处理元数据：ETL处理过程中的统计数据，如加载总记录数、失败总记录数

7. 你工作中有哪些方法验证ETL数据质量？

α.校验每天的记录数【>0】
β.Null和0的校验【null和0的记录总数不能超过当日新增的99%】
γ.每天新增记录的波动范围【范围可控】
δ.重复记录数校验【不可能两条数据完全一样】
ε.数据时间校验【数据采集时间小于当前时间】

8. ETL运行慢，可以从哪些方面进行分析？

α.CPU、内存、I/O、网络
β.代码导致的运行慢，隔离不同的操作逐步分析
隔离并执行抽取查询语句
去掉过滤条件
排除查找表的问题
分析排序和聚合操作
隔离并分析每一个计算和转换
隔离更新策略
检测加载数据的数据库I/O