大数据基础

语言基础

Java基础篇

Java 基础主要包含以下部分：

• 语言基础
• 锁
• 多线程
• 并发包中常用的并发容器（J.U.C）

语言基础

• Java 的面向对象
• Java 语言的三大特征：封装、继承和多态
• Java 语言数据类型
• Java 的自动类型转换，强制类型转换
• String 的不可变性，虚拟机的常量池，String.intern() 的底层原理
• Java 语言中的关键字：final、static、transient、instanceof、volatile、synchronized的底层原理
• Java 中常用的集合类的实现原理：ArrayList/LinkedList/Vector、SynchronizedList/Vector、HashMap/HashTable/ConcurrentHashMap 互相的区别以及底层实现原理
• 动态代理的实现方式

锁

• CAS、乐观锁与悲观锁、数据库相关锁机制、分布式锁、偏向锁、轻量级锁、重量级锁、monitor
• 锁优化、锁消除、锁粗化、自旋锁、可重入锁、阻塞锁、死锁
• 死锁的原因
• 死锁的解决办法
• CountDownLatch、CyclicBarrier 和 Semaphore 三个类的使用和原理

多线程

• 并发和并行的区别
• 线程与进程的区别
• 线程的实现、线程的状态、优先级、线程调度、创建线程的多种方式、守护线程
• 自己设计线程池、submit() 和 execute()、线程池原理
• 为什么不允许使用 Executors 创建线程池
• 死锁、死锁如何排查、线程安全和内存模型的关系
• ThreadLocal 变量
• Executor 创建线程池的几种方式：
  • newFixedThreadPool(int nThreads)
  • newCachedThreadPool()
  • newSingleThreadExecutor()
  • newScheduledThreadPool(int corePoolSize)
  • newSingleThreadExecutor()
• ThreadPoolExecutor 创建线程池、拒绝策略
• 线程池关闭的方式

并发容器（J.U.C）

• JUC 包中 List 接口的实现类：CopyOnWriteArrayList
• JUC 包中 Set 接口的实现类：CopyOnWriteArraySet、ConcurrentSkipListSet
• JUC 包中 Map 接口的实现类：ConcurrentHashMap、ConcurrentSkipListMap
• JUC包中Queue接口的实现类：ConcurrentLinkedQueue、ConcurrentLinkedDeque、ArrayBlockingQueue、LinkedBlockingQueue、LinkedBlockingDeque

Java 进阶篇

进阶篇部分是对 Java 基础篇的补充，这部分内容是我们熟读大数据框架的源码必备的技能，也是我们在面试高级职位的时候的面试重灾区。

JVM

JVM 内存结构

class 文件格式、运行时数据区：堆、栈、方法区、直接内存、运行时常量池

堆和栈区别

Java 中的对象一定在堆上分配吗？

Java 内存模型

计算机内存模型、缓存一致性、MESI 协议、可见性、原子性、顺序性、happens-before、内存屏障、synchronized、volatile、final、锁

垃圾回收

GC 算法：标记清除、引用计数、复制、标记压缩、分代回收、增量式回收、GC 参数、对象存活的判定、垃圾收集器（CMS、G1、ZGC、Epsilon）

JVM 参数及调优

-Xmx、-Xmn、-Xms、Xss、-XX:SurvivorRatio、-XX:PermSize、-XX:MaxPermSize、-XX:MaxTenuringThreshold

Java 对象模型

oop-klass、对象头

HotSpot

即时编译器、编译优化

虚拟机性能监控与故障处理工具

jps、jstack、jmap、jstat、jconsole、 jinfo、 jhat、javap、btrace、TProfiler、Arthas

类加载机制

classLoader、类加载过程、双亲委派（破坏双亲委派）、模块化（jboss modules、osgi、jigsaw）

NIO

• 用户空间以及内核空间
• Linux 网络 I/O 模型：阻塞 I/O (Blocking I/O)、非阻塞 I/O (Non-Blocking I/O)、I/O 复用（I/O Multiplexing)、信号驱动的 I/O (Signal Driven I/O)、异步 I/O
• 灵拷贝（ZeroCopy）
• BIO 与 NIO 对比
• 缓冲区 Buffer
• 通道 Channel
• 反应堆
• 选择器
• AIO

RPC

• RPC 的原理编程模型
• 常用的 RPC 框架：Thrift、Dubbo、SpringCloud
• RPC 的应用场景和与消息队列的差别
• RPC 核心技术点：服务暴露、远程代理对象、通信、序列化

Linux 基础

• 了解 Linux 的常用命令
• 远程登录
• 上传下载
• 系统目录
• 文件和目录操作
• Linux 下的权限体系
• 压缩和打包
• 用户和组
• Shell 脚本的编写
• 管道操作

分布式理论篇

• 分布式中的一些基本概念：集群（Cluster）、负载均衡（Load Balancer）等
• 分布式系统理论基础：一致性、2PC 和 3PC
• 分布式系统理论基础：CAP
• 分布式系统理论基础：时间、时钟和事件顺序
• 分布式系统理论进阶：Paxos
• 分布式系统理论进阶：Raft、Zab
• 分布式系统理论进阶：选举、多数派和租约
• 分布式锁的解决方案
• 分布式事务的解决方案
• 分布式 ID 生成器解决方案

大数据框架网络通信基石——Netty

Netty 是当前最流行的 NIO 框架，Netty 在互联网领域、大数据分布式计算领域、游戏行业、通信行业等获得了广泛的应用，业界著名的开源组件只要涉及到网络通信，Netty 是最佳的选择。

关于 Netty 我们要掌握：

• Netty 三层网络架构：Reactor 通信调度层、职责链 PipeLine、业务逻辑处理层
• Netty 的线程调度模型
• 序列化方式
• 链路有效性检测
• 流量整形
• 优雅停机策略
• Netty 对 SSL/TLS 的支持
• Netty 的源码质量极高，推荐对部分的核心代码进行阅读：
• Netty 的 Buffer
• Netty 的 Reactor
• Netty 的 Pipeline
• Netty 的 Handler 综述
• Netty 的 ChannelHandler
• Netty 的 LoggingHandler
• Netty 的 TimeoutHandler
• Netty 的 CodecHandler
• Netty 的 MessageToByteEncoder

离线计算

Hadoop 体系是我们学习大数据框架的基石，尤其是 MapReduce、HDFS、Yarn 三驾马车基本垫定了整个数据方向的发展道路。也是后面我们学习其他框架的基础，关于 Hadoop 本身我们应该掌握哪些呢？

MapReduce：

• 掌握 MapReduce 的工作原理
• 能用 MapReduce 手写代码实现简单的 WordCount 或者 TopN 算法
• 掌握 MapReduce Combiner 和 Partitioner的作用
• 熟悉 Hadoop 集群的搭建过程，并且能解决常见的错误
• 熟悉 Hadoop 集群的扩容过程和常见的坑
• 如何解决 MapReduce 的数据倾斜
• Shuffle 原理和减少 Shuffle 的方法

HDFS：

• 十分熟悉 HDFS 的架构图和读写流程
• 十分熟悉 HDFS 的配置
• 熟悉 DataNode 和 NameNode 的作用
• NameNode 的 HA 搭建和配置，Fsimage 和 EditJournal 的作用的场景
• HDFS 操作文件的常用命令
• HDFS 的安全模式

Yarn：

• Yarn 的产生背景和架构
• Yarn 中的角色划分和各自的作用
• Yarn 的配置和常用的资源调度策略
• Yarn 进行一次任务资源调度的过程

OLAP 引擎 Hive

Hive 是一个数据仓库基础工具，在 Hadoop 中用来处理结构化数据。它架构在 Hadoop 之上，总归为大数据，并使得查询和分析方便。Hive 是应用最广泛的 OLAP 框架。Hive SQL 也是我们进行 SQL 开发用的最多的框架。

关于 Hive 你必须掌握的知识点如下：

• HiveSQL 的原理：我们都知道 HiveSQL 会被翻译成 MapReduce 任务执行，那么一条 SQL 是如何翻译成 MapReduce 的？
• Hive 和普通关系型数据库有什么区别？
• Hive 支持哪些数据格式
• Hive 在底层是如何存储 NULL 的
• HiveSQL 支持的几种排序各代表什么意思（Sort By/Order By/Cluster By/Distrbute By）
• Hive 的动态分区
• HQL 和 SQL 有哪些常见的区别
• Hive 中的内部表和外部表的区别
• Hive 表进行关联查询如何解决长尾和数据倾斜问题
• HiveSQL 的优化（系统参数调整、SQL 语句优化）

列式数据库 HBase

我们在提到列式数据库这个概念的时候，第一反应就是 Hbase。

HBase 本质上是一个数据模型，类似于谷歌的大表设计，可以提供快速随机访问海量结构化数据。它利用了 Hadoop 的文件系统（HDFS）提供的容错能力。

它是 Hadoop 的生态系统，提供对数据的随机实时读/写访问，是 Hadoop 文件系统的一部分。

我们可以直接或通过 HBase 的存储 HDFS 数据。使用 HBase 在 HDFS 读取消费/随机访问数据。 HBase 在 Hadoop 的文件系统之上，并提供了读写访问。

HBase 是一个面向列的数据库，在表中它由行排序。表模式定义只能列族，也就是键值对。一个表有多个列族以及每一个列族可以有任意数量的列。后续列的值连续地存储在磁盘上。表中的每个单元格值都具有时间戳。总之，在一个 HBase：表是行的集合、行是列族的集合、列族是列的集合、列是键值对的集合。

关于 Hbase 你需要掌握：

• Hbase 的架构和原理
• Hbase 的读写流程
• Hbase 有没有并发问题？Hbase 如何实现自己的 MVVC 的？
• Hbase 中几个重要的概念：HMaster、RegionServer、WAL 机制、MemStore
• Hbase 在进行表设计过程中如何进行列族和 RowKey 的设计
• Hbase 的数据热点问题发现和解决办法
• 提高 Hbase 的读写性能的通用做法
• HBase 中 RowFilter 和 BloomFilter 的原理
• Hbase API 中常见的比较器
• Hbase 的预分区
• Hbase 的 Compaction
• Hbase 集群中 HRegionServer 宕机如何解决

实时计算篇

分布式消息队列 Kafka

Kafka 是最初由 Linkedin 公司开发，是一个分布式、支持分区的（partition）、多副本的（replica）的分布式消息系统，它的最大的特性就是可以实时的处理大量数据以满足各种需求场景：比如基于 Hadoop 的批处理系统、低延迟的实时系统、Spark 流式处理引擎，Nginx 日志、访问日志，消息服务等等，用 Scala 语言编写，Linkedin 于 2010 年贡献给了 Apache 基金会并成为顶级开源项目。

Kafka 或者类似 Kafka 各个公司自己造的消息'轮子'已经是大数据领域消息中间件的事实标准。目前 Kafka 已经更新到了 2.x 版本，支持了类似 KafkaSQL 等功能，Kafka 不满足单纯的消息中间件，也正朝着平台化的方向演进。

关于 Kafka 我们需要掌握：

• Kafka 的特性和使用场景
• Kafka 中的一些概念：Leader、Broker、Producer、Consumer、Topic、Group、Offset、Partition、ISR
• Kafka 的整体架构
• Kafka 选举策略
• Kafka 读取和写入消息过程中都发生了什么
• Kakfa 如何进行数据同步（ISR）
• Kafka 实现分区消息顺序性的原理
• 消费者和消费组的关系
• 消费 Kafka 消息的 Best Practice（最佳实践）是怎样的
• Kafka 如何保证消息投递的可靠性和幂等性
• Kafka 消息的事务性是如何实现的
• 如何管理 Kafka 消息的 Offset
• Kafka 的文件存储机制
• Kafka 是如何支持 Exactly-once 语义的
• 通常 Kafka 还会要求和 RocketMQ 等消息中间件进行比较

Spark

Spark 是专门为大数据处理设计的通用计算引擎，是一个实现快速通用的集群计算平台。它是由加州大学伯克利分校 AMP 实验室开发的通用内存并行计算框架，用来构建大型的、低延迟的数据分析应用程序。它扩展了广泛使用的 MapReduce 计算模型。高效的支撑更多计算模式，包括交互式查询和流处理。Spark 的一个主要特点是能够在内存中进行计算，即使依赖磁盘进行复杂的运算，Spark 依然比 MapReduce 更加高效。

Spark 生态包含了：Spark Core、Spark Streaming、Spark SQL、Structured Streming 和机器学习相关的库等。

学习 Spark 我们应该掌握：

（1）Spark Core：

• Spark的集群搭建和集群架构（Spark 集群中的角色）
• Spark Cluster 和 Client 模式的区别
• Spark 的弹性分布式数据集 RDD
• Spark DAG（有向无环图）
• 掌握 Spark RDD 编程的算子 API（Transformation 和 Action 算子）
• RDD 的依赖关系，什么是宽依赖和窄依赖
• RDD 的血缘机制
• Spark 核心的运算机制
• Spark 的任务调度和资源调度
• Spark 的 CheckPoint 和容错
• Spark 的通信机制
• Spark Shuffle 原理和过程

（2）Spark Streaming：

• 原理剖析（源码级别）和运行机制
• Spark Dstream 及其 API 操作
• Spark Streaming 消费 Kafka 的两种方式
• Spark 消费 Kafka 消息的 Offset 处理
• 数据倾斜的处理方案
• Spark Streaming 的算子调优
• 并行度和广播变量
• Shuffle 调优

（3）Spark SQL：

• Spark SQL 的原理和运行机制
• Catalyst 的整体架构
• Spark SQL 的 DataFrame

Spark SQL 的优化策略：内存列式存储和内存缓存表、列存储压缩、逻辑查询优化、Join 的优化

（4）Structured Streaming

Spark 从 2.3.0 版本开始支持 Structured Streaming，它是一个建立在 Spark SQL 引擎之上可扩展且容错的流处理引擎，统一了批处理和流处理。正是 Structured Streaming 的加入使得 Spark 在统一流、批处理方面能和 Flink 分庭抗礼。

我们需要掌握：

• Structured Streaming 的模型
• Structured Streaming 的结果输出模式
• 事件时间（Event-time）和延迟数据（Late Data）
• 窗口操作
• 水印
• 容错和数据恢复

Spark Mlib：

本部分是 Spark 对机器学习支持的部分，我们学有余力的同学可以了解一下 Spark 对常用的分类、回归、聚类、协同过滤、降维以及底层的优化原语等算法和工具。可以尝试自己使用 Spark Mlib 做一些简单的算法应用。

Flink

Apache Flink（以下简称 Flink）项目是大数据处理领域最近冉冉升起的一颗新星，其不同于其他大数据项目的诸多特性吸引了越来越多人的关注。尤其是 2019 年初 Blink 开源将 Flink 的关注度提升到了前所未有的程度。

那么关于 Flink 这个框架我们应该掌握哪些核心知识点？

• Flink 集群的搭建
• Flink 的架构原理
• Flink 的编程模型
• Flink 集群的 HA 配置
• Flink DataSet 和 DataSteam API
• 序列化
• Flink 累加器
• 状态 State 的管理和恢复
• 窗口和时间
• 并行度
• Flink 和消息中间件 Kafka 的结合
• Flink Table 和 SQL 的原理和用法

另外这里重点讲一下，阿里巴巴 Blink 对 SQL 的支持，在阿里云官网上可以看到，Blink 部分最引以为傲的就是对 SQL 的支持，那么 SQL 中最常见的两个问题：1.双流 JOIN 问题，2.State 失效问题也是我们关注的重点。

大数据算法

本部分的算法包含两个部分。第一部分是：面试中针对大数据处理的常用算法题；第二部分是：常用的机器学习和数据挖掘算法。

我们重点讲第一部分，第二部分我们学有余力的同学可以去接触一些，在面试的过程中也可以算是一个亮点。

常见的大数据算法问题：

1. 两个超大文件找共同出现的单词
2. 海量数据求 TopN
3. 海量数据找出不重复的数据
4. 布隆过滤器
5. bit-map
6. 堆
7. 字典树
8. 倒排索引