米塔碳大数据开发面试经验 第1弹！！！
米塔碳的大数据开发面试其实总共分为两轮，其中都涉及到一些专业问题，在此我将拆分梳理为两篇文章，以便大家能更加深入地了解该公司的提问喜好和相关招聘要求！（以上仅为本人个人经历和回答思路，供大家参考~）
面试重点问题盘点
1.项目经验和技术栈（ps:面试官蛮关注项目经历的！） 。例如：
- 你在项目中的具体角色是什么？
- 遇到的技术难点是什么？
- 是否有印象深刻的技术问题？比如日志延迟问题的处理、建模思路等。
-回答：针对项目的技术难点，我主要描述了如何优化数据清洗流程，以及如何利用分布式计算工具解决性能瓶颈，同时可以用调侃的语气提一下具体的工作选择和踩过哪些坑
2.数仓建模及优化思路，具体包括：
- 如何设计DWD建模？ 面试官喜欢追问统计周期、粒度的选取依据。
- 历史累计指标的计算如何优化？ 例如，分桶解决数据倾斜或构建历史快照事实表。
-回答：针对建模问题，我解释了如何根据业务需求选择粒度，比如日粒度和小时粒度的取舍，并通过实际案例阐述如何设计事实表和维度表。
3.Flink 相关问题，例如：
- oFlink 中常用算子有哪些？ 包括 map、flatMap、keyBy、reduce 等。
-回答：我列举了算子的使用场景，并结合具体的实时统计场景说明如何用 keyBy 和 window 进行聚合。
- Watermark 和 Checkpoint 的原理？ 面试官喜欢挖掘你对容错机制的理解。
-回答：这块我讲了下 Watermark 的延迟机制，以及如何通过 Checkpoint 实现故障恢复，并补充了在项目中调整 Checkpoint 间隔的经验。
- 并行度、TaskManager、Slot 之间的关系。
-回答：这里我举了个现实中的具体例子哈~ 通过一个简单的类比（餐厅的桌子和服务员），解释了三者的关系以及如何调优。
- 背压问题：如何通过 Web UI 定位背压点，并优化算子链或增加并行度。
-回答：我主要讲了一下如何通过观察 Web UI 的延迟指标定位问题，并结合具体场景调整并行度和算子链。
- 流读 Hudi 的最佳实践：选择 MOR 表类型，通过 PrecombineField 优化增量读取。
-回答：可以说一下通过设置合理的 PrecombineField 来减少重复数据，以及 MOR 表在增量读取中的优势。
还有一些问题和回答，下一弹再整理出来~脑子转不动了hh
#大数据开发##你还有多少年退休？##牛客创作赏金赛##你今年的保底offer是哪家##米塔碳#
类似资料：