金三银四，金三已经过去，到了银四，根据统计，很多人都会选择在三月四月跳槽，原因有很多，企业年后会有大量员工离职，员工觉得老公司待遇不怎么样？薪资不够高，想换个新环境等等原因，所以，三月份就变成了招聘与跳槽的旺季
前面一段时间给公司面试了10个大数据开发的人，自己总结了50道面试题，在此，我分享给大家，希望大家在五月份要找工作的朋友，我的这篇文章能给你有所帮助。
大纲
kafka的message包括哪些信息
怎么查看kafka的offset
一、Map端的shuffle
二、Reduce端的shuffle
Spark集群运算的模式
读：
1、跟namenode通信查询元数据，找到文件块所在的datanode服务器
2、挑选一台datanode（就近原则，然后随机）服务器，请求建立socket流
3、datanode开始发送数据（从磁盘里面读取数据放入流，以packet为单位来做校验）
4、客户端以packet为单位接收，现在本地缓存，然后写入目标文件
写：
1、根namenode通信请求上传文件，namenode检查目标文件是否已存在，父目录是否存在
2、namenode返回是否可以上传
3、client请求第一个 block该传输到哪些datanode服务器上
4、namenode返回3个datanode服务器ABC
5、client请求3台dn中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用C，将真个pipeline建立完成，逐级返回客户端
6、client开始往A上传第一个block（先从磁盘读取数据放到一个本地内存缓存），以packet为单位，A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答
7、当一个block传输完成之后，client再次请求namenode上传第二个block的服务器。
RDD中reduceBykey与groupByKey哪个性能好，为什么
reduceByKey：reduceByKey会在结果发送至reducer之前会对每个mapper在本地进行merge，有点类似于在MapReduce中的combiner。这样做的好处在于，在map端进行一次reduce之后，数据量会大幅度减小，从而减小传输，保证reduce端能够更快的进行结果计算。
groupByKey：groupByKey会对每一个RDD中的value值进行聚合形成一个序列(Iterator)，此操作发生在reduce端，所以势必会将所有的数据通过网络进行传输，造成不必要的浪费。同时如果数据量十分大，可能还会造成OutOfMemoryError。
通过以上对比可以发现在进行大量数据的reduce操作时候建议使用reduceByKey。不仅可以提高速度，还是可以防止使用groupByKey造成的内存溢出问题。
spark sql怎么取数据的差集
spark2.0的了解
rdd 怎么分区宽依赖和窄依赖
spark streaming 读取kafka数据的两种方式
这两种方式分别是：
kafka的数据存在内存还是磁盘
怎么解决kafka的数据丢失
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站