面试流程

自我介绍

Python 中，如何在数据清洗过程中应对内存不够的情况

如何避免，在使用Pandas处理大规模数据时，经常会遇到“SettingWithCopyWarning”警告

在Hive中，当您使用动态分区功能进行数据插入时，可能会遇到“too many dynamic partitions”错误，如何处理

在Apache Spark中，宽依赖（Wide Dependency）和窄依赖（Narrow Dependency）是两种不同类型的依赖关系，对性能分别有什么影响

在使用Kafka作为消息队列时，消费者出现重复消费的问题是比较常见的，分析原因，怎么处理

在使用Kafka拦截器（Interceptors）时，需要注意什么，以确保其正确性和效率

reduce 的阶段，长时间卡在99%，分析原因，如何排查

Spark 运行任务，出现小文件的问题，如何处理

数据治理过程中，需要下线重复指标，如何验证下游不会受到影响

Jenkins 如何避免多分支冲突

数仓设计中，如何设计 ODS 和 DWD 层的字段颗粒度

从 MySQL 导入数据至 Hive，使用 Scoop 如何解决数据不一致问题

DQC 告警如何判断

如何权衡小文件处理过程中的时间 、 空间 、 资源消耗

数据治理中，代码之外，哪些地方可以优化

看板口径整合，数据一致性如何保障

成果中的指标变化，数据计算方式和来源具体讲解

数据变化是如何评估的

思维题：设计一个高并发的日志采集和分析系统，要求使用 Flume、HDFS、Kafka，分析并详细讲解技术选型，在这个场景中，针对数据丢失的情况，如何做预防，设计一些方法思路

反问环节