最新大廠數(shù)據(jù)湖面試題及知識(shí)點(diǎn)總結(jié)

1、最新大廠數(shù)據(jù)湖面試題及知識(shí)點(diǎn)總結(jié)什么是數(shù)據(jù)湖？數(shù)據(jù)湖是一種不斷演進(jìn)中、可擴(kuò)展的大數(shù)據(jù)存儲(chǔ)、處理、分析的基礎(chǔ)設(shè)施；以數(shù)據(jù)為導(dǎo)向，實(shí)現(xiàn)任意來(lái)源、任意速度、任意規(guī) 模、任意類型數(shù)據(jù)的全量獲取、全量存儲(chǔ)、多模式處理與全生命周期管理；并通過(guò)與各類外部異構(gòu)數(shù)據(jù)源的交互集成，支持各 類企業(yè)級(jí)應(yīng)用。用架構(gòu)圖能很快說(shuō)明白，用阿里的數(shù)據(jù)架構(gòu)圖來(lái)說(shuō)：CDM ( Common Dimenions Model個(gè)性化分析與取故ODS （operational da

2、ta store, staging area）存儲(chǔ)來(lái)自各業(yè)務(wù)系統(tǒng)（生產(chǎn)系統(tǒng)）的原始數(shù)據(jù)，即為數(shù)據(jù)湖。CDM為經(jīng)過(guò)整合、清洗的數(shù)據(jù)。其中的DWS匯總層，為面向主題的數(shù)據(jù)倉(cāng)庫(kù)（狹義），用于BI報(bào)表出數(shù)。簡(jiǎn)單來(lái)說(shuō)，數(shù)據(jù)湖的定義就是原始數(shù)據(jù)保存區(qū).雖然這個(gè)概念國(guó)內(nèi)談的少，但絕大部分互聯(lián)網(wǎng)公司都已經(jīng)有了。國(guó)內(nèi)一般把整個(gè) HDFS叫做數(shù)倉(cāng)（廣義），即存放所有數(shù)據(jù)的地方。02數(shù)據(jù)湖的 數(shù)據(jù)湖的發(fā)展數(shù)據(jù)湖最早是2011年由Pentaho的首席技術(shù)官J

3、ames Dixon提出的一個(gè)概念，他認(rèn)為諸如數(shù)據(jù)集市，數(shù)據(jù)倉(cāng)庫(kù)由于其有序性 的特點(diǎn)，勢(shì)必會(huì)帶來(lái)數(shù)據(jù)孤島效應(yīng)，而數(shù)據(jù)湖可以由于其開(kāi)放性的特點(diǎn)可以解決數(shù)據(jù)孤島問(wèn)題。為什么不是數(shù)據(jù)河？因?yàn)?，?shù) 據(jù)要能存，而不是一江春水向東流。為什么不是數(shù)據(jù)池？因?yàn)?，要足夠大，大?shù)據(jù)太大，一池存不下。為什么不是數(shù)據(jù)海？因 為，企業(yè)的數(shù)據(jù)要有邊界，可以流通和交換，但更注重隱私和安全，“海到無(wú)邊天作岸”，那可不行。所以數(shù)據(jù)要能“存”，數(shù)據(jù)要 夠“存”，數(shù)據(jù)要有

4、邊界地“存”。企業(yè)級(jí)的數(shù)據(jù)是需要長(zhǎng)期積淀的，因此是“數(shù)據(jù)湖”。同時(shí)湖水天然會(huì)進(jìn)行分層，滿足不同的生態(tài) 系統(tǒng)要求，這與企業(yè)建設(shè)統(tǒng)一數(shù)據(jù)中心，存放管理數(shù)據(jù)的需求是一致的。熱數(shù)據(jù)在上層方便流通應(yīng)用，溫?cái)?shù)據(jù)、冷數(shù)據(jù)位于數(shù) 據(jù)中心的不同存儲(chǔ)介質(zhì)之中，達(dá)到數(shù)據(jù)存儲(chǔ)容量與成本的平衡。但隨著數(shù)據(jù)湖在各類企業(yè)的應(yīng)用，大家都覺(jué)得：嗯，這個(gè)數(shù)據(jù) 有用，我要放進(jìn)去；那個(gè)數(shù)據(jù)也有用，我也要放進(jìn)去；于是把所有的數(shù)據(jù)不假思索地扔進(jìn)基于數(shù)據(jù)湖的相關(guān)技術(shù)或工具中，沒(méi) 有

5、規(guī)則不成方圓，當(dāng)我們認(rèn)為所有數(shù)據(jù)都有用時(shí)，那么所有的數(shù)據(jù)都是垃圾，數(shù)據(jù)湖也變成了造成企業(yè)成本高企的數(shù)據(jù)沼澤。 三個(gè)引擎的初衷場(chǎng)景并不完全相同，Hudi為了 incremental的upserts, Iceberg定位于高性能的分析與可靠的數(shù)據(jù)管理， Delta定位于流批一體的數(shù)據(jù)處理。這種場(chǎng)景的不同也造成了三者在設(shè)計(jì)上的差別。尤其是Hudi,其設(shè)計(jì)與另外兩個(gè)相比差別 更為明顯。因此后面是趨同還筑起各自專長(zhǎng)優(yōu)勢(shì)壁壘未可知。Delta、Hu

6、di、Iceberg三個(gè)開(kāi)源項(xiàng)目中,Delta和Hudi跟Spark 的代碼深度綁定，尤其是寫入路徑。這兩個(gè)項(xiàng)目設(shè)計(jì)之初，都基本上把Spark作為他們的默認(rèn)計(jì)算引擎了。而Apache Iceberg 的方向非常堅(jiān)定，宗旨就是要做一個(gè)通用化設(shè)計(jì)的Table Format。它完美的解耦了計(jì)算引擎和底下的存儲(chǔ)系統(tǒng)，便于多樣化計(jì) 算引擎和文件格式，很好的完成了數(shù)據(jù)湖架構(gòu)中的Table Format這一層的實(shí)現(xiàn)，因此也更容易成為Table For

7、mat層的開(kāi)源事 實(shí)標(biāo)準(zhǔn)。另一方面，Apache Iceberg也在朝著流批一體的數(shù)據(jù)存儲(chǔ)層發(fā)展，manifest和snapshot的設(shè)計(jì)，有效地隔離不同 transaction的變更，非常方便批處理和增量計(jì)算。并且，Apache Flink已經(jīng)是一個(gè)流批一體的計(jì)算引擎，二者都可以完美匹 配，合力打造流批一體的數(shù)據(jù)湖架構(gòu)。Apache Iceberg這個(gè)項(xiàng)目背后的社區(qū)資源非常豐富。在國(guó)外，Netflix、Apple> Linked

8、in> Adobe等公司都有PB級(jí)別的生產(chǎn)數(shù)據(jù)運(yùn)行在Apache Iceberg ±；在國(guó)內(nèi)，騰訊這樣的巨頭也有非常龐大的數(shù)據(jù)跑在Apache Iceberg之上，最大的業(yè)務(wù)每天有幾十T的增量數(shù)據(jù)寫入。電商 文娛 體育 健康 出行 物流 金融數(shù) 據(jù) 準(zhǔn) 備 區(qū)( Staging)線 據(jù)離 數(shù)公共匯爵翳磐扁皿買賣家公共維度衰全站地區(qū)行業(yè)ODS散據(jù)應(yīng)用層買家育品會(huì)員人們可以通過(guò)搜索，方便地找到他們想要的數(shù)據(jù)，進(jìn)而進(jìn)行分析。搜

9、索能力是數(shù)據(jù)湖的十分重要的能力。數(shù)據(jù)安全管控能力：對(duì)數(shù)據(jù)的使用權(quán)限進(jìn)行管控，對(duì)敏感數(shù)據(jù)進(jìn)行脫敏或加密處理，也是數(shù)據(jù)湖能商用所必須具備的能力。數(shù)據(jù)質(zhì)量檢驗(yàn)?zāi)芰Γ簲?shù)據(jù)質(zhì)量是分析正確的關(guān)鍵。因此必須對(duì)進(jìn)入數(shù)據(jù)湖中的數(shù)據(jù)的質(zhì)量情況進(jìn)行檢驗(yàn)。及時(shí)發(fā)現(xiàn)數(shù)據(jù)湖中數(shù)據(jù)質(zhì)量的問(wèn)題。為有 效的數(shù)據(jù)探索提供保障。自助數(shù)據(jù)探索能力：應(yīng)該具備一系列好用的數(shù)據(jù)分析工具，以便各類用戶可以對(duì)數(shù)據(jù)湖中的數(shù)據(jù)進(jìn)行自助探索。包括：支持對(duì)流、NoSQL、圖等多種存儲(chǔ)庫(kù)的聯(lián)合分

10、析能力支持交互式的大數(shù)據(jù)SQL分析支持AI、機(jī)器學(xué)習(xí)分析支持類似OLAP的BI分析支持報(bào)表的生成05數(shù)據(jù)湖的實(shí)現(xiàn)遇到了哪些問(wèn)題？數(shù)據(jù)湖剛提出來(lái)時(shí)，只是一個(gè)樸素的理念。而從理念變成一個(gè)可以落地的系統(tǒng)，就面臨著許多不得不考慮的現(xiàn)實(shí)問(wèn)題：首先， 把所有原始數(shù)據(jù)都存儲(chǔ)下來(lái)的想法，要基于一個(gè)前提，就是存儲(chǔ)成本很低。而今數(shù)據(jù)產(chǎn)生的速度越來(lái)越快、產(chǎn)生的量越來(lái)越大 的情況下，把所有原始數(shù)據(jù)，不分價(jià)值大小，都存儲(chǔ)下來(lái)，這個(gè)成本在經(jīng)濟(jì)上能不能接受，可能需要

11、打一個(gè)問(wèn)號(hào)。其次，數(shù)據(jù) 湖中存放這各類最原始的明細(xì)數(shù)據(jù)，包括交易數(shù)據(jù)、用戶數(shù)據(jù)等敏感數(shù)據(jù)，這些數(shù)據(jù)的安全怎么保證？用戶訪問(wèn)的權(quán)限如何控 制？再次，湖中的數(shù)據(jù)怎么治理？誰(shuí)對(duì)數(shù)據(jù)的質(zhì)量、數(shù)據(jù)的定義、數(shù)據(jù)的變更負(fù)責(zé)？如何確保數(shù)據(jù)的定義、業(yè)務(wù)規(guī)則的一致性？ 數(shù)據(jù)湖的理念很好，但是它現(xiàn)在還缺乏像數(shù)據(jù)倉(cāng)庫(kù)那樣，有一整套方法論為基礎(chǔ)，有一系列具有可操作性的工具和生態(tài)為支撐。 正因如此，目前把Hadoop用來(lái)對(duì)特定的、高價(jià)值的數(shù)據(jù)進(jìn)行處理，構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)

12、的模式，取得了較多的成功；而用來(lái)落實(shí)數(shù)據(jù) 湖理念的模式，遭遇了一系列的失敗。這里，總結(jié)一些典型的數(shù)據(jù)湖失敗的原因：1.數(shù)據(jù)沼澤：當(dāng)越來(lái)越多的數(shù)據(jù)接入到數(shù)據(jù)湖中，但是卻沒(méi)有有效的方法跟蹤這些數(shù)據(jù)，數(shù)據(jù)沼澤就發(fā)生了。在這種失 敗中，人們把所有東西都放在HDFS中，期望以后可以發(fā)掘些什么，可沒(méi)多久他們就忘那里有什么。2.數(shù)據(jù)泥團(tuán)：各種各樣的新數(shù)據(jù)接入進(jìn)數(shù)據(jù)湖中，它們的組織形式、質(zhì)量都不一樣。由于缺乏用于檢查，清理和重組數(shù) 據(jù)的自助服務(wù)工具，使

13、得這些數(shù)據(jù)很難創(chuàng)造價(jià)值。3.缺乏自助分析工具：由于缺乏好用的自助分析工具，直接對(duì)數(shù)據(jù)湖中的數(shù)據(jù)分析很困難。一般都是數(shù)據(jù)工程師或開(kāi)發(fā) 人員創(chuàng)建一個(gè)整理后的小部分?jǐn)?shù)據(jù)集，把這些數(shù)據(jù)集交付給更廣泛的用戶，以便他們使用熟悉的工具進(jìn)行數(shù)據(jù)分析。 這限制了更廣泛的人參與到探索大數(shù)據(jù)中，降低了數(shù)據(jù)湖的價(jià)值。6.7.缺乏建模的方法論和工具：在數(shù)據(jù)湖中，似乎每一項(xiàng)工作都得從頭開(kāi)始，因?yàn)橐郧暗捻?xiàng)目產(chǎn)生的數(shù)據(jù)幾乎沒(méi)有辦法重 用。其實(shí)，我們罵數(shù)據(jù)倉(cāng)庫(kù)很難變化以