2024年最新大数据方向学习进阶知识图谱_大数据技术知识图谱，2024年最新面试题解析已整理成文档

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

**关键词：**面试 大数据 大纲

正所谓，无招胜有招。

愿读到这篇文章的技术人早日明白并且脱离技术本身，早登彼岸。

一切技术最终只是雕虫小技。

大纲

本系列主题是大数据开发面试指南，旨在为大家提供一个大数据学习的基本路线，完善数据开发的技术栈，以及我们面试一个大数据开发岗位的时候，哪些东西是重点考察的，这些公司更希望面试者具备哪些技能。

本文不会对某一个知识点进行详细的展开，后续会陆续出专题文章，希望读者能当成一个学习或者复习的大纲，用以查漏补缺。

语言基础篇

Java基础篇

整个大数据开发技术栈我们从实时性的角度来看，主要包含了离线计算和实时计算两大部分，而整个大数据生态中的框架绝大部分都是用 Java 开发或者兼容了 Java 的 API 调用，那么作为基于 JVM 的第一语言 Java 就是我们绕不过去的坎，Java 语言的基础也是我们阅读源码和进行代码调优的基础。

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。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

合、列族是列的集合、列是键值对的集合。

[外链图片转存中…(img-4tJCGprm-1715307696544)]
[外链图片转存中…(img-AYKlMAk9-1715307696544)]
[外链图片转存中…(img-XlOefNJp-1715307696544)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取