面试题目

（1）大CPU大内存，网卡超烂，如何优化？

　　强制本地化，选高压缩的序列化格式，核心就是尽量减少网络IO。

计算机中内存、cache和寄存器之间的关系及区别：

　　（１）寄存器是CPU内部的元件，寄存器拥有非常高的读写速度，所以在寄存器之间的数据传送非常快，可用来暂存指令、数据和位址。

　　（２）内存包含的范围非常广，一般分为只读存储器（ROM）、随机存储器（RAM）和高速缓存存储器（cache）。

　　（３）Cache ：即高速缓冲存储器，是位于CPU与主内存间的一种容量较小但速度很高的存储器。Cache缓存则是为了弥补CPU与内存之间运算速度的差异．

（2）spark的分组排序：

　　核心思想是相对分组内部排序，然后取前Ｎ个，然后对分组之间进行排序；groupBy和groupByKey是不同的，比如（A，1），（A，2）；使用groupBy之后结果是（A，（（A，1），（A，2））），使用groupByKey之后结果是：（A，（1,2））；关键区别就是合并之后是否会自动去掉key信息；

（3）给出a，b两个文件，各存放50亿条url，内存限制为４G,如何找出这两个文件重复的url：

　　方案１：可以估计每个文件按的大小为5G×64=320G，远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。

　　　1、遍历文件a，对每个url求取hash(url)%1000，然后根据所取得的值将url分别存储到1000个小文件(记为a0,a1,…,a999)中。这样每个小文件的大约为300M。

　　　2、遍历文件b，采取和a相同的方式将url分别存储到1000小文件(记为b0,b1,…,b999)。这样处理后，所有可能相同的url都在对应的小文件(a0vsb0,a1vsb1,…,a999vsb999)中，不对应的小文件不可能有相同的url。然后我们只要求出1000对小文件中相同的url即可。

　　　3、求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中。然后遍历另一个小文件的每个url，看其是否在刚才构建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了。

　　方案２：如果允许有一定的错误率，可以使用Bloomfilter，4G内存大概可以表示340亿bit。将其中一个文件中的url使用Bloomfilter映射为这340亿bit，然后挨个读取另外一个文件的url，检查是否与Bloomfilter，如果是，那么该url应该是共同的url(注意会有一定的错误率)。

（4）有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16字节，内存限制大小是1M，要求返回频数最高的100个词：

　　１、顺序读文件中，对于每个词x，取hash(x)%5000，然后按照该值存到5000个小文件(记为f0,f1,...,f4999)中，这样每个文件大概是200k左右，如果其中的有的文件超过了1M大小，还可以按照类似的方法继续往下分，直到分解得到的小文件的大小都不超过1M;

　　2、对每个小文件，统计每个文件中出现的词以及相应的频率(可以采用trie树/hash_map等)，并取出出现频率最大的100个词(可以用含100个结点的最小堆)，并把100词及相应的频率存入文件，这样又得到了5000个文件;

　　3、把这5000个文件进行归并排序或者最小堆排序。;

　若内存能一次读取所有文件如何求topK：

　　1、维护一个Key为单词，Value为该Query出现次数的HashMap，即hash_map(Word，Value)，每次读取一个word，如果该字串不在HashMap中，那么加入该字串，并且将Value值设为1；如果该字串在HashMap中，那么将该字串的计数加一即可。最终我们在O(N)的时间复杂度内用Hash表完成了统计；

　　2、堆排序：第二步、借助堆这个数据结构，找出Top K，时间复杂度为N‘logK。即借助堆结构，我们可以在log量级的时间内查找和调整/移动。因此，维护一个K(该题目中是10)大小的小根堆，然后遍历300万的Query，分别和根元素进行对比。所以，我们最终的时间复杂度是：O（N） + N' * O（logK），（N为1000万，N’为300万）。

（5）在2.5亿个整数中找出不重复的整数，注，内存不足以容纳这2.5亿个整数：

　　方案１：采用2-Bitmap(每个数分配2bit，00表示不存在，01表示出现一次，10表示多次，11无意义)进行，共需内存2^32*2bit=1GB内存，还可以接受。然后扫描这2.5亿个整数，查看Bitmap中相对应位，如果是00变01，01变10，10保持不变。所描完事后，查看bitmap，把对应位是01的整数输出即可。

　　方案２：也可采用与第1题类似的方法，进行划分小文件的方法。然后在小文件中找出不重复的整数，并排序。然后再进行归并，注意去除重复的元素。

（6）给40亿个不重复的unsignedint的整数，没排过序的，然后再给一个数，如何快速判断这个数是否在那40亿个数当中：

　　申请512M的内存，一个bit位代表一个unsignedint值。读入40亿个数，设置相应的bit位，读入要查询的数，查看相应bit位是否为1，为1表示存在，为0表示不存在。

（7）如何解决client和hdfs读写延迟过高：

　　（１）Chunk缓冲机制：数据会被写入一个chunk缓冲数组，这个chunk是一个512字节大小的数据片段，这个缓冲数组可以容纳多个chunk大小的数据在里面缓冲。

　　（２）Packet数据包机制：当chunk缓冲数组都写满了之后，就会把这个chunk缓冲数组进行一下chunk切割，切割为一个一个的chunk，一个chunk是一个数据片段。然后多个chunk会直接一次性写入另外一个内存缓冲数据结构，就是Packet数据包，一个Packet数据包，设计为可以容纳127个chunk

　　（３）当一个Packet被塞满了chunk之后，就会将这个Packet放入一个内存队列来进行排队。然后有一个DataStreamer线程会不断的获取队列中的Packet数据包，通过网络传输直接写一个Packet数据包给DataNode。

（8）分布式系统实现幂等性的方式

　　幂等性：对数据的多次操作，得到的结果一致

　　1）方式一：使用乐观锁，通过version版本条件进行控制，来做乐观锁的判断条件

　　2）方式二：使用悲观锁，在整个执行过程中锁定相应的数据。

　　3）方式三：全局唯一ID，根据业务的操作和内容生成一个全局ID，在执行操作前先根据这个全局唯一ID是否存在，来判断这个操作是否已经执行。如果不存在则把全局ID，存储到存储系统中，比如数据库、redis等。如果存在则表示该方法已经执行。

（9）如何保证数据质量和数据一致性

　　分布式事务，幂等性

（10）如何实现分布式事务

　　分布式事务指事务的操作位于不同的节点上，需要保证事务的 AICD 特性。

　　1、两阶段提交（2PC）：两阶段提交（Two-phase Commit，2PC），通过引入协调者（Coordinator）来协调参与者的行为，并最终决定这些参与者是否要真正执行事务。

　　2、补偿事务：TCC 其实就是采用的补偿机制，其核心思想是：针对每个操作，都要注册一个与其对应的确认和补偿（撤销）操作。

　　3、本地消息表（异步确保）：本地消息表与业务数据表处于同一个数据库中，这样就能利用本地事务来保证在对这两个表的操作满足事务特性，并且使用了消息队列来保证最终一致性。

hadoop实现冗余备份的难点：

　　对于不同的数据备份，需要放到不同的节点上面，利用Hash函数，这样可以把每个备份id对应到一个哈希值，然后再将这个哈希值与某个节点对应起来，就完成了一个数据备份的分配。这样做在时间复杂度上只有O(1)，但是很多哈希函数有一个问题，就是不稳定。这里所谓的不稳定是指，当节点个数发生变化的时候，原来被分配到节点K上的数据备份可能就会被分配到另一个节点上。常用的哈希函数为：hash(x) = x % N，其中N为节点个数，x为备份id，这样当集群中节点出现故障或者扩展新的节点时，原来的计算的哈希值几乎全都变了，那么对于整个系统中的数据访问来说，无疑是一个灾难，因为访问位置全都得改变，并且需要重新迁移数据。

　　那么有没有可能在N变化的侯，原有数据备份的哈希值不改变呢？这就是一致性哈希的优势所在。一致性哈希的原理可以这么理解：原来哈希是用x%N，现在是用x%S且N%S，这里的S表示哈希函数本身可以表示的哈希值范围，比如它的范围是0～2^32 - 1，那么S=2^32。

　　如下图如果选取的哈希函数取值范围在0到2^32 - 1之间（Hash Range），那么我们可以同时把Data Blocks和Data Nodes同时哈希到这个范围里面，这些Nodes会把Hash Range划分为若干区域，规定每个Node存储与其相邻的前一个区域中的Blocks，从而完成数据的分配。这种方式的好处在于，即使出现Data Nodes数量变化的情况，也不会影响其它Nodes和Blocls的位置情况，最多是在被删除节点或者新增节点的附近进行调整，比如将原有区域中的Blocks进一步划分或者合并。

    

上图展示的方式中，三个Nodes将Hash Range分为了4个区域，显然不方便分配，所以提出一致性哈希环的概念，即将Hash Range的首位相连，然后在一个环路上面进行划分，N个Nodes一定能够划分出N个区域，然后让每个Node存储前一个相邻区域即可。如下图所示：