大数据面试题记录

1、为什么要对数据仓库分层？

1、用空间换时间，通过大量的预处理来提升应用系统的用户体现(效率)，因此数据仓库会存在大量冗余的数据。
2、如果不分层的话，如果源业务系统的业务规则发生变化将会影响整个数据清洗过程，工作量巨大。
3、通过数据分层管理可以简化数据清洗的过程，因为把原来一步的工作分多个步骤去完成，相当于把一个复杂的工作拆成了多个简单的工作，把一个黑盒变成了一个白盒，每一层的处理逻辑都相对简单容易理解，这样我们比较容易保证每一个步骤的正确性，当数据发生错误的时候，往往我们只需要局部调整某个步骤即可。

2、使用过Hive解析JSON串吗？

1、将json以字符串的方式整个入Hive表，然后通过使用UDF函数解析已经导入到hive中的数据，比如使用LATREAL VIEW json_tuple的方法，获取所需要的列名。
2、在导入之前将json拆成各个字段，导入Hive表的数据是已经解析过得。这将需要使用第三方的SerDe

3、sort by 和 order by的区别

order by 会对输入做全局排序，因此只有一个reducer （多个reducer无法保证全局有序）只有一个reducer，会导致当输入规模较大时，需要较长的计算时间。
sort by 不是全局排序，其在数据进入reducer前完成排序。因此，如果用sort by 进行排序，并且设置mapred.reduce.tasks>1，则sort by 只保证每个reducer的输出有序，不保证全局有序。