JAVA与大数据面试总结（二）
Java基础知识
Java中常用算法：冒泡、选择、快速
冒泡:两两比较，每一轮（0~length-i）挑出一个最值，并将其移除，循环遍历1~length
选择：外面定义从0~length-1，先选定一个最先面的下目标作为最小下标，将其所对应的值逐一与其他比较，如果有人小于这个值，将其下标交换位置，一轮下来，如果最小下标指向的值不再是刚定义的值，就将其所对应的值交换位置，循环遍历 里面循环是i+1~length
快速：先选定一个值作为中间值，如果比这个数值小的放在左边，比这个值大的放在右边，再分别从左、右条一个作为中间值递归遍历
树：二叉树中的中序遍历：顺序就是在地面上的投影
红黑树就是二叉树的一种，treeset就是利用这个原理 去重加排序
链表：写快读慢，随机写，读的时候要从头开始遍历，节点的引用指向下一个节点的对象
数组：写慢读快，写的时候要遍历下标，将其放入，读取的时候直接根据县标找到指定的值
Hashmap:
原理：是链表和数组的结合体，对于不同hashcord的key以数组的形式存放，对于hashcord相同的key以链表的形式存放。Hashset基于hashmap
数组的长度是16，装载因子是0.75，对key取hash值，莫以集合长度，如果key的equals相同，则将其value值覆盖，如果不同则追加（放入链表）。
读的时候对key取hash，找到数组中对应的位置，再比较equals方法找到对应的key所对应的value
当集合的长度达到0.75*16=12时，进行对集合进行扩容：创建一个新集合是原来数组长度的两倍，并将原来的数据从新取hash移动到新集合中。
Stringbuffer：现成安全，stringbuild：现成不安全，String：线程安全，不可变的，String的值会先放在常量池中，如果下一次再创建时，先从常量池中查找是否有对象的值，如果存在将将其索引指向常量池中的值，如果不存在则创建，并将值放在常量池中。 String是被final修饰的不能被继承。String的本质是char类型的数组
数组实在内存里一系列连续的存储空间，有下标，查询效率快
List集合的本质是数组，长度不固定，可以扩展
集合排序，让集合中的对象实现comparable接口（和别人比较）或者compartor接口（和自己比较）然后调用collections是sort方法
阻塞队列：多线程环境下，当队列中没有空间时，生产者暂时停止生产，当队列中没有数据时暂时停止消费，提醒生产。就是作为缓冲区，解耦提高性能。
打比方说，卖电影票，生产者生产的票放在前台卖，消费者从前台买票，当生意不好时，票卖不出去，前台提醒生产者暂时不要生产票，当处于热季时，生产的表不够消费，让其等待，通知生产者生产。
线程池：不用创建和销毁线程，提高性能。获取线程
有固定数量的线程池（Fied）、带着缓冲区的线程池（cached）、带着任务调度的线程池（scheduled），可以设置线程执行的优先级。一个线程的线程池（single）
数据库连接池就是获取连接。Druid 性能好，稳定
设计思想都是：减少资源的频繁创建于销毁。、
线程join，将线程的并行执行变成串行执行。
在共享变量上加volatile关键字，告诉编译器针对此共享变量，不进行编译。从而保证线程安全
进程中可以有多个线程，进程之间没有共享内存。
高并发：好多人同时欧一件事
Web中的高并发出现在HTTPserver与数据库连接：
数据库：
使用缓存、Redis是基于内存的keyvalue形式的菲关系型分布式数据库缓存，策略使用的是lru(最近最少使用，长度固定)
数据库连接池、尽量接受减少数据库连接
表设计、建立合适的索引
SQL优化：避免三表以上关联、两表join小标放前
随机读写表:randomAccessFile
序列化：objectOutputstream，不能跨平台、将对象从内存中存入网络\磁盘
反序列化：objectinputstream，把对象从网络、磁盘中读到内存
设计者模式：
单例模式，保证只能有一个实例，懒汉式：当第一次调用是实例化。饿汉:在类初始化时，就已经自动的实例化自己。---防止频繁创建对象导致oom(没存溢出)
适用于：创建对象时，消耗大量资源
工厂模式：我们在创建对象时，直接从工厂中取对象。屏蔽了底层实现。解耦
适用于：Spring框架
动态代理：当我们项调用一个接口，我们把调用接口的方法和参数通过一个代理传递对方，代理通过反射来实例化这个接口的实例，并且invoke这个接口实例。
构建者模式：
对象的参数有很多，调用的参数个数又不固定。使用构建者模式就不用再过多的构造方法，防止代码冗余。
Web服务器:Tomcat、NGINX：静态代理服务器，不处理业务逻辑，负载均衡、地址分发支持高并发、
Spring IOC：依赖注入，也叫做控制反转，
Aop:面向切面编程
事物：一些业务的一次操作作为一个事物，要么同时成功，要么同时失败。
ACID：原子性、一致性、隔离性、持久性
Orm:对象关系映射。
Jpa:java持久层的api，是一种接口、规范，使用注解的方式来配置数据库操作，不用自己实现service只需要继承接口，屏蔽了底层实现，节省代码量。
Mvc:model---view----controller
注解本身不做任何事情，只是像xml文件一样起到配置作用。注解代表着某种业务意义，注解背后的工作原理类似于源码实现。
数据库：MySQL、Oracle
MySQL：存储数据量不大，支持事物，主键可以自增长
Oracle：存储数据量比较大，支持高并发，主键自增要使用序列sequence
Union all：直接连接，获取所有值
Union：取唯一值，union all+去重
数据库优化：
索引优化：尽可能将经常查询的两件做为索引
SQL语句：
尽可能避免select *
Where代替having，where执行速度快
Where执行的循序是，从下至上的
尽可能命中索引，
避免三表关联。
Union、in代替or
使用exists代替in
数据库引擎：Innodb支持事物
数据库事物隔离级别：
未提交读：数据还没有提交到内存中
提交读：出现幻读，两次读取的结果不一样，加了行锁-在读的时候在中间写入数据了
可重复读：乐观锁=行锁加区间锁，可以并行读，串行写
串行：悲观锁：顺序读写—串行读、串行写
Hadoop
组件：mr、hdfs、yarn
Hdfs 进程：
Namenode:保存元数据，元数据包括namespace(目录结构)、blockmap：文件所在的机器地址 资源管理、任务调度。
Datanode：任务的具体执行者，存放数据
Secondaryname：用于存放于增量数据合并成一个新文件发送给namenode
减少hdfs开启时间。
Yarn：
ResourceManage：监控节点状态、分配任务、控制整个系统
NodeManage:
负责执行计算任务
APPmaster：管理一个任务、具体任务调度者
Hadoop集群的搭建：
在一台机器上下载安装jdk、hadoop，编写配置文件制定各个进程所在位置，以及制定namenode、dataname,节点之间配置免密登录，通过scp发送jdk、hadoop，以及配置文件。在主节点上执行hdfs-format namenode 命令格式化，start-hdfs.sh 开启集群，通过jsp测试查看。
资源调度算法：
FIFO，先进先出—hdfs
公平调度：每个任务执行一段时间，交替执行
能力调度：基于时间片轮回，根据每个任务需要的资源，分配相应的任务。---yarn
MapReduce的流程：
input---->split---->map------>shuffer------>reduce
Mr数据倾斜:部分reduce节点上的key过多，执行数据过慢，导致整个任务执行的慢。
随机数+key
Hadoop rpc通信：
Hdfs读写原理：
客户端项namenode发出请求，namenode查看数据存放的快信息，将地址发送给客户端，客户端根据地址找到数据的指定位置读取数据。读取完成之后DataNode向namenode汇报情况。
客户端项namenode发送写请求，namenode读取快信息，开始分配块地址，并将理想的状态的节点位置返回给客户端，客户端通过rpc向DataNode串行写数据。写完之后，会把存储信息反馈给namenode。
Ha:通过ookeeper故障切换
Hadoop优化：
通过优化算法Gzip算法、合并小文件，减少namenode的内存、机架感知、本地读。
Mr优化：
减少reduce任务数，减少rpc通信
自定义分区。
Hive的原理：
Hive屏蔽的底层的mr实现。元数据存放在其他数据库，数据存放在hdfs。
Hive优化：
大小表join时，小表放在前面，hive会将小表放入内存，提高效率
在map端进行join，
减少job数
Hive自定义函数，
实现udf重写evaluate方法，maven打包上传，add jar 将java中的类映射到hive函数自定义中。
Hive内外表：
外表：数据并没有移动到自己的数据仓库中，也就是所外表的数据并不由自己来管理。只有使用权。
内部表：具有数据的所有权。
Hive数据倾斜：
配置项，还是解决mr的数据倾斜。
大小表join时，将小表放在前面，加载到内存中，减少资源内存
合并小文件，尽可能在map端join---减少reduce数
Hive中的sort By 不是全局的，数据进入reduce端之前进行排序
OrderBy:全局有序，只有一个reduce
分区：分区依据的字段不是表中的，有这些维度—地区、时间；查询是按区查询，优化查询
分桶：创表时，桶的个数就固定，对表中的字段进行分桶，桶内按字典排序，提高计算性能，防止数据倾斜。
数据厂库：
复制层：表示的是将数据复制过来，不改变数据结构
原子层：3NF,维度表----字段少=id+内容
汇总层：提高性能
展示层：计算结果
好处-----方便，好维护，便于管理
Hbase原理：
数据节点Regionserver下面有多个region，每个region存放hbase表里若干个列簇的数据，最终数据按照hfile方式存储在hdfs上。Hbase自身存储的有元数据表mate（region存放在那台机器上）和root（里面是一个表有哪些region），这两张表的元数据存放在zookeeper上，各个节点时间同步。
Rowkey设计原理：
- 不宜过长，因为数据持久化文件hfile中是安装keyvalue形式存储，key=rowkey+列簇+列,如果过长极大的影响hfile存储效率。
- rowkey尽可能与业务逻辑相关，将经常放在条件里面的字段作为rowkey，因为只有rowkey有个索引，尽可能命中索引。
- rowkey散列，负载均衡，防止写热点，取hash、反向rowkey
hbase优化：
1.预分区，创建表时，先指定若干分区，防止写热点
2.创建二级索引，1.利用Phoenix直接创建二级索引，2.使用协处理器observer，在写入数据之前，创建二级索引-----索引的索引，把rowkey与列簇数据的反向映射创建索引，检索时线检索这个索引，找到对应的rowkey，再根据rowkey查询数据。
3.分页，指定一次查询数量，批量查询
4.Redis缓存，将一些常用的数据放到缓冲，先查缓存，再查hbase。
Hbase优点：
查询和写入数据快以顺序读写还随机读写。将文件先缓存到menstore中在里面排序，再并将其记录日志保存到hdfs中。
Kafka：分布式消息队列，组成部分有producer用来获取数据，并发送topic主题、broker（服务器）、consumer消费之前将消息存放在中间服务器中，
Kafka分区：
Kafka将topic从物理上把broker划分成一个或多个分区，默认是hash分区算法。
创建分区，相当于增大了并行度。
为了更好的负载均衡、消息的顺序性。可以发送时指定分区。
日志保存策略配置：由于写入了海量数据之后，占用大量磁盘空间，如果不定时清理，可能磁盘空间不够用。Kafka默认保存7天。
Kafka数据丢失与数据重复
Produce：
设置ack=all,设置幂等—多次重复操作的效果与一次操作的效果一样。
幂等，数据发送给每个分区时，将数据做一下标记，当再次发送数据时，如果该分区有此标记数据则不再发送。
Consumer：业务逻辑与偏移量不是一个原子操作。
将业务逻辑与偏移量的提交写在同一事物中，保证他们要么同时成功，要么同时失败。并且保存的结果与偏移量在同一个地方，保证能够回滚。
Sparkstreaming与kafka整合，如何保证数据不丢失。
Sparkstreaming里面使用direct，并手动提交偏移量。
Zookeeper在kafka中起到的作用：每个topic又可以划分多个分区，没每个分区存储在一个独立的broker上，所有这些topic与broker的对应关系都有zookeeper来维护。分区的leader 与follower的故障切换。
Kafka的特点：吞吐量大，主要用于大量数据的处理。
Flume：一个分布式的日志采集工具
Sqoop：一个关系型数据库与大数据集群之间的数据迁移工具
Redis：一个基于内存的菲关系型数据库，一般讲热点数据写在Redis中用来提升性能
Java：面向对象编程，Scala是面向对象编程又是面向函数式编程。
Scala中的函数是一个对象，可以作为参数传递。
Spark
Sparkcore sparkstreaming sparkSQL
Rdd：弹性分布式数据集。
本质上是一个可容错的之都的分区记录集合。
每一个计算的阶段设置一个stage，然后所有的stage会生成逻辑的有向五环图，当触发action的时候，才会按照DAG进行计算。
每个分区的每次transformation称为一个task。
窄依赖：子rdd的一个分区依赖于父rd的一个分区，本地执行，不经过网络通信。
宽依赖：子rdd的一个分区依赖于父rd的多个分区，shuffle操作，需要网络通信。
Transformation：表示rdd的一次计算，生成的也是rdd，只记录不操作。Rdd与rdd之间的转换关系称为血缘（linkage）。
Action：将rdd转化成飞rdd保存到hdfs，触发job的执行。Collect，saveastaxtFile
Rdd常用函数：
Sc.parallelize
Reduce 、reducebykey、groupbykey
Spark优化
1.使用kyro序列化
2.高性能算子：mappartition—transformation
Foreachpartition---action
3.共享广播变量：broadcost
4.增大shuffle并行度。
数据倾斜：
- 聚合：将key加随机数---聚合----取前缀----再聚合
- Join操作：左表加前缀，右表扩充n倍。
将相同的key放在一个节点上。
Rdd是基于内存的数据集合
Mr:是将数据雷击写到磁盘上，完了再统一进行reduce
Rdd转化成datafrom---自定义case class ，加隐士转换todf
普通的rdd里面没有元数据。
Df是一种特殊的rdd，主要用来操作关系型数据库数据，每个字段都有字段属性和字段描述。
Dataset是rdd+schema提供了面向对象的方式来操作数据。
窗口计算：sparkstreaming中将多批数据化成一个区间，区间按照约定好的时间滑动，通常用来计算一段时间的数据。
有状态计算：updatastatusbykey
设置checkpoint，实现updatestatebykey
Acc:可变的，累加器
用于统计处理的条数，进程间的
Broadcast:广播变量，不可变的，提高性能。
不能广播rdd其他都能广播。
Rdd的本质就是一个list集合。
