一、SQL 模块
1. 说一下 LAG 和 LEAD 窗口函数的作用和使用场景？
答：LAG 是取当前行上一行 的数据，LEAD 是取当前行下一行 的数据。使用时必须先 PARTITION BY 分组，再 ORDER BY 组内排序。常用在计算环比、同比、用户连续登录、前后时间差、拿上一条记录指标这些业务场景。
2. ROW_NUMBER、RANK、DENSE_RANK 有什么区别？适用场景？
答：ROW_NUMBER 是连续编号，1234，同分也不并列、不跳号；RANK 同分同排名，后面会跳号，1224；DENSE_RANK 同分同排名，后面不跳号，1223。分组取第一条用 ROW_NUMBER；评奖排名用 RANK；做档位分层用 DENSE_RANK。
3. 窗口函数里 PARTITION BY 和 ORDER BY 分别作用是什么？
答：PARTITION BY 是用来按照字段分组，每个组内部单独计算；ORDER BY 是组内排序，确定行与行的先后顺序，没有排序 LAG、LEAD 取值就会不准。
4. 怎么用 SQL 求用户连续登录最大天数？
答：首先对用户登录日期去重，再用 LAG 拿到上一次登录日期，计算两天日期差值，差值不变的就是连续区间，最后按用户和区间分组，统计最大连续天数。
5. 如何实现分组内取前 N 条数据？
答：使用 ROW_NUMBER 窗口函数，先按维度分区、组内排序，最后筛选编号小于等于 N 就可以实现。
6. 内连接、左连接、右连接、全外连接有什么区别？
答：内连接只保留左右表能匹配上的数据；左连接以左表为基准，右表匹配不到补 NULL；右连接以右表为基准，左表匹配不到补 NULL；全外连接保留左右表所有数据，匹配不上都补 NULL。
7. 左连接为什么会出现数据重复、数据膨胀？怎么解决？
答：主要是右表是一对多关系，一条左表记录匹配到右表多条记录，就会产生重复行。解决办法是先把右表做去重或者聚合，再和左表关联。
8. 笛卡尔积是怎么产生的？工作中怎么避免？
答：多表关联没有写关联条件，或者关联条件失效，就会产生笛卡尔积，数据量会爆炸。工作中多表关联必须写正确的关联主键、外键条件，不能随意乱放多张表不加约束。
9. DISTINCT 和 GROUP BY 去重有什么区别？
答：DISTINCT 是整行去重，适合简单去重；GROUP BY 分组去重，还可以搭配聚合函数做统计，效率更高，适合业务指标统计。
10. 什么是行转列、列转行？怎么实现？
答：行转列一般用 CASE WHEN 加分组聚合实现；列转行在普通 SQL 用 UNION ALL，在 Hive 里用 lateral view + explode 炸裂函数实现。
11. CASE WHEN 日常用在什么场景？
答：做多条件分支判断、自定义指标档位、行列转换、业务分类统计、分层分级都常用。
12. NULL 在 SQL 里有什么坑？
答：COUNT (字段) 不会统计 NULL 值；GROUP BY 会把所有 NULL 归为同一组；不能用 = NULL 判断空，只能用 IS NULL / IS NOT NULL；NULL 不参与等值比较。
13. 普通子查询和关联子查询有什么区别？
答：普通子查询先执行子查询，再执行外层查询；关联子查询是外层每一行驱动子查询执行，性能比较差，工作中尽量少用。
14. 什么情况会触发全表扫描？
答：没有建索引、索引失效、索引列做函数运算、LIKE 以百分号开头、数据量太小数据库自动放弃索引，都会走全表扫描。
15. 索引一般在什么情况下会失效？
答：索引列做函数或算术运算、隐式类型转换、LIKE % 开头模糊查询、OR 两边有一列没有索引、字段区分度太低，都会导致索引失效。
16. 过滤条件放 WHERE 还是 HAVING？
答：普通过滤条件放 WHERE，先过滤再聚合，性能更好；聚合之后的统计条件，只能放在 HAVING 里。
17. 大表关联小表怎么优化？
答：提前过滤减少数据量、关联字段建索引、小表驱动大表、严格写好关联条件，避免笛卡尔积。
二、Hadoop 口述自问自答
1. Hadoop 核心由哪几部分组成？各自作用？
答：主要三部分：HDFS、YARN、MapReduce。HDFS 是分布式文件系统，用来存储海量离线数据；YARN 是集群资源调度框架，负责管理 CPU、内存和任务调度；MapReduce 是离线分布式计算引擎，用来做海量数据处理。
2. NameNode 和 DataNode 职责是什么？
答：NameNode 负责管理整个集群元数据，包括文件目录、权限、数据块位置，接收客户端请求；DataNode 负责实际存储数据块，定时向 NameNode 上报心跳和块信息。
3. HDFS 副本机制了解吗？
答：默认 3 副本，存放策略是同节点不放多副本，同机架存一份，剩余副本跨不同机架存储，兼顾容错和网络开销。
4. HDFS 适合存什么数据？不适合什么？
答：适合海量大文件、一次写入多次读取、离线冷数据；不适合大量小文件、频繁修改、低延迟随机读写的业务。
5. ResourceManager 和 NodeManager 作用？
答：ResourceManager 是全局资源调度器，接收任务申请、分配集群资源；NodeManager 是单个节点的资源管理者，负责启动容器、监控本地任务运行。
6. 伪分布式和完全分布式区别？
答：伪分布式所有进程都部署在单台机器，适合学习、测试、练项目；完全分布式多台机器分开部署角色，用于企业生产集群。
7. 你搭建 Hadoop 伪分布式步骤是什么？
答：先配置服务器免密登录，安装配置 JDK，修改 Hadoop 核心配置文件，格式化 HDFS，最后启动 DFS 和 YARN 集群。
8. Hadoop 常用启停命令？
答：启动：start-dfs.sh、start-yarn.sh停止：stop-dfs.sh、stop-yarn.sh
三、Hive 口述自问自答
1. 什么是 Hive？
答：Hive 是基于 Hadoop 的数据仓库工具，可以把我们写的 SQL 自动翻译成 MapReduce 或者 Spark 任务，不用手写分布式代码，适合海量离线数据统计分析。
2. Hive 和 MySQL 有什么区别？
答：MySQL 面向业务实时交易，支持频繁增删改、低延迟、数据量不大；Hive 面向海量离线批处理，不适合实时增删改，延迟高，适合大数据量统计分析。
3. 内部表和外部表区别？工作中用哪种？
答：内部表元数据和数据都由 Hive 管理，删表会连带删除原始数据；外部表只管理元数据，删表只删元数据，原始数据保留在 HDFS。工作中一般推荐用外部表，安全不会丢原始数据。
4. 什么是分区表？作用是什么？
答：分区表是按照时间、地区等字段，在 HDFS 上分目录存储数据；作用是缩小查询扫描范围，避免全表扫描，大幅提升查询效率，最常用时间分区。
5. 分区和分桶有什么区别？
答：分区是目录级别划分，分桶是文件级别按哈希打散；分区用来缩小查询范围，分桶适合抽样查询、大表关联优化。
6. Hive 小文件产生原因、危害、解决办法？
答：原因：任务拆分过多、分区过小、动态分区、数据倾斜；危害：占用 NameNode 大量元数据内存、查询效率低；解决：设置参数合并小文件、合理分区、控制并行度。
7. Hive 简单优化你知道哪些？
答：查询先加分区过滤、避免全表扫描、大表小表用 Map 端 Join、合理设置并行度、定时合并小文件。
四、Linux Shell 口述自问自答
1. 日常常用 Linux 命令有哪些？
答：目录操作：pwd、ls、cd、mkdir文件操作：touch、cp、mv、rm -rf查看日志：cat、head、tail、tail -f查找过滤：grep、find进程管理：ps -ef、kill -9磁盘查看：df -h、du -sh权限：chmod、chown
2. grep 一般用来做什么？
答：主要用来过滤文本关键字，工作中经常用来筛选日志报错、排查程序异常。
3. tail -f 作用是什么？
答：实时跟踪日志文件末尾，线上服务、大数据任务运行时，用来实时看日志、排查问题非常常用。
4. 怎么查看并过滤 Java 进程？
答：先用 ps -ef 查看所有进程，再用管道 | 搭配 grep java 过滤出 Java 相关进程。
5. 管道 | 有什么作用？
答：把前一个命令的输出结果，当作后一个命令的输入，常用在日志过滤、进程筛选。
6. tar 打包解压常用参数？
答：-zcvf 用来打包压缩，-zxvf 用来解压，日常打包日志、项目包经常用。
五、数据仓库理论 口述自问自答
1. 数仓四层分层 ODS、DWD、DWS、ADS 每层作用？
答：ODS 原始层：同步业务系统原始数据，不做处理；DWD 明细层：做数据清洗、去重、过滤脏数据，保留业务明细；DWS 汇总层：按用户、时间、业务维度做聚合，形成宽表；ADS 应用层：面向报表、看板、业务指标，直接给业务使用。
2. 什么是事实表、什么是维度表？
答：事实表存放业务行为、度量值、数值记录，数据量大、变化快；维度表存放描述性信息，比如时间、地区、用户、产品属性，相对固定。
3. 星型模型和雪花模型区别？
答：星型模型是一张事实表直接关联所有维度表，结构简单、查询效率高，工作最常用；雪花模型维度表再拆分多层子维度，结构复杂，实际项目用得少。
4. 什么是缓慢变化维？
答：维度表的属性会随着时间发生变化，比如用户地区、产品分类变更；一般三种处理方式：直接覆盖、新增历史行、加时间有效期标记。
5. 数据仓库和业务数据库有什么区别？
答：业务库面向联机交易，支持实时增删改、高并发；数仓面向离线分析，以读为主、不频繁修改，用来做海量数据统计和指标分析。