2023大数据面试总结

Flink（SQL相关后面专题补充）

1. 把状态后端从FileSystem改为RocksDB后，Flink任务状态存储会发生哪些变化？

1. Flink任务中的operator-state。无论用户配置哪种状态后端(无论是memory， filesystem，rocksdb)，都是使用DefaultOperatorStateBackend 来管理的， 状态数据都存储在内存中，做Checkpoint时同步到远程文件存储中(比如HDFS)。
2. Flink任务中的keyed-state。用户在配置rocksdb时，会使用 RocksdbKeyedStateBackend 去管理状态;用户在配置memory，filesystem时，会使用HeapKeyedStateBackend去管理状态。因此就有了这个问题的结论，配置 rocksdb只会影响keyed-state存储的方式和地方，operator-state不会受到影响。

2. Flink SQL API State TTL 的过期机制是 onCreateAndUpdate 还是 onReadAndWrite？

1. 结论：Flink SQL API State TTL 的过期机制目前只支持 onCreateAndUpdate，DataStream API 两个都支持。
2. 剖析:
   • onCreateAndUpdate：是在创建State和更新State时【更新StateTTL】
   • onReadAndWrite：是在访问State和写入State时【更新StateTTL】
3. 实际踩坑场景：Flink SQL Deduplicate 写法，row_number partition by user_id
   order by proctimeasc，此SQL最后生成的算子只会在第一条数据来的时候更新
   state，后续访问不会更新stateTTL，因此state会在用户设置的stateTTL时间之后过期。

3. watermark 到底是干啥的？应用场景？

• 标识flink任务的事件时间进度，从而能够推动事件时间窗口的触发、计算
• 解决事件时间窗口的乱序问题

4. 一个flink任务中可以既有事件时间窗口，又有处理时间窗口吗？

结论：一个 Flink 任务可以同时有事件时间窗口，又有处理时间窗口。

两个角度说明:

1. 我们其实没有必要把一个Flink任务和某种特定的时间语义进行绑定。对于事件时间窗口来说，我们只要给它watermark，能让watermark一直往前推进，让事件时间窗口能够持续触发计算就行。对于处理时间来说更简单，只要窗口算子按照本地时间按照固定的时间间隔进行触发就行。无论哪种时间窗口，主要满足时间窗口的触发条件就行。
2. Flink的实现上来说也是支持的。Flink是使用一个叫做TimerService的组件来管理
   timer的，我们可以同时注册事件时间和处理时间的timer，Flink会自行判断timer是否满足触发条件，如果是，则回调窗口处理函数进行计算。

5. Flink为什么强调function实现时，实例化的变量要实现 serializable接口?

其实这个问题可以延伸成3个问题:

1. 为什么Flink要用到Java序列化机制。和Flink类型系统的数据序列化机制的用途有啥区别?
2. 非实例化的变量没有实现Serializable为啥就不报错，实例化就报错?
3. 为啥加transient就不报错?

上面3个问题的答案如下:

1. Flink写的函数式编程代码或者说闭包，需要Java序列化从JobManager分发到 TaskManager，而Flink类型系统的数据序列化机制是为了分发数据，不是分发代码，可以用非Java的序列化机制，比如Kyro。
2. 编译期不做序列化，所以不实现Serializable不会报错，但是运行期会执行序列化动
   作，没实现Serializable接口的就报错了
3. Flink DataStreamAPI的Function作为闭包在网络传输，必须采用Java序列化， 所以要通过Serializable接口标记，根据Java序列化的规定，内部成员变量要么都可序列化，要么通过transient关键字跳过序列化，否则Java序列化的时候会报错。静态变量不参与序列化，所以不用加transient。

6. Flink 提交作业的流程？以及与yarn的互动？

略

7. Operator Chains了解吗?

为了更高效地分布式执行，Flink 会尽可能地将operator的subtask链接(chain)在一起形成task。每个task在一个线程中执行。

将operators链接成task是非常有效的优化：它能减少线程之间的切换，减少消息的序列化/反序列化，减少数据在缓冲区的交换，减少了延迟的同时提高整体的吞吐量。这就是Operator Chains(算子链)。

8. 10个int以数组的形式保存，保存在什么状态好?VlaueState还是 ListState?存在哪个的性能比较好?

ValueState[Array[Int]] update形式。

ListState[Int]:add形式添加。

对于操控来说ListState方便取值与更改。

按键分区状态(Keyed State)选择ValueState ListState。
算子状态(Operator State)选择ListState。

9. 一个窗口，现在只取第一帧和最后一帧，如何实现？

略

10. 背压的原理？解决办法？

略

11. 遇到状态放不下的场景怎么办？

有时候需要求uv，内存或者状态中存过多数据，导致压力巨大，这个时候可以结合 Redis或者布隆过滤器来去重。

注意:布隆过滤器存在非常小的误判几率，不能判断某个元素一定百分之百存在，所以只能用在允许有少量误判的场景，不能用在需要100%精确判断存在的场景。

12. 使用flink统计订单表的GMV（商品交易总额），如果mysql中的数据出现错误，之后在mysql中做数据的修改操作，那么flink程序如何保证GMV的正确性，你们是如何解决?

CDC 动态捕捉MySQL数据变化，实时处理后数据入湖-Hudi，MOR 机制 快速对下游可见。

另：一般也会有离线Job来恢复和完善实时数据。

13. 开窗函数有哪些？

• Flink SQL：
  • 待补充
• Flink Stream：
  • ReduceFunction、AggregateFunction：窗口不维护原始数据，只维护中间结果。每次基于中间结果和增量数据进行聚合
  • ProcessWindowFunction：维护全部原始数据，窗口触发时进行全量聚合

14. 没有数据流的时候，窗口存在吗

不存在，没有数据，窗口不产生

15. 1小时的滚动窗口,一小时处理一次的压力比较大想让他5分钟处理一次.怎么办?（问石林）

自定义触发器，4个方法，一个Close三个用于控制计算和输出

16. 两个流先后顺序不确定，到达的间隔也不确定，如何拼接成宽表？（问石林）

因为无法确定先到的是哪个流，所以没法用 internal join？因为这个需要指定拼接的驱动主流？

17. 为什么使用维表？什么情况下使用？

在一些数据量较小，且变化不大的场景下使用维表（如省份信息关联查询拼接）

18. Flink维表关联怎么做的?（问石林）

1、async io
2、broadcast
3、async io + cache
4、open方法中读取，然后定时线程刷新，缓存更新是先删除，之后再来一条之后再负责写入缓存

19.

20.