1. 实习日常工作都做什么2. 数仓的分层，主题域3. 流量域ods层上游数据源是什么，整体的数据加工链路4. 介绍一下spark，当下能想到的所有关于spark的内容5. rdd弹性数据集，弹性体现在哪些方面6. 引起数据倾斜，spark-ui的看法7. 数仓基建，模型改造是怎么做的，背景是什么8. 简历上的旧任务迭代具体是什么9. 任务优化，主键是什么，具体怎么做的，任务执行为什么慢10. 数仓用户域的改造（个人项目11. spark的任务提交和执行流程12. 怎么评价一个模型设计的是好是坏13. hdfs的读写流程，为什么是三个副本14. 知道温存吗，生命周期是什么15. python装饰器是什么。。。。。。16. 小文件产生原因及危害17. Sql 两个简单group by 一个留存率 一个连续登录18. 算法题：移动最少区间个数 使得剩余区间无重叠  1. 输入：[1,2][2,3][4,6][1,3]  2. 输出：1  3. 解释：移除[1,3]后，剩余区间无重叠19. 算法题：链表的两数相加

京东和美团大战后，淘宝闪购现身，也全是大额券现在我想点个奶茶就三家轮流看，比价后，哪家力度大就点哪家。本来一个月喝不到一两次奶茶的，可是打开软件一看就三四块钱的奶茶，不喝真的说不过去了现在每天一杯奶茶，实在是忍不住啊。。。商战害人不浅啊，再喝下去我血液里都是奶茶了。。。

1 在介绍数仓模型时大概分下面介绍数仓分层有哪些层，每一层的作用和构建原理，有哪些数据域和主题，对于域和主题是怎么划分的，数仓命名规范怎么定的，ads层主要是怎么设计的，数据怎么对外运用，数仓不能跨层依赖，dwd必须要有ods的所有字段，不能聚合操作，dws一般都是轻度聚合，比如用户和订单的聚合，ads通常不能直接来源dwd，只能从dim和dws来，dim层快照和非快照的区分2 实时任务如何做到不延迟我认为该这样答，首先确保source端消费能及时消费，要评估一下数据的QPS，然后中间计算阶段并行度要够，在规定时间需要计算完成，最后sink阶段需要及时落表，还有就是任务失败要从checkpoint拉起任务，并且消费kafka的偏移量要从最新的地方拉起，防止重复消费导致延迟，

在大数据处理的浪潮中，流处理技术已经成为企业实时数据分析和决策的核心支柱。而 Apache Flink，作为一款开源的分布式流处理框架，凭借其高吞吐量、低延迟以及强大的状态管理和容错机制，迅速成为业内翘楚。无论是金融领域的实时交易监控，还是物联网设备的数据流处理，Flink 都展现出了无与伦比的灵活性和性能。然而，任何技术都不是银弹，随着数据规模的暴增和业务场景的复杂化，Flink 在实际应用中也面临着一些棘手的挑战，其中背压与消息积压问题尤为突出，直接影响着系统的稳定性和处理效率。想象一下，你精心设计了一个流处理作业，旨在每秒处理数百万条数据，但突然发现下游任务处理速度跟不上，数据在管道中堆...