💥社招2年大数据开发，面试被问“Flink反压”支支吾吾丢了offer？这几道真题帮你把坑全填上！

💡 导读

大家好，我是蔡老师，10年大厂开发经验，5年大数据一线教学经验，帮上千同学拿下大数据岗offer。

今天我们要复盘的是一位2年经验的大数据开发同学的面试录音。这位同学有着离线（Hive）和实时（Flink）的双重背景，做过零售离线数仓和物联网实时数仓项目。

面试官的火力非常集中：从Flink的提交模式、反压处理，到Hive的数据倾斜、小文件治理，全是生产环境的“送命题”。虽然这位同学项目经验丰富，但在具体命令参数和底层原理的表述上略显卡顿，这其实是很多“实战派”同学的通病——会用不会说。

今天我把这场面试中含金量最高的考点全部扒出来了，附上面试级标准答案和避坑指南，帮你面试少走90%的弯路。

💡 文末可免费领取《2026最新大数据面试高频200题合集》，记得看到最后哦。

🎯 面试直击

Q1: Flink 任务提交模式有哪些？有什么区别？

✅ 参考答案: Flink 在 Yarn 上的提交模式主要有三种：

1. 1. Session Mode (会话模式)：预先启动一个 Yarn Session，所有作业共享 JobManager 和 TaskManager。资源共享，启动快，适合短时间、小作业的测试，但资源隔离性差，一个作业崩了可能影响其他作业。
2. 2. Per-Job Mode (分离模式)：为每个作业单独启动一个 Flink 集群。作业之间资源完全隔离，稳定性高，是生产环境常用的模式（注：Flink 1.15后已标记为过时，但面试仍常问）。
3. 3. Application Mode (应用模式)：Main 方法在 JobManager 中运行，而不是在客户端。减轻了客户端压力，且资源隔离性好，是目前生产环境最推荐的模式。

👀 面试官考察点: 考察你是否有真实的生产环境部署经验，以及对资源隔离、客户端负载的理解。

❌ 避坑指南: 不要只说名字！一定要说出适用场景（测试用Session，生产用Per-Job或Application）。录音中同学对具体命令参数（如 -t yarn-per-job）记忆模糊，建议面试前突击复习一下常用 Shell 命令，或者坦诚说“平时封装在脚本里，具体参数查文档”，不要硬猜。

Q2: Flink 遇到反压（Backpressure）怎么处理？

✅ 参考答案: 处理反压分为定位和解决两步：

1. 1. 定位：通过 Flink Web UI 查看反压面板（BackPressure 颜色变红/高），或者查看 Checkpoint 时长是否变长。利用火焰图（Flame Graph）分析是哪个算子（Operator）成为了瓶颈。
2. 2. 解决：
• • 资源不足：增加并行度，增加 TaskManager 内存/CPU。
• • 数据倾斜：对 Key 进行 Rebalance 或加盐处理。
• • 代码逻辑：检查是否有频繁的 GC，或者 Sink 端写入太慢（如写入 MySQL 未批处理），优化 Sink 端性能。
• • 窗口过大：优化 Window 逻辑，开启 MiniBatch。

👀 面试官考察点: 这是实时计算最核心的痛点。面试官想听的不是“加资源”，而是你排查问题的思路（WebUI -> 定位算子 -> 分析原因 -> 对症下药）。

❌ 避坑指南: 千万别上来就说“重启”！要展现你的分析能力。录音中同学提到了 WebUI 和增加资源，这很好，但如果能补充“数据倾斜”和“Sink端优化”会更完美。

Q3: Hive/Spark 数据倾斜怎么解决？

✅ 参考答案: 数据倾斜通常发生在 Join 或 Group By 阶段，某个 Key 数据量过大。

1. 1. Group By 倾斜：开启 hive.groupby.skewindata=true，Hive 会自动进行负载均衡（两次 MR，第一次随机分发，第二次按 Key 分发）。
2. 2. Join 倾斜：
• • 大表 Join 小表：使用 Map Join（Spark 中是 Broadcast Join），将小表广播到内存，避免 Shuffle。
• • 大表 Join 大表：将倾斜的 Key 单独拎出来处理；或者给 Key 加上随机前缀（Salting）进行打散，处理完后再去掉前缀聚合。

👀 面试官考察点: 大数据面试必考题NO.1。考察你对 Shuffle 机制的理解以及处理海量数据的经验。

❌ 避坑指南: 回答要分场景（Join vs Group By）。不要只背书，结合项目说：“我在处理订单表关联用户表时遇到过…” 效果最好。

Q4: Hive 内部表和外部表的区别？

✅ 参考答案:

1. 1. 建表语句：外部表需要加 EXTERNAL 关键字。
2. 2. 数据管理：
• • 内部表 (Managed Table)：Hive 同时管理元数据（Metadata）和实际数据。删除表时，元数据和数据都会被删除。
• • 外部表 (External Table)：Hive 只管理元数据。删除表时，只删元数据，HDFS 上的实际数据保留。
3. 3. 场景：公共数据、需要多部门共享的数据通常建外部表（防止误删）；中间临时表可建内部表。

👀 面试官考察点: 考察基础概念和数据安全意识。

❌ 避坑指南: 核心区别在于 DROP 后的结果。一定要强调外部表删除不删数据这一点，这是生产环境防止“删库跑路”的重要机制。

Q5: Spark/Hive 小文件过多怎么处理？

✅ 参考答案: 小文件过多会给 HDFS NameNode 带来巨大压力，且影响计算性能。

1. 1. 输入端：使用 CombineInputFormat 将多个小文件合并切片。
2. 2. 输出端：
• • Hive：开启 hive.merge.mapfiles=true，在 Map-only 任务结束时合并小文件；或者使用 DISTRIBUTE BY 控制 Reduce 个数。
• • Spark：使用 coalesce() 或 repartition() 减少输出分区数；或者在写入 HDFS 前进行 Repartition。
3. 3. 事后处理：定期运行脚本，将历史分区的 Parquet/ORC 小文件进行 Merge。

👀 面试官考察点: 考察生产环境运维能力。小文件是 Hadoop 集群的隐形杀手。

❌ 避坑指南: 不要只说“合并”，要说出具体的算子（repartition）或参数配置。录音中同学提到了 Spark 的 coalesce，这点回答得不错。

Q6: Flink CDC 是怎么实现的？

✅ 参考答案: Flink CDC (Change Data Capture) 主要是基于数据库的日志（如 MySQL 的 Binlog）来实现的。 它作为一个 Source 插件，伪装成 MySQL 的 Slave，通过网络协议向 MySQL Master 请求 Binlog。MySQL Master 收到请求后，将 Binlog 推送给 Flink CDC，从而实现数据的实时捕获（包括全量快照和增量日志）。

👀 面试官考察点: 考察对新技术的敏感度。Flink CDC 是目前实时数仓入仓的主流方案。

❌ 避坑指南: 要提到 Binlog 这个关键词。如果能聊聊 Flink CDC 2.0 的“无锁读取”特性，面试官会直接给你加分。

🔑 核心考点总结

通过这份面试录音，我们可以看到 初级工程师 到 高级工程师 过渡期的核心考点：

• • Flink 实战：提交模式、反压、Checkpoint、CDC。
• • Hive/Spark 调优：数据倾斜、小文件、Shuffle 机制。
• • 基础概念：内部表/外部表、资源调度（Capacity vs Fair）。
• • 项目细节：业务指标（挂号、门诊量）、数据流向（Source  -> Kafka -> Flink -> Sink）。

💬 这几道题你面试的时候遇到过吗？欢迎在评论区留言交流，我会一一回复！

📢 关注老师

如果这篇内容对你有帮助，麻烦点个赞和在看，后续我会持续更新大数据面试高频考点、简历优化技巧，陪你顺利拿offer！

👉 关注我的公众号【大数据面试分享】，后台回复 【面试】，免费领取 《2026最新大数据面试高频200题合集》 ，覆盖Hadoop、Spark、Flink、Hive核心考点，助你一站通关！