题目来源 最全腾讯等BAT大数据面试99题 以下答案仅供参考，如有错误请指正

1. hadoop中两个大表实现join的操作，简单描述？

并没有抓到该题的关键，请大佬指教；
关于Hive的Join 参考链接 Hive基础二（join原理和机制，join的几种类型，数据倾斜简单处理）

2. Hive中存放是什么？

表（数据+元数据）。 存的是和hdfs的映射关系，hive是逻辑上的数据仓库，实际操作的都是hdfs上的文件，HQL就是用sql语法来写的mr程序。

3. Hive与关系型数据库的关系？

没有任何关系。Hive是为了方便数据查询减少MR程序的编写，是一次写多次读的操作，不能进行实时的CRUD操作。

4. 讲一下数据库，SQl ，左外连接， 原理，实现？

参考链接 MySQL查询优化——连接以及连接原理

5. 大表和小表join？

可以通过/* + streamtable(表) */指定大表，或通过 /* + mapjoin(表) */指定小表
指定后会将小表数据放入内存更快的join；若不指定 join 默认将最后一个表作为大表；
通常 每次写join时可将小表放左侧，大表放右侧

6. 数据清洗怎么做的？怎么用spark做数据清洗？

7. Hadoop中二次排序怎么做？

参考链接 如何在Map-Reduce中实现二次排序（对Value排序）

8. hadoop常见的join操作？

(1) reduce side join：是最简单的join操作，主要是在reduce端进行join操作；
(2) Map side join：之所以存在reduce side join，是因为在map端不能获得需要连接的全部的字段。Reduce side join比较低效，因为shuffle传输数据需要消耗大量的性能。
(3) Semijoin：半连接，对于reduce side join，跨机器的数据传输量特别大，成为join的一个瓶颈。如果能在map端过滤掉不会参加join的数据，那么可以大大节省网络IO。

9. hive优化有哪些？

  1. Map优化
  2. reduce优化
  3. join优化

参考链接 Hive-优化 密码：ibean.top

10. 分析函数？

参考链接 Hive分析函数