1、你处理过的最大的数据量？你是如何处理他们的？处理的结果。


2、在处理大数据过程中，如何保证得到期望值？


3、如何让一个网络爬虫速度更快、抽取更好的信息以及更好总结数据从而得到一干净的数据库？


4、点击流数据应该是实时处理？为什么？哪部分应该实时处理？


5、你最喜欢的编程语言是什么？为什么？


6、如何把非结构化的数据转换成结构化的数据？这是否真的有必要做这样的转换？把数据存成平面文本文件是否比存成关系数据库更好？


7、如何判别mapreduce过程有好的负载均衡？什么是负载均衡？


8、Spark和Hive的区别，以及Spark和Hive的数据倾斜调优问题？


9、Hive和Hbase的区别？


10、MapReduce的思想，以及MapReduce调优问题？


11、你所了解的开源网站？


12、有两个集群，每个集群有3个节点，使用hive分析相同的数据，sql语句完全一样，一个集群的分析结果比另外一个慢的多，给出造成这种现象的可能原因？


13、Hbase的优化？


14、集群的版本，以及集群的瓶颈问题？


15、CRM项目，怎么跟Spark结合？


16、如何创建一个关键字分类？


17、海量日志数据，提取出某日访问百度次数最多的那个IP？


18、Hadoop和Spark处理数据时，出现内存溢出的处理方法？


19、有一个1G大小的一个文件，里面每一是一个词，词的大小不超过16字节，内存大小限制大小1M，返回频率最高的50个词。


20、你是如何处理缺少数据的？你是推荐使用什么样的处理技术，或者说你是用什么样的技术处理呢？


. . . . .