搜狐畅游秋招面经：Linux 排障与数据处理系统

《面试题目》

1. CPU 很高但吞吐没提升，怎样定位？
2. 类加载器如何改变双亲委派策略，会带来哪些风险？
3. Hive SQL 从提交到执行有哪些阶段？
4. Spark 的窄依赖、宽依赖与 Stage 划分是什么关系？
5. AQE 的分区合并、倾斜处理和 Join 转换怎样生效？
6. 反射调用有哪些开销，MethodHandle 与 invokedynamic 有什么作用？
7. Hadoop NameNode 为什么采用专门的元数据管理方式？
8. Observer NameNode 与 Standby NameNode 有什么区别？
9. 反压时 Flink Checkpoint Barrier 怎样传播？
10. 为什么 Watermark 不能彻底消除乱序数据问题？
11. Kafka Exactly-Once 为什么不等于所有外部副作用只发生一次？
12. 消费组再均衡为什么会引起消费抖动？

《参考解析》

高 CPU 的定位顺序

先看哪个进程、哪个线程在消耗 CPU，再把热点线程与调用栈对应起来。Java 服务中既要看业务循环，也要看 GC、自旋和序列化；数据任务则要看是否只有少数分区特别慢。优化之前先拿到热点证据，避免仅靠增加线程把竞争放大。

消息一致性的范围

Kafka 事务能协调协议覆盖范围内的消息与消费进度，但不会自动把一次普通 HTTP 调用或外部数据库写入纳入事务。若外部写成功后进程退出、位点尚未提交，重试仍会再次执行。业务侧需要幂等键、唯一约束或能参与一致性协议的输出端。

乱序与迟到

Watermark 表达的是事件时间进度的估计，不是证明以后绝不会来更早的数据。窗口仍要定义允许迟到多久、迟到后更新结果还是送往旁路。时效和完整性之间的取舍要结合业务，而不是期待一个参数同时消除延迟与遗漏。