今天跟大家分享个免费的技术教程，手把手带你玩转分布式技术的实战开发。
该教程里面包含：一个多人实战训练营 + 一套价值 2699 的录播视频 + 100 道面试题，让你从根本上掌握分布式开发的核心技术。
下面是该课程的详细介绍 ????
1
《手撸 HDFS 和 MapReduce》训练营
完全免费，3 天，5000 人一起在线直播撸码。
带详细注释的源码，也将全部开放！
3 天纯干货训练营，免费参加
与大家一起狂欢、一起成长
2
价值 2699 的录播视频
训练营报完名！还有一套免费的视频资料，详细讲解了【Kafka 源码】、【Hadoop】、【大数据中台】、【企业级大数据平台搭建】等各类干货。我们把集群需要用到的各种程序进行了打包，根据视频教学内容可以让我们轻松搭建完全分布式环境，像在企业生产环境一样进行实践。有了各位大佬视频讲解加持，瞬间觉得像我这样的职场小白，升职加薪完全不在话下。
超多干货录播视频，扫码即可领取
3
67 道常见面试题
突如其来的疫情，让面试跳槽升级为炼狱难度，海投了一波简历，陆陆续续面了华为 OD、浙江大华、阿里云、焦点科技、中软国际...... 有点儿煎熬、有点儿无奈。为了避免各位踩坑，特意总结了一份面试题集，希望能对大家有所帮助。
Hadoop
1. HDFS 的架构设计是怎样的？
2. HDFS 的读写流程是怎样的？
3. MapReduce 计算引擎中的 shuffle 是怎样的？
4. 简要描述 Hadoop 跟 Spark 的区别。
……
Hive
1. Hive 和关系型数据库比较
2. Hive 元数据管理
3. 有没有遇到数据倾斜的问题（场景、解决方式）
4. Hive 两种类型的权限控制方式
5. Hive UDF， UDTF， UDAF，窗口函数（row_number, rank, cube, rollup, lag, lead)
6. Hive 的调优
7. Hive 分区和分桶的区别，内部表和外部表的区别，怎么进行动态分区？
8. Hive 几种存储方式的区别？
……
Kafka
1.Kafka 的架构
2. 关于 Kafka 为什么这么快
3.Kafka 和其他消息队列的区别
4.Kafka 如何保证消息队列不丢失？
5.Kafka 消息数据积压，Kafka 消费能力不足怎么处理
6.Kafka producer consumer 怎么实现 at most once 和 exactly once（幂等计算和事务）
7.Kafka 高可用怎么实现的
8.Kafka 数据重复
……
HBase
1. RowKey 怎么设计的？
2. 描述 HBase 中 scan 和 get 的功能以及实现的异同
3. 在 HBase 中，是允许设置多个列簇的，但是为什么在实际生产中会设置很少的列簇呢？
4. HBase 的存储格式
5. HBase 的读写流程
6. HBase 的优化
7. 关于 HBase 数据热点的问题
……
Spark
1. Spark 有几种部署方式？请分别简要论述
2. Spark on yarn cluster 作业提交的流程
3. Spark 提交作业参数
4. 如何理解 Spark 中的血统概念（RDD）
5. Spark 调优
6. Spark 划分任务
7. Spark 宽窄依赖 ，reducebykey 和 groupbykey 的性能谁高？
8. 分别简述 Spark 中的缓存机制（cache 和 persist）与 checkpoint 机制，并指出两者的区别与联系
9. Spark 的缓存级别
10. 某个 task 莫名其妙内存溢出的情况
11. 简述 Spark 中共享变量（广播变量和累加器）的基本原理与用途
12. 简述 SparkSQL 中 RDD、DataFrame、DataSet 三者的区别与联系？
13. Spark Streaming 控制每秒消费数据的速度
14. SparkStreaming 有哪几种方式消费 Kafka 中的数据，它们之间的区别是什么？
……
数仓
1. 数据仓库的模型设计
2. 数仓质量怎么监控
3. 业务建模、数据分析方法
4. 有没有遇到数据倾斜的问题（场景、解决方式）
5. 数仓规范设计哪些方面 (字段、维度，存储压缩、数据保留机制)
6. 数仓有用到增量表、还是全量表？拉链表做过吗？
……
篇幅有限，还有一堆面试题
扫码领完它，囤起来看
面试题给了，解决方案？
我们训练营有群，前转转公司大数据平台负责人，在线答疑，而且大部分的内容，我们在 3 天的训练营过程中也会讲到！！
你还真的要听听我们怎么分析的！！
有些地方，都是坑，你都没发现，也没答到点上：
1. HDFS 是一个主从架构。从节点负责分摊集群的工作，主节点负责进行从节点的管理。
2. HDFS 中默认文件中的而每个数据块写入三个副本，写入过程是客户端把第一个副本写到第一个节点，再由第一个节点写到第二个节点，再由第二个节点写到第三个节点。
3. MapReduce 的 shuffle 过程是：mapper 阶段的输出结果，根据分区规则把结果数据通过网络传输到第二个阶段，也就是 reducer 阶段。
4. Hadoop 提供分布式的存储和结算解决方案，但是 Spark 就提供了计算解决方案，所以说 Spark 替代 Hadoop 是不可能的。
上面的回答不够细致，面试官问的某些问题并不是他真正的问题，而是这个问题所延伸出来的问题。比如问 HDFS 的读写流程，其实更多的是想知道 HDFS 到底怎么确保一个文件，完好无损的写入 HDFS，还要保证高效率、以及容错相关的事儿；再比如 MapReduce 框架的核心部分，就是 Mapper 和 Reducer 之间的 Shuffle 过程。Shuffle 过程非常复杂，既然面试官问，肯定是想让我更清楚详尽的去描述这个过程，考察知识深度的掌握情况。
“积累是一个层面，更重要的是在项目实操案例中如何实现由点画线，由线构面。“
后语
误打误撞进了大数据门的小白，一路修行，磕磕绊绊。这中间也曾经历过焦虑失眠，凌晨四点爬起来 Coding。时间久了也会自我怀疑，怀疑自己这么努力到底值得吗？
但一方面对新技术的渴望，另一方面来自房贷的压力，像是时刻悬在我头上的达摩克里斯之剑，让我时刻保持清醒的头脑，不断学习。在马伯庸 《长安十二时辰》里看到一句话，非常喜欢，和大家共勉：
“祷以恒切， 盼以喜乐，苦以坚忍，必有所得”。
【一起努力，3 天免费训练营，等你来】