Databricks面试会问哪些问题？

Databricks面试通常从Delta Lake开始，因为该平台正是构建在它之上的。你需要能够说明Delta表相较于普通Parquet文件增加了什么：记录每次提交的事务日志，由此实现原子写入、一致性读取，以及查询表的早期版本。后续问题通常可以预见：时间旅行如何工作（读取日志的早期快照）、VACUUM会删除什么以及它为何会限制可回溯的时间范围，还有MERGE如何实现更新插入和变更数据捕获模式。

• 架构强制与演进。不符合架构的写入会被拒绝，除非启用了架构演进；请说明你会在什么情况下允许演进。
• OPTIMIZE与文件布局。小文件会降低读取性能；压缩会重写这些文件，而聚类或Z-ordering会将查询所筛选的值放置在相近位置。
• 在同一张表上进行流处理和批处理。同一张Delta表既可以是流式接收端，也可以是批处理数据源；请解释Structured Streaming作业写入Delta时，“恰好一次”具体意味着什么。
• Delta Live Tables与管道。带有数据质量期望的声明式管道；你需要说明某行数据未满足期望时会发生什么。

回答时要讲清机制。说Delta符合ACID只是口号；说明事务日志如何让读取方看不到部分失败的写入，才是真正的答案。

你已经构建过青铜层、白银层和黄金层，而且怀疑面试官想听的不只是这些名称。确实如此，因此本节会介绍每一层背后的设计思路，以及用于检验这些思路的问题。

• 青铜层。原始数据摄取、仅追加，并保留数据到达时的架构。追问：既然白银层更干净，为什么还要保留原始数据？为了重新处理和审计。
• 白银层。经过清洗、去重和标准化的记录。追问：对于可能延迟到达或重复到达的事件流，如何去重？水印在其中发挥什么作用？
• 黄金层。供分析师和仪表盘使用的聚合数据与业务级表。追问：谁负责定义这些指标？如何避免两张黄金层表中的收入数据不一致？
• 编排。作业、任务依赖、重试和告警。追问：如何让作业具有幂等性，从而避免重新运行时重复计数？
• 数据摄取。使用Auto Loader进行增量文件发现，以及简单的目录遍历为何无法扩展。

面试官还会询问成本：为什么通用集群不适合运行计划作业，何时应使用作业集群或无服务器计算，以及自动扩缩容和竞价实例会如何改变账单。说明约束条件，选择实现机制，并指出成本。

资深岗位的面试会直接给你一个故障症状。一个典型例子是：某零售公司的平台岗位候选人被告知，一项将订单与客户维度表连接的夜间作业，在数据量激增后从几分钟延长到了数小时。出色的回答会先查看查询计划和Spark UI，而不是立即扩大集群：检查连接是否从广播连接变成了混洗连接、是否有少数键出现数据倾斜、混洗分区数是否仍与数据量匹配，以及源表是否存在可通过OPTIMIZE修复的小文件问题。面试官会根据你的排查顺序评分。

其他常见场景包括：流式作业的延迟不断增加，以及触发间隔、状态大小与水印如何相互影响；某个笔记本对一位用户可用、对另一位用户却失败，这通常是权限问题，并会引出Unity Catalog、工作区和服务主体；分析师抱怨某张表的数据陈旧，这属于数据时效性和编排问题；还有如何安全地向另一个团队开放数据，这会涉及Delta Sharing和目录级授权。

在正式通话前，大声演练这些问题及其追问；模拟面试模式专为场景题而设计，更广泛的数据与工程题库则位于按职位和主题分类的面试题页面。

在对话式面试环节中可以，但需要明确合理的使用边界。SubcueAI的原生macOS和Windows桌面应用会采集系统音频和你的麦克风声音，并在本地浮层中显示简短的回答建议。因此，当面试官询问水印在流式去重中的作用时，你可以在屏幕上看到相关机制，再用自己的语言进行解释。浏览器扩展支持Chrome和Edge中的浏览器标签页通话，并且只采集会议标签页的音频。不会有机器人加入通话，也不会向会议页面注入任何内容；设置步骤请参阅教程页面。

使用边界包括：受监考的测评、屏幕录制、公司管理的笔记本电脑，或在监督下编写PySpark的实时笔记本练习，均不适用，而Databricks面试最难的部分往往正是在这些环节。该助手最适合辅助架构与权衡取舍类问题。请先上传你的简历，让建议能够反映你实际构建过的管道；简历生成器会保存这份资料。