数据仓库工程师面试题及ETL开发含答案.docxVIP

第PAGE页共NUMPAGES页

2026年数据仓库工程师面试题及ETL开发含答案

一、选择题（共5题，每题2分）

题目：

1.在数据仓库设计中，星型模型和雪花模型的主要区别在于？

A.数据冗余程度

B.维度表的数量

C.层级结构复杂度

D.数据更新频率

2.以下哪种技术最适合用于处理大规模数据的ETL流程优化？

A.批处理

B.流处理

C.交互式查询

D.摩尔定律

3.在数据仓库中，FactTable通常存储哪种类型的数据？

A.维度信息

B.交易事实

C.用户定义字段

D.系统元数据

4.以下哪个工具通常用于数据质量监控？

A.Spark

B.Talend

C.GreatExpectations

D.Kafka

5.数据仓库中的SlowlyChangingDimension（SCD）主要用于解决什么问题？

A.数据冗余

B.维度数据变化

C.性能瓶颈

D.数据安全

二、简答题（共3题，每题5分）

题目：

1.简述数据仓库与关系型数据库的主要区别。

2.解释ETL流程中“数据清洗”的三个关键步骤。

3.描述数据仓库中“数据分区”的作用及其常见类型。

三、计算题（共2题，每题8分）

题目：

1.某电商平台每天产生10GB的交易数据，假设ETL处理窗口为8小时，系统可用率为95%。计算若每GB数据需处理时间10分钟，该系统每小时最多能处理多少GB数据？

2.在数据仓库中，某FactTable包含1000万行数据，每行数据有5个维度表关联。若使用星型模式，计算查询效率相比雪花模式提升多少？（假设雪花模式增加30%维度冗余）

四、设计题（共2题，每题15分）

题目：

1.设计一个电商数据仓库的星型模型，包含至少3个维度表和1个FactTable，并说明每个表的关键字段及作用。

2.某企业需要实现实时数据仓库，请设计ETL流程方案，包括数据源、处理工具、存储方式及优缺点分析。

五、编码题（共1题，20分）

题目：

使用Python编写一个ETL脚本，实现以下功能：

-从CSV文件读取销售数据（包含日期、产品ID、销售额），去除重复值。

-将清洗后的数据按日期分区写入HDFS，并统计每日总销售额。

（注：无需实际运行，只需提供代码逻辑及说明）

答案及解析

一、选择题答案

1.B

解析：星型模型将维度表扁平化，减少关联复杂度；雪花模型将维度表进一步规范化，但会增加表数量。

2.A

解析：批处理适合大规模数据批量处理，效率高；流处理适用于实时场景。

3.B

解析：FactTable存储业务事实数据，如交易金额、数量等。

4.C

解析：GreatExpectations是数据质量监控工具；Spark、Talend为ETL工具；Kafka为流处理工具。

5.B

解析：SCD用于处理维度数据变化，如客户地址变更。

二、简答题答案

1.数据仓库与关系型数据库的主要区别

-目的不同：关系型数据库面向事务处理（OLTP），数据仓库面向分析（OLAP）。

-数据结构不同：关系型数据库表结构固定，数据仓库采用星型/雪花模型，聚合数据。

-数据更新频率不同：关系型数据库实时更新，数据仓库定期更新（如每日）。

-数据冗余不同：关系型数据库低冗余，数据仓库允许冗余以优化查询效率。

2.ETL中数据清洗的三个关键步骤

-数据去重：去除重复记录，如重复的交易ID。

-数据格式化：统一数据类型，如将日期格式转换为YYYY-MM-DD。

-数据验证：检查数据完整性，如金额是否为正数、手机号是否合法。

3.数据分区的作用及类型

-作用：按时间、地区等维度划分数据，提高查询效率、简化备份恢复。

-类型：

-范围分区：按数值范围（如日期）。

-散列分区：按哈希值均匀分配。

-列表分区：按固定值（如地区）。

三、计算题答案

1.计算系统处理能力

-每小时可处理数据量=(8小时×60分钟/小时)×10分钟/GB×95%=456GB

解析：可用时间=8小时×0.95=7.6小时，每小时处理=7.6小时×60分钟/小时×10分钟/GB=456GB。

2.星型与雪花模式查询效率对比

-星型模式关联维度表次数：5次

-雪花模式关联维度表次数：5（主表）+3×5（子表）=20次

-效率提升：20-5=15倍

解析：雪花模式冗余维度表导致关联成本增加，星型模式简化查询。

四、设计题答案

1.电商数据仓库星型模型设计

-FactTable：`Sales_Fact`（`Order_ID`,`Date`,`Product_ID`,`Quantity`,`Revenue`）

-