✨ 数据表合规治理

文章围绕数仓数据表“难用、难找、不规范”痛点，系统讲解合规治理：从问题根因与ROI评估出发，提出制定标准、下线废表、公共指标下沉、治理ODS穿透、烟囱表重构五步法，并给出看板考核、长期维护机制与求职量化写法。

📌 数据质量

数据质量是数仓生命线。文章从成因与痛点出发，提出上线/变更规范、代码审核、探查比对、DQC监控、基线SLA与问题闭环，推动上下游协同，实现可靠交付。

🎯 数仓开发流程场景题

本文汇总数仓面试4类高频场景题：2天交付报表、多需求冲突协调、跨行业快速上手、0-1搭建数仓；提供矛盾拆解、分步落地、并行协作、DQC校验及面试金句。

📚 数仓开发流程详解

本文围绕数仓开发全链路展开：先厘清上下游与对接角色，再按“需求调研→数据域划分→总线矩阵→指标定义→模型设计→开发上线”拆解流程，并给出数据质量校验、DQC监控、倾斜治理等避坑点与面试表达技巧。

📁 HDFS 小文件治理

本文聚焦 HDFS 小文件痛点，系统梳理小文件定义、成因与对 NameNode、调度和存储的影响；给出 Spark3 AQE 自动合并、控制 Reduce、源头合并及存量/增量治理方案，并总结生产避坑与常见答疑。

🏗️ 维度建模理论

文章系统梳理 Kimball 维度建模：维度+事实、总线架构与一致性维度/事实；对比范式建模及三范式；讲解星型/雪花/星座模型；结合 ODS→ADS 分层与四步流程，并介绍事实表类型与 SCD 处理方案。

📊 数据质量 & 数仓业务价值 场景题

文章梳理数据质量长期跟踪体系：从问题盘点、规则管理、DWD明细与ADS汇总建模，到看板展示与监控闭环；并总结数仓对业务的四大价值：增长分析、质量稳定、查数提效与成本优化。

🚨 数据倾斜调优 面试题

数据倾斜是 Hive/Spark shuffle 的性能杀手，会导致任务卡顿、超时或 OOM。文章从参数配置、Map/Reduce 阶段实操入手，给出 Map Join、AQE、自适应分区、随机打散、拆分大 Key、替代 distinct 及小文件治理等优化方案。

📚 数仓建模 面试场景题

梳理数仓分层核心：以空间换时间，ODS接入、DWD清洗明细、DWM维度退化轻汇总、DWS统一口径聚合、ADS画像应用，并总结建模五要素、开发流程与分层评价维度。

📘 Doris 存储体系与关键技术

本文梳理 Doris 核心底层机制：Segment V2 存储分层与文件格式（数据区/索引区/Footer）、多类索引加速查询；介绍正交 Bitmap 通过分桶并行实现高效去重；并解析 Unique Key+Sequence Column 解决并发更新覆盖与防回退问题。

📘 Doris 架构详解

🌟 Doris 基础

文章系统梳理 OLTP 与 OLAP 的定位差异：OLTP 侧重事务一致性与高并发写入，OLAP 面向海量数据分析。进一步介绍 MOLAP/ROLAP/HTAP 三种路线、MPP 并行架构与主流引擎对比，并总结企业从离线数仓到实时数仓再到湖仓一体+AI 的演进趋势。