Talend 面试通常考察两件事：你能否设计出一个合理的数据集成作业，以及你能否找出某个作业为什么变慢或出错。面试官会先问构建模块相关的问题（组件、子作业、tMap、上下文变量），然后给出关于错误处理、性能和部署的场景题。
Talend 现在已归属 Qlik，产品线这些年也发生了变化。先看职位描述，确认团队用的是带数据集成或大数据许可的 Talend Studio、Talend Cloud，还是更早的开源版本。下面这些概念对它们都适用，只是组件名称和部署细节有所不同。
你最常被问到的那些问题
什么是 Talend？它是如何生成代码的？
Talend 是一款数据集成工具。你在画布上通过连接组件来构建作业，Talend Studio 会根据设计生成 Java 代码。运行作业时，这些代码会被编译并执行。这一点在面试中很重要，因为它解释了为什么你可以在 tJava 或 tJavaRow 组件里写自定义 Java 代码，为什么 routine 是 Java 类，以及为什么内存设置其实是 JVM 设置。
作业、子作业和 joblet 之间有什么区别？
作业是完整的工作流。子作业是由数据流连接线连在一起的一组组件，而一个作业通常是由触发器连接的多个子作业。joblet 是一组可复用的组件，保存一次后可在多个作业中使用，类似于函数。
OnSubjobOk 和 OnComponentOk 有什么区别？
两者都是触发器连接，在某个东西成功执行后触发。OnSubjobOk 在整个子作业成功完成后触发。OnComponentOk 在单个组件一完成时就触发，可能发生在子作业执行到一半的时候。此外还有用于失败情况的 OnSubjobError 和 OnComponentError，以及用于条件分支的 Run if。
tMap 是做什么的？
tMap 是主要的转换组件。它把主流程与一个或多个查找流程连接起来，应用表达式，过滤行，并把数据发送到多个输出。需要提到的关键特性：
- 对查找进行内连接和左外连接
- 为连接或过滤失败的行提供 reject 输出
- 对输入和输出使用过滤表达式
- 变量，让一个计算只写一次就能复用
- 查找模型选项：加载一次、每行重新加载，或按 key 每行重新加载
在 tMap 中如何处理大型查找？
默认情况下，查找数据会被加载到内存中。对于大型查找，设置“Store temp data”让 tMap 把它写到磁盘，增加 JVM 内存，或者干脆改在数据库里做连接来避免这个问题。对于依赖传入行的查找，你也可以用“Reload at each row”，代价是每行都要查询一次，所以只适合主流程数据量小的情况。
什么是上下文变量？为什么要用它们？
上下文变量保存随环境变化的值，比如主机名、schema、文件路径和凭据。你定义一次，把它们分组到不同的上下文（Dev、Test、Prod）中，然后在运行时选择上下文。一个好的回答还会补充：密码不应以明文形式存储在作业中，同一个导出的作业应该能在所有环境中运行，只需更换上下文文件。
如何在作业之间传递值？
用 tRunJob 可以把上下文参数传给子作业，子作业可以用 tBufferOutput 组件或全局变量把值返回给父作业。在同一个作业内，值存储在 globalMap 中，这是一个 Java map，用 (String) globalMap.get("key") 读取，用 globalMap.put 写入。
tFlowToIterate 和普通流程有什么区别？
普通流程把所有行一起流过各个组件。tFlowToIterate 把每一行变成一次迭代，于是后续组件每行运行一次。它适合对一组文件名或表名进行循环，但对大数据集来说很慢，因为每次迭代都会启动一个子作业。
在 Talend 中如何处理错误？
提到多个层面：
- 触发器连接，如 OnSubjobError 和 OnComponentError，把失败发送到单独路径
- tDie 以错误码停止作业，tWarn 记录警告
- tLogCatcher 收集由 tDie、tWarn 和 Java 异常产生的警告和错误
- tMap 和数据库输出等组件上的 reject 连接，用于处理坏行
- tPreJob 和 tPostJob 用于打开资源并始终清理资源
你会如何调试一个失败的作业？
在 Debug 模式下运行它，或者添加 tLogRow 来查看组件之间的数据。检查控制台中的具体错误和组件名称，然后检查连接设置和正在使用的上下文值。对于数据问题，把 reject 输出到文件并检查它们。使用 tStatCatcher 或作业的统计信息也能显示每个组件的行数和耗时。
性能相关问题
一个加载百万行数据的作业很慢，你会检查什么？
- 时间花在哪里。每个组件的行数和耗时能帮你定位瓶颈。
- 这些工作是否应该在数据库里做。连接和聚合在 SQL 里往往比在 tMap 里更快。
- 提交大小。每行都提交会很慢，所以要批量提交。
- 批量组件。很多数据库都有批量加载组件，比逐行插入快得多。
- tMap 查找。大的内存查找可能导致垃圾回收暂停或内存溢出错误。
- JVM 设置。如果内存是瓶颈，就调高最大堆（Xmx 值）。
- 并行度。有些组件和作业可以并行运行，但前提是工作不依赖顺序。
你如何只加载新增或变更的记录？
维护一个高水位标记，比如最后修改时间戳或递增 ID，把它存在控制表或上下文变量里，只抽取高于它的行。对于目标端的更新，比较键并使用插入或更新操作，或者在数据库里用 merge 语句。对于删除，你可能需要做全键比较或使用变更数据捕获（CDC）数据流。
你如何去除重复数据？
tUniqRow 按选定列去重，并可以把重复行发送到单独的输出。tAggregateRow 可以分组并选取一个值。对于超大数据集，在数据库里用窗口函数通常更好。
值得记住名字的组件
| 组件 | 作用 |
|---|---|
| tFileInputDelimited、tFileOutputDelimited | 读写分隔符文件 |
| tDBInput、tDBOutput | 读写数据库表（每种数据库都有自己的版本） |
| tMap | 连接、过滤和转换 |
| tAggregateRow | 分组和聚合 |
| tSortRow | 排序行 |
| tUniqRow | 去除重复 |
| tReplicate | 把同一数据流发送到多个输出 |
| tNormalize、tDenormalize | 把一列拆成多行，或把多行合并成一列 |
| tRunJob | 调用另一个作业 |
| tJava、tJavaRow、tJavaFlex | 自定义 Java 代码 |
| tLogRow | 把行打印到控制台 |
| tDie、tWarn、tLogCatcher | 错误处理和日志记录 |
| tPreJob、tPostJob | 在主流程之前和之后运行的代码 |
部署与调度
要准备好描述你如何把作业从 Studio 带到生产环境。典型步骤是把作业构建成独立包或发布到仓库，设置生产上下文，然后用团队的调度器来调度，不管是 Talend 自带的管理工具、cron 还是其他编排工具。版本控制、命名规范以及作业文档都是好答案的一部分。
一个可以练习的场景
“你每天收到一个客户文件。有些行缺少邮箱，有些客户已经存在于数据仓库中。请设计这个作业。”
一个有力的提纲：
- 用 tFileInputDelimited 和定义好的 schema 读取文件。
- 在 tMap 中，把缺少邮箱的行过滤到拒绝文件，并在仓库表中查找客户键。
- 把已有客户发送到更新路径，把新客户发送到插入路径。
- 以合适的提交大小批量写入数据库。
- 使用 tLogCatcher 和控制表记录每次运行的行数和错误。
- 用上下文变量保存文件路径和数据库连接，这样同一个作业可以在每个环境中运行。
把你的假设说出来，比如文件大小以及是否需要保留历史记录，因为面试官想看到你是如何推理的。
如何准备
如果可以的话，端到端构建一个小作业：读取一个文件，在 tMap 中把它与一张表连接，处理拒绝数据，并写入数据库。要能够解释当它在第 50 万行失败时你会怎么做。准备一两个你经历中的真实例子，并带上数字，比如每次运行的行数或节省的时间。关于相关的数据工程主题，请参阅我们的 Databricks 和 Snowflake 面试指南。
出声练习会有帮助。用一次模拟面试来解释一个作业设计，然后阅读文字记录，看看你的解释在哪里跳过了步骤。在任何现场面试中，都要遵守雇主关于 AI 工具的规定。
使用 YesToTheOffer 练习 Talend 面试答案
进行模拟技术面试，大声解释作业设计，并在之后查看你的记录。30 分钟免费，无需订阅。
