文章目录

• 前言
• 一、面试内容
• • 美团一面
  • 阿里一面
• 二、回答不好的地方
• • 1.美团一面
  • • 1.1 CMS垃圾回收器回收流程
    • 1.2 Spring的对象创建
    • 1.3 B+树原理
  • 2.阿里一面
  • • 1.1 有哪几种线程池
    • 1.2 hashmap导致死循环的bug在什么场景下产生？
    • 1.3 mysql insert buffer（change buffer）有什么用？
    • 1.4 mysql为什么要写日志，为什么不直接写进数据？ 你不觉得保存数据那一刻数据库宕机了，也没写到硬盘里啊？
    • 1.5 四个commit知道吗？
    • 1.6 为什么我查中间字段联合索引就没用了
    • 1.7 场景题——真实场景里的一个舆情分析问题，舆情去噪
• 总结

前言

美团一面3月22日，阿里一面是在3月24日。
这两面的面试官风格截然不同，美团一面主要想看我基础知识到底扎不扎实，并不会继续进行深层次的追问，觉得我原理掌握的差不多就直接跳到另一个问题。而阿里一面给我的感觉就是思路很跳脱，面试官会不断根据我说的追问下去，而且问题往往不是那种标准的问法。
相对而言，我美团一面表现的还不错，问题基本都答上来了，而且做了很多延伸，很多时候都是面试官打断我说可以了。而阿里面试官不会听我太多bb（hh，因为我回答问题都是根据我自己的理解然后用口语化的表达出来的，所以能讲很长时间），往往会在我提到一个点的时候打断我根据这个点不断深入下去。
美团一面面了一个小时，阿里一面面了一个半小时，因为也没太多相关面试经历，我也不知道面试官问我的这些是不是普遍的难度。

PS：本人23届双非本，找暑期实习

一、面试内容

先放面试内容

美团一面

自我介绍
平时的学习方法
jvm内存区域和垃圾回收
CMS垃圾回收器回收流程
Spring IOC，对象初始化（生命周期）
项目是否用到了分布式
redis 数据类型
redis 持久化方式
redis 部署方式
线程使用
线程池原理
mysql 聚簇索引和非聚簇索引
B+树原理，如何实现数据存储和查找
主键自增和自定义
如何处理慢sql
问了一些竞赛内容
编程题——40亿个数里寻找未出现的整数（说思路即可）
有什么问题想问吗？

PS：整体而言，中规中矩吧，问的都是常见面试题，问法也很标准

阿里一面

自我介绍
Java内存模型（自由发挥）
高速缓存在哪(介绍硬件时被打断，追问了高速缓存)
为什么要提出CAS，如何实现变更高速缓存时的同步（其实就是问高速缓存的具体步骤）
CAS具体步骤
CAS为什么要compare的过程
CAS的ABA问题（自己延伸的）
有哪几种线程池类型？
ThreadPoolExcutor参数
有界队列和无界队列的场景
hashmap 1.7和1.8的区别
hashmap导致死循环的bug在什么场景下产生？
mysql insert buffer（change buffer）有什么用？
double write（双写）是干什么的？
mysql为什么要写日志，为什么不直接写进数据？ 你不觉得保存数据那一刻数据库宕机了，也没写到硬盘里啊。
四个commit知道吗？（七绕八绕原来是问事务隔离级别，后面也问了默认的隔离级别）
事务隔离级别原理（MVCC）
mysql里面的索引（说了一点紧接着又提问下一个问题）
B+树和B树有什么区别？
mysql中联合索引是怎么搜索的？
为什么我查中间字段联合索引就没用了
场景题——真实场景里的一个舆情分析问题，他们自己也在做（100w+文本 5-100字 每小时产生20W+数据 有相似度（可以使用标签，地点，时间（24小时）） 要求对数据进行去重）
算法题——字符串里寻找所有“叠词”
优化一下（直接改题目…）

PS：这里回答的不好的地方就比较多了，也暴露出我的一些知识盲区，也正是阿里一面才萌生了写篇博文的念头

二、回答不好的地方

1.美团一面

1.1 CMS垃圾回收器回收流程

这个我就直接说不了解了，面试后也去整理了相关知识点

1.2 Spring的对象创建

我猜测面试官应该是想问ioc的生命周期的。
对于Spring的对象创建应该回答三级缓存那套

在确认后我还是回答了生命周期，不过对于初始化bean的流程，我实在记不住，只大致回答了几个，然后说主要是spring功能上的一些初始化操作。因为确实没有相关的实践操作，而我记忆力奇差，除非能理解这些具体细节和为什么，否则我真的是记不住。

1.3 B+树原理

那时候还比较模糊，心里只有一张图，所以回答的并不是很好。
面试后我花了半个晚上去搞懂了B+树，并整理到了我的知识脑图里

2.阿里一面

1.1 有哪几种线程池

之前知道Executors类下面有不同的方法封装了不同的线程池创建，但我知道的仅此而已，并不知道具体的，面试后去整理了下。
大多数也是对于ThreadExecutorPool的封装。

1.2 hashmap导致死循环的bug在什么场景下产生？

额，属实不知，跟面试官说没遇到过这个bug。

后面我也去查阅很多博文，并用我理解的话更新进我的知识脑图中

1.3 mysql insert buffer（change buffer）有什么用？

这个我确确实实是不知道的，只能怪自己太菜了。因此恶补了一波数据库，查阅了好多好多博文。

当时面试官问我的时候，我确实不知道insert buffer ，但是听这个名字有点像数据库缓存的味道，便反问了面试官是不是数据库缓存。

其实这两者差别很大，但也确实功能上有一些类似，主要都是利用缓存来加快读写效率，不过insert buffer是在引擎层面用来防止过多的随机io而设置的，而数据库缓存（query cache）是在Server层，用于减少重复的数据库查找（8版本因为太鸡肋而移除）

总结来说，insert buffer 在buffer pool中，主要是通过类似高速缓存的思路来降低磁盘io次数，将非唯一索引的更新放在内存（insert buffer对象），再在合适时机取出对应索引页进行合并，同时再找合适时机写入磁盘，此时就将随机写变为数据页刷入的顺序写，这点对于机械硬盘来说，效果尤为明显。

在各种文章，Mysql buffer pool详解 - 奕锋博客 - 博客园 (cnblogs.com)这篇讲的非常好。

查阅很多文章后，最终将其整理了下来。

从这里也纠正一下我对redo log的理解，之前一直以为它是起到的是一个事务和加快写效率的作用。我有时也确实会疑惑一点——当过多redo log积压（在极客时间中MySQL实战45讲中提到最大会有4G），如此大的数据量，那真实存储时的数据不是要落后好几个版本？那MVCC读取版本链的时候读到的数据都是多久之前的？在复习的时候确实有这种疑惑，印象里我确实也在某些文章中读到过有这种缓冲区的存在，但是始终无法融入到我的知识体系中，也就没过多在意，直到这次被面试官问懵了。

redo log确实有确保事务的能力，但他最初的作用只是保证一个crash-safe的能力，即保证数据库发生异常重启时，之前提交的记录都不会丢失。

而我其实也一直很疑惑undo log 和redo log在具体事务的写顺序和持久化方式。
最终通过查阅各种文章发现，undo log是在事务之前，在具体更新之前操作的，redo log是在之后记录的，而更有意思的一点是——在mysql看来 undo log也是数据，在undo log生成时，也会生成一条额外的redo log，因此undo log本身是不做持久化的，其持久化是依赖于 redo log。

但到这里还没有结束，我依旧无法将buffer pool 和undo log、redo log联系在一起，在我的知识体系中两者是分裂的。

由此带来一些问题，比如，我会疑惑——为什么undo log需要持久化？
因为在我原先的认知中，数据没有提交之前是不会落盘的，是在内存中的，因此没必要进行落盘。

最终我在一个知乎回答中找到了答案。undo log 为什么需要落盘？ - 知乎 (zhihu.com)

undo log持久化步骤如下：

1 把undo的redo写入redo buffer
2 修改内存页
3 把脏页redo写入redo buffer
4 redo buffer中的redo刷盘
5 此时脏页才有机会落盘
6 后续commit 等操作

所以 undo log为什么要落盘（持久化）？

• 在事务未提交之前，数据页是有可能被刷盘的，所以我们在宕机时，我需要undo log持久化来确保事务被正确回滚
• 当内存不够时，undo log会先换到磁盘中

1.4 mysql为什么要写日志，为什么不直接写进数据？ 你不觉得保存数据那一刻数据库宕机了，也没写到硬盘里啊？

之前由于不知道buffer pool的存在以及对redo log的误解，所以没有回答好。
这里再回答一下，
写redo log，主要是为了保证crash-safe，即保证数据库宕机时，之前提交的记录依旧不会丢失。
在写入数据的那一刻，脏页确实没有被flush到硬盘，但是在数据修改之前，相对应的undo log和redo log都已经被顺序写入redo log 文件（除非你修改了默认的数据库redo log持久化策略，会导致丢失1s内的记录），所以在数据库恢复时，mysql会重做redo log来保证数据的正确性，最终数据并不会丢失。

1.5 四个commit知道吗？

后面才知道是read commit，read uncommitted ，这英文第一时间没反应过来是事务隔离级别，后面描述的时候事务提交的阶段（事务的几个状态），我就想歪了，以为是我不知道的某些事务提交方式，最后叫我说事务隔离级别我才反应过来。

具体我也回答了，就不多写了。

1.6 为什么我查中间字段联合索引就没用了

原理是答出来了，但是很难用语言准确表达那个意思。面试官也知道我理解就继续问下个问题了。

事后诸葛亮一波，因为联合索引是根据字段顺序排序的，所以只有前面字段相等时，后面字段排序才有意义。mysql会优先排序之前的字段，只有相等的时候才会根据后面的字段排序。（感觉和面试时候回答的差不多是怎么回事~ _ ~ !）

1.7 场景题——真实场景里的一个舆情分析问题，舆情去噪

100w+文本 5-100字（猜测是文章标题） 文本有一定相似度，“杭州发生疫情”、“原标题：杭州发生疫情”、“杭州发生疫情”是一件事。
文本里面可以提出标签，比如“杭州”，“疫情”。所有的疫情都会提两个纬度——标签和地点
数据以小时级别新增，每小时产生20W+数据 ，这20W+数据中有很大量的重复数据
请问如何进行去重？

其实乍一听到这个题目，我便想知道一个问题——如何判断重复？
虽然他给了例子——“杭州发生疫情”、“原标题：杭州发生疫情”、“杭州发生疫情”，但是并没有一个明确的标准。
于是我追问了“如何定义重复？”
面试官补充了一个标准就是时间（天级别或者小时级别），这个时间相当于该文本的一个属性，重复的定义就是——“标签、地点和时间要一致”，并举了一个例子，“3月21日 杭州发生了疫情”和“3月27日 杭州发生疫情”这是两个不同的事件。

于是我向面试官确认重复的定义——“标签、地点和时间要一致，隔天发生的事件算两件事情”。
面试官说“也不一定，这里有个去重比例、漏去重和过度去重的比例。”

PS：这里双方都有些不好的地方。作为做题者的我，需要明确题目的边界，就比如这里的对于重复的定义，这样我才能根据面试官的意思去找到解决方案，同时也是为自己争取一些思考的时间。但其实如果在真实做项目的过程中，这个问题并不该问，因为真实场景中，比如面试官在最后也说到了这是一个舆情去重的场景。在这个场景下，重复的定义我们应该是明白的，但是如何去用计算机语言，用一个可以量化的指标去定义重复，这本身就是我们该思考、该解决的一个问题。
但是在面试的这个场景下，我们并不知道这个问题在解决什么场景下的问题，虽然在举例的过程中大概也能猜出来，但是边界、可使用的条件也很模糊。面试官采用的方式确实是限定条件，并且提示了可以使用标签、地点、时间来判断重复，相当于在一个特定场景下去重，简化了原本的问题，那么这里问的便是一个具体的解决实现。

其实这时我也差不多能猜到——重复不重复其实本身是一个设计者应该思考的问题，并没有一个绝对正确的答案。这里面试官对这个问题的理解就是标签、地点和时间一致，但我向面试官确认这个条件时，面试官的回答是——“也不一定”，这就说明，面试官其实也知道也会有例外发生，这并不能作为一定正确的判断标准。

这也是为什么我后面向面试官确认——“重复不重复是一个有点主观的事情，我们需要用一个计算机的方式去进行判断，至于评价标准是一个比较主观的事”。

其实这里主观一词用的并不恰当。
我们这里仔细想一下，两条新闻的标题，或者是不知道哪里爬来的句子（这里因为不知道获取数据的手段，就随便假设一下），真正能判断他们说的是否是一件事情的标准是什么？是不是很难界定？如果用我们人的角度去思考，这个实际上需要理解这个句子它在讲什么，这个就涉及语义的问题，这样是不是又联想到人工智能那边了？
但其实在这个问题场景下，我们并不需要准确分析句子的语义，并不需要精准的去重。作为工程师，我们需要做的就是权衡效果和代价去设计解决方案。

---

好了，扯了一堆，上述也都是面后的思考，纯属马后炮行为。

至于方案，我确实没有什么特别好的判断重复的手段和标准，面试官给的条件确实是一个不错的解决思路。

当时我的回答思路并不好，毕竟在有限时间里想一个没有接触过的场景，而且很多东西我也没有接触过，比如打标签是通过nlp模型识别出来的，这意味着打标签的过程其实也会有性能消耗，这我是根本没有考虑到的。

不过面试官人挺好的，在我不断确认下，也透露了很多信息给我，包括了一部分他的解决思路。

注意，以下纯属马后炮，是我面后重新梳理思路写的，就当看个乐呵吧。

首先，对于方案的设计，尤其是针对这种大数据的处理方案，首先要做的就是观察数据特征，这就像我之前参加华为软件精英挑战赛，也是需要针对数据的特征去找到思路并对症下药设计方案的。

如果样本数据出现很多重复的，比如说有很多条数据都是一字不差的“杭州发生疫情”，那么我们有必要对其进行第一步去重，首先去除完全一样的。但如果这种数据很少很少，那我们就没必要去进行去重，因为内存中维护一个这样的数据结构（比如Map）代价是很大的，尤其是在数据量如此之大的场景下。

通过标签来进行去重，这是一个很好的方法，得益于npl模型。但是这里我们也需要知道一个信息——通过npl模型获得标签的效率高不高？如果高的话，我们完全可以把它摆到前面来去重，因为很多时候文本重不重复很大程度上取决于标签；但是如果效率不高，这时候我们需要把取标签的操作放到后面，在前面先过滤掉一部分，比如地点、时间（但其实这种过滤掉的数据应该很少，当然这个具体得看数据集的特征，我觉得少没用）。

对于具体设计而言，我们可以大致知道——标签、地点一致，时间在一个范围内的都可能是同一件事情。换言之，我们可以把一个文本看做是标签和地点的排列组合（地点也可以当做标签处理），而重复则意味着组合相同。
为了处理方便，我们可以把标签和地点加上相应的编号，之后组合时按序号排序，以“,”隔开，比如“杭州发生了疫情”则可以变为“3，9”，3是杭州的编号，9表示疫情这个标签。然后将其放在一个map中进行去重，key是转换后“序列号”，value为具体的文本（便于后续查询不重复的文本）。

又或者可以利用字典树的方式，和往常处理不同的是，添加数据时我们依旧要对编号排序，因为我们只需要组合相同即可，而不是排列。

以上便解决地点和标签的去重。

接下来是时间的处理，因为我们无法确定不同时间报道的新闻是不是同一个新闻，时间纬度很大程度上只是一个参考,所以并不能作为一个决定性的因素，因此这里的设计要考虑我们究竟想要达到什么样的效果。是宁可错杀一千也不放过一个？还是追求最大程度上的不重复？

为了通用性考虑，我们在设计时间去重时可以设置有效时间，这个时间意味着两个新闻都是“杭州发生疫情”的情况下，相差多久报道才不算是一个新闻。
亦或者我们可以设计得更复杂一点，借鉴老化算法的思路，为每天/每小时设置一个map/字典树，时间越久的map/字典树权重越低，越容易被判成不同新闻。每次去重需要按照时间先后去判断有没有重复。

…

总之呢，在这里空讲意义其实并不大，说得再多也只是纸上谈兵，具体还得看数据集的特征，很多思路都是从数据集的特征上来的。

总结

首先，很感谢美团和阿里给我这个双非本科生面试的机会，让我认识到了自己的不足。其次，很感谢阿里面试官对我的建议——多思考，找准一个方向。
很多时候我确实很难静下心来去思考问题，尤其是在做项目赶工期的时候，尽管遇到了很多难题，但也只是追求达到需求就好。但其实我自认为我对于学习的思考还是比同龄人做的好的，我写的很多博文也会记录我自己的思考和总结，不过这还是不够，学习应该是个不断试错、终身探索的过程。

回顾我这一路自学之旅，其实我也知道我自己并不聪明，我并不比别人强，我有的只不过是那份坚持、那份倔强，我可以在实验室一天到晚的学习探索，享受知识、项目带给我的乐趣和充实感，而这是别人所达不到的，仅此而已。

---

整理于2022.3.26 晚

愿我们以梦为马，不负青春韶华
与君共勉！