欢迎点击下方👇关注我，记得星标哟~
文末会有重磅福利赠送
今天的面经来自咱们训练营的一位超级机灵的小姐姐。她加入我们还不到一个月的时间，凭借着自己的努力加上我们的助力，先是顺利通过了百度的第一轮面试，紧接着又告诉我，阿里巴巴那边的第一轮面试也过了，真是好事成双啊！
她以前底子不是特别好，虽然能约到面试，但是经常在一面就被刷下来，这个真的是很多人的共性问题。
加入我们的训练营后，有了系统的指导和持续的监督，再加上她本人也积极上进，各个方面都提升得很快。现在面试的情况，她自己是这么和我说的：”能和面试官聊起来，而且聊的挺开心“。
但是接下来还得继续加油，争取拿到更多的offer，到时候选择权就在她手里了。
今天，我想跟大家分享的就是她在百度面试的经历，面试的职位是在百度旗下的一款汽车资讯平台——有驾。如果你对这个职位或者面试经验感兴趣，就请继续往下看看哈。
面试题目
跟她项目内容相关的问题没有具体答案
自我介绍 说一下你的项目？ 说一下你们的微服务架构？ 介绍一下项目内容中台？ 项目中的权限系统的存储是如何设计的？
微服务拆分太细了有什么问题？
通信成本增加：
每个微服务之间通过网络进行通信，频繁的网络请求会增加延迟。 序列化和反序列化的开销也会增加，尤其是在使用JSON等文本格式时。
部署和维护复杂度增加：
更多的服务意味着更多的部署单元，需要更多的服务器资源和运维工作。 需要更多的监控和日志管理，以确保每个服务的健康状态。
服务间依赖关系复杂：
服务之间的依赖关系变得更加复杂，可能导致“服务雪崩”现象，即一个小服务的故障可能引发整个系统的瘫痪。 需要更多的协调和管理来确保各个服务之间的兼容性和一致性。
团队协作难度增加：
团队成员需要了解更多的服务和接口，增加了学习和沟通的成本。 协调多个团队的开发进度和发布计划变得更加困难。
项目中是怎么使用gRPC的？gRPC和HTTP+JSON比较有什么差异？
gRPC的使用：
服务定义：使用Protocol Buffers（protobuf）定义服务接口和消息格式。 客户端和服务端代码生成：通过protoc编译器生成客户端和服务端的代码。 高效通信：使用高效的二进制协议，减少传输数据的大小和解析时间。 流式传输：支持客户端流、服务器流和双向流，适用于需要大量数据交换的场景。
gRPC与HTTP+JSON的差异：
协议：gRPC使用HTTP/2协议，支持双向流式传输；HTTP+JSON使用HTTP/1.1协议，主要支持请求-响应模式。 数据格式：gRPC使用二进制格式，传输效率更高；HTTP+JSON使用文本格式，易于阅读和调试。 代码生成：gRPC可以自动生成客户端和服务端代码，减少开发工作量；HTTP+JSON需要手动编写请求和响应处理代码。 性能：gRPC在大数据传输和高并发场景下性能更好；HTTP+JSON在简单应用场景下更灵活。
项目中的权限系统存储是如何设计的？
用户表（Users）：
存储用户基本信息，如用户名、密码、邮箱等。 示例字段： user_id,username,password,email,created_at
角色表（Roles）：
存储角色信息，如角色名称和描述。 示例字段： role_id,role_name,description
权限表（Permissions）：
存储具体的权限信息，如查看、编辑、删除等。 示例字段： permission_id,permission_name,description
用户角色关联表（User_Roles）：
存储用户和角色的关联关系。 示例字段： user_id,role_id
角色权限关联表（Role_Permissions）：
存储角色和权限的关联关系。 示例字段： role_id,permission_id
权限系统的缓存是缓存的什么内容，大小多少，什么数据格式？
缓存内容：
用户ID 用户的角色ID列表 用户的权限列表
缓存大小：
具体大小取决于用户数量和权限数量，但通常会设置合理的过期时间（如30分钟），以避免占用过多内存。
数据格式：
键值对形式，键通常为用户ID，值为包含角色ID和权限列表的JSON字符串。 示例： {
"user_id": "123",
"roles": ["admin", "user"],
"permissions": ["read", "write", "delete"]
}
缓存有大Key如何解决？
分片：
将大Key的数据拆分成多个小Key，每个小Key存储一部分数据。 例如，可以按角色ID分片，每个角色ID对应一个Key。
使用更高效的数据结构：
使用Redis的哈希表（Hash）来存储复杂的数据结构。 示例： HSET user:123 roles admin,user
HSET user:123 permissions read,write,delete
限制单个Key的大小：
在应用层限制单个Key的大小，超过一定阈值时进行分片存储。
使用批量提交进行优化，有没有丢失数据的可能？如何解决？
丢失数据的可能性：
网络中断：在批量提交过程中，如果网络中断，部分数据可能没有成功提交。 数据库错误：数据库在处理批量提交时可能出现错误，导致部分数据丢失。
解决方案：
事务管理：将批量提交放在一个事务中，确保所有操作要么全部成功，要么全部失败。 检查点机制：在每次批量提交前记录一个检查点，如果发生异常，可以从最后一个成功的检查点重新开始。 幂等性设计：设计幂等性的批量提交接口，即使多次提交同一批数据也不会产生副作用。 重试机制：在网络中断或其他临时错误时，自动重试批量提交操作。
如果评论表要分表怎么设计？
分表策略：
示例：按年份和月份分表，如 comments_2023_10、comments_2023_11。水平分表：按时间戳或评论所属的文章ID进行分表。 垂直分表：将不同类型的字段分开存储，如将评论内容和元数据分开存储。
分表后的管理：
路由机制：使用中间件或代理层自动路由请求到正确的表。 统一接口：对外提供统一的接口，内部根据规则路由到不同的表。 数据迁移：在分表后，需要将现有数据迁移到新的表结构中。
分完表后，上线新表怎么做？
准备阶段：
创建新的表结构，并确保所有的业务逻辑已经适配新的表结构。 进行充分的测试，确保新表结构的正确性和性能。
灰度发布：
选择一小部分用户或流量，逐步将请求路由到新表。 监控新表的表现，确保没有异常情况。
全面切换：
一旦确认新表稳定可靠，可以逐步增加路由到新表的流量比例。 最终完全切换到新表，关闭旧表的写入功能。
回滚机制：
准备好回滚方案，如果新表出现问题，可以迅速切换回旧表。
新表上线后应该读哪个表？
读取策略：
双写双读：在新表和旧表都写入数据，读取时优先从新表读取，如果新表中没有数据再从旧表读取。 渐进切换：一开始主要从旧表读取数据，随着新表数据的积累，逐渐增加从新表读取的比例。 最终切换：当新表的数据足够完整且稳定后，完全切换到新表读取。
监控和日志：
监控新表的读取性能和数据完整性。 记录读取日志，分析数据的一致性和完整性。
聊一聊数据库的索引？
索引的作用：
加速查询：通过索引可以快速定位到目标数据，减少全表扫描的时间。 唯一性约束：索引可以用于确保某个字段的值是唯一的。
索引类型：
B-Tree索引：最常见的索引类型，适用于范围查询和精确查询。 哈希索引：适用于精确查询，但不支持范围查询。 全文索引：用于全文搜索，支持复杂的文本匹配。 位图索引：适用于布尔值或枚举值的查询。
索引的代价：
存储开销：索引需要额外的存储空间。 写入性能：插入、更新和删除数据时需要维护索引，可能会影响写入性能。
索引优化：
选择合适的字段：为经常用于查询条件的字段创建索引。 避免过度索引：不必要的索引会增加存储和维护成本。 复合索引：为多个字段创建复合索引，提高查询效率。
索引的叶子节点存的什么？MySQL一页多大？
叶子节点的内容：
聚簇索引：叶子节点存储完整的行数据。 非聚簇索引：叶子节点存储指向聚簇索引的指针（通常是主键值）。
MySQL一页的大小：
默认情况下，MySQL的InnoDB存储引擎一页的大小是16KB。 可以通过配置文件中的 innodb_page_size参数调整页大小，但通常不建议修改。
不使用自增ID作为主键，使用随机ID作为主键乱序插入有什么问题？
页分裂：
随机ID插入会导致页分裂，即当插入的数据不能放入现有的数据页时，需要将数据页拆分成两个页面。 页分裂会增加磁盘I/O操作，降低插入性能。
磁盘碎片：
随机插入会导致数据在磁盘上分布不均匀，形成磁盘碎片。 磁盘碎片会降低读取性能，因为连续读取变得困难。
索引树的高度：
随机ID插入会导致B-Tree索引树的高度增加，影响查询性能。 插入顺序ID时，索引树的高度相对较低，查询性能更好。
内存使用：
随机ID插入会增加缓冲池的碎片，影响内存使用效率。
了解页分裂吗？
页分裂的原因：
当向已满的数据页中插入新记录时，数据库引擎会将该页分成两个页面，以便腾出空间来存放新记录。 常见于随机插入和更新操作。
页分裂的影响：
性能下降：页分裂会增加磁盘I/O操作，降低插入和更新性能。 磁盘碎片：数据在磁盘上分布不均匀，影响读取性能。 索引碎片：索引树的结构变得不规则，影响查询性能。
避免页分裂的方法：
预分配空间：在创建表时预分配足够的空间，减少页分裂的发生。 顺序插入：尽量使用自增ID或其他有序的主键，减少随机插入。 定期优化：定期对表和索引进行优化，如使用 OPTIMIZE TABLE命令。
聚簇索引和覆盖索引的问题
聚簇索引：
定义：聚簇索引是表数据的物理存储方式，决定了数据在磁盘上的排列顺序。 特点：每个表只能有一个聚簇索引，通常是主键索引。 优点：查询速度快，因为数据按索引顺序存储。 缺点：插入和更新性能较差，因为需要维护数据的物理顺序。
覆盖索引：
定义：覆盖索引是指一个非聚簇索引包含了查询所需要的所有列，这样查询可以直接通过索引完成，而不需要再回表查找其他信息。 特点：可以显著提高查询性能，减少磁盘I/O操作。 创建方法：在创建索引时，确保索引包含查询所需的全部列。
聊一聊事务？
事务的定义：
事务是一组数据库操作，这些操作要么全部成功执行，要么全部不执行，以保证数据的一致性和完整性。
ACID特性：
原子性（Atomicity）：事务中的所有操作要么全部完成，要么全部不完成。 一致性（Consistency）：事务执行前后，数据库必须处于一致状态。 隔离性（Isolation）：事务之间相互隔离，一个事务的执行不会受到其他事务的干扰。 持久性（Durability）：事务一旦提交，其结果是永久的，即使系统发生故障也不会丢失。
事务的用途：
数据一致性：确保多个操作作为一个整体执行，避免部分操作成功而部分操作失败的情况。 并发控制：通过事务隔离级别，控制并发事务之间的相互影响，避免数据冲突。
事务如何实现的？
日志文件：
预写日志（WAL）：在事务开始时，数据库会先记录所有即将发生的变更到日志文件中，然后再真正地修改数据。 日志文件的作用：用于恢复未完成的事务状态，确保事务的持久性。
事务日志：
Redo日志：记录事务对数据的修改操作，用于事务提交后的数据恢复。 Undo日志：记录事务前的数据状态，用于事务回滚和多版本并发控制（MVCC）。
事务管理：
开始事务：标记事务的开始，开始记录日志。 提交事务：将所有日志记录写入磁盘，确保事务的持久性。 回滚事务：撤销事务中的所有操作，恢复到事务开始前的状态。
Go的map是线程安全的吗？
标准map：
Go语言中的标准 map不是线程安全的。如果多个goroutine同时读写同一个 map，可能会导致程序崩溃。
线程安全的map：
使用互斥锁（Mutex）：在并发访问 map时，使用sync.Mutex或sync.RWMutex来同步访问。var mu sync.Mutex
var m = make(map[string]int)
func add(key string, value int) {
mu.Lock()
defer mu.Unlock()
m[key] = value
}
func get(key string) int {
mu.Lock()
defer mu.Unlock()
return m[key]
}**使用 sync.Map**：sync.Map是Go标准库提供的线程安全版本的map。var m sync.Map
func add(key string, value int) {
m.Store(key, value)
}
func get(key string) int {
val, _ := m.Load(key)
return val.(int)
}
Go的slice扩容怎么做？
自动扩容：
当一个 slice的空间不足时，Go运行时会自动为其分配更大的内存空间，并复制原有数据到新的位置。扩容时，通常会将容量扩大到原来的两倍左右。
扩容机制：
初始容量： slice的初始容量通常是固定的，如16或32。扩容公式：当 slice的长度达到容量上限时，新的容量通常是当前容量的两倍。newCap := oldCap + oldCap/2
if newCap > maxSliceCap(len) {
newCap = maxSliceCap(len)
}
性能优化：
预分配容量：在创建 slice时预分配足够的容量，减少扩容次数。s := make([]int, 0, 1000) // 初始长度为0，容量为1000手动扩容：在特定场景下，可以手动进行扩容操作，避免频繁的自动扩容。 if cap(s) < neededCapacity {
newS := make([]int, len(s), neededCapacity)
copy(newS, s)
s = newS
}
编程题：合并区间
题目描述： 给定一个区间的集合，合并所有重叠的区间。
解题思路：
排序：首先按照区间的起始位置进行排序。 遍历：遍历排序后的区间，对于每个新区间，如果它的起始位置小于或等于当前合并区间的结束位置，则说明这两个区间是重叠的，应该合并；否则，开始一个新的合并区间。
示例代码：
package main
import (
"fmt"
"sort"
)
// Interval 表示一个区间
type Interval struct {
Start int
End int
}
// mergeIntervals 合并区间
func mergeIntervals(intervals []Interval) []Interval {
iflen(intervals) == 0 {
return intervals
}
// 按照区间的起始位置排序
sort.Slice(intervals, func(i, j int) bool {
return intervals[i].Start < intervals[j].Start
})
var result []Interval
current := intervals[0]
for _, interval := range intervals[1:] {
if interval.Start <= current.End {
// 区间重叠，合并区间
current.End = max(current.End, interval.End)
} else {
// 区间不重叠，将当前合并区间加入结果集
result = append(result, current)
current = interval
}
}
// 添加最后一个合并区间
result = append(result, current)
return result
}
// max 返回两个整数中的较大值
func max(a, b int) int {
if a > b {
return a
}
return b
}
func main() {
intervals := []Interval{
{1, 3},
{2, 6},
{8, 10},
{15, 18},
}
merged := mergeIntervals(intervals)
fmt.Println("Merged Intervals:", merged)
}
输出：
Merged Intervals: [{1 6} {8 10} {15 18}]
早日上岸！
我们搞了一个免费的面试真题共享群，互通有无，一起刷题进步。
没准能让你能刷到自己意向公司的最新面试题呢。
感兴趣的朋友们可以加我微信：wangzhongyang1993，备注：面试群。
点击下方文章，看看他们是怎么找到好工作的！
