鼠鼠第一次投大厂面试,写面经攒人品:1. 个人介绍(2min)2. 挖项目(我跟后端相关的项目似乎只有抖音商城(字节跳动青训营),他一直挖我这个项目)3. 服务是怎么被发现的?(微服务)4. 假如你这个服务要更新,要更平滑,不让用户感到延迟,你会怎么做?- 维护两套环境（蓝：当前生产环境；绿：新版本环境）。- 新版本在绿环境测试通过后，切换流量到绿环境，蓝环境作为回滚备用。- 优点：零停机，用户无感知切换。5. 你输入一个url的处理过程6. 然后就开始写题了,面试官直接口述,输入一个数字,输出下一个最小的比这个数大的数字(重新排列)leetcode类似的题目是:[556. 下一个更大元素 III](******************************************************)这道题手撕还是相当紧张的,给我撕出来了7. 数据库事务是什么8. mvcc是什么,怎么实现的?9. 场景题,给你一个番茄小说的书,有十万订阅,如何快而准确的通知到所有订阅的人更新了(这里要求你去用具体的实现)我这里寄了,后面复盘的时候,应该是使用feed流,这个是用ai写的答案:- 推模式 (Fanout-On-Write/Writes)：- **操作时机：** 当关键事件（如新章节发布）发生时**立即**执行。- **目标用户：** **核心活跃粉丝（数量相对较小）**。- **动作：** 将事件**直接写入**这些目标粉丝的个人 **收件箱（Inbox Feed）**（一个按时间排序的数据存储）。用户访问自己的 Feed 流时，直接从这个收件箱拉取即可，延迟极低。- 拉模式 (Fanout-On-Read)：- **操作时机：** 当用户主动请求访问 Feed 流时执行。- **目标用户：** **非核心粉丝（长尾粉丝，数量大）** 或 触发推模式的粉丝，在访问 Feed 时可能需要拉取更长时间范围内的数据。- **动作：** 后端服务在用户请求时，**实时聚合**用户所关注对象（收藏的书籍）的 **发件箱（Outbox Feed）** 数据（包含所有发布事件），按时间排序后返回给用户。这需要访问多个发件箱（每个收藏的书一本）并聚合。- **「推拉结合」的关键：** **合理区分「核心粉丝」与「长尾粉丝」**，只对核心粉丝进行实时写入。**关键组件与流程详解：**1. **事件源 (Event Source)：**- **新章节发布：** 最核心的事件源。携带 `bookId`, `chapterId`, `publishTimestamp`。- **粉丝关系变更：** 用户收藏 (`favor`) 或取消收藏 (`unfavor`) 一本书。携带 `userId`, `bookId`, `action`, `timestamp`。2. **事件总线 (Event Bus)：**- 使用高吞吐、可靠的消息队列如 Kafka/Pulsar。接收上述事件并进行持久化，供下游消费者订阅。后面是就是针对十万用户的进行**精准界定“核心活跃粉丝” (`HotFanCache`)：**,查询优化,**高性能存储与分片：**10. 反问,问了业务是什么,技术栈是什么,然后和面试官聊的蛮开心的,面试官夸了基础好,知道稳了10min之后,hr通知2面.1面成功.
投递58到家等公司7个岗位
番茄小说二面3人在聊