站点图标 书樱寄语

【面试经过】26校招 字节跳动 后端研发工程师 国际化广告CRM与交易平台

SakuraPuare

1. Spring 启动流程（含 Spring Framework 与 Spring Boot 视角）

（A）Spring 容器 AbstractApplicationContext.refresh() 经典 12 步

  1. prepareRefresh()：准备环境（启动时间戳、占位属性、校验必需属性）。
  2. obtainFreshBeanFactory()：创建/刷新 BeanFactory，载入 BeanDefinition（XML/注解/JavaConfig）。
  3. prepareBeanFactory()：设置类加载器、EL 解析器、ApplicationContextAware 等常用能力。
  4. postProcessBeanFactory()：给子类扩展点（如 GenericApplicationContext）。
  5. invokeBeanFactoryPostProcessors()：执行 BeanFactoryPostProcessor（关键：ConfigurationClassPostProcessor 解析 @Configuration、@ComponentScan、@Import、注册更多 BeanDefinition）。
  6. registerBeanPostProcessors()：注册 BeanPostProcessor（AOP 代理、@Autowired 注入、@PostConstruct 等都依赖它们）。
  7. initMessageSource()：国际化消息源。
  8. initApplicationEventMulticaster()：事件广播器。
  9. onRefresh()：子类扩展点（Web 环境在此创建内置 Web 服务器）。
  10. registerListeners()：注册并触发早期事件。
  11. finishBeanFactoryInitialization()：实例化非懒加载单例 Bean，完成依赖注入与 AOP 代理创建。
  12. finishRefresh()：清理、发布 ContextRefreshedEvent，容器就绪。

（B）Spring Boot 启动要点（SpringApplication.run）

2. Elasticsearch 与 SQL（关系型数据库）的区别

维度 Elasticsearch 关系型数据库（SQL/RDBMS）
数据模型 文档型（JSON），Schema 灵活；倒排索引 行/列+严格 Schema；B-Tree/索引
查询语言 Query DSL（布尔、全文检索、评分）；也有 ES-SQL（语法糖） 标准 SQL（选择、连接、聚合、窗口函数）
一致性 近实时（默认 \~1s refresh），最终一致；写入刷盘 translog + 段合并 事务 ACID、强一致
事务 文档级原子；无跨多文档/多索引强事务 多语句事务，隔离级别
连接/关联 建议反范式，支持 limited 的 nested/parent-child，成本高 JOIN 一等公民
排序/相关性 TF-IDF/BM25 等相关性打分、模糊搜索 精确匹配，排序多基于字段
聚合分析 分布式聚合、桶/度量聚合、近实时 GROUP BY、窗口函数，强一致
扩展性 天生分片+副本，水平扩展容易 纵向为主；水平分片需中间件/应用层
适用场景 全文检索、日志/可观测性、近实时检索与聚合 OLTP 事务、强一致业务、复杂关联
成本与维护 集群调参（分片、副本、刷新、合并）、写放大 事务调优、索引设计、主从/分库分表

选型建议：检索与日志分析优先 ES；核心交易、强一致与复杂 JOIN 走 RDBMS。它们常互补：数据落地 RDBMS，旁路同步至 ES 做搜索。

3. git merge vs git rebase

概念

对比

团队建议

4. 子线程如何继承父线程里的数据（Java / Python）

Java

  1. ThreadLocal：线程本地变量，不会自动继承。

  2. InheritableThreadLocal（新建线程时复制）

    • 适合直接 new Thread 的场景；线程池复用线程时不生效。
    • 示例：
    static final InheritableThreadLocal CTX = new InheritableThreadLocal<>();
public static void main(String[] args) {
   CTX.set("trace-123");
   new Thread(() -> System.out.println(CTX.get())).start(); // 输出 trace-123
}

  3. 线程池中的传递：使用 TransmittableThreadLocal (TTL)（阿里开源）包装 Executor，解决线程复用导致的上下文不传与“脏数据”问题。

    TransmittableThreadLocal ttl = new TransmittableThreadLocal<>();
ExecutorService raw = Executors.newFixedThreadPool(4);
ExecutorService exec = TtlExecutors.getTtlExecutorService(raw);

ttl.set("trace-xyz");
exec.submit(() -> System.out.println(ttl.get())); // 正确输出

  4. 实践要点

    • 上下文建议封装为不可变对象；用完记得 remove() 防泄漏。
    • 记录链路用日志 MDC（org.slf4j.MDC），搭配 TTL 更稳妥。
    • 能显式传参就显式传参，降低隐式上下文耦合。

Python

  1. threading.local()：线程本地存储，不会自动继承。

  2. contextvars（推荐传递上下文）

    • ContextVar 对线程与协程隔离；默认不继承到新线程，但可用 copy_context() 拷贝父上下文并在子线程中运行。
    import threading, contextvars
trace_id = contextvars.ContextVar("trace_id")

def worker():
   print("child:", trace_id.get(None))

def main():
   trace_id.set("t-123")
   ctx = contextvars.copy_context()
   threading.Thread(target=ctx.run, args=(worker,)).start()

if __name__ == "__main__":
   main()  # child: t-123

    • 在线程池中：为每个 submit 捕获上下文

      from concurrent.futures import ThreadPoolExecutor
from contextvars import copy_context
with ThreadPoolExecutor() as ex:
 ctx = copy_context()
 ex.submit(ctx.run, worker)  # 传播父上下文快照
  3. 其他：显式参数传递最清晰；全局变量可见但不建议承载“上下文”。

5. 从“浏览器输入 URL”到“页面呈现”的全过程（高频面试版）

0）历史/本地“秒开”快路径（跳过网络）

  1. 前进/后退缓存（bfcache）
  1. Service Worker 拦截
  1. HTTP 浏览器缓存（memory/disk）

1）导航与 URL 解析

2）DNS 解析（无本地命中时）

3）定位链路层目标（ARP / MAC）

4）建连与加密：TCP/QUIC & TLS

5）发起 HTTP 请求（可能经代理/CDN/WAF）

6）服务器响应与缓存语义

7）连接复用与版本差异（性能面）

8）Renderer 渲染流水线（以 Chromium 为例）

  1. 解析构建：

    • HTML → DOM（脚本标签默认阻塞解析；defer/async/module 可缓解）；
    • CSS → CSSOM；
    • 合并为 Render Tree。
  2. 布局（Reflow）：计算几何、盒模型。
  3. 绘制与合成：分层、栅格化、GPU 合成输出到屏幕。
  4. 子资源获取：解析器预扫描发现外链资源，对每个资源同样走 SW/HTTP 缓存/网络 的“三段式”流程。
  5. 页面生命周期：事件循环、微/宏任务，后续交互驱动增量布局与绘制。
    （Chrome 官方系列对浏览器多进程架构与渲染管线有系统性讲解。）

9）连接关闭（或复用）

10）一张“面试可画”的决策树（简化）

  1. 历史导航？ → bfcache 命中 ⇒ 直接呈现。
  2. Service Worker 控制？ → 走 SW 策略，可能离线直出。

  3. HTTP 缓存命中？

    • 强缓存有效 ⇒ 本地直接用；
    • 需验证 ⇒ 发条件请求，304 用本地体；
    • 否则走网络。
  4. 走网络：DNS → ARP/MAC → TCP/QUIC + TLS（ALPN）→ 请求/响应（含 CDN）→ 回写缓存。
  5. 渲染流水线：DOM/CSSOM/Render Tree → 布局 → 绘制/合成。

5.1 HTTP/1.1 vs “HTTP/2”

对比项 HTTP/1.1 HTTP/2
编码形态 文本协议 二进制分帧（帧/流/消息）
连接利用 慢启动；管线化几乎停用；常并发 6 条连接/域名 单连接多路复用（并行请求，无应用层 HOL 阻塞）
队头阻塞 应用层易 HOL；需多连接来缓解 TCP 层仍可能 HOL，但应用层已缓解
头部 重复大、无压缩（或弱压缩） HPACK 头压缩（动态/静态字典）
优先级 无 请求优先级/依赖（实现差异）
服务器推送 无 Server Push（浏览器已普遍弃用）
安全/TLS 可明文/HTTPS 明文 h2c 存在但少见，实际多为 TLS+h2
性能策略 雪碧图、域名分片、内联资源 多路复用下不再需要这些反模式

补充：HTTP/3 基于 QUIC（UDP）解决 TCP HOL 与建连时延，更进一步提升时延与丢包恢复。

5.2 为什么不同地方 ping 同一个域名会解析到不同的 IP？

一句话总结：多数网站把“域名 → IP”的映射交给DNS 调度与 CDN 来做“就近/最优”分配；权威 DNS 会基于解析器所在位置（或 EDNS Client Subnet 提供的客户端前缀）、实时健康检查与时延、权重轮询等策略返回不同的 A/AAAA 记录，于是你在不同地区/不同网络 ping 同一域名时，往往拿到不同 IP。请求真正到达时，还可能走到 Anycast 最近节点或对应的边缘机房。

典型原因拆解

  1. DNS/GeoDNS 就近解析（基于解析器位置 + 可选 ECS）
  1. CDN 全局流量调度（健康、时延、容量）
  1. 轮询/加权轮询（多 A/AAAA）
  1. Anycast（任一播）
  1. 解析与缓存差异

小提示：ping 用的是系统的 DNS 解析结果；在双栈网络中，ping（IPv4）与 ping -6（IPv6）对应查询 A 与 AAAA，拿到的 IP 自然不同，这与地理调度并不冲突。

如何自行验证（命令行思路）

一图心智模型

你(客户端)
   │  DNS 查询
   ▼
本地/公共递归解析器  ──(可带 ECS 客户端前缀)──▶  域名权威 DNS/CDN GSLB
   │                                          │
   │◀──────── 返回“就近/最优”的 A/AAAA ────────┘
   │
   ▼
得到 IP → 发起连接（可能是 Anycast IP，路由到最近节点）

结论：不同地点 ping 同一域名拿到不同 IP 是正常现象，是 GeoDNS + CDN +（可选）Anycast 等机制协同实现的“就近与高可用”。当你换了网络、换了解析器、或过了 TTL，解析答案都可能变化。

6. 「拼手气红包」如何均匀/公平分配（算法与实现要点）

目标：总金额 S（以分为单位）拆成 n 份，每份 ≥ min（通常 1 分），期望值相等、结果看起来“有惊喜”。

常见算法

  1. 二倍均值法（Double-Mean，O(n)）

    • 思想：剩余金额 R、剩余人数 m 时，当前可领范围为 (min, 2 * (R/m) - min) 的均匀分布（再与上界 R - (m-1)*min 取最小以安全）。
    • 期望：E[x_i] = R/m，总体期望均等；极端值概率可控，看起来“有人多有人少”。

    • 伪代码（以分为单位，整型随机）：

      remain = S
for i in 1..n-1:
m = n - i + 1
max_allow = remain - (m-1)*min
max_dm   = floor(2 * remain / m)   # 二倍均值
hi = min(max_allow, max_dm)
amt = rand_int(min, hi)            # 均匀取整
give(i, amt)
remain -= amt
give(n, remain)
    • 优化：可设置 max_cap（单个上限）→ hi = min(hi, max_cap)；最后用“最大余数法”修正四舍五入误差（若使用浮点/元）。

  2. 线段切割法（随机切点/Dirichlet）

    • 在 [0, S] 上取 n-1 个随机点，排序后求相邻差即每份金额，天然总和 S。
    • 若需每份 ≥ min：先预留 n*min，对 S - n*min 切割，再加回 min。
    • 连续模型近似 Dirichlet(1,…,1)，从统计意义上最“公平随机”。

  3. 正态/指数偏好法

    • 以均值 S/n、方差参数控制离散度，从分布采样再做非负与求和约束修正（体验更“刺激”）。
    • 需注意最终离散到分后的校正。

正确性与工程细节

7. LeetCode 85. 最大矩形

https://leetcode.cn/problems/maximal-rectangle/description/

个人感受

  1. 面试官很注重学历（问我为什么没保研/学校为什么这么差）
  2. 很注重八股（没听到八股答案就上压力）
  3. 确实是我太菜了
退出移动版