java常见面试场景题

25-03-08 01:03

2059

13673

blog.csdn.net

id="article_content" class="article_content clearfix"> id="content_views" class="markdown_views prism-atelier-sulphurpool-light">

1. 如何定位线上OOM

造成OOM的原因

在这里插入图片描述

如何快速定位OOM

2. 如何防止重复下单

在这里插入图片描述

方案一：前端提交订单按钮置灰

用户点击下单按钮后置灰，防止用户无意点击多次

在这里插入图片描述

方案二: 后端Redis setnx

用户token +商品URL+ KEY 用setnx 命令并设置过期时间3-5秒防止重复下单

在这里插入图片描述

3. 如何设计分布式日志存储架构

单体项目使用Logback, Log4j记录日志到文件中

在这里插入图片描述

优点：部署简单，成本低，容易维护，性能高，稳定
缺点：在分布式环境下不方便排查问题

在这里插入图片描述

如何实现日志分布式系统

在这里插入图片描述

MongoDB存储

在这里插入图片描述
2. ELK存储

4. 给你以一亿个 Redis keys, 统计双方共同好友

要统计双方共同好友，可以使用Redis的Set数据结构来实现。以下是一个详细的步骤：

使用Redis的Set数据结构‌ ：
将每个用户的好友列表存储在一个Set中。例如，用户userid:20002和userid:20003的好友列表可以分别存储在两个Set中。
使用交集命令SINTERSTORE‌：

Redis自带的交集命令SINTERSTORE可以用来求两个Set的交集，并将结果存储在一个新的Set中。示例命令如下：

SINTERSTORE userid:new userid:20002 userid:20003
 class="hljs-button signin active" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

这条命令会计算userid:20002和userid:20003的好友列表的交集，并将结果存储在Set userid中。

处理大量数据‌：

存储一亿个数据在Redis中成本可能过高，因为Redis是内存数据库，存储大量数据会占用大量内存资源。因此，需要考虑其他解决方案。
一个更适合的解决方案是使用MySQL作为主要存储，通过分库分表策略分散数据存储压力，并使用缓存（如Redis）存储热点数据，以提高查询效率。

‌使用其他数据库‌：

如果社交数据非常复杂，可以考虑使用图数据库（如Neo4J）来存储和查询好友关系。Neo4J能够通过命令直接查询可能认识的好友、共同好友等关系。

监控和优化‌：

对于如此大量的数据，需要持续监控Redis的性能和内存使用情况，确保系统的稳定性和高效性。
可以通过使用Redis的INFO命令来获取服务器的状态信息，如内存使用情况、连接数、命中率等，以便及时进行调优。
请注意，处理如此大量的数据需要谨慎设计系统架构，并考虑到数据的扩展性、安全性和性能。在实际操作中，可能还需要根据具体情况进行进一步的优化和调整。

另外，由于Redis是内存数据库，对于存储大量数据（如一亿个key）的情况，需要确保有足够的物理内存来支持，并考虑使用持久化机制（如RDB和AOF）来防止数据丢失。

在这里插入图片描述

5. 如何使用redis记录上亿用户连续登录天数

在这里插入图片描述
可以采用Redis提供的Bitmap（位图）数据结构来实现。Bitmap实际上是由一个一个的bit的二进制位所组成的数组，每一个位只能存0和1，非常适合用于这种二值统计的场景。

以下是使用Redis记录上亿用户连续登录天数的基本步骤：

选择数据结构‌：

使用Redis的Bitmap数据结构。Redis的Bitmap是由string类型所实现的，string类型最大可以存储512兆字节，换算成bit位，可以存储42亿多个bit位，因此足够存储上亿用户的连续登录状态。

设计key和offset‌：

使用日期作为Bitmap的key，例如“20250209”表示2025年2月9日。
将用户的ID映射到Bitmap的偏移位（offset）。假设用户ID是唯一的数字，那么可以直接将用户ID作为偏移量。例如，用户ID为5的登录状态就存储在offset为5的位上。

在这里插入图片描述

记录登录状态‌：

当用户登录时，使用Redis的SETBIT命令将对应日期和用户ID的位设置为1。例如，如果今天是2025年2月9日，用户ID为5的用户登录了，那么执行命令SETBIT 20250209 5 1。

统计连续登录天数‌：

要统计某个用户的连续登录天数，可以从当天开始，往前面的日期去推算。例如，要统计用户ID为5的连续登录天数，从当天开始，逐日检查对应位是否为1，直到遇到0为止。
使用Redis的GETBIT命令获取指定位置的bit值。

设置key的过期时间‌：

一般不需要统计超过30天的连续登录天数，因此可以将当前key的过期时间设置为30天，超过30天自动过期，这样可以有效利用Redis的内存。

6. 查询200条数据耗时200毫秒，怎么在500毫秒内查询1000条数据

如果查询可以并行化（即多个查询可以同时进行而不会相互影响），你可以考虑使用多线程或异步编程来同时发起多个查询。

import java.util.ArrayList;
import java.util.List;
import java.util.concurrent.Callable;
import java.util.concurrent.ExecutionException;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.Future;

public class MultiThreadedQuery {

    // 假设这是你的查询方法，单线程查询200条数据耗时200毫秒
    private static List<Data> queryData(int start, int count) {
        // 模拟查询操作
        try {
            Thread.sleep(count / 2); // 假设每条数据查询耗时0.5毫秒（仅为示例）
        } catch (InterruptedException e) {
            Thread.currentThread().interrupt();
        }
        
        List<Data> dataList = new ArrayList<>();
        for (int i = 0; i < count; i++) {
            dataList.add(new Data(start + i)); // 添加模拟数据
        }
        return dataList;
    }

    // 使用多线程查询数据
    public static List<Data> queryDataInParallel(int totalCount, int threadCount, int batchSize) {
        ExecutorService executor = Executors.newFixedThreadPool(threadCount);
        List<Future<List<Data>>> futures = new ArrayList<>();
        
        for (int i = 0; i < totalCount; i += batchSize) {
            final int start = i;
            final int count = Math.min(batchSize, totalCount - i);
            futures.add(executor.submit(new Callable<List<Data>>() {
                @Override
                public List<Data> call() throws Exception {
                    return queryData(start, count);
                }
            }));
        }
        
        List<Data> result = new ArrayList<>();
        for (Future<List<Data>> future : futures) {
            try {
                result.addAll(future.get());
            } catch (InterruptedException | ExecutionException e) {
                e.printStackTrace();
            }
        }
        
        executor.shutdown();
        return result;
    }

    public static void main(String[] args) {
        int totalCount = 1000;
        int threadCount = 5; // 假设使用5个线程
        int batchSize = 200; // 每个线程查询的批次大小

        long startTime = System.currentTimeMillis();
        List<Data> data = queryDataInParallel(totalCount, threadCount, batchSize);
        long endTime = System.currentTimeMillis();

        System.out.println("Queried " + data.size() + " items in " + (endTime - startTime) + " ms.");
    }

    // 假设的数据类
    static class Data {
        private int id;

        public Data(int id) {
            this.id = id;
        }

        // getter, setter, toString等方法可以根据需要添加
    }
}

 class="hljs-button signin active" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">