2021年度华为java面试.doc

IT旅途——程序员面试经验分享 刊登于-05-09 09:16|?10181次阅读| 来源CSDN|?50?条评论| 作者季红 程序员 面试 职业生涯 摘要：本文从IT人员角度，一起分享面试道路上坎坷。文章汇集几种知名公司面试题，从出题角度到分析问题办法到解决问题较为全面解说面试题目，以供读者参照。 面试是职场永恒话题，如何在职场面试中脱颖而出，获得心仪职位？这里收集了关于面试经验热文，其中汇集了阿里巴巴、百度、微软几种知名公司面试题以及某些答题办法、技巧、面试心得体会，供读者参照。? [1] 教你如何迅速秒杀掉：99%海量数据解决面试题? 教你如何迅速秒杀掉：99%海量数据解决面试题 作者：July出处：构造之法算法之道blog 前言 普通而言，标题具有“秒杀”，“99%”，“史上最全/最强”等词汇往往都脱不了哗众取宠之嫌，但进一步来讲，如果读者读罢此文，却无任何收获，那么，我也甘愿背负这样罪名，:-)，同步，此文可以看做是对这篇文章： 十道海量数据解决面试题与十个办法大总结普通抽象性总结。 毕竟受文章和理论之限，本文将摒弃绝大某些细节，只谈办法/模式论，且注重用最通俗最直白语言阐述有关问题。最后，有一点必要强调是，全文行文是基于面试题分析基本之上，详细实践过程中，还是得详细状况详细分析，且场景也远比本文所述任何一种状况复杂得多。 OK，若有任何问题，欢迎随时不吝赐教。谢谢。 何谓海量数据解决？ 所谓海量数据解决，无非就是基于海量数据上存储、解决、操作。何谓海量，就是数据量太大，因此导致要么是无法在较短时间内迅速解决，要么是数据太大，导致无法一次性装入内存。 那解决办法呢?针对时间，咱们可以采用巧妙算法搭配适当数据构造，如Bloom filter/Hash/bit-map/堆/数据库或倒排索引/trie树，针对空间，无非就一种办法：大而化小：分而治之/hash映射，你不是说规模太大嘛，那简朴啊，就把规模大化为规模小，各个击破不就完了嘛。 至于所谓单机及集群问题，通俗点来讲，单机就是解决装载数据机器有限(只要考虑cpu，内存，硬盘数据交互)，而集群，机器有多辆，适合分布式解决，并行计算(更多考虑节点和节点间数据交互)。 再者，通过本blog内关于海量数据解决文章： Big Data Processing，咱们已经大体懂得，解决海量数据问题，无非就是： 分而治之/hash映射 + hash记录 + 堆/迅速/归并排序； 双层桶划分 Bloom filter/Bitmap； Trie树/数据库/倒排索引； 外排序； 分布式解决之Hadoop/Mapreduce。 下面，本文第一某些、从set/map谈到hashtable/hash_map/hash_set，简要简介下set/map/multiset/multimap，及hash_set/hash_map/hash_multiset/hash_multimap之区别(万丈高楼平地起，基本最重要)，而本文第二某些，则针对上述那6种办法模式结合相应海量数据解决面试题分别详细阐述。 第一某些、从set/map谈到hashtable/hash_map/hash_set 稍后本文第二某些中将多次提到hash_map/hash_set，下面稍稍简介下这些容器，以作为基本准备。普通来说，STL容器分两种， 序列式容器(vector/list/deque/stack/queue/heap)， 关联式容器。关联式容器又分为set(集合)和map(映射表)两大类，以及这两大类衍生体multiset(多键集合)和multimap(多键映射表)，这些容器均以RB-tree完毕。此外，尚有第3类关联式容器，如hashtable(散列表)，以及以hashtable为底层机制完毕hash_set(散列集合)/hash_map(散列映射表)/hash_multiset(散列多键集合)/hash_multimap(散列多键映射表)。也就是说，set/map/multiset/multimap都内含一种RB-tree，而hash_set/hash_map/hash_multiset/hash_multimap都内含一种hashtable。 所谓关联式容器，类似关联式数据库，每笔数据或每个元素均有一种键值(key)和一种实值(value)，即所谓Key-Value(键-值对)。当元素被插入到关联式容器中时，容器内部构造(RB-tree/hashtable)便依照其键值大小，以某种特定规则将这个元素放置于恰当位置。 涉及在非关联式数据库中，例如，在MongoDB内，文档(document)是最基本数据组织形式，每个文档也是以Key-Value（键-值对）方式组织起来。一种文档可以有各