不是吧阿 sir，你这业务太熟了吧，震惊面试官第八年，献给真心想学 Java 的打工人
首先，将 0 - 4294967259 这个范围平均分成 64 个区间，每个区间是 67108864 个数，为了定位更加准确一些，我们先开辟一个大小为 64 的整型数组 intArray，将 40 亿个数进行区间划分，第 0 区间（0-67108863）、第一区间（67108864-134217728）、第 i 区间（67108864i-67108864(i+1)-1）,…，第 63 区间（4227858432 - 4294967259）。intArray 分别记录每个区间出现的数的个数，肯定至少有一个区间上的计数少于 67108864.利用这一点可以快速找出一个没有出现过的数。
? 第一次遍历时，先申请长度为 64 的整型数组 countArr[0…63]，countArr[i]用来统计区间 i 上的数有多少。遍历 40 亿个数，根据当前数是多少来决定哪一个区间上的计数增加。例如，如果当前数是 3422552090，3422552090/67108864=51，所以第 51 区间上的计数增加 countArr[51]++。遍历完 40 亿个数之后，遍历 countArr，必然会有某一个位置上的值(countArr[i])小于 67108864，表示第 i 区间上至少有一个数没出现过。我们肯定会至少找到一个这样的区间。此时使用的内存就是 countArr 的大小（64×4B），是非常小的。
假设我们找到第 37 区间上的计数小于 67108864，以下为第二次遍历的过程：
1．申请长度为 67108864 的 bit map，这占用大约 8MB 的空间，记为 bitArr[0…67108863]；
2．再遍历一次 40 亿个数，此时的遍历只关注落在第 37 区间上的数，记为 num（num/67108864==37），其他区间的数全部忽略。
3．如果步骤 2 的 num 在第 37 区间上，将 bitArr[num - 67108864*37]的值设置为 1，也就是只做第 37 区间上的数的 bitArr 映射。
4．遍历完 40 亿个数之后，在 bitArr 上必然存在没被设置成 1 的位置，假设第 i 个位置上的值没设置成 1，那么 67108864×37+i 这个数就是一个没出现过的数。
总结一下进阶的解法：
1．根据 10MB 的内存限制，确定统计区间的大小，就是第二次遍历时的 bitArr 大小。
2．利用区间计数的方式，找到那个计数不足的区间，这个区间上肯定有没出现的数。
3．对这个区间上的数做 bit map 映射，再遍历 bit map，找到一个没出现的数即可。
[](
)5、找到 100 亿个 URL 中重复的 URL
[白嫖资料](
)
? 原问题的解法使用解决大数据问题的一种常规方法：把大文件通过哈希函数分配到机器，或者通过哈希函数把大文件拆成小文件。一直进行这种划分，直到划分的结果满足资源限制的要求。首先，你要向面试官询问在资源上的限制有哪些，包括内存、计算时间等要求。在明确了限制要求之后，可以将每条 URL 通过哈希函数分配到若干机器或者拆分成若干小文件，这里的“若干”由具体的资源限制来计算出精确的数量。
? 例如，将 100 亿字节的大文件通过哈希函数分配到 100 台机器上，然后每一台机器分别统计分给自己的 URL 中是否有重复的 URL，**同时哈希函数的性质决定了同一条 URL 不可能分给不同的机器；**或者在单机上将大文件通过哈希函数拆成 1000 个小文件，对每一个小文件再利用哈希表遍历，找出重复的 URL；或者在分给机器或拆完文件之后，进行排序，排序过后再看是否有重复的 URL 出现。总之，牢记一点，很多大数据问题都离不开分流，要么是哈希函数把大文件的内容分配给不同的机器，要么是哈希函数把大文件拆成小文件，然后处理每一个小数量的集合。
[](
)6、海量搜索词汇，找到最热 TOP100 词汇的方法
? 最开始还是用哈希分流的思路来处理，把包含百亿数据量的词汇文件分流到不同的机器上，具体多少台机器由面试官规定或者由更多的限制来决定。对每一台机器来说，如果分到的数据量依然很大，比如，内存不够或其他问题，可以再用哈希函数把每台机器的分流文件拆成更小的文件处理。
? 处理每一个小文件的时候，哈希表统计每种词及其词频，哈希表记录建立完成后，再遍历哈希表，遍历哈希表的过程中使用大小为 100 的小根堆来选出每一个小文件的 top 100（整体未排序的 top 100）。每一个小文件都有自己词频的小根堆（整体未排序的 top 100），将小根堆里的词按照词频排序，就得到了每个小文件的排序后 top 100。然后把各个小文件排序后的 top 100 进行外排序或者继续利用小根堆，就可以选出每台机器上的 top 100。不同机器之间的 top100 再进行外排序或者继续利用小根堆，最终求出整个百亿数据量中的 top 100。对于 top K 的问题，除哈希函数分流和用哈希表做词频统计之外，还经常用堆结构和外排序的手段进行处理。
[](
)7、40 亿个无符号整数，1GB 内存，找到所有出现两次的数
? 对于原问题，可以用 bit map 的方式来表示数出现的情况。具体地说，是申请一个长度为 4294967295×2 的 bit 类型的数组 bitArr，用 2 个位置表示一个数出现的词频，1B 占用 8 个 bit，所以长度为 4294967295×2 的 bit 类型的数组占用 1GB 空间。怎么使用这个 bitArr 数组呢？遍历这 40 亿个无符号数，如果初次遇到 num，就把 bitArr[num2 + 1]和 bitArr[num2]设置为 01，如果第二次遇到 num，就把 bitArr[num2+1]和 bitArr[num2]设置为 10，如果第三次遇到 num，就把 bitArr[num2+1]和 bitArr[num2]设置为 11。以后再遇到 num，发现此时 bitArr[num2+1]和 bitArr[num2]已经被设置为 11，就不再做任何设置。遍历完成后，再依次遍历 bitArr，如果发现 bitArr[i2+1]和 bitArr[i2]设置为 10，那么 i 就是出现了两次的数。
[白嫖资料](
)
[](
)8、10MB 内存，找到 40 亿整数的中位数
①内存够：内存够还慌什么啊，直接把 100 亿个全部排序了，你用冒泡都可以…然后找到中间那个就可以了。但是你以为面试官会给你内存？？
②内存不够：题目说是整数，我们认为是带符号的 int,所以 4 字节，占 32 位。
假设 100 亿个数字保存在一个大文件中，依次读一部分文件到内存(不超过内存的限制)，将每个数字用二进制表示，比较二进制的最高位(第 32 位，符号位，0 是正，1 是负)，如果数字的最高位为 0，则将这个数字写入 file_0 文件中；如果最高位为 1，则将该数字写入 file_1 文件中。
从而将 100 亿个数字分成了两个文件，假设 file_0 文件中有 60 亿 个数字，file_1 文件中有 40 亿 个数字。那么中位数就在 file_0 文件中，并且是 file_0 文件中所有数字排序之后的第 10 亿 个数字。（file_1 中的数都是负数，file_0 中的数都是正数，也即这里一共只有 40 亿个负数，那么排序之后的第 50 亿个数一定位于 file_0 中）
现在，我们只需要处理 file_0 文件了（不需要再考虑 file_1 文件）。对于 file_0 文件，同样采取上面的措施处理：将 file_0 文件依次读一部分到内存(不超内存限制)，将每个数字用二进制表示，比较二进制的 次高位（第 31 位），如果数字的次高位为 0，写入 file_0_0 文件中；如果次高位为 1，写入 file_0_1 文件 中。
现假设 file_0_0 文件中有 30 亿个数字，file_0_1 中也有 30 亿个数字，则中位数就是：file_0_0 文件中的数字从小到大排序之后的第 10 亿个数字。
抛弃 file_0_1 文件，继续对 file_0_0 文件 根据 次次高位(第 30 位) 划分，假设此次划分的两个文件为：file_0_0_0 中有 5 亿个数字，file_0_0_1 中有 25 亿个数字，那么中位数就是 file_0_0_1 文件中的所有数字排序之后的 第 5 亿 个数。
按照上述思路，直到划分的文件可直接加载进内存时，就可以直接对数字进行快速排序，找出中位数了。
[](
)9、设计短域名系统，将长 URL 转化成短的 URL.
（1）利用放号器，初始值为 0，对于每一个短链接生成请求，都递增放号器的值，再将此值转换为 62 进制（a-zA-Z0-9），比如第一次请求时放号器的值为 0，对应 62 进制为 a，第二次请求时放号器的值为 1，对应 62 进制为 b，第 10001 次请求时放号器的值为 10000，对应 62 进
制为 sBc。
（2）将短链接服务器域名与放号器的 62 进制值进行字符串连接，即为短链接的 URL，比如：t.cn/sBc。
（3）重定向过程：生成短链接之后，需要存储短链接到长链接的映射关系，即 sBc -> URL，浏览器访问短链接服务器时，根据 URL Path 取到原始的链接，然后进行 302 重定向。映射关系可使用 K-V 存储，比如 Redis 或 Memcache。
[白嫖资料](
)
[](
)10、让你系统的设计一个高并发的架构，你会从哪几个方面考虑？
系统拆分
? 将一个系统拆分为多个子系统，用 dubbo 来搞。然后每个系统连一个数据库， 这样本来就一个库，现在多个数据库，不也可以扛高并发么。
缓存
? 缓存，必须得用缓存。大部分的高并发场景，都是读多写少，那你完全可以在数 据库和缓存里都写一份，然后读的时候大量走缓存不就得了。毕竟人家 redis 轻 轻松松单机几万的并发。所以你可以考虑考虑你的项目里，那些承载主要请求的 读场景，怎么用缓存来抗高并发。
MQ
? MQ，必须得用 MQ。可能你还是会出现高并发写的场景，比如说一个业务操作 里要频繁搞数据库几十次，增删改增删改，疯了。那高并发绝对搞挂你的系统， 你要是用 redis 来承载写那肯定不行，人家是缓存，数据随时就被 LRU 了，数 据格式还无比简单，没有事务支持。所以该用 mysql 还得用 mysql 啊。那你 咋办？用 MQ 吧，大量的写请求灌入 MQ 里，排队慢慢玩儿，后边系统消费 后慢慢写，控制在 mysql 承载范围之内。所以你得考虑考虑你的项目里，那些 承载复杂写业务逻辑的场景里，如何用 MQ 来异步写，提升并发性。MQ 单机 抗几万并发也是 ok 的，这个之前还特意说过。
分库分表
? 分库分表，可能到了最后数据库层面还是免不了抗高并发的要求，好吧，那么就 将一个数据库拆分为多个库，多个库来扛更高的并发；然后将一个表拆分为多个 表，每个表的数据量保持少一点，提高 sql 跑的性能。
读写分离
? 读写分离，这个就是说大部分时候数据库可能也是读多写少，没必要所有请求都 集中在一个库上吧，可以搞个主从架构，主库写入，从库读取，搞一个读写分离。 读流量太多的时候，还可以加更多的从库。
还未添加个人签名 2021.03.18 加入
还未添加个人简介
评论