分享一下最近训练营的朋友在某科技电商平台的一面面经，Base在青岛，感兴趣的朋友可以学习一下，下面是该岗位的JD：
面经详解
1. kafka与rabbitMQ有什么不同，例如持久化？
从消息模型、持久化机制、适用场景等维度来看，两者差异显著：
- 消息模型：Kafka基于“发布-订阅”模型，消息按主题（Topic）分类，消费者通过消费组订阅主题，更适合大规模消息分发；RabbitMQ支持多种交换机类型（direct、topic、fanout等），路由规则灵活，适合复杂业务路由场景。
- 持久化：Kafka默认将消息持久化到磁盘日志文件，通过分区复制保证可靠性，持久化性能高（顺序写入），适合海量数据存储；RabbitMQ需手动配置持久化（队列、消息均需设置），消息存储在内存+磁盘，单节点持久化性能一般，但支持镜像队列实现高可用。
- 吞吐量：Kafka吞吐量远高于RabbitMQ，因采用批量处理、顺序IO，适合日志采集、大数据场景；RabbitMQ更侧重低延迟和灵活路由，适合业务消息（如订单通知）。
2. 对Redis和RabbitMQ 展开讲讲这个分片集群、缓存是怎么设计的，以及用rabbitMQ异步解耦是用在哪些功能的？
- Redis分片集群与缓存设计：
分片集群：采用Redis Cluster模式，将数据按哈希槽（16384个）分片到不同节点，通过主从复制和哨兵实现高可用，解决单节点内存上限问题。
缓存设计：采用“本地缓存（如Go的sync.Map）+ Redis分布式缓存”的多级缓存架构；缓存策略上，用LRU淘汰策略，设置合理过期时间，通过布隆过滤器防穿透，互斥锁防击穿。 - RabbitMQ分片与异步解耦：
分片：RabbitMQ本身无原生分片，通过“多队列+负载均衡”模拟分片（如按用户ID哈希到不同队列），结合镜像队列保证数据不丢失。
异步解耦场景：订单创建后，通过RabbitMQ异步通知库存扣减、支付回调、物流生成、消息推送等服务，避免同步调用导致的链路过长和级联失败。
3. RabbitMQ消费速度是怎么样的？有没有遇到消息积压的情况，以及你当时是怎么处理解决的？
- 消费速度：默认情况下，消费速度取决于消费者数量、单条消息处理耗时、预取计数（prefetch count）。单消费者处理速度通常为每秒几十到几百条（视业务复杂度），增加消费者（同队列多消费者负载均衡）可线性提升速度。
- 消息积压及处理：
曾遇到过因下游服务故障导致的积压（队列消息量达百万级）。解决措施：- 临时扩容：快速部署多个临时消费者实例，仅处理积压消息（忽略新消息）；
- 优化消费逻辑：简化非核心处理步骤（如暂时关闭日志打印、非必要校验）；
- 流量控制：通过RabbitMQ的flow控制机制限制生产者速度，避免积压加剧；
- 死信队列：将处理失败的消息转发到死信队列，后续人工处理，避免阻塞正常消费。
4. 缓存雪崩，描述下当时遇到了什么问题，以及你们后来的方案是怎么处理的？
- 问题场景：某次大促前，大量商品缓存设置了相同过期时间，到期后全部失效，导致所有请求直接打向MySQL，DB连接数瞬间爆满，出现大量超时，核心接口响应时间从50ms增至5s+，部分服务熔断。
- 解决方案：
- 过期时间随机化：在基础过期时间（如2小时）上增加0-30分钟随机值，避免缓存同时失效；
- 多级缓存：增加本地缓存（如Go的singleflight+sync.Map），热点商品先查本地再查Redis；
- 熔断降级：用Sentinel配置DB访问熔断阈值，当超时率超50%时，返回默认数据或降级提示；
- Redis集群：升级Redis为3主3从Cluster模式，避免单节点故障导致缓存整体不可用。
5. Redis缓存商品的信息，这一个单个信息的大小大概是多少？百万级SKU用了多少内存？Redis版本用的是什么版本?
- 单个商品信息大小：取决于字段多少（如ID、名称、价格、库存、图片URL等），用Hash结构存储时，单个商品约500字节-2KB（简单商品500字节左右，含多规格、多图片的复杂商品约2KB）。
- 百万级SKU内存：按平均1KB/个计算，约1000KB×100万=1000MB（1GB），加上Redis自身开销（如哈希槽、连接信息），实际占用约1.2-1.5GB。
- Redis版本：生产环境用5.0.x，因稳定性好，支持Stream数据结构（用于部分消息队列场景），且兼容大部分客户端。
6. Redis的其他数据结构还有应用过吗？
有，根据业务场景选择不同结构：
- Hash：存储商品详情（field为属性名，value为属性值），支持部分字段更新，节省内存；
- List：实现简单消息队列（如订单待支付通知），用LPUSH+BRPOP操作；
- Set：用户标签去重（如“已浏览商品ID集合”），支持交集/并集运算（如推荐相似商品）；
- Sorted Set：商品销量排行榜（score为销量，member为商品ID），用ZADD+ZREVRANGE获取TopN；
- Bitmap：用户签到功能（1字节存8天签到状态），用SETBIT+BITCOUNT统计；
- HyperLogLog：统计商品详情页UV（去重计数），用PFADD+PFCOUNT，内存效率极高。
7. mysql优化
从索引、SQL、架构等层面优化：
- 索引优化：建立联合索引（遵循最左前缀原则），避免冗余索引；对大表的TEXT字段建前缀索引；删除未使用索引（通过slowlog和sys.schema_unused_indexes排查）。
- SQL优化：禁止SELECT *，只查必要字段；避免在WHERE子句中对索引列做函数/运算（如DATE(create_time)='2023-01-01'会导致索引失效）；用JOIN代替子查询，减少临时表生成。
- 架构优化：分库分表（按用户ID哈希分库，按时间范围分表）；读写分离（主库写，从库读，用MyCat中间件路由）；表结构优化（大字段拆分到子表，如商品详情单独存表）。
- 其他：开启查询缓存（简单场景）；调整MySQL配置（如innodb_buffer_pool_size设为物理内存50%-70%，max_connections根据并发调整）；定期OPTIMIZE TABLE优化表碎片。
8. 数据中台中，如果有一些商品需要关闭掉（例如被315曝光），获取商品有一个关键词库，如果要设计实现这个功能，你有什么算法方案吗？
核心是高效匹配商品与关键词库，方案如下：
- 算法选择：采用“前缀树（Trie）+ 布隆过滤器”组合方案。
- 前缀树：将关键词库构建成Trie树（如“过期”“伪劣”等关键词），商品名称/描述分词后，通过Trie树快速匹配是否包含敏感词（时间复杂度O(L)，L为字符串长度）；
- 布隆过滤器：对关键词库做哈希映射，先通过布隆过滤器快速判断商品是否“可能包含敏感词”，过滤掉99%的非敏感商品，再用Trie树精确匹配，减少计算量。
- 工程实现：关键词库定期更新（每天凌晨全量同步），Trie树和布隆过滤器预加载到内存；商品创建/更新时触发实时校验，命中则标记为“待关闭”，由中台服务异步处理关闭逻辑。
9. 分布式事务，是用什么工具实现的？
主要用两种方案，根据业务场景选择：
- 最终一致性方案：基于“本地消息表+RabbitMQ”实现。步骤：1. 本地事务执行时，同时写入消息表（状态为“待发送”）；2. 事务提交后，异步将消息表中的消息发送到RabbitMQ；3. 下游服务消费消息并执行本地事务，回调通知上游更新消息状态；4. 定时任务扫描未确认消息，重试发送。适合非核心场景（如订单创建后通知积分服务）。
- 强一致性方案：用Seata的AT模式。通过全局事务ID协调各分支事务，基于undo log实现回滚，适合核心场景（如支付与扣库存的一致性）。优势是接入简单（注解@GlobalTransactional），性能满足大部分业务。
10. 下单流程、库存超卖、lua脚本是跟订单接口怎么交互的？
- 下单流程：前端请求→校验商品状态→扣减库存→创建订单→返回订单ID。
- 库存超卖问题：并发下单时，若先查库存再扣减（非原子操作），会导致超卖。解决方案：用Redis+Lua脚本实现原子性扣减。
- Lua脚本与订单接口交互：订单接口中，调用预定义的Lua脚本（逻辑：1. 检查Redis中库存是否≥购买数量；2. 若满足，扣减库存并返回1；3. 否则返回0）。Go代码中通过Redis客户端（如redigo）执行脚本，根据返回值判断是否允许下单。Lua脚本保证“查库存+扣库存”原子性，避免并发问题。
11. 订单未支付，失效30分钟怎么实现，这块为什么不用kafka要用rabbitMQ
- 实现方式：用RabbitMQ的延迟队列（死信交换机+TTL）。步骤：1. 创建订单时，发送一条带30分钟TTL的消息到“延迟队列”（该队列无消费者）；2. 消息过期后，自动转发到“死信交换机”，绑定到“订单失效队列”；3. 消费者监听“订单失效队列”，收到消息后执行订单取消、库存回补逻辑。
- 选择RabbitMQ而非Kafka的原因：Kafka原生不支持延迟队列，需通过“时间轮+定时任务”模拟，实现复杂且精度低；而RabbitMQ通过TTL+死信交换机可直接实现延迟队列，配置简单，且支持消息持久化和确认机制，适合订单这类对可靠性要求高的场景。
12. 分库分表时，涉及到历史数据迁移的问题，具体方案？
采用“双写+校验+切换”的平滑迁移方案，步骤如下：
- 准备阶段：搭建分库分表中间件（如ShardingSphere），定义分片规则（如按订单创建时间分表）；开发数据迁移工具（Go编写，基于MySQL binlog同步）。
- 双写阶段：1. 旧库写入时，同时通过消息队列通知迁移工具写入新库；2. 全量迁移历史数据（按批次同步，每批10万条，避免锁表）；3. 实时同步增量数据（监听binlog，保证新旧库数据一致）。
- 校验阶段：对比新旧库数据（通过MD5哈希比对关键字段），差异率低于0.01%视为合格；持续监控1周，确保增量同步无延迟。
- 切换阶段：灰度切换（先切10%流量到新库），观察无异常后全量切换；切换后保留旧库1个月，用于数据核对和回滚。
13. 在微博子公司的项目中，你说到接口响应性能提升 200%，降低 40% 服务器资源消耗 这块展开讲一讲，怎么实现 以及响应提升200%是从哪个方面，你们的QPS大概是什么量级的？
- 实现方案：核心是“多级缓存+异步化+代码优化”。
- 多级缓存：新增本地缓存（sync.Map，缓存热点数据，如首页推荐商品）→ Redis分布式缓存（全量商品数据）→ CDN（静态资源如商品图片），减少90%的DB访问。
- 异步化：将非核心逻辑（如浏览量统计、日志上报）通过RabbitMQ异步处理，接口同步逻辑从5步减至2步。
- 代码优化：用Go的pprof分析瓶颈，优化序列化（用protobuf替代JSON，减少30%耗时）；减少锁竞争（用原子操作替代互斥锁）。
- 响应提升200%：指接口平均响应时间从优化前的150ms降至50ms（(150-50)/50=200%），主要来自缓存穿透减少（DB访问量降90%）和序列化效率提升。
- QPS量级：优化前峰值QPS约5000，优化后支撑1.5万+ QPS，服务器从10台减至6台，资源消耗降低40%。
14. 印象最深的问题是什么？怎么解决的？最终优化结果怎么样？为什么觉得这个印象深刻的？
坚定不移，听话照做，按部就班，早日上岸！
加我微信，免费领面经，升职加薪：wangzhongyang1993，备注：面经。
