百度全栈开发实习一面:隔离级别、B+ 树对比与 Redis 大 Key
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 自我介绍。
- 项目介绍:怎么做的?用 AI 写代码时,你遇到过哪些问题?怎么解决的?怎么排查问题?
- MySQL 的索引、MySQL 一共有哪几种隔离级别,在默认的可重复读隔离级别下,还会存在幻读现象吗?
- 对比 B+ 树,如果索引改用红黑树或跳表来实现,它们各有什么优缺点?
- 如果要做一个排行榜,可以用 Redis 来实现吗?你会选择哪个数据结构?
- 当数据量级很大时,Redis 会出现「大 Key」的问题,你怎么优化解决?
- 有了 AI 之后,你觉得前后端的分界还明显吗?你自己更愿意做哪一端?
- 手撕:摩尔投票法变体。
《参考解析》
用 AI 写代码遇到的问题:真实的问题有几类:生成的代码引用了不存在的 API 或旧版本接口;看起来能跑但边界没处理(空值、并发、超时);改一处带崩另一处(不了解上下文);测试与文档的幻觉。排查方法:先跑编译与单测,把报错原文回灌;用断点或日志确认实际执行路径;用 git diff 逐行审;对不确定的库直接查官方文档。回答时带一个具体例子,比列问题类型有说服力。
隔离级别与幻读:四种隔离级别是读未提交、读已提交、可重复读、串行化。InnoDB 默认可重复读。幻读指同一事务内两次范围查询的行数不一致。InnoDB 在可重复读下用两种手段应对:快照读(普通 select)靠 MVCC 读一致性视图,看不到别的事务新插入的行,因此不会幻读;当前读(select ... for update、update、delete)靠 next-key lock(记录锁 + 间隙锁)锁住范围,阻止插入。所以严格说「可重复读下没有幻读」在绝大多数场景成立,但在「先快照读、再当前读」的混合场景,或间隙锁未覆盖到的边界,仍可能出现语义上的幻读——面试时把「快照读 vs 当前读」讲清楚,比回答「不会」更准确。
B+ 树 vs 红黑树 vs 跳表:B+ 树是多叉平衡树,一个节点存多个 key,扇出大、树高低(三到四层可存千万级),叶子节点用链表相连,适合范围查询与磁盘页读取——每次 IO 读一个 16KB 页,正好装一个节点。红黑树是二叉平衡树,树高约 2log₂n,同样数据量层数多得多,磁盘 IO 次数成倍增加,范围查询要中序遍历、缓存不友好;优点是实现简单、内存索引(如 std::map)够用。跳表用多级链表实现近似平衡,查找/插入 O(log n),范围查询友好、实现比平衡树简单、并发插入容易(Redis 的 zset 就用跳表),缺点是空间开销(每层指针)与内存随机访问不如数组。选型取决于存储介质(磁盘 vs 内存)与是否需要范围查询。
Redis 排行榜:用 ZSET(有序集合),ZADD 更新分数、ZREVRANGE 取 Top N、ZREVRANK 查排名、ZINCRBY 加分,底层是跳表 + 哈希表,O(log n)。同分时按成员字典序排,若要「先到先得」可以把时间戳编码进分数(分数 = 成绩 × 10^k + (MAX_TS - 时间))。超大排行榜要分片(按榜单维度或哈希分桶)或只保留 Top N。
大 Key 优化:大 Key 指单个 key 的 value 过大(字符串几 MB 以上)或集合元素过多(百万级)。问题是读写阻塞单线程、网络带宽打满、删除时卡顿、集群下数据倾斜。优化手段:拆分(把大 hash 按字段哈希拆成多个小 hash、大 list 分页拆成多个 key);只存必要字段、压缩 value;用 HSCAN/SSCAN 分批读而不是 HGETALL;删除用 UNLINK(异步释放)而不是 DEL;设置合理的过期与淘汰策略;业务上把「全量排行榜」改成「分页 + 缓存 Top N」。治理上先用 redis-cli --bigkeys 或 MEMORY USAGE 找出大 Key,再按业务改。
AI 之后前后端分界:分界在「职责」上仍然存在,在「技能栈」上变模糊了。AI 让一个人能快速写出另一端的代码,但接口契约、数据模型、性能与安全边界仍需要有人负责。全栈的价值不是「什么都会写」,而是「能端到端判断一个需求怎么落地、瓶颈在哪一端」。自己更愿意做哪端要给出理由与证据(做过的项目、擅长的部分、想深入的方向),不要说「都可以」。
摩尔投票法变体:基础题是「找出出现次数超过一半的元素」——候选人计数,相同 +1、不同 -1,归零换人,最后剩下的候选再验一遍。变体常见有:找出现次数超过 n/3 的元素(最多两个,用两组候选人同时投票,最后各自验证);找出现次数超过 n/k 的(维护 k-1 个候选人);或要求返回所有满足条件的元素。核心思想是「不同元素相互抵消,剩下的才可能是多数」,但必须补一次计数验证,因为候选人不一定真的超过阈值。