字节跳动 中国交易与广告 后端开发实习生一面:feed 推拉、缓存一致性与秒杀链路
- 轮次
- 一面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
后端开发实习生岗。整场是照着简历项目往深里挖,几乎每道题都能接着上一个回答继续追。
- 介绍自己?介绍项目?
- 讲讲用户浏览帖子的完整链路?
- 缓存具体是怎么做的?
- 你的 feed 是推模式还是拉模式?(都不是)为什么要用 ZSET 存?
- 数据库和缓存的不一致性怎么解决的?
- 写完数据库,缓存更新失败了怎么办?
- 详细讲讲秒杀兑换商品的完整链路?
- Lua 起到什么作用?你项目里具体怎么用的?一个 Lua 脚本执行一半,发生报错怎么办?
- 消费者异步下单失败了怎么处理的?
- P99 响应 356ms 是什么意思?这个是怎么测出来的?
- 了解 Redis ZSET 的底层结构吗?为什么需要哈希?跳表是什么?
- 如果发现有慢查询,怎么排查?
- 详细讲讲索引失效的场景?
- 详细讲讲深分页问题如何处理?
- 讲讲数据库隔离级别?MVCC 能实现读已提交吗?为什么?
- 知道 Kafka 的 rebalance 机制吗?rebalance 会导致重复消费吗?为什么?
- 如果线上发生了消息积压问题,怎么排查?
- 项目前后端都是自己写的吗?前端怎么与后端交互的?
- 讲讲常见 HTTP 请求方式?GET 能携带请求体吗?常见的请求头有哪些?
- 你项目登录认证与鉴权是怎么做的?JWT 是什么知道吗?
- 平时会用 AI 干些什么?
- 算法题,非 hot100。
《参考解析》
feed 用 ZSet 而不是纯推拉:纯推模式写扩散——发一条帖要给所有粉丝的收件箱塞一份,大 V 发帖就是一次写风暴,存储也会随粉丝数放大;纯拉模式读扩散——每次刷新要合并全部关注对象的发件箱,关注几千人时延迟顶不住。项目里用的是推拉结合:普通用户发帖走写扩散进粉丝收件箱,大 V 走读扩散、刷新时现拉。收件箱本身用 ZSet,score 取发布时间戳,ZREVRANGEBYSCORE 按游标翻页天然有序、O(logN + M) 拿到一页,分页游标直接就是 score 边界,不用 offset 越翻越慢;成员是帖子 id,去重由 set 语义免费提供(同一条帖重复投递不会出现两次)。用 List 就没这个好处:有序性要靠自己维护、去重要额外查一次、按时间游标翻页也无从下手。
写完数据库缓存更新失败:单靠「更新缓存」或「删缓存」这一步都不可能绝对可靠,只能把不一致窗口压小并兜底。工程上的组合是:先更新数据库、再删缓存(Cache-Aside),删失败就重试——重试放消息队列,带指数退避;同时给缓存 key 设过期时间,让最坏情况下的不一致有上界。要更严就上 binlog 订阅(Canal / Debezium)异步补偿删除,把「删缓存」从业务代码里摘出去,业务侧只负责写库。反过来「先删缓存再写库」在并发下更糟:删完到写库之间读请求会把旧值重新加载回缓存,反而长期不一致。答这题的关键是承认最终一致、说清窗口多大、失败怎么兜。
Lua 脚本执行到一半报错:Redis 保证脚本原子执行——执行期间不会插入别的命令,但它不保证脚本内部回滚。Lua 脚本里已经写进去的命令不会因为后面一行报错而撤销,所以设计脚本时要把校验全部前置:先在脚本开头把所有参数和前置条件验完(key 是否存在、库存够不够、状态对不对),验过再动手写。实在有中途失败可能,就只写幂等操作,或者把写操作按「能整体重试」设计——脚本整体重跑一遍结果不变。另一种常见做法是用 pcall 包住可能失败的部分,把错误吞进返回值判断,避免半个事务落库后调用方不知道状态。
消费者异步下单失败:分级处理。可重试的(下游超时、锁冲突)走延迟重试队列,指数退避,限制次数;不可重试的(库存不足、参数非法)直接落死信并回滚已占用的资源(把预扣的库存还回去)。关键是幂等:消息带唯一业务号,消费方用「业务号 + 状态」做去重表或 Redis setnx,重复投递只生效一次。还要防消息丢失——生产端本地消息表或事务消息保证「业务落库」和「消息发出」同生共死,消费端手动 ack、处理完才提交位点。库存这种强一致资源建议用「预扣 + 确认」两阶段,超时未确认自动回补。
P99 = 356ms 的口径:P99 是把这段时间所有请求的响应时间排序后取 99% 分位那个值——意思是 99% 的请求都快于 356ms,最慢的 1% 比它更慢。它比平均值有用,因为平均会被长尾拉平,掩盖掉一小撮用户卡死的事实。测量上分两个位置:服务端埋点(请求进入 → 响应写完)只能看到自己那一段,网络与客户端渲染看不到;要贴近体感得在客户端打点。统计窗口一般按分钟聚合再算分位,直方图(如 HDR Histogram)比保留原始样本省内存。追查长尾时不能只看 P99,要把慢请求抽样出来看是慢在 DB、下游 RPC 还是 GC。
ZSet 底层与跳表:ZSet 是「跳表 + 哈希表」双结构。跳表按 score 有序存放成员,支持 O(logN) 的插入、删除和范围查询;哈希表存「成员 → score」的映射,让 ZSCORE 这类按成员查分值的操作也是 O(1)。只用跳表的话按成员定位要先扫或者额外二分;只用哈希表则拿不到有序性。跳表相比平衡树的好处是实现简单、范围查询时能顺着底层链表顺序走、并发改造容易(不用旋转),代价是常数因子略大、内存占用比压缩结构高。底层链表节点过多时会转成 listpack 压缩存储,省内存。
MVCC 与读已提交:能。InnoDB 的 MVCC 靠三个东西:行上的隐藏事务 id(DB_TRX_ID)、undo log 里的历史版本链、以及 ReadView。读已提交(RC)每条语句生成一个新 ReadView,所以同一条事务里两次查询能看到别人新提交的数据;可重复读(RR)在事务第一条快照读时生成一次 ReadView 并复用整个事务,所以两次查询结果一致。两者都用版本链 + ReadView 判断可见性,差别只在 ReadView 的生成时机。补充一个常被追问的点:RR 下当前读(SELECT ... FOR UPDATE)读的是最新版本,靠的是间隙锁而不是 MVCC。
Kafka rebalance 与重复消费:rebalance 是消费组内分区重新分配的过程,触发条件是成员进出、订阅的 topic 分区数变化、或者心跳超时被踢出组。rebalance 本身会造成重复消费:新成员加入时,老成员必须先把已分配的分区交还(revoke),如果此时它已经拉了一批消息但还没提交位点,这批消息就会被重新分配给别的消费者再消费一遍。所以语义上是 at-least-once。降低影响的办法:用增量协作式 rebalance(CooperativeStickyAssignor)避免全局 stop-the-world;把 max.poll.interval.ms 调大到覆盖单批处理耗时,避免处理慢被判死;消费逻辑本身做成幂等,这是最根本的一层。
消息积压排查:先分清是「生产变快」还是「消费变慢」。看消费 lag 曲线:如果 lag 是台阶式上涨,通常是消费者卡住或频繁 rebalance;如果匀速上涨,则是产能超过消费能力。消费者侧查:有没有消费线程抛异常后一直重试同一条(毒消息)、有没有下游依赖(DB、第三方接口)变慢拖住整批、GC 或 Full GC 是否变频繁、分区数是否少于消费线程数导致部分线程空转。应急手段依次是:扩容消费者(不超过分区数)、临时把消息转存到新 topic 用更多分区并行处理、非核心业务先降级丢消息(前提是能补)。事后要加的是消费耗时监控和毒消息的自动进死信。
GET 能不能带请求体:HTTP 规范没有禁止,但语义上未定义——RFC 7231 说 GET 的 payload 没有定义的语义,很多实现(缓存、代理、部分服务端框架)会直接丢弃或拒绝。所以工程上不该依赖它:要传复杂查询条件用 POST,或者把条件编码进 query string。真正会被带 body 的场景是 Elasticsearch 的 _search 这类自家约定的接口。常见请求头可以从几个维度说:内容协商(Accept、Content-Type、Accept-Encoding)、认证(Authorization、Cookie)、缓存(Cache-Control、If-None-Match、If-Modified-Since)、链路追踪(Traceparent、X-Request-Id)、客户端信息(User-Agent、Referer、Origin)。
JWT:三段式 header.payload.signature,各自 base64url 编码。header 声明算法,payload 放 claims(sub、exp、iat 以及业务自定义字段),signature 是对前两段用密钥(HMAC)或私钥(RSA/ECDSA)签出来的。服务端不存会话,验签 + 校验 exp 就知道令牌合法,天然适合无状态横向扩展。代价是签发后无法单方面撤销——要踢人只能等过期,或者额外维护黑名单(那就又回到有状态)。所以实践上 access token 给很短的有效期(分钟级),配一个长效 refresh token 存服务端可撤销;敏感操作再要求二次校验。payload 是明文可读的,不能放密码之类的秘密。
慢查询排查:先确认是不是真慢——slow_query_log 按 long_query_time 抓出来,用 mysqldumpslow 或 pt-query-digest 聚合,按总耗时排序(次数多的小慢查询往往比偶发的大慢查询更值得治)。单条用 EXPLAIN 看执行计划:type 是不是 ALL(全表扫)、key 有没有用上索引、rows 估算多少、Extra 里有没有 Using filesort / Using temporary。常见根因是索引缺失或失效(函数包裹列、隐式类型转换、前导模糊 LIKE、OR 混了无索引列、复合索引不满足最左前缀),其次是回表太多(该上覆盖索引)、数据量增长导致统计信息过期(ANALYZE TABLE)、以及锁等待而非执行慢。