面灵AI→

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。

  1. 介绍自己?介绍项目?
  2. 讲讲用户浏览帖子的完整链路?
  3. 缓存具体是怎么做的?
  4. 你的 feed 是推模式还是拉模式?(都不是)为什么要用 ZSET 存?
  5. 数据库和缓存的不一致性怎么解决的?
  6. 写完数据库,缓存更新失败了怎么办?
  7. 详细讲讲秒杀兑换商品的完整链路?
  8. 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?
  9. 消费者异步下单失败了怎么处理的?
  10. P99 响应 356ms 是什么意思?这个是怎么测出来的?
  11. 了解 Redis ZSET 的底层结构吗?为什么需要哈希?跳表是什么?
  12. 如果发现有慢查询,怎么排查?
  13. 详细讲讲索引失效的场景?
  14. 详细讲讲深分页问题如何处理?
  15. 讲讲数据库隔离级别?MVCC 能实现读已提交吗?为什么?
  16. 知道 Kafka 的 rebalance 机制吗?rebalance 会导致重复消费吗?为什么?
  17. 如果线上发生了消息积压问题,怎么排查?
  18. 项目前后端都是自己写的吗?前端怎么与后端交互的?
  19. 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?
  20. 你项目登录认证与鉴权是怎么做的?JWT 是什么知道吗?
  21. 平时会用 AI 干些什么?
  22. 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。