9月7日扒面经

redis缓存用在哪里，用本地缓存行不行?

数据库查询缓存，减小数据源压力，提高响应速度

页面缓存：将页面的渲染结果缓存在Redis中，以减少页面生成的时间和服务器负载。

频繁计算结果缓存：将频繁计算的结果缓存在Redis中，以避免重复计算，提高性能。

分布式锁：利用Redis的原子性操作和过期时间特性，实现分布式锁，保证多个线程或进程之间的互斥操作。

消息队列：利用Redis的发布/订阅功能，实现消息队列，用于解耦和异步处理。

本地缓存也有类似应用场景,但有许多不足:

本地缓存的容量有限，无法存储大量数据。

本地缓存无法实现多个应用程序之间的共享缓存。

本地缓存的数据在应用程序重启时会丢失。

说说缓存击穿？

一个并发访问量比较大的key在某个时间过期，导致所有的请求直接请求到DB上。

解决方法：
1.加锁更新，⽐如请求查询A，发现缓存中没有，对A这个key加锁，同时去数据库查询数据，写⼊缓存，再返回给⽤户，这样后⾯的请求就可以从缓存中拿到数据了。

2.将过期时间组合写在value中，通过异步的⽅式不断的刷新过期时间，防⽌此类现象。

数据库的读写分离，为什么要读写分离？

数据库服务器搭建主从集群，一主一从、一主多从都可以。
数据库主机负责读写操作，从机只负责读操作。
数据库主机通过复制将数据同步到从机，每台数据库服务器都存储了所有的业务数据。
业务服务器将写操作发给数据库主机，将读操作发给数据库从机。

为什么要读写分离？

减小主库压力；提高读取性能和并发处理能力；灵活的处理数据。

读写分离的数据一致性问题？

强一致性：可以在写入操作后，立即读取主库数据，以保证读取到最新的数据。但会增加主库的负载。

主从同步机制：数据库主从同步会将主库的写操作同步到从库，通过设置合适的同步延迟和同步策略，可以确保从库数据的实时性和一致性。

读写分离中间件

如何提高数据库的读写能力？

优化数据库设计：合理设计数据库表结构，使用适当的数据类型和索引，避免冗余和重复数据，以提高查询和更新的效率。
使用合适的数据库引擎：根据实际需求选择合适的数据库引擎，如MySQL的InnoDB引擎支持事务和行级锁，适用于高并发的读写场景。
使用数据库连接池：使用连接池管理数据库连接，避免频繁地创建和销毁连接，减少连接的开销，提高数据库的并发处理能力。
合理使用索引：根据查询的需求，合理创建索引，避免过多或不必要的索引，以提高查询的效率。
批量操作和事务处理：对于批量的读写操作，可以使用批量操作的方式，减少与数据库的交互次数。对于需要保证数据一致性的操作，使用事务来保证数据的完整性和并发处理能力。
数据库分库分表：当数据库的读写压力过大时，可以考虑将数据进行分库分表，将数据分散到不同的数据库实例或表中，以提高数据库的读写能力和并发处理能力。
缓存技术：使用缓存技术将热点数据缓存在内存中，减少对数据库的访问，提高读取性能。常见的缓存技术包括Redis、Memcached等。
数据库主从复制：使用数据库主从复制技术，将数据库的读操作分发到从库，减轻主库的读压力，提高读取性能。

说说分库分表？

分库：将一个数据库分成多个独立的数据库。用来解决数据库读写压力过大

垂直分库：按照业务归属不同进行拆分，例如用户，订单，商品三个业务。
水平分库：以字段为依据，按照一定的策略(hash,range等)，将一个库中的数据拆分到多个库

分表：将一个数据库表分成多个独立的表，每个分表可以独立存储一部分数据，有自己的结构和索引。解决单表数据量过大问题，将数据分散到不同的表中，减少单表的数据量，提高查询和更新的效率。

水平分表：以字段为依据，按照一定策略（hash、range 等），将一个表中的数据拆分到多个表中。
垂直分表：以字段为依据，按照字段的活跃性，将表中字段拆到不同的表（主表和扩展表）中。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

分库和分表的区别

分库主要关注的是将数据分布在不同的数据库实例中，以减轻单个数据库的负载，提高读写并发能力和扩展性。

而分表则是将一个大表分割成多个小表，以降低单个表的数据量，提高查询性能和写入吞吐量

分表用什么字段分比较好？

自增主键
时间字段
用户id
地理位置字段
业务逻辑字段

主从数据库如何同步？

主库将数据变更写入binlog

从库创建一个IO线程，读取主库binlog，并写入到中继日志(relay log)中

从库再开启一个sql线程读取relay log事件并在slave执行，来完成同步。

从库记录自己的binlog

SQL:查询某一班级内年龄大于20的男性数量；查询某一班级内年龄大于20的男性，女性数量并显示出来

假设有一个名为students的表，包含以下字段：id、name、age、gender、class

前：select count(*) as count from students class = “这个班级” and where age>20 and gender = “男”

后：select gender,count(*) as count from students where class = “这个班级” and age > 20 group by gender;

死锁的四个条件？

互斥条件：一个资源每次只能被一个进程使用，即在一段时间内某资源仅为一个进程所占有，此时若有其他进程请求该资源，则请求进程只能等待

请求与保持条件：进程已经保持了至少一个资源，但又提出了新的资源请求时，该资源已被其他进程占有，此时请求进程被阻塞，但对自己已获得的资源保持不放

不可剥夺条件:进程所获得的资源在未使用完毕之前，不能被其他进程强行夺走，即只能由获得该资源的进程自己来释放（只能是主动释放)

循环等待条件: 若干进程间形成首尾相接循环等待资源的关系

这四个条件是死锁的必要条件，只要系统发生死锁，这些条件必然成立，而只要上述条件之一不满足，就不会发生死锁

什么是事务？

事务是数据执行的最小单元，不可以被分割

事务有四大特性：ACID

原子性：事务是数据处理的最小单元，事务的原子性保证事务的发生要么全部成功，要么全部失败。

隔离性：在并发事务中，各事务之间互不影响，相互独立

一致性：事务在执行前后总是由一个一致性状态转变为另一个一致性状态。

持久性：事务对数据的改变是持久的，即使中间数据库发生故障，也不会影响。

事务的隔离级别？

读未提交：最低的隔离级别，允许读取数据库尚未提交的数据。可能会发生幻读，脏读和不可重复读；

读已提交：允许读取并发事务已经提交的数据，可以阻止脏读，但是幻读或不可重复读可能发生。

可重复读：对同意字段多次读取的结果是一致的，除非是事务本身修改，可以阻止脏读和不可重复读，但幻读有可能发生。

串行化：最高的隔离级别，所有事务以此逐个执行，完全服从ACID的隔离级别。但是一般不会使用。

什么是幻读、不可重复读、脏读？

事务 A、B 交替执行，事务 A 读取到事务 B 未提交的数据，这就是脏读。

在一个事务范围内，两个相同的查询，读取同一条记录，却返回了不同的数据，这就是不可重复读。

事务 A 查询一个范围的结果集，另一个并发事务 B 往这个范围中插入 / 删除了数据，并静悄悄地提交，然后事务 A 再次查询相同的范围，两次读取得到的结果集不一样了，这就是幻读。

浏览网站到返回网页的整个过程？

用户输入网址
DNS解析
建立TCP连接
用户端发送HTTP请求
服务端响应HTTP请求并返回处理结果
用户端接收响应
用户端渲染页面

Tcp在哪一层，和udp的应用场景分别是什么

TCP/UDP在传输层,提高可靠的,面向连接的数据传输

TCP是面向连接、可靠的传输协议，适用于对数据传输可靠性要求较高的场景。
UDP是无连接的传输协议，提供简单、高效的数据传输，适用于实时性要求较高、但对数据丢失或乱序不敏感的场景。

1.springboot怎么声明一个类为bean

@Configuration注解

@Component注解

@Service、@Repository、@Controller注解都是@Component的派生注解，分别用于声明服务层、数据访问层和控制层的Bean。

在其他类中，可以通过@Autowired或@Resource等注解来自动注入这些Bean的实例。

2 @Autowired 和@Resource 的区别是什么?

联系：

@Autowird和Resource注解都是作为bean对象注入的时候使用的
两者都可以声明在字段和setter方法上

区别：

@Autowird注解是spring提供的，而@Resource注解是J2EE本身提供的
@Autowird注解默认通过byType方式注入，而@Resource注解默认通过byName方式注入

Spring的自动装配 byName和byType的区别？

byName：根据属性名自动装配。此选项将检查容器并根据名字查找与属性完全一致的bean，并将其与属性自动装配。

byType：如果容器中存在一个与指定属性类型相同的bean，那么将与该属性自动装配；如果存在多个该类型bean，那么抛出异常，并指出不能使用byType方式进行自动装配；如果没有找到相匹配的bean，则什么事都不发生，也可以通过设置改变。

@Autowired注解注入的对象需要在IOC容器中存在，否则需要加上属性required=false，表示忽略当前要注入的bean，如果有直接注入，没有跳过，不会报错

treeSet和treeMap的区别?

存储方式

TreeSet: 是一个有序的、不重复的集合类,它存储的是一组无序的、不重复的元素。
TreeMap: 是一个有序的、键值唯一的映射类，它存储的是键值对，并按照键的自然顺序进行排序

数据结构

TreeSet: 内部使用TreeMap实现,底层为TreeMap,实现Set接口
TreeMap: 基于红黑树实现,每个结点为红黑树结点,实现了Map接口

元素比较

TreeSet 按照自然顺序排序或者传入的Comparator排序
TreeMap 按照键的自然顺序排序或者传入的Comparator排序

操作方法

TreeSet 提供了一些集合操作的方法，如添加元素、删除元素、查找元素
TreeMap 提供了一些映射操作的方法，如添加键值对、删除键值对、查找键值对

小结

TreeSet和TreeMap都是有序的数据结构，用于存储有序的元素。

TreeSet用于存储一组无序的、不重复的元素

而TreeMap用于存储键值对，并按照键的有序性进行排序。

如果只需要存储一组有序的、不重复的元素，可以选择TreeSet；

如果需要存储一个有序的映射关系，可以选择TreeMap。

刚有提到treeMap的底层原理是红黑树，那红黑树有什么特点

二叉搜索树特性：红黑树是一种二叉搜索树，它满足二叉搜索树的特性，即左子树上的节点值小于节点值，右子树上的节点值大于节点值。
节点颜色：红黑树的每个节点都带有颜色属性，可以是红色或黑色。
根节点和叶子节点特性：根节点和叶子节点（空节点或NIL节点）都是黑色的。
红色节点特性：父节点是红色节点的子节点必须是黑色的。
黑色节点特性：从根节点到叶子节点的每条路径上都包含相同数量的黑色节点。
最长路径不超过两倍：由于红黑树保持平衡，任何节点到其子树中叶子节点的最长路径不会超过最短路径的两倍。这使得红黑树的查找、插入和删除等操作都能在相对较快的时间内完成。

还有哪些地方用到了红黑树

HashMap数据结构:链表数组红黑树

数据库索引结构:MySQL中的InnoDB存储引擎就使用了红黑树来维护主键和唯一索引

刚刚有提到索引有用到红黑树，那MySQL的索引是使用什么实现的?

对于普通的索引（非唯一索引和主键索引），MySQL使用B+树实现。B+树是一种多叉树，它在节点中存储了多个键值和对应的指针，且具有以下特性：

所有数据都存储在叶子节点中，内部节点只存储键值用于导航。
叶子节点通过链表连接，可以方便地遍历和区间查询。
内部节点根据键值分割子树，实现了高效的查询。

B+树在支持范围查询和顺序遍历等操作时非常高效。它也能够保证在大部分情况下，查询的复杂度为O(log n)，其中n是索引数据的大小。

对于唯一索引或主键索引（包括聚簇索引），MySQL使用B树实现。B树和B+树类似，但在叶子节点存储的是键值和对应的数据，而不是仅存储键值。B树在保证有序性的同时，提供了更快的查找速度，因为存储了数据本身。

需要注意的是，虽然红黑树可以作为索引的实现之一，但在MySQL中，并不使用红黑树作为索引结构的实现方式。红黑树在其他应用中可能有用到，但在MySQL索引中的主要实现是B树和B+树。

为什么MySQL使用B+树，相比于红黑树来说?

B+树每一层存储元素更多,深度小,查询效率高,支持范围查询

计算三层B+树能够存储的数据量?

假设B+树深度为m 每个节点大小为s

B+树每个内部节点至少有m/2个孩子节点，最多有m个孩子节点。而叶子节点存储数据，不存储孩子节点指针。

第一层的叶子节点数量为1个，第二层的叶子节点数量为m，第三层的叶子节点数量为m^{2。因此，三层B+树的叶子节点数量为m}2。

假设一个数据项的大小为D，那么每个叶子节点可以存储的数据量为S = m * D

总的数据量 = 叶子节点数量 * 每个叶子节点的数据量 = (m^2) * (m * D) = m^3 * D

所以，三层B+树可以存储的数据量为 m^3 * D。

你了解AVL树吗?红黑树相比AVL有什么优缺点

AVL树。AVL树也是一种自平衡的二叉搜索树

AVL树通过维护相对严格的平衡性来达到自平衡的目的。它在每个节点上存储一个平衡因子（Balance factor），表示该节点的左子树高度减去右子树高度的值。平衡因子可以为-1、0或1，如果平衡因子的绝对值超过1，就表示该树不平衡，需要通过相应的旋转操作进行调整。

相比之下，红黑树维护的平衡要求相对较宽松，并且通过节点的颜色属性进行平衡调整

AVL树的优点：

查找、插入和删除等操作的时间复杂度都是O(log n)，其中n是树中节点数量，因为AVL树是严格平衡的。
在某些特定的查询场景下，AVL树可能会比红黑树更快，因为它有更严格的平衡性。

AVL树的缺点：

相对于红黑树，AVL树在插入和删除操作中需要更频繁地进行旋转操作，因为它要保持更严格的平衡性。这可能会导致性能略微下降。
AVL树需要额外的平衡因子存储空间来记录每个节点的平衡因子，而红黑树只需要一个颜色位来标记节点的颜色，所以AVL树的空间开销可能会稍大一些。

MySQL索引碎片了解吗?怎么产生的?如何解决他?

索引碎片是指数据库索引中的数据分布不连续或不紧凑，导致查询效率下降的情况。它通常由以下原因产生:

插入、更新、删除操作：当数据库中进行频繁的插入、更新和删除操作时，索引会不断发生变动，导致数据的重新排列，从而产生碎片。
索引分裂和合并：如果索引分裂不及时或合并不完全，也会导致索引碎片的产生。

采取以下几种解决方法

重建索引：通过重建索引来解决碎片问题，该方法会将数据重新组织以达到紧凑存储的效果。可以使用ALTER TABLE语句中的ALTER INDEX子句来重建索引。
优化查询计划：MySQL可以通过重新优化查询计划来减少索引碎片对查询性能的影响。可以使用ANALYZE TABLE语句来收集数据统计信息，帮助优化查询计划。
分区表：将大表按照一定的规则分成多个小表，可以减少索引碎片的产生。每个小表的数据量相对较小，索引也相对较小，插入、更新和删除操作对索引的影响较小。
定期清理和优化：定期进行数据库的碎片清理和优化是保持索引性能的重要步骤。可以使用OPTIMIZE TABLE语句来进行碎片整理和优化。