2011-2012 基础C#面试题目及答案

此题目为公司HR而做，分初级(50分)、中级（60分）、高级程序员（70分）测试用。

基础题（50分）

  题目A：现有sqlserver数据库Test(数据库连接帐号/密码为:test/123)

    表Article(字段:ID,Title,Introduce,Content)

   1.使用ado.net写出（题目A中）数据库访问的代码（只写函数,返回类型为DataSet） （10分）
       考察点：.net常用框架中日常工作的理解力、代码规范
       答案：（考察点：1.使用Using,2.变量定义规范，3。需求的理解,要求写函数和返回DataSet、数据库表和链接帐号密码）

   2.写出（题目A中）此表的增加、删除、修改存储过程 （10分）
      考察点：对数据库操作的熟悉程度

   3.常用的js类库的熟悉程度及其原理（10分）
     如jquery  YUI等
     考察点：对常用WEB开发中类库的使用熟练程度。

   4.传统3层开发框架和MVC的理解（10分）
     参考答案：
          1.表现层（UI）、业务逻辑层（BLL）、数据访问层（DAL）（答对这个给2分）
          2.ASP.NET三层架构是一种理论，告诉你理论上怎么分层，ASP.NET MVC 是一种实践，告诉你了具体怎么分层。（答对这个给3分）
 三层架构(3-tier application) 通常意义上的三层架构就是将整个业务应用划分为：表现层（UI）、业务逻辑层（BLL）、数据访问层（DAL）。区分层次的目的即为了 “高内聚，低耦合”的思想。（答对这个给5分）
1、表现层（UI）：通俗讲就是展现给用户的界面，即用户在使用一个系统的时候他的所见所得。   
2、业务逻辑层（BLL）：针对具体问题的操作，也可以说是对数据层的操作，对数据业务逻辑处理。   
3、数据访问层（DAL）：该层所做事务直接操作数据库，针对数据的增添、删除、修改、更新、查找等。 
MVC是 Model-View-Controller，严格说这三个加起来以后才是三层架构中的UI层，也就是说，MVC把三层架构中的UI层再度进行了分化，分成了控制器、视图、实体三个部分，控制器完成页面逻辑，通过实体来与界面层完成通话；而C层直接与三层中的BLL进行对话。
所以， .net的三层结构中，并没有action这个概念。

   5.对c#泛型的理解和应用场景（10分）
    概念答案：
    泛型（generic）是C#语言2.0和通用语言运行时（CLR）的一个新特性。泛型为.NET框架引入了类型参数（type parameters）的概念。类型参数使得设计类和方法时，不必确定一个或多个具体参数，其的具体参数可延迟到客户代码中声明、实现。这意味着使用泛型的类型参数T，写一个类MyList<T>，客户代码可以这样调用：MyList<int>， MyList<string>或 MyList<MyClass>。这避免了运行时类型转换或装箱操作的代价和风险。
     应用场景：
       1.泛型避免装箱拆箱的性能损耗
       2.代码复用，比如用在ORM中 
       3.参数的范围约束

提高题（30分）

6.（题目A中）写一个监控此表变化的触发器 （8分）  

   考察点：对数据库DB的深入一点理解（主要要区别对Update Insert Delete的监控）

7.WCF的概念及其应用场景（12分）（目前公司内部系统间接口使用）
   参考答案：
    WCF（原代号为Indigo）是一个用于创建和运行分布式系统的技术集合，使用它能创建安全的（Secure）、可靠的（Reliable）、跨平台的（transacted messaging along with interoperability）的分布式解决方案。它的面向服务的编程模型整合了.Net平台下以往全部的分布式开发技术，例如.Net Remoting，Asp.Net Xml Web Service，MSMQ，WSE，和Enterprise Service等，它可以支持跨应用程序域(AppDomain),进程(Process),网络（NetWork）的进行数据通讯，而且能寄宿在诸如IIS,Windows Service,Console,Windows Application等多种宿主(Host)中。
   1.展开概念包括：契约Contract、地址Address、绑定Binding细节等

8.c# Cache的理解及其应用 （对比Application, Cache, Session, Cookie, Viewstate, Hidden, memcached的用法和区别）（15分）
   参考答案：  
   Application 任意大小（内存限制）， 整个应用程序的生命周期， 所有用户，服务器端 。
   Cache 任意大小（内存限制），程序指定生命周期，所有用户，服务器端。（比较灵活）
   Session 小量数据， 某个用户活动时间 + 延迟时间（默认20分钟）， 单个用户， 服务器端。
   Cookie 小量数据， 程序指定生命周期， 单个用户， 客户端 。
   ViewState 小量数据，一个web页面的生命期，单个用户，客户端。 
   Hidden控件 小量简单的数据，一个web页面的生命期，单个用户， 客户端 。
   memcached非关系型数据库，支持KEY/VALUE存储和分布式，存储时间可以设定。

9.对常用的设计模式的理解（至少要写出一个，如简单工厂模式）（8分）
    参考答案：
    简单工厂模式是类的创建模式，又叫做静态工厂方法模式。就是由一个工厂类根据传入的参量决定创建出哪一种产品类的实例。一般涉及到三种角色（如下）： 
工厂类：担任这个角色的是工厂方法模式的核心，含有与应用紧密相关的商业逻辑。工厂类在客户端的直接调用下创建产品对象，它往往由一个具体的类实现。 
抽象产品角色：担任这个角色的类是由工厂方法模式所创建的对象的父类，或她们共同拥有的接口。一般由接口或抽象类实现。 
具体产品角色：工厂方法模式所创建的任何对象都是这个角色的实例，由具体类实现。 

简单工厂模式优缺点： 
模式的核心是工厂类，这个类负责产品的创建，而客户端可以免去产品创建的责任，这实现了责任的分割。但由于工厂类集中了所有产品创建逻辑的，如果不能正常工作的话会对系统造成很大的影响。如果增加新产品必须修改工厂角色的源码。 

加分题（20分）

   10.设计一个通用的日志存储模块：（4分）
      要求：考虑到不同监控对象日志的通用性、完整性和高性能

      考察要点：1.数据库设计是否通用 2.是否考虑分布式 3.数据库设计是否考虑大数据量并发（数据如何按照一定的维度拆分，但要考虑统计的性能）

   11.对Nosql数据库和关系性数据库的理解及实际应用场景（4分）
     1、High performance - 对数据库高并发读写的需求 
     2、Huge Storage - 对海量数据的高效率存储和访问的需求
     3、High Scalability && High Availability- 对数据库的高可扩展性和高可用性的需求 
  上面提到的“三高”需求面前，关系数据库遇到了难以克服的障碍，所有才出现非关系性数据库。
    包括：
    一、满足极高读写性能需求的Kye-Value数据库：Memcached Redis，Tokyo Cabinet， Flare 
    二、满足海量存储需求和访问的面向文档的数据库：MongoDB，CouchDB 
    三、满足高可扩展性和可用性的面向分布式计算的数据库：Cassandra，Voldemort  
     应用场景： 1.SNS 2.大数据量访问的缓存，顶到数据库前面。
     不适用的场景：电信、金融证券等要求大量事物的应用场景。

   12.项目管理中需求、架构、开发、测试、运维的实际体验。（4分）
   
   13.设计一个高性能的分布式架构（4分）
     答案：（参考静态页面CDN和动态ask的架构）
        如：Cache+XML+MemCached+DB

   14.Map/Reduce的理解（4分）
  参考答案：
   MapReduce是一个最先由Google提出的分布式计算软件构架，它可以支持大数据量的分布式处理。这个架构最初起源于函数式程式的map和reduce两个函数组成。  MapReduce架构是用来解决大数据量的分布式计算问题，然后把计算后的结果放入文件系统或者数据库中。
"Map":主结点读入输入数据，把它分成可以用相同方法解决的小数据块（这里是一个分而治之的思想），然后把这些小数据块分发到不同的工作节点上(worder nodes)上，每一个工作节点(worder node)循环做同样的事，这就行成了一个树行结构（分布式计算中的很多模型都和图论有关，pageRank也是），而每一个叶子节点有来处理每一个具体的小数据块，再把这些处理结果返回给父节点。"Reduce":主结节得到所有子节点的处理结果，然后把所有结果组合并且返回到输出。
MapReduce的一个特点是可以用map和reduceion方法来处理分布式计算的问题（这里有一个移动计算而不是移动数据的概念，因为移动计算比移动数据代价更小）。这里的每一个mapping操作都是相对独立的，所有的maps都是并行运行的，虽然实践中会受到数据源和cpu个数的影响。同样的，这里用一个reducer集合来执行reduction操作，所有带有相同key的map输出会聚集到同一个reducer。虽然这个过程看上去没有串行计算来得高效，但是MapReduce能够处理一般服务器所不能处理的大数据量处理问题。大型的服务器集群可以在几个小时内处理petabyte数据量的排序问题。而并行处理可以提供部分容错和出错恢复的功能。当一个mapper或reducer失效时，整个工作就会被重新安排，从而不会影响工作的连续性。