2301_79966297的博客

原创 LeetCode 138.随机链表的复制 Java

分阶段处理：将复杂问题拆分为“构建结构”和“处理随机指针”两个阶段，降低思考难度。哈希表的作用：通过map2建立原节点到新节点的快速查找，解决了random指向“未知节点”的问题。虚拟头节点的使用：简化了新链表next指针的构建，避免了单独处理第一个节点的特殊逻辑。空指针处理：注意random可能为null，代码中需要显式判断，避免空指针异常。

原创 LeetCode 56.合并区间 Java

排序的必要性：排序使得我们可以按顺序处理区间，确保不会遗漏任何可能的重叠贪心策略：每次只考虑当前区间与已合并区间列表中的最后一个区间，这种局部最优选择能导致全局最优解重叠判断：理解当前区间起始 ≤ 前一个区间结束是判断重叠的关键条件边界处理：注意区间起始和结束的包含关系，特别是当[1,4]和[4,5]这种情况时，它们被认为是重叠的。

原创 面试必问——MySQL 索引创建的原则

如果索引列不能存储NULL值，请在创建表时使用NOT NULL约束它。当优化器知道每列是否包含NULL时，它可以更好地确定哪个索引最有效地用于查询。要控制索引的数据量，索引并不是多多益善，索引越多，维护索引结构的代价也就越大，会影响增删改的效率。尽量选择区分度高的列作为索引，尽量建立唯一索引，区分度越高，使用索引的效率就高。，**分组（group by）**操作的字段建立索引。针对数据量比较大，且查询比较频繁的表建立索引。

原创 面试必问——MySQL 覆盖索引，超大分页优化

分析：子查询直接走覆盖索引查出了9000000-后十条的id（因为走的覆盖索引，所以性能高），然后再拿这些id去主表查询，这样性能有很大提升。**问题：**在数据量比较大时，limit分页查询，需要对数据进行排序，效率低。是指查询使用了索引，并且需要返回的列，在该索引中已经全部找到。能够比较好地提高性能。

原创 面试必问——MySQL 聚簇索引和非聚簇索引，回表查询

什么是聚簇索引，什么是二级索引（非聚簇索引）？聚簇索引的选取规则：回表查询：总结：1. 什么是聚簇索引，什么是非聚簇索引：2. 回表查询：

原创 面试必问——MySQL 索引概念及底层数据结构

是帮助MySQL高效获取数据的数据结构（有序）。在数据之外，数据库系统还维护着满足特定查找算法的数据结构（B+树），这些数据结构以某种方式引用（指向数据），这样就可以在这些数据结构上实现高级查找算法，这种数据结构就是索引。MySQL的InnoDB引擎采用的B+树的数据结构来存储索引。

原创 面试必问——MySQL 如何分析慢SQL

的连接类型，性能由好到差为NULL，system，const，eq_ref，ref，range，index，all（实际开发中最低要求也要限制在range）possible_keys：当前sql可能会使用到的索引。（通过key和key-len查看是否可能会命中索引）key：当前sql实际命中的索引。key-len：索引占用的大小。Extra：额外的优化建议。

原创 面试必问——Mysql 如何定位慢查询

配置完毕之后，通过以下指令重新启动MySQL服务器进行测试，查看慢日志文件记录的信息。运维工具：Prometheus,Skywalking。调试工具：Arthas。

原创 面试必问——Redis网络模型

Redis是纯内存操作，执行速度非常快采用单线程，避免了不必要的上下文切换，多线程还要考虑线程安全问题采用多路复用模型非阻塞Redis是纯内存操作的，执行速度非常快，它的性能瓶颈是网络延迟而不是执行速度，多路复用模型主要就是实现了高效的网络请求主要有三种实现方式:select，pool，epool。

原创 面试必问——Redis分片集群

个哈希槽，每个key通过CRC16校验后对16384取模来决定放置在哪个槽，集群的每个节点负责一部分hash槽.Redis分片集群引入哈希槽的概念，Redis集群有。

原创 面试必问——Redis 哨兵模式

如果master故障，Sentinel会将一个slave提升为master，当故障实例恢复之后也以新的master为主（旧的master会被降级为slave）。Sentinel基于心跳机制检测服务状态，每隔1秒向集群的每个实例发送ping命令：（如果回pong，就说明实例健康）min-replicas-to-write 1 表示最少的salve节点为1个（即一个主节点最少得有一个从节点）：Sentinel充当Redis客户端的服务发现来源，当集群发生故障转移时，会将最新信息推送给客户端。

原创 面试必问——Redis 主从同步

偏移量，随着记录在repl_baklog中的数据增多而逐渐增大。salve完成同步时也会记录当前同步的offset。如果salve的offset小于master的offset，说明salve的数据落后于master，需要更新。：简称replid,是数据集的标记，id一致则说明是同一个数据集。每个master都有唯一的replid,salve则会继承master节点的replid。：单点的Redis的并发能力是有限的，要进一步提高Redis的并发能力，就需要搭建主从集群，实现读写分离。

原创 面试必问——Redis分布式锁

*RedisLock（红锁）：**不能只在一个redis实例上创建锁，应该在多个实例上创建锁（n/2+1）,避免在一个redis实例上加锁。（实现复杂，性能差，运维繁琐）是SET if not exists(如果不存在，则SET)的简写。获取锁：（设置超时时间，防止死锁）

原创 面试必问——Redis 数据淘汰策略

对设置了TTL的key,比较key的剩余TTL值，TTL越小越先被淘汰。：对全体key,基于LRU（最近最少使用）算法进行淘汰。不淘汰任何key，但是内存满时不允许写入新数据，：对设置了TTL的key,基于LRU算法进行淘汰。：对设置了TTL的key，基于LFU算法进行淘汰。：对全体设置了TTL的key，随机进行淘汰。：对全体key,基于LFU算法进行淘汰。：对全体key，随机进行淘汰。

原创 面试必问——Redis数据过期策略

每隔一段时间，我们就对一些key进行检查，删除里面过期的key（从一定数量的数据库中取出一定数量的随机key进行检查，并删除 其中的过期key）：设置该key过期时间后，我们不去管它，当需要该key时，我们在检查其是否过期，如果过期，我们就删掉它，反之则返回该key。：对内存不友好，如果一个key已经过期，但是一直没有使用，那么该key就会一直存在内存中，内存永远不会释放。：对cpu友好，只会在使用该key时才会及进行过期检查，对于很多用不到的key不用浪费时间进行过期检查。

原创 面试必问——Redis 数据持久化

全称Redis Database Backup file (Redis数据备份文件)，也叫Redis数据快照。：因为是记录命令，所以AOF文件会比RDB文件大的多。当主进程执行写操作，则会拷贝一份数据，在这个份数据上进行写操作，当然此时的读，也是在这份数据上操作。Redis处理的每一个写命令都会记录在这个AOF文件中，可以看做事命令日志。：各自有各自的优缺点，如果对数据安全性要求高，在实际开发中往往会结合两者来使用。命令，可以让AOF文件执行重写功能，用最少的命令达到达到相同的效果。

原创 面试必问——Redis 双写一致

当修改了数据库的数据时也要同时更新缓存的数据，缓存和数据库的数据要保持一致性。读操作：缓存命中，直接返回；缓存未命中查询数据库，写入缓存，设定超时时间。（redisson有提供）

原创 面试必问——Redis 缓存 三兄弟（穿透，击穿，雪崩）一文讲清楚

给某一个key设置了过期时间，当key过期的时候，恰好这个时间点对这个key有大量的并发请求过来，这些并发的请求可能会瞬间把DB压垮。：逻辑过期（不给数据加过期时间，而是在value中维护一个expire逻辑过期时间，有线程来查询数据时，判断数据是否过期，过期则。：实现比较复杂，存在误判（误判率是可以调节的，数组长度越长，误判率越低，但是对应的内存消耗也越大）的数据，mysql查询不到数据也不会写入缓存，就会导致每次请求都查数据库。：缓存空数据，查询返回的数据为空，仍把这个空结果进行缓存。

原创 nacos服务心跳检测底层原理——结合Java源码

服务注册成功后，会周期性（默认5秒）的向nacos发送心跳请求，告诉nacos"我还活着"，nacos接收到请求后，会更新这个实例的“最后心跳时间戳”，然后nacos会有一个定时任务（默认5秒每次），会定期检查服务中的所有实例，判断当前时间与每个服务“最后心跳时间戳”的差值，差值大于15秒，认为实例可能挂了，但是不会立即删除，当差值大于30时，认为真的挂了，注销删除实例，并通知订阅该服务的消费者，实例健康发生变化

原创 面试题分享——Redis是单线程还是多线程？

原创 微服务项目部署配置文件示例：从开发到生产的完整指南

networks:ipam:config:网络设计优势：服务发现：容器间通过服务名直接通信网络隔离：与宿主机网络隔离，提高安全性IP 管理：固定子网段便于管理和故障排查本文通过 XiaoXOJ 项目的实际案例，详细介绍了微服务项目的 Docker 化部署配置。环境分离：基础设施与业务服务分开部署配置管理：多环境配置与集中式配置中心结合网络设计：自定义网络实现服务隔离与通信数据持久化：卷挂载确保数据安全健康管理：完善的健康检查与自动恢复机制。

原创 Docker 部署微服务项目详细步骤

本文详细介绍了使用Docker部署微服务项目的完整步骤。首先需要准备合理的项目目录结构，为每个微服务创建包含基础配置的Dockerfile文件。然后编写docker-compose.yml文件，定义MySQL、Redis、RabbitMQ、Nacos等基础设施容器，以及用户服务、题目服务、判题服务和网关等业务服务容器。文件配置了各服务的环境变量、端口映射、数据卷挂载和网络设置，并确保服务间的依赖关系。最后通过Docker Compose实现一键部署整套微服务系统，包含Nginx反向代理配置。

原创 【无标题】

摘要： JavaScript处理大整数时存在精度丢失问题，如后端返回的ID 1971803447926321153在前端变为1971803447926321200。这是由于JS使用64位双精度浮点数表示数字，安全整数范围仅为±(2^53-1)。解决方案包括：1)后端将Long类型转为字符串；2)前端使用json-bigint解析；3)显示时转换为字符串。最佳实践是后端统一配置Jackson序列化，前端配合axios拦截器处理，确保大数字传输和显示的准确性。

原创 Linux系统编译java文件为class文件bug全解析：依赖顺序错误+跨平台通配符解析失效

摘要：开发Java代码沙箱时，编译环节踩中两大坑：1) 单独编译导致依赖错乱，需用javac *.java统一编译以避免类找不到问题；2) Linux环境下Java程序执行通配符编译失败，因Shell未展开*.java。解决方案改用ProcessBuilder显式传递文件路径列表，绕过Shell解析，确保跨平台兼容性。核心教训：理解Java编译依赖机制和系统级命令执行差异，才能构建稳定的代码沙箱。（149字）

原创 LeetCode 08.06 面试题 汉诺塔 （Java）

个大小不同的盘子，盘子初始按升序堆叠在第一根柱子上（最小的在顶部）。通过递归重复这三个步骤，最终完成所有盘子的移动。递归终止条件是当盘子数量为。在顶部，满足小盘在大盘之上的规则。该解法直接修改原列表，符合原地操作要求。汉诺塔问题的核心思想是将问题分解为三个步骤（假设有。在汉诺塔问题中，有 3 根柱子和。

原创 LeetCode 118 杨辉三角 （Java）

通过记忆化优化递归解法，我们既保持了数学定义的直观性，又获得了与迭代法相当的效率。杨辉三角作为经典数学概念，其高效生成算法展示了递归优化技术的强大威力。递归+记忆化：更贴近问题数学定义迭代法：实现更简洁，无递归开销理解这两种解法的核心在于掌握递归关系的优化技巧，这对解决动态规划类问题具有重要指导意义。

原创 LeetCode 70 爬楼梯（Java）

方法时间复杂度空间复杂度适用场景记忆化搜索OnO(n)OnOnO(n)On递归思路清晰动态规划OnO(n)OnOnO(n)On无栈溢出风险优化动态规划OnO(n)OnO1O(1)O1最优解，推荐使用通项公式O1O(1)O1O1O(1)O1理论价值高，精度受限关键点状态定义dp[n]表示到达第n阶的方案数转移方程边界处理面试技巧：先给出递归思路，再逐步优化到动态规划，最后给出空间优化版本，展示算法优化能力！

原创 LeetCode_LCR 509 斐波拉契

方法时间复杂度空间复杂度适用场景直接递归O2nO(2^n)O2nOnO(n)On仅限极小的n记忆化搜索OnO(n)OnOnO(n)On通用，但递归有栈开销动态规划OnO(n)OnOnO(n)On无栈溢出风险优化动态规划OnO(n)OnO1O(1)O1最优解，推荐使用关键优化思想避免重复计算：通过缓存中间结果（记忆化或动态规划）。空间压缩：仅保留必要的前两个状态，将空间复杂度降至常数级。面试提示。

原创 LeetCode 最大子数组和：动态规划解法详解 （Java）

摘要：本文详细介绍了解决最大子数组和问题的动态规划方法。通过定义状态dp[i]表示以nums[i]结尾的子数组最大和，利用转移方程dp[i] = max(dp[i-1]+nums[i], nums[i])递推求解。算法时间复杂度为O(n log n)，空间复杂度O(n)。文章还提供了优化思路（如遍历取最大值可优化至O(n)），并通过示例推演展示计算过程。核心在于理解状态转移逻辑：当dp[i-1]为负时，舍弃前缀能获得更优解。该方法是解决连续子数组优化问题的经典范式。

原创 力扣热题100（附刷题表版）

不仅方便查看题目，并且，在完成题目后，，我放在了结尾，大家自取，直接复制粘贴到。2. 字母异位词分组（中等）3. 最长连续序列（中等）1. 两数之和 （简单）时做记录，整理了下面。

原创 LeetCode LCR 010 和为 K 的子数组 (Java)

暴力枚举法思路简单，但仅适用于小规模数据。前缀和+哈希表通过空间换时间，将复杂度降至线性，是处理大规模数据的高效方法。特别注意哈希表的初始化与更新逻辑，确保正确处理所有边界情况。相关题目LeetCode 560. 和为K的子数组。

原创 LeetCode LCR 015. 找到字符串中所有字母异位词 (Java)

暴力滑动窗口法直观易懂，但时间复杂度较高，适用于小规模数据。优化后的动态滑动窗口通过减少重复计算，显著提升了效率，是解决此类问题的标准方法。核心在于维护窗口的字符频率差异，避免全量比对，将时间复杂度从 O(n * m) 优化到 O(n)。

原创 LeetCode LCR 016. 无重复字符的最长子串 (Java)

• 空间复杂度：O(1)，字符集大小固定（ASCII 最多 128 种字符）。• 收缩左边界：一旦发现重复，左指针右移一位，移除原左边界字符。• 左指针每次仅移动一位，逐步缩小窗口，确保窗口内始终无重复。• 每次左指针右移后，右指针从当前位置继续扩展，无需回溯。• 时间复杂度：O(n)，左右指针各遍历一次字符串。• 扩展右边界：右指针不断右移，直到遇到重复字符。• 每个字符最多被左右指针各访问一次，无重复操作。表示当前窗口的左右边界，窗口内字符不重复。实时记录窗口内的字符，确保窗口的唯一性。

原创 LeetCode LCR 007. 三数之和 (Java)

通过排序预处理，结合双指针高效寻找两数之和，同时在每一步跳过重复元素，确保结果唯一。这种方法巧妙地将时间复杂度降至 O(n²)，是解决此类问题的经典思路。

原创 LeetCode 11.盛最多水的容器 （Java）

双指针法的优势：通过一次遍历高效解决问题，避免暴力法的 O(n²) 复杂度。关键思想：移动较短的边以探索更高的板，确保不漏掉更大储水量的可能性。相似问题42. 接雨水15. 三数之和掌握双指针法的移动策略，能有效解决数组中的区间最优问题！

原创 LeetCode 283:移动零 (Java)

暴力法：思路直接但效率低，适合小规模数据。双指针法：高效且简洁，通过一次遍历解决问题，是本题最优解。相似问题27. 移除元素26. 删除有序数组中的重复项掌握双指针法的思想，能有效解决数组操作中的许多问题！

原创 LeetCode 128. 最长连续序列（Java）

暴力解法（如排序后遍历）的时间复杂度为 O(n log n)，不满足题目要求。：利用哈希表（HashSet）快速查询元素是否存在，避免重复遍历。，找到其中最长的连续数字序列的长度。要求算法的时间复杂度为。循环向后查找连续的数，直到无法继续。存储所有元素，去除重复值。是某个连续序列的最小值。给定一个未排序的整数数组。遍历哈希表中的每个元素。，哈希表为空，直接返回。解释：最长连续序列是。

原创 LeetCode LCR 033. 字母异位词分组

（字符出现次数相同但顺序不同的字符串）的字符串分组，并返回分组后的结果列表。，代码简洁且易于理解，适合面试快速实现。若追求极致性能，可尝试字符计数法。为每个字母分配一个质数，计算字符串的质数乘积作为键。用字符出现次数作为标识（例如。：避免字符串拼接或排序的开销。：可能溢出（需使用大整数）。），避免排序的时间开销。：字符串较长时更高效。

原创 LeetCode 1. 两数之和（Java）

尤其在处理大规模数据时，性能优势明显。在实际面试中，可以先写出暴力解法，再优化为哈希表法，展示对时间复杂度的敏感度。直接遍历数组中的每一对组合，检查它们的和是否等于。的两个数，并返回它们的下标。，且同一元素不能重复使用。当数组长度较大时（例如。（哈希表存储所有元素）

原创 redis“缓存击穿“和“雪崩“形象解析

现象缓存击穿缓存雪崩攻击目标单个热点数据（茅台）大量缓存数据（所有促销商品）触发条件热点数据过期 + 高并发大量数据同时过期 + 高并发破坏力局部击穿（单点高压）全面崩溃（系统级瘫痪）