干货| 掌握这种逻辑思维,大厂面试成功率可提升90%

365 篇文章 1 订阅
128 篇文章 0 订阅

今天将结合实际的例子,和大家一起聊聊怎么在日常工作中践行逻辑思维能力。

这里案例来源于一道面试题,其中描述到:

有一个自营商品的电商产品,目前计划开发一个促销模块,要支持满赠、满减、打折,三种类型的促销,你认为开发该功能,有哪些重要的产品逻辑要考虑到,请试着梳理。

看到这个问题,我的第一反应是:这需求描述的不清楚啊。

图片

为什么要做这三个模块?目的是什么?要达到什么效果?具体什么场景?如何运营? 等等,啥都没说,就一句话丢过来让做,这不扯么。后来转念一想,毕竟是面试题,这些疑问,估计面试官是想让我们自己提出来,再自己圆回来,以此判断我们的思考全面性。

但话说来,日常工作中,确实也会经常遇到这种所谓**“一句话需求”**,可能老板一个点子:我们要上打折功能,就让你去开干了,留下一脸黑人问号的你,心里不断diss这不靠谱的老板。不过正如上面说的,这也许正是老板对你的考验。那遇到这样的问题,应该如何思考呢?

首先要做的,就是搞清楚概念定义。以面试题为例,满赠、满减、打折,这三个词,太过抽象,直接去思考解决方案只会导致天马行空,没有章法。因此我们需要通过自问自答的方式,明确以下几个定义,把题目范围缩小:

1、满赠。要明确满的是什么?赠的是什么?怎么赠?三大问题。满的可以是钱,可以是商品数量;赠的可以是商品,可以是虚拟商品,也可以是促销特权(如优惠券,抵扣券等);赠的方式可以是下单即赠,可以是二次兑换。

2、满减。要明确满的是什么?减的是什么?怎么减?三大问题。满的可以是钱,可以是商品数量;减的可以是钱,可以是服务(比如运费);减的方式可以是付款立减,可以是买后返利。

3、打折。要明确怎么折的问题,是直接金钱扣减,还是基于折扣券来打。

以上问题明确后,才能接下来给解决方案。我们假设一种情况:

1、满赠。满的是金钱,赠的是实体商品,赠的方式是下单即赠,也就是订单增加赠送商品,赠送商品价格为0。

2、满减。满的是金钱,减的金钱,减的方式是下单直接减钱。

3、打折。满的是金钱,减的是折扣金钱,减的方式是下单直接减钱。

在此基础上,接下来要考虑的是将三种促销逻辑抽象化,讲清楚他们之间的逻辑关系。

首先,每种促销,都是一类配置项。都要配置:触发条件,触发动作,关联实体三个参数。

1、满赠。触发条件:满XX元。触发动作:增加N件总价为0的Y商品。关联实体:Y商品

2、满减。触发条件:满XX元。触发动作:减YY元。关联实体:无

3、打折。触发条件:满XX元。触发动作:乘以M折。关联实体:无。

进一步思考,每种促销,是否都要支持多条配置项共同发挥作用,如果是,那就还要考虑支持阶梯价格。

接下来,就是要将商品SKU,和促销配置项做关联,实现具体的促销策略。关联时,需要考虑层级关系:

1、一个SKU,关联一种促销的多个配置项时,应该如何处理?

2、一个SKU,关联多种促销的一个配置项时,应该如何处理?

3、一个SKU,关联多种促销的多个配置项时,应该如何处理?

简单来讲,要确认是否可以逻辑叠加,叠加后有哪些限制条件。比如满赠后是否还可以再满减,满减了是否还能打折,打折是基于减后的钱还是减前的钱来折,打折后是否还能满减等等。

最后,还要考虑完成促销后的售后问题,假设用户退货怎么退钱?这就要涉及拆单问题。假设用户买了后折扣力度又增大了要投诉如何给用户补差价问题。当然这些特殊情况有考虑会有加分,不考虑也没太大问题,大的促销逻辑搞清楚即可。

总结:

感谢每一个认真阅读我文章的人!!!

作为一位过来人也是希望大家少走一些弯路,如果你不想再体验一次学习时找不到资料,没人解答问题,坚持几天便放弃的感受的话,在这里我给大家分享一些自动化测试的学习资源,希望能给你前进的路上带来帮助。

软件测试面试文档

我们学习必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有字节大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。

 

          视频文档获取方式:
这份文档和视频资料,对于想从事【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴我走过了最艰难的路程,希望也能帮助到你!以上均可以分享,点下方小卡片即可自行领取。

### 回答1: Spark Streaming 和 Flink 都是流处理框架,但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型,将流数据分成一批批进行处理。而 Flink 则是基于流处理模型,可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的,即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量,可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的,需要将状态存储在内存中。而 Flink 的状态管理是基于内存和磁盘的,可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大,可以在节点故障时快速恢复,而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说,Flink 在流处理方面更加强大和灵活,而 Spark Streaming 则更适合批处理和数据仓库等场景。 ### 回答2: Spark Streaming 和 Flink 都是流处理框架,它们都支持低延迟的流处理和高吞吐量的批处理。但是,它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较: 1. 处理模型 Spark Streaming 采用离散化流处理模型(DPM),将长周期的数据流划分为离散化的小批量,每个批次的数据被存储在 RDD 中进行处理,因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型(CPM),能够在其流处理过程中进行事件时间处理和状态管理,因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟,主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低,因为 Flink 的数据处理和计算过程是实时进行的,不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制,它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡,因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能,可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能,但相对于 Spark Streaming 更加灵活,可以在事件时间和处理时间上进行窗口处理,并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分,可以充分利用 Spark 的分布式计算和批处理生态系统,并且支持许多不同类型的数据源,包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统,包括流SQL查询、流机器学习和流图形处理等功能,能够灵活地适应不同的业务场景。 总之,Spark Streaming 和 Flink 都是出色的流处理框架,在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3: Spark Streaming和Flink都是流处理引擎,但它们的设计和实现方式有所不同。在下面的对比中,我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型,即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟,但也会导致数据处理的粒度比较粗,难以应对大量实时事件的高吞吐量。 相比之下,Flink采用连续流处理模型,即数据的处理是连续的、实时的。与Spark Streaming不同,Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强,因此在某些特定的场景下,它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持,如滑动窗口、滚动窗口,但支持的窗口计算的灵活性较低,只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活,可以支持任意窗口大小或滑动跨度。 3. 数据库支持 在处理大数据时,存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式,包括HDFS,以及许多其他开源和商业的数据存储,如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些,尤其是在特定的情况下,例如在处理高吞吐量的数据时,在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统,具有成熟的ML库、图处理库、SQL框架等等。而Flink的生态系统相对较小,但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好,适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述,Spark Streaming和Flink都是流处理引擎,它们有各自的优缺点。在选择使用哪一个流处理引擎时,需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂,需要处理海量数据并且需要比较灵活的窗口计算支持,那么Flink可能是更好的选择;如果你只需要简单的流处理和一些通用的窗口计算,Spark Streaming是更为简单的选择。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值