一线互联网大厂Java核心面试题库
正逢面试跳槽季，给大家整理了大厂问到的一些面试真题，由于文章长度限制，只给大家展示了部分题目，更多Java基础、异常、集合、并发编程、JVM、Spring全家桶、MyBatis、Redis、数据库、中间件MQ、Dubbo、Linux、Tomcat、ZooKeeper、Netty等等已整理上传，感兴趣的朋友可以看看支持一波！
**概念：**以字段为依据，按照一定策略（hash、range等），将一个库中的数据拆分到多个库中。
结果：
-
每个库的结构都一样；
-
每个库的数据都不一样，没有交集；
-
所有库的并集是全量数据；
**场景：**系统绝对并发量上来了，分表难以根本上解决问题，并且还没有明显的业务归属来垂直分库。
**分析：**库多了，io和cpu的压力自然可以成倍缓解。
2、水平分表
**概念：**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。
结果：
-
每个表的结构都一样；
-
每个表的数据都不一样，没有交集；
-
所有表的并集是全量数据；
**场景：**系统绝对并发量并没有上来，只是单表的数据量太多，影响了SQL效率，加重了CPU负担，以至于成为瓶颈。
**分析：**表的数据量少了，单次SQL执行效率高，自然减轻了CPU的负担。
3、垂直分库
**概念：**以表为依据，按照业务归属不同，将不同的表拆分到不同的库中。
结果：
-
每个库的结构都不一样；
-
每个库的数据也不一样，没有交集；
-
所有库的并集是全量数据；
**场景：**系统绝对并发量上来了，并且可以抽象出单独的业务模块。
**分析：**到这一步，基本上就可以服务化了。例如，随着业务的发展一些公用的配置表、字典表等越来越多，这时可以将这些表拆到单独的库中，甚至可以服务化。再有，随着业务的发展孵化出了一套业务模式，这时可以将相关的表拆到单独的库中，甚至可以服务化。
4、垂直分表
**概念：**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。
结果：
-
每个表的结构都不一样；
-
每个表的数据也不一样，一般来说，每个表的字段至少有一列交集，一般是主键，用于关联数据；
-
所有表的并集是全量数据；
**场景：**系统绝对并发量并没有上来，表的记录并不多，但是字段多，并且热点数据和非热点数据在一起，单行数据所需的存储空间较大。以至于数据库缓存的数据行减少，查询时会去读磁盘数据产生大量的随机读IO，产生IO瓶颈。
**分析：**可以用列表页和详情页来帮助理解。垂直分表的拆分原则是将热点数据（可能会冗余经常一起查询的数据）放在一起作为主表，非热点数据放在一起作为扩展表。这样更多的热点数据就能被缓存下来，进而减少了随机读IO。拆了之后，要想获得全部数据就需要关联两个表来取数据。但记住，千万别用join，因为join不仅会增加CPU负担并且会讲两个表耦合在一起（必须在一个数据库实例上）。关联数据，应该在业务Service层做文章，分别获取主表和扩展表数据然后用关联字段关联得到全部数据。
三、分库分表工具
-
sharding-sphere：jar，前身是sharding-jdbc；
-
TDDL：jar，Taobao Distribute Data Layer；
-
Mycat：中间件。
注：工具的利弊，请自行调研，官网和社区优先。
四、分库分表步骤
根据容量（当前容量和增长量）评估分库或分表个数 -> 选key（均匀）-> 分表规则（hash或range等）-> 执行（一般双写）-> 扩容问题（尽量减少数据的移动）。
五、分库分表问题
1、非partition key的查询问题
基于水平分库分表，拆分策略为常用的hash法。
端上除了partition key只有一个非partition key作为条件查询
映射法
基因法
注：写入时，基因法生成user_id，如图。关于xbit基因，例如要分8张表，23=8，故x取3，即3bit基因。根据user_id查询时可直接取模路由到对应的分库或分表。根据user_name查询时，先通过user_name_code生成函数生成user_name_code再对其取模路由到对应的分库或分表。id生成常用snowflake算法。
端上除了partition key不止一个非partition key作为条件查询
映射法
总结
其他的内容都可以按照路线图里面整理出来的知识点逐一去熟悉，学习，消化，不建议你去看书学习，最好是多看一些视频，把不懂地方反复看，学习了一节视频内容第二天一定要去复习，并总结成思维导图，形成树状知识网络结构，方便日后复习。
这里还有一份很不错的《Java基础核心总结笔记》，特意跟大家分享出来
目录：
部分内容截图：
56272)]
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
