腾讯实习生笔试题 软件开发-后台开发方向2014.4.20

原址：http://blog.csdn.net/xhu_eternalcc/article/details/24191233

高亮部分是自己的，搜到去年的题，练习一下

今天的实习生笔试题有选择题，填空题，附加题，选择题是多选、少选、不选均不得分，里面有图的遍历、树的遍历、线索二叉树、C语言宏、C++程序内存分配、数据库索引、Linux命令、Linux系统调用，题目记不清楚了，下面是回忆的填空题。

填空题

1.写出mysql返回第10-20条记录的查询语句

select * from test limit 9,11

mysql的记录索引从0开始，所以limit 后面是9（唉，我写成10了，本科写分页的时候经常用到，居然给写错了），10-20有11条记录。

2.信号量初始值为9，经过15次p操作，14次v操作后，信号量的值为： 8   = 9-15+14

3.有4个物理页面，统计下面页面访问次序的缺页次数，4321435432154 ，开始内存中没有页面：9次

4.给出了图的邻接表，写广度优先遍历结果，这个记不到图了。

5.一个魔方是20×20×20的小立方体组成，去掉最外层的小立方体，还剩多少个小立方体：

18×18×18=5832

或者用减法验证一下：20×20×20－8×2（8个角块多算了2遍） － 18×12×1（18×12（12条棱）棱块多算了一遍） ＝5832

6.A、B两个人玩抛硬币游戏，直到出现一次正面向上位置，当第n次出现的是正面的话，B需要给A 2^(n-1)美元，比如第一次就是正面向上那么B就得给A 1美元，如果第一次反面向上，那么继续抛，如果第二次是正面向上那么B就得给A 2美元，依次....，问A提前给B多少钱，才能使最后AB不输不赢？

前n-1次出现反面，第n次出现正面的概率是：p（1-q）^ (n-1) ＝ 0.5^(n)  所以：

我的做法：B给A的钱数=1/2×1+...+ 0.5^(n)  *   2^(n-1)=0.5N,现在只要求得抛硬币次数的期望E

E=1 * 1/2 + 2 * (1/2)^2+...+ n* (1/2)^n

1/2*E=         1 * (1/2)^2+...+ (n-1)* (1/2)^n +n* (1/2)^(n+1)

上减下 ===>>     1/2*E=1/2 +(1/2)^2+...+ (1/2)^n -n* (1/2)^(n+1)=1

所以E=2，B给A的钱数2美元，所以A得提前给B 2美元

7.左轮手枪问题，一把左轮手枪，轮上有6个子弹位，现在其中两个连续的位置放2颗子弹，作者先朝他自己的头开了一枪，他没没挂，现在在你不想死的前提下要你选择：

1）转动一下轮子，再朝自己头开一枪；

2）直接朝自己头开一枪；

答案选2），如下图，子弹位于0，1

1）转动一下轮子，再朝自己头开一枪；

若转动一下指的是随机转到一个位置，则与之前的一枪无关，不死的概率是 4/6

2）直接朝自己头开一枪；

B表示第一次开枪没死，A表示第二次接着直接朝自己头开一枪死了

AB同时发生的情况只能是B是5，所以P（AB）＝ 1/6

条件概率 P（A｜B）＝ P（AB）／P（B）＝ （1/6）／（4/6） ＝ 1/4

所以不死的概率1-P（A｜B）＝ 3/4

附加题

1.图示mapreduce

Map操作通过把输入数据进行分区（partition）（比如分为M块），就可以分布到不同的机器上执行了。输入块的拆成多块，可以并行在不同机器上执行。Reduce操作是通过对中间产生的key的分布来进行分布的，中间产生的key可以根据某种分区函数进行分布（比如hash(key)mod R）,分布成为R块。分区（R）的数量和分区函数都是由用户指定的。

图1是我们实现的MapReduce操作的整体数据流。当用户程序调用MapReduce函数，就会引起如下的操作（图一中的数字标示和下表的数字标示相同）。

 

1． 用户程序中的MapReduce函数库首先把输入文件分成M块，每块大概16M到64M（可以通过参数决定）。接着在cluster的机器上执行处理程序。

2． 这些分排的执行程序中有一个程序比较特别，它是主控程序master。剩下的执行程序都是作为master分排工作的worker。总共有M个map任务和R个reduce任务需要分排。master选择空闲的worker并且分配这些map任务或者reduce任务

3． 一个分配了map任务的worker读取并处理相关的输入小块。他处理输入的数据，并且将分析出的key/value对传递给用户定义的map函数。map函数产生的中间结果key/value对暂时缓冲到内存。

4． 这些缓冲到内存的中间结果将被定时刷写到本地硬盘，这些数据通过分区函数分成R个区。这些中间结果在本地硬盘的位置信息将被发送回master，然后这个master负责把这些位置信息传送给reduce的worker。

5． 当master通知reduce的worker关于中间key/value对的位置时，他调用remote procedure来从map worker的本地硬盘上读取缓冲的中间数据。当reduce的worker读到了所有的中间数据，他就使用中间key进行排序，这样可以使得相同key的值都在一起。因为有许多不同key的map都对应相同的reduce任务，所以，排序是必须的。如果中间结果集太大了，那么就需要使用外排序。

6． reduce worker根据每一个唯一中间key来遍历所有的排序后的中间数据，并且把key和相关的中间结果值集合传递给用户定义的reduce函数。reduce函数的对于本reduce区块的输出到一个最终的输出文件。

7． 当所有的map任务和reduce任务都已经完成了的时候，master激活用户程序。在这时候MapReduce返回用户程序的调用点。

 

当这些成功结束以后，mapreduce的执行数据存放在总计R个输出文件中（每个都是由reduce任务产生的，这些文件名是用户指定的）。通常，用户不需要合并这R个输出文件到一个文件，他们通常把这些文件作为输入传递到另一个MapReduce调用，或者用另一个分布式应用来处理这些文件，并且这些分布式应用把这些文件看成为输入文件由于分区（partition）成为的多个块文件。

 

2.数据库表设计