本文讨论了面试中常见的算法问题，包括如何在O(logn+k)的时间复杂度内找到第K个最接近的元素，以及LRU缓存策略的实现。面试还涉及了大数据处理框架Spark与Flink的区别，以及SQL在不同框架中的解析流程。此外，还探讨了DAG与MPP模型、操作系统中进程与线程的区别以及SparkSQL的优化策略。
一面：
先让做了自我介绍，问了半小时简历上的问题。
算法：
力扣的原题，面试官改为找到第K个最接近的元素，要求时间复杂度为O(logn + k)。
考察点：二分法。其具体的复杂度如下：
八股文基本没有考，考察的问题是开放型的问题。
1.Spark与Flink框架的本质区别。（DAG VS pipeline）
2.Spark SQL与Flink SQL的本质区别,各自的优缺点以及适用场景。
二面：
先让做了自我介绍，问了半小时简历上的问题。
算法：
力扣top100的原题，开放型的一道题。但是我没做过这道原题。
考察数据结构，建立一个hashMap（Integer,双链表）来进行读和写操作，还考察数据结构中LRU的基本概念。
LRU简介：
LRU是“Least Recently Used”的简写，意思是最近最少使用，是一种缓存淘汰策略，在有限的缓存资源中，淘汰掉最近最久未使用的。
例如：缓存最大容纳10000条数据，在添加时，只要数据总数小于等于10000可以随意添加，但是当数据量大于1万时，将旧的数据删除，再添加新的数据；添加时，要将新来的数据添加到最前面。说完来添加，再来说查询，从缓存中获取的数据返回之前，需要将数据移动到最前面，因为获取改数据就代表最近使用了，对于缓存来说，最近这个数据很有可能会被再次使用，所以要移动到最前面。
最优时间复杂度如下：
八股文
1.DAG与MPP模型的本质区别
MPP 的进化：深入理解 Batch 和 MPP 优缺点 - 开发者头条
MPP大规模并行处理架构详解 - 五分钟学大数据 - 博客园
DAG vs. MPP vs MR - hblt-j的个人空间 - OSCHINA - 中文开源技术交流社区
2.SQL在Hive或者Spark中的具体解析流程
3.Spark SQL逻辑计划转物理计划时候用到了哪些优化策略（SparkPlanner类的具体实现）
4.操作系统中进程与线程的本质区别
扫一扫
1402
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
