2026年携程技术岗位面试问题与答案

2026年携程技术岗位面试问题与答案一、编程基础与算法（共5题，每题10分，总分50分）1.题目实现一个函数，输入一个字符串，返回该字符串中不重复的字符按出现的顺序组成的字符串。例如，输入"abaccdefg"，返回"bdfg"。2.题目给定一个链表，判断链表中是否存在环。如果存在环，返回进入环的第一个节点。例如，链表1→2→3→4→2...，返回节点2。3.题目实现快速排序算法，并用Python代码实现。4.题目设计一个LRU（最近最少使用）缓存系统，要求实现get和put方法。get(key)返回键对应的值，如果不存在返回-1；put(key,value)将键值对插入缓存，如果缓存已满则删除最久未使用的元素。5.题目给定一个整数数组，找出三个数，使得这三个数的和最接近给定的目标值。返回这三个数的和。例如，数组[-1,2,1,-4]，目标值为1，返回2（-1+2+1）。二、数据库与SQL（共3题，每题15分，总分45分）1.题目携程旅游平台用户表（users）有字段id（用户ID）、name（姓名）、city（城市）、reg_date（注册日期），订单表（orders）有字段order_id（订单ID）、user_id（用户ID）、amount（金额）、order_date（订单日期）。请写SQL查询：-查询最近三个月内每个城市注册用户数量最多的前3个城市及其用户数-查询每个用户的总消费金额，并按消费金额降序排列，只显示消费金额前10的用户2.题目携程酒店预订系统有房间表（rooms）和预订表（bookings）。房间表有room_id（房间ID）、hotel_id（酒店ID）、room_type（房间类型）、price（价格）。预订表有booking_id（预订ID）、room_id（房间ID）、user_id（用户ID）、check_in（入住日期）、check_out（退房日期）。请写SQL：-查询每个酒店类型（room_type）的平均预订价格，并只显示平均价格高于酒店平均价格的所有酒店类型-查询当前日期已预订但尚未入住的房间数量，按酒店ID分组排序3.题目携程点评系统有用户表（users）、酒店表（hotels）、点评表（reviews）。点评表有review_id（点评ID）、user_id（用户ID）、hotel_id（酒店ID）、rating（评分）、comment（评论）、review_date（点评日期）。请写SQL：-查询每个酒店的平均评分，并返回评分最高的前5个酒店及其评分-查询在过去一年中，每个用户点评数量最多的前10个酒店，要求这些酒店的总评分不能低于4.0三、系统设计（共2题，每题25分，总分50分）1.题目设计携程机票预订系统的用户认证模块，需要支持：-用户注册和登录-第三方账号登录（微信、支付宝）-密码找回功能-需要考虑高并发场景下的性能和安全性-绘制系统架构图并说明关键技术选型2.题目设计携程酒店实时价格推荐系统，要求：-输入酒店ID、用户ID、查询时间，返回推荐价格-考虑因素包括：历史价格、实时供需关系、用户偏好、天气、节假日等-系统需要支持毫秒级响应-绘制系统架构图并说明算法设计四、Java/Python编程（共2题，每题25分，总分50分）1.题目（Java）携程旅游平台需要统计用户行为数据，设计一个Java类UserBehavior，包含字段：timestamp（时间戳）、userId（用户ID）、action（行为类型："click"、"view"、"purchase"）、itemId（项目ID）。要求：-实现Comparable接口，按照时间戳降序排序-重写toString方法，格式为"timestampuserIdactionitemId"-实现一个方法，统计过去1小时内每个用户的购买次数2.题目（Python）携程点评系统需要处理用户评论数据，设计一个Python类Review，包含字段：reviewId（点评ID）、userId（用户ID）、hotelId（酒店ID）、rating（评分）、text（文本内容）、date（日期）。要求：-实现一个方法，过滤出评分大于4.0且包含关键词"推荐"的评论-实现一个方法，统计每个酒店的平均评分，并返回评分最高的前5个酒店答案与解析一、编程基础与算法答案与解析1.答案（Python）pythondefunique_chars(s):seen=set()result=[]forcharins:ifcharnotinseen:seen.add(char)result.append(char)return''.join(result)解析：使用集合记录已见字符，列表存储结果。遍历字符串，对于每个字符，如果未在集合中则添加到集合和结果列表。最后连接列表为字符串返回。时间复杂度O(n)，空间复杂度O(n)。2.答案（Python）pythonclassListNode:def__init__(self,x):self.val=xself.next=NonedefdetectCycle(head):ifnotheadornothead.next:returnNoneslow=fast=headwhilefastandfast.next:slow=slow.nextfast=fast.next.nextifslow==fast:找到环，确定入口slow=headwhileslow!=fast:slow=slow.nextfast=fast.nextreturnslowreturnNone解析：使用快慢指针法。快指针每次走两步，慢指针每次走一步。如果链表有环，快慢指针会相遇。相遇后，将慢指针移到头节点，两个指针每次走一步，再次相遇的节点就是环的入口。时间复杂度O(n)，空间复杂度O(1)。3.答案（Python）pythondefquick_sort(arr):iflen(arr)<=1:returnarrpivot=arr[len(arr)//2]left=[xforxinarrifx<pivot]middle=[xforxinarrifx==pivot]right=[xforxinarrifx>pivot]returnquick_sort(left)+middle+quick_sort(right)解析：快速排序分治算法。选择基准值，将数组分为小于、等于、大于三部分，然后递归排序左右两部分。时间复杂度平均O(nlogn)，最坏O(n²)。空间复杂度O(logn)。4.答案（Java）javaclassLRUCache{privateintcapacity;privateMap<Integer,Node>map;privateNodehead,tail;classNode{intkey,value;Nodeprev,next;}publicLRUCache(intcapacity){this.capacity=capacity;map=newHashMap<>();head=newNode();tail=newNode();head.next=tail;tail.prev=head;}publicintget(intkey){Nodenode=map.get(key);if(node==null)return-1;moveToHead(node);returnnode.value;}publicvoidput(intkey,intvalue){Nodenode=map.get(key);if(node!=null){node.value=value;moveToHead(node);}else{NodenewNode=newNode();newNode.key=key;newNode.value=value;map.put(key,newNode);addToHead(newNode);if(map.size()>capacity){NodetoDel=tail.prev;removeNode(toDel);map.remove(toDel.key);}}}privatevoidaddToHead(Nodenode){node.prev=head;node.next=head.next;head.next.prev=node;head.next=node;}privatevoidremoveNode(Nodenode){node.prev.next=node.next;node.next.prev=node.prev;}privatevoidmoveToHead(Nodenode){removeNode(node);addToHead(node);}}解析：使用双向链表+哈希表实现LRU缓存。链表头为最近使用，尾为最久未使用。get时将节点移到头部，put时如果已存在则更新并移到头部，如果超出容量则删除尾部节点。时间复杂度O(1)，空间复杂度O(capacity)。5.答案（Python）pythondefthree_sum_closest(nums,target):nums.sort()n=len(nums)closest=float('inf')foriinrange(n-2):left,right=i+1,n-1whileleft<right:total=nums[i]+nums[left]+nums[right]ifabs(total-target)<abs(closest-target):closest=totaliftotal<target:left+=1eliftotal>target:right-=1else:returntotalreturnclosest解析：排序后固定一个数，使用双指针法在剩余数组中找两个数使三数之和最接近目标。时间复杂度O(n²)，空间复杂度O(1)。二、数据库与SQL答案与解析1.答案sql--查询最近三个月内每个城市注册用户数量最多的前3个城市及其用户数SELECTcity,COUNT()asuser_countFROMusersWHEREreg_date>=DATE_SUB(CURDATE(),INTERVAL3MONTH)GROUPBYcityORDERBYuser_countDESCLIMIT3;--查询每个用户的总消费金额，并按消费金额降序排列，只显示消费金额前10的用户SELECT,SUM(o.amount)astotal_spentFROMusersuJOINordersoONu.id=o.user_idGROUPBYu.idORDERBYtotal_spentDESCLIMIT10;解析：第一个查询使用DATE_SUB获取三个月前的日期，然后按城市分组统计用户数并排序。第二个查询连接用户表和订单表，按用户ID分组统计消费总额并排序。MySQL日期函数和窗口函数的使用。2.答案sql--查询每个酒店类型（room_type）的平均预订价格，并只显示平均价格高于酒店平均价格的所有酒店类型WITHHotelAveragesAS(SELECTroom_type,AVG(price)astype_avgFROMroomsGROUPBYroom_type),HotelOverallAS(SELECTAVG(price)asoverall_avgFROMrooms)SELECTha.room_typeFROMHotelAverageshaJOINHotelOverallhoONha.type_avg>ho.overall_avg;sql--查询当前日期已预订但尚未入住的房间数量，按酒店ID分组排序SELECThotel_id,COUNT(room_id)asavailable_countFROMbookingsWHEREcheck_out>CURDATE()ANDcheck_in<=CURDATE()GROUPBYhotel_idORDERBYhotel_id;解析：第一个查询使用公用表表达式(CTE)计算每个酒店类型的平均价格和所有酒店的平均价格，然后连接筛选。第二个查询筛选出当前日期已预订但尚未入住的订单，按酒店ID分组统计。注意日期范围判断。3.答案sql--查询每个酒店的平均评分，并返回评分最高的前5个酒店及其评分SELECThotel_id,AVG(rating)asavg_ratingFROMreviewsGROUPBYhotel_idORDERBYavg_ratingDESCLIMIT5;sql--查询在过去一年中，每个用户点评数量最多的前10个酒店，要求这些酒店的总评分不能低于4.0WITHHotelRatingsAS(SELECThotel_id,AVG(rating)asavg_ratingFROMreviewsWHEREreview_date>=DATE_SUB(CURDATE(),INTERVAL1YEAR)GROUPBYhotel_idHAVINGavg_rating>=4.0),UserActivityAS(SELECTuser_id,hotel_id,COUNT()asreview_countFROMreviewsWHEREreview_date>=DATE_SUB(CURDATE(),INTERVAL1YEAR)GROUPBYuser_id,hotel_id)SELECTha.hotel_id,SUM(ua.review_count)astotal_reviewsFROMHotelRatingshaJOINUserActivityuaONha.hotel_id=ua.hotel_idGROUPBYha.hotel_idORDERBYtotal_reviewsDESCLIMIT10;解析：第一个查询简单分组计算平均评分并排序。第二个查询使用两个CTE：一个计算过去一年每个酒店的平均评分并筛选高于4.0的酒店，另一个统计每个用户对每个酒店的点评数。最后连接并按点评总数排序。三、系统设计答案与解析1.答案系统架构图（文字描述）+-++-++-+|用户界面层|-->|认证服务层|-->|数据存储层||(Web/App)|||||+-++-++-+^|||||+--+--+||+-++-+|第三方登录适配器||安全服务||(微信/支付宝等)||(OAuth2)|+-++-+关键技术选型1.认证服务层：采用JWT（JSONWebToken）实现无状态认证，使用Redis存储token以支持分布式部署。实现OAuth2.0协议支持第三方登录。2.数据存储：用户信息使用MySQL（InnoDB引擎），索引用户ID和第三方账号ID。Redis用于缓存token和会话信息。3.安全设计：-密码使用bcrypt加盐存储-HTTPS强制加密传输-实现CORS跨域资源共享策略-限制登录失败次数（60秒内5次）4.高并发优化：-使用Kafka处理异步认证请求-API网关（如Kong）进行请求路由和限流-负载均衡（Nginx/HAProxy）实现要点-注册时生成UUID作为用户ID-第三方登录时，先验证回调参数，然后查询本地用户是否存在，不存在则创建-密码找回通过邮件发送临时验证码实现-使用分布式锁处理并发注册问题2.答案系统架构图（文字描述）+-++-++-+|用户请求|-->|预处理层|-->|核心推荐引擎||(Web/App)|||||+-++-++-+^|||||+--+--+||+-++-+|数据存储层||缓存层||(MySQL/MongoDB)||(Redis/Memcached)|+-++-+算法设计1.输入特征：-用户特征：历史偏好、会员等级、消费能力-物品特征：酒店位置、设施、价格、评分-上下文特征：时间、天气、节假日2.推荐算法：-基础排序：根据历史价格、评分、销量等静态特征进行初步排序-个性化调整：使用用户历史行为数据，通过协同过滤（User-BasedCF）或内容推荐（Item-BasedCF）调整排序-实时因素：结合实时供需关系，使用线性回归模型预测需求-业务规则：优先推荐符合平台营销策略的酒店（如新上线、特价活动）3.技术实现：-使用Lambda架构处理实时与离线数据-推荐模型使用TensorFlow/PyTorch训练-推荐服务使用gRPC实现高性能API-结果缓存30分钟，热更新时使用雪崩策略4.性能优化：-延迟敏感度分析：90%请求需在200ms内返回-异步处理：使用消息队列处理长时任务-地理位置优化：使用H3索引加速地理位置查询关键挑战-缓存命中率：通过动态调整TTL和预加载策略保持85%以上-新酒店冷启动：使用基于相似物品的初始化策略-业务规则穿透：设计可配置的规则引擎支持快速调整推荐策略四、Java/Python编程答案与解析1.答案（Java）javapublicclassUserBehaviorimplementsComparable<UserBehavior>{privatelongtimestamp;privateintuserId;privateStringaction;privateintitemId;publicUserBehavior(longtimestamp,intuserId,Stringaction,intitemId){this.timestamp=timestamp;this.userId=userId;this.action=action;this.itemId=itemId;}@OverridepublicStringtoString(){returntimestamp+""+userId+""+action+""+itemId;}publicstaticintcountRecentPurchases(List<UserBehavior>behaviors,longdurationMs){longcutoffTime=System.currentTimeMillis()-durationMs;Map<Integer,Integer>purchaseCount=newHashMap<>();for(UserBehaviorbehavior:behaviors){if(behavior.action.equals("purchase")&&behavior.timestamp>=cutoffTime){purchaseCount.put(behavior.userId,purchaseCount.getOrDefault(behavior.userId,0)+1);}}returnpurchaseCount.entrySet().stream().max(Map.EparingByValue()).map(Map.Entry::getValue).orElse(0);}//Gettersandsettersomittedforbrevity}解析：实现了Comparable接口用于排序，toString方法按指定格式返回字符串。countRecentPurchases方法使用HashMap统计每个用户在指定时间内的购买次数，然后返回最多购买次数。时间复杂度O(n)，空间复杂度O(n)。2.答案（Python）pythonclassReview:def__init__(self,reviewId,userId,hotelId,rating,text,date):self.reviewId=reviewIdself.userId=userIdself.hotelId=hotelIdself.rating=ratingself.text=textself.date=datedeffilter_high_ratings(self):"""过滤出评分大于4.0且包含关键词'推荐'的评论"""ifself.rating>4.0a