2026年腾讯公司技术岗面试题详解

2026年腾讯公司技术岗面试题详解一、编程实现题（共3题，每题20分，总分60分）题目1（20分）：实现LRU缓存机制>请用Python实现一个LRU（LeastRecentlyUsed）缓存机制，要求支持以下功能：>1.初始化缓存容量为`capacity`。>2.提供`get(key)`方法，若缓存中存在键`key`，则返回其值，并更新该键为最近使用；若不存在，返回-1。>3.提供`put(key,value)`方法，若缓存已满，则删除最久未使用的键，再插入新的键值对。>4.请说明你的数据结构和时间复杂度。答案与解析：pythonclassLRUCache:def__init__(self,capacity:int):self.capacity=capacityself.cache={}self.order=[]defget(self,key:int)->int:ifkeyinself.cache:self.order.remove(key)self.order.append(key)returnself.cache[key]return-1defput(self,key:int,value:int)->None:ifkeyinself.cache:self.order.remove(key)eliflen(self.cache)>=self.capacity:oldest_key=self.order.pop(0)delself.cache[oldest_key]self.cache[key]=valueself.order.append(key)解析：-数据结构：使用哈希表`cache`存储键值对，链表`order`维护最近使用顺序。哈希表实现O(1)的查找，链表实现O(1)的插入和删除。-时间复杂度：`get`和`put`均为O(1)。-优化：Python自带的`collections.OrderedDict`可以更简洁地实现LRU，因为其内部维护了键的插入顺序，且删除和移动操作都是O(1)。题目2（20分）：实现快速排序的非递归版本>请用C++实现快速排序的非递归版本，要求使用栈来模拟递归过程。输入为一个整数数组，输出为排序后的数组。答案与解析：cppinclude<vector>include<stack>voidquickSortNonRecursive(std::vector<int>&nums){if(nums.empty())return;std::stack<std::pair<int,int>>stk;stk.push({0,nums.size()-1});while(!stk.empty()){auto[low,high]=stk.top();stk.pop();if(low>=high)continue;intpivot=nums[high];inti=low;for(intj=low;j<high;++j){if(nums[j]<pivot){std::swap(nums[i],nums[j]);++i;}}std::swap(nums[i],nums[high]);stk.push({low,i-1});stk.push({i+1,high});}}解析：-非递归实现：使用栈存储待排序的子数组边界，模拟递归调用。每次从栈中弹出当前子数组，进行分区操作，再将左右子数组压入栈中。-时间复杂度：平均O(nlogn)，最坏O(n^2)。-优化：选择合适的枢轴（如三数取中）可以减少最坏情况发生的概率。题目3（20分）：实现二叉树的层序遍历>请用Java实现二叉树的层序遍历（广度优先遍历），要求返回一个包含所有节点值的列表，按层次从上到下，同一层从左到右。答案与解析：javaimportjava.util.;publicclassSolution{publicList<List<Integer>>levelOrder(TreeNoderoot){List<List<Integer>>result=newArrayList<>();if(root==null)returnresult;Queue<TreeNode>queue=newLinkedList<>();queue.offer(root);while(!queue.isEmpty()){intlevelSize=queue.size();List<Integer>currentLevel=newArrayList<>();for(inti=0;i<levelSize;++i){TreeNodenode=queue.poll();currentLevel.add(node.val);if(node.left!=null)queue.offer(node.left);if(node.right!=null)queue.offer(node.right);}result.add(currentLevel);}returnresult;}}解析：-数据结构：使用队列实现BFS，每次处理一层的节点。-时间复杂度：O(n)，每个节点访问一次。-优化：可以添加边界判断，防止空指针异常。二、系统设计题（共2题，每题25分，总分50分）题目4（25分）：设计一个短链接服务>请设计一个短链接服务，要求：>1.用户输入长链接，系统返回短链接。>2.短链接应具有唯一性和可访问性。>3.访问短链接时，系统应统计点击次数，并重定向到原始长链接。>4.支持高并发访问。>5.简述系统架构和数据存储方案。答案与解析：系统架构：1.API层：提供用户输入长链接和访问短链接的接口，使用Nginx或HAProxy进行负载均衡。2.服务层：处理业务逻辑，包括生成短链接、存储映射关系、统计点击次数。3.存储层：使用Redis存储短链接与长链接的映射关系，使用MySQL存储点击统计信息。4.缓存层：使用Memcached缓存热点短链接，减少数据库访问。5.定时任务：定期清理过期的短链接。数据存储方案：-Redis：存储`short_link:long_link`的映射关系，使用哈希表存储，提供O(1)的查找。-MySQL：存储点击统计信息，表结构包括`short_link`、`click_count`等字段。-短链接生成：使用Base62编码（字母+数字），将ID映射为短链接，如`/abc123`。伪代码：pythondefgenerate_short_link(long_link):生成唯一IDid=generate_unique_id()Base62编码short_link=base62_encode(id)存储映射关系redis.hset('short_link',short_link,long_link)returnshort_linkdefredirect_short_link(short_link):long_link=redis.hget('short_link',short_link)ifnotlong_link:return"Invalidshortlink"更新点击次数mysql.update_click_count(short_link)returnlong_link解析：-高并发处理：使用分布式缓存和数据库读写分离，API层使用负载均衡。-唯一性保证：使用UUID或数据库自增ID，再进行Base62编码。-可访问性：通过CDN加速短链接解析，提高访问速度。题目5（25分）：设计一个消息队列系统>请设计一个消息队列系统，要求：>1.支持高吞吐量和低延迟。>2.支持消息的持久化存储。>3.支持至少一次、至少一次和精确一次消息传递语义。>4.支持消息的优先级队列。>5.简述系统架构和关键组件。答案与解析：系统架构：1.生产者：发送消息到队列。2.消费者：从队列中消费消息。3.队列管理器：维护队列状态，处理消息路由。4.持久化存储：使用RocksDB或LevelDB存储消息，保证数据不丢失。5.索引层：使用Elasticsearch或Solr索引消息，支持快速查找。6.事务管理：使用分布式事务框架（如Seata）保证消息传递一致性。关键组件：-消息存储：使用RocksDB存储消息，支持LSM树结构，提供高吞吐量。-消息索引：使用Elasticsearch索引消息元数据，支持快速查询。-优先级队列：使用堆结构维护消息优先级，高优先级消息优先处理。-消息传递语义：-至少一次：消息不丢失，但可能重复。-至少一次：使用幂等性保证，重复消息被忽略。-精确一次：使用分布式事务或2PC协议保证。伪代码：pythonclassMessageQueue:defproduce(self,message:str,priority:int):存储消息rocksdb.put(message_id,message)索引消息es.index(message_id,message,priority)defconsume(self):获取高优先级消息message_id=es.get_highest_priority_message()ifmessage_id:message=rocksdb.get(message_id)处理消息process_message(message)标记消息已处理es.mark_as_processed(message_id)解析：-高吞吐量：使用RocksDB的LSM树结构，支持批量写入和读取。-持久化存储：RocksDB支持WAL日志，保证数据不丢失。-消息传递语义：通过幂等性和分布式事务保证消息一致性。三、数据库与分布式系统题（共2题，每题15分，总分30分）题目6（15分）：数据库分库分表方案设计>请设计一个电商平台的数据库分库分表方案，要求：>1.说明分库分表的必要性。>2.描述分库分表的策略。>3.阐述分库分表后的数据一致性问题。答案与解析：分库分表的必要性：-性能瓶颈：单库单表无法支持海量数据和高并发访问。-扩展性：数据库扩展性有限，分库分表可以水平扩展。-数据隔离：不同业务模块的数据隔离，提高安全性。分库分表策略：1.分库：按业务模块分库，如订单库、用户库、商品库。2.分表：-垂直分表：将一张大表拆分为多个小表，如用户表拆分为用户基本信息表和用户扩展信息表。-水平分表：按数据范围或哈希值分表，如按用户ID哈希到不同表。数据一致性问题：-分布式事务：使用Seata或TCC协议保证跨库事务一致性。-消息队列：使用RocketMQ或Kafka异步同步数据，保证最终一致性。-数据冗余：通过数据同步工具（如MyCat）保持数据一致性。伪代码：sql--垂直分表示例CREATETABLEuser_base(user_idINTPRIMARYKEY,usernameVARCHAR(50),...);CREATETABLEuser_ext(user_idINTPRIMARYKEY,emailVARCHAR(50),...FOREIGNKEY(user_id)REFERENCESuser_base(user_id));解析：-分库分表：按业务模块分库，按数据特点分表，提高数据库性能和扩展性。-数据一致性：通过分布式事务和消息队列保证跨库数据一致性。题目7（15分）：分布式系统CAP理论>请解释分布式系统中的CAP理论，并说明在哪些场景下选择AP、CP或CA。答案与解析：CAP理论：-一致性（Consistency）：所有节点在同一时间具有相同的数据。-可用性（Availability）：每次请求都能得到响应，但不保证返回最新数据。-分区容错性（PartitionTolerance）：网络分区时系统仍能运行。选择策略：1.AP（可用性+分区容错性）：适用于对数据一致性要求不高的场景，如社交网络、新闻推荐。2.CP（一致性+分区容错性）：适用于对数据一致性要求高的场景，如金融系统、订单系统。3.CA（一致性+可用性）：适用于单点系统，如本地缓存。伪代码：pythonclassAPSystem:defget(self,key):returnself.cache.get(key,"NotFou