2026年互联网公司常见岗位招聘题目解析

2026年互联网公司常见岗位招聘题目解析一、编程与算法题（共5题，每题10分，总分50分）针对行业：-前端开发（React/Vue性能优化）-后端开发（高并发解决方案）-数据工程师（ETL流程设计）题目1（10分）：题目：给定一个包含重复元素的数组`arr`，请设计一个算法，找出数组中不重复的元素，并返回它们的数量。要求时间复杂度O(n)，空间复杂度O(1)。示例：输入：`arr=[1,2,2,3,4,4,5]`输出：`5`（不重复元素为1,2,3,4,5）答案：pythondefcount_unique_elements(arr):ifnotarr:return0arr.sort()#排序后重复元素相邻count=1#至少有一个唯一元素foriinrange(1,len(arr)):ifarr[i]!=arr[i-1]:count+=1returncount解析：1.排序法：先对数组排序，重复元素会相邻，然后遍历统计唯一元素数量。时间复杂度O(nlogn)，但题目要求O(n)，需优化。2.哈希表法：使用哈希集合统计元素出现次数，但空间复杂度O(n)，不满足要求。3.位运算优化：对于整数数组，可使用位运算标记已遍历的元素（仅适用于特定范围整数），但通用性差。4.正确解法：排序后双指针法，时间O(nlogn)，空间O(1)。若题目允许修改原数组，可使用原数组记录状态（如将重复元素置为特殊值），但需明确约束。题目2（10分）：题目：实现一个LRU（最近最少使用）缓存，支持`get`和`put`操作。缓存容量为`capacity`，当缓存满时，最久未使用的元素将被移除。示例：pythonLRUCache=LRUCache(2)LRUCache.put(1,1)#缓存是{1:1}LRUCache.put(2,2)#缓存是{1:1,2:2}LRUCache.get(1)#返回1LRUCache.put(3,3)#去除键2，缓存是{1:1,3:3}LRUCache.get(2)#返回-1(未找到)答案：pythonclassLRUCache:def__init__(self,capacity:int):self.capacity=capacityself.cache=OrderedDict()defget(self,key:int)->int:ifkeynotinself.cache:return-1self.cache.move_to_end(key)#标记为最近使用returnself.cache[key]defput(self,key:int,value:int)->None:ifkeyinself.cache:self.cache.move_to_end(key)#更新位置self.cache[key]=valueiflen(self.cache)>self.capacity:self.cache.popitem(last=False)#移除最久未使用解析：1.哈希表+双向链表：哈希表记录键值对，双向链表维护使用顺序。`get`操作将元素移至队尾，`put`时若已存在则更新，满时删除队首。2.Python内置`OrderedDict`：简化实现，`move_to_end`自动调整顺序。若需严格O(1)可使用`collections.OrderedDict`。3.错误实现：仅使用哈希表，不维护顺序，会导致`get`操作仍需遍历链表，性能下降。题目3（10分）：题目：给定一个字符串`s`，找到其中最长的无重复字符的子串长度。示例：输入：`s="abcabcbb"`输出：`3`（最长子串为"abc"）答案：pythondeflength_of_longest_substring(s:str)->int:char_set=set()left=0max_len=0forrightinrange(len(s)):whiles[right]inchar_set:char_set.remove(s[left])left+=1char_set.add(s[right])max_len=max(max_len,right-left+1)returnmax_len解析：1.滑动窗口法：使用双指针维护无重复字符的子串。`right`扩展窗口，`left`收缩窗口。2.哈希表记录字符上一次出现位置：避免重复遍历，但需额外空间。3.错误实现：暴力枚举所有子串，时间复杂度O(n²)，效率低。题目4（10分）：题目：实现快速排序（QuickSort）算法，要求使用递归方式，并选择合适的基准点（pivot）策略。示例：输入：`arr=[3,6,8,10,1,2,1]`输出：`[1,1,2,3,6,8,10]`答案：pythondefquick_sort(arr):iflen(arr)<=1:returnarrpivot=arr[len(arr)//2]#选择中位数作为基准left=[xforxinarrifx<pivot]middle=[xforxinarrifx==pivot]right=[xforxinarrifx>pivot]returnquick_sort(left)+middle+quick_sort(right)解析：1.基准点选择策略：-中位数：避免最坏情况（已排序数组）。-随机数：进一步减少最坏概率。-三数取中：中位数、首元素、尾元素的平均值。2.原地分区法：可优化空间复杂度至O(logn)，但代码更复杂。3.错误实现：若选择首元素为基准，在已排序数组中效率极低。题目5（10分）：题目：实现一个函数，判断一个字符串是否是有效的括号组合（只考虑`()`、`[]`、`{}`）。示例：输入：`s="()[]{}"`输出：`True`答案：pythondefisValid(s:str)->bool:stack=[]mapping={')':'(',']':'[','}':'{'}forcharins:ifcharinmapping:top_element=stack.pop()ifstackelse'#'ifmapping[char]!=top_element:returnFalseelse:stack.append(char)returnnotstack解析：1.栈结构：左括号入栈，右括号与栈顶匹配。2.映射表加速匹配：避免重复查找。3.错误实现：使用哈希集合判断，无法记录括号配对顺序。二、系统设计题（共3题，每题15分，总分45分）针对行业：-后端架构师（分布式系统设计）-高级开发（微服务拆分）题目6（15分）：题目：设计一个高并发的短链接系统，要求：1.输入长链接，输出短链接（如6位随机字母）。2.支持快速跳转（短链接解析为长链接）。3.具备分布式扩展能力。约束：-短链接长度不超过6位。-QPS要求>10万。答案：1.短链接生成：-使用62进制（a-z,A-Z,0-9）编码，如`1`编码为`abc`。-映射表存储`short->long`，如`abc`对应`/abc`。pythonimportbase64importrandomclassShortLinkService:def__init__(self):self.base="/"self.characters="abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"self.id_map={}self.reverse_map={}def_encode(self,num:int)->str:encoded=""whilenum:num,rem=divmod(num,62)encoded=self.characters[rem]+encodedreturnencoded.zfill(6)#补足6位defget_short_link(self,long_url:str)->str:iflong_urlinself.id_map:returnself.base+self.id_map[long_url]id_=random.randint(1,1012)short_code=self._encode(id_)self.id_map[long_url]=short_codeself.reverse_map[short_code]=long_urlreturnself.base+short_codedefget_long_link(self,short_code:str)->str:returnself.reverse_map.get(short_code,"Notfound")2.分布式扩展：-使用Redis/ZooKeeper实现`id_map`分布式存储。-负载均衡分配短链接ID生成器。解析：1.编码方式：62进制可生成大量短链接。2.冲突处理：随机数+映射表，概率极低冲突。若冲突则重新生成。3.分布式挑战：-ID生成器：可使用TwitterSnowflake算法生成全局唯一ID。-缓存层：Redis缓存热点短链接，减少DB查询。题目7（15分）：题目：设计一个支持高并发的实时推荐系统，要求：1.用户访问时，需根据其历史行为和实时行为推荐商品。2.支持毫秒级响应。3.可水平扩展。约束：-用户数千万级。-商品数百万级。答案：1.系统架构：-数据层：HBase/Redis存储用户行为日志、商品特征、用户画像。-计算层：-实时计算：Flink/SparkStreaming处理实时行为流，更新用户兴趣向量。-离线计算：每日使用ALS/GBDT计算用户-商品相似度矩阵。-服务层：-推荐API：基于实时兴趣向量+离线相似度，使用LRU缓存热点推荐。-缓存策略：Redis缓存用户实时推荐结果。2.核心算法：python简化伪代码defget_recommendations(user_id,real_time_actions,cache):ifcache.exists(user_id):returncache.get(user_id)real_time_score=compute_real_time_score(real_time_actions)offline_score=get_offline_score(user_id)final_score=real_time_score0.3+offline_score0.7top_items=rank_items_by_score(final_score)cache.set(user_id,top_items,expire=300)#缓存300秒returntop_items3.扩展性设计：-微服务拆分：按用户分片（如`user_id%100`），每个服务独立扩容。-异步更新：离线计算结果通过消息队列（Kafka）推送到实时服务。解析：1.实时性优化：-冷启动：新用户使用离线推荐，待行为积累后切换实时推荐。-增量更新：仅处理新行为，而非全量重算。2.扩展性挑战：-数据倾斜：热门用户需单点扩容或动态路由。-消息队列：保证计算链路异步不阻塞API。题目8（15分）：题目：设计一个支持海量用户地理位置共享的实时社交系统（如微信位置共享），要求：1.用户可实时更新位置，并查看附近其他用户。2.支持地理围栏（如仅显示5km内用户）。3.具备高可用和低延迟。约束：-用户数亿级。-地理位置更新频率高。答案：1.数据结构：-用户位置存储：RedisGEO数据结构（`GEOADD`、`GEORADIUS`）。-内存维护：热点用户位置使用LRU缓存，避免频繁DB查询。2.核心逻辑：python伪代码defupdate_location(user_id,lat,lng):redis.geoadd("user_locations",lng,lat,user_id)redis.expire("user_locations",600)#10分钟过期defget_nearby_users(user_id,lat,lng,radius=5000):ifcache.exists(user_id):returncache.get(user_id)result=redis.georadius("user_locations",lng,lat,radius,withdist=True,withcoord=True)nearby_users=parse_radius_result(result)cache.set(user_id,nearby_users,expire=60)#缓存1分钟returnnearby_users3.高可用设计：-分布式Redis集群：使用哨兵或RedisCluster。-位置分片：按经纬度范围分片，如`lat/lng`的模运算。解析：1.性能优化：-空间换时间：GEO索引牺牲空间存储坐标，但查询快。-批量更新：用户批量移动时，先缓存再异步批量`GEOADD`。2.延迟问题：-预加载：用户进入区域前预加载附近用户，使用WebSocket推送实时更新。-异步更新：位置变更通过消息队列异步同步，API直接返回缓存结果。三、综合能力题（共2题，每题20分，总分40分）针对行业：-产品经理（需求分析）-运维工程师（故障排查）题目9（20分）：题目：假设你是某短视频平台的用户增长产品经理，需要设计一个“好友推荐”功能。请回答：1.如何定义“好友推荐”的标准？2.如何保证推荐结果的相关性和多样性？3.若推荐效果不达标，你会如何优化？答案：1.推荐标准：-共同兴趣：关注相同话题/创作者的用户。-社交关系：共同好友/粉丝数/互动历史。-地理位置：附近用户（用于线下活动）。-活跃度：优先推荐活跃用户。2.相关性+多样性平衡：python伪代码示例defrecommend_friends(user_id,graph,interests,nearby_users):common_interests=get_common_interests(user_id,interests)mutual_friends=get_mutual_friends(user_id,graph)nearby=get_top_n(nearby_users,10)candidates=set(common_interests+mutual_friends+nearby)diversity=add_diverse_users(candidates,user_id,graph)returnrank_by_score(candidates,user_id)3.优化策略：-A/B测试：对比不同推荐算法的效果。-用户反馈：允许用户反馈不感兴趣的人，动态调整模型。-冷启动：新用户先推荐系统管理员推荐的人。解析：1.社交推荐难点：-信息茧房：过度推荐相似用户导致体验单一。-冷启动：新用户缺乏足够数据。2.数据驱动优化：-CTR/CVR：用点击率/互动率评估推荐效果。-用户画像：结合年龄/性别/话题偏好进行推荐。题目1