diff --git a/.gitignore b/.gitignore old mode 100644 new mode 100755 index 29e3f06388..08ae7cfc9c --- a/.gitignore +++ b/.gitignore @@ -1,8 +1,6 @@ -node_modules +node_modules/ package-lock.json package.json yarn.lock -compile.sh -deploy.sh - - +scripts/ +.DS_Store \ No newline at end of file diff --git a/docs/.DS_Store b/docs/.DS_Store index 8693aee5f4..cfba763044 100644 Binary files a/docs/.DS_Store and b/docs/.DS_Store differ diff --git a/docs/.obsidian/appearance.json b/docs/.obsidian/appearance.json index 976ddd65bf..acf703af81 100644 --- a/docs/.obsidian/appearance.json +++ b/docs/.obsidian/appearance.json @@ -1,4 +1,5 @@ { "theme": "obsidian", - "cssTheme": "Obsidian Nord" + "cssTheme": "Obsidian Nord", + "accentColor": "" } \ No newline at end of file diff --git a/docs/.obsidian/core-plugins-migration.json b/docs/.obsidian/core-plugins-migration.json new file mode 100644 index 0000000000..318ec8585d --- /dev/null +++ b/docs/.obsidian/core-plugins-migration.json @@ -0,0 +1,31 @@ +{ + "file-explorer": true, + "global-search": true, + "switcher": true, + "graph": true, + "backlink": true, + "outgoing-link": true, + "tag-pane": true, + "page-preview": true, + "daily-notes": true, + "templates": true, + "note-composer": true, + "command-palette": true, + "slash-command": false, + "editor-status": true, + "starred": true, + "markdown-importer": false, + "zk-prefixer": false, + "random-note": false, + "outline": true, + "word-count": true, + "slides": false, + "audio-recorder": false, + "workspaces": false, + "file-recovery": true, + "publish": false, + "sync": false, + "canvas": true, + "bookmarks": true, + "properties": false +} \ No newline at end of file diff --git a/docs/.obsidian/core-plugins.json b/docs/.obsidian/core-plugins.json index 96869dfde4..30410c96ee 100644 --- a/docs/.obsidian/core-plugins.json +++ b/docs/.obsidian/core-plugins.json @@ -1,19 +1,32 @@ -[ - "file-explorer", - "global-search", - "switcher", - "graph", - "backlink", - "outgoing-link", - "tag-pane", - "page-preview", - "daily-notes", - "templates", - "note-composer", - "command-palette", - "editor-status", - "starred", - "outline", - "word-count", - "file-recovery" -] \ No newline at end of file +{ + "file-explorer": true, + "global-search": true, + "switcher": true, + "graph": true, + "backlink": true, + "outgoing-link": true, + "tag-pane": true, + "page-preview": true, + "daily-notes": true, + "templates": true, + "note-composer": true, + "command-palette": true, + "slash-command": false, + "editor-status": true, + "starred": true, + "markdown-importer": false, + "zk-prefixer": false, + "random-note": false, + "outline": true, + "word-count": true, + "slides": false, + "audio-recorder": false, + "workspaces": false, + "file-recovery": true, + "publish": false, + "sync": false, + "canvas": true, + "bookmarks": true, + "properties": false, + "webviewer": false +} \ No newline at end of file diff --git a/docs/.obsidian/graph.json b/docs/.obsidian/graph.json new file mode 100644 index 0000000000..f1c3cdafa8 --- /dev/null +++ b/docs/.obsidian/graph.json @@ -0,0 +1,22 @@ +{ + "collapse-filter": true, + "search": "", + "showTags": false, + "showAttachments": false, + "hideUnresolved": false, + "showOrphans": true, + "collapse-color-groups": true, + "colorGroups": [], + "collapse-display": false, + "showArrow": false, + "textFadeMultiplier": 0, + "nodeSizeMultiplier": 1, + "lineSizeMultiplier": 1, + "collapse-forces": true, + "centerStrength": 0.518713248970312, + "repelStrength": 9.42057291666667, + "linkStrength": 0.345987955729167, + "linkDistance": 250, + "scale": 0.8171482109060346, + "close": true +} \ No newline at end of file diff --git a/docs/.obsidian/workspace b/docs/.obsidian/workspace index 540db7d687..2005115db2 100644 --- a/docs/.obsidian/workspace +++ b/docs/.obsidian/workspace @@ -4,13 +4,13 @@ "type": "split", "children": [ { - "id": "d328e22c3a421c71", + "id": "17a0267a38d6cd5c", "type": "leaf", "state": { "type": "markdown", "state": { - "file": "data-structure-algorithms/soultion/Array-Solution.md", - "mode": "source", + "file": "data-management/MySQL/MySQL-Index.md", + "mode": "preview", "source": false } } @@ -77,7 +77,7 @@ "state": { "type": "backlink", "state": { - "file": "data-structure-algorithms/soultion/Array-Solution.md", + "file": "data-management/MySQL/MySQL-Index.md", "collapseAll": false, "extraContext": false, "sortOrder": "alphabetical", @@ -94,7 +94,7 @@ "state": { "type": "outgoing-link", "state": { - "file": "data-structure-algorithms/soultion/Array-Solution.md", + "file": "data-management/MySQL/MySQL-Index.md", "linksCollapsed": false, "unlinkedCollapsed": true } @@ -117,7 +117,7 @@ "state": { "type": "outline", "state": { - "file": "data-structure-algorithms/soultion/Array-Solution.md" + "file": "data-management/MySQL/MySQL-Index.md" } } } @@ -128,8 +128,14 @@ "direction": "horizontal", "width": 300 }, - "active": "d328e22c3a421c71", + "active": "17a0267a38d6cd5c", "lastOpenFiles": [ - "data-structure-algorithms/Array.md" + "interview/Kafka-FAQ.md", + "work/DPA.md", + "data-structure-algorithms/soultion/Array-Solution.md", + "data-structure-algorithms/Array.md", + "data-structure-algorithms/Recursion.md", + "data-management/Big-Data/Bloom-Filter.md", + "data-structure-algorithms/Linked-List.md" ] } \ No newline at end of file diff --git a/docs/.obsidian/workspace.json b/docs/.obsidian/workspace.json new file mode 100644 index 0000000000..d648b6a945 --- /dev/null +++ b/docs/.obsidian/workspace.json @@ -0,0 +1,302 @@ +{ + "main": { + "id": "2c9313c97191b3d5", + "type": "split", + "children": [ + { + "id": "233cec07312ea132", + "type": "tabs", + "children": [ + { + "id": "17a0267a38d6cd5c", + "type": "leaf", + "state": { + "type": "markdown", + "state": { + "file": "data-management/MySQL/MySQL-Index.md", + "mode": "preview", + "source": false + }, + "icon": "lucide-file", + "title": "MySQL-Index" + } + }, + { + "id": "264bec0c6c3126ab", + "type": "leaf", + "state": { + "type": "markdown", + "state": { + "file": "data-structure-algorithms/soultion/LinkedList-Soultion.md", + "mode": "source", + "source": false + }, + "icon": "lucide-file", + "title": "LinkedList-Soultion" + } + }, + { + "id": "e24a131a4a8c13f9", + "type": "leaf", + "state": { + "type": "markdown", + "state": { + "file": "data-structure-algorithms/algorithm/Dynamic-Programming.md", + "mode": "source", + "source": false + }, + "icon": "lucide-file", + "title": "Dynamic-Programming" + } + }, + { + "id": "56243bd84331da43", + "type": "leaf", + "state": { + "type": "release-notes", + "state": { + "currentVersion": "1.8.9" + }, + "icon": "lucide-book-up", + "title": "Release Notes 1.8.9" + } + }, + { + "id": "80d5c719688f185a", + "type": "leaf", + "state": { + "type": "release-notes", + "state": { + "currentVersion": "1.8.10" + }, + "icon": "lucide-book-up", + "title": "Release Notes 1.8.10" + } + }, + { + "id": "c7c1397df03f59cc", + "type": "leaf", + "state": { + "type": "empty", + "state": {}, + "icon": "lucide-file", + "title": "新标签页" + } + }, + { + "id": "f02bfed475530fbe", + "type": "leaf", + "state": { + "type": "markdown", + "state": { + "file": "data-structure-algorithms/soultion/DP-Solution.md", + "mode": "source", + "source": false + }, + "icon": "lucide-file", + "title": "DP-Solution" + } + }, + { + "id": "0d9db99c2c25b1c2", + "type": "leaf", + "state": { + "type": "markdown", + "state": { + "file": "data-structure-algorithms/soultion/DP-Solution.md", + "mode": "source", + "source": false + }, + "icon": "lucide-file", + "title": "DP-Solution" + } + } + ], + "currentTab": 4 + } + ], + "direction": "vertical" + }, + "left": { + "id": "c2ba06bd2f318734", + "type": "split", + "children": [ + { + "id": "8aec8ec279c7aff1", + "type": "tabs", + "children": [ + { + "id": "ae760b575766f3f0", + "type": "leaf", + "state": { + "type": "file-explorer", + "state": { + "sortOrder": "alphabetical", + "autoReveal": false + }, + "icon": "lucide-folder-closed", + "title": "文件列表" + } + }, + { + "id": "f88a42db0e3bb960", + "type": "leaf", + "state": { + "type": "search", + "state": { + "query": "", + "matchingCase": false, + "explainSearch": false, + "collapseAll": false, + "extraContext": false, + "sortOrder": "alphabetical" + }, + "icon": "lucide-search", + "title": "搜索" + } + }, + { + "id": "c7bda26138bbb70d", + "type": "leaf", + "state": { + "type": "starred", + "state": {}, + "icon": "lucide-file", + "title": "插件不再活动" + } + }, + { + "id": "123cfa366479ce4d", + "type": "leaf", + "state": { + "type": "bookmarks", + "state": {}, + "icon": "lucide-bookmark", + "title": "书签" + } + } + ] + } + ], + "direction": "horizontal", + "width": 200 + }, + "right": { + "id": "4d54828aaab36d9f", + "type": "split", + "children": [ + { + "id": "4acb1c44f8a68ec8", + "type": "tabs", + "children": [ + { + "id": "f56e43f509009e33", + "type": "leaf", + "state": { + "type": "backlink", + "state": { + "file": "data-management/Redis/Redis-Datatype.md", + "collapseAll": true, + "extraContext": false, + "sortOrder": "alphabetical", + "showSearch": false, + "searchQuery": "", + "backlinkCollapsed": false, + "unlinkedCollapsed": true + }, + "icon": "links-coming-in", + "title": "Redis-Datatype 的反向链接列表" + } + }, + { + "id": "e22cbd6030bde448", + "type": "leaf", + "state": { + "type": "outgoing-link", + "state": { + "file": "data-management/Redis/Redis-Datatype.md", + "linksCollapsed": false, + "unlinkedCollapsed": true + }, + "icon": "links-going-out", + "title": "Redis-Datatype 的出链列表" + } + }, + { + "id": "37585a229386609d", + "type": "leaf", + "state": { + "type": "tag", + "state": { + "sortOrder": "frequency", + "useHierarchy": true + }, + "icon": "lucide-tags", + "title": "标签" + } + }, + { + "id": "1b738c49f6ecdf2c", + "type": "leaf", + "state": { + "type": "outline", + "state": { + "followCursor": false, + "showSearch": false, + "searchQuery": "" + }, + "icon": "lucide-list", + "title": "大纲" + } + } + ], + "currentTab": 3 + } + ], + "direction": "horizontal", + "width": 300 + }, + "left-ribbon": { + "hiddenItems": { + "switcher:打开快速切换": false, + "graph:查看关系图谱": false, + "canvas:新建白板": false, + "daily-notes:打开/创建今天的日记": false, + "templates:插入模板": false, + "command-palette:打开命令面板": false + } + }, + "active": "80d5c719688f185a", + "lastOpenFiles": [ + "framework/SpringWebFlux/Webflux~.md", + "framework/SpringWebFlux/Webflux.md", + "framework/SpringWebFlux/Untitled.md", + "framework/SpringWebFlux/响应式编程~.md", + "framework/SpringWebFlux/SpringWebFlux~.md", + "framework/SpringWebFlux/WebFlux~.md", + "data-management/Redis/Redis-Datatype.md", + "data-management/Redis/Redis-Database.md", + "data-management/Redis/Nosql-Overview.md", + "data-management/Redis/Nosql-Overview~.md", + "data-management/Redis/reproduce/Cache-Design.md", + "data-management/Redis/reproduce/Redis为什么变慢了-常见延迟问题定位与分析.md", + "data-management/Redis/reproduce/Key 寻址算法.md", + "interview/Redis-FAQ.md", + "data-structure-algorithms/soultion/Binary-Tree-Solution.md", + "未命名文件夹", + "java/IO~.md", + "java/IO.md", + "java/未命名.md", + "interview/Ability-FAQ~.md", + "data-structure-algorithms/algorithm/BFS.md", + "data-structure-algorithms/algorithm/Untitled.md", + "interview/Algorithm.md", + "interview/Alto.md", + "interview/Untitled.md", + "data-structure-algorithms/data-structure/Binary-Tree.md", + "data-structure-algorithms/soultion/DP-Solution.md", + "Untitled.canvas", + "data-structure-algorithms/algorithm", + "data-structure-algorithms/未命名文件夹" + ] +} \ No newline at end of file diff --git a/docs/.vuepress/.DS_Store b/docs/.vuepress/.DS_Store index 76da44d2c3..cd94417745 100644 Binary files a/docs/.vuepress/.DS_Store and b/docs/.vuepress/.DS_Store differ diff --git a/docs/.vuepress/config.js b/docs/.vuepress/config.js index e64f9edb72..42bf241df7 100644 --- a/docs/.vuepress/config.js +++ b/docs/.vuepress/config.js @@ -150,33 +150,43 @@ function genDSASidebar() { return [ { title: "数据结构", - collapsable: false, - sidebarDepth: 2, // 可选的, 默认值是 1 - children: ["Array","Linked-List","Stack","Queue","Binary-Tree","Skip-List"] + collapsable: true, + //sidebarDepth: 2, // 可选的, 默认值是 1 + children: [ + ['data-structure/Array','数组'], + ['data-structure/Linked-List','链表'], + ['data-structure/Stack','栈'], + ['data-structure/Queue','队列'], + ['data-structure/Binary-Tree','二叉树'], + ['data-structure/Skip-List','跳表'] + ] }, { title: "算法", collapsable: true, children: [ "complexity", - "Sort", - ['Binary-Search', '二分查找'], - ['Recursion', '递归'], - ['Double-Pointer', '双指针'], - ['Dynamic-Programming', '动态规划'], - ['DFS', 'DFS'] + ['algorithm/Sort', '排序'], + ['algorithm/Binary-Search', '二分查找'], + ['algorithm/Recursion', '递归'], + ['algorithm/Backtracking', '回溯'], + ['algorithm/DFS-BFS', 'DFS vs BFS'], + ['algorithm/Double-Pointer', '双指针'], + ['algorithm/Dynamic-Programming', '动态规划'] ] }, { title: "刷题", collapsable: true, children: [ - ['soultion/binary-tree', '二叉树'], + ['soultion/Binary-Tree-Solution', '二叉树'], ['soultion/Array-Solution', '数组'], ['soultion/String-Solution', '字符串'], ['soultion/LinkedList-Soultion', '链表'], + ['soultion/DFS-Solution', 'DFS'], ['soultion/Math-Solution', '数学'], - ['soultion/stock-problems', '股票问题'] + ['soultion/stock-problems', '股票问题'], + ['soultion/剑指offer', '剑指offer'] ] } ]; @@ -185,19 +195,41 @@ function genDSASidebar() { function genDesignPatternSidebar() { return [ ['Design-Pattern-Overview', '设计模式前传'], - ['Singleton-Pattern', '单例模式'], - ['Factory-Pattern', '工厂模式'], - ['Prototype-Pattern', '原型模式'], - ['Builder-Pattern', '建造者模式'], - ['Decorator-Pattern', '装饰模式'], - ['Proxy-Pattern', '代理模式'], - ['Adapter-Pattern', '适配器模式'], - ['Chain-of-Responsibility-Pattern', '责任链模式'], - ['Observer-Pattern', '观察者模式'], - ['Facade-Pattern', '外观模式'], - ['Template-Pattern', '模板方法模式'], - ['Strategy-Pattern', '策略模式'], - ['Pipeline-Pattern', '管道模式'] + { + title: "创建型模式", + collapsable: true, + sidebarDepth: 3, // 可选的, 默认值是 1 + children: [ + ['Singleton-Pattern', '单例模式'], + ['Factory-Pattern', '工厂模式'], + ['Prototype-Pattern', '原型模式'], + ['Builder-Pattern', '建造者模式'] + ] + }, + { + title: "结构型模式", + collapsable: true, + sidebarDepth: 3, // 可选的, 默认值是 1 + children: [ + ['Decorator-Pattern', '装饰模式'], + ['Proxy-Pattern', '代理模式'], + ['Adapter-Pattern', '适配器模式'] + ] + }, + { + title: "行为模式", + collapsable: true, + sidebarDepth: 2, // 可选的, 默认值是 1 + children: [ + ['Chain-of-Responsibility-Pattern', '责任链模式'], + ['Observer-Pattern', '观察者模式'], + ['Template-Pattern', '模板方法模式'], + ['Strategy-Pattern', '策略模式'], + ['Facade-Pattern', '外观模式'] + ] + }, + ['Pipeline-Pattern', '管道模式'], + ['Spring-Design.md', 'Spring 中的设计模式'] ]; } @@ -214,8 +246,9 @@ function genDataManagementSidebar(){ ['MySQL/MySQL-Transaction', 'MySQL 事务'], ['MySQL/MySQL-Log', 'MySQL 日志'], ['MySQL/MySQL-Lock', 'MySQL 锁'], - ['MySQL/MySQL-select', 'MySQL 查询'], - ['MySQL/数据库三范式', '数据库三范式'], + ['MySQL/MySQL-Select', 'MySQL 查询'], + ['MySQL/MySQL-Optimization', 'MySQL 优化'], + ['MySQL/Three-Normal-Forms', '数据库三范式'] ] }, { @@ -228,7 +261,7 @@ function genDataManagementSidebar(){ ['Redis/Redis-Persistence', 'Redis 持久化'], ['Redis/Redis-Conf', 'Redis 配置'], ['Redis/Redis-Transaction', 'Redis 事务'], - ['Redis/Reids-Lock', 'Redis 分布式锁'], + ['Redis/Redis-Lock', 'Redis 分布式锁'], ['Redis/Redis-Master-Slave', 'Redis 主从'], ['Redis/Redis-Sentinel', 'Redis 哨兵'], ['Redis/Redis-Cluster', 'Redis 集群'], @@ -246,9 +279,7 @@ function genDataManagementSidebar(){ ['Big-Data/HBase', 'HBase'], ['Big-Data/Phoenix', 'Phoneix'] ] - }, - - 'Redis/Cache-Design' + } ]; } @@ -344,7 +375,7 @@ function genNetworkSidebar(){ function genInterviewSidebar(){ return [ ['Java-Basics-FAQ', 'Java基础部分'], - ['Collections-FAQ', 'Java集合部分'], + ['Java-Collections-FAQ', 'Java集合部分'], ['JUC-FAQ', 'Java 多线程部分'], ['JVM-FAQ', 'JVM 部分'], ['MySQL-FAQ', 'MySQL 部分'], @@ -355,9 +386,7 @@ function genInterviewSidebar(){ ['RPC-FAQ', 'RPC 部分'], ['MyBatis-FAQ', 'MyBatis 部分'], ['Spring-FAQ', 'Spring 部分'], - ['SpringBoot-FAQ', 'Spring Boot 部分'], ['Design-Pattern-FAQ', '设计模式部分'], - ['Tomcat-FAQ', 'Tomcat 部分'], ['Elasticsearch-FAQ', 'Elasticsearch 部分'], ]; } \ No newline at end of file diff --git a/docs/.vuepress/dist b/docs/.vuepress/dist index f970aadd9a..105cc8a4b2 160000 --- a/docs/.vuepress/dist +++ b/docs/.vuepress/dist @@ -1 +1 @@ -Subproject commit f970aadd9ad37262fe1b788592818ca46ea620b0 +Subproject commit 105cc8a4b28dbf98f7e847970e21da82cdaba28c diff --git a/docs/.vuepress/public/qcode.png b/docs/.vuepress/public/qcode.png index 22641ffb9e..0c93c28828 100644 Binary files a/docs/.vuepress/public/qcode.png and b/docs/.vuepress/public/qcode.png differ diff --git a/docs/.vuepress/theme/.DS_Store b/docs/.vuepress/theme/.DS_Store index 5139a2bae2..b6fd03ec58 100644 Binary files a/docs/.vuepress/theme/.DS_Store and b/docs/.vuepress/theme/.DS_Store differ diff --git a/docs/.vuepress/theme/vuepress-theme-reco/.DS_Store b/docs/.vuepress/theme/vuepress-theme-reco/.DS_Store index 26f6db1bae..41406f682d 100644 Binary files a/docs/.vuepress/theme/vuepress-theme-reco/.DS_Store and b/docs/.vuepress/theme/vuepress-theme-reco/.DS_Store differ diff --git a/docs/.vuepress/theme/vuepress-theme-reco/components/.DS_Store b/docs/.vuepress/theme/vuepress-theme-reco/components/.DS_Store index 149cc56f80..f5d0703465 100644 Binary files a/docs/.vuepress/theme/vuepress-theme-reco/components/.DS_Store and b/docs/.vuepress/theme/vuepress-theme-reco/components/.DS_Store differ diff --git a/docs/.vuepress/theme/vuepress-theme-reco/styles/palette.styl b/docs/.vuepress/theme/vuepress-theme-reco/styles/palette.styl index 21b758e69a..ea6620af89 100644 --- a/docs/.vuepress/theme/vuepress-theme-reco/styles/palette.styl +++ b/docs/.vuepress/theme/vuepress-theme-reco/styles/palette.styl @@ -20,6 +20,8 @@ $lightColor3 = rgba(255, 255, 255, .3) $lightColor2 = rgba(255, 255, 255, .2) $lightColor1 = rgba(255, 255, 255, .1) +$accentColor = #2A6FDB + $textShadow = 0 2px 4px $darkColor1; $borderRadius = .25rem $lineNumbersWrapperWidth = 2.5rem diff --git "a/docs/TODO/complexity\347\232\204\345\211\257\346\234\254.md" "b/docs/TODO/complexity\347\232\204\345\211\257\346\234\254.md" deleted file mode 100644 index 32979ae6e1..0000000000 --- "a/docs/TODO/complexity\347\232\204\345\211\257\346\234\254.md" +++ /dev/null @@ -1,40 +0,0 @@ -作为一个伪高级开发，想换坑了，之前也没系统刷过算法题，今天打开LeetCode第一题，看解析突然发现大学时候学的时间复杂度、空间复杂度在我脑中只有$O(n)$、$O(0)$ 这几个符号，具体什么意思，学渣体质的我那会应该就没学会，所以，，，输入并输出一下， - - - -![img](https://aliyun-lc-upload.oss-cn-hangzhou.aliyuncs.com/LCCN-Articles/explore/2018%20%E9%9D%A2%E8%AF%95%E6%B1%87%E6%80%BB/lc_sum.png) - - - - - -算法与数据结构是面试考察的重中之重，也是大家日后学习时需要着重训练的部分。简单的总结一下，大约有这些内容： - - - -## **算法 - Algorithms** - -1. 排序算法：快速排序、归并排序、计数排序 -2. 搜索算法：回溯、递归、剪枝技巧 -3. 图论：最短路、最小生成树、网络流建模 -4. 动态规划：背包问题、最长子序列、计数问题 -5. 基础技巧：分治、倍增、二分、贪心 - -## **数据结构 - Data Structures** - -1. 数组与链表：单 / 双向链表、跳舞链 -2. 栈与队列 -3. 树与图：最近公共祖先、并查集 -4. 哈希表 -5. 堆：大 / 小根堆、可并堆 -6. 字符串：字典树、后缀树 - - - -对于上面总结的这部分内容，力扣已经为大家准备好了相关专题，等待大家来练习啦。 - -算法部分，我们开设了 [初级算法 - 帮助入门](https://leetcode-cn.com/explore/interview/card/top-interview-questions-easy/)、[中级算法 - 巩固训练](https://leetcode-cn.com/explore/interview/card/top-interview-questions-medium/)、 [高级算法 - 提升进阶](https://leetcode-cn.com/explore/interview/card/top-interview-questions-hard/) 三个不同的免费探索主题，包含：数组、字符串、搜索、排序、动态规划、数学、图论等许多内容。大家可以针对自己当前的基础与能力，选择相对应的栏目进行练习。为了能够达到较好的效果，建议小伙伴将所有题目都练习 2～3 遍，吃透每一道题目哦。 - -数据结构部分，我们也开设了一个非常系统性的 [数据结构](https://leetcode-cn.com/explore/learn/) 板块，有练习各类数据结构的探索主题，其中包含：队列与栈、数组与字符串、链表、哈希表、二叉树等丰富的内容。每一个章节都包含文字讲解与生动的图片演示，同时配套相关题目。相信只要认真练习，一定能受益匪浅。 - -力扣将热门面试问题里比较新的题目按照类别进行了整理，以供大家按模块练习。 diff --git a/docs/_images/.DS_Store b/docs/_images/.DS_Store index 3e3e4c509e..90d90ebc34 100644 Binary files a/docs/_images/.DS_Store and b/docs/_images/.DS_Store differ diff --git a/docs/_images/design-pattern/UML-type.png b/docs/_images/design-pattern/UML-type.png deleted file mode 100644 index 35d9bd2829..0000000000 Binary files a/docs/_images/design-pattern/UML-type.png and /dev/null differ diff --git a/docs/_images/design-pattern/abstract-factory-demo.png b/docs/_images/design-pattern/abstract-factory-demo.png deleted file mode 100644 index 7162ebfb46..0000000000 Binary files a/docs/_images/design-pattern/abstract-factory-demo.png and /dev/null differ diff --git a/docs/_images/design-pattern/abstract-factory-uml.png b/docs/_images/design-pattern/abstract-factory-uml.png deleted file mode 100644 index 88ca80d309..0000000000 Binary files a/docs/_images/design-pattern/abstract-factory-uml.png and /dev/null differ diff --git a/docs/_images/design-pattern/ali-strategy.png b/docs/_images/design-pattern/ali-strategy.png deleted file mode 100644 index 952bd661ae..0000000000 Binary files a/docs/_images/design-pattern/ali-strategy.png and /dev/null differ diff --git a/docs/_images/design-pattern/builder-UML.png b/docs/_images/design-pattern/builder-UML.png deleted file mode 100644 index de7d87a074..0000000000 Binary files a/docs/_images/design-pattern/builder-UML.png and /dev/null differ diff --git a/docs/_images/design-pattern/builder-car.png b/docs/_images/design-pattern/builder-car.png deleted file mode 100644 index c6f41f4554..0000000000 Binary files a/docs/_images/design-pattern/builder-car.png and /dev/null differ diff --git a/docs/_images/design-pattern/decorator-uml.png b/docs/_images/design-pattern/decorator-uml.png deleted file mode 100644 index b534ffad1f..0000000000 Binary files a/docs/_images/design-pattern/decorator-uml.png and /dev/null differ diff --git a/docs/_images/design-pattern/factory-method-uml.png b/docs/_images/design-pattern/factory-method-uml.png deleted file mode 100644 index 7f6a0eb799..0000000000 Binary files a/docs/_images/design-pattern/factory-method-uml.png and /dev/null differ diff --git a/docs/_images/design-pattern/hello-file.png b/docs/_images/design-pattern/hello-file.png deleted file mode 100644 index 64042c701c..0000000000 Binary files a/docs/_images/design-pattern/hello-file.png and /dev/null differ diff --git a/docs/_images/design-pattern/observer-uml.png b/docs/_images/design-pattern/observer-uml.png deleted file mode 100644 index fa14885acb..0000000000 Binary files a/docs/_images/design-pattern/observer-uml.png and /dev/null differ diff --git a/docs/_images/design-pattern/pipeline-pattern-csharp-uml.png b/docs/_images/design-pattern/pipeline-pattern-csharp-uml.png deleted file mode 100644 index b465b1135f..0000000000 Binary files a/docs/_images/design-pattern/pipeline-pattern-csharp-uml.png and /dev/null differ diff --git a/docs/_images/design-pattern/pipeline-result.png b/docs/_images/design-pattern/pipeline-result.png deleted file mode 100644 index 1e64c5061b..0000000000 Binary files a/docs/_images/design-pattern/pipeline-result.png and /dev/null differ diff --git a/docs/_images/design-pattern/pipeline-uml.png b/docs/_images/design-pattern/pipeline-uml.png deleted file mode 100644 index c771d84092..0000000000 Binary files a/docs/_images/design-pattern/pipeline-uml.png and /dev/null differ diff --git a/docs/_images/design-pattern/responsibility-pattern-uml.png b/docs/_images/design-pattern/responsibility-pattern-uml.png deleted file mode 100644 index abc7ce238e..0000000000 Binary files a/docs/_images/design-pattern/responsibility-pattern-uml.png and /dev/null differ diff --git a/docs/_images/design-pattern/simple-factory-uml.png b/docs/_images/design-pattern/simple-factory-uml.png deleted file mode 100644 index f82cdab658..0000000000 Binary files a/docs/_images/design-pattern/simple-factory-uml.png and /dev/null differ diff --git a/docs/_images/design-pattern/strategy-pattern-if-else.png b/docs/_images/design-pattern/strategy-pattern-if-else.png deleted file mode 100644 index d67a23b714..0000000000 Binary files a/docs/_images/design-pattern/strategy-pattern-if-else.png and /dev/null differ diff --git a/docs/_images/design-pattern/strategy-pattern-uml.png b/docs/_images/design-pattern/strategy-pattern-uml.png deleted file mode 100644 index d36f2bc71b..0000000000 Binary files a/docs/_images/design-pattern/strategy-pattern-uml.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/DMA.png b/docs/_images/distribution/message-queue/Kafka/DMA.png deleted file mode 100644 index a8cf48a85c..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/DMA.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/Sendfile.png b/docs/_images/distribution/message-queue/Kafka/Sendfile.png deleted file mode 100644 index ce51efc629..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/Sendfile.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/controller-leader.png b/docs/_images/distribution/message-queue/Kafka/controller-leader.png deleted file mode 100644 index cbab054742..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/controller-leader.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/imprint.png b/docs/_images/distribution/message-queue/Kafka/imprint.png deleted file mode 100644 index 515369bf61..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/imprint.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/interceptor-demo.png b/docs/_images/distribution/message-queue/Kafka/interceptor-demo.png deleted file mode 100644 index 804d1ce455..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/interceptor-demo.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-ack-slg.png b/docs/_images/distribution/message-queue/Kafka/kafka-ack-slg.png deleted file mode 100644 index 494769ff03..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-ack-slg.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-ack=-1.png b/docs/_images/distribution/message-queue/Kafka/kafka-ack=-1.png deleted file mode 100644 index 0647f7439d..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-ack=-1.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-ack=1.png b/docs/_images/distribution/message-queue/Kafka/kafka-ack=1.png deleted file mode 100644 index 95be4d96a5..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-ack=1.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-apis.png b/docs/_images/distribution/message-queue/Kafka/kafka-apis.png deleted file mode 100644 index db6053ccc2..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-apis.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-consume-group.png b/docs/_images/distribution/message-queue/Kafka/kafka-consume-group.png deleted file mode 100644 index c3931c7a75..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-consume-group.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-leo.png b/docs/_images/distribution/message-queue/Kafka/kafka-leo.png deleted file mode 100644 index d5f2b6e9c4..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-leo.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-partition.jpg b/docs/_images/distribution/message-queue/Kafka/kafka-partition.jpg deleted file mode 100644 index e8cd1de32b..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-partition.jpg and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-producer-thread.png b/docs/_images/distribution/message-queue/Kafka/kafka-producer-thread.png deleted file mode 100644 index 1ecda6e19c..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-producer-thread.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-segement.jpg b/docs/_images/distribution/message-queue/Kafka/kafka-segement.jpg deleted file mode 100644 index 8bc98a8dd6..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-segement.jpg and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-start.png b/docs/_images/distribution/message-queue/Kafka/kafka-start.png deleted file mode 100644 index 1080ae6a7b..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-start.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-streams-data-clean.png b/docs/_images/distribution/message-queue/Kafka/kafka-streams-data-clean.png deleted file mode 100644 index 3c6109c9a0..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-streams-data-clean.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-structure.png b/docs/_images/distribution/message-queue/Kafka/kafka-structure.png deleted file mode 100644 index 9778e71664..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-structure.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-tags.png b/docs/_images/distribution/message-queue/Kafka/kafka-tags.png deleted file mode 100644 index 10dd26e699..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-tags.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-version.png b/docs/_images/distribution/message-queue/Kafka/kafka-version.png deleted file mode 100644 index e8720f136f..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-version.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-workflow.jpg b/docs/_images/distribution/message-queue/Kafka/kafka-workflow.jpg deleted file mode 100644 index 49ed343ac4..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-workflow.jpg and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kafka-write-flow.png b/docs/_images/distribution/message-queue/Kafka/kafka-write-flow.png deleted file mode 100644 index 487d735acb..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kafka-write-flow.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kakfa-java-demo.png b/docs/_images/distribution/message-queue/Kafka/kakfa-java-demo.png deleted file mode 100644 index 491cb41ad0..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kakfa-java-demo.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kakfa-principle.png b/docs/_images/distribution/message-queue/Kafka/kakfa-principle.png deleted file mode 100644 index c1ce1730bc..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kakfa-principle.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/kakfa-streams-flow.png b/docs/_images/distribution/message-queue/Kafka/kakfa-streams-flow.png deleted file mode 100644 index 180c313609..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/kakfa-streams-flow.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/log_anatomy.png b/docs/_images/distribution/message-queue/Kafka/log_anatomy.png deleted file mode 100644 index a649499926..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/log_anatomy.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/log_consumer.png b/docs/_images/distribution/message-queue/Kafka/log_consumer.png deleted file mode 100644 index fbc45f2060..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/log_consumer.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/mmap.png b/docs/_images/distribution/message-queue/Kafka/mmap.png deleted file mode 100644 index 9b5668086f..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/mmap.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/mq.png b/docs/_images/distribution/message-queue/Kafka/mq.png deleted file mode 100644 index 0eb2e236d7..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/mq.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/sumer-groups.png b/docs/_images/distribution/message-queue/Kafka/sumer-groups.png deleted file mode 100644 index 16fe2936cb..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/sumer-groups.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/zero-copy.png b/docs/_images/distribution/message-queue/Kafka/zero-copy.png deleted file mode 100644 index f9ac3ba2b3..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/zero-copy.png and /dev/null differ diff --git a/docs/_images/distribution/message-queue/Kafka/zookeeper-store.png b/docs/_images/distribution/message-queue/Kafka/zookeeper-store.png deleted file mode 100644 index 143f682a4a..0000000000 Binary files a/docs/_images/distribution/message-queue/Kafka/zookeeper-store.png and /dev/null differ diff --git "a/docs/_images/distribution/message-queue/Kafka/\344\274\240\347\273\237\346\266\210\346\201\257\351\230\237\345\210\227.png" "b/docs/_images/distribution/message-queue/Kafka/\344\274\240\347\273\237\346\266\210\346\201\257\351\230\237\345\210\227.png" deleted file mode 100644 index 8122b29cf3..0000000000 Binary files "a/docs/_images/distribution/message-queue/Kafka/\344\274\240\347\273\237\346\266\210\346\201\257\351\230\237\345\210\227.png" and /dev/null differ diff --git a/docs/_images/interview/mysql-cache-demo.png b/docs/_images/interview/mysql-cache-demo.png deleted file mode 100644 index ef4bfb73fe..0000000000 Binary files a/docs/_images/interview/mysql-cache-demo.png and /dev/null differ diff --git a/docs/_images/java/.DS_Store b/docs/_images/java/.DS_Store index 1404c41a0d..c56bcdd79b 100644 Binary files a/docs/_images/java/.DS_Store and b/docs/_images/java/.DS_Store differ diff --git a/docs/_images/java/JVM/00831rSTly1gdeb84yh71j30yq0j6akl.jpeg b/docs/_images/java/JVM/00831rSTly1gdeb84yh71j30yq0j6akl.jpeg deleted file mode 100644 index fbbd6934b0..0000000000 Binary files a/docs/_images/java/JVM/00831rSTly1gdeb84yh71j30yq0j6akl.jpeg and /dev/null differ diff --git a/docs/_images/java/JVM/3j31ci0m6k5w.jpeg b/docs/_images/java/JVM/3j31ci0m6k5w.jpeg deleted file mode 100644 index d1623c1132..0000000000 Binary files a/docs/_images/java/JVM/3j31ci0m6k5w.jpeg and /dev/null differ diff --git a/docs/_images/java/JVM/classloader.png b/docs/_images/java/JVM/classloader.png deleted file mode 100644 index b388d438bf..0000000000 Binary files a/docs/_images/java/JVM/classloader.png and /dev/null differ diff --git a/docs/_images/java/JVM/error-oom.png b/docs/_images/java/JVM/error-oom.png deleted file mode 100644 index 71476a4069..0000000000 Binary files a/docs/_images/java/JVM/error-oom.png and /dev/null differ diff --git a/docs/_images/java/JVM/java-object.jpg b/docs/_images/java/JVM/java-object.jpg deleted file mode 100644 index bc17bccfaf..0000000000 Binary files a/docs/_images/java/JVM/java-object.jpg and /dev/null differ diff --git a/docs/_images/java/JVM/jvm-bytecode.png b/docs/_images/java/JVM/jvm-bytecode.png deleted file mode 100644 index 19c7898e17..0000000000 Binary files a/docs/_images/java/JVM/jvm-bytecode.png and /dev/null differ diff --git a/docs/_images/java/JVM/jvm-class-load.png b/docs/_images/java/JVM/jvm-class-load.png deleted file mode 100644 index e4f7fd62b6..0000000000 Binary files a/docs/_images/java/JVM/jvm-class-load.png and /dev/null differ diff --git a/docs/_images/java/JVM/jvm-compile.png b/docs/_images/java/JVM/jvm-compile.png deleted file mode 100644 index 3429c6dcc9..0000000000 Binary files a/docs/_images/java/JVM/jvm-compile.png and /dev/null differ diff --git a/docs/_images/java/JVM/jvm-dynamic-linking.png b/docs/_images/java/JVM/jvm-dynamic-linking.png deleted file mode 100644 index d706307643..0000000000 Binary files a/docs/_images/java/JVM/jvm-dynamic-linking.png and /dev/null differ diff --git a/docs/_images/java/JVM/jvm-framework.png b/docs/_images/java/JVM/jvm-framework.png deleted file mode 100644 index e152cf5509..0000000000 Binary files a/docs/_images/java/JVM/jvm-framework.png and /dev/null differ diff --git a/docs/_images/java/JVM/jvm-javap.png b/docs/_images/java/JVM/jvm-javap.png deleted file mode 100644 index 240b310de9..0000000000 Binary files a/docs/_images/java/JVM/jvm-javap.png and /dev/null differ diff --git a/docs/_images/java/JVM/jvm-jdk-jre.png b/docs/_images/java/JVM/jvm-jdk-jre.png deleted file mode 100644 index a7e43e5232..0000000000 Binary files a/docs/_images/java/JVM/jvm-jdk-jre.png and /dev/null differ diff --git a/docs/_images/java/JVM/jvm-pc-counter.png b/docs/_images/java/JVM/jvm-pc-counter.png deleted file mode 100644 index 2a03b82c4d..0000000000 Binary files a/docs/_images/java/JVM/jvm-pc-counter.png and /dev/null differ diff --git a/docs/_images/java/JVM/jvm-stack-frame.png b/docs/_images/java/JVM/jvm-stack-frame.png deleted file mode 100644 index 53b6fd1e63..0000000000 Binary files a/docs/_images/java/JVM/jvm-stack-frame.png and /dev/null differ diff --git a/docs/_images/java/JVM/minorgc_0.png b/docs/_images/java/JVM/minorgc_0.png deleted file mode 100644 index e7bc84da07..0000000000 Binary files a/docs/_images/java/JVM/minorgc_0.png and /dev/null differ diff --git a/docs/_images/java/JVM/minorgc_end.png b/docs/_images/java/JVM/minorgc_end.png deleted file mode 100644 index 99a808d32e..0000000000 Binary files a/docs/_images/java/JVM/minorgc_end.png and /dev/null differ diff --git a/docs/_images/java/JVM/oom-end.png b/docs/_images/java/JVM/oom-end.png deleted file mode 100644 index d78256bbf4..0000000000 Binary files a/docs/_images/java/JVM/oom-end.png and /dev/null differ diff --git a/docs/_images/java/JVM/oom.png b/docs/_images/java/JVM/oom.png deleted file mode 100644 index f452f0f13d..0000000000 Binary files a/docs/_images/java/JVM/oom.png and /dev/null differ diff --git a/docs/_images/java/JVM/swapspace.png b/docs/_images/java/JVM/swapspace.png deleted file mode 100644 index 6472c67ce5..0000000000 Binary files a/docs/_images/java/JVM/swapspace.png and /dev/null differ diff --git a/docs/_images/java/JVM/toomanythread.png b/docs/_images/java/JVM/toomanythread.png deleted file mode 100644 index 5657984e64..0000000000 Binary files a/docs/_images/java/JVM/toomanythread.png and /dev/null differ diff --git "a/docs/_images/java/JVM/\345\240\206\345\206\205\345\255\230\347\251\272\351\227\264.png" "b/docs/_images/java/JVM/\345\240\206\345\206\205\345\255\230\347\251\272\351\227\264.png" deleted file mode 100644 index 0ac7cd1298..0000000000 Binary files "a/docs/_images/java/JVM/\345\240\206\345\206\205\345\255\230\347\251\272\351\227\264.png" and /dev/null differ diff --git "a/docs/_images/java/JVM/\345\244\215\345\210\266\347\256\227\346\263\225.png" "b/docs/_images/java/JVM/\345\244\215\345\210\266\347\256\227\346\263\225.png" deleted file mode 100644 index 85d6e5cffd..0000000000 Binary files "a/docs/_images/java/JVM/\345\244\215\345\210\266\347\256\227\346\263\225.png" and /dev/null differ diff --git a/docs/_images/mysql/.DS_Store b/docs/_images/mysql/.DS_Store index 1b4d8ddc7e..0e7bf57afa 100644 Binary files a/docs/_images/mysql/.DS_Store and b/docs/_images/mysql/.DS_Store differ diff --git a/docs/_images/mysql/ACID.jpg b/docs/_images/mysql/ACID.jpg deleted file mode 100644 index b4d61b7839..0000000000 Binary files a/docs/_images/mysql/ACID.jpg and /dev/null differ diff --git a/docs/_images/mysql/BTree-vs-B+Tree.png b/docs/_images/mysql/BTree-vs-B+Tree.png deleted file mode 100644 index 5aaa92502d..0000000000 Binary files a/docs/_images/mysql/BTree-vs-B+Tree.png and /dev/null differ diff --git a/docs/_images/mysql/COMPACT-And-REDUNDANT-Row-Format.jpg b/docs/_images/mysql/COMPACT-And-REDUNDANT-Row-Format.jpg deleted file mode 100644 index ac01b41a4c..0000000000 Binary files a/docs/_images/mysql/COMPACT-And-REDUNDANT-Row-Format.jpg and /dev/null differ diff --git a/docs/_images/mysql/Infimum-Rows-Supremum.jpg b/docs/_images/mysql/Infimum-Rows-Supremum.jpg deleted file mode 100644 index 2894d4b105..0000000000 Binary files a/docs/_images/mysql/Infimum-Rows-Supremum.jpg and /dev/null differ diff --git a/docs/_images/mysql/InnoDB-B-Tree-Node.jpg b/docs/_images/mysql/InnoDB-B-Tree-Node.jpg deleted file mode 100644 index 22409dfe63..0000000000 Binary files a/docs/_images/mysql/InnoDB-B-Tree-Node.jpg and /dev/null differ diff --git a/docs/_images/mysql/MySQL-architecture.png b/docs/_images/mysql/MySQL-architecture.png deleted file mode 100644 index f1bb2fbf21..0000000000 Binary files a/docs/_images/mysql/MySQL-architecture.png and /dev/null differ diff --git a/docs/_images/mysql/bTree.png b/docs/_images/mysql/bTree.png deleted file mode 100644 index c25ab404d3..0000000000 Binary files a/docs/_images/mysql/bTree.png and /dev/null differ diff --git a/docs/_images/mysql/composite-index.png b/docs/_images/mysql/composite-index.png deleted file mode 100644 index 6e274d0701..0000000000 Binary files a/docs/_images/mysql/composite-index.png and /dev/null differ diff --git a/docs/_images/mysql/disk-io.png b/docs/_images/mysql/disk-io.png deleted file mode 100644 index 09659f5f8c..0000000000 Binary files a/docs/_images/mysql/disk-io.png and /dev/null differ diff --git a/docs/_images/mysql/expalin.jpg b/docs/_images/mysql/expalin.jpg deleted file mode 100644 index da052f7fe6..0000000000 Binary files a/docs/_images/mysql/expalin.jpg and /dev/null differ diff --git a/docs/_images/mysql/explain-key.png b/docs/_images/mysql/explain-key.png deleted file mode 100644 index 5d4f617e2f..0000000000 Binary files a/docs/_images/mysql/explain-key.png and /dev/null differ diff --git a/docs/_images/mysql/index-background.jpeg b/docs/_images/mysql/index-background.jpeg deleted file mode 100644 index 63d2ca1bd9..0000000000 Binary files a/docs/_images/mysql/index-background.jpeg and /dev/null differ diff --git a/docs/_images/mysql/optimization-orderby.png b/docs/_images/mysql/optimization-orderby.png deleted file mode 100644 index d13f3656b6..0000000000 Binary files a/docs/_images/mysql/optimization-orderby.png and /dev/null differ diff --git a/docs/_images/mysql/tablespace-segment-extent-page-row.jpg b/docs/_images/mysql/tablespace-segment-extent-page-row.jpg deleted file mode 100644 index 66db246165..0000000000 Binary files a/docs/_images/mysql/tablespace-segment-extent-page-row.jpg and /dev/null differ diff --git a/docs/_images/redis/.DS_Store b/docs/_images/redis/.DS_Store deleted file mode 100644 index bf1618e94f..0000000000 Binary files a/docs/_images/redis/.DS_Store and /dev/null differ diff --git a/docs/_images/redis/CLIENT_DIRTY_CAS.png b/docs/_images/redis/CLIENT_DIRTY_CAS.png deleted file mode 100644 index a6c6cbc1ea..0000000000 Binary files a/docs/_images/redis/CLIENT_DIRTY_CAS.png and /dev/null differ diff --git a/docs/_images/redis/RLock-UML.png b/docs/_images/redis/RLock-UML.png deleted file mode 100644 index b8c878acf7..0000000000 Binary files a/docs/_images/redis/RLock-UML.png and /dev/null differ diff --git a/docs/_images/redis/RLock.png b/docs/_images/redis/RLock.png deleted file mode 100644 index 95e0e9a3ba..0000000000 Binary files a/docs/_images/redis/RLock.png and /dev/null differ diff --git a/docs/_images/redis/bgrewriteaof.png b/docs/_images/redis/bgrewriteaof.png deleted file mode 100644 index c180db8a1c..0000000000 Binary files a/docs/_images/redis/bgrewriteaof.png and /dev/null differ diff --git a/docs/_images/redis/bitmap1.gif b/docs/_images/redis/bitmap1.gif deleted file mode 100644 index f1e5916fa6..0000000000 Binary files a/docs/_images/redis/bitmap1.gif and /dev/null differ diff --git a/docs/_images/redis/bitmap2.gif b/docs/_images/redis/bitmap2.gif deleted file mode 100644 index 7ee3a1509b..0000000000 Binary files a/docs/_images/redis/bitmap2.gif and /dev/null differ diff --git a/docs/_images/redis/c-string.jpg b/docs/_images/redis/c-string.jpg deleted file mode 100644 index f53ed206f9..0000000000 Binary files a/docs/_images/redis/c-string.jpg and /dev/null differ diff --git a/docs/_images/redis/cluster-info.png b/docs/_images/redis/cluster-info.png deleted file mode 100644 index 1c270fed92..0000000000 Binary files a/docs/_images/redis/cluster-info.png and /dev/null differ diff --git a/docs/_images/redis/data-type-structure.jpg b/docs/_images/redis/data-type-structure.jpg deleted file mode 100644 index 0d9540e811..0000000000 Binary files a/docs/_images/redis/data-type-structure.jpg and /dev/null differ diff --git a/docs/_images/redis/mq.jpg b/docs/_images/redis/mq.jpg deleted file mode 100644 index 092a50c599..0000000000 Binary files a/docs/_images/redis/mq.jpg and /dev/null differ diff --git a/docs/_images/redis/nosql-index.jpg b/docs/_images/redis/nosql-index.jpg deleted file mode 100644 index 9eb9900db9..0000000000 Binary files a/docs/_images/redis/nosql-index.jpg and /dev/null differ diff --git a/docs/_images/redis/nosqlwhy.png b/docs/_images/redis/nosqlwhy.png deleted file mode 100644 index 0b299c4c19..0000000000 Binary files a/docs/_images/redis/nosqlwhy.png and /dev/null differ diff --git a/docs/_images/redis/redis-aof-conf.jpg b/docs/_images/redis/redis-aof-conf.jpg deleted file mode 100644 index a12c68cdaa..0000000000 Binary files a/docs/_images/redis/redis-aof-conf.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-aof-conf.png b/docs/_images/redis/redis-aof-conf.png deleted file mode 100644 index 55d2f09535..0000000000 Binary files a/docs/_images/redis/redis-aof-conf.png and /dev/null differ diff --git a/docs/_images/redis/redis-aof-file.png b/docs/_images/redis/redis-aof-file.png deleted file mode 100644 index 6f6c2eed04..0000000000 Binary files a/docs/_images/redis/redis-aof-file.png and /dev/null differ diff --git a/docs/_images/redis/redis-aof-rewrite-work.png b/docs/_images/redis/redis-aof-rewrite-work.png deleted file mode 100644 index 10f919c7b1..0000000000 Binary files a/docs/_images/redis/redis-aof-rewrite-work.png and /dev/null differ diff --git a/docs/_images/redis/redis-aof-summary.png b/docs/_images/redis/redis-aof-summary.png deleted file mode 100644 index 80d9d01f38..0000000000 Binary files a/docs/_images/redis/redis-aof-summary.png and /dev/null differ diff --git a/docs/_images/redis/redis-aof-write-log.png b/docs/_images/redis/redis-aof-write-log.png deleted file mode 100644 index c10f2933b9..0000000000 Binary files a/docs/_images/redis/redis-aof-write-log.png and /dev/null differ diff --git a/docs/_images/redis/redis-backlog_buffer.jpg b/docs/_images/redis/redis-backlog_buffer.jpg deleted file mode 100644 index 27552e4945..0000000000 Binary files a/docs/_images/redis/redis-backlog_buffer.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-backlog_buffer.png b/docs/_images/redis/redis-backlog_buffer.png deleted file mode 100644 index 3770fefc90..0000000000 Binary files a/docs/_images/redis/redis-backlog_buffer.png and /dev/null differ diff --git a/docs/_images/redis/redis-bgsave.jpg b/docs/_images/redis/redis-bgsave.jpg deleted file mode 100644 index e74b3ab9e2..0000000000 Binary files a/docs/_images/redis/redis-bgsave.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-bgsave.png b/docs/_images/redis/redis-bgsave.png deleted file mode 100644 index 85fed50b84..0000000000 Binary files a/docs/_images/redis/redis-bgsave.png and /dev/null differ diff --git a/docs/_images/redis/redis-cap.png b/docs/_images/redis/redis-cap.png deleted file mode 100644 index 9a16045c7f..0000000000 Binary files a/docs/_images/redis/redis-cap.png and /dev/null differ diff --git a/docs/_images/redis/redis-cg-commands.png b/docs/_images/redis/redis-cg-commands.png deleted file mode 100644 index 45919a7063..0000000000 Binary files a/docs/_images/redis/redis-cg-commands.png and /dev/null differ diff --git a/docs/_images/redis/redis-cluster-framework.png b/docs/_images/redis/redis-cluster-framework.png deleted file mode 100644 index 6802ac9e60..0000000000 Binary files a/docs/_images/redis/redis-cluster-framework.png and /dev/null differ diff --git a/docs/_images/redis/redis-cluster-new.jpg b/docs/_images/redis/redis-cluster-new.jpg deleted file mode 100644 index fb9032fcfe..0000000000 Binary files a/docs/_images/redis/redis-cluster-new.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-cluster-ping.png b/docs/_images/redis/redis-cluster-ping.png deleted file mode 100644 index 9e85719ac8..0000000000 Binary files a/docs/_images/redis/redis-cluster-ping.png and /dev/null differ diff --git a/docs/_images/redis/redis-cluster-slot.png b/docs/_images/redis/redis-cluster-slot.png deleted file mode 100644 index 230d2ccac0..0000000000 Binary files a/docs/_images/redis/redis-cluster-slot.png and /dev/null differ diff --git a/docs/_images/redis/redis-cluster-vote.png b/docs/_images/redis/redis-cluster-vote.png deleted file mode 100644 index e9a2f97c6e..0000000000 Binary files a/docs/_images/redis/redis-cluster-vote.png and /dev/null differ diff --git a/docs/_images/redis/redis-consistency.png b/docs/_images/redis/redis-consistency.png deleted file mode 100644 index c840f20b96..0000000000 Binary files a/docs/_images/redis/redis-consistency.png and /dev/null differ diff --git a/docs/_images/redis/redis-gossip.png b/docs/_images/redis/redis-gossip.png deleted file mode 100644 index d3e44367ec..0000000000 Binary files a/docs/_images/redis/redis-gossip.png and /dev/null differ diff --git a/docs/_images/redis/redis-group-strucure.png b/docs/_images/redis/redis-group-strucure.png deleted file mode 100644 index 1f94555cb2..0000000000 Binary files a/docs/_images/redis/redis-group-strucure.png and /dev/null differ diff --git a/docs/_images/redis/redis-hash.jpg b/docs/_images/redis/redis-hash.jpg deleted file mode 100644 index 2f95be5e61..0000000000 Binary files a/docs/_images/redis/redis-hash.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-increment-copy.png b/docs/_images/redis/redis-increment-copy.png deleted file mode 100644 index d0c39734a3..0000000000 Binary files a/docs/_images/redis/redis-increment-copy.png and /dev/null differ diff --git a/docs/_images/redis/redis-kv-conflict.jpg b/docs/_images/redis/redis-kv-conflict.jpg deleted file mode 100644 index 32025db80d..0000000000 Binary files a/docs/_images/redis/redis-kv-conflict.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-kv.jpg b/docs/_images/redis/redis-kv.jpg deleted file mode 100644 index 1f032fa1de..0000000000 Binary files a/docs/_images/redis/redis-kv.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-lock-banner.jpg b/docs/_images/redis/redis-lock-banner.jpg deleted file mode 100644 index ee596157cb..0000000000 Binary files a/docs/_images/redis/redis-lock-banner.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-master-slave-index.png b/docs/_images/redis/redis-master-slave-index.png deleted file mode 100644 index d9d7a42c92..0000000000 Binary files a/docs/_images/redis/redis-master-slave-index.png and /dev/null differ diff --git a/docs/_images/redis/redis-master-slave-mode.png b/docs/_images/redis/redis-master-slave-mode.png deleted file mode 100644 index d9d7a42c92..0000000000 Binary files a/docs/_images/redis/redis-master-slave-mode.png and /dev/null differ diff --git a/docs/_images/redis/redis-message-type.png b/docs/_images/redis/redis-message-type.png deleted file mode 100644 index 0304c198f4..0000000000 Binary files a/docs/_images/redis/redis-message-type.png and /dev/null differ diff --git a/docs/_images/redis/redis-mix-persistence-file.png b/docs/_images/redis/redis-mix-persistence-file.png deleted file mode 100644 index db19558671..0000000000 Binary files a/docs/_images/redis/redis-mix-persistence-file.png and /dev/null differ diff --git a/docs/_images/redis/redis-mix-persistence.png b/docs/_images/redis/redis-mix-persistence.png deleted file mode 100644 index b15d20828a..0000000000 Binary files a/docs/_images/redis/redis-mix-persistence.png and /dev/null differ diff --git a/docs/_images/redis/redis-mq-banner.jpg b/docs/_images/redis/redis-mq-banner.jpg deleted file mode 100644 index fc3e6dea37..0000000000 Binary files a/docs/_images/redis/redis-mq-banner.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-psubscribe-demo.jpg b/docs/_images/redis/redis-psubscribe-demo.jpg deleted file mode 100644 index 1151a2c0a0..0000000000 Binary files a/docs/_images/redis/redis-psubscribe-demo.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-psubscribe.jpg b/docs/_images/redis/redis-psubscribe.jpg deleted file mode 100644 index 7db65740f6..0000000000 Binary files a/docs/_images/redis/redis-psubscribe.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-psubscribe.png b/docs/_images/redis/redis-psubscribe.png deleted file mode 100644 index 58ab1599de..0000000000 Binary files a/docs/_images/redis/redis-psubscribe.png and /dev/null differ diff --git a/docs/_images/redis/redis-psubscribe1.png b/docs/_images/redis/redis-psubscribe1.png deleted file mode 100644 index d3979a6d67..0000000000 Binary files a/docs/_images/redis/redis-psubscribe1.png and /dev/null differ diff --git a/docs/_images/redis/redis-pub-sub.png b/docs/_images/redis/redis-pub-sub.png deleted file mode 100644 index b2ae50d962..0000000000 Binary files a/docs/_images/redis/redis-pub-sub.png and /dev/null differ diff --git a/docs/_images/redis/redis-pub_sub.jpg b/docs/_images/redis/redis-pub_sub.jpg deleted file mode 100644 index 55d307ab0b..0000000000 Binary files a/docs/_images/redis/redis-pub_sub.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-publish.jpg b/docs/_images/redis/redis-publish.jpg deleted file mode 100644 index 74554c3ca5..0000000000 Binary files a/docs/_images/redis/redis-publish.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-publish.png b/docs/_images/redis/redis-publish.png deleted file mode 100644 index fe9d88da26..0000000000 Binary files a/docs/_images/redis/redis-publish.png and /dev/null differ diff --git a/docs/_images/redis/redis-rdb-bak.jpg b/docs/_images/redis/redis-rdb-bak.jpg deleted file mode 100644 index c372b38599..0000000000 Binary files a/docs/_images/redis/redis-rdb-bak.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-rdb-bak.png b/docs/_images/redis/redis-rdb-bak.png deleted file mode 100644 index 31c538690f..0000000000 Binary files a/docs/_images/redis/redis-rdb-bak.png and /dev/null differ diff --git a/docs/_images/redis/redis-rdb-file.jpg b/docs/_images/redis/redis-rdb-file.jpg deleted file mode 100644 index 8aaaed90a3..0000000000 Binary files a/docs/_images/redis/redis-rdb-file.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-rdb-file.png b/docs/_images/redis/redis-rdb-file.png deleted file mode 100644 index 81e2e0ed6a..0000000000 Binary files a/docs/_images/redis/redis-rdb-file.png and /dev/null differ diff --git a/docs/_images/redis/redis-rdb-summary.jpg b/docs/_images/redis/redis-rdb-summary.jpg deleted file mode 100644 index 5d427afaef..0000000000 Binary files a/docs/_images/redis/redis-rdb-summary.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-rdb-summary.png b/docs/_images/redis/redis-rdb-summary.png deleted file mode 100644 index c65b393bd3..0000000000 Binary files a/docs/_images/redis/redis-rdb-summary.png and /dev/null differ diff --git a/docs/_images/redis/redis-rdb.png b/docs/_images/redis/redis-rdb.png deleted file mode 100644 index 0279a22be3..0000000000 Binary files a/docs/_images/redis/redis-rdb.png and /dev/null differ diff --git a/docs/_images/redis/redis-readme-banner.jpg b/docs/_images/redis/redis-readme-banner.jpg deleted file mode 100644 index ae239878bb..0000000000 Binary files a/docs/_images/redis/redis-readme-banner.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-reansaction-banner.jpg b/docs/_images/redis/redis-reansaction-banner.jpg deleted file mode 100644 index 71c85ba90c..0000000000 Binary files a/docs/_images/redis/redis-reansaction-banner.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-rehash.jpg b/docs/_images/redis/redis-rehash.jpg deleted file mode 100644 index 1cbe4c1ca6..0000000000 Binary files a/docs/_images/redis/redis-rehash.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-rehash.png b/docs/_images/redis/redis-rehash.png deleted file mode 100644 index 374ef066e2..0000000000 Binary files a/docs/_images/redis/redis-rehash.png and /dev/null differ diff --git a/docs/_images/redis/redis-replicaof.png b/docs/_images/redis/redis-replicaof.png deleted file mode 100644 index 920ed8ca86..0000000000 Binary files a/docs/_images/redis/redis-replicaof.png and /dev/null differ diff --git a/docs/_images/redis/redis-rpop.jpg b/docs/_images/redis/redis-rpop.jpg deleted file mode 100644 index 44e235185d..0000000000 Binary files a/docs/_images/redis/redis-rpop.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-rpop.png b/docs/_images/redis/redis-rpop.png deleted file mode 100644 index 0e15bfb30b..0000000000 Binary files a/docs/_images/redis/redis-rpop.png and /dev/null differ diff --git a/docs/_images/redis/redis-rpoplpush.jpg b/docs/_images/redis/redis-rpoplpush.jpg deleted file mode 100644 index 5628234856..0000000000 Binary files a/docs/_images/redis/redis-rpoplpush.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-rpoplpush.png b/docs/_images/redis/redis-rpoplpush.png deleted file mode 100644 index f91da98939..0000000000 Binary files a/docs/_images/redis/redis-rpoplpush.png and /dev/null differ diff --git a/docs/_images/redis/redis-sds.jpg b/docs/_images/redis/redis-sds.jpg deleted file mode 100644 index 4d74127985..0000000000 Binary files a/docs/_images/redis/redis-sds.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-select-master.png b/docs/_images/redis/redis-select-master.png deleted file mode 100644 index e5f4d2bbdd..0000000000 Binary files a/docs/_images/redis/redis-select-master.png and /dev/null differ diff --git a/docs/_images/redis/redis-sentinel-cluster.png b/docs/_images/redis/redis-sentinel-cluster.png deleted file mode 100644 index 6029c71e13..0000000000 Binary files a/docs/_images/redis/redis-sentinel-cluster.png and /dev/null differ diff --git a/docs/_images/redis/redis-sentinel-ps.png b/docs/_images/redis/redis-sentinel-ps.png deleted file mode 100644 index 7bf9f6471a..0000000000 Binary files a/docs/_images/redis/redis-sentinel-ps.png and /dev/null differ diff --git a/docs/_images/redis/redis-sentinel-select-master.jpg b/docs/_images/redis/redis-sentinel-select-master.jpg deleted file mode 100644 index 090b4297c9..0000000000 Binary files a/docs/_images/redis/redis-sentinel-select-master.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-sentinel-slave.png b/docs/_images/redis/redis-sentinel-slave.png deleted file mode 100644 index 1ef37adbf4..0000000000 Binary files a/docs/_images/redis/redis-sentinel-slave.png and /dev/null differ diff --git a/docs/_images/redis/redis-sentinel.png b/docs/_images/redis/redis-sentinel.png deleted file mode 100644 index d256f130dd..0000000000 Binary files a/docs/_images/redis/redis-sentinel.png and /dev/null differ diff --git a/docs/_images/redis/redis-set.gif b/docs/_images/redis/redis-set.gif deleted file mode 100644 index 3e511647fe..0000000000 Binary files a/docs/_images/redis/redis-set.gif and /dev/null differ diff --git a/docs/_images/redis/redis-setkv-aof.png b/docs/_images/redis/redis-setkv-aof.png deleted file mode 100644 index 4d31075e18..0000000000 Binary files a/docs/_images/redis/redis-setkv-aof.png and /dev/null differ diff --git a/docs/_images/redis/redis-snapshotting.jpg b/docs/_images/redis/redis-snapshotting.jpg deleted file mode 100644 index 58e787fb1b..0000000000 Binary files a/docs/_images/redis/redis-snapshotting.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-snapshotting.png b/docs/_images/redis/redis-snapshotting.png deleted file mode 100644 index 4a39a8868f..0000000000 Binary files a/docs/_images/redis/redis-snapshotting.png and /dev/null differ diff --git a/docs/_images/redis/redis-stream-cg.jpg b/docs/_images/redis/redis-stream-cg.jpg deleted file mode 100644 index 7d78098f05..0000000000 Binary files a/docs/_images/redis/redis-stream-cg.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-stream-cg.png b/docs/_images/redis/redis-stream-cg.png deleted file mode 100644 index 4dba663ec1..0000000000 Binary files a/docs/_images/redis/redis-stream-cg.png and /dev/null differ diff --git a/docs/_images/redis/redis-stream.png b/docs/_images/redis/redis-stream.png deleted file mode 100644 index a46e76e04f..0000000000 Binary files a/docs/_images/redis/redis-stream.png and /dev/null differ diff --git a/docs/_images/redis/redis-string-length.jpg b/docs/_images/redis/redis-string-length.jpg deleted file mode 100644 index 5f907a1214..0000000000 Binary files a/docs/_images/redis/redis-string-length.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-string.jpg b/docs/_images/redis/redis-string.jpg deleted file mode 100644 index 3c4625ae76..0000000000 Binary files a/docs/_images/redis/redis-string.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-subscribe.jpg b/docs/_images/redis/redis-subscribe.jpg deleted file mode 100644 index d8c5c8e3bd..0000000000 Binary files a/docs/_images/redis/redis-subscribe.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-subscribe.png b/docs/_images/redis/redis-subscribe.png deleted file mode 100644 index 510f5146e8..0000000000 Binary files a/docs/_images/redis/redis-subscribe.png and /dev/null differ diff --git a/docs/_images/redis/redis-transaction-case1.png b/docs/_images/redis/redis-transaction-case1.png deleted file mode 100644 index 33c0c28b86..0000000000 Binary files a/docs/_images/redis/redis-transaction-case1.png and /dev/null differ diff --git a/docs/_images/redis/redis-transaction-case2.png b/docs/_images/redis/redis-transaction-case2.png deleted file mode 100644 index bb6478bf6b..0000000000 Binary files a/docs/_images/redis/redis-transaction-case2.png and /dev/null differ diff --git a/docs/_images/redis/redis-transaction-case3.png b/docs/_images/redis/redis-transaction-case3.png deleted file mode 100644 index dc8a3d47f1..0000000000 Binary files a/docs/_images/redis/redis-transaction-case3.png and /dev/null differ diff --git a/docs/_images/redis/redis-transaction-case4.png b/docs/_images/redis/redis-transaction-case4.png deleted file mode 100644 index 75e37e2cdc..0000000000 Binary files a/docs/_images/redis/redis-transaction-case4.png and /dev/null differ diff --git a/docs/_images/redis/redis-transaction-client-cut.png b/docs/_images/redis/redis-transaction-client-cut.png deleted file mode 100644 index a6c6cbc1ea..0000000000 Binary files a/docs/_images/redis/redis-transaction-client-cut.png and /dev/null differ diff --git a/docs/_images/redis/redis-transaction-watch1.png b/docs/_images/redis/redis-transaction-watch1.png deleted file mode 100644 index 168d241076..0000000000 Binary files a/docs/_images/redis/redis-transaction-watch1.png and /dev/null differ diff --git a/docs/_images/redis/redis-transaction-watch2.png b/docs/_images/redis/redis-transaction-watch2.png deleted file mode 100644 index 8a0e0fd888..0000000000 Binary files a/docs/_images/redis/redis-transaction-watch2.png and /dev/null differ diff --git a/docs/_images/redis/redis-transaction-watch3.png b/docs/_images/redis/redis-transaction-watch3.png deleted file mode 100644 index 9470a87ac0..0000000000 Binary files a/docs/_images/redis/redis-transaction-watch3.png and /dev/null differ diff --git a/docs/_images/redis/redis-transaction-watch4.png b/docs/_images/redis/redis-transaction-watch4.png deleted file mode 100644 index b903cb109b..0000000000 Binary files a/docs/_images/redis/redis-transaction-watch4.png and /dev/null differ diff --git a/docs/_images/redis/redis-watch-client99.png b/docs/_images/redis/redis-watch-client99.png deleted file mode 100644 index f27d10c410..0000000000 Binary files a/docs/_images/redis/redis-watch-client99.png and /dev/null differ diff --git a/docs/_images/redis/redis-watch-key.png b/docs/_images/redis/redis-watch-key.png deleted file mode 100644 index 0c4822bd24..0000000000 Binary files a/docs/_images/redis/redis-watch-key.png and /dev/null differ diff --git a/docs/_images/redis/redis-watch.png b/docs/_images/redis/redis-watch.png deleted file mode 100644 index f27d10c410..0000000000 Binary files a/docs/_images/redis/redis-watch.png and /dev/null differ diff --git a/docs/_images/redis/redis-xgroup.jpg b/docs/_images/redis/redis-xgroup.jpg deleted file mode 100644 index b1656875b2..0000000000 Binary files a/docs/_images/redis/redis-xgroup.jpg and /dev/null differ diff --git a/docs/_images/redis/redis-zset-code.svg b/docs/_images/redis/redis-zset-code.svg deleted file mode 100644 index 67bde867f4..0000000000 --- a/docs/_images/redis/redis-zset-code.svg +++ /dev/null @@ -1 +0,0 @@ - \ No newline at end of file diff --git a/docs/_images/redis/redis-zset.gif b/docs/_images/redis/redis-zset.gif deleted file mode 100644 index 826a5ceef4..0000000000 Binary files a/docs/_images/redis/redis-zset.gif and /dev/null differ diff --git a/docs/_images/redis/rehash.gif b/docs/_images/redis/rehash.gif deleted file mode 100644 index cc9edcc425..0000000000 Binary files a/docs/_images/redis/rehash.gif and /dev/null differ diff --git a/docs/_images/redis/watched_keys.png b/docs/_images/redis/watched_keys.png deleted file mode 100644 index 0c4822bd24..0000000000 Binary files a/docs/_images/redis/watched_keys.png and /dev/null differ diff --git a/docs/_images/redis/zset.svg b/docs/_images/redis/zset.svg deleted file mode 100644 index 67bde867f4..0000000000 --- a/docs/_images/redis/zset.svg +++ /dev/null @@ -1 +0,0 @@ - \ No newline at end of file diff --git "a/docs/architecture/\347\247\222\346\235\200\347\263\273\347\273\237\350\256\276\350\256\241.md" "b/docs/architecture/\347\247\222\346\235\200\347\263\273\347\273\237\350\256\276\350\256\241.md" new file mode 100755 index 0000000000..bd47b14253 --- /dev/null +++ "b/docs/architecture/\347\247\222\346\235\200\347\263\273\347\273\237\350\256\276\350\256\241.md" @@ -0,0 +1,26 @@ +**秒杀系统本质上就是一个满足大并发、高性能和高可用的分布式系统**。 + +## 架构原则：“4 要 1 不要” + +1. 数据要尽量少 + + 所谓“数据要尽量少”，首先是指用户请求的数据能少就少。请求的数据包括上传给系统的数据和系统返回给用户 的数据（通常就是网页）。 + +2. 请求数要尽量少 +3. 路径要尽量短 +4. 依赖要尽量少 +5. 不要有单点 + + + +# 动静分离 + +所谓“动静分离”，其实就是把用户请求的数据（如 HTML 页面）划分为“动态数据”和“静态数据”。 + +**第一，你应该把静态数据缓存到离用户最近的地方**。静态数据就是那些相对不会变化的数据，因此我们可以把它们缓存起来。缓存到哪里呢？常见的就三种，用户浏览器里、CDN 上或者在服务端的 Cache 中。你应该根据情况，把它们尽量缓存到离用户最近的地方。 + +**第二，静态化改造就是要直接缓存 HTTP 连接**。相较于普通的数据缓存而言，你肯定还听过系统的静态化改造。静态化改造是直接缓存 HTTP 连接而不是仅仅缓存数据，如下图所示，Web 代理服务器根据请求 URL，直接取出对应的 HTTP 响应头和响应体然后直接返回，这个响应过程简单得连 HTTP 协议都不用重新组装，甚至连 HTTP 请求头也不需要解析。 + +![](https://static001.geekbang.org/resource/image/2c/46/2c608715621afc9c95570dce00a87546.jpg) + +第三，让谁来缓存静态数据也很重要。不同语言写的 Cache 软件处理缓存数据的效率也各不相同。以 Java 为例，因为 Java 系统本身也有其弱点（比如不擅长处理大量连接请求，每个连接消耗的内存较多，Servlet 容器解析 HTTP 协议较慢），所以你可以不在 Java 层做缓存，而是直接在 Web 服务器层上做，这样你就可以屏蔽 Java 语言层面的一些弱点；而相比起来，Web 服务器（如 Nginx、Apache、Varnish）也更擅长处理大并发的静态文件请求。 \ No newline at end of file diff --git a/docs/data-management/.DS_Store b/docs/data-management/.DS_Store index 669936cb49..c40a6e6781 100644 Binary files a/docs/data-management/.DS_Store and b/docs/data-management/.DS_Store differ diff --git a/docs/data-management/Big-Data/.DS_Store b/docs/data-management/Big-Data/.DS_Store index b0c3898aa2..b24b0adada 100644 Binary files a/docs/data-management/Big-Data/.DS_Store and b/docs/data-management/Big-Data/.DS_Store differ diff --git a/docs/data-management/Big-Data/Bloom-Filter.md b/docs/data-management/Big-Data/Bloom-Filter.md index a575e78e75..9bffa3d59d 100644 --- a/docs/data-management/Big-Data/Bloom-Filter.md +++ b/docs/data-management/Big-Data/Bloom-Filter.md @@ -387,11 +387,11 @@ public class RedissonBloomFilterDemo { ## 参考与感谢 -https://www.cs.cmu.edu/~dga/papers/cuckoo-conext2014.pdf +- https://www.cs.cmu.edu/~dga/papers/cuckoo-conext2014.pdf -http://www.justdojava.com/2019/10/22/bloomfilter/ +- http://www.justdojava.com/2019/10/22/bloomfilter/ -https://www.cnblogs.com/cpselvis/p/6265825.html +- https://www.cnblogs.com/cpselvis/p/6265825.html -https://juejin.im/post/5cc5aa7ce51d456e431adac5 +- https://juejin.im/post/5cc5aa7ce51d456e431adac5 diff --git a/docs/data-management/Big-Data/Doris.md b/docs/data-management/Big-Data/Doris.md index c1a5e81b83..2a649d38a9 100644 --- a/docs/data-management/Big-Data/Doris.md +++ b/docs/data-management/Big-Data/Doris.md @@ -1,13 +1,14 @@ -当前大部分业务数据经过一定处理以后保存到 Hive （依托 HDFS 存储系统），使用 HiveSQL 进行离线数据分析，主要 MOLAP 引擎为 Kylin （MOLAP 是预计算生产，在增量业务，预设维度分析场景下表现良好），业务事务性分析使用 MySQL。有以下痛点： +## 背景 -- 应用层模型复杂，根据业务需要以及Kylin生产需要，还要做较多模型预处理。这样在不同的业务场景中，模型的利用率也比较低。 -- Kylin配置过程繁琐，需要配置模型设计，并配合适当的“剪枝”策略，以实现计算成本与查询效率的平衡。 -- 由于MOLAP不支持明细数据的查询，在“汇总+明细”的应用场景中，明细数据需要同步到DBMS引擎来响应交互，增加了生产的运维成本。 -- 较多的预处理伴随着较高的生产成本。 +Doris 由百度大数据部研发 ( 之前叫百度 Palo，2018年贡献到 Apache 社区后，更名为 Apache Doris )， Doris 从最初的只为解决百度凤巢报表的专用系统，到现在在百度内部，已有有超过200个产品线在使用，部署机器超过1000台，单一业务最大可达到上百 TB。 +Apache Doris 作为一款开源的 MPP 分析型数据库产品，主要用于解决近实时的报表和多维分析。不仅能够在亚秒级响应时间即可获得查询结果，有效的支持实时数据分析。相较于其他业界比较火的 OLAP 数据库系统，Doris 的分布式架构非常简洁，支持弹性伸缩，易于运维，节省大量人力和时间成本。目前国内社区比较活跃，也有腾讯、京东、美团、小米等大厂在使用。 +## 功能特性 + + diff --git a/docs/data-management/Big-Data/HBase.md b/docs/data-management/Big-Data/HBase.md index 8a6cd5db76..d34e43f028 100755 --- a/docs/data-management/Big-Data/HBase.md +++ b/docs/data-management/Big-Data/HBase.md @@ -1,11 +1,19 @@ +--- +title: HBase +date: 2023-03-09 +tags: + - HBase +categories: Big Data +--- + +![](https://hbase.apache.org/images/hbase_logo_with_orca_large.png) + # 一、HBase 简介 ### 1.1 HBase 定义 HBase 是一种分布式、可扩展、支持海量数据存储的 NoSQL 数据库。 - - ### 1.2 HBase 的起源 HBase 是一个基于 HDFS 的分布式、面向列的开源数据库，是一个结构化数据的分布式存储系统，利用 HBase 技术可在廉价 PC Server上搭建起大规模结构化存储集群。 @@ -33,7 +41,7 @@ HBase 的原型是 Google 的 BigTable 论文，受到了该论文思想的启 ### 1.4 特性 -Hbase是一种NoSQL数据库，这意味着它不像传统的RDBMS数据库那样支持SQL作为查询语言。Hbase是一种分布式存储的数据库，技术上来讲，它更像是分布式存储而不是分布式数据库，它缺少很多RDBMS系统的特性，比如列类型，辅助索引，触发器，和高级查询语言等待。那Hbase有什么特性呢？如下： +Hbase是一种NoSQL数据库，这意味着它不像传统的RDBMS数据库那样支持SQL作为查询语言。Hbase是一种分布式存储的数据库，技术上来讲，它更像是分布式存储而不是分布式数据库，它缺少很多RDBMS系统的特性，比如列类型，辅助索引，触发器，和高级查询语言等。那Hbase有什么特性呢？如下： - 强读写一致，但是不是“最终一致性”的数据存储，这使得它非常适合高速的计算聚合 - 自动分片，通过Region分散在集群中，当行数增长的时候，Region也会自动的切分和再分配 @@ -57,21 +65,19 @@ Hbase在单机环境也能运行，但是请在开发环境的时候使用 - - ### 1.6 HBase 数据模型 逻辑上，HBase 的数据模型同关系型数据库很类似，数据存储在一张表中，有行有列。但从 HBase 的底层物理存储结构（K-V）来看，HBase 更像是一个 **multi-dimensional map**（多维度map）。 #### 1.6.1 HBase逻辑结构 -![](https://img-blog.csdnimg.cn/20210118182455612.png) +![](https://img.starfish.ink/big-data/hbase-logic.png) > 通过横向切分 Region 和纵向切分 列族 来存储大数据 #### 1.6.2 HBase 物理存储结构 -![](https://img-blog.csdnimg.cn/20210118182525234.png) +![](https://img.starfish.ink/big-data/hbase-physical-structure.png) @@ -128,7 +134,7 @@ Region 是基于 HDFS 的，它的所有数据存取操作都是调用了 HDFS ### 1.8 HBase基本架构 -![img](https:////upload-images.jianshu.io/upload_images/426671-b201f552a0cc7e1b.jpg?imageMogr2/auto-orient/strip|imageView2/2/w/1194/format/webp) +![](https://img.starfish.ink/big-data/hbase-framework.png) - Zookeeper，作为分布式的协调。RegionServer也会把自己的信息写到ZooKeeper中。 - HDFS是Hbase运行的底层文件系统 @@ -139,7 +145,7 @@ Region 是基于 HDFS 的，它的所有数据存取操作都是调用了 HDFS 详细点的： -![img](https://img-blog.csdnimg.cn/20210118183353261.png) +![](https://img.starfish.ink/big-data/hbase-framework1.png) 架构角色： @@ -173,7 +179,7 @@ HDFS为Hbase提供最终的底层数据存储服务，同时为HBase提供高可 #### 架构细化 -![img](https:////upload-images.jianshu.io/upload_images/426671-794d662b7ebba360.png?imageMogr2/auto-orient/strip|imageView2/2/w/632/format/webp) +![](https://img.starfish.ink/big-data/hbase-framework3.png) - HMaster是Master Server的实现，负责监控集群中的RegionServer实例，同时是所有metadata改变的接口，在集群中，通常运行在NameNode上面，[这里有一篇更细的HMaster介绍](https://links.jianshu.com/go?to=http%3A%2F%2Fblog.zahoor.in%2F2012%2F08%2Fhbase-hmaster-architecture%2F) - HMasterInterface暴露的接口，Table(createTable, modifyTable, removeTable, enable, disable),ColumnFamily (addColumn, modifyColumn, removeColumn),Region (move, assign, unassign) @@ -197,7 +203,7 @@ https://hbase.apache.org/book.html#quickstart #### 3.1 Hbase中RegionServer架构 -![](https://img-blog.csdnimg.cn/2021011920584950.png) +![](https://img.starfish.ink/big-data/hbase-regionserver.png) ##### 1）StoreFile @@ -224,7 +230,7 @@ WAL的检查间隔由hbase.regionserver.logroll.period定义，默认值为1小 #### 一、写数据流程 -![](https://img-blog.csdnimg.cn/2021011921165373.png) +![](https://img.starfish.ink/big-data/hbase-write-read.png) 写流程： @@ -274,7 +280,7 @@ memstore满的时候，或触发了其他的flush条件，memstore中的数据 #### 二、读取数据流程 -![](https://img-blog.csdnimg.cn/2021011921180170.png) +![](https://img.starfish.ink/big-data/hbase-read.png) 读流程 diff --git a/docs/data-management/Big-Data/Kylin.md b/docs/data-management/Big-Data/Kylin.md index fd828602e9..e6dc3c4dad 100644 --- a/docs/data-management/Big-Data/Kylin.md +++ b/docs/data-management/Big-Data/Kylin.md @@ -1,4 +1,10 @@ -# Kylin +--- +title: Kylin +date: 2023-03-09 +tags: + - OLAP +categories: OLAP +--- ![](https://siteprod-cdn.kyligence.io/wp-content/uploads/2019/02/apache-kylin896512.png) @@ -18,7 +24,7 @@ 在这种情况下，Apache Kylin 应运而生。不同于“大规模并行处理”（Massive Parallel Processing，MPP）架构的 Hive、Presto 等，Apache Kylin 采用“**预计算**”的模式，用户只需要提前定义好查询维度，Kylin 将帮助我们进行计算，并将结果存储到 **HBase** 中，为海量数据的查询和分析提供亚秒级返回，是一种典型的“**空间换时间**”的解决方案。Apache Kylin 的出现不仅很好地解决了海量数据快速查询的问题，也避免了手动开发和维护提前计算程序带来的一系列麻烦。 -Apache Kylin 最初由 eBay 公司开发，并贡献给 Apache 基金会，但是目前 Apache Kylin 的核心开发团队已经自立门户，创建了Kyligence 公司。值得一提的是，Apache Kylin 是第一个由中国人主导的Apache顶级项目（2017 年 4 月 19 日，华为的 CarbonData 成为 Apache 顶级项目，因此 Apache Kylin 不再是唯一由国人贡献的 Apache 顶级项目）。由于互联网技术和开源思想进入我国的时间较晚，开源软件的世界一直是由西方国家主导，在数据领域也不例外。从 Hadoop 到 Spark，再到最近大热的机器学习平台 TenserFlow 等，均是如此。但近些年来，我们很欣喜地看到以 Apache Kylin 为首的各种以国人主导的开源项目不断地涌现出来，这些技术不断缩小着我国与西方开源技术强国之间的差距，提升我国技术人员在国际开源社区的影响力。 +Apache Kylin 最初由 eBay 公司开发，并贡献给 Apache 基金会，但是目前 Apache Kylin 的核心开发团队已经自立门户，创建了 Kyligence 公司。值得一提的是，Apache Kylin 是第一个由中国人主导的 Apache 顶级项目（2017 年 4 月 19 日，华为的 CarbonData 成为 Apache 顶级项目，因此 Apache Kylin 不再是唯一由国人贡献的 Apache 顶级项目）。由于互联网技术和开源思想进入我国的时间较晚，开源软件的世界一直是由西方国家主导，在数据领域也不例外。从 Hadoop 到 Spark，再到最近大热的机器学习平台 TenserFlow 等，均是如此。但近些年来，我们很欣喜地看到以 Apache Kylin 为首的各种以国人主导的开源项目不断地涌现出来，这些技术不断缩小着我国与西方开源技术强国之间的差距，提升我国技术人员在国际开源社区的影响力。 ## 一、核心概念 @@ -44,11 +50,11 @@ OLAP（Online Analytical Process），联机分析处理，以多维度的方式 简单地说，维度就是观察数据的角度。比如传感器的采集数据，可以从时间的维度来观察： -![](https://tva1.sinaimg.cn/large/008i3skNly1guipiqog3pj609s06n74b02.jpg) +![](https://img.starfish.ink/big-data/kylin-dimension.png) 也可以进一步细化，从时间和设备两个角度观察： -![](https://tva1.sinaimg.cn/large/008i3skNly1guipj9ykhqj60a90eot9602.jpg) +![](https://img.starfish.ink/big-data/kylin-dimension2.png) **维度**一般是离散的值，比如时间维度上的每一个独立的日期，或者设备维度上的每一个独立的设备。因此统计时可以把维度相同的记录聚合在一起，然后应用聚合函数做累加、均值、最大值、最小值等聚合计算。 @@ -140,7 +146,7 @@ Apache Kylin 的这种架构使得它拥有许多非常棒的特性： ### 参考与感谢： -- 原文：[《一文读懂Apache Kylin》](https://www.jianshu.com/p/abd5e90ab051): +- 原文：[《一文读懂Apache Kylin》](https://www.jianshu.com/p/abd5e90ab051) - [《Apache Kylin 在百度地图的实践》](https://www.infoq.cn/article/practis-of-apache-kylin-in-baidu-map/) - 美团技术团队：[Apache Kylin的实践与优化](https://tech.meituan.com/2020/11/19/apache-kylin-practice-in-meituan.html) - [【硬刚Kylin】Kylin入门/原理/调优/OLAP解决方案和行业典型应用](https://www.modb.pro/db/79232) diff --git a/docs/data-management/MySQL/.DS_Store b/docs/data-management/MySQL/.DS_Store index 6d9ec48527..62c3b6dcb5 100644 Binary files a/docs/data-management/MySQL/.DS_Store and b/docs/data-management/MySQL/.DS_Store differ diff --git a/docs/data-management/MySQL/MySQL-FAQ.md b/docs/data-management/MySQL/MySQL-FAQ.md deleted file mode 100644 index cc56e8ffe4..0000000000 --- a/docs/data-management/MySQL/MySQL-FAQ.md +++ /dev/null @@ -1,1705 +0,0 @@ -![](https://imgkr.cn-bj.ufileos.com/9e22c4b4-0db5-4f4f-9636-974875d4018f.jpg) - -> 写在之前：不建议那种上来就是各种面试题罗列，然后背书式的去记忆，对技术的提升帮助很小，对正经面试也没什么帮助，有点东西的面试官深挖下就懵逼了。 -> -> 个人建议把面试题看作是费曼学习法中的回顾、简化的环节，准备面试的时候，跟着题目先自己讲给自己听，看看自己会满意吗，不满意就继续学习这个点，如此反复，好的offer离你不远的，奥利给 - -## 一、MySQL架构 - -和其它数据库相比，MySQL有点与众不同，它的架构可以在多种不同场景中应用并发挥良好作用。主要体现在存储引擎的架构上，**插件式的存储引擎架构将查询处理和其它的系统任务以及数据的存储提取相分离**。这种架构可以根据业务的需求和实际需要选择合适的存储引擎。 - -![](https://img2018.cnblogs.com/blog/1383365/201902/1383365-20190201092513900-638761565.png) - - - -- **连接层**：最上层是一些客户端和连接服务。**主要完成一些类似于连接处理、授权认证、及相关的安全方案**。在该层上引入了线程池的概念，为通过认证安全接入的客户端提供线程。同样在该层上可以实现基于SSL的安全链接。服务器也会为安全接入的每个客户端验证它所具有的操作权限。 - -- **服务层**：第二层服务层，主要完成大部分的核心服务功能， 包括查询解析、分析、优化、缓存、以及所有的内置函数，所有跨存储引擎的功能也都在这一层实现，包括触发器、存储过程、视图等 - -- **引擎层**：第三层存储引擎层，存储引擎真正的负责了MySQL中数据的存储和提取，服务器通过API与存储引擎进行通信。不同的存储引擎具有的功能不同，这样我们可以根据自己的实际需要进行选取 - -- **存储层**：第四层为数据存储层，主要是将数据存储在运行于该设备的文件系统之上，并完成与存储引擎的交互 - - - -> 画出 MySQL 架构图，这种变态问题都能问的出来 -> -> MySQL 的查询流程具体是？or 一条SQL语句在MySQL中如何执行的？ -> - -客户端请求 ---> 连接器（验证用户身份，给予权限） ---> 查询缓存（存在缓存则直接返回，不存在则执行后续操作） ---> 分析器（对SQL进行词法分析和语法分析操作） ---> 优化器（主要对执行的sql优化选择最优的执行方案方法） ---> 执行器（执行时会先看用户是否有执行权限，有才去使用这个引擎提供的接口） ---> 去引擎层获取数据返回（如果开启查询缓存则会缓存查询结果） - -![img](https://pic2.zhimg.com/80/v2-0d2070e8f84c4801adbfa03bda1f98d9_720w.jpg) - ------- - - - -> 说说MySQL有哪些存储引擎？都有哪些区别？ - -## 二、存储引擎 - -存储引擎是MySQL的组件，用于处理不同表类型的SQL操作。不同的存储引擎提供不同的存储机制、索引技巧、锁定水平等功能，使用不同的存储引擎，还可以获得特定的功能。 - -使用哪一种引擎可以灵活选择，**一个数据库中多个表可以使用不同引擎以满足各种性能和实际需求**，使用合适的存储引擎，将会提高整个数据库的性能 。 - - MySQL服务器使用**可插拔**的存储引擎体系结构，可以从运行中的 MySQL 服务器加载或卸载存储引擎 。 - -### 查看存储引擎 - -```mysql --- 查看支持的存储引擎 -SHOW ENGINES - --- 查看默认存储引擎 -SHOW VARIABLES LIKE 'storage_engine' - ---查看具体某一个表所使用的存储引擎，这个默认存储引擎被修改了！ -show create table tablename - ---准确查看某个数据库中的某一表所使用的存储引擎 -show table status like 'tablename' -show table status from database where name="tablename" -``` - -### 设置存储引擎 - -```mysql --- 建表时指定存储引擎。默认的就是INNODB，不需要设置 -CREATE TABLE t1 (i INT) ENGINE = INNODB; -CREATE TABLE t2 (i INT) ENGINE = CSV; -CREATE TABLE t3 (i INT) ENGINE = MEMORY; - --- 修改存储引擎 -ALTER TABLE t ENGINE = InnoDB; - --- 修改默认存储引擎，也可以在配置文件my.cnf中修改默认引擎 -SET default_storage_engine=NDBCLUSTER; -``` - -默认情况下，每当 `CREATE TABLE` 或 `ALTER TABLE` 不能使用默认存储引擎时，都会生成一个警告。为了防止在所需的引擎不可用时出现令人困惑的意外行为，可以启用 `NO_ENGINE_SUBSTITUTION SQL` 模式。如果所需的引擎不可用，则此设置将产生错误而不是警告，并且不会创建或更改表 - - - -### 存储引擎对比 - -常见的存储引擎就 InnoDB、MyISAM、Memory、NDB。 - -InnoDB 现在是 MySQL 默认的存储引擎，支持**事务、行级锁定和外键** - -#### 文件存储结构对比 - -在 MySQL中建立任何一张数据表，在其数据目录对应的数据库目录下都有对应表的 `.frm` 文件，`.frm` 文件是用来保存每个数据表的元数据(meta)信息，包括表结构的定义等，与数据库存储引擎无关，也就是任何存储引擎的数据表都必须有`.frm`文件，命名方式为 数据表名.frm，如user.frm。 - -查看MySQL 数据保存在哪里：`show variables like 'data%'` - -MyISAM 物理文件结构为： - -- `.frm`文件：与表相关的元数据信息都存放在frm文件，包括表结构的定义信息等 -- `.MYD` (`MYData`) 文件：MyISAM 存储引擎专用，用于存储MyISAM 表的数据 -- `.MYI` (`MYIndex`)文件：MyISAM 存储引擎专用，用于存储MyISAM 表的索引相关信息 - -InnoDB 物理文件结构为： - -- `.frm` 文件：与表相关的元数据信息都存放在frm文件，包括表结构的定义信息等 - -- `.ibd` 文件或 `.ibdata` 文件： 这两种文件都是存放 InnoDB 数据的文件，之所以有两种文件形式存放 InnoDB 的数据，是因为 InnoDB 的数据存储方式能够通过配置来决定是使用**共享表空间**存放存储数据，还是用**独享表空间**存放存储数据。 - - 独享表空间存储方式使用`.ibd`文件，并且每个表一个`.ibd`文件 - 共享表空间存储方式使用`.ibdata`文件，所有表共同使用一个`.ibdata`文件（或多个，可自己配置） - -> ps：正经公司，这些都有专业运维去做，数据备份、恢复啥的，让我一个 Javaer 搞这的话，加钱不？ - -#### 面试这么回答 - -1. InnoDB 支持事务，MyISAM 不支持事务。这是 MySQL 将默认存储引擎从 MyISAM 变成 InnoDB 的重要原因之一； -2. InnoDB 支持外键，而 MyISAM 不支持。对一个包含外键的 InnoDB 表转为 MYISAM 会失败； -3. InnoDB 是聚簇索引，MyISAM 是非聚簇索引。聚簇索引的文件存放在主键索引的叶子节点上，因此 InnoDB 必须要有主键，通过主键索引效率很高。但是辅助索引需要两次查询，先查询到主键，然后再通过主键查询到数据。因此，主键不应该过大，因为主键太大，其他索引也都会很大。而 MyISAM 是非聚集索引，数据文件是分离的，索引保存的是数据文件的指针。主键索引和辅助索引是独立的。 -4. InnoDB 不保存表的具体行数，执行` select count(*) from table` 时需要全表扫描。而 MyISAM 用一个变量保存了整个表的行数，执行上述语句时只需要读出该变量即可，速度很快； -5. InnoDB 最小的锁粒度是行锁，MyISAM 最小的锁粒度是表锁。一个更新语句会锁住整张表，导致其他查询和更新都会被阻塞，因此并发访问受限。这也是 MySQL 将默认存储引擎从 MyISAM 变成 InnoDB 的重要原因之一； - -| 对比项 | MyISAM | InnoDB | -| -------- | -------------------------------------------------------- | ------------------------------------------------------------ | -| 主外键 | 不支持 | 支持 | -| 事务 | 不支持 | 支持 | -| 行表锁 | 表锁，即使操作一条记录也会锁住整个表，不适合高并发的操作 | 行锁,操作时只锁某一行，不对其它行有影响，适合高并发的操作 | -| 缓存 | 只缓存索引，不缓存真实数据 | 不仅缓存索引还要缓存真实数据，对内存要求较高，而且内存大小对性能有决定性的影响 | -| 表空间 | 小 | 大 | -| 关注点 | 性能 | 事务 | -| 默认安装 | 是 | 是 | - - - -> 一张表，里面有ID自增主键，当insert了17条记录之后，删除了第15,16,17条记录，再把Mysql重启，再insert一条记录，这条记录的ID是18还是15 ？ - -如果表的类型是MyISAM，那么是18。因为MyISAM表会把自增主键的最大ID 记录到数据文件中，重启MySQL自增主键的最大ID也不会丢失； - -如果表的类型是InnoDB，那么是15。因为InnoDB 表只是把自增主键的最大ID记录到内存中，所以重启数据库或对表进行OPTION操作，都会导致最大ID丢失。 - -> 哪个存储引擎执行 select count(*) 更快，为什么? - -MyISAM更快，因为MyISAM内部维护了一个计数器，可以直接调取。 - -- 在 MyISAM 存储引擎中，把表的总行数存储在磁盘上，当执行 select count(\*) from t 时，直接返回总数据。 - -- 在 InnoDB 存储引擎中，跟 MyISAM 不一样，没有将总行数存储在磁盘上，当执行 select count(\*) from t 时，会先把数据读出来，一行一行的累加，最后返回总数量。 - -InnoDB 中 count(\*) 语句是在执行的时候，全表扫描统计总数量，所以当数据越来越大时，语句就越来越耗时了，为什么 InnoDB 引擎不像 MyISAM 引擎一样，将总行数存储到磁盘上？这跟 InnoDB 的事务特性有关，由于多版本并发控制（MVCC）的原因，InnoDB 表“应该返回多少行”也是不确定的。 - - - -## 三、数据类型 - -主要包括以下五大类： - -- 整数类型：BIT、BOOL、TINY INT、SMALL INT、MEDIUM INT、 INT、 BIG INT -- 浮点数类型：FLOAT、DOUBLE、DECIMAL -- 字符串类型：CHAR、VARCHAR、TINY TEXT、TEXT、MEDIUM TEXT、LONGTEXT、TINY BLOB、BLOB、MEDIUM BLOB、LONG BLOB -- 日期类型：Date、DateTime、TimeStamp、Time、Year -- 其他数据类型：BINARY、VARBINARY、ENUM、SET、Geometry、Point、MultiPoint、LineString、MultiLineString、Polygon、GeometryCollection等 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gf29eij8zsj316x0u0gsn.jpg) - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gf29fk2f4rj31ac0gi0w3.jpg) - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gf29g2azwtj31a80nywit.jpg) - - - -> CHAR 和 VARCHAR 的区别？ - -char是固定长度，varchar长度可变： - -char(n) 和 varchar(n) 中括号中 n 代表字符的个数，并不代表字节个数，比如 CHAR(30) 就可以存储 30 个字符。 - -存储时，前者不管实际存储数据的长度，直接按 char 规定的长度分配存储空间；而后者会根据实际存储的数据分配最终的存储空间 - -相同点： - -1. char(n)，varchar(n)中的n都代表字符的个数 -2. 超过char，varchar最大长度n的限制后，字符串会被截断。 - -不同点： - -1. char不论实际存储的字符数都会占用n个字符的空间，而varchar只会占用实际字符应该占用的字节空间加1（实际长度length，0<=length<255）或加2（length>255）。因为varchar保存数据时除了要保存字符串之外还会加一个字节来记录长度（如果列声明长度大于255则使用两个字节来保存长度）。 -2. 能存储的最大空间限制不一样：char的存储上限为255字节。 -3. char在存储时会截断尾部的空格，而varchar不会。 - -char是适合存储很短的、一般固定长度的字符串。例如，char非常适合存储密码的MD5值，因为这是一个定长的值。对于非常短的列，char比varchar在存储空间上也更有效率。 - - - -> 列的字符串类型可以是什么？ - -字符串类型是：SET、BLOB、ENUM、CHAR、CHAR、TEXT、VARCHAR - - - -> BLOB和TEXT有什么区别？ - -BLOB是一个二进制对象，可以容纳可变数量的数据。有四种类型的BLOB：TINYBLOB、BLOB、MEDIUMBLO和 LONGBLOB - -TEXT是一个不区分大小写的BLOB。四种TEXT类型：TINYTEXT、TEXT、MEDIUMTEXT 和 LONGTEXT。 - -BLOB 保存二进制数据，TEXT 保存字符数据。 - ------- - - - -## 四、索引 - ->说说你对 MySQL 索引的理解？ -> ->数据库索引的原理，为什么要用 B+树，为什么不用二叉树？ -> ->聚集索引与非聚集索引的区别？ -> ->InnoDB引擎中的索引策略，了解过吗？ -> ->创建索引的方式有哪些？ -> ->聚簇索引/非聚簇索引，mysql索引底层实现，为什么不用B-tree，为什么不用hash，叶子结点存放的是数据还是指向数据的内存地址，使用索引需要注意的几个地方？ - -- MYSQL官方对索引的定义为：索引（Index）是帮助MySQL高效获取数据的数据结构，所以说**索引的本质是：数据结构** - -- 索引的目的在于提高查询效率，可以类比字典、 火车站的车次表、图书的目录等 。 - -- 可以简单的理解为“排好序的快速查找数据结构”，数据本身之外，**数据库还维护者一个满足特定查找算法的数据结构**，这些数据结构以某种方式引用（指向）数据，这样就可以在这些数据结构上实现高级查找算法。这种数据结构，就是索引。下图是一种可能的索引方式示例。 - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gf3u9tli6gj30gt08xdg2.jpg) - - 左边的数据表，一共有两列七条记录，最左边的是数据记录的物理地址 - - 为了加快Col2的查找，可以维护一个右边所示的二叉查找树，每个节点分别包含索引键值，和一个指向对应数据记录物理地址的指针，这样就可以运用二叉查找在一定的复杂度内获取到对应的数据，从而快速检索出符合条件的记录。 - -- 索引本身也很大，不可能全部存储在内存中，**一般以索引文件的形式存储在磁盘上** - -- 平常说的索引，没有特别指明的话，就是B+树（多路搜索树，不一定是二叉树）结构组织的索引。其中聚集索引，次要索引，覆盖索引，复合索引，前缀索引，唯一索引默认都是使用B+树索引，统称索引。此外还有哈希索引等。 - - - - -### 基本语法： - -- 创建： - - - 创建索引：`CREATE [UNIQUE] INDEX indexName ON mytable(username(length));` - - 如果是CHAR，VARCHAR类型，length可以小于字段实际长度；如果是BLOB和TEXT类型，必须指定 length。 - - - 修改表结构(添加索引)：`ALTER table tableName ADD [UNIQUE] INDEX indexName(columnName)` - -- 删除：`DROP INDEX [indexName] ON mytable;` - -- 查看：`SHOW INDEX FROM table_name\G` --可以通过添加 \G 来格式化输出信息。 - -- 使用ALERT命令 - - - `ALTER TABLE tbl_name ADD PRIMARY KEY (column_list):` 该语句添加一个主键，这意味着索引值必须是唯一的，且不能为NULL。 - - `ALTER TABLE tbl_name ADD UNIQUE index_name (column_list` 这条语句创建索引的值必须是唯一的（除了NULL外，NULL可能会出现多次）。 - - `ALTER TABLE tbl_name ADD INDEX index_name (column_list)` 添加普通索引，索引值可出现多次。 - - `ALTER TABLE tbl_name ADD FULLTEXT index_name (column_list)`该语句指定了索引为 FULLTEXT ，用于全文索引。 - - - -### 优势 - -- **提高数据检索效率，降低数据库IO成本** - -- **降低数据排序的成本，降低CPU的消耗** - - - -### 劣势 - -- 索引也是一张表，保存了主键和索引字段，并指向实体表的记录，所以也需要占用内存 -- 虽然索引大大提高了查询速度，同时却会降低更新表的速度，如对表进行INSERT、UPDATE和DELETE。 - 因为更新表时，MySQL不仅要保存数据，还要保存一下索引文件每次更新添加了索引列的字段， - 都会调整因为更新所带来的键值变化后的索引信息 - - - -### MySQL索引分类 - -#### 数据结构角度 - -- B+树索引 -- Hash索引 -- Full-Text全文索引 -- R-Tree索引 - -#### 从物理存储角度 - -- 聚集索引（clustered index） - -- 非聚集索引（non-clustered index），也叫辅助索引（secondary index） - - 聚集索引和非聚集索引都是B+树结构 - -#### 从逻辑角度 - -- 主键索引：主键索引是一种特殊的唯一索引，不允许有空值 -- 普通索引或者单列索引：每个索引只包含单个列，一个表可以有多个单列索引 -- 多列索引（复合索引、联合索引）：复合索引指多个字段上创建的索引，只有在查询条件中使用了创建索引时的第一个字段，索引才会被使用。使用复合索引时遵循最左前缀集合 -- 唯一索引或者非唯一索引 -- 空间索引：空间索引是对空间数据类型的字段建立的索引，MYSQL中的空间数据类型有4种，分别是GEOMETRY、POINT、LINESTRING、POLYGON。 - MYSQL使用SPATIAL关键字进行扩展，使得能够用于创建正规索引类型的语法创建空间索引。创建空间索引的列，必须将其声明为NOT NULL，空间索引只能在存储引擎为MYISAM的表中创建 - - - -> 为什么MySQL 索引中用B+tree，不用B-tree 或者其他树，为什么不用 Hash 索引 -> -> 聚簇索引/非聚簇索引，MySQL 索引底层实现，叶子结点存放的是数据还是指向数据的内存地址，使用索引需要注意的几个地方？ -> -> 使用索引查询一定能提高查询的性能吗？为什么? - -### MySQL索引结构 - -**首先要明白索引（index）是在存储引擎（storage engine）层面实现的，而不是server层面**。不是所有的存储引擎都支持所有的索引类型。即使多个存储引擎支持某一索引类型，它们的实现和行为也可能有所差别。 - -#### B+Tree索引 - -MyISAM 和 InnoDB 存储引擎，都使用 B+Tree的数据结构，它相对与 B-Tree结构，所有的数据都存放在叶子节点上，且把叶子节点通过指针连接到一起，形成了一条数据链表，以加快相邻数据的检索效率。 - -**先了解下 B-Tree 和 B+Tree 的区别** - -##### B-Tree - -B-Tree是为磁盘等外存储设备设计的一种平衡查找树。 - -系统从磁盘读取数据到内存时是以磁盘块（block）为基本单位的，位于同一个磁盘块中的数据会被一次性读取出来，而不是需要什么取什么。 - -InnoDB 存储引擎中有页（Page）的概念，页是其磁盘管理的最小单位。InnoDB 存储引擎中默认每个页的大小为16KB，可通过参数 `innodb_page_size` 将页的大小设置为 4K、8K、16K，在 MySQL 中可通过如下命令查看页的大小：`show variables like 'innodb_page_size';` - -而系统一个磁盘块的存储空间往往没有这么大，因此 InnoDB 每次申请磁盘空间时都会是若干地址连续磁盘块来达到页的大小 16KB。InnoDB 在把磁盘数据读入到磁盘时会以页为基本单位，在查询数据时如果一个页中的每条数据都能有助于定位数据记录的位置，这将会减少磁盘I/O次数，提高查询效率。 - -B-Tree 结构的数据可以让系统高效的找到数据所在的磁盘块。为了描述 B-Tree，首先定义一条记录为一个二元组[key, data] ，key为记录的键值，对应表中的主键值，data 为一行记录中除主键外的数据。对于不同的记录，key值互不相同。 - -一棵m阶的B-Tree有如下特性：  -1. 每个节点最多有m个孩子  -2. 除了根节点和叶子节点外，其它每个节点至少有Ceil(m/2)个孩子。 -3. 若根节点不是叶子节点，则至少有2个孩子  -4. 所有叶子节点都在同一层，且不包含其它关键字信息  -5. 每个非终端节点包含n个关键字信息（P0,P1,…Pn, k1,…kn）  -6. 关键字的个数n满足：ceil(m/2)-1 <= n <= m-1  -7. ki(i=1,…n)为关键字，且关键字升序排序 -8. Pi(i=1,…n)为指向子树根节点的指针。P(i-1)指向的子树的所有节点关键字均小于ki，但都大于k(i-1) - -B-Tree 中的每个节点根据实际情况可以包含大量的关键字信息和分支，如下图所示为一个 3 阶的 B-Tree： - -![索引](https://img-blog.csdn.net/20160202204827368) - -每个节点占用一个盘块的磁盘空间，一个节点上有两个升序排序的关键字和三个指向子树根节点的指针，指针存储的是子节点所在磁盘块的地址。两个关键词划分成的三个范围域对应三个指针指向的子树的数据的范围域。以根节点为例，关键字为17和35，P1指针指向的子树的数据范围为小于17，P2指针指向的子树的数据范围为17~35，P3指针指向的子树的数据范围为大于35。 - -模拟查找关键字29的过程： - -1. 根据根节点找到磁盘块1，读入内存。【磁盘I/O操作第1次】 -2. 比较关键字29在区间（17,35），找到磁盘块1的指针P2。 -3. 根据P2指针找到磁盘块3，读入内存。【磁盘I/O操作第2次】 -4. 比较关键字29在区间（26,30），找到磁盘块3的指针P2。 -5. 根据P2指针找到磁盘块8，读入内存。【磁盘I/O操作第3次】 -6. 在磁盘块8中的关键字列表中找到关键字29。 - -分析上面过程，发现需要3次磁盘I/O操作，和3次内存查找操作。由于内存中的关键字是一个有序表结构，可以利用二分法查找提高效率。而3次磁盘I/O操作是影响整个B-Tree查找效率的决定因素。B-Tree相对于AVLTree缩减了节点个数，使每次磁盘I/O取到内存的数据都发挥了作用，从而提高了查询效率。 - -##### B+Tree - -B+Tree 是在 B-Tree 基础上的一种优化，使其更适合实现外存储索引结构，InnoDB 存储引擎就是用 B+Tree 实现其索引结构。 - -从上一节中的B-Tree结构图中可以看到每个节点中不仅包含数据的key值，还有data值。而每一个页的存储空间是有限的，如果data数据较大时将会导致每个节点（即一个页）能存储的key的数量很小，当存储的数据量很大时同样会导致B-Tree的深度较大，增大查询时的磁盘I/O次数，进而影响查询效率。在B+Tree中，**所有数据记录节点都是按照键值大小顺序存放在同一层的叶子节点上**，而非叶子节点上只存储key值信息，这样可以大大加大每个节点存储的key值数量，降低B+Tree的高度。 - -B+Tree相对于B-Tree有几点不同： - -1. 非叶子节点只存储键值信息； -2. 所有叶子节点之间都有一个链指针； -3. 数据记录都存放在叶子节点中 - -将上一节中的B-Tree优化，由于B+Tree的非叶子节点只存储键值信息，假设每个磁盘块能存储4个键值及指针信息，则变成B+Tree后其结构如下图所示： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gf3t57jvq1j30sc0aj0tj.jpg) - -通常在B+Tree上有两个头指针，一个指向根节点，另一个指向关键字最小的叶子节点，而且所有叶子节点（即数据节点）之间是一种链式环结构。因此可以对B+Tree进行两种查找运算：一种是对于主键的范围查找和分页查找，另一种是从根节点开始，进行随机查找。 - -可能上面例子中只有22条数据记录，看不出B+Tree的优点，下面做一个推算： - -InnoDB存储引擎中页的大小为16KB，一般表的主键类型为INT（占用4个字节）或BIGINT（占用8个字节），指针类型也一般为4或8个字节，也就是说一个页（B+Tree中的一个节点）中大概存储16KB/(8B+8B)=1K个键值（因为是估值，为方便计算，这里的K取值为10^3）。也就是说一个深度为3的B+Tree索引可以维护10^3 * 10^3 * 10^3 = 10亿 条记录。 - -实际情况中每个节点可能不能填充满，因此在数据库中，B+Tree的高度一般都在2-4层。MySQL的InnoDB存储引擎在设计时是将根节点常驻内存的，也就是说查找某一键值的行记录时最多只需要1~3次磁盘I/O操作。 - -B+Tree性质 - -1. 通过上面的分析，我们知道IO次数取决于b+数的高度h，假设当前数据表的数据为N，每个磁盘块的数据项的数量是m，则有h=㏒(m+1)N，当数据量N一定的情况下，m越大，h越小；而m = 磁盘块的大小 / 数据项的大小，磁盘块的大小也就是一个数据页的大小，是固定的，如果数据项占的空间越小，数据项的数量越多，树的高度越低。这就是为什么每个数据项，即索引字段要尽量的小，比如int占4字节，要比bigint8字节少一半。这也是为什么b+树要求把真实的数据放到叶子节点而不是内层节点，一旦放到内层节点，磁盘块的数据项会大幅度下降，导致树增高。当数据项等于1时将会退化成线性表。 -2. 当b+树的数据项是复合的数据结构，比如(name,age,sex)的时候，b+数是按照从左到右的顺序来建立搜索树的，比如当(张三,20,F)这样的数据来检索的时候，b+树会优先比较name来确定下一步的所搜方向，如果name相同再依次比较age和sex，最后得到检索的数据；但当(20,F)这样的没有name的数据来的时候，b+树就不知道下一步该查哪个节点，因为建立搜索树的时候name就是第一个比较因子，必须要先根据name来搜索才能知道下一步去哪里查询。比如当(张三,F)这样的数据来检索时，b+树可以用name来指定搜索方向，但下一个字段age的缺失，所以只能把名字等于张三的数据都找到，然后再匹配性别是F的数据了， 这个是非常重要的性质，即**索引的最左匹配特性**。 - - - -##### MyISAM主键索引与辅助索引的结构 - -MyISAM引擎的索引文件和数据文件是分离的。**MyISAM引擎索引结构的叶子节点的数据域，存放的并不是实际的数据记录，而是数据记录的地址**。索引文件与数据文件分离，这样的索引称为"**非聚簇索引**"。MyISAM的主索引与辅助索引区别并不大，只是主键索引不能有重复的关键字。 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gewoy5bddkj31bp0u04lv.jpg) - -在MyISAM中，索引（含叶子节点）存放在单独的.myi文件中，叶子节点存放的是数据的物理地址偏移量（通过偏移量访问就是随机访问，速度很快）。 - -主索引是指主键索引，键值不可能重复；辅助索引则是普通索引，键值可能重复。 - -通过索引查找数据的流程：先从索引文件中查找到索引节点，从中拿到数据的文件指针，再到数据文件中通过文件指针定位了具体的数据。辅助索引类似。 - - - -##### InnoDB主键索引与辅助索引的结构 - -**InnoDB引擎索引结构的叶子节点的数据域，存放的就是实际的数据记录**（对于主索引，此处会存放表中所有的数据记录；对于辅助索引此处会引用主键，检索的时候通过主键到主键索引中找到对应数据行），或者说，**InnoDB的数据文件本身就是主键索引文件**，这样的索引被称为"“聚簇索引”，一个表只能有一个聚簇索引。 - -###### 主键索引： - -我们知道InnoDB索引是聚集索引，它的索引和数据是存入同一个.idb文件中的，因此它的索引结构是在同一个树节点中同时存放索引和数据，如下图中最底层的叶子节点有三行数据，对应于数据表中的id、stu_id、name数据项。 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gewoy2lhr5j320d0u016k.jpg) - -在Innodb中，索引分叶子节点和非叶子节点，非叶子节点就像新华字典的目录，单独存放在索引段中，叶子节点则是顺序排列的，在数据段中。Innodb的数据文件可以按照表来切分（只需要开启`innodb_file_per_table)`，切分后存放在`xxx.ibd`中，默认不切分，存放在`xxx.ibdata`中。 - -###### 辅助（非主键）索引： - -这次我们以示例中学生表中的name列建立辅助索引，它的索引结构跟主键索引的结构有很大差别，在最底层的叶子结点有两行数据，第一行的字符串是辅助索引，按照ASCII码进行排序，第二行的整数是主键的值。 - -这就意味着，对name列进行条件搜索，需要两个步骤： - -① 在辅助索引上检索name，到达其叶子节点获取对应的主键； - -② 使用主键在主索引上再进行对应的检索操作 - -这也就是所谓的“**回表查询**” - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gewsc7l623j320r0u0gwt.jpg) - - - -**InnoDB 索引结构需要注意的点** - -1. 数据文件本身就是索引文件 - -2. 表数据文件本身就是按 B+Tree 组织的一个索引结构文件 -3. 聚集索引中叶节点包含了完整的数据记录 -4. InnoDB 表必须要有主键，并且推荐使用整型自增主键 - -正如我们上面介绍 InnoDB 存储结构，索引与数据是共同存储的，不管是主键索引还是辅助索引，在查找时都是通过先查找到索引节点才能拿到相对应的数据，如果我们在设计表结构时没有显式指定索引列的话，MySQL 会从表中选择数据不重复的列建立索引，如果没有符合的列，则 MySQL 自动为 InnoDB 表生成一个隐含字段作为主键，并且这个字段长度为6个字节，类型为整型。 - -> 那为什么推荐使用整型自增主键而不是选择UUID？ - -- UUID是字符串，比整型消耗更多的存储空间； - -- 在B+树中进行查找时需要跟经过的节点值比较大小，整型数据的比较运算比字符串更快速； - -- 自增的整型索引在磁盘中会连续存储，在读取一页数据时也是连续；UUID是随机产生的，读取的上下两行数据存储是分散的，不适合执行where id > 5 && id < 20的条件查询语句。 - -- 在插入或删除数据时，整型自增主键会在叶子结点的末尾建立新的叶子节点，不会破坏左侧子树的结构；UUID主键很容易出现这样的情况，B+树为了维持自身的特性，有可能会进行结构的重构，消耗更多的时间。 - - -> 为什么非主键索引结构叶子节点存储的是主键值？ - -保证数据一致性和节省存储空间，可以这么理解：商城系统订单表会存储一个用户ID作为关联外键，而不推荐存储完整的用户信息，因为当我们用户表中的信息（真实名称、手机号、收货地址···）修改后，不需要再次维护订单表的用户数据，同时也节省了存储空间。 - - - -#### Hash索引 - -- 主要就是通过Hash算法（常见的Hash算法有直接定址法、平方取中法、折叠法、除数取余法、随机数法），将数据库字段数据转换成定长的Hash值，与这条数据的行指针一并存入Hash表的对应位置；如果发生Hash碰撞（两个不同关键字的Hash值相同），则在对应Hash键下以链表形式存储。 - - 检索算法：在检索查询时，就再次对待查关键字再次执行相同的Hash算法，得到Hash值，到对应Hash表对应位置取出数据即可，如果发生Hash碰撞，则需要在取值时进行筛选。目前使用Hash索引的数据库并不多，主要有Memory等。 - - MySQL目前有Memory引擎和NDB引擎支持Hash索引。 - - -#### full-text全文索引 - -- 全文索引也是MyISAM的一种特殊索引类型，主要用于全文索引，InnoDB从MYSQL5.6版本提供对全文索引的支持。 - -- 它用于替代效率较低的LIKE模糊匹配操作，而且可以通过多字段组合的全文索引一次性全模糊匹配多个字段。 -- 同样使用B-Tree存放索引数据，但使用的是特定的算法，将字段数据分割后再进行索引（一般每4个字节一次分割），索引文件存储的是分割前的索引字符串集合，与分割后的索引信息，对应Btree结构的节点存储的是分割后的词信息以及它在分割前的索引字符串集合中的位置。 - -#### R-Tree空间索引 - -空间索引是MyISAM的一种特殊索引类型，主要用于地理空间数据类型 - - - -> 为什么Mysql索引要用B+树不是B树？ - -用B+树不用B树考虑的是IO对性能的影响，B树的每个节点都存储数据，而B+树只有叶子节点才存储数据，所以查找相同数据量的情况下，B树的高度更高，IO更频繁。数据库索引是存储在磁盘上的，当数据量大时，就不能把整个索引全部加载到内存了，只能逐一加载每一个磁盘页（对应索引树的节点）。其中在MySQL底层对B+树进行进一步优化：在叶子节点中是双向链表，且在链表的头结点和尾节点也是循环指向的。 - - - -> 面试官：为何不采用Hash方式？ - -因为Hash索引底层是哈希表，哈希表是一种以key-value存储数据的结构，所以多个数据在存储关系上是完全没有任何顺序关系的，所以，对于区间查询是无法直接通过索引查询的，就需要全表扫描。所以，哈希索引只适用于等值查询的场景。而B+ Tree是一种多路平衡查询树，所以他的节点是天然有序的（左子节点小于父节点、父节点小于右子节点），所以对于范围查询的时候不需要做全表扫描。 - -哈希索引不支持多列联合索引的最左匹配规则，如果有大量重复键值得情况下，哈希索引的效率会很低，因为存在哈希碰撞问题。 - - - -### 哪些情况需要创建索引 - -1. 主键自动建立唯一索引 - -2. 频繁作为查询条件的字段 - -3. 查询中与其他表关联的字段，外键关系建立索引 - -4. 单键/组合索引的选择问题，高并发下倾向创建组合索引 - -5. 查询中排序的字段，排序字段通过索引访问大幅提高排序速度 - -6. 查询中统计或分组字段 - - - -### 哪些情况不要创建索引 - -1. 表记录太少 -2. 经常增删改的表 -3. 数据重复且分布均匀的表字段，只应该为最经常查询和最经常排序的数据列建立索引（如果某个数据类包含太多的重复数据，建立索引没有太大意义） -4. 频繁更新的字段不适合创建索引（会加重IO负担） -5. where条件里用不到的字段不创建索引 - - - -### MySQL高效索引 - -**覆盖索引**（Covering Index）,或者叫索引覆盖， 也就是平时所说的不需要回表操作 - -- 就是select的数据列只用从索引中就能够取得，不必读取数据行，MySQL可以利用索引返回select列表中的字段，而不必根据索引再次读取数据文件，换句话说**查询列要被所建的索引覆盖**。 - -- 索引是高效找到行的一个方法，但是一般数据库也能使用索引找到一个列的数据，因此它不必读取整个行。毕竟索引叶子节点存储了它们索引的数据，当能通过读取索引就可以得到想要的数据，那就不需要读取行了。一个索引包含（覆盖）满足查询结果的数据就叫做覆盖索引。 - -- **判断标准** - - 使用explain，可以通过输出的extra列来判断，对于一个索引覆盖查询，显示为**using index**，MySQL查询优化器在执行查询前会决定是否有索引覆盖查询 - - - -## 五、MySQL查询 - -> count(*) 和 count(1)和count(列名)区别 ps：这道题说法有点多 - -执行效果上： - -- count(*)包括了所有的列，相当于行数，在统计结果的时候，不会忽略列值为NULL -- count(1)包括了所有列，用1代表代码行，在统计结果的时候，不会忽略列值为NULL -- count(列名)只包括列名那一列，在统计结果的时候，会忽略列值为空（这里的空不是只空字符串或者0，而是表示null）的计数，即某个字段值为NULL时，不统计。 - -执行效率上： - -- 列名为主键，count(列名)会比count(1)快 -- 列名不为主键，count(1)会比count(列名)快 -- 如果表多个列并且没有主键，则 count(1) 的执行效率优于 count(*) -- 如果有主键，则 select count（主键）的执行效率是最优的 -- 如果表只有一个字段，则 select count(*) 最优。 - - - -> MySQL中 in和 exists 的区别？ - -- exists：exists对外表用loop逐条查询，每次查询都会查看exists的条件语句，当exists里的条件语句能够返回记录行时（无论记录行是的多少，只要能返回），条件就为真，返回当前loop到的这条记录；反之，如果exists里的条件语句不能返回记录行，则当前loop到的这条记录被丢弃，exists的条件就像一个bool条件，当能返回结果集则为true，不能返回结果集则为false -- in：in查询相当于多个or条件的叠加 - -```mysql -SELECT * FROM A WHERE A.id IN (SELECT id FROM B); -SELECT * FROM A WHERE EXISTS (SELECT * from B WHERE B.id = A.id); -``` - -**如果查询的两个表大小相当，那么用in和exists差别不大**。 - -如果两个表中一个较小，一个是大表，则子查询表大的用exists，子查询表小的用in： - - - -> UNION和UNION ALL的区别? - -UNION和UNION ALL都是将两个结果集合并为一个，**两个要联合的SQL语句 字段个数必须一样，而且字段类型要“相容”（一致）；** - -- UNION在进行表连接后会筛选掉重复的数据记录（效率较低），而UNION ALL则不会去掉重复的数据记录； - -- UNION会按照字段的顺序进行排序，而UNION ALL只是简单的将两个结果合并就返回； - - - -### SQL执行顺序 - -- 手写 - - ```mysql - SELECT DISTINCT - FROM - JOIN ON - WHERE - GROUP BY - HAVING - ORDER BY - LIMIT - ``` - -- 机读 - - ```mysql - FROM - ON - JOIN - WHERE - GROUP BY - HAVING - SELECT - DISTINCT - ORDER BY - LIMIT - ``` - -- 总结 - - ![sql-parse](https://tva1.sinaimg.cn/large/007S8ZIlly1gf3t8jyy81j30s2083wg2.jpg) - - - -> mysql 的内连接、左连接、右连接有什么区别？ -> -> 什么是内连接、外连接、交叉连接、笛卡尔积呢？ - -### Join图 - -![sql-joins](https://tva1.sinaimg.cn/large/007S8ZIlly1gf3t8novxpj30qu0l4wi7.jpg) - ------- - - - -## 六、MySQL 事务 - -> 事务的隔离级别有哪些？MySQL的默认隔离级别是什么？ -> -> 什么是幻读，脏读，不可重复读呢？ -> -> MySQL事务的四大特性以及实现原理 -> -> MVCC熟悉吗，它的底层原理？ - -MySQL 事务主要用于处理操作量大，复杂度高的数据。比如说，在人员管理系统中，你删除一个人员，你即需要删除人员的基本资料，也要删除和该人员相关的信息，如信箱，文章等等，这样，这些数据库操作语句就构成一个事务！ - - - -### ACID — 事务基本要素 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1geu10kkswnj305q05mweo.jpg) - -事务是由一组SQL语句组成的逻辑处理单元，具有4个属性，通常简称为事务的ACID属性。 - -- **A (Atomicity) 原子性**：整个事务中的所有操作，要么全部完成，要么全部不完成，不可能停滞在中间某个环节。事务在执行过程中发生错误，会被回滚（Rollback）到事务开始前的状态，就像这个事务从来没有执行过一样 -- **C (Consistency) 一致性**：在事务开始之前和事务结束以后，数据库的完整性约束没有被破坏 -- **I (Isolation)隔离性**：一个事务的执行不能其它事务干扰。即一个事务内部的操作及使用的数据对其它并发事务是隔离的，并发执行的各个事务之间不能互相干扰 -- **D (Durability) 持久性**：在事务完成以后，该事务所对数据库所作的更改便持久的保存在数据库之中，并不会被回滚 - - - -**并发事务处理带来的问题** - -- 更新丢失（Lost Update)： 事务A和事务B选择同一行，然后基于最初选定的值更新该行时，由于两个事务都不知道彼此的存在，就会发生丢失更新问题 -- 脏读(Dirty Reads)：事务A读取了事务B更新的数据，然后B回滚操作，那么A读取到的数据是脏数据 -- 不可重复读（Non-Repeatable Reads)：事务 A 多次读取同一数据，事务B在事务A多次读取的过程中，对数据作了更新并提交，导致事务A多次读取同一数据时，结果不一致。 -- 幻读（Phantom Reads)：幻读与不可重复读类似。它发生在一个事务A读取了几行数据，接着另一个并发事务B插入了一些数据时。在随后的查询中，事务A就会发现多了一些原本不存在的记录，就好像发生了幻觉一样，所以称为幻读。 - - - -**幻读和不可重复读的区别：** - -- **不可重复读的重点是修改**：在同一事务中，同样的条件，第一次读的数据和第二次读的数据不一样。（因为中间有其他事务提交了修改） -- **幻读的重点在于新增或者删除**：在同一事务中，同样的条件,，第一次和第二次读出来的记录数不一样。（因为中间有其他事务提交了插入/删除） - - - -**并发事务处理带来的问题的解决办法：** - -- “更新丢失”通常是应该完全避免的。但防止更新丢失，并不能单靠数据库事务控制器来解决，需要应用程序对要更新的数据加必要的锁来解决，因此，防止更新丢失应该是应用的责任。 - -- “脏读” 、 “不可重复读”和“幻读” ，其实都是数据库读一致性问题，必须由数据库提供一定的事务隔离机制来解决： - - - 一种是加锁：在读取数据前，对其加锁，阻止其他事务对数据进行修改。 - - 另一种是数据多版本并发控制（MultiVersion Concurrency Control，简称 **MVCC** 或 MCC），也称为多版本数据库：不用加任何锁， 通过一定机制生成一个数据请求时间点的一致性数据快照 （Snapshot)， 并用这个快照来提供一定级别 （语句级或事务级） 的一致性读取。从用户的角度来看，好象是数据库可以提供同一数据的多个版本。 - - - -### 事务隔离级别 - -数据库事务的隔离级别有4种，由低到高分别为 - -- **READ-UNCOMMITTED(读未提交)：** 最低的隔离级别，允许读取尚未提交的数据变更，**可能会导致脏读、幻读或不可重复读**。 -- **READ-COMMITTED(读已提交)：** 允许读取并发事务已经提交的数据，**可以阻止脏读，但是幻读或不可重复读仍有可能发生**。 -- **REPEATABLE-READ(可重复读)：** 对同一字段的多次读取结果都是一致的，除非数据是被本身事务自己所修改，**可以阻止脏读和不可重复读，但幻读仍有可能发生**。 -- **SERIALIZABLE(可串行化)：** 最高的隔离级别，完全服从ACID的隔离级别。所有的事务依次逐个执行，这样事务之间就完全不可能产生干扰，也就是说，**该级别可以防止脏读、不可重复读以及幻读**。 - -查看当前数据库的事务隔离级别： - -```mysql -show variables like 'tx_isolation' -``` - -下面通过事例一一阐述在事务的并发操作中可能会出现脏读，不可重复读，幻读和事务隔离级别的联系。 - -数据库的事务隔离越严格，并发副作用越小，但付出的代价就越大，因为事务隔离实质上就是使事务在一定程度上“串行化”进行，这显然与“并发”是矛盾的。同时，不同的应用对读一致性和事务隔离程度的要求也是不同的，比如许多应用对“不可重复读”和“幻读”并不敏感，可能更关心数据并发访问的能力。 - -#### Read uncommitted - -读未提交，就是一个事务可以读取另一个未提交事务的数据。 - -事例：老板要给程序员发工资，程序员的工资是3.6万/月。但是发工资时老板不小心按错了数字，按成3.9万/月，该钱已经打到程序员的户口，但是事务还没有提交，就在这时，程序员去查看自己这个月的工资，发现比往常多了3千元，以为涨工资了非常高兴。但是老板及时发现了不对，马上回滚差点就提交了的事务，将数字改成3.6万再提交。 - -分析：实际程序员这个月的工资还是3.6万，但是程序员看到的是3.9万。他看到的是老板还没提交事务时的数据。这就是脏读。 - -那怎么解决脏读呢？Read committed！读提交，能解决脏读问题。 - -#### Read committed - -读提交，顾名思义，就是一个事务要等另一个事务提交后才能读取数据。 - -事例：程序员拿着信用卡去享受生活（卡里当然是只有3.6万），当他埋单时（程序员事务开启），收费系统事先检测到他的卡里有3.6万，就在这个时候！！程序员的妻子要把钱全部转出充当家用，并提交。当收费系统准备扣款时，再检测卡里的金额，发现已经没钱了（第二次检测金额当然要等待妻子转出金额事务提交完）。程序员就会很郁闷，明明卡里是有钱的… - -分析：这就是读提交，若有事务对数据进行更新（UPDATE）操作时，读操作事务要等待这个更新操作事务提交后才能读取数据，可以解决脏读问题。但在这个事例中，出现了一个事务范围内两个相同的查询却返回了不同数据，这就是**不可重复读**。 - -那怎么解决可能的不可重复读问题？Repeatable read ！ - -#### Repeatable read - -重复读，就是在开始读取数据（事务开启）时，不再允许修改操作。 **MySQL的默认事务隔离级别** - -事例：程序员拿着信用卡去享受生活（卡里当然是只有3.6万），当他埋单时（事务开启，不允许其他事务的UPDATE修改操作），收费系统事先检测到他的卡里有3.6万。这个时候他的妻子不能转出金额了。接下来收费系统就可以扣款了。 - -分析：重复读可以解决不可重复读问题。写到这里，应该明白的一点就是，**不可重复读对应的是修改，即UPDATE操作。但是可能还会有幻读问题。因为幻读问题对应的是插入INSERT操作，而不是UPDATE操作**。 - -**什么时候会出现幻读？** - -事例：程序员某一天去消费，花了2千元，然后他的妻子去查看他今天的消费记录（全表扫描FTS，妻子事务开启），看到确实是花了2千元，就在这个时候，程序员花了1万买了一部电脑，即新增INSERT了一条消费记录，并提交。当妻子打印程序员的消费记录清单时（妻子事务提交），发现花了1.2万元，似乎出现了幻觉，这就是幻读。 - -那怎么解决幻读问题？Serializable！ - -#### Serializable 序列化 - -Serializable 是最高的事务隔离级别，在该级别下，事务串行化顺序执行，可以避免脏读、不可重复读与幻读。简单来说，Serializable会在读取的每一行数据上都加锁，所以可能导致大量的超时和锁争用问题。这种事务隔离级别效率低下，比较耗数据库性能，一般不使用。 - - - -#### 比较 - -| 事务隔离级别 | 读数据一致性 | 脏读 | 不可重复读 | 幻读 | -| ---------------------------- | ---------------------------------------- | ---- | ---------- | ---- | -| 读未提交（read-uncommitted） | 最低级被，只能保证不读取物理上损坏的数据 | 是 | 是 | 是 | -| 读已提交（read-committed） | 语句级 | 否 | 是 | 是 | -| 可重复读（repeatable-read） | 事务级 | 否 | 否 | 是 | -| 串行化（serializable） | 最高级别，事务级 | 否 | 否 | 否 | - -需要说明的是，事务隔离级别和数据访问的并发性是对立的，事务隔离级别越高并发性就越差。所以要根据具体的应用来确定合适的事务隔离级别，这个地方没有万能的原则。 - - - -MySQL InnoDB 存储引擎的默认支持的隔离级别是 **REPEATABLE-READ（可重读）**。我们可以通过`SELECT @@tx_isolation;`命令来查看，MySQL 8.0 该命令改为`SELECT @@transaction_isolation;` - -这里需要注意的是：与 SQL 标准不同的地方在于InnoDB 存储引擎在 **REPEATABLE-READ（可重读）**事务隔离级别下使用的是Next-Key Lock 算法，因此可以避免幻读的产生，这与其他数据库系统(如 SQL Server)是不同的。所以说InnoDB 存储引擎的默认支持的隔离级别是 REPEATABLE-READ（可重读）已经可以完全保证事务的隔离性要求，即达到了 SQL标准的 **SERIALIZABLE(可串行化)**隔离级别，而且保留了比较好的并发性能。 - -因为隔离级别越低，事务请求的锁越少，所以大部分数据库系统的隔离级别都是**READ-COMMITTED(读已提交):**，但是你要知道的是InnoDB 存储引擎默认使用 **REPEATABLE-READ（可重读）**并不会有任何性能损失。 - - - -### MVCC 多版本并发控制 - -MySQL的大多数事务型存储引擎实现都不是简单的行级锁。基于提升并发性考虑，一般都同时实现了多版本并发控制（MVCC），包括Oracle、PostgreSQL。只是实现机制各不相同。 - -可以认为 MVCC 是行级锁的一个变种，但它在很多情况下避免了加锁操作，因此开销更低。虽然实现机制有所不同，但大都实现了非阻塞的读操作，写操作也只是锁定必要的行。 - -MVCC 的实现是通过保存数据在某个时间点的快照来实现的。也就是说不管需要执行多长时间，每个事物看到的数据都是一致的。 - -典型的MVCC实现方式，分为**乐观（optimistic）并发控制和悲观（pressimistic）并发控制**。下边通过 InnoDB的简化版行为来说明 MVCC 是如何工作的。 - -InnoDB 的 MVCC，是通过在每行记录后面保存两个隐藏的列来实现。这两个列，一个保存了行的创建时间，一个保存行的过期时间（删除时间）。当然存储的并不是真实的时间，而是系统版本号（system version number）。每开始一个新的事务，系统版本号都会自动递增。事务开始时刻的系统版本号会作为事务的版本号，用来和查询到的每行记录的版本号进行比较。 - -**REPEATABLE READ（可重读）隔离级别下MVCC如何工作：** - -- SELECT - - InnoDB会根据以下两个条件检查每行记录： - - - InnoDB只查找版本早于当前事务版本的数据行，这样可以确保事务读取的行，要么是在开始事务之前已经存在要么是事务自身插入或者修改过的 - - - 行的删除版本号要么未定义，要么大于当前事务版本号，这样可以确保事务读取到的行在事务开始之前未被删除 - - 只有符合上述两个条件的才会被查询出来 - -- INSERT：InnoDB为新插入的每一行保存当前系统版本号作为行版本号 - -- DELETE：InnoDB为删除的每一行保存当前系统版本号作为行删除标识 - -- UPDATE：InnoDB为插入的一行新纪录保存当前系统版本号作为行版本号，同时保存当前系统版本号到原来的行作为删除标识 - - -保存这两个额外系统版本号，使大多数操作都不用加锁。使数据操作简单，性能很好，并且也能保证只会读取到符合要求的行。不足之处是每行记录都需要额外的存储空间，需要做更多的行检查工作和一些额外的维护工作。 - -MVCC 只在 COMMITTED READ（读提交）和REPEATABLE READ（可重复读）两种隔离级别下工作。 - - - -### 事务日志 - -InnoDB 使用日志来减少提交事务时的开销。因为日志中已经记录了事务，就无须在每个事务提交时把缓冲池的脏块刷新(flush)到磁盘中。 - -事务修改的数据和索引通常会映射到表空间的随机位置，所以刷新这些变更到磁盘需要很多随机 IO。 - -InnoDB 假设使用常规磁盘，随机IO比顺序IO昂贵得多，因为一个IO请求需要时间把磁头移到正确的位置，然后等待磁盘上读出需要的部分，再转到开始位置。 - -InnoDB 用日志把随机IO变成顺序IO。一旦日志安全写到磁盘，事务就持久化了，即使断电了，InnoDB可以重放日志并且恢复已经提交的事务。 - -InnoDB 使用一个后台线程智能地刷新这些变更到数据文件。这个线程可以批量组合写入，使得数据写入更顺序，以提高效率。 - -事务日志可以帮助提高事务效率： - -- 使用事务日志，存储引擎在修改表的数据时只需要修改其内存拷贝，再把该修改行为记录到持久在硬盘上的事务日志中，而不用每次都将修改的数据本身持久到磁盘。 -- 事务日志采用的是追加的方式，因此写日志的操作是磁盘上一小块区域内的顺序I/O，而不像随机I/O需要在磁盘的多个地方移动磁头，所以采用事务日志的方式相对来说要快得多。 -- 事务日志持久以后，内存中被修改的数据在后台可以慢慢刷回到磁盘。 -- 如果数据的修改已经记录到事务日志并持久化，但数据本身没有写回到磁盘，此时系统崩溃，存储引擎在重启时能够自动恢复这一部分修改的数据。 - -目前来说，大多数存储引擎都是这样实现的，我们通常称之为**预写式日志**（Write-Ahead Logging），修改数据需要写两次磁盘。 - - - -### 事务的实现 - -事务的实现是基于数据库的存储引擎。不同的存储引擎对事务的支持程度不一样。MySQL 中支持事务的存储引擎有 InnoDB 和 NDB。 - -事务的实现就是如何实现ACID特性。 - -事务的隔离性是通过锁实现，而事务的原子性、一致性和持久性则是通过事务日志实现 。 - - - -> 事务是如何通过日志来实现的，说得越深入越好。 - -事务日志包括：**重做日志redo**和**回滚日志undo** - -- **redo log（重做日志**） 实现持久化和原子性 - - 在innoDB的存储引擎中，事务日志通过重做(redo)日志和innoDB存储引擎的日志缓冲(InnoDB Log Buffer)实现。事务开启时，事务中的操作，都会先写入存储引擎的日志缓冲中，在事务提交之前，这些缓冲的日志都需要提前刷新到磁盘上持久化，这就是DBA们口中常说的“日志先行”(Write-Ahead Logging)。当事务提交之后，在Buffer Pool中映射的数据文件才会慢慢刷新到磁盘。此时如果数据库崩溃或者宕机，那么当系统重启进行恢复时，就可以根据redo log中记录的日志，把数据库恢复到崩溃前的一个状态。未完成的事务，可以继续提交，也可以选择回滚，这基于恢复的策略而定。 - - 在系统启动的时候，就已经为redo log分配了一块连续的存储空间，以顺序追加的方式记录Redo Log，通过顺序IO来改善性能。所有的事务共享redo log的存储空间，它们的Redo Log按语句的执行顺序，依次交替的记录在一起。 - -- **undo log（回滚日志）** 实现一致性 - - undo log 主要为事务的回滚服务。在事务执行的过程中，除了记录redo log，还会记录一定量的undo log。undo log记录了数据在每个操作前的状态，如果事务执行过程中需要回滚，就可以根据undo log进行回滚操作。单个事务的回滚，只会回滚当前事务做的操作，并不会影响到其他的事务做的操作。 - - Undo记录的是已部分完成并且写入硬盘的未完成的事务，默认情况下回滚日志是记录下表空间中的（共享表空间或者独享表空间） - -二种日志均可以视为一种恢复操作，redo_log是恢复提交事务修改的页操作，而undo_log是回滚行记录到特定版本。二者记录的内容也不同，redo_log是物理日志，记录页的物理修改操作，而undo_log是逻辑日志，根据每行记录进行记录。 - - - -> 又引出个问题：你知道MySQL 有多少种日志吗？ - -- **错误日志**：记录出错信息，也记录一些警告信息或者正确的信息。 - -- **查询日志**：记录所有对数据库请求的信息，不论这些请求是否得到了正确的执行。 - -- **慢查询日志**：设置一个阈值，将运行时间超过该值的所有SQL语句都记录到慢查询的日志文件中。 - -- **二进制日志**：记录对数据库执行更改的所有操作。 - -- **中继日志**：中继日志也是二进制日志，用来给slave 库恢复 - -- **事务日志**：重做日志redo和回滚日志undo - - - -> 分布式事务相关问题，可能还会问到 2PC、3PC，，， - -### MySQL对分布式事务的支持 - -分布式事务的实现方式有很多，既可以采用 InnoDB 提供的原生的事务支持，也可以采用消息队列来实现分布式事务的最终一致性。这里我们主要聊一下 InnoDB 对分布式事务的支持。 - -MySQL 从 5.0.3 InnoDB 存储引擎开始支持XA协议的分布式事务。一个分布式事务会涉及多个行动，这些行动本身是事务性的。所有行动都必须一起成功完成，或者一起被回滚。 - -在MySQL中，使用分布式事务涉及一个或多个资源管理器和一个事务管理器。 - -![](https://imgkr.cn-bj.ufileos.com/8d48c5e1-c849-413e-8e5a-e96529235f58.png) - -如图，MySQL 的分布式事务模型。模型中分三块：应用程序（AP）、资源管理器（RM）、事务管理器（TM）: - -- 应用程序：定义了事务的边界，指定需要做哪些事务； -- 资源管理器：提供了访问事务的方法，通常一个数据库就是一个资源管理器； -- 事务管理器：协调参与了全局事务中的各个事务。 - -分布式事务采用两段式提交（two-phase commit）的方式： - -- 第一阶段所有的事务节点开始准备，告诉事务管理器ready。 -- 第二阶段事务管理器告诉每个节点是commit还是rollback。如果有一个节点失败，就需要全局的节点全部rollback，以此保障事务的原子性。 - ------- - - - -## 七、MySQL锁机制 - -> 数据库的乐观锁和悲观锁？ -> -> MySQL 中有哪几种锁，列举一下？ -> -> MySQL中InnoDB引擎的行锁是怎么实现的？ -> -> MySQL 间隙锁有没有了解，死锁有没有了解，写一段会造成死锁的 sql 语句，死锁发生了如何解决，MySQL 有没有提供什么机制去解决死锁 - -锁是计算机协调多个进程或线程并发访问某一资源的机制。 - -在数据库中，除传统的计算资源（如CPU、RAM、I/O等）的争用以外，数据也是一种供许多用户共享的资源。数据库锁定机制简单来说，就是数据库为了保证数据的一致性，而使各种共享资源在被并发访问变得有序所设计的一种规则。 - -打个比方，我们到淘宝上买一件商品，商品只有一件库存，这个时候如果还有另一个人买，那么如何解决是你买到还是另一个人买到的问题？这里肯定要用到事物，我们先从库存表中取出物品数量，然后插入订单，付款后插入付款表信息，然后更新商品数量。在这个过程中，使用锁可以对有限的资源进行保护，解决隔离和并发的矛盾。 - - - -### 锁的分类 - -**从对数据操作的类型分类**： - -- **读锁**（共享锁）：针对同一份数据，多个读操作可以同时进行，不会互相影响 - -- **写锁**（排他锁）：当前写操作没有完成前，它会阻断其他写锁和读锁 - -**从对数据操作的粒度分类**： - - -为了尽可能提高数据库的并发度，每次锁定的数据范围越小越好，理论上每次只锁定当前操作的数据的方案会得到最大的并发度，但是管理锁是很耗资源的事情（涉及获取，检查，释放锁等动作），因此数据库系统需要在高并发响应和系统性能两方面进行平衡，这样就产生了“锁粒度（Lock granularity）”的概念。 - -- **表级锁**：开销小，加锁快；不会出现死锁；锁定粒度大，发生锁冲突的概率最高，并发度最低（MyISAM 和 MEMORY 存储引擎采用的是表级锁）； - -- **行级锁**：开销大，加锁慢；会出现死锁；锁定粒度最小，发生锁冲突的概率最低，并发度也最高（InnoDB 存储引擎既支持行级锁也支持表级锁，但默认情况下是采用行级锁）； - -- **页面锁**：开销和加锁时间界于表锁和行锁之间；会出现死锁；锁定粒度界于表锁和行锁之间，并发度一般。 - -适用：从锁的角度来说，表级锁更适合于以查询为主，只有少量按索引条件更新数据的应用，如Web应用；而行级锁则更适合于有大量按索引条件并发更新少量不同数据，同时又有并发查询的应用，如一些在线事务处理（OLTP）系统。 - -| | 行锁 | 表锁 | 页锁 | -| ------ | ---- | ---- | ---- | -| MyISAM | | √ | | -| BDB | | √ | √ | -| InnoDB | √ | √ | | -| Memory | | √ | | - - - -### MyISAM 表锁 - -MyISAM 的表锁有两种模式： - -- 表共享读锁 （Table Read Lock）：不会阻塞其他用户对同一表的读请求，但会阻塞对同一表的写请求； -- 表独占写锁 （Table Write Lock）：会阻塞其他用户对同一表的读和写操作； - -MyISAM 表的读操作与写操作之间，以及写操作之间是串行的。当一个线程获得对一个表的写锁后， 只有持有锁的线程可以对表进行更新操作。 其他线程的读、 写操作都会等待，直到锁被释放为止。 - -默认情况下，写锁比读锁具有更高的优先级：当一个锁释放时，这个锁会优先给写锁队列中等候的获取锁请求，然后再给读锁队列中等候的获取锁请求。 - - - -### InnoDB 行锁 - -InnoDB 实现了以下两种类型的**行锁**： - -- 共享锁（S）：允许一个事务去读一行，阻止其他事务获得相同数据集的排他锁。 -- 排他锁（X）：允许获得排他锁的事务更新数据，阻止其他事务取得相同数据集的共享读锁和排他写锁。 - -为了允许行锁和表锁共存，实现多粒度锁机制，InnoDB 还有两种内部使用的意向锁（Intention Locks），这两种意向锁都是**表锁**： - -- 意向共享锁（IS）：事务打算给数据行加行共享锁，事务在给一个数据行加共享锁前必须先取得该表的 IS 锁。 -- 意向排他锁（IX）：事务打算给数据行加行排他锁，事务在给一个数据行加排他锁前必须先取得该表的 IX 锁。 - -**索引失效会导致行锁变表锁**。比如 vchar 查询不写单引号的情况。 - -#### 加锁机制 - -**乐观锁与悲观锁是两种并发控制的思想，可用于解决丢失更新问题** - -乐观锁会“乐观地”假定大概率不会发生并发更新冲突，访问、处理数据过程中不加锁，只在更新数据时再根据版本号或时间戳判断是否有冲突，有则处理，无则提交事务。用数据版本（Version）记录机制实现，这是乐观锁最常用的一种实现方式 - -悲观锁会“悲观地”假定大概率会发生并发更新冲突，访问、处理数据前就加排他锁，在整个数据处理过程中锁定数据，事务提交或回滚后才释放锁。另外与乐观锁相对应的，**悲观锁是由数据库自己实现了的，要用的时候，我们直接调用数据库的相关语句就可以了。** - - - -#### 锁模式(InnoDB有三种行锁的算法) - -- **记录锁(Record Locks)**： 单个行记录上的锁。对索引项加锁，锁定符合条件的行。其他事务不能修改和删除加锁项； - - ```mysql - SELECT * FROM table WHERE id = 1 FOR UPDATE; - ``` - - 它会在 id=1 的记录上加上记录锁，以阻止其他事务插入，更新，删除 id=1 这一行 - - 在通过 主键索引 与 唯一索引 对数据行进行 UPDATE 操作时，也会对该行数据加记录锁： - - ```mysql - -- id 列为主键列或唯一索引列 - UPDATE SET age = 50 WHERE id = 1; - ``` - -- **间隙锁（Gap Locks）**： 当我们使用范围条件而不是相等条件检索数据，并请求共享或排他锁时，InnoDB会给符合条件的已有数据记录的索引项加锁。对于键值在条件范围内但并不存在的记录，叫做“间隙”。 - - InnoDB 也会对这个“间隙”加锁，这种锁机制就是所谓的间隙锁。 - - 对索引项之间的“间隙”加锁，锁定记录的范围（对第一条记录前的间隙或最后一条将记录后的间隙加锁），不包含索引项本身。其他事务不能在锁范围内插入数据，这样就防止了别的事务新增幻影行。 - - 间隙锁基于非唯一索引，它锁定一段范围内的索引记录。间隙锁基于下面将会提到的`Next-Key Locking` 算法，请务必牢记：**使用间隙锁锁住的是一个区间，而不仅仅是这个区间中的每一条数据**。 - - ```mysql - SELECT * FROM table WHERE id BETWEN 1 AND 10 FOR UPDATE; - ``` - - 即所有在`（1，10）`区间内的记录行都会被锁住，所有id 为 2、3、4、5、6、7、8、9 的数据行的插入会被阻塞，但是 1 和 10 两条记录行并不会被锁住。 - - GAP锁的目的，是为了防止同一事务的两次当前读，出现幻读的情况 - -- **临键锁(Next-key Locks)**： **临键锁**，是**记录锁与间隙锁的组合**，它的封锁范围，既包含索引记录，又包含索引区间。(临键锁的主要目的，也是为了避免**幻读**(Phantom Read)。如果把事务的隔离级别降级为RC，临键锁则也会失效。) - - Next-Key 可以理解为一种特殊的**间隙锁**，也可以理解为一种特殊的**算法**。通过**临建锁**可以解决幻读的问题。 每个数据行上的非唯一索引列上都会存在一把临键锁，当某个事务持有该数据行的临键锁时，会锁住一段左开右闭区间的数据。需要强调的一点是，`InnoDB` 中行级锁是基于索引实现的，临键锁只与非唯一索引列有关，在唯一索引列（包括主键列）上不存在临键锁。 - - 对于行的查询，都是采用该方法，主要目的是解决幻读的问题。 - -> select for update有什么含义，会锁表还是锁行还是其他 - -for update 仅适用于InnoDB，且必须在事务块(BEGIN/COMMIT)中才能生效。在进行事务操作时，通过“for update”语句，MySQL会对查询结果集中每行数据都添加排他锁，其他线程对该记录的更新与删除操作都会阻塞。排他锁包含行锁、表锁。 - -InnoDB这种行锁实现特点意味着：只有通过索引条件检索数据，InnoDB才使用行级锁，否则，InnoDB将使用表锁！ -假设有个表单 products ，里面有id跟name二个栏位，id是主键。 - -- 明确指定主键，并且有此笔资料，row lock - -```mysql -SELECT * FROM products WHERE id='3' FOR UPDATE; -SELECT * FROM products WHERE id='3' and type=1 FOR UPDATE; -``` - -- 明确指定主键，若查无此笔资料，无lock - -```mysql -SELECT * FROM products WHERE id='-1' FOR UPDATE; -``` - -- 无主键，table lock - -```mysql -SELECT * FROM products WHERE name='Mouse' FOR UPDATE; -``` - -- 主键不明确，table lock - -```mysql -SELECT * FROM products WHERE id<>'3' FOR UPDATE; -``` - -- 主键不明确，table lock - -```mysql -SELECT * FROM products WHERE id LIKE '3' FOR UPDATE; -``` - -**注1**: FOR UPDATE仅适用于InnoDB，且必须在交易区块(BEGIN/COMMIT)中才能生效。 -**注2**: 要测试锁定的状况，可以利用MySQL的Command Mode ，开二个视窗来做测试。 - - - -> MySQL 遇到过死锁问题吗，你是如何解决的？ - -### 死锁 - -**死锁产生**： - -- 死锁是指两个或多个事务在同一资源上相互占用，并请求锁定对方占用的资源，从而导致恶性循环 -- 当事务试图以不同的顺序锁定资源时，就可能产生死锁。多个事务同时锁定同一个资源时也可能会产生死锁 -- 锁的行为和顺序和存储引擎相关。以同样的顺序执行语句，有些存储引擎会产生死锁有些不会——死锁有双重原因：真正的数据冲突；存储引擎的实现方式。 - -**检测死锁**：数据库系统实现了各种死锁检测和死锁超时的机制。InnoDB存储引擎能检测到死锁的循环依赖并立即返回一个错误。 - -**死锁恢复**：死锁发生以后，只有部分或完全回滚其中一个事务，才能打破死锁，InnoDB目前处理死锁的方法是，将持有最少行级排他锁的事务进行回滚。所以事务型应用程序在设计时必须考虑如何处理死锁，多数情况下只需要重新执行因死锁回滚的事务即可。 - -**外部锁的死锁检测**：发生死锁后，InnoDB 一般都能自动检测到，并使一个事务释放锁并回退，另一个事务获得锁，继续完成事务。但在涉及外部锁，或涉及表锁的情况下，InnoDB 并不能完全自动检测到死锁， 这需要通过设置锁等待超时参数 innodb_lock_wait_timeout 来解决 - -**死锁影响性能**：死锁会影响性能而不是会产生严重错误，因为InnoDB会自动检测死锁状况并回滚其中一个受影响的事务。在高并发系统上，当许多线程等待同一个锁时，死锁检测可能导致速度变慢。 有时当发生死锁时，禁用死锁检测（使用innodb_deadlock_detect配置选项）可能会更有效，这时可以依赖`innodb_lock_wait_timeout`设置进行事务回滚。 - - - -**MyISAM避免死锁**： - -- 在自动加锁的情况下，MyISAM 总是一次获得 SQL 语句所需要的全部锁，所以 MyISAM 表不会出现死锁。 - -**InnoDB避免死锁**： - -- 为了在单个InnoDB表上执行多个并发写入操作时避免死锁，可以在事务开始时通过为预期要修改的每个元祖（行）使用`SELECT ... FOR UPDATE`语句来获取必要的锁，即使这些行的更改语句是在之后才执行的。 -- 在事务中，如果要更新记录，应该直接申请足够级别的锁，即排他锁，而不应先申请共享锁、更新时再申请排他锁，因为这时候当用户再申请排他锁时，其他事务可能又已经获得了相同记录的共享锁，从而造成锁冲突，甚至死锁 -- 如果事务需要修改或锁定多个表，则应在每个事务中以相同的顺序使用加锁语句。 在应用中，如果不同的程序会并发存取多个表，应尽量约定以相同的顺序来访问表，这样可以大大降低产生死锁的机会 -- 通过`SELECT ... LOCK IN SHARE MODE`获取行的读锁后，如果当前事务再需要对该记录进行更新操作，则很有可能造成死锁。 -- 改变事务隔离级别 - -如果出现死锁，可以用 `show engine innodb status; `命令来确定最后一个死锁产生的原因。返回结果中包括死锁相关事务的详细信息，如引发死锁的 SQL 语句，事务已经获得的锁，正在等待什么锁，以及被回滚的事务等。据此可以分析死锁产生的原因和改进措施。 - ------- - - - -## 八、MySQL调优 - -> 日常工作中你是怎么优化SQL的？ -> -> SQL优化的一般步骤是什么，怎么看执行计划（explain），如何理解其中各个字段的含义？ -> -> 如何写sql能够有效的使用到复合索引？ -> -> 一条sql执行过长的时间，你如何优化，从哪些方面入手？ -> -> 什么是最左前缀原则？什么是最左匹配原则？ - -### 影响mysql的性能因素 - -- 业务需求对MySQL的影响(合适合度) - -- 存储定位对MySQL的影响 - - 不适合放进MySQL的数据 - - 二进制多媒体数据 - - 流水队列数据 - - 超大文本数据 - - 需要放进缓存的数据 - - 系统各种配置及规则数据 - - 活跃用户的基本信息数据 - - 活跃用户的个性化定制信息数据 - - 准实时的统计信息数据 - - 其他一些访问频繁但变更较少的数据 - -- Schema设计对系统的性能影响 - - 尽量减少对数据库访问的请求 - - 尽量减少无用数据的查询请求 - -- 硬件环境对系统性能的影响 - - - -### 性能分析 - -#### MySQL Query Optimizer - -1. MySQL 中有专门负责优化 SELECT 语句的优化器模块，主要功能：通过计算分析系统中收集到的统计信息，为客户端请求的 Query 提供他认为最优的执行计划（他认为最优的数据检索方式，但不见得是 DBA 认为是最优的，这部分最耗费时间） - -2. 当客户端向 MySQL 请求一条 Query，命令解析器模块完成请求分类，区别出是 SELECT 并转发给 MySQL Query Optimize r时，MySQL Query Optimizer 首先会对整条 Query 进行优化，处理掉一些常量表达式的预算，直接换算成常量值。并对 Query 中的查询条件进行简化和转换，如去掉一些无用或显而易见的条件、结构调整等。然后分析 Query 中的 Hint 信息（如果有），看显示 Hint 信息是否可以完全确定该 Query 的执行计划。如果没有 Hint 或 Hint 信息还不足以完全确定执行计划，则会读取所涉及对象的统计信息，根据 Query 进行写相应的计算分析，然后再得出最后的执行计划。 - -#### MySQL常见瓶颈 - -- CPU：CPU在饱和的时候一般发生在数据装入内存或从磁盘上读取数据时候 - -- IO：磁盘I/O瓶颈发生在装入数据远大于内存容量的时候 - -- 服务器硬件的性能瓶颈：top，free，iostat 和 vmstat来查看系统的性能状态 - -#### 性能下降SQL慢 执行时间长 等待时间长 原因分析 - -- 查询语句写的烂 -- 索引失效（单值、复合） -- 关联查询太多join（设计缺陷或不得已的需求） -- 服务器调优及各个参数设置（缓冲、线程数等） - - - -#### MySQL常见性能分析手段 - -在优化MySQL时，通常需要对数据库进行分析，常见的分析手段有**慢查询日志**，**EXPLAIN 分析查询**，**profiling分析**以及**show命令查询系统状态及系统变量**，通过定位分析性能的瓶颈，才能更好的优化数据库系统的性能。 - -##### 性能瓶颈定位 - -我们可以通过 show 命令查看 MySQL 状态及变量，找到系统的瓶颈： - -```mysql -Mysql> show status ——显示状态信息（扩展show status like ‘XXX’） - -Mysql> show variables ——显示系统变量（扩展show variables like ‘XXX’） - -Mysql> show innodb status ——显示InnoDB存储引擎的状态 - -Mysql> show processlist ——查看当前SQL执行，包括执行状态、是否锁表等 - -Shell> mysqladmin variables -u username -p password——显示系统变量 - -Shell> mysqladmin extended-status -u username -p password——显示状态信息 -``` - - - -##### Explain(执行计划) - -是什么：使用 **Explain** 关键字可以模拟优化器执行SQL查询语句，从而知道 MySQL 是如何处理你的 SQL 语句的。分析你的查询语句或是表结构的性能瓶颈 - -能干吗： -- 表的读取顺序 -- 数据读取操作的操作类型 -- 哪些索引可以使用 -- 哪些索引被实际使用 -- 表之间的引用 -- 每张表有多少行被优化器查询 - -怎么玩： - -- Explain + SQL语句 -- 执行计划包含的信息（如果有分区表的话还会有**partitions**） - -![expalin](https://tva1.sinaimg.cn/large/007S8ZIlly1gf2hsjk9zcj30kq01adfn.jpg) - -各字段解释 - -- **id**（select 查询的序列号，包含一组数字，表示查询中执行select子句或操作表的顺序） - - - id相同，执行顺序从上往下 - - id全不同，如果是子查询，id的序号会递增，id值越大优先级越高，越先被执行 - - id部分相同，执行顺序是先按照数字大的先执行，然后数字相同的按照从上往下的顺序执行 - -- **select_type**（查询类型，用于区别普通查询、联合查询、子查询等复杂查询） - - - **SIMPLE** ：简单的select查询，查询中不包含子查询或UNION - - **PRIMARY**：查询中若包含任何复杂的子部分，最外层查询被标记为PRIMARY - - **SUBQUERY**：在select或where列表中包含了子查询 - - **DERIVED**：在from列表中包含的子查询被标记为DERIVED，MySQL会递归执行这些子查询，把结果放在临时表里 - - **UNION**：若第二个select出现在UNION之后，则被标记为UNION，若UNION包含在from子句的子查询中，外层select将被标记为DERIVED - - **UNION RESULT**：从UNION表获取结果的select - -- **table**（显示这一行的数据是关于哪张表的） - -- **type**（显示查询使用了那种类型，从最好到最差依次排列 **system > const > eq_ref > ref > fulltext > ref_or_null > index_merge > unique_subquery > index_subquery > range > index > ALL** ） - - - system：表只有一行记录（等于系统表），是 const 类型的特例，平时不会出现 - - const：表示通过索引一次就找到了，const 用于比较 primary key 或 unique 索引，因为只要匹配一行数据，所以很快，如将主键置于 where 列表中，mysql 就能将该查询转换为一个常量 - - eq_ref：唯一性索引扫描，对于每个索引键，表中只有一条记录与之匹配，常见于主键或唯一索引扫描 - - ref：非唯一性索引扫描，范围匹配某个单独值得所有行。本质上也是一种索引访问，他返回所有匹配某个单独值的行，然而，它可能也会找到多个符合条件的行，多以他应该属于查找和扫描的混合体 - - range：只检索给定范围的行，使用一个索引来选择行。key列显示使用了哪个索引，一般就是在你的where语句中出现了between、<、>、in等的查询，这种范围扫描索引比全表扫描要好，因为它只需开始于索引的某一点，而结束于另一点，不用扫描全部索引 - - index：Full Index Scan，index于ALL区别为index类型只遍历索引树。通常比ALL快，因为索引文件通常比数据文件小。（**也就是说虽然all和index都是读全表，但index是从索引中读取的，而all是从硬盘中读的**） - - ALL：Full Table Scan，将遍历全表找到匹配的行 - - tip: 一般来说，得保证查询至少达到range级别，最好到达ref - -- **possible_keys**（显示可能应用在这张表中的索引，一个或多个，查询涉及到的字段若存在索引，则该索引将被列出，但不一定被查询实际使用） - -- **key** - - - 实际使用的索引，如果为NULL，则没有使用索引 - - - **查询中若使用了覆盖索引，则该索引和查询的 select 字段重叠，仅出现在key列表中** - -![explain-key](https://tva1.sinaimg.cn/large/007S8ZIlly1gf2hsty7iaj30nt0373yb.jpg) - -- **key_len** - - - 表示索引中使用的字节数，可通过该列计算查询中使用的索引的长度。在不损失精确性的情况下，长度越短越好 - - key_len显示的值为索引字段的最大可能长度，并非实际使用长度，即key_len是根据表定义计算而得，不是通过表内检索出的 - -- **ref** （显示索引的哪一列被使用了，如果可能的话，是一个常数。哪些列或常量被用于查找索引列上的值） - -- **rows** （根据表统计信息及索引选用情况，大致估算找到所需的记录所需要读取的行数） - -- **Extra**（包含不适合在其他列中显示但十分重要的额外信息） - - 1. using filesort: 说明mysql会对数据使用一个外部的索引排序，不是按照表内的索引顺序进行读取。mysql中无法利用索引完成的排序操作称为“文件排序”。常见于order by和group by语句中 - - 2. Using temporary：使用了临时表保存中间结果，mysql在对查询结果排序时使用临时表。常见于排序order by和分组查询group by。 - - 3. using index：表示相应的select操作中使用了覆盖索引，避免访问了表的数据行，效率不错，如果同时出现using where，表明索引被用来执行索引键值的查找；否则索引被用来读取数据而非执行查找操作 - - 4. using where：使用了where过滤 - - 5. using join buffer：使用了连接缓存 - - 6. impossible where：where子句的值总是false，不能用来获取任何元祖 - - 7. select tables optimized away：在没有group by子句的情况下，基于索引优化操作或对于MyISAM存储引擎优化COUNT(*)操作，不必等到执行阶段再进行计算，查询执行计划生成的阶段即完成优化 - - 8. distinct：优化distinct操作，在找到第一匹配的元祖后即停止找同样值的动作 - - - -**case**: - -![explain-demo](https://tva1.sinaimg.cn/large/007S8ZIlly1gf2hszmc0lj30lc05w75c.jpg) - -1. 第一行（执行顺序4）：id列为1，表示是union里的第一个select，select_type列的primary表示该查询为外层查询，table列被标记为，表示查询结果来自一个衍生表，其中derived3中3代表该查询衍生自第三个select查询，即id为3的select。【select d1.name......】 - -2. 第二行（执行顺序2）：id为3，是整个查询中第三个select的一部分。因查询包含在from中，所以为derived。【select id,name from t1 where other_column=''】 -3. 第三行（执行顺序3）：select列表中的子查询select_type为subquery，为整个查询中的第二个select。【select id from t3】 -4. 第四行（执行顺序1）：select_type为union，说明第四个select是union里的第二个select，最先执行【select name,id from t2】 -5. 第五行（执行顺序5）：代表从union的临时表中读取行的阶段，table列的表示用第一个和第四个select的结果进行union操作。【两个结果union操作】 - - - -##### 慢查询日志 - -MySQL 的慢查询日志是 MySQL 提供的一种日志记录，它用来记录在 MySQL 中响应时间超过阈值的语句，具体指运行时间超过 `long_query_time` 值的 SQL，则会被记录到慢查询日志中。 - -- `long_query_time` 的默认值为10，意思是运行10秒以上的语句 -- 默认情况下，MySQL数据库没有开启慢查询日志，需要手动设置参数开启 - -**查看开启状态** - -```mysql -SHOW VARIABLES LIKE '%slow_query_log%' -``` - -**开启慢查询日志** - -- 临时配置： - -```mysql -mysql> set global slow_query_log='ON'; -mysql> set global slow_query_log_file='/var/lib/mysql/hostname-slow.log'; -mysql> set global long_query_time=2; -``` - -​ 也可set文件位置，系统会默认给一个缺省文件host_name-slow.log - -​ 使用set操作开启慢查询日志只对当前数据库生效，如果MySQL重启则会失效。 - -- 永久配置 - - 修改配置文件my.cnf或my.ini，在[mysqld]一行下面加入两个配置参数 - -```mysql -[mysqld] -slow_query_log = ON -slow_query_log_file = /var/lib/mysql/hostname-slow.log -long_query_time = 3 -``` - -注：log-slow-queries 参数为慢查询日志存放的位置，一般这个目录要有 MySQL 的运行帐号的可写权限，一般都将这个目录设置为 MySQL 的数据存放目录；long_query_time=2 中的 2 表示查询超过两秒才记录；在my.cnf或者 my.ini 中添加 log-queries-not-using-indexes 参数，表示记录下没有使用索引的查询。 - -可以用 `select sleep(4)` 验证是否成功开启。 - -在生产环境中，如果手工分析日志，查找、分析SQL，还是比较费劲的，所以MySQL提供了日志分析工具**mysqldumpslow**。 - -通过 mysqldumpslow --help 查看操作帮助信息 - -- 得到返回记录集最多的10个SQL - - `mysqldumpslow -s r -t 10 /var/lib/mysql/hostname-slow.log` - -- 得到访问次数最多的10个SQL - - `mysqldumpslow -s c -t 10 /var/lib/mysql/hostname-slow.log` - -- 得到按照时间排序的前10条里面含有左连接的查询语句 - - `mysqldumpslow -s t -t 10 -g "left join" /var/lib/mysql/hostname-slow.log` - -- 也可以和管道配合使用 - - `mysqldumpslow -s r -t 10 /var/lib/mysql/hostname-slow.log | more` - -**也可使用 pt-query-digest 分析 RDS MySQL 慢查询日志** - - - -##### Show Profile 分析查询 - -通过慢日志查询可以知道哪些 SQL 语句执行效率低下，通过 explain 我们可以得知 SQL 语句的具体执行情况，索引使用等，还可以结合`Show Profile`命令查看执行状态。 - -- Show Profile 是 MySQL 提供可以用来分析当前会话中语句执行的资源消耗情况。可以用于SQL的调优的测量 - -- 默认情况下，参数处于关闭状态，并保存最近15次的运行结果 - -- 分析步骤 - - 1. 是否支持，看看当前的mysql版本是否支持 - - ```mysql - mysql>Show variables like 'profiling'; --默认是关闭，使用前需要开启 - ``` - - 2. 开启功能，默认是关闭，使用前需要开启 - - ```mysql - mysql>set profiling=1; - ``` - - 3. 运行SQL - - 4. 查看结果 - - ```mysql - mysql> show profiles; - +----------+------------+---------------------------------+ - | Query_ID | Duration | Query | - +----------+------------+---------------------------------+ - | 1 | 0.00385450 | show variables like "profiling" | - | 2 | 0.00170050 | show variables like "profiling" | - | 3 | 0.00038025 | select * from t_base_user | - +----------+------------+---------------------------------+ - ``` - ``` - - 5. 诊断SQL，show profile cpu,block io for query id(上一步前面的问题SQL数字号码) - - 6. 日常开发需要注意的结论 - - - converting HEAP to MyISAM 查询结果太大，内存都不够用了往磁盘上搬了。 - - - create tmp table 创建临时表，这个要注意 - - - Copying to tmp table on disk 把内存临时表复制到磁盘 - - - locked - ``` - - - -> 查询中哪些情况不会使用索引？ - -### 性能优化 - -#### 索引优化 - -1. 全值匹配我最爱 -2. 最佳左前缀法则，比如建立了一个联合索引(a,b,c)，那么其实我们可利用的索引就有(a), (a,b), (a,b,c) -3. 不在索引列上做任何操作（计算、函数、(自动or手动)类型转换），会导致索引失效而转向全表扫描 -4. 存储引擎不能使用索引中范围条件右边的列 -5. 尽量使用覆盖索引(只访问索引的查询(索引列和查询列一致))，减少select -7. is null ,is not null 也无法使用索引 -8. like "xxxx%" 是可以用到索引的，like "%xxxx" 则不行(like "%xxx%" 同理)。like以通配符开头('%abc...')索引失效会变成全表扫描的操作， -9. 字符串不加单引号索引失效 -10. 少用or，用它来连接时会索引失效 -10. <，<=，=，>，>=，BETWEEN，IN 可用到索引，<>，not in ，!= 则不行，会导致全表扫描 - - - -**一般性建议** - -- 对于单键索引，尽量选择针对当前query过滤性更好的索引 - -- 在选择组合索引的时候，当前Query中过滤性最好的字段在索引字段顺序中，位置越靠前越好。 - -- 在选择组合索引的时候，尽量选择可以能够包含当前query中的where字句中更多字段的索引 - -- 尽可能通过分析统计信息和调整query的写法来达到选择合适索引的目的 - -- 少用Hint强制索引 - - - -#### 查询优化 - -**永远小标驱动大表（小的数据集驱动大的数据集）** - -```mysql -slect * from A where id in (select id from B)`等价于 -#等价于 -select id from B -select * from A where A.id=B.id -``` - -当 B 表的数据集必须小于 A 表的数据集时，用 in 优于 exists - -```mysql -select * from A where exists (select 1 from B where B.id=A.id) -#等价于 -select * from A -select * from B where B.id = A.id` -``` - -当 A 表的数据集小于B表的数据集时，用 exists优于用 in - -注意：A表与B表的ID字段应建立索引。 - - - -**order by关键字优化** - -- order by子句，尽量使用 Index 方式排序，避免使用 FileSort 方式排序 - -- MySQL 支持两种方式的排序，FileSort 和 Index，Index效率高，它指 MySQL 扫描索引本身完成排序，FileSort 效率较低； -- ORDER BY 满足两种情况，会使用Index方式排序；①ORDER BY语句使用索引最左前列 ②使用where子句与ORDER BY子句条件列组合满足索引最左前列 - -- 尽可能在索引列上完成排序操作，遵照索引建的最佳最前缀 -- 如果不在索引列上，filesort 有两种算法，mysql就要启动双路排序和单路排序 - - 双路排序：MySQL 4.1之前是使用双路排序,字面意思就是两次扫描磁盘，最终得到数据 - - 单路排序：从磁盘读取查询需要的所有列，按照order by 列在 buffer对它们进行排序，然后扫描排序后的列表进行输出，效率高于双路排序 - -- 优化策略 - - - 增大sort_buffer_size参数的设置 - - 增大max_lencth_for_sort_data参数的设置 - - - - -**GROUP BY关键字优化** - -- group by实质是先排序后进行分组，遵照索引建的最佳左前缀 -- 当无法使用索引列，增大 `max_length_for_sort_data` 参数的设置，增大`sort_buffer_size`参数的设置 -- where高于having，能写在where限定的条件就不要去having限定了 - - - -#### 数据类型优化 - -MySQL 支持的数据类型非常多，选择正确的数据类型对于获取高性能至关重要。不管存储哪种类型的数据，下面几个简单的原则都有助于做出更好的选择。 - -- 更小的通常更好：一般情况下，应该尽量使用可以正确存储数据的最小数据类型。 - - 简单就好：简单的数据类型通常需要更少的CPU周期。例如，整数比字符操作代价更低，因为字符集和校对规则（排序规则）使字符比较比整型比较复杂。 - -- 尽量避免NULL：通常情况下最好指定列为NOT NULL - ------- - - - -## 九、分区、分表、分库 - -### MySQL分区 - -一般情况下我们创建的表对应一组存储文件，使用`MyISAM`存储引擎时是一个`.MYI`和`.MYD`文件，使用`Innodb`存储引擎时是一个`.ibd`和`.frm`（表结构）文件。 - -当数据量较大时（一般千万条记录级别以上），MySQL的性能就会开始下降，这时我们就需要将数据分散到多组存储文件，保证其单个文件的执行效率 - -**能干嘛** - -- 逻辑数据分割 -- 提高单一的写和读应用速度 -- 提高分区范围读查询的速度 -- 分割数据能够有多个不同的物理文件路径 -- 高效的保存历史数据 - -**怎么玩** - -首先查看当前数据库是否支持分区 - -- MySQL5.6以及之前版本： - - ```mysql - SHOW VARIABLES LIKE '%partition%'; - ``` - -- MySQL5.6： - - ```mysql - show plugins; - ``` - -**分区类型及操作** - -- **RANGE分区**：基于属于一个给定连续区间的列值，把多行分配给分区。mysql将会根据指定的拆分策略，,把数据放在不同的表文件上。相当于在文件上,被拆成了小块.但是,对外给客户的感觉还是一张表，透明的。 - - 按照 range 来分，就是每个库一段连续的数据，这个一般是按比如**时间范围**来的，比如交易表啊，销售表啊等，可以根据年月来存放数据。可能会产生热点问题，大量的流量都打在最新的数据上了。 - - range 来分，好处在于说，扩容的时候很简单。 - -- **LIST分区**：类似于按RANGE分区，每个分区必须明确定义。它们的主要区别在于，LIST分区中每个分区的定义和选择是基于某列的值从属于一个值列表集中的一个值，而RANGE分区是从属于一个连续区间值的集合。 - -- **HASH分区**：基于用户定义的表达式的返回值来进行选择的分区，该表达式使用将要插入到表中的这些行的列值进行计算。这个函数可以包含MySQL 中有效的、产生非负整数值的任何表达式。 - - hash 分发，好处在于说，可以平均分配每个库的数据量和请求压力；坏处在于说扩容起来比较麻烦，会有一个数据迁移的过程，之前的数据需要重新计算 hash 值重新分配到不同的库或表 - -- **KEY分区**：类似于按HASH分区，区别在于KEY分区只支持计算一列或多列，且MySQL服务器提供其自身的哈希函数。必须有一列或多列包含整数值。 - -**看上去分区表很帅气，为什么大部分互联网还是更多的选择自己分库分表来水平扩展咧？** - -- 分区表，分区键设计不太灵活，如果不走分区键，很容易出现全表锁 -- 一旦数据并发量上来，如果在分区表实施关联，就是一个灾难 -- 自己分库分表，自己掌控业务场景与访问模式，可控。分区表，研发写了一个sql，都不确定mysql是怎么玩的，不太可控 - - - -> 随着业务的发展，业务越来越复杂，应用的模块越来越多，总的数据量很大，高并发读写操作均超过单个数据库服务器的处理能力怎么办？ - -这个时候就出现了**数据分片**，数据分片指按照某个维度将存放在单一数据库中的数据分散地存放至多个数据库或表中。数据分片的有效手段就是对关系型数据库进行分库和分表。 - -区别于分区的是，分区一般都是放在单机里的，用的比较多的是时间范围分区，方便归档。只不过分库分表需要代码实现，分区则是mysql内部实现。分库分表和分区并不冲突，可以结合使用。 - - - ->说说分库与分表的设计 - -### MySQL分表 - -分表有两种分割方式，一种垂直拆分，另一种水平拆分。 - -- **垂直拆分** - - 垂直分表，通常是按照业务功能的使用频次，把主要的、热门的字段放在一起做为主要表。然后把不常用的，按照各自的业务属性进行聚集，拆分到不同的次要表中；主要表和次要表的关系一般都是一对一的。 - -- **水平拆分(数据分片)** - - 单表的容量不超过500W，否则建议水平拆分。是把一个表复制成同样表结构的不同表，然后把数据按照一定的规则划分，分别存储到这些表中，从而保证单表的容量不会太大，提升性能；当然这些结构一样的表，可以放在一个或多个数据库中。 - - 水平分割的几种方法： - - - 使用MD5哈希，做法是对UID进行md5加密，然后取前几位（我们这里取前两位），然后就可以将不同的UID哈希到不同的用户表（user_xx）中了。 - - 还可根据时间放入不同的表，比如：article_201601，article_201602。 - - 按热度拆分，高点击率的词条生成各自的一张表，低热度的词条都放在一张大表里，待低热度的词条达到一定的贴数后，再把低热度的表单独拆分成一张表。 - - 根据ID的值放入对应的表，第一个表user_0000，第二个100万的用户数据放在第二 个表user_0001中，随用户增加，直接添加用户表就行了。 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1geuibkd9mjj31ns0u0aj1.jpg) - - - -### MySQL分库 - -> 为什么要分库? - -数据库集群环境后都是多台 slave，基本满足了读取操作; 但是写入或者说大数据、频繁的写入操作对master性能影响就比较大，这个时候，单库并不能解决大规模并发写入的问题，所以就会考虑分库。 - -> 分库是什么？ - -一个库里表太多了，导致了海量数据，系统性能下降，把原本存储于一个库的表拆分存储到多个库上， 通常是将表按照功能模块、关系密切程度划分出来，部署到不同库上。 - -优点： - -- 减少增量数据写入时的锁对查询的影响 - -- 由于单表数量下降，常见的查询操作由于减少了需要扫描的记录，使得单表单次查询所需的检索行数变少，减少了磁盘IO，时延变短 - -但是它无法解决单表数据量太大的问题 - - - -**分库分表后的难题** - -分布式事务的问题，数据的完整性和一致性问题。 - -数据操作维度问题：用户、交易、订单各个不同的维度，用户查询维度、产品数据分析维度的不同对比分析角度。 跨库联合查询的问题，可能需要两次查询 跨节点的count、order by、group by以及聚合函数问题，可能需要分别在各个节点上得到结果后在应用程序端进行合并 额外的数据管理负担，如：访问数据表的导航定位 额外的数据运算压力，如：需要在多个节点执行，然后再合并计算程序编码开发难度提升，没有太好的框架解决，更多依赖业务看如何分，如何合，是个难题。 - - - -> 配主从，正经公司的话，也不会让 Javaer 去搞的，但还是要知道 - -## 十、主从复制 - -### 复制的基本原理 - -- slave 会从 master 读取 binlog 来进行数据同步 - -- 三个步骤 - - 1. master将改变记录到二进制日志（binary log）。这些记录过程叫做二进制日志事件，binary log events； - 2. salve 将 master 的 binary log events 拷贝到它的中继日志（relay log）; - 3. slave 重做中继日志中的事件，将改变应用到自己的数据库中。MySQL 复制是异步且是串行化的。 - - ![img](http://img.wandouip.com/crawler/article/201942/94aec4abf353527cbbe2bef5a484471d) - -### 复制的基本原则 - -- 每个 slave只有一个 master -- 每个 salve只能有一个唯一的服务器 ID -- 每个master可以有多个salve - -### 复制的最大问题 - -- 延时 - ------- - - - -## 十一、其他问题 - -### 说一说三个范式 - -- 第一范式（1NF）：数据库表中的字段都是单一属性的，不可再分。这个单一属性由基本类型构成，包括整型、实数、字符型、逻辑型、日期型等。 -- 第二范式（2NF）：数据库表中不存在非关键字段对任一候选关键字段的部分函数依赖（部分函数依赖指的是存在组合关键字中的某些字段决定非关键字段的情况），也即所有非关键字段都完全依赖于任意一组候选关键字。 -- 第三范式（3NF）：在第二范式的基础上，数据表中如果不存在非关键字段对任一候选关键字段的传递函数依赖则符合第三范式。所谓传递函数依赖，指的是如 果存在"A → B → C"的决定关系，则C传递函数依赖于A。因此，满足第三范式的数据库表应该不存在如下依赖关系： 关键字段 → 非关键字段 x → 非关键字段y - - - -### 百万级别或以上的数据如何删除 - -关于索引：由于索引需要额外的维护成本，因为索引文件是单独存在的文件,所以当我们对数据的增加,修改,删除,都会产生额外的对索引文件的操作,这些操作需要消耗额外的IO,会降低增/改/删的执行效率。所以，在我们删除数据库百万级别数据的时候，查询MySQL官方手册得知删除数据的速度和创建的索引数量是成正比的。 - -1. 所以我们想要删除百万数据的时候可以先删除索引（此时大概耗时三分多钟） -2. 然后删除其中无用数据（此过程需要不到两分钟） -3. 删除完成后重新创建索引(此时数据较少了)创建索引也非常快，约十分钟左右。 -4. 与之前的直接删除绝对是要快速很多，更别说万一删除中断,一切删除会回滚。那更是坑了。 - - - - - - -## 参考与感谢： - -https://zhuanlan.zhihu.com/p/29150809 - -https://juejin.im/post/5e3eb616f265da570d734dcb#heading-105 - -https://blog.csdn.net/yin767833376/article/details/81511377 - - - - - - - - - - - - - - \ No newline at end of file diff --git a/docs/data-management/MySQL/MySQL-Framework.md b/docs/data-management/MySQL/MySQL-Framework.md index 5ed41b3801..f616a373f6 100644 --- a/docs/data-management/MySQL/MySQL-Framework.md +++ b/docs/data-management/MySQL/MySQL-Framework.md @@ -162,11 +162,15 @@ ERROR 1064 (42000): You have an error in your SQL syntax; check the manual that ### MySQL 的查询流程大致是？ > 一条 SQL 查询语句是如何执行的？ - -1. MySQL 客户端通过协议与 MySQL 服务器建连接，发送查询语句，先检查查询缓存，如果命中，直接返回结果，否则进行语句解析（MySQL 8.0 已取消了缓存） -2. 有一系列预处理，比如检查语句是否写正确了，然后是查询优化（比如是否使用索引扫描，如果是一个不可能的条件，则提前终止），生成查询计划，然后查询引擎启动，开始执行查询，从底层存储引擎调用 API 获取数据，最后返回给客户端。怎么存数据、怎么取数据，都与存储引擎有关。 -3. 然后，MySQL 默认使用的 BTREE 索引，并且一个大方向是，无论怎么折腾 sql，至少在目前来说，MySQL 最多只用到表中的一个索引。 - +1. **客户端请求**：MySQL 客户端通过协议与 MySQL 服务器建连接，发送查询语句，先检查查询缓存，如果命中，直接返回结果，否则进行语句解析（MySQL 8.0 已取消了缓存） +2. **查询接收**：连接器接收请求，管理连接 +3. **解析器**：对 SQL 进行词法分析和语法分析，转换为解析树 +4. **优化器**：优化器生成执行计划，选择最优索引和连接顺序 +5. **查询执行器**：执行器执行查询，通过存储引擎接口获取数据 +6. **存储引擎**：存储引擎检索数据，返回给执行器 +7. **返回结果**：结果通过连接器返回给客户端 + +![](https://img.starfish.ink/mysql/MySQL-select-flow.png) ## Reference diff --git a/docs/data-management/MySQL/MySQL-Index-FAQ.md b/docs/data-management/MySQL/MySQL-Index-FAQ.md deleted file mode 100755 index 97df06f415..0000000000 --- a/docs/data-management/MySQL/MySQL-Index-FAQ.md +++ /dev/null @@ -1,79 +0,0 @@ -## 索引结构 - -聚簇索引/非聚簇索引，MySQL 索引底层实现，叶子结点存放的是数据还是指向数据的内存地址，使用索引需要注意的几个地方？ - -使用索引查询一定能提高查询的性能吗？为什么? - - - - - - - -### [优化要注意的一些事](https://www.cnblogs.com/frankdeng/p/8990181.html "优化要注意的一些事") - -1. 索引其实就是一种归类方式，当某一个字段属性都不能归类，建立索引后是没什么效果的，或归类就二种（0和1），且各自都数据对半分，建立索引后的效果也不怎么强。 - -2. 主键的索引是不一样的，要区别理解。 - -3. 当时间存储为时间戳保存的可以建立前缀索引。 - -4. 在什么字段上建立索引，需要根据查询条件而定，不要一上来就建立索引，浪费内存还有可能用不到。 - -5. 大字段（blob）不要建立索引，查询也不会走索引。 - -6. 常用建立索引的地方： - - 主键的聚集索引 - - 外键索引 - - 类别只有0和1就不要建索引了，没有意义，对性能没有提升，还影响写入性能 - - 用模糊其实是可以走前缀索引 - -7. 唯一索引一定要小心使用，它带有唯一约束，由于前期需求不明等情况下，可能造成我们对于唯一列的误判。 - -8. 由于我们建立索引并想让索引能达到最高性能，这个时候我们应当充分考虑该列是否适合建立索引，可以根据列的区分度来判断，区分度太低的情况下可以不考虑建立索引，区分度越高效率越高。 - -9. 写入比较频繁的时候，不能开启MySQL的查询缓存，因为在每一次写入的时候不光要写入磁盘还的更新缓存中的数据。 -10. 二次SQL查询区别不大的时候，不能按照二次执行的时间来判断优化结果，没准第一次查询后又保存缓存数据，导致第二次查询速度比第二次快，很多时候我们看到的都是假象。 -11. Explain 执行计划只能解释SELECT操作。 -12. 使用UNION ALL 替换OR多条件查询并集。 -13. 对查询进行优化，应尽量避免全表扫描，首先应考虑在 where 及 order by 涉及的列上建立索引。 -14. 应尽量避免在 where 子句中对字段进行 null 值判断，否则将导致引擎放弃使用索引而进行全表扫描，如：`select id from t where num is null` 可以在 num上设置默认值 0，确保表中 num 列没有 null 值，然后这样查询：`select id from t where num=0` -15. 应尽量避免在 where 子句中使用!=或<>操作符，否则引擎将放弃使用索引而进行全表扫描。 -16. 应尽量避免在 where 子句中使用or 来连接条件，否则将导致引擎放弃使用索引而进行全表扫描，如：`select id from t where num=10 or num=20` 可以这样查询：`select id from t where num=10 union all select id from t where num=20` -17. in 和 not in 也要慎用，否则会导致全表扫描，如：`select id from t where num in(1,2,3)` 对于连续的数值，能用 between 就不要用 in 了：`select id from t where num between 1 and 3` -18. 下面的查询也将导致全表扫描：`select id from t where name like '李%'` 若要提高效率，可以考虑全文检索。 -19. 如果在 where 子句中使用参数，也会导致全表扫描。因为SQL只有在运行时才会解析局部变量，但优化程序不能将访问计划的选择推迟到运行时；它必须在编译时进行选择。然 而，如果在编译时建立访问计划，变量的值还是未知的，因而无法作为索引选择的输入项。如下面语句将进行全表扫描：`select id from t where num=@num` 可以改为强制查询使用索引：`select id from t with(index(索引名)) where num=@num` -20. 应尽量避免在 where 子句中对字段进行表达式操作，这将导致引擎放弃使用索引而进行全表扫描。如：`select id from t where num/2=100` 应改为: `select id from t where num=100*2` -21. 应尽量避免在where子句中对字段进行函数操作，这将导致引擎放弃使用索引而进行全表扫描。如：`select id from t where substring(name,1,3)='abc' `，name 以 abc 开头的 id 应改为: `select id from t where name like 'abc%'` -22. 不要在 where 子句中的“=”左边进行函数、算术运算或其他表达式运算，否则系统将可能无法正确使用索引。 -23. 在使用索引字段作为条件时，如果该索引是复合索引，那么必须使用到该索引中的第一个字段作为条件时才能保证系统使用该索引，否则该索引将不会被使用，并且应尽可能的让字段顺序与索引顺序相一致。 -24. 不要写一些没有意义的查询，如需要生成一个空表结构：`select col1,col2 into #t from t where 1=0` 这类代码不会返回任何结果集，但是会消耗系统资源的，应改成这样： create table #t(...) -25. 很多时候用 exists 代替 in 是一个好的选择：`select num from a where num in(select num from b)` 用下面的语句替换：` select num from a where exists(select 1 from b where num=a.num)` -26. 并不是所有索引对查询都有效，SQL是根据表中数据来进行查询优化的，当索引列有大量数据重复时，SQL查询可能不会去利用索引，如一表中有字段sex，male、female几乎各一半，那么即使在sex上建了索引也对查询效率起不了作用。 -27. 索引并不是越多越好，索引固然可以提高相应的 select 的效率，但同时也降低了 insert 及 update 的效率，因为 insert 或 update 时有可能会重建索引，所以怎样建索引需要慎重考虑，视具体情况而定。一个表的索引数最好不要超过6个，若太多则应考虑一些不常使用到的列上建的索引是否有 必要。 -28. 应尽可能的避免更新 clustered 索引数据列，因为 clustered 索引数据列的顺序就是表记录的物理存储顺序，一旦该列值改变将导致整个表记录的顺序的调整，会耗费相当大的资源。若应用系统需要频繁更新 clustered 索引数据列，那么需要考虑是否应将该索引建为 clustered 索引。 -29. 尽量使用数字型字段，若只含数值信息的字段尽量不要设计为字符型，这会降低查询和连接的性能，并会增加存储开销。这是因为引擎在处理查询和连接时会逐个比较字符串中每一个字符，而对于数字型而言只需要比较一次就够了。 -30. 尽可能的使用 varchar/nvarchar 代替 char/nchar ，因为首先变长字段存储空间小，可以节省存储空间，其次对于查询来说，在一个相对较小的字段内搜索效率显然要高些。 -31. 任何地方都不要使用 `select * from t` ，用具体的字段列表代替“*”，不要返回用不到的任何字段。 - - - - - -### 聚簇索引优缺点 - -聚族索引的优点 - -1. 可以把相关数据保存在一起。例如实现电子邮件时，可以根据用户ID来聚集数据，这样只需要从磁盘读取少数的数据页就能获取某个用户的全部邮件。如果没有使用聚族索引，则每封邮件都可能导致一次磁盘I/O； -2. 数据访问更快。聚族索引将索引和数据保存在同一个B-Tree中，因此从聚族索引中获取数据通常比在非聚族索引中查找更快。 -3. 使用覆盖索引扫描的查询可以直接使用节点中的主键值。 - -聚族索引的缺点 - -1. 聚簇数据最大限度的提高了I/O密集型应用的性能，但如果数据全部都放在内存中，则访问的顺序就没有那么重要了，聚簇索引也就没有那么优势了； -2. 插入速度严重依赖于插入顺序。按照主键的顺序插入是加载数据到InnoDB表中速度最快的方式。但如果不是按照主键顺序加载数据，那么在加载完成后最好使用OPTIMIZE TABLE命令重新组织一下表。 -3. 更新聚簇索引列的代价很高，因为会强制InnoDB将每个被更新的行移动到新的位置。 -4. 基于聚簇索引的表在插入新行，或者主键被更新导致需要移动行的时候，可能面临“页分裂”的问题。当行的主键值要求必须将这一行插入到某个已满的页中时，存储引擎会将该页分裂成两个页面来容纳该行，这就是一次分裂操作。页分裂会导致表占用更多的磁盘空间。 -5. 聚簇索引可能导致全表扫描变慢，尤其是行比较稀疏，或者由于页分裂导致数据存储不连续的时候。 -6. 二级索引（非聚簇索引）可能比想象的要更大，因为在二级索引的叶子节点包含了引用行的主键列。 -7. 二级索引访问需要两次索引查找，而不是一次。 \ No newline at end of file diff --git a/docs/data-management/MySQL/MySQL-Index.md b/docs/data-management/MySQL/MySQL-Index.md index 9006f1c4f1..fe6c8f80c3 100644 --- a/docs/data-management/MySQL/MySQL-Index.md +++ b/docs/data-management/MySQL/MySQL-Index.md @@ -26,7 +26,7 @@ categories: MySQL - 索引的目的在于提高查询效率，可以类比字典、 火车站的车次表、图书的目录等 。 -- 可以简单的理解为“排好序的快速查找数据结构”，数据本身之外，**数据库还维护者一个满足特定查找算法的数据结构**，这些数据结构以某种方式引用（指向）数据，这样就可以在这些数据结构上实现高级查找算法。这种数据结构，就是索引。 +- 可以简单的理解为“排好序的快速查找数据结构”，数据本身之外，**数据库还维护着一个满足特定查找算法的数据结构**，这些数据结构以某种方式引用（指向）数据，这样就可以在这些数据结构上实现高级查找算法。这种数据结构，就是索引。 > 常见的索引模型其实有很多，哈希表、有序数组，各种搜索树都可以实现索引结构 @@ -247,6 +247,8 @@ InnoDB 的数据文件可以按照表来切分（只需要开启`innodb_file_per > 扩展点：建议将这个值设置为 ON。因为，一个表单独存储为一个文件更容易管理，而且在你不需要这个表的时候，通过 drop table 命令，系统就会直接删除这个文件。而如果是放在共享表空间中，即使表删掉了，空间也是不会回收的。 > > 所以会碰到这种情况，数据库占用空间太大后，把一个最大的表删掉了一半的数据，表文件的大小还是没变~ +> +> 在 MySQL 8.0 版本以前，表结构是存在以.frm 为后缀的文件里。而 MySQL 8.0 版本，则已经允许把表结构定义放在系统数据表中了。 #### 辅助（非主键）索引： @@ -270,9 +272,34 @@ InnoDB 的数据文件可以按照表来切分（只需要开启`innodb_file_per 正如我们上面介绍 InnoDB 存储结构，索引与数据是共同存储的，不管是主键索引还是辅助索引，在查找时都是通过先查找到索引节点才能拿到相对应的数据，如果我们在设计表结构时没有显式指定索引列的话，MySQL 会从表中选择数据不重复的列建立索引，如果没有符合的列，则 MySQL 自动为 InnoDB 表生成一个隐含字段作为主键，并且这个字段长度为 6 个字节，类型为整型。 +> 你可能在一些建表规范里面见到过类似的描述，要求建表语句里一定要有自增主键。当然事无绝对，我们来分析一下哪些场景下应该使用自增主键，而哪些场景下不应该。 +> +> 自增主键的插入数据模式，正符合了递增插入的场景。每次插入一条新记录，都是追加操作，都不涉及到挪动其他记录，也不会触发叶子节点的分裂。 +> +> 而有业务逻辑的字段做主键，则往往不容易保证有序插入，这样写数据成本相对较高。 +> +> 除了考虑性能外，我们还可以从存储空间的角度来看。假设你的表中确实有一个唯一字段，比如字符串类型的身份证号，那应该用身份证号做主键，还是用自增字段做主键呢？ +> +> 由于每个非主键索引的叶子节点上都是主键的值。如果用身份证号做主键，那么每个二级索引的叶子节点占用约 20 个字节，而如果用整型做主键，则只要 4 个字节，如果是长整型（bigint）则是 8 个字节。 +> +> **显然，主键长度越小，普通索引的叶子节点就越小，普通索引占用的空间也就越小。** +> +> 所以，从性能和存储空间方面考量，自增主键往往是更合理的选择。 +> +> 有没有什么场景适合用业务字段直接做主键的呢？还是有的。比如，有些业务的场景需求是这样的： +> +> 1. 只有一个索引； +> 2. 该索引必须是唯一索引。 +> +> 你一定看出来了，这就是典型的 KV 场景。 +> +> 由于没有其他索引，所以也就不用考虑其他索引的叶子节点大小的问题。 +> +> 这时候我们就要优先考虑上一段提到的“尽量使用主键查询”原则，直接将这个索引设置为主键，可以避免每次查询需要搜索两棵树。 +![](https://img.starfish.ink/mysql/MySQL-secondary-index.png) -## 三、索引策略 +## 四、索引策略 ### 哪些情况需要创建索引 @@ -359,7 +386,7 @@ select id,name,email from user where emai='zhangsan@qq.com' 为了决定前缀的合适长度，需要找到最常见的值的列表，然后和最常见的前缀列进行比较。 -前缀索引是一种能使索引更小、更快的有效办法，但另一方面也有缺点：MySQL 无法使用前缀索引做 ORDER BY 和 GROUP BY，也无法使用前缀索引做『覆盖索引』。 +前缀索引是一种能使索引更小、更快的有效办法，但另一方面也有缺点：**MySQL 无法使用前缀索引做 ORDER BY 和 GROUP BY，也无法使用前缀索引做『覆盖索引』**。 > 一个常见的场景是针对很长的十六进制唯一 ID 使用前缀索引。 > @@ -477,7 +504,7 @@ MySQL 有两种方式可以生成有序的结果，通过排序操作或者按 **MySQL 可以使用同一个索引既满足排序，又用于查找行，因此，如果可能，设计索引时应该尽可能地同时满足这两种任务，这样是最好的**。 -只有当索引的列顺序和 order by 子句的顺序完全一致，并且所有列的排序方向（倒序或升序，创建索引时可以指定 ASC 或 DESC）都一样时，MySQL 才能使用索引来对结果做排序，如果查询需要关联多张表，则只有当 order by 子句引用的字段全部为第一个表时，才能使用索引做排序，order by 子句和查找型查询的限制是一样的，需要满足索引的最左前缀的要求，否则 MySQL 都需要执行排序操作，而无法使用索引排序。 +**只有当索引的列顺序和 order by 子句的顺序完全一致，并且所有列的排序方向（倒序或升序，创建索引时可以指定 ASC 或 DESC）都一样时，MySQL 才能使用索引来对结果做排序**，如果查询需要关联多张表，则只有当 order by 子句引用的字段全部为第一个表时，才能使用索引做排序，order by 子句和查找型查询的限制是一样的，需要满足索引的最左前缀的要求，否则 MySQL 都需要执行排序操作，而无法使用索引排序。 @@ -519,7 +546,7 @@ MySQL 允许在相同列上创建多个索引，无论是有意的还是无意 -## 四、索引优化 +## 五、索引优化 ### 导致 SQL 执行慢的原因 @@ -535,16 +562,40 @@ MySQL 允许在相同列上创建多个索引，无论是有意的还是无意 ### 索引优化 -1. 全值匹配我最爱 +```mysql +CREATE TABLE hero( + id INT NOT NULL auto_increment, + name VARCHAR(100) NOT NULL, + phone CHAR(11) NOT NULL, + country varchar(100) NOT NULL, + PRIMARY KEY (id), + KEY idx_name_phone (name, phone) +); +``` + +1. 全值匹配我最爱（就是搜索条件中的列和索引列一致） + + > `select name, phone from hero where name = 'star' and phone = '13266666666'` + > + > 因为有「查询优化器」的存在，所有搜索条件调换顺序，改成 `phone = '13266666666' and name = 'star'` 无影响 2. 最佳左前缀法则，比如建立了一个联合索引(a,b,c)，那么其实我们可利用的索引就有(a) (a,b)（a,c）(a,b,c) 3. 不在索引列上做任何操作（计算、函数、(自动or手动)类型转换），会导致索引失效而转向全表扫描 4. 存储引擎不能使用索引中范围条件右边的列 + + ```mysql + -- 只能用到 name 列 + SELECT * FROM hero WHERE name > 'Join' AND name < 'Lily' AND phone > '13222223333'; + + -- 但是如果左边的列是精确查找，则右边的列可以进行范围查找, 也可以用到 phone 列 + SELECT * FROM hero WHERE name = 'Join' AND phone > '13222223333'; + ``` 5. 尽量使用覆盖索引(只访问索引的查询(索引列和查询列一致))，减少 select * -6. is null ,is not null 也无法使用索引 +6. `is null` , `is not null` 也无法使用索引 7. `like "xxxx%"` 是可以用到索引的，`like "%xxxx"` 则不行(like "%xxx%" 同理)。like 以通配符开头('%abc...')索引失效会变成全表扫描的操作， -8. 字符串不加单引号索引失效 -9. 少用or，用它来连接时会索引失效（这个其实不是绝对的，or 走索引与否，还和优化器的**预估**有关，5.0 之后出现的 index merge 技术就是优化这个的） +8. 字符串不加单引号索引失效（隐式类型转换） +9. 少用 or，用它来连接时会索引失效（这个其实不是绝对的，or 走索引与否，还和优化器的**预估**有关，5.0 之后出现的 index merge 技术就是优化这个的） 10. <，<=，=，>，>=，BETWEEN，IN 可用到索引，<>，not in ，!= 则不行，会导致全表扫描 +11. 使用联合索引时，ASC、DESC 混用会导致索引失效 @@ -560,6 +611,10 @@ MySQL 允许在相同列上创建多个索引，无论是有意的还是无意 5. 尽量的扩展索引，不要新建索引。比如表中已经有 a 的索引，现在要加(a,b)的索引，那么只需要修改原来的索引即可。 +6. 索引列的类型尽量小 + - 数据类型越小，索引占用的存储空间就越少，在一个数据页内就可以放下更多的记录，从而减少磁盘`I/O`带来的性能损耗 + + > 我有一个公众号「 **JavaKeeper** 」 diff --git a/docs/data-management/MySQL/MySQL-Lock.md b/docs/data-management/MySQL/MySQL-Lock.md index 267b6d1479..9f7fa29e92 100644 --- a/docs/data-management/MySQL/MySQL-Lock.md +++ b/docs/data-management/MySQL/MySQL-Lock.md @@ -14,93 +14,189 @@ categories: MySQL > > 数据库锁定机制简单来说，就是数据库为了保证数据的一致性，而使各种共享资源在被并发访问变得有序所设计的一种规则。主要用来处理并发问题。 - + 为什么需要锁，只有并发操作时候才有锁的必要，并发事务访问相同记录的情况大致可以划分为 3 种： + +- `读-读`情况：即并发事务相继读取相同的记录 +- `写-写`情况：即并发事务相继对相同的记录做出改动 +- `读-写`或`写-读`情况：也就是一个事务进行读取操作，另一个进行改动操作。 -## 锁的分类 -#### 从对数据操作的类型分类： -- **读锁**（共享锁）：针对同一份数据，多个读操作可以同时进行，不会互相影响 +## 一、锁的分类有哪些 -- **写锁**（排他锁）：当前写操作没有完成前，它会阻断其他写锁和读锁。 -#### 从对数据操作的粒度分类： +#### 按操作粒度分类： > 为了尽可能提高数据库的并发度，每次锁定的数据范围越小越好，理论上每次只锁定当前操作的数据的方案会得到最大的并发度，但是管理锁是很耗资源的事情（涉及获取，检查，释放锁等动作），因此数据库系统需要在高并发响应和系统性能两方面进行平衡，这样就产生了“锁粒度（Lock granularity）”的概念。 -- **全局锁**：对整个数据库实例加锁，可以用 `Flush tables with read lock (FTWRL)`设置为只读，就相当于加全局锁了 -- **表级锁**：开销小，加锁快；不会出现死锁；锁定粒度大，发生锁冲突的概率最高，并发度最低； +- **全局锁**：对整个数据库实例加锁，可以用 `Flush tables with read lock (FTWRL)`设置为只读，就相当于加全局锁了。**全局锁的典型使用场景是，做全库逻辑备份。**也就是把整库每个表都 select 出来存成文本。 +- **页级锁**：对数据页（通常是连续的几个行）加锁，控制并发事务对该页的访问。（ BDB 存储引擎使用页级锁） +- **表级锁**：开销小，加锁快；不会出现死锁；锁定粒度大，发生锁冲突的概率较高，并发度最低； + - 表锁的语法是`lock tables … read/write` + - 另一类表级的锁是 MDL（metadata lock)。MDL 不需要显式使用，在访问一个表的时候会被自动加上。MDL 的作用是，保证读写的正确性。 + - **行级锁**：开销大，加锁慢；会出现死锁；锁定粒度最小，发生锁冲突的概率最低，并发度也最高； -适用：从锁的角度来说，表级锁更适合于以查询为主，只有少量按索引条件更新数据的应用，如Web应用；而行级锁则更适合于有大量按索引条件并发更新少量不同数据，同时又有并发查询的应用，如一些在线事务处理（OLTP）系统。 +适用：从锁的角度来说，表级锁更适合于以查询为主，只有少量按索引条件更新数据的应用，如 Web 应用；而行级锁则更适合于有大量按索引条件并发更新少量不同数据，同时又有并发查询的应用，如一些在线事务处理（OLTP）系统。 + MySQL 不同的存储引擎支持不同的锁机制，所有的存储引擎都以自己的方式实现了锁机制 +| | 行锁 | 表锁 | 页锁 | +| ------ | ---- | ---- | ---- | +| MyISAM | | √ | | +| BDB | | √ | √ | +| InnoDB | √ | √ | | +| Memory | | √ | | -#### 加锁机制 +#### 按加锁机制分类 **乐观锁与悲观锁是两种并发控制的思想，可用于解决丢失更新问题** -乐观锁会“乐观地”假定大概率不会发生并发更新冲突，访问、处理数据过程中不加锁，只在更新数据时再根据版本号或时间戳判断是否有冲突，有则处理，无则提交事务； +- 乐观锁会“乐观地”假定大概率不会发生并发更新冲突，访问、处理数据过程中不加锁，只在更新数据时再根据版本号或时间戳判断是否有冲突，有则处理，无则提交事务； + +- 悲观锁会“悲观地”假定大概率会发生并发更新冲突，访问、处理数据前就加排他锁，在整个数据处理过程中锁定数据，事务提交或回滚后才释放锁； + +#### 按锁模式（算法）分类 + +- 记录锁（Record Lock）：行级锁的特定类型，锁定单个行，确保其他事务无法同时修改或读取该行 + +- 间隙锁（Gap Lock）：对索引项之间的“间隙”加锁，锁定记录的范围（对第一条记录前的间隙或最后一条将记录后的间隙加锁），不包含索引项本身。其他事务不能在锁范围内插入数据，这样就防止了别的事务新增幻影行 + +- MDL（Metadata Lock）：锁定数据库对象的元数据，如表结构，用于保证数据定义的一致性 +- 临建锁(next-key Lock)： 锁定索引项本身和索引范围。即 Record Lock 和 Gap Lock 的结合。可解决幻读问题。 -悲观锁会“悲观地”假定大概率会发生并发更新冲突，访问、处理数据前就加排他锁，在整个数据处理过程中锁定数据，事务提交或回滚后才释放锁； +#### 按属性分类： +- **读锁**（共享锁）： + + - `共享锁`，英文名：`Shared Locks`，简称`S锁`。在事务要读取一条记录时，需要先获取该记录的`S锁`。 + + - 针对同一份数据，多个读操作可以同时进行，不会互相影响 + + - ```mysql + SELECT ... LOCK IN SHARE MODE; //对读取的记录加S锁 + ``` + +- **写锁**（独占锁、排他锁）： + + - 当前写操作没有完成前，它会阻断其他写锁和读锁 + + - `独占锁`，也常称`排他锁`，英文名：`Exclusive Locks`，简称`X锁`。在事务要改动一条记录时，需要先获取该记录的`X锁` + + - ```mysql + SELECT ... FOR UPDATE; //对读取的记录加X锁 + ``` + +#### 按状态分类 + +- 意向共享锁（Intention Shared Lock）：表级锁的辅助锁，表示事务要在某个表或页级锁上获取共享锁。 +- 意向排它锁（Intention Exclusive Lock）：表级锁的辅助锁，表示事务要在某个表或页级锁上获取排它锁。 + + + +## 二、全局锁 + +要使用全局锁，则要执行这条命令： + +```sql +flush tables with read lock +``` +执行后，**整个数据库就处于只读状态了**，这时其他线程执行以下操作，都会被阻塞 -#### 锁模式 +如果要释放全局锁，则要执行这条命令： -- 记录锁： 对索引项加锁，锁定符合条件的行。其他事务不能修改 和删除加锁项； -- gap锁： 对索引项之间的“间隙”加锁，锁定记录的范围（对第一条记录前的间隙或最后一条将记录后的间隙加锁），不包含索引项本身。其他事务不能在锁范围内插入数据，这样就防止了别的事务新增幻影行。 -- next-key锁： 锁定索引项本身和索引范围。即Record Lock和Gap Lock的结合。可解决幻读问题。 +```sql +unlock tables +``` + +全局锁主要应用于做**全库逻辑备份**，这样在备份数据库期间，不会因为数据或表结构的更新，而出现备份文件的数据与预期的不一样。 + + + +## 三、表锁 + +MySQL 里面表级别的锁有这几种： + +- 表锁 +- 元数据锁（MDL） - 意向锁 -- 插入意向锁 +- AUTO-INC 锁 +#### 表锁 +MySQL 支持多种存储引擎，不同存储引擎对锁的支持也是不一样的。 - MySQL 不同的存储引擎支持不同的锁机制，所有的存储引擎都以自己的方式实现了锁机制 +对于`MyISAM`、`MEMORY`、`MERGE`这些存储引擎来说，它们只支持表级锁，而且这些引擎并不支持事务，所以使用这些存储引擎的锁一般都是针对当前会话来说的。 -| | 行锁 | 表锁 | 页锁 | -| ------ | ---- | ---- | ---- | -| MyISAM | | √ | | -| BDB | | √ | √ | -| InnoDB | √ | √ | | -| Memory | | √ | | +#### 元数据锁 + +**另一类表级的锁是 MDL（metadata lock)。**MDL 不需要显式使用，在访问一个表的时候会被自动加上。MDL 的作用是，保证读写的正确性。你可以想象一下，如果一个查询正在遍历一个表中的数据，而执行期间另一个线程对这个表结构做变更，删了一列，那么查询线程拿到的结果跟表结构对不上，肯定是不行的。 +因此，在 MySQL 5.5 版本中引入了 MDL，当对一个表做增删改查操作的时候，加 MDL 读锁；当要对表做结构变更操作的时候，加 MDL 写锁。 +- 读锁之间不互斥，因此你可以有多个线程同时对一张表增删改查。 -### 表锁（偏读） +- 读写锁之间、写锁之间是互斥的，用来保证变更表结构操作的安全性。因此，如果有两个线程要同时给一个表加字段，其中一个要等另一个执行完才能开始执行。 -#### 特点： +虽然 MDL 锁是系统默认会加的，但却是你不能忽略的一个机制。比如下面这个例子，我经常看到有人掉到这个坑里：给一个小表加个字段，导致整个库挂了。 -**偏向MyISAM存储引擎，开销小，加锁快，无死锁；锁定粒度大，发生锁冲突的概率最高，并发度最低** +1. 首先，线程 A 先启用了事务（但是一直不提交），然后执行一条 select 语句，此时就先对该表加上 MDL 读锁； +2. 然后，线程 B 也执行了同样的 select 语句，此时并不会阻塞，因为「读读」并不冲突； +3. 接着，线程 C 修改了表字段，此时由于线程 A 的事务并没有提交，也就是 MDL 读锁还在占用着，这时线程 C 就无法申请到 MDL 写锁，就会被阻塞， -MyISAM 在执行查询语句（SELECT）前，会自动给涉及的所有表加读锁，在执行增删改操作前，会自动给涉及的表加写锁。 -MySQL 的表级锁有两种模式： +那么在线程 C 阻塞后，后续有对该表的 select 语句，就都会被阻塞，如果此时有大量该表的 select 语句的请求到来，就会有大量的线程被阻塞住，这时数据库的线程很快就会爆满了。 -- 表共享读锁（Table Read Lock） -- 表独占写锁（Table Write Lock） +> 为什么线程 C 因为申请不到 MDL 写锁，而导致后续的申请读锁的查询操作也会被阻塞？ -| 锁类型 | 可否兼容 | 读锁 | 写锁 | -| ------ | -------- | ---- | ---- | -| 读锁 | 是 | 是 | 否 | -| 写锁 | 是 | 否 | 否 | +这是因为申请 MDL 锁的操作会形成一个队列，队列中**写锁获取优先级高于读锁**，一旦出现 MDL 写锁等待，会阻塞后续该表的所有 CRUD 操作。 +所以为了能安全的对表结构进行变更，在对表结构变更前，先要看看数据库中的长事务，是否有事务已经对表加上了 MDL 读锁，如果可以考虑 kill 掉这个长事务，然后再做表结构的变更。 - 结合上表，所以对MyISAM表进行操作，会有以下情况： +#### 表级别的意向锁 -1. 对MyISAM表的读操作（加读锁），不会阻塞其他进程对同一表的读请求，但会阻塞对同一表的写请求。只有当读锁释放后，才会执行其它进程的写操作。 -2. 对MyISAM表的写操作（加写锁），会阻塞其他进程对同一表的读和写操作，只有当写锁释放后，才会执行其它进程的读写操作。 +- 意向共享锁，英文名：`Intention Shared Lock`，简称`IS锁`。在使用 InnoDB 引擎的表里对某些记录加上「共享锁」之前，需要先在表级别加上一个「意向共享锁」； +- 意向独占锁，英文名：`Intention Exclusive Lock`，简称`IX锁`。在使用 InnoDB 引擎的表里对某些纪录加上「独占锁」之前，需要先在表级别加上一个「意向独占锁」； + +`IS锁`和`IX锁`的使命只是为了后续在加表级别的`S锁`和`X锁`时判断表中是否有已经被加锁的记录，以避免用遍历的方式来查看表中有没有上锁的记录。 + +#### AUTO-INC 锁 + +表里的主键通常都会设置成自增的，这是通过对主键字段声明 `AUTO_INCREMENT` 属性实现的。 + +之后在插入数据时，可以不指定主键的值，数据库会自动给主键赋值递增的值，这主要是通过 **AUTO-INC 锁**实现的。 + +AUTO-INC 锁是特殊的表锁机制，锁**不是在一个事务提交后才释放，而是在执行完插入语句后就会立即释放**。 + +**在插入数据时，会加一个表级别的 AUTO-INC 锁**，然后为被 `AUTO_INCREMENT` 修饰的字段赋值递增的值，等插入语句执行完成后，才会把 AUTO-INC 锁释放掉。 + +那么，一个事务在持有 AUTO-INC 锁的过程中，其他事务如果要向该表插入语句都会被阻塞，从而保证插入数据时，被 `AUTO_INCREMENT` 修饰的字段的值是连续递增的。 + +但是， AUTO-INC 锁再对大量数据进行插入的时候，会影响插入性能，因为另一个事务中的插入会被阻塞。 + +因此， 在 MySQL 5.1.22 版本开始，InnoDB 存储引擎提供了一种**轻量级的锁**来实现自增。 + +一样也是在插入数据的时候，会为被 `AUTO_INCREMENT` 修饰的字段加上轻量级锁，**然后给该字段赋值一个自增的值，就把这个轻量级锁释放了，而不需要等待整个插入语句执行完后才释放锁**。 + +InnoDB 存储引擎提供了个 `innodb_autoinc_lock_mode` 的系统变量，是用来控制选择用 AUTO-INC 锁，还是轻量级的锁。 + +- 当 innodb_autoinc_lock_mode = 0，就采用 AUTO-INC 锁，语句执行结束后才释放锁； +- 当 innodb_autoinc_lock_mode = 2，就采用轻量级锁，申请自增主键后就释放锁，并不需要等语句执行后才释放。 +- 当 innodb_autoinc_lock_mode = 1，相当于两种方式混着来 + - 普通 insert 语句，自增锁在申请之后就马上释放； + - 类似 insert … select 这样的批量插入数据的语句，自增锁还是要等语句结束后才被释放； + +当 innodb_autoinc_lock_mode = 2 是性能最高的方式，但是当搭配 binlog 的日志格式是 statement 一起使用的时候，可能会造成不同事务中的插入语句为 AUTO_INCREMENT 修饰的列生成的值是交叉的，在「主从复制的场景」中会发生**数据不一致的问题**。 -简而言之，就是读锁会阻塞写，但是不会堵塞读。而写锁则会把读和写都堵塞。 -MyISAM表的读操作与写操作之间，以及写操作之间是串行的。当一个线程获得对一个表的写锁后，只有持有锁的线程可以对表进行更新操作。其他线程的读、写操作都会等待，直到锁被释放为止。 #### 如何加表锁 -MyISAM在执行查询语句（SELECT）前，会自动给涉及的所有表加读锁，在执行更新操作（UPDATE、DELETE、INSERT等）前，会自动给涉及的表加写锁，这个过程并不需要用户干预，因此，用户一般不需要直接用LOCK TABLE命令给MyISAM表显式加锁。 +MyISAM 在执行查询语句（SELECT）前，会自动给涉及的所有表加读锁，在执行更新操作（UPDATE、DELETE、INSERT等）前，会自动给涉及的表加写锁，这个过程并不需要用户干预，因此，用户一般不需要直接用 LOCK TABLE 命令给 MyISAM 表显式加锁。 -#### MyISAM表锁优化建议 +#### MyISAM 表锁优化建议 -对于MyISAM存储引擎，虽然使用表级锁定在锁定实现的过程中比实现行级锁定或者页级锁所带来的附加成本都要小，锁定本身所消耗的资源也是最少。但是由于锁定的颗粒度比较大，所以造成锁定资源的争用情况也会比其他的锁定级别都要多，从而在较大程度上会降低并发处理能力。所以，在优化MyISAM存储引擎锁定问题的时候，最关键的就是如何让其提高并发度。由于锁定级别是不可能改变的了，所以我们首先需要**尽可能让锁定的时间变短**，然后就是让可能并发进行的操作尽可能的并发。 +对于 MyISAM 存储引擎，虽然使用表级锁定在锁定实现的过程中比实现行级锁定或者页级锁所带来的附加成本都要小，锁定本身所消耗的资源也是最少。但是由于锁定的颗粒度比较大，所以造成锁定资源的争用情况也会比其他的锁定级别都要多，从而在较大程度上会降低并发处理能力。所以，在优化MyISAM存储引擎锁定问题的时候，最关键的就是如何让其提高并发度。由于锁定级别是不可能改变的了，所以我们首先需要**尽可能让锁定的时间变短**，然后就是让可能并发进行的操作尽可能的并发。 看看哪些表被加锁了: @@ -110,15 +206,13 @@ mysql>show open tables; 1. ##### 查询表级锁争用情况 -MySQL内部有两组专门的状态变量记录系统内部锁资源争用情况： +MySQL 内部有两组专门的状态变量记录系统内部锁资源争用情况： ```mysql mysql> show status like 'table%'; ``` - - -这里有两个状态变量记录MySQL内部表级锁定的情况，两个变量说明如下： +这里有两个状态变量记录 MySQL 内部表级锁定的情况，两个变量说明如下： - Table_locks_immediate：产生表级锁定的次数，表示可以立即获取锁的查询次数，每立即获取锁值加1 @@ -126,7 +220,7 @@ mysql> show status like 'table%'; 两个状态值都是从系统启动后开始记录，出现一次对应的事件则数量加1。如果这里的Table_locks_waited状态值比较高，那么说明系统中表级锁定争用现象比较严重，就需要进一步分析为什么会有较多的锁定资源争用了。 -?> 此外，Myisam的读写锁调度是写优先，这也是myisam不适合做写为主表的引擎。因为写锁后，其他线程不能做任何操作，大量的更新会使查询很难得到锁，从而造成永远阻塞 +> 此外，Myisam的读写锁调度是写优先，这也是myisam不适合做写为主表的引擎。因为写锁后，其他线程不能做任何操作，大量的更新会使查询很难得到锁，从而造成永远阻塞 2. **缩短锁定时间** @@ -173,188 +267,218 @@ mysql> show status like 'table%'; -### 行锁（偏写） - -- 偏向InnoDB存储引擎，开销大，加锁慢；会出现死锁；锁定粒度最小，发生锁冲突的概率最低,并发度也最高。 - -- InnoDB与MyISAM的最大不同有两点：一是支持事务（TRANSACTION）；二是采用了行级锁 - - - -Innodb存储引擎由于实现了行级锁定，虽然在锁定机制的实现方面所带来的性能损耗可能比表级锁定会要更高一些，但是在整体并发处理能力方面要远远优于MyISAM的表级锁定的。当系统并发量较高的时候，Innodb的整体性能和MyISAM相比就会有比较明显的优势了。 - - - -1. InnoDB锁定模式及实现机制 - - InnoDB的行级锁定同样分为两种类型，**共享锁和排他锁**，而在锁定机制的实现过程中为了让行级锁定和表级锁定共存，InnoDB也同样使用了**意向锁**（表级锁定）的概念，也就有了**意向共享锁**和**意向排他锁**这两种。 - - 当一个事务需要给自己需要的某个资源加锁的时候，如果遇到一个共享锁正锁定着自己需要的资源的时候，自己可以再加一个共享锁，不过不能加排他锁。但是，如果遇到自己需要锁定的资源已经被一个排他锁占有之后，则只能等待该锁定释放资源之后自己才能获取锁定资源并添加自己的锁定。而意向锁的作用就是当一个事务在需要获取资源锁定的时候，如果遇到自己需要的资源已经被排他锁占用的时候，该事务可以需要锁定行的表上面添加一个合适的意向锁。如果自己需要一个共享锁，那么就在表上面添加一个意向共享锁。而如果自己需要的是某行（或者某些行）上面添加一个排他锁的话，则先在表上面添加一个意向排他锁。意向共享锁可以同时并存多个，但是意向排他锁同时只能有一个存在。所以，可以说**InnoDB的锁定模式实际上可以分为四种：共享锁（S），排他锁（X），意向共享锁（IS）和意向排他锁（IX）**，我们可以通过以下表格来总结上面这四种所的共存逻辑关系： - - - -如果一个事务请求的锁模式与当前的锁兼容，InnoDB就将请求的锁授予该事务；反之，如果两者不兼容，该事务就要等待锁释放。 - -意向锁是InnoDB自动加的，不需用户干预。**对于UPDATE、DELETE和INSERT语句，InnoDB会自动给涉及数据集加排他锁**（X)；对于普通SELECT语句，InnoDB不会加任何锁；事务可以通过以下语句显示给记录集加共享锁或排他锁。 +## 四、行锁 -共享锁（S）：SELECT * FROM table_name WHERE ... LOCK IN SHARE MODE +InnoDB 引擎是支持行级锁的，而 MyISAM 引擎并不支持行级锁。 -排他锁（X)：SELECT * FROM table_name WHERE ... FOR UPDATE +> InnoDB 与 MyISAM 的最大不同有两点：一是支持事务（TRANSACTION）；二是采用了行级锁 -用SELECT ... IN SHARE MODE获得共享锁，主要用在需要数据依存关系时来确认某行记录是否存在，并确保没有人对这个记录进行UPDATE或者DELETE操作。 +`行锁`，也称为`记录锁`，顾名思义就是在记录上加的锁。 -但是如果当前事务也需要对该记录进行更新操作，则很有可能造成死锁，对于锁定行记录后需要进行更新操作的应用，应该使用SELECT... FOR UPDATE方式获得排他锁。 -2. InnoDB行锁实现方式 - **InnoDB行锁是通过给索引上的索引项加锁来实现的，只有通过索引条件检索数据，InnoDB才使用行级锁，否则，InnoDB将使用表锁** +行级锁的类型主要有三类： - 在实际应用中，要特别注意InnoDB行锁的这一特性，不然的话，可能导致大量的锁冲突，从而影响并发性能。下面通过一些实际例子来加以说明。 +- Record Lock，记录锁，也就是仅仅把一条记录锁上； +- Gap Lock，间隙锁，锁定一个范围，但是不包含记录本身； +- Next-Key Lock：Record Lock + Gap Lock 的组合，锁定一个范围，并且锁定记录本身。 - （1）在不通过索引条件查询的时候，InnoDB确实使用的是表锁，而不是行锁。 +#### Record Lock - （2）由于MySQL的行锁是针对索引加的锁，不是针对记录加的锁，所以虽然是访问不同行的记录，但是如果是使用相同的索引键，是会出现锁冲突的。 +Innodb 存储引擎由于实现了行级锁定，虽然在锁定机制的实现方面所带来的性能损耗可能比表级锁定会要更高一些，但是在整体并发处理能力方面要远远优于 MyISAM 的表级锁定的。当系统并发量较高的时候，Innodb 的整体性能和 MyISAM 相比就会有比较明显的优势了。 - （3）当表有多个索引的时候，不同的事务可以使用不同的索引锁定不同的行，另外，不论是使用主键索引、唯一索引或普通索引，InnoDB都会使用行锁来对数据加锁。 +Record Lock 称为记录锁，锁住的是一条记录。而且记录锁是有 S 锁和 X 锁之分的： - （4）即便在条件中使用了索引字段，但是否使用索引来检索数据是由MySQL通过判断不同执行计划的代价来决定的，如果MySQL认为全表扫描效率更高，比如对一些很小的表，它就不会使用索引，这种情况下InnoDB将使用表锁，而不是行锁。因此，**在分析锁冲突时，别忘了检查SQL的执行计划，以确认是否真正使用了索引**。 +- 当一个事务对一条记录加了 S 型记录锁后，其他事务也可以继续对该记录加 S 型记录锁（S 型与 S 锁兼容），但是不可以对该记录加 X 型记录锁（S 型与 X 锁不兼容）; +- 当一个事务对一条记录加了 X 型记录锁后，其他事务既不可以对该记录加 S 型记录锁（S 型与 X 锁不兼容），也不可以对该记录加 X 型记录锁（X 型与 X 锁不兼容）。 - - -#### 如何分析行锁定 - -通过检查InnoDB_row_lock状态变量来分析系统上的行锁的争夺情况 +举个例子，当一个事务执行了下面这条语句： -```mysql -mysql>show status like 'innodb_row_lock%'; +```sql +mysql > begin; +mysql > select * from t where id = 4 for update; ``` -![image-20191204150506938](../../_images/mysql/raw-lock.png) +就是对 t 表中主键 id 为 4 的这条记录加上 X 型的记录锁，这样其他事务就无法对这条记录进行修改了。 +![](https://img.starfish.ink/mysql/MySQL-record-lock.png) -对各个状态量的说明如下： +当事务执行 commit 后，事务过程中生成的锁都会被释放。 -Innodb_row_lock_current_waits：当前正在等待锁定的数量； -Innodb_row_lock_time：从系统启动到现在锁定总时间长度； -Innodb_row_lock_time_avg：每次等待所花平均时间； -Innodb_row_lock_time_max：从系统启动到现在等待最常的一次所花的时间； -Innodb_row_lock_waits：系统启动后到现在总共等待的次数； -对于这5个状态变量，比较重要的主要是 - Innodb_row_lock_time_avg（等待平均时长）， - Innodb_row_lock_waits（等待总次数） - Innodb_row_lock_time（等待总时长）这三项。 -尤其是当等待次数很高，而且每次等待时长也不小的时候，我们就需要分析系统中为什么会有如此多的等待，然后根据分析结果着手指定优化计划。 +#### Gap Lock -#### 行锁优化 +Gap Lock 称为间隙锁，只存在于可重复读隔离级别，目的是为了解决可重复读隔离级别下幻读的现象。 -- 尽可能让所有数据检索都通过索引来完成，避免无索引行锁升级为表锁。 +假设，表中有一个范围 id 为（4，8）间隙锁，那么其他事务就无法插入 id = 5、6、7 的记录了，这样就有效的防止幻读现象的发生。 -- 合理设计索引，尽量缩小锁的范围 +![](https://img.starfish.ink/mysql/MySQL-gap-lock.png) -- 尽可能较少检索条件，避免间隙锁 +间隙锁虽然存在 X 型间隙锁和 S 型间隙锁，但是并没有什么区别，**间隙锁之间是兼容的，即两个事务可以同时持有包含共同间隙范围的间隙锁，并不存在互斥关系，因为间隙锁的目的是防止插入幻影记录而提出的**。 -- 尽量控制事务大小，减少锁定资源量和时间长度 -- 尽可能低级别事务隔离 +#### Next-Key Lock +Next-Key Lock 称为临键锁，是 Record Lock + Gap Lock 的组合，锁定一个范围，并且锁定记录本身。 -### 页锁 +假设，表中有一个范围 id 为（4，8] 的 next-key lock，那么其他事务即不能插入 id = 5,6,7 记录，也不能修改 id = 8 这条记录。 -开销和加锁时间界于表锁和行锁之间；会出现死锁；锁定粒度界于表锁和行锁之间，并发度一般。 +![](https://img.starfish.ink/mysql/MySQL-next-key-lock.png) +所以，next-key lock 即能保护该记录，又能阻止其他事务将新记录插入到被保护记录前面的间隙中。 +**next-key lock 是包含间隙锁+记录锁的，如果一个事务获取了 X 型的 next-key lock，那么另外一个事务在获取相同范围的 X 型的 next-key lock 时，是会被阻塞的**。 +比如，一个事务持有了范围为 (4, 8] 的 X 型的 next-key lock，那么另外一个事务在获取相同范围的 X 型的 next-key lock 时，就会被阻塞。 +虽然相同范围的间隙锁是多个事务相互兼容的，但对于记录锁，我们是要考虑 X 型与 S 型关系，X 型的记录锁与 X 型的记录锁是冲突的。 -## 死锁 -死锁是指两个或者多个事务在同一资源上互相占用，并请求锁定对方占用的资源，从而导致恶性循环的现象。当多个事务试图以不同的顺序锁定资源时，就可能会产生死锁。多个事务同时锁定同一个资源时，也会产生死锁。 -`例如：` 设想下面两个事务同时处理 `StockPrice` 表： +#### 插入意向锁 -事务1 +一个事务在插入一条记录的时候，需要判断插入位置是否已被其他事务加了间隙锁（next-key lock 也包含间隙锁）。 -![avatar](http://static.imlaoa.com/imlaoa/dead_lock1.png) +如果有的话，插入操作就会发生**阻塞**，直到拥有间隙锁的那个事务提交为止（释放间隙锁的时刻），在此期间会生成一个**插入意向锁**，表明有事务想在某个区间插入新记录，但是现在处于等待状态。 -事务2： +举个例子，假设事务 A 已经对表加了一个范围 id 为（4，8）间隙锁。 -![avatar](http://static.imlaoa.com/imlaoa/dead_lock2.png) +当事务 A 还没提交的时候，事务 B 向该表插入一条 id = 5 的新记录，这时会判断到插入的位置已经被事务 A 加了间隙锁，于是事物 B 会生成一个插入意向锁，然后将锁的状态设置为等待状态（*PS：MySQL 加锁时，是先生成锁结构，然后设置锁的状态，如果锁状态是等待状态，并不是意味着事务成功获取到了锁，只有当锁状态为正常状态时，才代表事务成功获取到了锁*），此时事务 B 就会发生阻塞，直到事务 A 提交了事务。 -如果凑巧，两个事务都执行了第一条 `UPDATE` 语句，更新了一行数据，同时也锁定了改行数据，接着每个事务都尝试去执行 +插入意向锁名字虽然有意向锁，但是它并**不是意向锁，它是一种特殊的间隙锁，属于行级别锁**。 -第二条 `UPDATE` 语句，缺发现该行已经被对方锁定，然后两个事务都在等待对方释放锁，同时又持有对方需要的锁，则陷入死 +如果说间隙锁锁住的是一个区间，那么「插入意向锁」锁住的就是一个点。因而从这个角度来说，插入意向锁确实是一种特殊的间隙锁。 -循环。除非有外部因素介入才可能解除`死锁`。 +插入意向锁与间隙锁的另一个非常重要的差别是：尽管「插入意向锁」也属于间隙锁，但两个事务却不能在同一时间内，一个拥有间隙锁，另一个拥有该间隙区间内的插入意向锁（当然，插入意向锁如果不在间隙锁区间内则是可以的）。 -为了解决这种问题，数据库系统实现了各种死锁检测和死锁超时机制。 +#### InnoDB 行锁实现方式 -越复杂的系统，比如 `InnoDB` 存储引擎，越能检测到死锁的循环依赖，并立即返回一个错误。这种解决方式很有效，否则死锁会导致出现非常慢的查询。 +**InnoDB 行锁是通过给索引上的索引项加锁来实现的，只有通过索引条件检索数据，InnoDB 才使用行级锁，否则，InnoDB 将使用表锁** -还有一种解决方式，就是当查询的时候达到锁等待超时的设定后放弃锁请求，这种方式通常来说不太好。 +在实际应用中，要特别注意 InnoDB 行锁的这一特性，不然的话，可能导致大量的锁冲突，从而影响并发性能。下面通过一些实际例子来加以说明。 -`InnoDB` 目前处理死锁的方法是，将持有最少行级排他锁的事务进行回滚（这是相对比较简单的死锁回滚算法）。 +1. 在不通过索引条件查询的时候，InnoDB 确实使用的是表锁，而不是行锁。 +2. 由于 MySQL 的行锁是针对索引加的锁，不是针对记录加的锁，所以虽然是访问不同行的记录，但是如果是使用相同的索引键，是会出现锁冲突的。 +3. 当表有多个索引的时候，不同的事务可以使用不同的索引锁定不同的行，另外，不论是使用主键索引、唯一索引或普通索引，InnoDB 都会使用行锁来对数据加锁。 +4. 即便在条件中使用了索引字段，但是否使用索引来检索数据是由 MySQL 通过判断不同执行计划的代价来决定的，如果 MySQL 认为全表扫描效率更高，比如对一些很小的表，它就不会使用索引，这种情况下 InnoDB 将使用表锁，而不是行锁。因此，**在分析锁冲突时，别忘了检查 SQL 的执行计划，以确认是否真正使用了索引**。 + +#### 如何分析行锁定 -当出现死锁以后，有两种策略： +通过检查 `InnoDB_row_lock` 状态变量来分析系统上的行锁的争夺情况 -- 一种策略是，直接进入等待，直到超时。这个超时时间可以通过参数 innodb_lock_wait_timeout 来设置。 -- 另一种策略是，发起死锁检测，发现死锁后，主动回滚死锁链条中的某一个事务，让其他事务得以继续执行。将参数 innodb_deadlock_detect 设置为 on，表示开启这个逻辑。 +```mysql +mysql>show status like 'innodb_row_lock%'; +``` -在 InnoDB 中，innodb_lock_wait_timeout 的默认值是 50s，意味着如果采用第一个策略，当出现死锁以后，第一个被锁住的线程要过 50s 才会超时退出，然后其他线程才有可能继续执行。对于在线服务来说，这个等待时间往往是无法接受的。 +![](https://img.starfish.ink/mysql/innodb_row_lock.png) -但是，我们又不可能直接把这个时间设置成一个很小的值，比如 1s。这样当出现死锁的时候，确实很快就可以解开，但如果不是死锁，而是简单的锁等待呢？所以，超时时间设置太短的话，会出现很多误伤。 +- `Innodb_row_lock_current_waits`：当前正在等待锁定的数量； +- `Innodb_row_lock_time`：从系统启动到现在锁定总时间长度； +- `Innodb_row_lock_time_avg`：每次等待所花平均时间； +- `Innodb_row_lock_time_max`：从系统启动到现在等待最常的一次所花的时间； +- `Innodb_row_lock_waits`：系统启动后到现在总共等待的次数； -所以，正常情况下我们还是要采用第二种策略，即：主动死锁检测，而且 innodb_deadlock_detect 的默认值本身就是 on。主动死锁检测在发生死锁的时候，是能够快速发现并进行处理的，但是它也是有额外负担的。 +#### 行锁优化 +- 尽可能让所有数据检索都通过索引来完成，避免无索引行锁升级为表锁 +- 合理设计索引，尽量缩小锁的范围 -乐观锁 +- 尽可能较少检索条件，避免间隙锁 -悲观锁 +- 尽量控制事务大小，减少锁定资源量和时间长度 +- 尽可能低级别事务隔离 +### 页锁 +开销和加锁时间界于表锁和行锁之间；会出现死锁；锁定粒度界于表锁和行锁之间，并发度一般。 +## 五、InnoDB 锁内存结构 +```mysql +*# 事务T1* +SELECT * FROM hero LOCK IN SHARE MODE*;* +``` +很显然这条语句需要为`hero表`中的所有记录进行加锁，那是不是需要为每条记录都生成一个`锁结构`呢？ -## 参考 +在对不同记录加锁时，如果符合下边这些条件： -- 《高性能 MySQL》 +- 在同一个事务中进行加锁操作 +- 被加锁的记录在同一个页面中 +- 加锁的类型是一样的 +- 等待状态是一样的 +那么这些记录的锁就可以被放到一个`锁结构`中 +`锁`是一个内存结构，InnoDB中用 `lock_t` 这个结构来定义(8.0)： +```c +struct lock_t { + /** transaction owning the lock */ + trx_t *trx; + /** list of the locks of the transaction */ + UT_LIST_NODE_T(lock_t) trx_locks; + /** Index for a record lock */ + dict_index_t *index; + /** Hash chain node for a record lock. The link node in a singly + linked list, used by the hash table. */ + lock_t *hash; + union { + /** Table lock */ + lock_table_t tab_lock; + /** Record lock */ + lock_rec_t rec_lock; + }; +``` +## 六、死锁 +![](https://img.starfish.ink/mysql/deadlock.jpeg) +死锁是指两个或者多个事务在同一资源上互相占用，并请求锁定对方占用的资源，从而导致恶性循环的现象。当多个事务试图以不同的顺序锁定资源时，就可能会产生死锁。多个事务同时锁定同一个资源时，也会产生死锁。 +![](https://img.starfish.ink/mysql/MySQL-dead-lock-demo.png) +为了解决这种问题，数据库系统实现了各种死锁检测和死锁超时机制。 +当出现死锁以后，有两种策略： +- 一种策略是，直接进入等待，直到超时。这个超时时间可以通过参数 innodb_lock_wait_timeout 来设置。 +- 另一种策略是，发起死锁检测，发现死锁后，主动回滚死锁链条中的某一个事务，让其他事务得以继续执行。将参数 innodb_deadlock_detect 设置为 on，表示开启这个逻辑。 +在 InnoDB 中，`innodb_lock_wait_timeout` 的默认值是 50s，意味着如果采用第一个策略，当出现死锁以后，第一个被锁住的线程要过 50s 才会超时退出，然后其他线程才有可能继续执行。对于在线服务来说，这个等待时间往往是无法接受的。 +但是，我们又不可能直接把这个时间设置成一个很小的值，比如 1s。这样当出现死锁的时候，确实很快就可以解开，但如果不是死锁，而是简单的锁等待呢？所以，超时时间设置太短的话，会出现很多误伤。 +所以，正常情况下我们还是要采用第二种策略，即：主动死锁检测，而且 `innodb_deadlock_detect` 的默认值本身就是 on。主动死锁检测在发生死锁的时候，是能够快速发现并进行处理的，但是它也是有额外负担的。 +## 参考 +- 《高性能 MySQL》 +- 《MySQL技术内幕：innodb》 +- 《MySQL实战45讲》 +- 《从根儿上理解MySQL》 diff --git a/docs/data-management/MySQL/MySQL-Log.md b/docs/data-management/MySQL/MySQL-Log.md index 5e9937359b..76ad66835e 100755 --- a/docs/data-management/MySQL/MySQL-Log.md +++ b/docs/data-management/MySQL/MySQL-Log.md @@ -1,5 +1,5 @@ --- -Lltitle: MySQL 是怎么想的，搞这么多种日志 +title: MySQL 是怎么想的，搞这么多种日志 date: 2022-08-01 tags: - MySQL @@ -19,7 +19,7 @@ MySQL日志文件：用来记录 MySQL 实例对某种条件做出响应时写 他们都有什么作用和关联，我们一起捋一捋（基于 InnoDB） -![](https://img.starfish.ink/mysql/MySQL-logs.png) +![](https://img.starfish.ink/mysql/logs.png) 我们从一条 SQL 语句说起吧 @@ -57,13 +57,11 @@ SET GLOBAL general_log = 'ON' - - ## 二、重做日志(redo log) -解这块知识，我们要先知道这么几个前置知识点，先看下官网的 InnoDB 架构图 +了解这块知识，我们先要知道这么几个前置知识点，先看下官网的 InnoDB 架构图，有个大概印象 -![](/Users/starfish/oceanus/picBed/mysql/innodb-architecture.png) +![](https://img.starfish.ink/mysql/innodb-architecture.png) > #### 什么是 随机 IO 和 顺序 IO > @@ -73,20 +71,50 @@ SET GLOBAL general_log = 'ON' > > MySQL 的 InnoDB 存储引擎以 Data Page（数据页）作为磁盘和内存之间交互的基本单位，他的大小一般为默认值 16K。 > -> 从数据页的作用来分，可以分为Free Page（空闲页）、Clean Page（干净页）、Dirty Page（脏页）； +> 从数据页的作用来分，可以分为 Free Page（空闲页）、Clean Page（干净页）、Dirty Page（脏页）； > > - **当内存数据页 和 磁盘数据页内容不一致的时候，这个内存页 就为 “脏页”**。将内存中的数据同步到磁盘中的这个过程就被称为**“刷脏”** > - **内存数据页写入磁盘后，内存数据页 和 磁盘数据页内容一致，称之为 “干净页”** > > 从类型来分的话，还可以分成存放 UNDO 日志的页、存放 INODE 信息的页、存放表空间头部信息的页等。 -> #### 什么是缓冲池？ TODO 是被取消了吗 +> #### 什么是缓冲池 | buffer pool？ > > 关系型数据库的特点就是需要对磁盘中大量的数据进行存取，所以有时候也被叫做基于磁盘的数据库。正是因为数据库需要频繁对磁盘进行 IO 操作，为了改善因为直接读写磁盘导致的 IO 性能问题，所以引入了缓冲池。 > -> 缓冲池是一片内存区域，存储引擎在读取数据时，会先将页读取到缓冲池中。下次读取时，先判断是否在缓冲池，如果在，则直接读取，否则从磁盘中读取。在修改数据时，如果缓冲池中不存在所需的数据页，则从磁盘读入缓冲池，否则直接对缓冲池中的数据页进行修改。 +> 不过不论是什么类型的页面，每当我们从页面中读取或写入数据时，都必须先将其从硬盘上加载到内存中的`buffer pool`中（也就是说内存中的页面其实就是硬盘中页面的一个副本），然后才能对内存中页面进行读取或写入。如果要修改内存中的页面，为了减少磁盘 I/O，修改后的页面并不立即同步到磁盘，而是作为`脏页`继续呆在内存中，等待后续合适时机将其刷新到硬盘（一般是有后台线程异步刷新），将该页刷到磁盘的操作称为 刷脏页 （本句是重点，后面要吃）。 > -> 这样的好处是，如果我们频繁修改某一个位于磁盘的数据页，我们可以不用每次都去磁盘读写（注意是读和写）该页，而是直接对缓冲池中的内容修改，在一定的时机再把数据刷新到磁盘。这样就会使得对磁盘的多次操作变为一次。即便修改的内容在磁盘中相距较远的不同数据页上，我们也可以将对多次对磁盘的 IO 合并为一次随机 IO。被修改的数据页会与磁盘上的数据产生短暂的不一致，我们称此时缓冲池中的数据页为 脏页 ，将该页刷到磁盘的操作称为 刷脏页 （本句是重点，后面要吃）。 +> #### 内存缓冲区 +>> +> InnoDB 存储引擎是基于磁盘存储的，并将其中的记录按照页的方式进行管理。由于 CPU 速度与磁盘速度之间的鸿沟，基于磁盘的数据库系统通常使用内存缓冲区技术来提高数据库的整体性能。 +> +> ##### Page Cache +> +> InnoDB 会将读取过的页缓存在内存中，并采取最近最少使用（Least Recently Used，LRU） 算法将缓冲池作为列表进行管理，以增加缓存命中率。 +> +> InnoDB 对 LRU 算法进行了一定的改进，执行**中点插入策略**，默认前 5/8 为`New Sublist`，存储经常被使用的热点页，后 3/8 为`Old Sublist`。新读入的 page 默认被加在`old Sublist`的头部，如果在运行过程中 `old Sublist` 的数据被访问到了，那么这个页就会被移动到 `New Sublist` 的头部。 +> +> ![](https://img.starfish.ink/mysql/lru-buffer-pool.png) +> +> 每当 InnoDB 缓存新的数据页时，会优先从 `Free List` 中查找空余的缓存区域，如果不存在，那么就需要从 `LRU List` 淘汰一定的尾部节点。不管数据页位于 `New Sublist` 还是 `Old Sublist`，如果没有被访问到，那么最终都会被移动到 `LRU List` 的尾部作为牺牲者。 +> +> ##### Change Buffer +> +> Change Buffer 用于记录数据的修改，因为 InnoDB 的辅助索引不同于聚集索引的顺序插入，如果每次修改二级索引都直接写入磁盘，则会有大量频繁的随机 IO。 +> +> InnoDB 从 1.0.x 版本开始引入了 Change Buffer，主要目的是将对**非唯一辅助索引**页的操作缓存下来，如果辅助索引页已经在缓冲区了，则直接修改；如果不在，则先将修改保存到 Change Buffer。当对应辅助索引页读取到缓冲区时，才将 Change Buffer 的数据合并到真正的辅助索引页中，以此减少辅助索引的随机 IO，并达到操作合并的效果。 +> +> ![](https://img.starfish.ink/mysql/innodb-change-buffer.png) +> +> 在 MySQL 5.5 之前 Change Buffer 其实叫 Insert Buffer，最初只支持 INSERT 操作的缓存，随着支持操作类型的增加，改名为 Change Buffer，现在 InnoDB 存储引擎可以对 INSERT、DELETE、UPDATE 都进行缓冲，对应着：Insert Buffer、Delete Buffer、Purge buffer。 +> +> ##### Double Write Buffer +> +> 当发生数据库宕机时，可能存储引擎正在写入某个页到表中，而这个页只写了一部分，比如 16KB 的页，只写了前 4KB，之后就发生了宕机。虽然可以通过日志进行数据恢复，但是如果这个页本身已经发生了损坏，再对其进行重新写入是没有意义的。因此 InnoDB 引入 Double Write Buffer 解决数据页的半写问题。 +> +> Double Write Buffer 大小默认为 2M，即 128 个数据页。其中分为两部分，一部分留给`batch write`，提供批量刷新脏页的操作，另一部分是`single page write`，留给用户线程发起的单页刷脏操作。 +> +> 在对缓冲池的脏页进行刷新时，脏页并不是直接写到磁盘，而是会通过`memcpy()`函数将脏页先复制到内存中的 Double Write Buffer 中，如果 Double Write Buffer 写满了，那么就会调用`fsync()`系统调用，一次性将 Double Write Buffer 所有的数据写入到磁盘中，因为这个过程是顺序写入，开销几乎可以忽略。在确保写入成功后，再使用异步 IO 把各个数据页写回自己的表空间中。 ### 2.1 为什么需要 redo log @@ -110,17 +138,17 @@ SET GLOBAL general_log = 'ON' 这样的性能问题，我们是不能忍的，前面我们讲到数据页在缓冲池中被修改会变成脏页。如果这时宕机，脏页就会失效，这就导致我们修改的数据丢失了，也就无法保证事务的**持久性**。 -为了解决这些问题，MySQL 的设计者就用了类似酒店掌柜粉板的思路，设计了`redo log`，**具体来说就是只记录事务对数据页做了哪些修改**，这样就能完美地解决性能问题了(相对而言文件更小并且是顺序IO)。 +为了解决这些问题，MySQL 的设计者就用了类似酒店掌柜粉板的思路，设计了`redo log`，**具体来说就是只记录事务对数据页做了哪些修改**，这样就能完美地解决性能问题了(相对而言文件更小并且是顺序 IO)。 而粉板和账本配合的整个过程，其实就类似 MySQL 里经常说到的 **WAL 技术**（Write-Ahead Loging），它的关键点就是**先写日志，再写磁盘**，也就是先写粉板，等不忙的时候再写账本。这又解决了我们的持久性问题。 -具体来说，当有一条记录需要更新的时候，InnoDB 引擎就会先把记录写到 redo log（粉板）里面，并更新内存，这个时候更新就算完成了。同时，InnoDB 引擎会在适当的时候，将这个操作记录更新到磁盘里面，而这个更新往往是在系统比较空闲的时候做，这就像打烊以后掌柜做的事。 +具体来说，当有一条记录需要更新的时候，InnoDB 引擎就会先把记录写到 `redo log`（粉板）里面，并更新内存，这个时候更新就算完成了。同时，InnoDB 引擎会在适当的时候，将这个操作记录更新到磁盘里面，而这个更新往往是在系统比较空闲的时候做，这就像打烊以后掌柜做的事。 -> DBA 口中的日志先行说的就是这个 WAL 技术。 +> DBA 口中的**日志先行**说的就是这个 WAL 技术。 > -> 记录下对磁盘中某某页某某位置数据的修改结果的 redo log，这种日志被称为**物理日志**，可以节省很多磁盘空间 +> 记录下对磁盘中某某页某某位置数据的修改结果的 redo log，这种日志被称为**物理日志**，可以节省很多磁盘空间。 > -> 最开始看到的通用查询日志，记录了所有数据库的操作，我们叫**逻辑日志**，还有下边会说的 binlog、undo log 也都属于逻辑日志 +> 最开始看到的通用查询日志，记录了所有数据库的操作，我们叫**逻辑日志**，还有下边会说的 binlog、undo log 也都属于逻辑日志。 @@ -134,9 +162,9 @@ MySQL redo日志是一组日志文件，在 MySQL 8.0.30 版本中，MySQL 会 > [`innodb_log_file_size`](https://dev.mysql.com/doc/refman/8.0/en/innodb-parameters.html#sysvar_innodb_log_file_size) and [`innodb_log_files_in_group`](https://dev.mysql.com/doc/refman/8.0/en/innodb-parameters.html#sysvar_innodb_log_files_in_group) are deprecated in MySQL 8.0.30. These variables are superseded by [`innodb_redo_log_capacity`](https://dev.mysql.com/doc/refman/8.0/en/innodb-parameters.html#sysvar_innodb_redo_log_capacity). For more information, see [Section 15.6.5, “Redo Log”](https://dev.mysql.com/doc/refman/8.0/en/innodb-redo-log.html). -为了应对 InnoDB 各种各样不同的需求，到 MySQL 8.0 为止，已经有多达 65 种的 REDO 记录，每种都不太一样，我们看下比较通用的结构了解了解就 OK（主要有作用于 Page，作用于 Space 以及提供额外信息的 Logicd 类型的三大类） +为了应对 InnoDB 各种各样不同的需求，到 MySQL 8.0 为止，已经有多达 65 种的 REDO 记录，每种都不太一样，我们看下比较通用的结构了解了解就 OK（主要有作用于 Page，作用于 Space 以及提供额外信息的 Logic 类型的三大类） -![](/Users/starfish/oceanus/picBed/mysql/redolog-content.png) +![](https://img.starfish.ink/mysql/redolog-content.png) 比如 `MLOG_WRITE_STRING` 类型的 REDO 表示写入一串数据，但是因为不能确定写入的数据占多少字节，所以需要在日志结构中添加一个长度字段来表示写入了多长的数据。 @@ -144,17 +172,17 @@ MySQL redo日志是一组日志文件，在 MySQL 8.0.30 版本中，MySQL 会 #### 「Mini-Transaction」 -一个事务中可能有多个增删改的SQL语句，而一个SQL语句在执行过程中可能修改若干个页面，会有多个操作。 +一个事务中可能有多个增删改的 SQL语句，而一个 SQL 语句在执行过程中可能修改若干个页面，会有多个操作。 > 例如一个 INSERT 语句： > -> - 如果表没有主键，会去更新内存中的`Max Row ID`属性，并在其值为`256`的倍数时，将其刷新到`系统表空间`的页号为`7`的`Max Row ID`属性处。 +> - 如果表没有主键，会去更新内存中的 `Max Row ID` 属性，并在其值为 `256` 的倍数时，将其刷新到`系统表空间`的页号为 `7` 的`Max Row ID `属性处。 > - 接着向聚簇索引插入数据，这个过程要根据索引找到要插入的缓存页位置，向数据页插入记录。这个过程还可能会涉及数据页和索引页的分裂，那就会增加或修改一些缓存页，移动页中的记录。 > - 如果有二级索引，还会向二级索引中插入记录。 > > 最后还可能要改动一些系统页面，比如要修改各种段、区的统计信息，各种链表的统计信息等等。 -所以 InnoDB 将执行语句的过程中产生的`redo log`划分成了若干个不可分割的组，一组`redo log`就是对底层页面的一次原子访问，这个原子访问也称为 `Mini-Transaction`，简称 **mtr**。一个 `mtr` 就包含一组`redo log`，在崩溃恢复时这一组`redo log`就是一个不可分割的整体。 +所以 InnoDB 将执行语句的过程中产生的 `redo log` 划分成了若干个不可分割的组，一组 `redo log` 就是对底层页面的一次原子访问，这个原子访问也称为 `Mini-Transaction`，简称 **mtr**。一个 `mtr` 就包含一组 `redo log`，在崩溃恢复时这一组 `redo log` 就是一个不可分割的整体。 #### 「redo log block」 @@ -162,14 +190,14 @@ MySQL redo日志是一组日志文件，在 MySQL 8.0.30 版本中，MySQL 会 磁盘是块设备，InnoDB 中也用 Block 的概念来读写数据，设计了一个 `redo log block` 的数据结构，称为重做日志块（`block`），重做日志块跟缓存页有点类似，只不过日志块记录的是一条条 redo log。 -S_FILE_LOG_BLOCK_SIZE 等于磁盘扇区的大小 512B，每次 IO 读写的最小单位都是一个 Block。 +`S_FILE_LOG_BLOCK_SIZE` 等于磁盘扇区的大小 512B，每次 IO 读写的最小单位都是一个 Block。 一个 `redo log block` 固定 `512字节` 大小，由三个部分组成： -- 12字节的**Block Header**，主要记录一些额外的信息，包括文件信息、log 版本、lsn 等 +- 12 字节的 **Block Header**，主要记录一些额外的信息，包括文件信息、log 版本、lsn 等 - Block 中剩余的中间 498 个字节就是 REDO 真正内容的存放位置 -- Block 末尾是 4 字节的 **Block Tailer**，记录当前 Block 的 Checksum，通过这个值，读取 Log 时可以明确Block 数据有没有被完整写盘。 +- Block 末尾是 4 字节的 **Block Tailer**，记录当前 Block 的 Checksum，通过这个值，读取 Log 时可以明确 Block 数据有没有被完整写盘。 #### 「redo log 组成」 @@ -177,23 +205,50 @@ S_FILE_LOG_BLOCK_SIZE 等于磁盘扇区的大小 512B，每次 IO 读写的最 > 用户态下的缓冲区数据是无法直接写入磁盘的。因为中间必须经过操作系统的内核空间缓冲区（OS Buffer）。 -写入 redo log buffer 后，再写入 OS Buffer，然后操作系统调用 fsync() 函数将日志刷到磁盘。 +写入 `redo log buffer` 后，再写入 `OS Buffer`，然后操作系统调用 `fsync()` 函数将日志刷到磁盘。 -![](/Users/starfish/oceanus/picBed/mysql/redolog-buf.png) +![](https://img.starfish.ink/mysql/redolog-buf.png) -写完 redo log buffer 后，我们就要顺序追加日志了，可是每次往哪里写，肯定需要个标识的，类似 offset +> 扩展点： +> +> - redo log buffer 里面的内容，既然是在操作系统调用 fsync() 函数持久化到磁盘的，那如果事务执行期间 MySQL 发生异常重启，那这部分日志就丢了。由于事务并没有提交，所以这时日志丢了也不会有损失。 +> - fsync() 的时机不是我们控制的，那就有可能在事务还没提交的时候，redo log buffer 中的部分日志被持久化到磁盘中 +> +> 所以，redo log 是存在不同状态的 +> +> 这三种状态分别是： +> +> 1. 存在 redo log buffer 中，物理上是在 MySQL 进程内存中； +> 2. 写到磁盘 (write)，但是没有持久化（fsync)，物理上是在文件系统的 page cache 里面； +> 3. 持久化到磁盘，对应的是 hard disk。 +> +> ![](https://img.starfish.ink/mysql/redo-status.png) +> +> 日志写到 redo log buffer 是很快的，wirte 到 page cache 也差不多，但是持久化到磁盘的速度就慢多了。 +> +> 为了控制 redo log 的写入策略，InnoDB 提供了 `innodb_flush_log_at_trx_commit` 参数，它有三种可能取值（刷盘策略还会说到）： +> +> 1. 设置为 0 的时候，表示每次事务提交时都只是把 redo log 留在 redo log buffer 中 ; +> 2. 设置为 1 的时候，表示每次事务提交时都将 redo log 直接持久化到磁盘； +> 3. 设置为 2 的时候，表示每次事务提交时都只是把 redo log 写到 page cache。 +> +> InnoDB 有一个后台线程，每隔 1 秒，就会把 redo log buffer 中的日志，调用 write 写到文件系统的 page cache，然后调用 fsync 持久化到磁盘。 +> +> 注意，事务执行中间过程的 redo log 也是直接写在 redo log buffer 中的，这些 redo log 也会被后台线程一起持久化到磁盘。也就是说，一个没有提交的事务的 redo log，也是可能已经持久化到磁盘的。 + +写完 redo log buffer 后，我们就要顺序追加日志了，可是每次往哪里写，肯定需要个标识的，类似 offset，小结一下接着聊。 #### 「redo 结构小结」 -我们那把这几个 redo 内容串起来，其实就是 redo log 有 32 个文件，每个文件以 Block 为单位划分，多个文件首尾相连顺序写入 REDO 内容，Redo 又按不同类型有不同内容。 +我们把这几个 redo 内容串起来，其实就是 redo log 有 32 个文件，每个文件以 Block 为单位划分，多个文件首尾相连顺序写入 REDO 内容，Redo 又按不同类型有不同内容。 一个 `mtr` 中的 redo log 实际上是先写到 redo log buffer，然后再”找机会“ 将一个个 mtr 的日志记录复制到`block`中，最后在一些时机将`block`刷新到磁盘日志文件中。 redo 文件结构大致是下图这样： -![](/Users/starfish/oceanus/picBed/mysql/redolog-flow.png) +![](https://img.starfish.ink/mysql/redolog-flow.png) @@ -205,10 +260,11 @@ redo 文件结构大致是下图这样： 写入到日志文件（刷新到磁盘）的时机有这么 3 种： -- MySQL 正常关闭时； +- MySQL 正常关闭时 - 每秒刷新一次 -- redo log buffer 剩余空间小于 1/2 时 -- 每次事务提交时都将缓存在 redo log buffer 里的 redo log 直接持久化到磁盘，这个策略可由 innodb_flush_log_at_trx_commit 参数控制，有 3 种策略可选择 +- redo log buffer 剩余空间小于 1/2 时（内存不够用了，要先将脏页写到磁盘） + +每次事务提交时都将缓存在 redo log buffer 里的 redo log 直接持久化到磁盘，这个策略可由 `innodb_flush_log_at_trx_commit` 参数控制 #### 刷盘策略 @@ -216,15 +272,16 @@ redo 文件结构大致是下图这样： - 当设置该值为 1 时，每次事务提交都要做一次 fsync，这是最安全的配置，即使宕机也不会丢失事务，这是默认值； -- 当设置为 2 时，则在事务提交时只做write操作，只保证写到系统的 page cache，因此实例 crash 不会丢失事务，但宕机则可能丢失事务； +- 当设置为 2 时，则在事务提交时只做 write 操作，只保证写到系统的 page cache，因此实例 crash 不会丢失事务，但宕机则可能丢失事务； -- 当设置为 0 时，事务提交不会触发 redo 写操作，而是留给后台线程每秒一次的刷盘操作，因此实例crash将最多丢失1秒钟内的事务 +- 当设置为 0 时，事务提交不会触发 redo 写操作，而是留给后台线程每秒一次的刷盘操作，因此实例 crash 最多丢失 1 秒钟内的事务 - ![](/Users/starfish/oceanus/picBed/mysql/redolog-flush.png) + ![](https://img.starfish.ink/mysql/redolog-flush.png) + -#### 「LSN」 +#### 日志逻辑序列号（log sequence number，LSN） -刷盘时机、刷盘策略看着好像 挺合适，如果刷盘还没结束，服务器 GG（宕机）了呢？ 知道你不慌，redo 可以用来保证持久性嘛~ +刷盘时机、刷盘策略看着好像挺合适，如果刷盘还没结束，服务器 GG（宕机）了呢？ 知道你不慌，redo 可以用来保证持久性嘛~ 重启服务后，我们肯定需要通过 redo 重放来恢复数据，但是从哪开始恢复呢？ @@ -234,23 +291,44 @@ redo 文件结构大致是下图这样： 在 InnoDB 的日志系统中，LSN 无处不在，它既用于表示修改脏页时的日志序号，也用于记录 checkpoint，通过 LSN，可以具体的定位到其在 redo log 文件中的位置。 -> 那如何由一个给定 LSN 的日志，在日志文件中找到它存储的位置的偏移量并能正确的读出来呢。所有的日志文件要属于日志组，而在 log_group_t 里的 lsn 和 lsn_offset字段已经记录了某个日志 lsn 和其存放在文件内的偏移量之间的对应关系。我们可以利用存储在 group 内的 lsn 和给定 lsn 之间的相对位置，来计算出给定 lsn 在文件中的存储位置。(具体怎么算我们先不讨论) +> 那如何由一个给定 LSN 的日志，在日志文件中找到它存储的位置的偏移量并能正确的读出来呢。所有的日志文件要属于日志组，而在 log_group_t 里的 lsn 和 lsn_offset 字段已经记录了某个日志 lsn 和其存放在文件内的偏移量之间的对应关系。我们可以利用存储在 group 内的 lsn 和给定 lsn 之间的相对位置，来计算出给定 lsn 在文件中的存储位置。(具体怎么算我们先不讨论) -越新的日志 LSN 越大。InnoDB 用检查点（ checkpoint_lsn ）指示未被刷盘的数据从这里开始，用 lsn 指示下一个应该被写入日志的位置。不过由于有 redo log buffer 的缘故，实际被写入磁盘的位置往往比 lsn 要小。 +LSN 是单调递增的，用来对应 redo log 的一个个写入点。每次写入长度为 length 的 redo log， LSN 的值就会加上 length。越新的日志 LSN 越大。 -redo log采用逻辑环形结构来复用空间（循环写入），这种环形结构一般需要几个指针去配合使用 +InnoDB 用检查点（ checkpoint_lsn ）指示未被刷盘的数据从这里开始，用 lsn 指示下一个应该被写入日志的位置。不过由于有 redo log buffer 的缘故，实际被写入磁盘的位置往往比 lsn 要小。 -![](/Users/starfish/oceanus/picBed/mysql/redolog-lsn.png) +redo log 采用逻辑环形结构来复用空间（循环写入），这种环形结构一般需要几个指针去配合使用 +![](https://img.starfish.ink/mysql/redolog-lsn.png) -如果 lsn 追上了 checkpoint，就意味着 **redo log 文件满了，这时 MySQL 不能再执行新的更新操作，也就是说 MySQL 会被阻塞**（*因此所以针对并发量大的系统，适当设置 redo log 的文件大小非常重要*），此时**会停下来将 Buffer Pool 中的脏页刷新到磁盘中，然后标记 redo log 哪些记录可以被擦除，接着对旧的 redo log 记录进行擦除，等擦除完旧记录腾出了空间，checkpoint 就会往后移动（图中顺时针）**，然后 MySQL 恢复正常运行，继续执行新的更新操作。 +如果 lsn 追上了 checkpoint，就意味着 **redo log 文件满了，这时 MySQL 不能再执行新的更新操作，也就是说 MySQL 会被阻塞**（*所以针对并发量大的系统，适当设置 redo log 的文件大小非常重要*），此时**会停下来将 Buffer Pool 中的脏页刷新到磁盘中，然后标记 redo log 哪些记录可以被擦除，接着对旧的 redo log 记录进行擦除，等擦除完旧记录腾出了空间，checkpoint 就会往后移动（图中顺时针）**，然后 MySQL 恢复正常运行，继续执行新的更新操作。 +> #### 组提交（group commit） +> +> redo log 的刷盘操作将会是最终影响 MySQL TPS 的瓶颈所在。为了缓解这一问题，MySQL 使用了组提交，将多个刷盘操作合并成一个，如果说 10 个事务依次排队刷盘的时间成本是 10，那么将这 10 个事务一次性一起刷盘的时间成本则近似于 1。 +> +> 当开启 binlog 时（下边还会介绍） +> +> 为了保证 redo log 和 binlog 的数据一致性，MySQL 使用了二阶段提交，由 binlog 作为事务的协调者。而引入二阶段提交使得binlog 又成为了性能瓶颈，先前的 Redo log 组提交也成了摆设。为了再次缓解这一问题，MySQL 增加了 binlog 的组提交，目的同样是将 binlog 的多个刷盘操作合并成一个，结合 redo log 本身已经实现的组提交，分为三个阶段(Flush 阶段、Sync 阶段、Commit 阶段)完成 binlog 组提交，最大化每次刷盘的收益，弱化磁盘瓶颈，提高性能。 +> +> 通常我们说 MySQL 的“双 1”配置，指的就是 sync_binlog 和 innodb_flush_log_at_trx_commit 都设置成 1。也就是说，一个事务完整提交前，需要等待两次刷盘，一次是 redo log（prepare 阶段），一次是 binlog。 +> +> 这时候，你可能有一个疑问，这意味着我从 MySQL 看到的 TPS 是每秒两万的话，每秒就会写四万次磁盘。但是，我用工具测试出来，磁盘能力也就两万左右，怎么能实现两万的 TPS？ +> +> 解释这个问题，就要用到组提交（group commit）机制了。假设有三个并发事务 (trx1, trx2, trx3) 在 prepare 阶段，都写完 redo log buffer，持久化到磁盘的过程，对应的 LSN 分别是 50、120 和 160。 +> +> 1. trx1 是第一个到达的，会被选为这组的 leader； +> 2. 等 trx1 要开始写盘的时候，这个组里面已经有了三个事务，这时候 LSN 也变成了 160； +> 3. trx1 去写盘的时候，带的就是 LSN=160，因此等 trx1 返回时，所有 LSN 小于等于 160 的 redo log，都已经被持久化到磁盘； +> 4. 这时候 trx2 和 trx3 就可以直接返回了。 +> +> 所以，一次组提交里面，组员越多，节约磁盘 IOPS 的效果越好。 #### Checkpoint -CheckPiont的意思是检查点，用于推进Redo Log的失效。当触发Checkpoint后，会去看Flush List中最早的那个节点old_lsn是多少，也就是说当前Flush List还剩的最早被修改的数据页的redo log lsn是多少，并且将这个lsn记录到Checkpoint中，因为在这之前被修改的数据页都已经刷新到磁盘了，对应的redo log也就无效了，所以说之后在这个old_lsn之后的redo log才是有用的。这就解释了之前说的redo log文件组如何覆盖无效日志。 +CheckPoint 的意思是检查点，用于推进 Redo Log 的失效。当触发 Checkpoint 后，会去看 Flush List 中最早的那个节点 old_lsn 是多少，也就是说当前 Flush List 还剩的最早被修改的数据页的 redo log lsn 是多少，并且将这个 lsn 记录到 Checkpoint 中，因为在这之前被修改的数据页都已经刷新到磁盘了，对应的 redo log 也就无效了，所以说之后在这个 old_lsn 之后的 redo log 才是有用的。这就解释了之前说的 redo log 文件组如何覆盖无效日志。 @@ -258,13 +336,13 @@ CheckPiont的意思是检查点，用于推进Redo Log的失效。当触发Check 我们小结下 redo log 的过程 -![](/Users/starfish/oceanus/picBed/mysql/redolog-write.png) +![](https://img.starfish.ink/mysql/redolog-write.png) 以更新事务为例 1. 将原始数据读入内存，修改数据的内存副本。 -2. 先将内存中Buffer pool 的脏页写入到 Redo log buffer 当中**记录数据的变化**。然后再将 redo log buffer 当中记录数据变化的日志通过**顺序IO**刷新到磁盘的 redo log file 当中 +2. 先将内存中 Buffer pool 的脏页写入到 Redo log buffer 当中**记录数据的变化**。然后再将 redo log buffer 当中记录数据变化的日志通过 **顺序IO** 刷新到磁盘的 redo log file 当中 > 在缓冲池中有一条 Flush 链表用来维护被修改的数据页面，也就是脏页所组成的链表。 @@ -276,10 +354,17 @@ CheckPiont的意思是检查点，用于推进Redo Log的失效。当触发Check 6. 随后正常将内存中的脏页刷回磁盘。 - +### 2.4 redo 小结 有了 redo log，InnoDB 就可以保证即使数据库发生异常重启，之前提交的记录都不会丢失，这个能力称为 **crash-safe**。 +所以有了 redo log，再通过 WAL 技术，InnoDB 就可以保证即使数据库发生异常重启，之前已提交的记录都不会丢失，这个能力称为 **crash-safe**（崩溃恢复）。可以看出来， **redo log 保证了事务四大特性中的持久性**。 + +redo log 作用： + +- **实现事务的持久性，让 MySQL 有 crash-safe 的能力**，能够保证 MySQL 在任何时间段突然崩溃，重启后之前已提交的记录都不会丢失； +- **将写操作从「随机写」变成了「顺序写」**，提升 MySQL 写入磁盘的性能。 + ## 三、回滚日志(undo log) @@ -288,29 +373,29 @@ CheckPiont的意思是检查点，用于推进Redo Log的失效。当触发Check 当事务执行的时候，回滚日志中记录了事务中每次数据更新前的状态。当事务需要回滚的时候，可以通过读取回滚日志，恢复到指定的位置。另一方面，回滚日志也可以让其他的事务读取到这个事务对数据更改之前的值，从而确保了其他事务可以不受这个事务修改数据的影响。 -> Undo Log 是 InnoDB 十分重要的组成部分，它的作用横贯 InnoDB 中两个最主要的部分，并发控制（Concurrency Control）和故障恢复（Crash Recovery）。 +> undo Log 是 InnoDB 十分重要的组成部分，它的作用横贯 InnoDB 中两个最主要的部分，并发控制（Concurrency Control）和故障恢复（Crash Recovery）。 > -> - Undo Log用来记录每次修改之前的历史值，配合Redo Log用于故障恢复 +> - Undo Log 用来记录每次修改之前的历史值，配合 Redo Log 用于故障恢复 #### 3.1 为什么需要 undo log ##### 事务回滚 -由于如硬件故障，软件Bug，运维操作等原因的存在，数据库在任何时刻都有突然崩溃的可能。 +由于如硬件故障，软件 Bug，运维操作等原因的存在，数据库在任何时刻都有突然崩溃的可能。 -这个时候没有完成提交的事务可能已经有部分数据写入了磁盘，如果不加处理，会违反数据库对原子性的保证。 +这个时候没有完成提交的事务可能已经有部分数据写入了磁盘，如果不加处理，会违反数据库对**原子性**的保证。 针对这个问题，直观的想法是等到事务真正提交时，才能允许这个事务的任何修改落盘，也就是 No-Steal 策略。显而易见，这种做法一方面造成很大的内存空间压力，另一方面提交时的大量随机 IO 会极大的影响性能。因此，数据库实现中通常会在正常事务进行中，就不断的连续写入 Undo Log，来记录本次修改之前的历史值。当 Crash 真正发生时，可以在 Recovery 过程中通过回放 Undo Log 将未提交事务的修改抹掉。InnoDB 采用的就是这种方式。 ##### MVCC（Multi-Versioin Concurrency Control） -用于MVCC（实现非锁定读），读取一行记录时，若已被其他事务占据，则通过undo读取之前的版本 +用于 MVCC（实现非锁定读），读取一行记录时，若已被其他事务占据，则通过 undo 读取之前的版本。 为了避免只读事务与写事务之间的冲突，避免写操作等待读操作，几乎所有的主流数据库都采用了多版本并发控制（MVCC）的方式，也就是为每条记录保存多份历史数据供读事务访问，新的写入只需要添加新的版本即可，无需等待。 -InnoDB在这里复用了Undo Log中已经记录的历史版本数据来满足 MVCC 的需求。 +InnoDB 在这里复用了 Undo Log 中已经记录的历史版本数据来满足 MVCC 的需求。 -InnoDB 中其实是把 Undo 当做一种数据来维护和使用的，也就是说，Undo Log日志本身也像其他的数据库数据一样，会写自己对应的Redo Log，通过 Redo Log 来保证自己的原子性。因此，更合适的称呼应该是 **Undo Data**。 +InnoDB 中其实是把 Undo 当做一种数据来维护和使用的，也就是说，Undo Log 日志本身也像其他的数据库数据一样，会写自己对应的Redo Log，通过 Redo Log 来保证自己的原子性。因此，更合适的称呼应该是 **Undo Data**。 @@ -318,13 +403,6 @@ InnoDB 中其实是把 Undo 当做一种数据来维护和使用的，也就是 > > 执行一条语句是否自动提交事务，是由 `autocommit` 参数决定的，默认是开启。所以，执行一条 update 语句也是会使用事务的。 > -> 那么，考虑一个问题。一个事务在执行过程中，在还没有提交事务之前，如果MySQL 发生了崩溃，要怎么回滚到事务之前的数据呢？ -> -> 如果我们每次在事务执行过程中，都记录下回滚时需要的信息到一个日志里，那么在事务执行中途发生了 MySQL 崩溃后，就不用担心无法回滚到事务之前的数据，我们可以通过这个日志回滚到事务之前的数据。 -> -> 实现这一机制就是 **undo log（回滚日志），它保证了事务的 [ACID 特性 (opens new window)](https://xiaolincoding.com/mysql/transaction/mvcc.html#事务有哪些特性)中的原子性（Atomicity）**。 -> -> undo log 是一种用于撤销回退的日志。在事务没提交之前，MySQL 会先记录更新前的数据到 undo log 日志文件里面，当事务回滚时，可以利用 undo log 来进行回滚。 @@ -334,9 +412,8 @@ InnoDB 中其实是把 Undo 当做一种数据来维护和使用的，也就是 > > Undo Log 需要的是事务之间的并发，以及方便的多版本数据维护，其重放逻辑不希望因 DB 的物理存储变化而变化。因此，InnoDB 中的 Undo Log 采用了基于事务的 **Logical Logging** 的方式。 > -> InnoDB中其实是把Undo当做一种数据来维护和使用的，也就是说，Undo Log日志本身也像其他的数据库数据一样，会写自己对应的Redo Log，通过Redo Log来保证自己的原子性。因此，更合适的称呼应该是**Undo Data**。 -![](/Users/starfish/oceanus/picBed/mysql/innodb-architecture-undo.png) +![](https://img.starfish.ink/mysql/innodb-architecture-undo.png) > 各个版本的 MySQL，undo tablespaces 存储有一些差距，我们以 8.0 版本说明 @@ -346,19 +423,19 @@ InnoDB 中其实是把 Undo 当做一种数据来维护和使用的，也就是 - **insert undo log，是在 insert 操作中产生的。** - insert操作的记录只对事务本身可见，对于其它事务此记录是不可见的，所以 insert undo log 可以在事务提交后直接删除而不需要进行purge操作。 + insert 操作的记录只对事务本身可见，对于其它事务此记录是不可见的，所以 insert undo log 可以在事务提交后直接删除而不需要进行purge操作。 - Insert Undo Record仅仅是为了可能的事务回滚准备的，并不在MVCC功能中承担作用。 + Insert Undo Record 仅仅是为了可能的事务回滚准备的，并不在 MVCC 功能中承担作用。 - ![](/Users/starfish/oceanus/picBed/mysql/insert-undo-log.png) + ![](https://img.starfish.ink/mysql/insert-undo-log.png) 存在一组长度不定的 Key Fields，因为对应表的主键可能由多个 field 组成，这里需要记录 Record 完整的主键信息，回滚的时候可以通过这个信息在索引中定位到对应的 Record。 - **update undo log 是 update 或 delete 操作中产生。** - 由于MVCC需要保留Record的多个历史版本，当某个Record的历史版本还在被使用时，这个Record是不能被真正的删除的。 + 由于 MVCC 需要保留 Record 的多个历史版本，当某个 Record 的历史版本还在被使用时，这个 Record 是不能被真正的删除的。 - 因此，当需要删除时，其实只是修改对应Record的Delete Mark标记。对应的，如果这时这个Record又重新插入，其实也只是修改一下Delete Mark标记，也就是将这两种情况的delete和insert转变成了update操作。再加上常规的Record修改，因此这里的Update Undo Record会对应三种Type： + 因此，当需要删除时，其实只是修改对应 Record 的Delete Mark标记。对应的，如果这时这个Record又重新插入，其实也只是修改一下Delete Mark标记，也就是将这两种情况的delete和insert转变成了update操作。再加上常规的Record修改，因此这里的Update Undo Record会对应三种Type： - TRX_UNDO_UPD_EXIST_REC - TRX_UNDO_DEL_MARK_REC @@ -366,9 +443,9 @@ InnoDB 中其实是把 Undo 当做一种数据来维护和使用的，也就是 他们的存储内容也类似，我们看下 TRX_UNDO_UPD_EXIST_REC - ![](/Users/starfish/oceanus/picBed/mysql/update-undo-log.png) + ![](https://img.starfish.ink/mysql/update-undo-log.png) - 除了跟 Insert Undo Record 相同的头尾信息，以及主键 Key Fileds之外，Update Undo Record 增加了： + 除了跟 Insert Undo Record 相同的头尾信息，以及主键 Key Fileds 之外，Update Undo Record 增加了： - Transaction Id记录了产生这个历史版本事务Id，用作后续MVCC中的版本可见性判断 - Rollptr指向的是该记录的上一个版本的位置，包括space number，page number和page内的offset。沿着Rollptr可以找到一个Record的所有历史版本。 @@ -384,15 +461,15 @@ InnoDB 中其实是把 Undo 当做一种数据来维护和使用的，也就是 每当 InnoDB 中需要修改某个 Record 时，都会将其历史版本写入一个 Undo Log 中，对应的 Undo Record 是 Update 类型。 -当插入新的Record 时，还没有一个历史版本，但为了方便事务回滚时做逆向（Delete）操作，这里还是会写入一个Insert类型的 Undo Record。 +当插入新的 Record 时，还没有一个历史版本，但为了方便事务回滚时做逆向（Delete）操作，这里还是会写入一个 Insert 类型的 Undo Record。 #### 「组织方式」 -每一次的修改都会产生至少一个Undo Record，那么大量 Undo Record 如何组织起来，来支持高效的访问和管理呢？ +每一次的修改都会产生至少一个 Undo Record，那么大量 Undo Record 如何组织起来，来支持高效的访问和管理呢？ -每个事务其实会修改一组的 Record，对应的也就会产生一组Undo Record，这些Undo Record收尾相连就组成了这个事务的**Undo Log**。除了一个个的 Undo Record 之外，还在开头增加了一个Undo Log Header来记录一些必要的控制信息，因此，一个Undo Log的结构如下所示： +每个事务其实会修改一组的 Record，对应的也就会产生一组 Undo Record，这些 Undo Record 首尾相连就组成了这个事务的**Undo Log**。除了一个个的 Undo Record 之外，还在开头增加了一个Undo Log Header 来记录一些必要的控制信息，因此，一个 Undo Log 的结构如下所示： -![](/Users/starfish/oceanus/picBed/mysql/undo-log-header.png) +![](https://img.starfish.ink/mysql/undo-log-header.png) - Trx Id：事务Id - Trx No：事务的提交顺序，也会用这个来判断是否能Purge @@ -404,15 +481,17 @@ InnoDB 中其实是把 Undo 当做一种数据来维护和使用的，也就是 - Prev Undo Log：标记前边的Undo Log - History List Node： -![Iva](/Users/starfish/oceanus/picBed/mysql/undo-log-logicial.png) +索引中的同一个 Record 被不同事务修改，会产生不同的历史版本，这些历史版本又通过 **Rollptr** 串成一个链表，供 MVCC 使用。如下图所示： +![](https://img.starfish.ink/mysql/undo-log-logicial.png) +> 示例中有三个事务操作了表 t 上，主键 id 是 1 的记录，首先事务 X 插入了一条记录，事务 Y、Z 去修改了这条记录。X，Y，Z 三个事务分别有自己的逻辑上连续的三条 Undo Log，每条 Undo Log 有自己的 Undo Log Header。从索引中的这条 Record 沿着 Rollptr 可以依次找到这三个事务 Undo Log 中关于这条记录的历史版本。同时可以看出，Insert 类型 Undo Record 中只记录了对应的主键值：id=1，而 Update 类型的 Undo Record 中还记录了对应的历史版本的生成事务 Trx_id，以及被修改的 name 的历史值。 - undo是逻辑日志，只是将数据库**逻辑的**恢复到执行语句或事务之前。 +undo 是逻辑日志，只是将数据库**逻辑的**恢复到执行语句或事务之前。 -我们知道 InnoDB 中默认以 块 为单位存储，一个块默认是16KB。那么如何用固定的块大小承载不定长的Undo Log，以实现高效的空间分配、复用，避免空间浪费。InnoDB的**基本思路**是让多个较小的Undo Log紧凑存在一个Undo Page中，而对较大的Undo Log则随着不断的写入，按需分配足够多的Undo Page分散承载 +我们知道 InnoDB 中默认以 块 为单位存储，一个块默认是 16KB。那么如何用固定的块大小承载不定长的 Undo Log，以实现高效的空间分配、复用，避免空间浪费。InnoDB 的**基本思路**是让多个较小的 Undo Log 紧凑存在一个 Undo Page 中，而对较大的 Undo Log 则随着不断的写入，按需分配足够多的 Undo Page 分散承载 -![](/Users/starfish/oceanus/picBed/mysql/undo-log-physical.png) +![](https://img.starfish.ink/mysql/undo-log-physical.png) Undo 的物理组织格式是—— Undo Segment，它会持有至少一个 Undo Page。 @@ -426,72 +505,228 @@ Undo 的文件组织格式是——Undo Tablespace，每个 Undo Tablespace 最 #### 3.3 MVCC 是如何实现的 -多版本的目的是为了避免写事务和读事务的互相等待，那么每个读事务都需要在不对Record加Lock的情况下， 找到对应的应该看到的历史版本。所谓历史版本就是假设在该只读事务开始的时候对整个DB打一个快照，之后该事务的所有读请求都从这个快照上获取。当然实现上不能真正去为每个事务打一个快照，这个时间空间都太高了。InnoDB的做法，是在读事务第一次读取的时候获取一份ReadView，并一直持有，其中记录所有当前活跃的写事务ID，由于写事务的ID是自增分配的，通过这个ReadView我们可以知道在这一瞬间，哪些事务已经提交哪些还在运行，根据Read Committed的要求，未提交的事务的修改就是不应该被看见的，对应地，已经提交的事务的修改应该被看到。 +多版本的目的是为了避免写事务和读事务的互相等待，那么每个读事务都需要在不对 Record 加 Lock 的情况下， 找到对应的应该看到的历史版本。所谓历史版本就是假设在该只读事务开始的时候对整个 DB 打一个快照，之后该事务的所有读请求都从这个快照上获取。当然实现上不能真正去为每个事务打一个快照，这个时间空间成本都太高了。 -作为存储历史版本的Undo Record，其中记录的trx_id就是做这个可见性判断的，对应的主索引的Record上也有这个值。当一个读事务拿着自己的ReadView访问某个表索引上的记录时，会通过比较Record上的trx_id确定是否是可见的版本，如果不可见就沿着Record或Undo Record中记录的rollptr一路找更老的历史版本。如下图所示，事务R开始需要查询表t上的id为1的记录，R开始时事务I已经提交，事务J还在运行，事务K还没开始，这些信息都被记录在了事务R的ReadView中。事务R从索引中找到对应的这条Record[1, C]，对应的trx_id是K，不可见。沿着Rollptr找到Undo中的前一版本[1, B]，对应的trx_id是J，不可见。继续沿着Rollptr找到[1, A]，trx_id是I可见，返回结果。 +> MVCC 的实现还有一个概念：快照读，快照信息就记录在 undo 中 +> +> 所谓快照读，就是读取的是快照数据，即快照生成的那一刻的数据，像我们常用的**普通的SELECT语句在不加锁情况下就是快照读**。如： +> +> ```mysql +> SELECT * FROM t WHERE ... +> ``` +> +> 和快照读相对应的另外一个概念叫做当前读，当前读就是读取最新数据，所以，**加锁的 SELECT，或者对数据进行增删改都会进行当前读**，比如： +> +> ```mysql +> SELECT * FROM t LOCK IN SHARE MODE; +> +> SELECT * FROM t FOR UPDATE; +> +> INSERT INTO t ... +> +> DELETE FROM t ... +> +> UPDATE t ... +> ``` -![undo_mvcc](http://catkang.github.io/assets/img/innodb_undo/undo_mvcc.png) +InnoDB **通过 ReadView + undo log 实现 MVCC** -前面提到过，作为Logical Log，Undo中记录的其实是前后两个版本的diff信息，而读操作最终是要获得完整的Record内容的，也就是说这个沿着rollptr指针一路查找的过程中需要用Undo Record中的diff内容依次构造出对应的历史版本，这个过程在函数**row_search_mvcc**中，其中**trx_undo_prev_version_build**会根据当前的rollptr找到对应的Undo Record位置，这里如果是rollptr指向的是insert类型，或者找到了已经Purge了的位置，说明到头了，会直接返回失败。否则，就会解析对应的Undo Record，恢复出trx_id、指向下一条Undo Record的rollptr、主键信息，diff信息update vector等信息。之后通过**row_upd_rec_in_place**，用update vector修改当前持有的Record拷贝中的信息，获得Record的这个历史版本。之后调用自己ReadView的**changes_visible**判断可见性，如果可见则返回用户。完成这个历史版本的读取。 +对于「读提交」和「可重复读」隔离级别的事务来说，它们的快照读（普通 select 语句）是通过 Read View + undo log 来实现的，它们的区别在于创建 Read View 的时机不同： +- 「读提交」隔离级别是在每个 select 都会生成一个新的 Read View，也意味着，事务期间的多次读取同一条数据，前后两次读的数据可能会出现不一致，因为可能这期间另外一个事务修改了该记录，并提交了事务。 +- 「可重复读」隔离级别是启动事务时生成一个 Read View，然后整个事务期间都在用这个 Read View，这样就保证了在事务期间读到的数据都是事务启动前的记录。 +这两个隔离级别实现是通过「事务的 Read View 里的字段」和「记录中的两个隐藏列（trx_id 和 roll_pointer）」的比对，如果不满足可见性，就会顺着 undo log 版本链里找到满足其可见性的记录，从而控制并发事务访问同一个记录时的行为，这就叫 MVCC（多版本并发控制）。 -#### 3.4 Undo Log 清理 +InnoDB 的做法，是在读事务第一次读取的时候获取一份 ReadView，并一直持有，其中记录所有当前活跃的写事务 ID，由于写事务的 ID 是自增分配的，通过这个 ReadView 我们可以知道在这一瞬间，哪些事务已经提交哪些还在运行，根据 Read Committed 的要求，未提交的事务的修改就是不应该被看见的，对应地，已经提交的事务的修改应该被看到。 -我们已经知道，InnoDB在Undo Log中保存了多份历史版本来实现MVCC，当某个历史版本已经确认不会被任何现有的和未来的事务看到的时候，就应该被清理掉。 +> **Read View 主要来帮我们解决可见性的问题的**, 即他会来告诉我们本次事务应该看到哪个快照，不应该看到哪个快照。 +> +> 在 Read View 中有几个重要的属性： +> +> - trx_ids，系统当前未提交的事务 ID 的列表。 +> - low_limit_id，未提交的事务中最大的事务 ID。 +> - up_limit_id，未提交的事务中最小的事务 ID。 +> - creator_trx_id，创建这个 Read View 的事务 ID。 +> +> 每开启一个事务，我们都会从数据库中获得一个事务 ID，这个事务 ID 是自增长的，通过 ID 大小，我们就可以判断事务的时间顺序。 + +作为存储历史版本的 Undo Record，其中记录的 trx_id 就是做这个可见性判断的，对应的主索引的 Record 上也有这个值。当一个读事务拿着自己的 ReadView 访问某个表索引上的记录时，会通过比较 Record 上的 trx_id 确定是否是可见的版本，如果不可见就沿着 Record 或 Undo Record 中记录的 rollptr 一路找更老的历史版本。 + +具体的事务 id，指向 undo log 的指针 rollptr，这些信息是放在哪里呢，这就是我们常说的 InnoDB 隐藏字段了 > #### InnoDB存储引擎的行结构 > -> InnoDB表数据的组织方式为主键聚簇索引，二级索引中采用的是(索引键值, 主键键值)的组合来唯一确定一条记录。 -> InnoDB表数据为主键聚簇索引,mysql默认为每个索引行添加了4个隐藏的字段,分别是： +> InnoDB 表数据的组织方式为主键聚簇索引，二级索引中采用的是(索引键值, 主键键值)的组合来唯一确定一条记录。 +> InnoDB表数据为主键聚簇索引,mysql默认为每个索引行添加了4个隐藏的字段,分别是： > > - DB_ROW_ID：InnoDB引擎中一个表只能有一个主键,用于聚簇索引,如果表没有定义主键会选择第一个非Null 的唯一索引作为主键,如果还没有,生成一个隐藏的DB_ROW_ID作为主键构造聚簇索引。 > - DB_TRX_ID：最近更改该行数据的事务ID。 -> - DB_ROLL_PTR：undo log的指针,用于记录之前历史数据在undo log中的位置。 -> - DELETE BIT：索引删除标志,如果DB删除了一条数据,是优先通知索引将该标志位设置为1,然后通过(purge)清除线程去异步删除真实的数据。 +> - DB_ROLL_PTR：回滚指针，指向这条记录的上一个版本，其实他指向的就是 Undo Log 中的上一个版本的快照的地址 +> - DELETE BIT：索引删除标志，如果DB删除了一条数据,是优先通知索引将该标志位设置为1,然后通过(purge)清除线程去异步删除真实的数据。 +> + +如下图所示，事务 R 需要查询表 t 上的 id 为 1 的记录，R 开始时事务 X 已经提交，事务 Y 还在运行，事务 Z 还没开始，这些信息都被记录在了事务 R 的 ReadView 中。事务 R 从索引中找到对应的这条 Record[1, stafish]，对应的 trx_id 是 Z，不可见。沿着 Rollptr 找到Undo 中的前一版本[1, fish]，对应的 trx_id 是 Y，不可见。继续沿着 Rollptr 找到[1, star]，trx_id是 X 可见，返回结果。 + +![](https://img.starfish.ink/mysql/undo-log-mvcc.png) + +前面提到过，作为 Logical Log，Undo 中记录的其实是前后两个版本的 diff 信息，而读操作最终是要获得完整的 Record 内容的，也就是说这个沿着 rollptr 指针一路查找的过程中需要用 Undo Record 中的 diff 内容依次构造出对应的历史版本，这个过程在函数 **row_search_mvcc **中，其中 **trx_undo_prev_version_build** 会根据当前的 rollptr 找到对应的 Undo Record 位置，这里如果是 rollptr指向的是 insert 类型，或者找到了已经 Purge 了的位置，说明到头了，会直接返回失败。否则，就会解析对应的 Undo Record，恢复出trx_id、指向下一条 Undo Record 的 rollptr、主键信息，diff 信息 update vector 等信息。之后通过 **row_upd_rec_in_place**，用update vector 修改当前持有的 Record 拷贝中的信息，获得 Record 的这个历史版本。之后调用自己 ReadView 的 **changes_visible** 判断可见性，如果可见则返回用户。完成这个历史版本的读取。 + + + +#### 3.4 Undo Log 清理 + +我们已经知道，InnoDB 在 Undo Log 中保存了多份历史版本来实现 MVCC，当某个历史版本已经确认不会被任何现有的和未来的事务看到的时候，就应该被清理掉。 + +InnoDB中每个写事务结束时都会拿一个递增的编号**trx_no**作为事务的提交序号，而每个读事务会在自己的ReadView中记录自己开始的时候看到的最大的trx_no为**m_low_limit_no**。那么，如果一个事务的trx_no小于当前所有活跃的读事务Readview中的这个**m_low_limit_no**，说明这个事务在所有的读开始之前已经提交了，其修改的新版本是可见的， 因此不再需要通过undo构建之前的版本，这个事务的Undo Log也就可以被清理了。 + + + +> redo log 和 undo log 区别在哪？ > -> ![img](https://upload-images.jianshu.io/upload_images/12645744-9382a13a0e4bc3a5.png?imageMogr2/auto-orient/strip|imageView2/2/w/700/format/webp) +> - redo log 记录了此次事务「**完成后**」的数据状态，记录的是更新**之后**的值； +> - undo log 记录了此次事务「**开始前**」的数据状态，记录的是更新**之前**的值； ## 四、二进制日志(binlog) -二进制日志，也被叫做归档日志，是 Server 层生成的日志，主要**用于数据备份和主从复制** +前面我们讲过，MySQL 整体来看，其实就有两块：一块是 Server 层，它主要做的是 MySQL 功能层面的事情；还有一块是引擎层，负责存储相关的具体事宜。上面我们聊到的 redo log 和 undo log 是 InnoDB 引擎特有的日志，而 Server 层也有自己的日志，称为 binlog（二进制日志）。 + +二进制日志，也被叫做「归档日志」，主要**用于数据备份和主从复制** -- **主从复制**：在`Master`端开启`binlog`，然后将`binlog`发送到各个`Slave`端，`Slave`端重放`binlog`从而达到主从数据一致。 +- **主从复制**：在 `Master` 端开启 `binlog`，然后将 `binlog` 发送到各个 `Slave` 端，`Slave` 端重放 `binlog` 从而达到主从数据一致 - **数据恢复**：可以用 `mysqldump` 做数据备份，binlog 格式是二进制日志，可以使用 `mysqlbinlog` 工具解析，实现数据恢复 二进制日志主要记录数据库的更新事件，比如创建数据表、更新表中的数据、数据更新所花费的时长等信息。通过这些信息，我们可以再现数据更新操作的全过程。而且，由于日志的延续性和时效性，我们还可以利用日志，完成无损失的数据恢复和主从服务器之间的数据同步。 -这就是我们最常说的 binlog -前面我们讲过，MySQL 整体来看，其实就有两块：一块是 Server 层，它主要做的是 MySQL 功能层面的事情；还有一块是引擎层，负责存储相关的具体事宜。上面我们聊到的粉板 redo log 是 InnoDB 引擎特有的日志，而 Server 层也有自己的日志，称为 binlog（二进制日志）。 -我想你肯定会问，为什么会有两份日志呢？ +### 4.1 binlog VS redolog + +是不会有点疑惑，binlog 和 redo log 是不是有点重复？这个问题跟 MySQL 的时间线有关系。 因为最开始 MySQL 里并没有 InnoDB 引擎。MySQL 自带的引擎是 MyISAM，但是 MyISAM 没有 crash-safe 的能力，binlog 日志只能用于归档。而 InnoDB 是另一个公司以插件形式引入 MySQL 的，既然只依靠 binlog 是没有 crash-safe 能力的，所以 InnoDB 使用另外一套日志系统——也就是 redo log 来实现 crash-safe 能力。 -这两种日志有以下三点不同。 +这两种日志有以下四点区别。 1. redo log 是 InnoDB 引擎特有的；binlog 是 MySQL 的 Server 层实现的，所有引擎都可以使用。 2. redo log 是物理日志，记录的是“在某个数据页上做了什么修改”；binlog 是逻辑日志，记录的是这个语句的原始逻辑，比如“给 ID=2 这一行的 c 字段加 1 ”。 3. redo log 是循环写的，空间固定会用完；binlog 是可以追加写入的。“追加写”是指 binlog 文件写到一定大小后会切换到下一个，并不会覆盖以前的日志。 +4. redo log 用于掉电等故障恢复。binlog 用于备份恢复、主从复制 + + + +### 4.2 查看 binlog + +查看二进制日志主要有 3 种情况，分别是查看当前正在写入的二进制日志、查看所有的二进制日志和查看二进制日志中的所有数据更新事件。 + +```mysql +mysql> show master status; ++---------------+----------+--------------+------------------+-------------------+ +| File | Position | Binlog_Do_DB | Binlog_Ignore_DB | Executed_Gtid_Set | ++---------------+----------+--------------+------------------+-------------------+ +| binlog.000002 | 27736 | | | | ++---------------+----------+--------------+------------------+-------------------+ +1 row in set (0.00 sec) +``` + +```mysql +mysql> show binary logs; ++---------------+-----------+-----------+ +| Log_name | File_size | Encrypted | ++---------------+-----------+-----------+ +| binlog.000001 | 638 | No | +| binlog.000002 | 27736 | No | ++---------------+-----------+-----------+ +2 rows in set (0.01 sec) +``` + +```mysql +mysql> show variables like '%binlog_format%'; ++---------------+-------+ +| Variable_name | Value | ++---------------+-------+ +| binlog_format | ROW | ++---------------+-------+ +1 row in set (0.00 sec) +``` + + + +### 4.3 Binary logging formats + +`binlog`日志有三种格式，分别为`STATMENT`、`ROW`和`MIXED`。 + +> 在 `MySQL 5.7.7`之前，默认的格式是`STATEMENT`，`MySQL 5.7.7`之后，默认值是 `ROW`。日志格式通过 `binlog-format` 指定。 -有了对这两个日志的概念性理解，我们再来看执行器和 InnoDB 引擎在执行这个简单的 update 语句时的内部流程。 +- `STATMENT` ：基于 SQL 语句的复制(`statement-based replication, SBR`)，每一条会修改数据的 sql 语句会记录到 binlog 中**。** + - 优点：不需要记录每一行的变化，减少了 binlog 日志量，节约了 IO, 从而提高了性能； + - 缺点：在某些情况下会导致主从数据不一致，比如执行`sysdate()`、`slepp()`等。 -1. 执行器先找引擎取 ID=2 这一行。ID 是主键，引擎直接用树搜索找到这一行。如果 ID=2 这一行所在的数据页本来就在内存中，就直接返回给执行器；否则，需要先从磁盘读入内存，然后再返回。 -2. 执行器拿到引擎给的行数据，把这个值加上 1，比如原来是 N，现在就是 N+1，得到新的一行数据，再调用引擎接口写入这行新数据。 +- `ROW` ：基于行的复制(`row-based replication, RBR`)，不记录每条sql语句的上下文信息，仅需记录哪条数据被修改了**。 ** + - 优点：不会出现某些特定情况下的存储过程、或function、或trigger的调用和触发无法被正确复制的问题**；** + - 缺点：会产生大量的日志，尤其是 `alter table` 的时候会让日志暴涨 + +- `MIXED` ：基于 STATMENT 和 ROW 两种模式的混合复制(`mixed-based replication, MBR`)，mixed 格式的意思是，MySQL 自己会判断这条 SQL 语句是否可能引起主备不一致，如果有可能，就用 row 格式，否则就用 statement 格式 + +> ``` +>SET GLOBAL binlog_format = 'STATEMENT'; +> SET GLOBAL binlog_format = 'ROW'; +> SET GLOBAL binlog_format = 'MIXED'; +> ``` +> + + + +### 4.4 binlog 的写入机制 + +binlog 的写入逻辑比较简单：事务执行过程中，先把日志写到 binlog cache，事务提交的时候，再把 binlog cache 写到 binlog 文件中。 + +一个事务的 binlog 是不能被拆开的，因此不论这个事务多大，也要确保一次性写入。这就涉及到了 binlog cache 的保存问题。 + +系统给 binlog cache 分配了一片内存，每个线程一个，参数 `binlog_cache_size` 用于控制单个线程内 binlog cache 所占内存的大小。如果超过了这个参数规定的大小，就要暂存到磁盘。 + +事务提交的时候，执行器把 binlog cache 里的完整事务写入到 binlog 中，并清空 binlog cache。 + +![](https://img.starfish.ink/mysql/binlog-cache.png) + + + +可以看到，每个线程有自己 binlog cache，但是共用同一份 binlog 文件。 + +- 图中的 write，指的就是指把日志写入到文件系统的 page cache，并没有把数据持久化到磁盘，所以速度比较快。 +- 图中的 fsync，才是将数据持久化到磁盘的操作。一般情况下，我们认为 fsync 才占磁盘的 IOPS。 + +write 和 fsync 的时机，是由参数 sync_binlog 控制的： + +1. sync_binlog=0 的时候，表示每次提交事务都只 write，不 fsync； +2. sync_binlog=1 的时候，表示每次提交事务都会执行 fsync； +3. sync_binlog=N(N>1) 的时候，表示每次提交事务都 write，但累积 N 个事务后才 fsync。 + +因此，在出现 IO 瓶颈的场景里，将 sync_binlog 设置成一个比较大的值，可以提升性能。在实际的业务场景中，考虑到丢失日志量的可控性，一般不建议将这个参数设成 0，比较常见的是将其设置为 100~1000 中的某个数值。 + +但是，将 sync_binlog 设置为 N，对应的风险是：如果主机发生异常重启，会丢失最近 N 个事务的 binlog 日志。 + + + +### 4.5 update 语句执行过程 + +比较重要的 undo、redo、binlog 都介绍完了，我们来看执行器和 InnoDB 引擎在执行一个简单的 update 语句时的内部流程。`update t set name='starfish' where id = 1;` + +1. 执行器先找引擎取 id=1 这一行。id 是主键，引擎直接用树搜索找到这一行。如果 id=1 这一行所在的数据页本来就在内存（buffer pool）中，就直接返回给执行器；否则，需要先从磁盘读入内存，然后再返回。 +2. 执行器拿到引擎给的行数据，更新行数据，再调用引擎接口写入这行新数据。 3. 引擎将这行新数据更新到内存中，同时将这个更新操作记录到 redo log 里面，此时 redo log 处于 prepare 状态。然后告知执行器执行完成了，随时可以提交事务。 4. 执行器生成这个操作的 binlog，并把 binlog 写入磁盘。 5. 执行器调用引擎的提交事务接口，引擎把刚刚写入的 redo log 改成提交（commit）状态，更新完成。 这里我给出这个 update 语句的执行流程图，图中浅色框表示是在 InnoDB 内部执行的，深色框表示是在执行器中执行的。 -![](https://static001.geekbang.org/resource/image/2e/be/2e5bff4910ec189fe1ee6e2ecc7b4bbe.png) +![](https://img.starfish.ink/mysql/update-flow.png) 你可能注意到了，最后三步看上去有点“绕”，将 redo log 的写入拆成了两个步骤：prepare 和 commit，这就是"两阶段提交"。 -### 两阶段提交 +### 4.6 两阶段提交 为什么必须有“两阶段提交”呢？这是为了让两份日志之间的逻辑一致。要说明这个问题，我们得从文章开头的那个问题说起：**怎样让数据库恢复到半个月内任意一秒的状态？** @@ -523,68 +758,51 @@ Undo 的文件组织格式是——Undo Tablespace，每个 Undo Tablespace 最 简单说，redo log 和 binlog 都可以用于表示事务的提交状态，而两阶段提交就是让这两个状态保持逻辑上的一致。 -![Redo log and binlog of MySQL log system](https://imgs.developpaper.com/imgs/1812744628-879390c57a1d2ec5_articlex.png) - +### 4.7 主从同步 +MySQL主从同步的作用主要有以下几点： +- 故障切换。 +- 提供一定程度上的备份服务。 +- 实现MySQL数据库的读写分离。 +MySQL 的主从复制依赖于 binlog ，也就是记录 MySQL 上的所有变化并以二进制形式保存在磁盘上。复制的过程就是将 binlog 中的数据从主库传输到从库上。 -### 查看 binlog +这个过程一般是**异步**的，也就是主库上执行事务操作的线程不会等待复制 binlog 的线程同步完成。 -查看二进制日志主要有 3 种情况，分别是查看当前正在写入的二进制日志、查看所有的二进制日志和查看二进制日志中的所有数据更新事件。 +![](https://img.starfish.ink/mysql/master-slave.png) -```mysql -mysql> show master status; -+---------------+----------+--------------+------------------+-------------------+ -| File | Position | Binlog_Do_DB | Binlog_Ignore_DB | Executed_Gtid_Set | -+---------------+----------+--------------+------------------+-------------------+ -| binlog.000002 | 27736 | | | | -+---------------+----------+--------------+------------------+-------------------+ -1 row in set (0.00 sec) -``` +具体详细过程如下： -```mysql -mysql> show binary logs; -+---------------+-----------+-----------+ -| Log_name | File_size | Encrypted | -+---------------+-----------+-----------+ -| binlog.000001 | 638 | No | -| binlog.000002 | 27736 | No | -+---------------+-----------+-----------+ -2 rows in set (0.01 sec) -``` +- MySQL 主库在收到客户端提交事务的请求之后，会先写入 binlog，再提交事务，更新存储引擎中的数据，事务提交完成后，返回给客户端“操作成功”的响应。 +- 从库会创建一个专门的 I/O 线程，连接主库的 log dump 线程，来接收主库的 binlog 日志，再把 binlog 信息写入 relay log 的中继日志里，再返回给主库“复制成功”的响应。 +- 从库会创建一个用于回放 binlog 的线程，去读 relay log 中继日志，然后回放 binlog 更新存储引擎中的数据，最终实现主从的数据一致性。 +在完成主从复制之后，你就可以在写数据时只写主库，在读数据时只读从库，这样即使写请求会锁表或者锁记录，也不会影响读请求的执行。 +> #### 中继日志(relay log) +> +> 中继日志只在主从服务器架构的从服务器上存在。从服务器为了与主服务器保持一致，要从主服务器读取二进制日志的内容，并且把读取到的信息写入本地的日志文件中，这个从服务器本地的日志文件就叫中继日志。然后，从服务器读取中继日志，并根据中继日志的内容对从服务器的数据进行更新，完成主从服务器的数据同步。 +> +> Relay log(中继日志)是在MySQL主从复制时产生的日志，在MySQL的主从复制主要涉及到三个线程: +> +> 1) Log dump线程：向从库的IO线程传输主库的Binlog日志 +> +> 2) IO线程：向主库请求Binlog日志，并将Binlog日志写入到本地的relay log中。 +> +> 3) SQL线程：读取Relay log日志，将其解析为SQL语句并逐一执行。 +> +> -### **Binary logging formats** - -`binlog`日志有三种格式，分别为`STATMENT`、`ROW`和`MIXED`。 - -> 在 `MySQL 5.7.7`之前，默认的格式是`STATEMENT`，`MySQL 5.7.7`之后，默认值是`ROW`。日志格式通过`binlog-format`指定。 - -- `STATMENT` **基于`SQL`语句的复制(`statement-based replication, SBR`)，每一条会修改数据的sql语句会记录到`binlog`中**。 优点：**不需要记录每一行的变化，减少了`binlog`日志量，节约了`IO`, 从而提高了性能**； 缺点：**在某些情况下会导致主从数据不一致，比如执行`sysdate()`、`slepp()`等**。 -- `ROW` **基于行的复制(`row-based replication, RBR`)，不记录每条sql语句的上下文信息，仅需记录哪条数据被修改了**。 优点：**不会出现某些特定情况下的存储过程、或function、或trigger的调用和触发无法被正确复制的问题**； 缺点：**会产生大量的日志，尤其是`alter table`的时候会让日志暴涨** -- `MIXED` **基于`STATMENT`和`ROW`两种模式的混合复制(`mixed-based replication, MBR`)，一般的复制使用`STATEMENT`模式保存`binlog`，对于`STATEMENT`模式无法复制的操作使用`ROW`模式保存`binlog`** - - - -MySQL database logs offer three formats for binary logging. - -- **Statement-based logging:** In this format, MySQL records the SQL statements that produce data changes. Statement-based logging is useful when many rows are affected by an event because it is more efficient to log a few statements than many rows. -- **Row-based logging:** In this format, changes to individual rows are recorded instead of the SQL statements. This is useful for queries that require a lot of execution time on the source but result in just a few rows being modified. -- **Mixed logging:** This is the recommended logging format. It uses statement-based logging by default but switches to row-based logging when required. - -The binary logging format can be changed using the code below. However, you should note that it is not recommended to do so at runtime or while replication is ongoing. +> MySQL 主从复制还有哪些模型？ -``` -SET GLOBAL binlog_format = 'STATEMENT'; -SET GLOBAL binlog_format = 'ROW'; -SET GLOBAL binlog_format = 'MIXED'; -``` +主要有三种： -Enabling binary logging on your MySQL instance will lower the performance slightly. However, the advantages discussed above generally outweigh this minor dip in performance. +- **同步复制**：MySQL 主库提交事务的线程要等待所有从库的复制成功响应，才返回客户端结果。这种方式在实际项目中，基本上没法用，原因有两个：一是性能很差，因为要复制到所有节点才返回响应；二是可用性也很差，主库和所有从库任何一个数据库出问题，都会影响业务。 +- **异步复制**（默认模型）：MySQL 主库提交事务的线程并不会等待 binlog 同步到各从库，就返回客户端结果。这种模式一旦主库宕机，数据就会发生丢失。 +- **半同步复制**：MySQL 5.7 版本之后增加的一种复制方式，介于两者之间，事务线程不用等待所有的从库复制成功响应，只要一部分复制成功响应回来就行，比如一主二从的集群，只要数据成功复制到任意一个从库上，主库的事务线程就可以返回给客户端。这种**半同步复制的方式，兼顾了异步复制和同步复制的优点，即使出现主库宕机，至少还有一个从库有最新的数据，不存在数据丢失的风险**。 @@ -657,80 +875,59 @@ mysql> show variables like '%row_limit%'; +## 小结 +感谢你读到这里，送你两道面试题吧 +### 说下 一条 MySQL 更新语句的执行流程是怎样的吧？ +```mysql +mysql> update t set name='starfish' where salary > 999999; +``` -## 七、中继日志(relay log) - -中继日志只在主从服务器架构的从服务器上存在。从服务器为了与主服务器保持一致，要从主服务器读取二进制日志的内容，并且把读取到的信息写入本地的日志文件中，这个从服务器本地的日志文件就叫中继日志。然后，从服务器读取中继日志，并根据中继日志的内容对从服务器的数据进行更新，完成主从服务器的数据同步。 - -Relay log(中继日志)是在MySQL主从复制时产生的日志，在MySQL的主从复制主要涉及到三个线程: - -\1) Log dump线程：向从库的IO线程传输主库的Binlog日志 - -\2) IO线程：向主库请求Binlog日志，并将Binlog日志写入到本地的relay log中。 - -\3) SQL线程：读取Relay log日志，将其解析为SQL语句并逐一执行。 - -![img](https://s4.51cto.com/oss/202205/24/38d0c5872acd7d6511e591688f97514825e36b.png) - -图2 - -从图2中可以看出，从库的IO线程接收到主库的logdump线程传递的Binlog日志后，会将其写入到本地的一个日志中，这个日志就是Relaylog。在文件目录中，一般由多个host_name-relay-bin.nnnnnn 的日志文件和host_name-relay-bin.index索引文件组成，其中日志文件记录的是事务中修改数据的信息，索引文件记录的是使用过的日志文件信息。 - -Relaylog日志的格式与Binlog的一致，但是相较于Binlog多了master.info和relay-log.info两个日志(默认存储于数据文件目录中)。master.info主要记录上一次读取到master同步过来的binlog的位置，从节点的连接信息和主节点信息，以及连接master和启动复制必须的所有信息。relay-log.info主要记录了从节点文件复制的进度，下一个事件从什么位置开始，由sql线程负责更新。 - - - +server 层和 InnoDB 层之间是如何沟通： +1. salary 有二级索引，行器先找引擎取扫描区间的第一行。根据这条二级索引记录中的主键值执行回表操作（即通过聚簇索引的B+树根节点一层一层向下找，直到在叶子节点中找到相应记录），将获取到的聚簇索引记录返回给 server 层。 +2. server 层得到聚簇索引记录后，会看一下更新前的记录和更新后的记录是否一样，如果一样的话就不更新了，如果不一样的话就把更新前的记录和更新后的记录都当作参数传给 InnoDB 层，让 InnoDB 真正的执行更新记录的操作 +3. InnoDB 收到更新请求后，先更新记录的聚簇索引记录，再更新记录的二级索引记录。最后将更新结果返回给 server 层 +4. server 层继续向 InnoDB 索要下一条记录，由于已经通过 B+ 树定位到二级索引扫描区间 `[999999, +∞)` 的第一条二级索引记录，而记录又是被串联成单向链表，所以 InnoDB 直接通过记录头信息的 `next_record` 的属性即可获取到下一条二级索引记录。然后通过该二级索引的主键值进行回表操作，获取到完整的聚簇索引记录再返回给 server 层。 +5. 就这样一层一层的处理 -![img](https://i.stack.imgur.com/aW0ve.jpg) +具体执行流程： +1. 先在 B+ 树中定位到该记录（这个过程也被称作**加锁读**），如果该记录所在的页面不在 buffer pool 里，先将其加载到 buffer pool 里再读取。 +2. 首先更新聚簇索引记录。 更新聚簇索引记录时： -## 小结 + ① 先向 Undo 页面写 undo 日志。不过由于这是在更改页面，所以修改 Undo 页面前需要先记录一下相应的 redo 日志。 -感谢你读到这里，送你两道面试题吧 + ② 将这个更新操作记录到 redo log 里面，此时 redo log 处于 prepare 状态。然后告知执行器执行完成了，随时可以提交事务。 -### 说下 一条 MySQL 更新语句的执行流程是怎样的吧？ + > 这里可以会有点疑惑。我们可以直接理解成先写 undo 再写 redo，这里修改后的页面并没有加入 buffer pool 的 flush 链表，记录的 redo 日志也没有加入到 redo log buffer。当这个函数执行完后，才会：先将这个过程产生的 redo 日志写入到 redo log buffer，再将这个过程修改的页面加入到 buffer pool 的 flush 链表中。 -``` -mysql> update T set c=c+1 where ID=2; -``` +3. 更新其他的二级索引记录。 -1. 执行器先找引擎取 ID=2 这一行。ID 是主键，引擎直接用树搜索找到这一行。如果 ID=2 这一行所在的数据页本来就在内存中，就直接返回给执行器；否则，需要先从磁盘读入内存，然后再返回。 -2. 执行器拿到引擎给的行数据，把这个值加上 1，比如原来是 N，现在就是 N+1，得到新的一行数据，再调用引擎接口写入这行新数据。 -3. 引擎将这行新数据更新到内存中，同时将这个更新操作记录到 redo log 里面，此时 redo log 处于 prepare 状态。然后告知执行器执行完成了，随时可以提交事务。 -4. 执行器生成这个操作的 binlog，并把 binlog 写入磁盘。 -5. 执行器调用引擎的提交事务接口，引擎把刚刚写入的 redo log 改成提交（commit）状态，更新完成。 + > 更新二级索引记录时不会再记录 undo 日志，但由于是在修改页面内容，会先记录相应的 redo 日志。 -> 最后三步看上去有点“绕”，将 redo log 的写入拆成了两个步骤：prepare 和 commit，这就是"两阶段提交"。 -> -> redo log 和 binlog 都可以用于表示事务的提交状态，而两阶段提交就是让这两个状态保持逻辑上的一致。 +4. 记录该语句对应的 binlog 日志，此时记录的 binlog 并没有刷新到硬盘上的 binlog 日志文件，在事务提交时才会统一将该事务运行过程中的所有 binlog 日志刷新到硬盘。 -![](https://static001.geekbang.org/resource/image/2e/be/2e5bff4910ec189fe1ee6e2ecc7b4bbe.png) +5. 引擎把刚刚写入的 redo log 改成提交（commit）状态，更新完成。 -- 客户端先通过连接器建立连接，连接器自会判断用户身份； -- 因为这是一条 update 语句，所以不需要经过查询缓存，但是表上有更新语句，是会把整个表的查询缓存情空的，所以说查询缓存很鸡肋，在 MySQL 8.0 就被移除这个功能了； -- 解析器会通过词法分析识别出关键字 update，表名等等，构建出语法树，接着还会做语法分析，判断输入的语句是否符合 MySQL 语法； -- 预处理器会判断表和字段是否存在； -- 优化器确定执行计划，因为 where 条件中的 id 是主键索引，所以决定要使用 id 这个索引； -- 执行器负责具体执行，找到这一行，然后更新。 +### 日志执行顺序？ +时序上先 undo log，redo log 先 prepare， 再写 binlog，最后再把 redo log commit +![](https://img.starfish.ink/mysql/log-seq.png) -### 为什么需要记录REDO +### 为什么需要记录 REDO redo log 是 Innodb 存储引擎层生成的日志，实现了事务中的**持久性**，主要**用于掉电等故障恢复**： -1. 在系统遇到故障的恢复过程中，可以修复被未完成的事务修改的数据。 -2. InnoDB 为了提高数据存取的效率，减少磁盘操作的频率，对数据的更新操作不会立即写到磁盘上，而是把数据更新先保存在内存中(**InnoDB Buffer Pool**)，积累到一定程度，再集中进行磁盘读写操作。这样就存在一个问题：一旦出现宕机或者停电等异常情况，内存中保存的数据更新操作可能会丢失。为了保证数据库本身的一致性和**持久性**，InnoDB 维护了 REDO LOG。修改 Page 之前需要先将修改的内容记录到 REDO 中，并保证 REDO LOG 早于对应的 Page 落盘，也就是常说的WAL。当故障发生导致内存数据丢失后，InnoDB 会在重启时，通过重放 REDO，将 Page 恢复到崩溃前的状态。 +1. 在系统遇到故障的恢复过程中，可以修复未完成的事务修改的数据。 +2. InnoDB 为了提高数据存取的效率，减少磁盘操作的频率，对数据的更新操作不会立即写到磁盘上，而是把数据更新先保存在内存中(**InnoDB Buffer Pool**)，积累到一定程度，再集中进行磁盘读写操作。这样就存在一个问题：一旦出现宕机或者停电等异常情况，内存中保存的数据更新操作可能会丢失。为了保证数据库本身的一致性和**持久性**，InnoDB 维护了 REDO LOG。修改 Page 之前需要先将修改的内容记录到 REDO 中，并保证 REDO LOG 早于对应的 Page 落盘，也就是常说的 WAL。当故障发生导致内存数据丢失后，InnoDB 会在重启时，通过重放 REDO，将 Page 恢复到崩溃前的状态。 回答面试官问题时候，如果能指明不同版本的差异，会加分的 -### Mysql 日志的执行顺序 - ## References diff --git a/docs/data-management/MySQL/MySQL-Master-Slave.md b/docs/data-management/MySQL/MySQL-Master-Slave.md index 30404ce4c5..fb7ba2e62f 100644 --- a/docs/data-management/MySQL/MySQL-Master-Slave.md +++ b/docs/data-management/MySQL/MySQL-Master-Slave.md @@ -1 +1,13 @@ -TODO \ No newline at end of file +TODO + + + +![](https://img.starfish.ink/mysql/log-seq.png) + +备库 B 跟主库 A 之间维持了一个长连接。主库 A 内部有一个线程，专门用于服务备库 B 的这个长连接。一个事务日志同步的完整过程是这样的： + +1. 在备库 B 上通过 change master 命令，设置主库 A 的 IP、端口、用户名、密码，以及要从哪个位置开始请求 binlog，这个位置包含文件名和日志偏移量。 +2. 在备库 B 上执行 start slave 命令，这时候备库会启动两个线程，就是图中的 io_thread 和 sql_thread。其中 io_thread 负责与主库建立连接。 +3. 主库 A 校验完用户名、密码后，开始按照备库 B 传过来的位置，从本地读取 binlog，发给 B。 +4. 备库 B 拿到 binlog 后，写到本地文件，称为中转日志（relay log）。 +5. sql_thread 读取中转日志，解析出日志里的命令，并执行。 \ No newline at end of file diff --git a/docs/data-management/MySQL/MySQL-Optimization.md b/docs/data-management/MySQL/MySQL-Optimization.md index e9689f2a35..89292e3b0e 100644 --- a/docs/data-management/MySQL/MySQL-Optimization.md +++ b/docs/data-management/MySQL/MySQL-Optimization.md @@ -1,422 +1,638 @@ -《高性能MySQL》给出的性能定义：完成某件任务所需要的的时间度量，性能既响应时间。 +--- +title: MySQL 优化 +date: 2024-05-09 +tags: + - MySQL +categories: MySQL +--- -假设性能优化就是在一定负载下尽可能的降低响应时间。 +![](https://img.starfish.ink/mysql/banner-mysql-optimization.png) -性能监测工具： **New Relic** **OneAPM** +> 《高性能MySQL》给出的性能定义：完成某件任务所需要的的时间度量，性能既响应时间。 +> +> 我们主要探讨 Select 的优化，包括 MySQL Server 做了哪些工作以及我们作为开发，如何定位问题，以及如何优化，怎么写出高性能 SQL -## 1. 影响mysql的性能因素 -##### 1.1 业务需求对mysql的影响(合适合度) -##### 1.2 存储定位对mysql的影响 +## 一、MySQL Server 优化了什么 -- 不适合放进mysql的数据 - - 二进制多媒体数据 - - 流水队列数据 - - 超大文本数据 -- 需要放进缓存的数据 - - 系统各种配置及规则数据 - - 活跃用户的基本信息数据 - - 活跃用户的个性化定制信息数据 - - 准实时的统计信息数据 - - 其他一些访问频繁但变更较少的数据 +### MySQL Query Optimizer -##### 1.3 Schema设计对系统的性能影响 +MySQL 中有专门负责优化 SELECT 语句的优化器模块，主要功能：通过计算分析系统中收集到的统计信息，为客户端请求的 Query 提供他认为最优的执行计划（他认为最优的数据检索方式，但不见得是DBA认为是最优的，这部分最耗费时间） -- 尽量减少对数据库访问的请求 -- 尽量减少无用数据的查询请求 +当客户端向 MySQL 请求一条 Query，命令解析器模块完成请求分类，区别出是 SELECT 并转发给 MySQL Query Optimizer 时，MySQL Query Optimizer 首先会对整条 Query 进行优化，处理掉一些常量表达式的预算，直接换算成常量值。并对 Query 中的查询条件进行简化和转换，如去掉一些无用或显而易见的条件、结构调整等。然后分析 Query 中的 Hint 信息（如果有），看显示 Hint 信息是否可以完全确定该 Query 的执行计划。如果没有 Hint 或Hint 信息还不足以完全确定执行计划，则会读取所涉及对象的统计信息，根据 Query 进行写相应的计算分析，然后再得出最后的执行计划。 -##### 1.4 硬件环境对系统性能的影响 +MySQL 查询优化器是一个复杂的组件，它的主要任务是确定执行给定查询的最优方式。以下是 MySQL 查询优化器在处理查询时所进行的一些关键活动： -**典型OLTP应用系统** +#### 1.1 解析查询： - 什么是OLTP：OLTP即联机事务处理，就是我们经常说的关系数据库，意即记录即时的增、删、改、查，就是我们经常应用的东西，这是数据库的基础 +优化器首先解析查询语句，理解其语法和语义。 -对于各种数据库系统环境中大家最常见的OLTP系统，其特点是并发量大，整体数据量比较多，但每次访问的数据比较少，且访问的数据比较离散，活跃数据占总体数据的比例不是太大。对于这类系统的数据库实际上是最难维护，最难以优化的，对主机整体性能要求也是最高的。因为不仅访问量很高，数据量也不小。 +#### 1.2 词法和语法分析： -针对上面的这些特点和分析，我们可以对OLTP的得出一个大致的方向。 虽然系统总体数据量较大，但是系统活跃数据在数据总量中所占的比例不大，那么我们可以通过扩大内存容量来尽可能多的将活跃数据cache到内存中； 虽然IO访问非常频繁，但是每次访问的数据量较少且很离散，那么我们对磁盘存储的要求是IOPS表现要很好，吞吐量是次要因素； 并发量很高，CPU每秒所要处理的请求自然也就很多，所以CPU处理能力需要比较强劲； 虽然与客户端的每次交互的数据量并不是特别大，但是网络交互非常频繁，所以主机与客户端交互的网络设备对流量能力也要求不能太弱。 +检查查询语句是否符合SQL语法规则。 -**典型OLAP应用系统** +#### 1.3 语义分析： -用于数据分析的OLAP系统的主要特点就是数据量非常大，并发访问不多，但每次访问所需要检索的数据量都比较多，而且数据访问相对较为集中，没有太明显的活跃数据概念。 +确保查询引用的所有数据库对象（如表、列、别名等）都是存在的，并且用户具有相应的访问权限。 -什么是OLAP：OLAP即联机分析处理，是数据仓库的核心部心，所谓数据仓库是对于大量已经由OLTP形成的数据的一种分析型的数据库，用于处理商业智能、决策支持等重要的决策信息；数据仓库是在数据库应用到一定程序之后而对历史数据的加工与分析 基于OLAP系统的各种特点和相应的分析，针对OLAP系统硬件优化的大致策略如下： 数据量非常大，所以磁盘存储系统的单位容量需要尽量大一些； 单次访问数据量较大，而且访问数据比较集中，那么对IO系统的性能要求是需要有尽可能大的每秒IO吞吐量，所以应该选用每秒吞吐量尽可能大的磁盘； 虽然IO性能要求也比较高，但是并发请求较少，所以CPU处理能力较难成为性能瓶颈，所以CPU处理能力没有太苛刻的要求； +#### 1.4 查询重写： -虽然每次请求的访问量很大，但是执行过程中的数据大都不会返回给客户端，最终返回给客户端的数据量都较小，所以和客户端交互的网络设备要求并不是太高； +可能对查询进行一些变换，以提高其效率。例如，使用等价变换简化查询或应用数据库的视图定义。 -此外，由于OLAP系统由于其每次运算过程较长，可以很好的并行化，所以一般的OLAP系统都是由多台主机构成的一个集群，而集群中主机与主机之间的数据交互量一般来说都是非常大的，所以在集群中主机之间的网络设备要求很高。 +#### 1.5 确定执行计划： +优化器会生成一个或多个可能的执行计划，并估算每个计划的成本（如I/O操作、CPU使用等）。 +#### 1.6 选择最佳执行计划： -## 2. 性能分析 +执行成本包括 I/O 成本和 CPU 成本。MySQL 有一套自己的计算公式，在一条单表查询语句真正执行之前，MySQL 的查询优化器会找出执行该语句所有可能使用的方案，对比之后找出成本最低的方案，这个成本最低的方案就是所谓的`执行计划`，之后才会调用存储引擎提供的接口真正的执行查询。 -### 2.1 MySQL常见瓶颈 +#### 1.7 索引选择： -- CPU：CPU在饱和的时候一般发生在数据装入内存或从磁盘上读取数据时候 +确定是否使用索引以及使用哪个索引。考虑因素包括索引的选择性、查询条件、索引的前缀等。 -- IO：磁盘I/O瓶颈发生在装入数据远大于内存容量的时候 +#### 1.8 表访问顺序： -- 服务器硬件的性能瓶颈：top,free, iostat和vmstat来查看系统的性能状态 +对于涉及多个表的查询，优化器决定最佳的表访问顺序，以减少数据的访问量。 +#### 1.9 连接算法选择： +join 我们每天都在用，左、右连接、内连接就不详细介绍了 -**查看Linux系统性能的常用命令** +![img](https://res.cloudinary.com/practicaldev/image/fetch/s--c4weS2Kt--/c_limit%2Cf_auto%2Cfl_progressive%2Cq_auto%2Cw_880/https://dev-to-uploads.s3.amazonaws.com/uploads/articles/rscdema0dwgx4n91eg0p.png) -MySQL数据库是常见的两个瓶颈是CPU和I/O的瓶颈。CPU在饱和的时候一般发生在数据装入内存或从磁盘上读取数据时候，磁盘I/O瓶颈发生在装入数据远大于内存容量的时候，如果应用分布在网络上，那么查询量相当大的时候那么瓶颈就会出现在网络上。Linux中我们常用mpstat、vmstat、iostat、sar和top来查看系统的性能状态。 +对于连接操作，优化器会选择最合适的算法，如嵌套循环、块嵌套循环、哈希连接等。 -`mpstat`： mpstat是Multiprocessor Statistics的缩写，是实时系统监控工具。其报告为CPU的一些统计信息，这些信息存放在/proc/stat文件中。在多CPUs系统里，其不但能查看所有CPU的平均状况信息，而且能够查看特定CPU的信息。mpstat最大的特点是可以查看多核心cpu中每个计算核心的统计数据，而类似工具vmstat只能查看系统整体cpu情况。 +- **嵌套循环连接（Nested-Loop Join）**：驱动表只访问一次，但被驱动表却可能被多次访问，访问次数取决于对驱动表执行单表查询后的结果集中的记录条数的连接执行方式称之为`嵌套循环连接`。 -`vmstat`：vmstat命令是最常见的Linux/Unix监控工具，可以展现给定时间间隔的服务器的状态值，包括服务器的CPU使用率，内存使用，虚拟内存交换情况，IO读写情况。这个命令是我查看Linux/Unix最喜爱的命令，一个是Linux/Unix都支持，二是相比top，我可以看到整个机器的CPU、内存、IO的使用情况，而不是单单看到各个进程的CPU使用率和内存使用率(使用场景不一样)。 + 左（外）连接的驱动表就是左边的那个表，右（外）连接的驱动表就是右边的那个表。内连接驱动表就无所谓了。 -`iostat`: 主要用于监控系统设备的IO负载情况，iostat首次运行时显示自系统启动开始的各项统计信息，之后运行iostat将显示自上次运行该命令以后的统计信息。用户可以通过指定统计的次数和时间来获得所需的统计信息。 +- **基于块的嵌套循环连接（Block Nested-Loop Join）**: 块嵌套循环连接是嵌套循环连接的优化版本。每次访问被驱动表，被驱动表的记录会被加载到内存中，与驱动表匹配，然后清理内存，然后再取下一条，这样 I/O 成本是超级高的。 -`sar`： sar（System Activity Reporter系统活动情况报告）是目前 Linux 上最为全面的系统性能分析工具之一，可以从多方面对系统的活动进行报告，包括：文件的读写情况、系统调用的使用情况、磁盘I/O、CPU效率、内存使用状况、进程活动及IPC有关的活动等。 + 所以为了减少了对被驱动表的访问次数，引入了 `join buffer` 的概念，执行连接查询前申请的一块固定大小的内存，先把若干条驱动表结果集中的记录装在这个`join buffer`中，然后开始扫描被驱动表，每一条被驱动表的记录一次性和`join buffer`中的多条驱动表记录做匹配，因为匹配的过程都是在内存中完成的，所以这样可以显著减少被驱动表的`I/O`代价。 -`top`：top命令是Linux下常用的性能分析工具，能够实时显示系统中各个进程的资源占用状况，类似于Windows的任务管理器。top显示系统当前的进程和其他状况，是一个动态显示过程,即可以通过用户按键来不断刷新当前状态.如果在前台执行该命令，它将独占前台，直到用户终止该程序为止。比较准确的说，top命令提供了实时的对系统处理器的状态监视。它将显示系统中CPU最“敏感”的任务列表。该命令可以按CPU使用。内存使用和执行时间对任务进行排序；而且该命令的很多特性都可以通过交互式命令或者在个人定制文件中进行设定。 +#### 1.10 子查询优化： -除了服务器硬件的性能瓶颈，对于MySQL系统本身，我们可以使用工具来优化数据库的性能，通常有三种：使用索引，使用EXPLAIN分析查询以及调整MySQL的内部配置。 +对于子查询，优化器决定是将其物化、转换为半连接、还是其他形式。 +#### 1.11 谓词下推： +将查询条件（谓词）尽可能地下推到存储引擎层面，以便尽早过滤数据。 -### 2.2 性能下降SQL慢 执行时间长 等待时间长 原因分析 +#### 1.12 分区修剪： -- 查询语句写的烂 -- 索引失效（单值 复合） -- 关联查询太多join（设计缺陷或不得已的需求） -- 服务器调优及各个参数设置（缓冲、线程数等） +如果表被分区，优化器会识别出只需要扫描的分区。 +#### 1.13 排序和分组优化： +优化器会考虑使用索引来执行排序和分组操作。 -### 2.3 MySql Query Optimizer +#### 1.14 临时表和物化： -1. Mysql中有专门负责优化SELECT语句的优化器模块，主要功能：通过计算分析系统中收集到的统计信息，为客户端请求的Query提供他认为最优的执行计划（他认为最优的数据检索方式，但不见得是DBA认为是最优的，这部分最耗费时间） +优化器可能会决定使用临时表来存储中间结果，以简化查询。 -2. 当客户端向MySQL 请求一条Query，命令解析器模块完成请求分类，区别出是 SELECT 并转发给MySQL Query Optimizer时，MySQL Query Optimizer 首先会对整条Query进行优化，处理掉一些常量表达式的预算，直接换算成常量值。并对 Query 中的查询条件进行简化和转换，如去掉一些无用或显而易见的条件、结构调整等。然后分析 Query 中的 Hint 信息（如果有），看显示Hint信息是否可以完全确定该Query 的执行计划。如果没有 Hint 或Hint 信息还不足以完全确定执行计划，则会读取所涉及对象的统计信息，根据 Query 进行写相应的计算分析，然后再得出最后的执行计划。 +#### 1.15 并行查询执行： +对于某些查询，优化器可以决定使用并行执行来提高性能。 +#### 1.16 执行计划缓存： -### 2.4 MySQL常见性能分析手段 +如果可能，优化器会重用之前缓存的执行计划，以减少解析和优化的开销。 -在优化MySQL时，通常需要对数据库进行分析，常见的分析手段有**慢查询日志**，**EXPLAIN 分析查询**，**profiling分析**以及**show命令查询系统状态及系统变量**，通过定位分析性能的瓶颈，才能更好的优化数据库系统的性能。 +#### 1.17 生成执行语句： -#### 2.4.1 性能瓶颈定位 +最终，优化器生成用于执行查询的底层指令。 -我们可以通过show命令查看MySQL状态及变量，找到系统的瓶颈： +#### 1.18 监控和调整： -```shell -Mysql> show status ——显示状态信息（扩展show status like ‘XXX’） +优化器的行为可以通过各种参数进行调整，以适应特定的工作负载和系统配置。 -Mysql> show variables ——显示系统变量（扩展show variables like ‘XXX’） +#### 1.19 统计信息更新： -Mysql> show innodb status ——显示InnoDB存储引擎的状态 +优化器依赖于表和索引的统计信息来做出决策，因此需要确保统计信息是最新的。 -Mysql> show processlist ——查看当前SQL执行，包括执行状态、是否锁表等 +InnoDB存储引擎的统计数据收集是数据库性能优化的重要组成部分，因为这些统计数据会被MySQL查询优化器用来生成查询执行计划。以下是InnoDB统计数据收集的一些关键点： -Shell> mysqladmin variables -u username -p password——显示系统变量 +1. **统计数据存储方式**： + - InnoDB提供了两种存储统计数据的方式：永久性统计数据和非永久性统计数据。 + - 永久性统计数据存储在磁盘上，服务器重启后依然存在。 + - 非永久性统计数据存储在内存中，服务器关闭时会被清除。 +2. **系统变量控制**： + - `innodb_stats_persistent`：控制是否使用永久性统计数据，默认在MySQL 5.6.6之后的版本中为ON。 + - `innodb_stats_persistent_sample_pages`：控制永久性统计数据采样的页数，默认值为2012。 + - `innodb_stats_transient_sample_pages`：控制非永久性统计数据采样的页数，默认值为82。 +3. **统计信息的更新**： + - `ANALYZE TABLE`：可以用于手动更新统计信息，它将重新计算表的统计数据3。 + - `innodb_stats_auto_recalc`：控制是否自动重新计算统计数据，默认为ON24。 +4. **统计数据的收集**： + - InnoDB通过采样页面来估计表中的行数和其他统计信息24。 + - `innodb_table_stats`和`innodb_index_stats`：这两个内部表存储了关于表和索引的统计数据24。 +5. **特定表的统计数据属性**： + - 在创建或修改表时，可以通过`STATS_PERSISTENT`、`STATS_AUTO_RECALC`和`STATS_SAMPLE_PAGES`属性来控制表的统计数据行为234。 +6. **NULL值的处理**： + - `innodb_stats_method`变量决定了在统计索引列不重复值的数量时如何对待NULL值310。 +7. **手动更新统计数据**： + - 可以手动更新`innodb_table_stats`和`innodb_index_stats`表中的统计数据，之后需要使用`FLUSH TABLE`命令让优化器重新加载统计信息4。 +8. **非永久性统计数据**： + - 当`innodb_stats_persistent`设置为OFF时，新创建的表将使用非永久性统计数据，这些数据存储在内存中45。 +9. **统计数据的自动更新**： + - 如果表中数据变动超过一定比例（默认10%），并且`innodb_stats_auto_recalc`为ON，InnoDB将自动更新统计数据34。 -Shell> mysqladmin extended-status -u username -p password——显示状态信息 -``` +通过以上信息，我们了解到 InnoDB 的统计数据收集是一个动态的过程，旨在帮助优化器做出更好的查询执行计划决策。数据库管理员可以根据系统的具体需求和性能指标来调整相关的系统变量，以优化统计数据的收集和使用。 +> 问个问题：为什么 InnoDB `rows`这个统计项的值是估计值呢？ +> +> `InnoDB`统计一个表中有多少行记录的套路大概是这样的：按照一定算法（并不是纯粹随机的）选取几个叶子节点页面，计算每个页面中主键值记录数量，然后计算平均一个页面中主键值的记录数量乘以全部叶子节点的数量就算是该表的`n_rows`值。 +通过`EXPLAIN`或`EXPLAIN ANALYZE`命令可以查看查询优化器的执行计划，这有助于理解查询的执行方式，并据此进行优化。优化器的目标是找到最快、最高效的执行计划，但有时它也可能做出不理想的决策，特别是在数据量变化或统计信息不准确时。在这种情况下，可以通过调整索引、修改查询或使用SQL提示词来引导优化器做出更好的选择。 -#### 2.4.2 Explain(执行计划) -- 是什么：使用Explain关键字可以模拟优化器执行SQL查询语句，从而知道MySQL是如何处理你的SQL语句的。分析你的查询语句或是表结构的性能瓶颈 -- 能干吗 - - 表的读取顺序 - - 数据读取操作的操作类型 - - 哪些索引可以使用 - - 哪些索引被实际使用 - - 表之间的引用 - - 每张表有多少行被优化器查询 -- 怎么玩 +## 二、业务开发者可以优化什么 - - Explain + SQL语句 - - 执行计划包含的信息 +![](https://miro.medium.com/v2/resize:fit:1002/1*cegOtzJsnsPmLxZWHU1gWg.png) -![expalin](../../_images/mysql/expalin.jpg) -- 各字段解释 - - **id**（select查询的序列号，包含一组数字，表示查询中执行select子句或操作表的顺序） - - id相同，执行顺序从上往下 - - id不同，如果是子查询，id的序号会递增，id值越大优先级越高，越先被执行 - - id相同不同，同时存在 - - **select_type**（查询的类型，用于区别普通查询、联合查询、子查询等复杂查询） +假设性能优化就是在一定负载下尽可能的降低响应时间。那我们作为一名业务开发，想优化 MySQL，一般就是优化 CRUD 性能，那优化的前提肯定是比较烂，才优化，要么是服务器或者网络烂，要么是 DB 设计的烂，当然更多的一般是 SQL 写的烂。 - - **SIMPLE** ：简单的select查询，查询中不包含子查询或UNION - - **PRIMARY**：查询中若包含任何复杂的子部分，最外层查询被标记为PRIMARY - - **SUBQUERY**：在select或where列表中包含了子查询 - - **DERIVED**：在from列表中包含的子查询被标记为DERIVED，mysql会递归执行这些子查询，把结果放在临时表里 - - **UNION**：若第二个select出现在UNION之后，则被标记为UNION，若UNION包含在from子句的子查询中，外层select将被标记为DERIVED - - **UNION RESULT**：从UNION表获取结果的select +![](https://image.dbbqb.com/202405181617/c383939ea6ba00933fd84e2989230659/pXOzq) - - **table**（显示这一行的数据是关于哪张表的） +### 2.1 影响 MySQL 的性能因素 | 常见瓶颈 - - **type**（显示查询使用了那种类型，从最好到最差依次排列 **system > const > eq_ref > ref > fulltext > ref_or_null > index_merge > unique_subquery > index_subquery > range > index > ALL** ） +- ##### 硬件资源 - - system：表只有 一行记录（等于系统表），是const类型的特例，平时不会出现 - - const：表示通过索引一次就找到了，const用于比较primary key或unique索引，因为只要匹配一行数据，所以很快，如将主键置于where列表中，mysql就能将该查询转换为一个常量 - - eq_ref：唯一性索引扫描，对于每个索引键，表中只有一条记录与之匹配，常见于主键或唯一索引扫描 - - ref：非唯一性索引扫描，范围匹配某个单独值得所有行。本质上也是一种索引访问，他返回所有匹配某个单独值的行，然而，它可能也会找到多个符合条件的行，多以他应该属于查找和扫描的混合体 - - range：只检索给定范围的行，使用一个索引来选择行。key列显示使用了哪个索引，一般就是在你的where语句中出现了between、<、>、in等的查询，这种范围扫描索引比全表扫描要好，因为它只需开始于索引的某一点，而结束于另一点，不用扫描全部索引 - - index：Full Index Scan，index于ALL区别为index类型只遍历索引树。通常比ALL快，因为索引文件通常比数据文件小。（**也就是说虽然all和index都是读全表，但index是从索引中读取的，而all是从硬盘中读的**） - - all：Full Table Scan，将遍历全表找到匹配的行 + - CPU：CPU 的性能直接影响到 MySQL 的计算速度。多核 CPU 可以提高并发处理能力 - ?> 一般来说，得保证查询至少达到range级别，最好到达ref + - 内存：足够的内存可以有效减少磁盘 I/O，提高缓存效率 - - **possible_keys**（显示可能应用在这张表中的索引，一个或多个，查询涉及到的字段若存在索引，则该索引将被列出，但不一定被查询实际使用） - - - **key** + - 磁盘：磁盘的 I/O 性能对数据库读写速度有显著影响，特别是对于读密集型操作。比如装入数据远大于内存容量的时候，磁盘 I/O 就会达到瓶颈 - - （实际使用的索引，如果为NULL，则没有使用索引） +- ##### 网络 - - **查询中若使用了覆盖索引，则该索引和查询的select字段重叠，仅出现在key列表中** +​ 网络带宽和延迟也会影响分布式数据库或应用服务器与数据库服务器之间的通信效率 - ![explain-key](../../_images/mysql/explain-key.png) +- ##### DB 设计 - - **key_len** - - 表示索引中使用的字节数，可通过该列计算查询中使用的索引的长度。在不损失精确性的情况下，长度越短越好 - - key_len显示的值为索引字段的最大可能长度，并非实际使用长度，即key_len是根据表定义计算而得，不是通过表内检索出的 + - 存储引擎的选择 + - 参数配置，如 `innodb_buffer_pool_size`，对数据库性能有决定性影响 - - **ref** （显示索引的哪一列被使用了，如果可能的话，是一个常数。哪些列或常量被用于查找索引列上的值） - - **rows** （根据表统计信息及索引选用情况，大致估算找到所需的记录所需要读取的行数） - - **Extra**（包含不适合在其他列中显示但十分重要的额外信息） +- ##### 连接数和线程管理： - 1. using filesort: 说明mysql会对数据使用一个外部的索引排序，不是按照表内的索引顺序进行读取。mysql中无法利用索引完成的排序操作称为“文件排序”![img](../../_images/mysql/explain-extra-1.png) + - 高并发时，连接数和线程的高效管理对性能至关重要 - 2. Using temporary：使用了临时表保存中间结果，mysql在对查询结果排序时使用临时表。常见于排序order by和分组查询group by。![explain-extra-2](../../_images/mysql/explain-extra-2.png) +- ##### 数据库设计 - 3. using index：表示相应的select操作中使用了覆盖索引，避免访问了表的数据行，效率不错，如果同时出现using where，表明索引被用来执行索引键值的查找；否则索引被用来读取数据而非执行查找操作![explain-extra-3](../../_images/mysql/explain-extra-3.png) + - 合理的表结构设计、索引优化、数据类型选择等都会影响性能 + - 比如哪种超大文本、二进制媒体数据啥的就别往 MySQL 放了 - 4. using where：使用了where过滤 +- ##### 开发的技术水平 - 5. using join buffer：使用了连接缓存 + - 开发的水平对性能的影响，查询语句写的烂，比如不管啥上来就 `SELECT *`，一个劲的 `left join` + - 索引失效（单值 复合） - 6. impossible where：where子句的值总是false，不能用来获取任何元祖 +当然锁、长事务这类使用中的坑，会对性能造成影响，我也举不全。 - 7. select tables optimized away：在没有group by子句的情况下，基于索引优化操作或对于MyISAM存储引擎优化COUNT(*)操作，不必等到执行阶段再进行计算，查询执行计划生成的阶段即完成优化 - 8. distinct：优化distinct操作，在找到第一匹配的元祖后即停止找同样值的动作 - +### 2.2 性能分析 -- case: +#### 先查外忧 -![explain-demo](../../_images/mysql/explain-demo.png) +外忧，就是我们业务开发，一般情况下不用解决，或者一般这锅背不到我们头上的问题，比如硬件、网络这种 - - -1. 第一行（执行顺序4）：id列为1，表示是union里的第一个select，select_type列的primary表 示该查询为外层查询，table列被标记为，表示查询结果来自一个衍生表，其中derived3中3代表该查询衍生自第三个select查询，即id为3的select。【select d1.name......】 +> 查看 Linux 系统性能的常用命令 +> +> MySQL 数据库是常见的两个瓶颈是 CPU 和 I/O 的瓶颈。CPU 在饱和的时候一般发生在数据装入内存或从磁盘上读取数据时候，磁盘 I/O 瓶颈发生在装入数据远大于内存容量的时候，如果应用分布在网络上，那么查询量相当大的时候那么瓶颈就会出现在网络上。Linux 中我们常用 mpstat、vmstat、iostat、sar 和 top 来查看系统的性能状态。 +> +> `mpstat`： mpstat 是 Multiprocessor Statistics 的缩写，是实时系统监控工具。其报告为 CPU 的一些统计信息，这些信息存放在 /proc/stat 文件中。在多CPUs系统里，其不但能查看所有CPU的平均状况信息，而且能够查看特定CPU的信息。mpstat最大的特点是可以查看多核心cpu中每个计算核心的统计数据，而类似工具vmstat只能查看系统整体cpu情况。 +> +> `vmstat`：vmstat 命令是最常见的 Linux/Unix 监控工具，可以展现给定时间间隔的服务器的状态值，包括服务器的 CPU 使用率，内存使用，虚拟内存交换情况，IO 读写情况。这个命令是我查看 Linux/Unix 最喜爱的命令，一个是 Linux/Unix 都支持，二是相比top，我可以看到整个机器的CPU、内存、IO的使用情况，而不是单单看到各个进程的CPU使用率和内存使用率(使用场景不一样)。 +> +> `iostat`: 主要用于监控系统设备的 IO 负载情况，iostat 首次运行时显示自系统启动开始的各项统计信息，之后运行 iostat 将显示自上次运行该命令以后的统计信息。用户可以通过指定统计的次数和时间来获得所需的统计信息。 +> +> `sar`： sar（System Activity Reporter系统活动情况报告）是目前 Linux 上最为全面的系统性能分析工具之一，可以从多方面对系统的活动进行报告，包括：文件的读写情况、系统调用的使用情况、磁盘 I/O、CPU效率、内存使用状况、进程活动及 IPC 有关的活动等。 +> +> `top`：top 命令是 Linux 下常用的性能分析工具，能够实时显示系统中各个进程的资源占用状况，类似于 Windows 的任务管理器。top 显示系统当前的进程和其他状况，是一个动态显示过程,即可以通过用户按键来不断刷新当前状态.如果在前台执行该命令，它将独占前台，直到用户终止该程序为止。比较准确的说，top 命令提供了实时的对系统处理器的状态监视。它将显示系统中 CPU 最“敏感”的任务列表。该命令可以按 CPU 使用。内存使用和执行时间对任务进行排序；而且该命令的很多特性都可以通过交互式命令或者在个人定制文件中进行设定。 -2. 第二行（执行顺序2）：id为3，是整个查询中第三个select的一部分。因查询包含在from中，所以为derived。【select id,name from t1 where other_column=''】 -3. 第三行（执行顺序3）：select列表中的子查询select_type为subquery，为整个查询中的第二个select。【select id from t3】 -4. 第四行（执行顺序1）：select_type为union，说明第四个select是union里的第二个select，最先执行【select name,id from t2】 -5. 第五行（执行顺序5）：代表从union的临时表中读取行的阶段，table列的表示用第一个和第四个select的结果进行union操作。【两个结果union操作】 +除了服务器硬件的性能瓶颈，对于 MySQL 系统本身，我们可以使用工具来优化数据库的性能，通常有三种：使用索引，使用 EXPLAIN 分析查询以及调整 MySQL 的内部配置。 -#### 2.4.3 慢查询日志 +#### 再定内患 | MySQL 常见性能分析手段 -MySQL的慢查询日志是MySQL提供的一种日志记录，它用来记录在MySQL中响应时间超过阈值的语句，具体指运行时间超过long_query_time值的SQL，则会被记录到慢查询日志中。 +在优化 MySQL 时，通常需要对数据库进行分析，常见的分析手段有**慢查询日志**，**EXPLAIN 分析查询**，**profiling 分析**以及**show命令查询系统状态及系统变量**，通过定位分析性能的瓶颈，才能更好的优化数据库系统的性能。 -- long_query_time的默认值为10，意思是运行10秒以上的语句。 -- 默认情况下，MySQL数据库没有开启慢查询日志，需要手动设置参数开启。 -- 如果不是调优需要的话，一般不建议启动该参数。 +##### 2.2.1 性能瓶颈定位 -**查看开启状态** - -`SHOW VARIABLES LIKE '%slow_query_log%'` - -**开启慢查询日志** - -- 临时配置： +我们可以通过 show 命令查看 MySQL 状态及变量，找到系统的瓶颈： ```mysql -mysql> set global slow_query_log='ON'; -mysql> set global slow_query_log_file='/var/lib/mysql/hostname-slow.log'; -mysql> set global long_query_time=2; -``` +Mysql> show status ——显示状态信息（扩展show status like ‘XXX’） -​ 也可set文件位置，系统会默认给一个缺省文件host_name-slow.log +Mysql> show variables ——显示系统变量（扩展show variables like ‘XXX’） -​ 使用set操作开启慢查询日志只对当前数据库生效，如果MySQL重启则会失效。 +Mysql> show innodb status ——显示InnoDB存储引擎的状态 -- 永久配置 +Mysql> show processlist ——查看当前SQL执行，包括执行状态、是否锁表等 - 修改配置文件my.cnf或my.ini，在[mysqld]一行下面加入两个配置参数 +Shell> mysqladmin variables -u username -p password——显示系统变量 -```cnf -[mysqld] -slow_query_log = ON -slow_query_log_file = /var/lib/mysql/hostname-slow.log -long_query_time = 3 +Shell> mysqladmin extended-status -u username -p password——显示状态信息 ``` -​ 注：log-slow-queries参数为慢查询日志存放的位置，一般这个目录要有mysql的运行帐号的可写权限，一般都 将这个目录设置为mysql的数据存放目录；long_query_time=2中的2表示查询超过两秒才记录；在my.cnf或者 my.ini中添加log-queries-not-using-indexes参数，表示记录下没有使用索引的查询。 - -可以用 `select sleep(4)` 验证是否成功开启。 -在生产环境中，如果手工分析日志，查找、分析SQL，还是比较费劲的，所以MySQL提供了日志分析工具mysqldumpslow。 -通过 mysqldumpslow --help查看操作帮助信息 +##### 2.2.2 Explain(执行计划) -- 得到返回记录集最多的10个SQL +- 是什么：使用 Explain 关键字可以模拟优化器执行 SQL 查询语句，从而知道 MySQL 是如何处理你的 SQL 语句的。分析你的查询语句或是表结构的性能瓶颈 +- 能干吗 + - 表的读取顺序 + - 数据读取操作的操作类型 + - 哪些索引可以使用 + - 哪些索引被实际使用 + - 表之间的引用 + - 每张表有多少行被优化器查询 - `mysqldumpslow -s r -t 10 /var/lib/mysql/hostname-slow.log` +- 怎么玩 -- 得到访问次数最多的10个SQL + - Explain + SQL语句 + - 执行计划包含的信息 + + 这里我建两个一样的表 t1、t2 用于示例说明 + + ```mysql + CREATE TABLE t1 ( + id INT NOT NULL AUTO_INCREMENT, + col1 VARCHAR(100), + col2 INT, + col3 VARCHAR(100), + part1 VARCHAR(100), + part2 VARCHAR(100), + part3 VARCHAR(100), + common_field VARCHAR(100), + PRIMARY KEY (id), + KEY idx_key1 (col1), + UNIQUE KEY idx_key2 (col2), + KEY idx_key3 (col3), + KEY idx_key_part(part1, part2, part3) + ) Engine=InnoDB CHARSET=utf8; + ``` - `mysqldumpslow -s c -t 10 /var/lib/mysql/hostname-slow.log` +- 各字段解释 -- 得到按照时间排序的前10条里面含有左连接的查询语句 + - **id**（select 查询的序列号，包含一组数字，表示查询中执行 select 子句或操作表的顺序） - `mysqldumpslow -s t -t 10 -g "left join" /var/lib/mysql/hostname-slow.log` + - id 相同，执行顺序从上往下 + - id 不同，如果是子查询，id 的序号会递增，id 值越大优先级越高，越先被执行 + - id 相同不同，同时存在，相同的属于一组，从上往下执行 -- 也可以和管道配合使用 + - **select_type**（查询的类型，用于区别普通查询、联合查询、子查询等复杂查询） - `mysqldumpslow -s r -t 10 /var/lib/mysql/hostname-slow.log | more` + - **SIMPLE** ：简单的 select 查询，查询中不包含子查询或 UNION + - **PRIMARY**：查询中若包含任何复杂的子部分，最外层查询被标记为 PRIMARY + - **SUBQUERY**：在 select 或 where 列表中包含了子查询 + - **DERIVED**：在 from 列表中包含的子查询被标记为 DERIVED，mysql 会递归执行这些子查询，把结果放在临时表里 + - **UNION**：若第二个 select 出现在 UNION 之后，则被标记为 UNION，若 UNION 包含在 from 子句的子查询中，外层 select 将被标记为 DERIVED + - **UNION RESULT**：从 UNION 表获取结果的 select -**也可使用 pt-query-digest 分析 RDS MySQL 慢查询日志** + - **table**（显示这一行的数据是关于哪张表的） + - **partitions**（匹配的分区信息，高版本才有的） + - **type**（显示查询使用了那种类型，从最好到最差依次排列 **system > const > eq_ref > ref > fulltext > ref_or_null > index_merge > unique_subquery > index_subquery > range > index > ALL** ） -#### 2.4.4 Show Profile分析查询 + - system：表只有一行记录（等于系统表），是 const 类型的特例，平时不会出现 + - const：表示通过索引一次就找到了，const 用于比较 primary key 或 unique 索引，因为只要匹配一行数据，所以很快，如将主键置于 where 列表中，mysql 就能将该查询转换为一个常量 + - eq_ref：唯一性索引扫描，对于每个索引键，表中只有一条记录与之匹配，常见于主键或唯一索引扫描 + - ref：非唯一性索引扫描，范围匹配某个单独值得所有行。本质上也是一种索引访问，他返回所有匹配某个单独值的行，然而，它可能也会找到多个符合条件的行，多以他应该属于查找和扫描的混合体 + - ref_or_null：当对普通二级索引进行等值匹配查询，该索引列的值也可以是`NULL`值时，那么对该表的访问方法就可能是ref_or_null + - index_merge: 在某些场景下可以使用`Intersection`、`Union`、`Sort-Union`这三种索引合并的方式来执行查询 + - range：只检索给定范围的行，使用一个索引来选择行。key 列显示使用了哪个索引，一般就是在你的 where 语句中出现了between、<、>、in等的查询，这种范围扫描索引比全表扫描要好，因为它只需开始于索引的某一点，而结束于另一点，不用扫描全部索引 + - index：Full Index Scan，index 于 ALL 区别为 index 类型只遍历索引树。通常比 ALL 快，因为索引文件通常比数据文件小。（**也就是说虽然 all 和 index 都是读全表，但 index 是从索引中读取的，而 all 是从硬盘中读的**） + - all：Full Table Scan，将遍历全表找到匹配的行 -通过慢日志查询可以知道哪些SQL语句执行效率低下，通过explain我们可以得知SQL语句的具体执行情况，索引使用等，还可以结合Show Profile命令查看执行状态。 + > 一般来说，得保证查询至少达到 range 级别，最好到达 ref -- Show Profile是mysql提供可以用来分析当前会话中语句执行的资源消耗情况。可以用于SQL的调优的测量 + - **possible_keys**（显示可能应用在这张表中的索引，一个或多个，查询涉及到的字段若存在索引，则该索引将被列出，但不一定被查询实际使用） + + - **key** -- 默认情况下，参数处于关闭状态，并保存最近15次的运行结果 + - 实际使用的索引，如果为NULL，则没有使用索引 -- 分析步骤 + - **查询中若指定了使用了覆盖索引，则该索引和查询的 select 字段重叠，仅出现在 key 列表中**![](https://img.starfish.ink/mysql/explain-key.png) - 1. 是否支持，看看当前的mysql版本是否支持 + - **key_len** + + - 表示索引中使用的字节数，可通过该列计算查询中使用的索引的长度。在不损失精确性的情况下，长度越短越好 + - key_len 显示的值为索引字段的最大可能长度，并非实际使用长度，即 key_len 是根据表定义计算而得，不是通过表内检索出的 + + - **ref** （显示索引的哪一列被使用了，如果可能的话，是一个常数。哪些列或常量被用于查找索引列上的值）![](https://img.starfish.ink/mysql/explain-ref.png) - ```mysql - mysql>Show variables like 'profiling'; --默认是关闭，使用前需要开启 - ``` + - **rows** （根据表统计信息及索引选用情况，大致估算找到所需的记录所需要读取的行数） - 2. 开启功能，默认是关闭，使用前需要开启 + - **filtered**（某个表经过搜索条件过滤后剩余记录条数的百分比） - ```mysql - mysql>set profiling=1; - ``` + - **Extra**（包含不适合在其他列中显示但十分重要的额外信息） - 3. 运行SQL + 额外信息有好几十个，我们看几个常见的 - 4. 查看结果，show profiles; + 1. `using filesort`：说明 MySQL 会对数据使用一个外部的索引排序，不是按照表内的索引顺序进行读取。MySQL 中无法利用索引完成的排序操作称为“文件排序”![](https://img.starfish.ink/mysql/explain-extra-using-filesort.png) - 5. 诊断SQL，show profile cpu,block io for query 上一步前面的问题SQL数字号码; + 2. `Using temporary`：使用了临时表保存中间结果，比如去重、排序之类的，比如我们在执行许多包含`DISTINCT`、`GROUP BY`、`UNION`等子句的查询过程中，如果不能有效利用索引来完成查询，`MySQL`很有可能寻求通过建立内部的临时表来执行查询。![](https://img.starfish.ink/mysql/explain-extra-using-tmp.png) - 6. 日常开发需要注意的结论 + 3. `using index`：表示相应的 select 操作中使用了覆盖索引，避免访问了表的数据行，效率不错，如果同时出现 `using where`，表明索引被用来执行索引键值的查找；否则索引被用来读取数据而非执行查找操作![](https://img.starfish.ink/mysql/explain-extra-using-index.png) - - converting HEAP to MyISAM 查询结果太大，内存都不够用了往磁盘上搬了。 + 4. `using where`：当某个搜索条件需要在`server层`进行判断时![](https://img.starfish.ink/mysql/explain-extra-using-where.png) - - create tmp table 创建临时表，这个要注意 + 5. `using join buffer`：使用了连接缓存![](https://img.starfish.ink/mysql/explain-extra-using-join-buffer.png) - - Copying to tmp table on disk 把内存临时表复制到磁盘 + 6. `impossible where`：where 子句的值总是 false，不能用来获取任何元祖![](https://img.starfish.ink/mysql/explain-extra-impossible-where.png) - - locked + 7. `Using index condition` : 查询使用了索引，但是查询条件不能完全由索引本身来满足![](https://img.starfish.ink/mysql/explain-extra-using-index-condition.png) + `Using index condition `通常出现在以下几种情况： + + - **索引条件下推（Index Condition Pushdown, ICP）**：这是 MySQL 的一个优化策略，它将查询条件的过滤逻辑“下推”到存储引擎层，而不是在服务器层处理。这样可以减少从存储引擎检索的数据量，从而提高查询效率。 + - **部分索引**：当查询条件只涉及索引的一部分列时，MySQL 可以使用索引来快速定位到满足条件的行，但是可能需要回表（即访问表的实际数据行）来检查剩余的条件。 + - **复合索引**：在使用复合索引（即索引包含多个列）的情况下，如果查询条件只匹配索引的前几列，那么剩余的列可能需要通过 `Using index condition` 来进一步过滤。 + + 8. `select tables optimized away`：在没有group by子句的情况下，基于索引优化操作或对于MyISAM存储引擎优化COUNT(*)操作，不必等到执行阶段再进行计算，查询执行计划生成的阶段即完成优化 + + 9. `distinct`：优化distinct操作，在找到第一匹配的元祖后即停止找同样值的动作 + + > **Json格式的执行计划** + > + > MySQL 5.7及以上版本支持使用`EXPLAIN FORMAT=JSON`命令，该命令返回查询的执行计划，以 JSON 格式展示。 + > + > `EXPLAIN` 的 JSON 输出包含了多个层次和字段，以下是一些主要的字段： + > + > - **`query_block`**: 表示查询块，对应于`EXPLAIN`表格中的一行。对于简单查询，只有一个查询块；对于包含子查询或UNION的复杂查询，会有多个查询块。 + > - **`select_id`**: 查询块的唯一标识符。 + > - **`select_type`**: 查询类型（如`SIMPLE`、`PRIMARY`、`UNION`等）。 + > - **`table`**: 正在访问的表名。 + > - **`partitions`**: 表分区信息。 + > - **`join`**: 如果是连接查询，这里会提供连接的详细信息。 + > - **`condition`**: 应用的条件。 + > - **`used_columns`**: 实际使用到的列。 + > - **`attached_condition`**: 附加条件，如`WHERE`子句或`ON`子句的条件。 + > - **`output`**: 表示查询块的输出，通常是一个子查询或派生表。 + > - **`cost_model`**: 包含成本模型相关的信息，如： + > - **`rows_estimated`**: 估计需要读取的行数。 + > - **`rows_examined`**: 实际检查的行数。 + > - **`cost`**: 查询的成本。 + > - **`execution_info`**: 包含执行信息，如： + > - **`execution_mode`**: 执行模式（如`PACKET_BASED`或`ROW_BASED`）。 + > + > ```mysql + > mysql> EXPLAIN FORMAT=JSON SELECT * FROM t1 INNER JOIN t2 ON t1.col1 = t2.col2 WHERE t1.common_field = 'a'\G + > *************************** 1. row *************************** + > EXPLAIN: { + > "query_block": { + > "select_id": 1, + > "cost_info": { + > "query_cost": "0.70" + > }, + > "nested_loop": [ + > { + > "table": { + > "table_name": "t1", # t1表是驱动表 + > "access_type": "ALL", # 访问方法为ALL，意味着使用全表扫描访问 + > "possible_keys": [ # 可能使用的索引 + > "idx_key1" + > ], + > "rows_examined_per_scan": 1, + > "rows_produced_per_join": 1, + > "filtered": "100.00", + > "cost_info": { + > "read_cost": "0.25", + > "eval_cost": "0.10", + > "prefix_cost": "0.35", + > "data_read_per_join": "1K" + > }, + > "used_columns": [ + > "id", + > "col1", + > "col2", + > "col3", + > "part1", + > "part2", + > "part3", + > "common_field" + > ], + > "attached_condition": "((`fish`.`t1`.`common_field` = 'a') and (`fish`.`t1`.`col1` is not null))" + > } + > }, + > { + > "table": { + > "table_name": "t2", + > "access_type": "eq_ref", + > "possible_keys": [ + > "idx_key2" + > ], + > "key": "idx_key2", + > "used_key_parts": [ + > "col2" + > ], + > "key_length": "5", + > "ref": [ + > "fish.t1.col1" + > ], + > "rows_examined_per_scan": 1, + > "rows_produced_per_join": 1, + > "filtered": "100.00", + > "index_condition": "(cast(`fish`.`t1`.`col1` as double) = cast(`fish`.`t2`.`col2` as double))", + > "cost_info": { + > "read_cost": "0.25", + > "eval_cost": "0.10", + > "prefix_cost": "0.70", + > "data_read_per_join": "1K" + > }, + > "used_columns": [ + > "id", + > "col1", + > "col2", + > "col3", + > "part1", + > "part2", + > "part3", + > "common_field" + > ] + > } + > } + > ] + > } + > } + > ``` + +##### 2.2.3 OPTIMIZER TRACE + +MySQL 的 `OPTIMIZER TRACE` 特性提供了一种深入理解查询优化器如何决定执行计划的方法。通过这个特性，你可以获取关于查询优化过程的详细信息，包括优化器所做的选择、考虑的替代方案、成本估算等 + +MySQL 5.6.3 版本开始，`OPTIMIZER TRACE` 作为一个系统变量引入。要使用它，你需要设置 `optimizer_trace` 变量为 `ON`，并确保你有 `TRACE` 权限。 + +启用 `OPTIMIZER TRACE`： +```mysql +SET optimizer_trace="enabled=on"; +``` -## 3. 性能优化 +执行你的查询后，获取优化器跟踪结果： -### 3.1 索引优化 +```mysql +SELECT * FROM information_schema.OPTIMIZER_TRACE; +``` -1. 全值匹配我最爱 -2. 最佳左前缀法则 -3. 不在索引列上做任何操作（计算、函数、(自动or手动)类型转换），会导致索引失效而转向全表扫描 -4. 存储引擎不能使用索引中范围条件右边的列 -5. 尽量使用覆盖索引(只访问索引的查询(索引列和查询列一致))，减少select -6. mysql 在使用不等于(!= 或者<>)的时候无法使用索引会导致全表扫描 -7. is null ,is not null 也无法使用索引 -8. like以通配符开头('%abc...')mysql索引失效会变成全表扫描的操作 -9. 字符串不加单引号索引失效 -10. 少用or,用它来连接时会索引失效 +`OPTIMIZER_TRACE `表包含了多个列，提供了优化器决策过程的详细信息。以下是一些关键列： +- **`query`**: 执行的SQL查询。 +- **`trace`**: 优化过程的详细跟踪信息，通常以JSON格式展示。 +- **`missed_uses`**: 优化器未能使用的潜在优化。 +- **`step`**: 优化过程中的步骤编号。 +- **`level`**: 跟踪信息的层次级别。 +- **`OK`**: 指示步骤是否成功完成。 +- **`reason`**: 如果步骤未成功，原因说明。 -**一般性建议** -- 对于单键索引，尽量选择针对当前query过滤性更好的索引 +##### 2.2.4 慢查询日志 -- 在选择组合索引的时候，当前Query中过滤性最好的字段在索引字段顺序中，位置越靠前越好。 +MySQL 的慢查询日志是 MySQL 提供的一种日志记录，它用来记录在 MySQL 中响应时间超过阈值的语句，具体指运行时间超过`long_query_time` 值的SQL，则会被记录到慢查询日志中。 -- 在选择组合索引的时候，尽量选择可以能够包含当前query中的where字句中更多字段的索引 +- `long_query_time` 的默认值为10，意思是运行10 秒以上的语句。 +- 默认情况下，MySQL 数据库没有开启慢查询日志，需要手动设置参数开启。 +- 如果不是调优需要的话，一般不建议启动该参数。 -- 尽可能通过分析统计信息和调整query的写法来达到选择合适索引的目的 +**开启慢查询日志** -- 少用Hint强制索引 +临时配置： - +```mysql +mysql> set global slow_query_log='ON'; +mysql> set global slow_query_log_file='/var/lib/mysql/hostname-slow.log'; +mysql> set global long_query_time=2; +``` -### 3.2 查询优化 +可以用 `select sleep(4)` 验证是否成功开启。 -- **永远小标驱动大表（小的数据集驱动大的数据集）** +在生产环境中，如果手工分析日志，查找、分析SQL，还是比较费劲的，所以 MySQL 提供了日志分析工具 `mysqldumpslow`。 + +> 通过 mysqldumpslow --help 查看操作帮助信息 +> +> - 得到返回记录集最多的10个SQL +> +> `mysqldumpslow -s r -t 10 /var/lib/mysql/hostname-slow.log` +> +> - 得到访问次数最多的10个SQL +> +> `mysqldumpslow -s c -t 10 /var/lib/mysql/hostname-slow.log` +> +> - 得到按照时间排序的前10条里面含有左连接的查询语句 +> +> `mysqldumpslow -s t -t 10 -g "left join" /var/lib/mysql/hostname-slow.log` +> +> - 也可以和管道配合使用 +> +> `mysqldumpslow -s r -t 10 /var/lib/mysql/hostname-slow.log | more` - `slect * from A where id in (select id from B)` +**也可使用 pt-query-digest 分析 RDS MySQL 慢查询日志** - 等价于 - `select id from B` - `select * from A where A.id=B.id` +##### 2.2.5 Show Profile 分析查询 - 当B表的数据集必须小于A表的数据集时，用in优于exists +通过慢日志查询可以知道哪些 SQL 语句执行效率低下，通过 explain 我们可以得知 SQL 语句的具体执行情况，索引使用等，还可以结合`Show Profile` 命令查看执行状态。 - `select * from A where exists (select 1 from B where B.id=A.id)` +- `Show Profile`是 MySQL 提供可以用来分析当前会话中语句执行的资源消耗情况。可以用于 SQL 的调优的测量 +- 默认情况下，参数处于关闭状态，并保存最近 15 次的运行结果 +- 分析步骤 - 等价于 +1. 启用profiling并执行查询： - `select *from A` + ```mysql + SET profiling = 1; + SELECT * FROM t1 WHERE col1 = 'a'; + ``` - `select * from B where B.id = A.id` +2. 查看所有PROFILES： - 当A表的数据集小于B表的数据集时，用exists优于用in + ```mysql + SHOW PROFILES; + ``` - 注意：A表与B表的ID字段应建立索引。 +3. 查看特定查询的 PROFILE, 进行诊断： - + ```mysql + SHOW PROFILE CPU, BLOCK IO FOR QUERY query_id; + ``` -- order by关键字优化 +![](https://img.starfish.ink/mysql/show-profile.png) -- - order by子句，尽量使用Index方式排序，避免使用FileSort方式排序 -- - - mysql支持两种方式的排序，FileSort和Index,Index效率高，它指MySQL扫描索引本身完成排序，FileSort效率较低； - - ORDER BY 满足两种情况，会使用Index方式排序；①ORDER BY语句使用索引最左前列 ②使用where子句与ORDER BY子句条件列组合满足索引最左前列 -![optimization-orderby](../../_images/mysql/optimization-orderby.png) +#### 2.3 性能优化 -- - 尽可能在索引列上完成排序操作，遵照索引建的最佳最前缀 - - 如果不在索引列上，filesort有两种算法，mysql就要启动双路排序和单路排序 +##### 2.3.1 索引优化 -- - - 双路排序 - - 单路排序 - - 由于单路是后出的，总体而言好过双路 +1. **选择合适的索引类型**：根据查询需求，选择适合的索引类型，如普通索引、唯一索引、全文索引等。 +2. **合理设计索引**：创建索引时，应考虑列的选择性，即不同值的比例，选择性高的列更应优先索引。 +3. **使用覆盖索引**：创建覆盖索引，使得查询可以直接从索引中获取所需的数据，而无需回表查询。 +4. **遵循最左前缀匹配原则**：在使用复合索引时，查询条件应该包含索引最左边的列，以确保索引的有效使用。 +5. **避免冗余和重复索引**：定期检查并删除重复或冗余的索引，以减少维护成本和提高性能。 +6. **使用索引条件下推（ICP）**：在MySQL 5.6及以上版本，利用索引条件下推减少服务器层的数据处理。 +7. **索引维护**：定期对索引进行维护，如重建索引，以保持索引的性能和效率。 +8. **使用EXPLAIN分析查询**：通过EXPLAIN命令分析查询的执行计划，确保索引被正确使用。 +9. **避免在索引列上进行运算或使用函数**：这会导致索引失效，从而进行全表扫描。 +10. **负向条件索引**：负向条件查询（如不等于、not in等）不会使用索引，建议用in查询优化。 +11. **对文本建立前缀索引**：对于长文本字段，考虑建立前缀索引以减少索引大小并提高效率。 +12. **建立索引的列不为NULL**：NULL值会影响索引的有效性，尽量确保索引列不包含NULL值。 +13. **明确知道只会返回一条记录时，使用limit 1**：这可以提高查询效率。 +14. **范围查询字段放最后**：在复合索引中，将范围查询的字段放在最后，以提高查询效率。 +15. **尽量全值匹配**：尽量使用索引列的全值匹配，以提高索引的使用效率。 +16. **Like查询时，左侧不要加%**：这会导致索引失效，应尽量避免。 +17. **注意null/not null对索引的影响**：null值可能会影响索引的使用，需要特别注意。 +18. **字符类型务必加上引号**：确保字符类型的值在使用时加上引号，以利用索引。 +19. **OR关键字左右尽量都为索引列**：确保OR条件的两侧字段都是索引列，以提高查询效率。 -- - 优化策略 +这些策略可以帮助提高 MySQL 数据库的性能，但应根据具体的数据分布和查询模式来设计索引。索引不是越多越好，不恰当的索引可能会降低数据库的插入、更新和删除性能 -- - - 增大sort_buffer_size参数的设置 - - 增大max_lencth_for_sort_data参数的设置 - ![optimization-orderby2](../../_images/mysql/optimization-orderby2.png) +##### 2.3.2 查询优化 -- GROUP BY关键字优化 - - group by实质是先排序后进行分组，遵照索引建的最佳左前缀 - - 当无法使用索引列，增大max_length_for_sort_data参数的设置+增大sort_buffer_size参数的设置 - - where高于having，能写在where限定的条件就不要去having限定了。 +1. **减少返回的列**：避免使用`SELECT *`，只选择需要的列。 +2. **减少返回的行**：使用WHERE子句精确过滤数据、使用LIMIT子句限制返回结果的数量。 +3. **优化JOIN操作**： + - 确保JOIN操作中的表已经正确索引。 + - 使用小表驱动大表的原则。 + - 考虑表的连接顺序，减少中间结果集的大小。 +4. **优化子查询**：将子查询转换为连接（JOIN）操作，以减少数据库的嵌套查询开销。 +5. **使用临时表或派生表**：对于复杂的子查询，可以考虑使用临时表或派生表来简化查询。 +6. **使用聚合函数和GROUP BY优化**： + - 在适当的情况下使用聚合函数减少数据量。 + - 确保GROUP BY子句中的列上有索引。 +7. **避免在WHERE子句中使用函数**：这可能导致索引失效，从而进行全表扫描。 +8. **优化ORDER BY子句**：如果可能，使用索引排序来优化排序操作。 +9. **使用UNION ALL代替UNION**：如果不需要去重，使用UNION ALL可以提高性能。 +10. **优化数据表结构**：避免冗余字段，使用合适的数据类型。 +11. **使用分区表**：对于非常大的表，使用分区可以提高查询效率。 +12. **使用缓存**：对于重复查询的数据，使用缓存来减少数据库的访问。 +13. **避免使用SELECT DISTINCT**：DISTINCT操作会降低查询性能，仅在必要时使用。 +14. **优化LIKE语句**：避免在LIKE语句中使用前导通配符（如'%keyword'）。 +15. **使用合适的事务隔离级别**：降低事务隔离级别可以减少锁的竞争，但要注意数据一致性。 +16. **监控和优化慢查询**：开启慢查询日志，定期分析慢查询，找出性能瓶颈。 +17. **批量操作**：对于插入或更新操作，尽量使用批量操作来减少事务开销。 +18. **避免在索引列上使用OR条件**：OR条件可能导致查询优化器放弃使用索引。 +19. **使用物化视图**：对于复杂的查询，可以考虑使用物化视图来预先计算并存储结果。 -### 3.3 数据类型优化 +##### 2.3.3 数据类型优化 -MySQL支持的数据类型非常多，选择正确的数据类型对于获取高性能至关重要。不管存储哪种类型的数据，下面几个简单的原则都有助于做出更好的选择。 +MySQL 支持的数据类型非常多，选择正确的数据类型对于获取高性能至关重要。不管存储哪种类型的数据，下面几个简单的原则都有助于做出更好的选择。 - 更小的通常更好：一般情况下，应该尽量使用可以正确存储数据的最小数据类型。 @@ -424,7 +640,50 @@ MySQL支持的数据类型非常多，选择正确的数据类型对于获取高 - 尽量避免NULL：通常情况下最好指定列为NOT NULL + + +> 规范： +> +> - 必须把字段定义为NOT NULL并且提供默认值 +> - null的列使索引/索引统计/值比较都更加复杂，对MySQL来说更难优化 +> - null 这种类型MySQL内部需要进行特殊处理，增加数据库处理记录的复杂性；同等条件下，表中有较多空字段的时候，数据库的处理性能会降低很多 +> - null值需要更多的存储空，无论是表还是索引中每行中的null的列都需要额外的空间来标识 +> - 对null 的处理时候，只能采用is null或is not null，而不能采用=、in、<、<>、!=、not in这些操作符号。如：where name!=’shenjian’，如果存在name为null值的记录，查询结果就不会包含name为null值的记录 +> +> - **禁止使用TEXT、BLOB类型**：会浪费更多的磁盘和内存空间，非必要的大量的大字段查询会淘汰掉热数据，导致内存命中率急剧降低，影响数据库性能 +> +> - **禁止使用小数存储货币** +> - 必须使用varchar(20)存储手机号 +> +> - **禁止使用ENUM，可使用TINYINT代替** +> +> - 禁止在更新十分频繁、区分度不高的属性上建立索引 +> +> - 禁止使用INSERT INTO t_xxx VALUES(xxx)，必须显示指定插入的列属性 +> +> - 禁止使用属性隐式转换：SELECT uid FROM t_user WHERE phone=13812345678 会导致全表扫描 +> +> - 禁止在WHERE条件的属性上使用函数或者表达式 +> +> - `SELECT uid FROM t_user WHERE from_unixtime(day)>='2017-02-15' `会导致全表扫描 +> +> - 正确的写法是：`SELECT uid FROM t_user WHERE day>= unix_timestamp('2017-02-15 00:00:00')` +> +> - 建立组合索引，必须把区分度高的字段放在前面 +> +> - 禁止负向查询，以及%开头的模糊查询 +> +> - 负向查询条件：NOT、!=、<>、!<、!>、NOT IN、NOT LIKE等，会导致全表扫描 +> - %开头的模糊查询，会导致全表扫描 +> +> - 禁止大表使用JOIN查询，禁止大表使用子查询：会产生临时表，消耗较多内存与CPU，极大影响数据库性能 +> + +### References + +- [58到家数据库30条军规解读](https://mp.weixin.qq.com/s?__biz=MjM5ODYxMDA5OQ==&mid=2651959906&idx=1&sn=2cbdc66cfb5b53cf4327a1e0d18d9b4a&chksm=bd2d07be8a5a8ea86dc3c04eced3f411ee5ec207f73d317245e1fefea1628feb037ad71531bc&scene=21#wechat_redirect) + + -> https://www.jianshu.com/p/3c79039e82aa diff --git a/docs/data-management/MySQL/MySQL-Optimize.md b/docs/data-management/MySQL/MySQL-Optimize.md deleted file mode 100755 index f7766dfff5..0000000000 --- a/docs/data-management/MySQL/MySQL-Optimize.md +++ /dev/null @@ -1,38 +0,0 @@ ---- -title: MySQL 优化 -date: 2022-02-09 -tags: - - MySQL 优化 -categories: MySQL ---- - -![](https://images.pexels.com/photos/442152/pexels-photo-442152.jpeg?cs=srgb&dl=pexels-field-engineer-442152.jpg&fm=jpg) - -MySQL 优化包括查询优化、索引优化、库表结构优化 等等 - -操作系统和硬件 - -## 查询优化 - -### 为什么查询速度会慢 - - - -## 索引优化 - - - - - -## Schema 与 数据类型优化 - - - -## 操作系统和硬件优化 - - - - - - - diff --git a/docs/data-management/MySQL/MySQL-Schema.md b/docs/data-management/MySQL/MySQL-Schema.md deleted file mode 100644 index 411e779fcb..0000000000 --- a/docs/data-management/MySQL/MySQL-Schema.md +++ /dev/null @@ -1,237 +0,0 @@ -- 尽量避免过度设计，例如会导致极其复杂查询的schema设计，或者有很多列的表设计 -- 使用小而简单的合适数据类型，除非真实数据模型中有确切的需要，否则应该尽可能的避免使用NULL值。 -- 尽量使用相同的数据类型存储相似或相关的值，尤其是要在关联条件中使用的列。 -- 注意可变长字符串，其在临时表和排序时可能导致悲观的按最大长度分配内存。 -- 尽量使用整型定义标识列。 -- 避免使用MySQL已经遗弃的特性，例如指定浮点数的精度，或者整数的显示宽度。 -- 小心使用ENUM和SET。 -- 最好避免使用BIT。 - - - - - -# 58到家数据库30条军规解读 - -**军规适用场景**：并发量大、数据量大的互联网业务 - -**军规**：介绍内容 - -**解读**：讲解原因，解读比军规更重要 - - - -## 一、基础规范 - -**（1）必须使用InnoDB存储引擎** - -解读：支持事务、行级锁、并发性能更好、CPU及内存缓存页优化使得资源利用率更高 - - - -**（2）必须使用UTF8字符集** - -解读：万国码，无需转码，无乱码风险，节省空间 - - - -**（3）数据表、数据字段必须加入中文注释** - -解读：N年后谁tm知道这个r1,r2,r3字段是干嘛的 - - - -**（4）禁止使用存储过程、视图、触发器、Event** - -解读：高并发大数据的互联网业务，架构设计思路是“解放数据库CPU，将计算转移到服务层”，并发量大的情况下，这些功能很可能将数据库拖死，业务逻辑放到服务层具备更好的扩展性，能够轻易实现“增机器就加性能”。数据库擅长存储与索引，CPU计算还是上移吧 - - - -**（5）禁止存储大文件或者大照片** - -解读：为何要让数据库做它不擅长的事情？大文件和照片存储在文件系统，数据库里存URI多好 - - - -## 二、命名规范 - -**（6）只允许使用内网域名，而不是ip连接数据库** - - - -**（7）线上环境、开发环境、测试环境数据库内网域名遵循命名规范** - -业务名称：xxx - -线上环境：dj.xxx.db - -开发环境：dj.xxx.rdb - -测试环境：dj.xxx.tdb - -**从库**在名称后加-s标识，**备库**在名称后加-ss标识 - -线上从库：dj.xxx-s.db - -线上备库：dj.xxx-sss.db - - -**（8）库名、表名、字段名：小写，下划线风格，不超过32个字符，必须见名知意，禁止拼音英文混用 - -（9）表名t_xxx，非唯一索引名idx_xxx，唯一索引名uniq_xxx** - -**（10）单实例表数目必须小于500** - - -**（11）单表列数目必须小于30** - -解读： - -a）主键递增，数据行写入可以提高插入性能，可以避免page分裂，减少表碎片提升空间和内存的使用 - -b）主键要选择较短的数据类型， Innodb引擎普通索引都会保存主键的值，较短的数据类型可以有效的减少索引的磁盘空间，提高索引的缓存效率 - -c） 无主键的表删除，在row模式的主从架构，会导致备库夯住 - - - -**（13）禁止使用外键，如果有外键完整性约束，需要应用程序控制** - -解读：外键会导致表与表之间耦合，update与delete操作都会涉及相关联的表，十分影响sql 的性能，甚至会造成死锁。高并发情况下容易造成数据库性能，大数据高并发业务场景数据库使用以性能优先 - - - -## 四、字段设计规范 - -**（14）必须把字段定义为NOT NULL并且提供默认值** - -解读： - -a）null的列使索引/索引统计/值比较都更加复杂，对MySQL来说更难优化 - -b）null 这种类型MySQL内部需要进行特殊处理，增加数据库处理记录的复杂性；同等条件下，表中有较多空字段的时候，数据库的处理性能会降低很多 - -c）null值需要更多的存储空，无论是表还是索引中每行中的null的列都需要额外的空间来标识 - -d）对null 的处理时候，只能采用is null或is not null，而不能采用=、in、<、<>、!=、not in这些操作符号。如：where name!=’shenjian’，如果存在name为null值的记录，查询结果就不会包含name为null值的记录 - - - -**（15）禁止使用TEXT、BLOB类型** - -解读：会浪费更多的磁盘和内存空间，非必要的大量的大字段查询会淘汰掉热数据，导致内存命中率急剧降低，影响数据库性能 - - - -**（16）禁止使用小数存储货币** - -解读：使用整数吧，小数容易导致钱对不上 - - - -**（17）必须使用varchar(20)存储手机号** - -解读： - -a）涉及到区号或者国家代号，可能出现+-() - -b）手机号会去做数学运算么？ - -c）varchar可以支持模糊查询，例如：like“138%” - - - -**（18）禁止使用ENUM，可使用TINYINT代替** - -解读： - -a）增加新的ENUM值要做DDL操作 - -b）ENUM的内部实际存储就是整数，你以为自己定义的是字符串？ - - - -## 五、索引设计规范 - -**（19）单表索引建议控制在5个以内** - - - -**（20）单索引字段数不允许超过5个** - -解读：字段超过5个时，实际已经起不到有效过滤数据的作用了 - - - -**（21）禁止在更新十分频繁、区分度不高的属性上建立索引** - -解读： - -a）更新会变更B+树，更新频繁的字段建立索引会大大降低数据库性能 - -b）“性别”这种区分度不大的属性，建立索引是没有什么意义的，不能有效过滤数据，性能与全表扫描类似 - - - -**（22）建立组合索引，必须把区分度高的字段放在前面** - -解读：能够更加有效的过滤数据 - - - -## 六、SQL使用规范 - -**（23）禁止使用SELECT \*，只获取必要的字段，需要显示说明列属性** - -解读： - -a）读取不需要的列会增加CPU、IO、NET消耗 - -b）不能有效的利用覆盖索引 - -c）使用SELECT *容易在增加或者删除字段后出现程序BUG - - - -**（24）禁止使用INSERT INTO t_xxx VALUES(xxx)，必须显示指定插入的列属性** - -解读：容易在增加或者删除字段后出现程序BUG - - - -**（25）禁止使用属性隐式转换** - -解读：SELECT uid FROM t_user WHERE phone=13812345678 会导致全表扫描，而不能命中phone索引，猜猜为什么？（这个线上问题不止出现过一次） - - - -**（26）禁止在WHERE条件的属性上使用函数或者表达式** - -解读：SELECT uid FROM t_user WHERE from_unixtime(day)>='2017-02-15' 会导致全表扫描 - -正确的写法是：SELECT uid FROM t_user WHERE day>= unix_timestamp('2017-02-15 00:00:00') - - - -**（27）禁止负向查询，以及%开头的模糊查询** - -解读： - -a）负向查询条件：NOT、!=、<>、!<、!>、NOT IN、NOT LIKE等，会导致全表扫描 - -b）%开头的模糊查询，会导致全表扫描 - - - -**（28）禁止大表使用JOIN查询，禁止大表使用子查询** - -解读：会产生临时表，消耗较多内存与CPU，极大影响数据库性能 - - - -**（29）禁止使用OR条件，必须改为IN查询** - -解读：旧版本Mysql的OR查询是不能命中索引的，即使能命中索引，为何要让数据库耗费更多的CPU帮助实施查询优化呢？ - - -**（30）应用程序必须捕获SQL异常，并有相应处理** \ No newline at end of file diff --git a/docs/data-management/MySQL/MySQL-Segmentation.md b/docs/data-management/MySQL/MySQL-Segmentation.md index 190a52d5f8..c406866d38 100644 --- a/docs/data-management/MySQL/MySQL-Segmentation.md +++ b/docs/data-management/MySQL/MySQL-Segmentation.md @@ -36,48 +36,77 @@ subtopic -### 分区类型及操作 - -#### RANGE分区 - -mysql将会根据指定的拆分策略，,把数据放在不同的表文件上。相当于在文件上,被拆成了小块.但是,对外给客户的感觉还是一张表，透明的。 - - 按照 range 来分，就是每个库一段连续的数据，这个一般是按比如**时间范围**来的，但是这种一般较少用，因为很容易产生热点问题，大量的流量都打在最新的数据上了。 - - range 来分，好处在于说，扩容的时候很简单 - -#### List分区 - -MySQL中的LIST分区在很多方面类似于RANGE分区。和按照RANGE分区一样，每个分区必须明确定义。它们的主要区别在于，LIST分区中每个分区的定义和选择是基于某列的值从属于一个值列表集中的一个值，而RANGE分区是从属于一个连续区间值的集合。 - -#### 其它 - -- Hash分区: hash 分发，好处在于说，可以平均分配每个库的数据量和请求压力；坏处在于说扩容起来比较麻烦，会有一个数据迁移的过程，之前的数据需要重新计算 hash 值重新分配到不同的库或表 - -- Key分区 - -- 子分区 - -#### 对NULL值的处理 - - -MySQL中的分区在禁止空值NULL上没有进行处理，无论它是一个列值还是一个用户定义表达式的值，一般而言，在这种情况下MySQL把NULL当做零。如果你不希望出现类似情况，建议在设计表时声明该列“NOT NULL” - +- **RANGE分区**：基于属于一个给定连续区间的列值，把多行分配给分区。mysql将会根据指定的拆分策略，把数据放在不同的表文件上。相当于在文件上,被拆成了小块.但是,对外给客户的感觉还是一张表，透明的。 + + 按照 range 来分，就是每个库一段连续的数据，这个一般是按比如**时间范围**来的，比如交易表啊，销售表啊等，可以根据年月来存放数据。可能会产生热点问题，大量的流量都打在最新的数据上了。 + + range 来分，好处在于说，扩容的时候很简单。 + + ```mysql + CREATE TABLE sales ( + id INT, + amount DECIMAL(10,2), + sale_date DATE + ) + PARTITION BY RANGE (YEAR(sale_date)) ( + PARTITION p0 VALUES LESS THAN (2000), + PARTITION p1 VALUES LESS THAN (2005), + PARTITION p2 VALUES LESS THAN (2010), + PARTITION p3 VALUES LESS THAN MAXVALUE + ); + ``` + +- **LIST分区**：按列表划分，类似于RANGE分区，但使用的是明确的值列表。 + + 它们的主要区别在于，LIST分区中每个分区的定义和选择是基于某列的值从属于一个值列表集中的一个值，而RANGE分区是从属于一个连续区间值的集合。 + + ```mysql + CREATE TABLE customers ( + id INT, + name VARCHAR(50), + country VARCHAR(50) + ) + PARTITION BY LIST (country) ( + PARTITION p0 VALUES IN ('USA', 'Canada'), + PARTITION p1 VALUES IN ('UK', 'France'), + PARTITION p2 VALUES IN ('Germany', 'Italy') + ); + ``` + +- **HASH分区**：按哈希算法划分，将数据根据某个列的哈希值均匀分布到不同的分区中。 + + hash 分发，好处在于说，可以平均分配每个库的数据量和请求压力；坏处在于说扩容起来比较麻烦，会有一个数据迁移的过程，之前的数据需要重新计算 hash 值重新分配到不同的库或表 + + ```mysql + CREATE TABLE orders ( + id INT, + order_date DATE, + customer_id INT + ) + PARTITION BY HASH(id) PARTITIONS 4; + ``` + +- **KEY分区**：类似于HASH分区，但使用MySQL内部的哈希函数。 + + ```mysql + CREATE TABLE logs ( + id INT, + log_date DATE + ) + PARTITION BY KEY(id) PARTITIONS 4; + ``` + **看上去分区表很帅气，为什么大部分互联网还是更多的选择自己分库分表来水平扩展咧？** -回答： +- 分区表，分区键设计不太灵活，如果不走分区键，很容易出现全表锁 -1）分区表，分区键设计不太灵活，如果不走分区键，很容易出现全表锁 - -2）一旦数据量并发量上来，如果在分区表实施关联，就是一个灾难 - -3）自己分库分表，自己掌控业务场景与访问模式，可控。分区表，研发写了一个sql，都不确定mysql是怎么玩的，不太可控 - -4）运维的坑，嘿嘿 +- 一旦数据并发量上来，如果在分区表实施关联，就是一个灾难 +- 自己分库分表，自己掌控业务场景与访问模式，可控。分区表，研发写了一个sql，都不确定mysql是怎么玩的，不太可控 + ## Mysql分库 diff --git a/docs/data-management/MySQL/MySQL-Storage-Engines.md b/docs/data-management/MySQL/MySQL-Storage-Engines.md index 0e93d617c1..19f5543935 100644 --- a/docs/data-management/MySQL/MySQL-Storage-Engines.md +++ b/docs/data-management/MySQL/MySQL-Storage-Engines.md @@ -1,14 +1,39 @@ -# Mysql Storage Engines +--- +title: MySQL Storage Engine +date: 2023-05-31 +tags: + - MySQL +categories: MySQL +--- + +![img](https://dbastack.com/wp-content/uploads/2024/09/MySQL-Storage-Engine-3.png.webp) + +> 存储引擎是 MySQL 的组件，用于处理不同表类型的 SQL 操作。不同的存储引擎提供不同的存储机制、索引技巧、锁定水平等功能，使用不同的存储引擎，还可以获得特定的功能。 +> +> 使用哪一种引擎可以灵活选择，**一个数据库中多个表可以使用不同引擎以满足各种性能和实际需求**，使用合适的存储引擎，将会提高整个数据库的性能 。 +> +> MySQL 服务器使用可插拔的存储引擎体系结构，可以从运行中的MySQL服务器加载或卸载存储引擎 。 -存储引擎是 MySQL 的组件，用于处理不同表类型的 SQL 操作。不同的存储引擎提供不同的存储机制、索引技巧、锁定水平等功能，使用不同的存储引擎，还可以获得特定的功能。 +> [MySQL 5.7 可供选择的存储引擎](https://dev.mysql.com/doc/refman/5.7/en/storage-engines.html) -使用哪一种引擎可以灵活选择，**一个数据库中多个表可以使用不同引擎以满足各种性能和实际需求**，使用合适的存储引擎，将会提高整个数据库的性能 。 +## 一、存储引擎的作用与架构 - MySQL服务器使用可插拔的存储引擎体系结构，可以从运行中的MySQL服务器加载或卸载存储引擎 。 +MySQL 存储引擎是数据库的底层核心组件，负责数据的**存储、检索、事务控制**以及**并发管理**。其架构采用**插件式设计**，允许用户根据业务需求灵活选择引擎类型，例如 InnoDB、MyISAM、Memory 等。这种设计将**查询处理**与**数据存储**解耦，提升了系统的可扩展性和灵活性 。 + +MySQL 的体系架构分为四层： + +- **连接层**：管理客户端连接、认证与线程分配，支持 SSL 安全协议。 +- **核心服务层**：处理 SQL 解析、优化、缓存及内置函数执行。 +- **存储引擎层**：实际负责数据的存储和提取，支持多引擎扩展。 +- **数据存储层**：通过文件系统与存储引擎交互，管理物理文件。 -> [MySQL 5.7 可供选择的存储引擎](https://dev.mysql.com/doc/refman/5.7/en/storage-engines.html) -### 查看存储引擎 + +## 二、核心存储引擎详解 + +### 2.1 常用存储引擎 + +**查看存储引擎** ```mysql -- 查看支持的存储引擎 @@ -25,166 +50,143 @@ show table status like 'tablename' show table status from database where name="tablename" ``` -![mysql-engines](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/mysql/mysql-engines.png) +以下是 MySQL 主要存储引擎的对比表格，整合了各引擎的核心特性及适用场景，结合最新版本（MySQL 8.0+）特性更新： +| **存储引擎** | **核心特性** | **事务支持** | **锁级别** | **索引类型** | **文件结构** | **适用场景** | +| ---------------------- | ------------------------------------------------------------ | ------------ | -------------- | ----------------------- | -------------------------------------- | -------------------------------- | +| **InnoDB** | 支持ACID事务、行级锁、MVCC、外键约束，具备崩溃恢复能力，默认使用聚簇索引 | ✅ | 行锁/表锁 | B+Tree/全文索引（5.6+） | `.ibd`（数据+索引）、`.frm`（表结构） | 高并发OLTP（电商交易、金融系统） | +| **MyISAM** | 非事务型，表级锁，支持全文索引和压缩表，查询速度快 | ❌ | 表锁 | B+Tree/全文索引 | `.MYD`（数据）、`.MYI`（索引）、`.frm` | 静态报表、日志分析、只读业务 | +| **Memory** | 数据全内存存储，哈希索引加速查询，重启后数据丢失 | ❌ | 表锁 | Hash/B-Tree | `.frm`（仅表结构） | 临时表、会话缓存、高速缓存层 | +| **Archive** | 仅支持INSERT/SELECT，Zlib压缩存储（压缩率10:1），无索引 | ❌ | 行锁（仅插入） | ❌ | `.ARZ`（数据）、`.ARM`（元数据） | 历史数据归档、审计日志 | +| **CSV** | 数据以CSV格式存储，可直接文本编辑，不支持索引 | ❌ | 表锁 | ❌ | `.CSV`（数据）、`.CSM`（元数据） | 数据导入/导出中间表 | +| **Blackhole** | 写入数据即丢弃，仅保留二进制日志，用于复制链路中继 | ❌ | ❌ | ❌ | `.frm`（仅表结构） | 主从复制中继、性能测试 | +| **Federated** | 代理访问远程表，本地无实际数据存储 | ❌ | 依赖远程表引擎 | 依赖远程表引擎 | `.frm`（仅表结构） | 分布式数据聚合 | +| **NDB** | 集群式存储引擎，支持数据自动分片和高可用性 | ✅ | 行锁 | Hash/B-Tree | 数据存储在集群节点 | MySQL Cluster分布式系统 | +| **Merge** | 聚合多个MyISAM表，逻辑上作为单个表操作 | ❌ | 表锁 | B-Tree | `.MRG`（聚合定义）、底层使用MyISAM文件 | 分库分表聚合查询 | +| **Performance Schema** | 内置性能监控引擎，采集服务器运行时指标 | ❌ | ❌ | ❌ | 内存存储，无物理文件 | 性能监控与诊断 | -### 设置存储引擎 -```mysql --- 建表时指定存储引擎。默认的就是INNODB，不需要设置 -CREATE TABLE t1 (i INT) ENGINE = INNODB; -CREATE TABLE t2 (i INT) ENGINE = CSV; -CREATE TABLE t3 (i INT) ENGINE = MEMORY; +### 2.2 存储引擎架构演进 --- 修改存储引擎 -ALTER TABLE t ENGINE = InnoDB; +**1. MySQL 8.0 关键改进** --- 修改默认存储引擎，也可以在配置文件my.cnf中修改默认引擎 -SET default_storage_engine=NDBCLUSTER; -``` - - 默认情况下，每当CREATE TABLE或ALTER TABLE不能使用默认存储引擎时，都会生成一个警告。为了防止在所需的引擎不可用时出现令人困惑的意外行为，可以启用`NO_ENGINE_SUBSTITUTION SQL`模式。如果所需的引擎不可用，则此设置将产生错误而不是警告，并且不会创建或更改表 +- 原子 DDL：DDL操作（如CREATE TABLE）具备事务性，失败时自动回滚元数据变更 +- 数据字典升级：系统表全部转为InnoDB引擎，替代原有的.frm文件，实现事务化元数据管理 +- Redo日志优化：MySQL 8.0.30+ 引入 `innodb_redo_log_capacity` 参数替代旧版日志配置，支持动态调整redo日志大小 + **2. 物理文件结构变化** +| 文件类型 | 5.7及之前版本 | 8.0+版本 | 作用 | +| -------------- | ------------- | ------------------ | ------------------ | +| 表结构定义文件 | .frm | .sdi (JSON格式) | 存储表结构元数据 6 | +| 事务日志 | ibdata1 | undo_001, undo_002 | 独立UNDO表空间 | +| 数据文件 | .ibd | .ibd | 表数据与索引存储 | +| 临时文件 | ibtmp1 | ibtmp1 | 临时表空间 | -### 常用存储引擎 +> 示例：通过 `SHOW CREATE TABLE` 可查看SDI元数据，支持 JSON 格式导出 -#### InnoDB -**InnoDB 是 MySQL5.7 默认的存储引擎，主要特性有** -- InnoDB存储引擎维护自己的缓冲池，在访问数据时将表和索引数据缓存在主内存中 -- 支持事务 -- 支持外键 -- B-Tree索引 -- 不支持集群 -- 聚簇索引 -- 行锁 -- 支持地理位置的数据类型和索引 +### 2.3 Innodb 引擎的 4 大特性 +#### **1. 插入缓冲（Insert Buffer / Change Buffer）** +- **作用**：优化非唯一二级索引的插入、删除、更新（即 DML 操作）性能，减少磁盘随机 I/O 开销。 +- 原理： + - 当非唯一索引页不在内存中时，操作会被暂存到 Change Buffer（内存区域）中，而非直接写入磁盘。 + - 后续通过合并（Merge）操作，将多个离散的修改批量写入磁盘，减少 I/O 次数。 +- 适用条件： + - 仅针对非唯一二级索引。 + - 可通过参数 `innodb_change_buffer_max_size` 调整缓冲区大小（默认 25% 缓冲池）。 +#### 2. 二次写（Double Write） -##### MySQL之Innodb引擎的4大特性 +- 作用：防止因部分页写入（Partial Page Write）导致的数据页损坏，确保崩溃恢复的可靠性。 +- 流程： + - 脏页刷盘时，先写入内存的 Doublewrite Buffer，再分两次（每次 1MB）顺序写入共享表空间的连续磁盘区域。 + - 若数据页写入过程中崩溃，恢复时从共享表空间副本还原损坏页，再通过 Redo Log 恢复。 +- 意义：牺牲少量顺序 I/O 换取数据完整性，避免因随机 I/O 中断导致数据丢失。 -1. 插入缓冲 （Insert Buffer/Change Buffer） -2. 双写机制（Double Write） -3. 自适应哈希索引（Adaptive Hash Index，AHI） -4. 预读 （Read Ahead） +#### 3. 自适应哈希索引（Adaptive Hash Index, AHI） +- 作用：自动为高频访问的索引页创建哈希索引，加速查询速度（尤其等值查询）。 +- 触发条件： -#### MyISAM + - 同一索引被连续访问 17 次以上。 + - 某页被访问超过 100 次，且访问模式一致（如固定 WHERE 条件）。 -在 5.1 版本之前，MyISAM 是 MySQL 的默认存储引擎，MyISAM 并发性比较差，使用的场景比较少，主要特点是 +- 限制 -每个MyISAM表存储在磁盘上的三个文件中 。这些文件的名称以表名开头，并有一个扩展名来指示文件类型 。 + ：仅对热点数据生效，无法手动指定，可通过参数 `innodb_adaptive_hash_index` 启用或关闭。 -`.frm`文件存储表的格式。 `.MYD` (`MYData`) 文件存储表的数据。 `.MYI` (`MYIndex`) 文件存储索引。 +#### 4. 预读（Read Ahead） - **MyISAM表具有以下特征** +- 作用：基于空间局部性原理，异步预加载相邻数据页到缓冲池，减少未来查询的磁盘 I/O。 +- 模式： + - 线性预读：按顺序访问的页超过阈值时，预加载下一批连续页（默认 64 页为一个块）。 + - 随机预读（已废弃）：当某块中部分页在缓冲池时，预加载剩余页，但因性能问题被弃用。 -- 每个MyISAM表最大索引数是64，这可以通过重新编译来改变。每个索引最大的列数是16 -- 每个MyISAM表都支持一个`AUTO_INCREMENT`的内部列。当执行`INSERT`或者`UPDATE`操作的时候，MyISAM自动更新这个列，这使得`AUTO_INCREMENT`列更快。 -- 当把删除和更新及插入操作混合使用的时候，动态尺寸的行产生更少碎片。这要通过合并相邻被删除的块，若下一个块被删除，就扩展到下一块自动完成 +#### 其他重要特性补充 -- MyISAM支持**并发插入** -- **可以将数据文件和索引文件放在不同物理设备上的不同目录中**，以更快地使用数据目录和索引目录表选项来创建表 -- BLOB和TEXT列可以被索引 -- **NULL被允许在索引的列中**，这个值占每个键的0~1个字节 -- 每个字符列可以有不同的字符集 -- **`MyISAM` 表使用 B-tree 索引** -- MyISAM表的行最大限制为 (2^32)^2 (1.844E+19) -- 大文件（达到63位文件长度）在支持大文件的文件系统和操作系统上被支持 -- 键的最大长度为1000字节，这也可以通过重新编译来改变，对于键长度超过250字节的情况，一个超过1024字节的键将被用上 +尽管上述四点是核心性能优化特性，但 InnoDB 的其他关键能力也值得注意： -- VARCHAR支持固定或动态记录长度 -- 表中VARCHAR和CHAR列的长度总和有可能达到64KB -- 任意长度的唯一约束 +- 事务支持：通过 ACID 特性（原子性、一致性、隔离性、持久性）保障数据一致性。 +- 行级锁与外键约束：支持高并发与数据完整性。 +- **崩溃恢复**：结合 Redo Log 和 Double Write 实现快速恢复 -- All data values are stored with the low byte first. This makes the data machine and operating system independent. -- All numeric key values are stored with the high byte first to permit better index compression - todo：最后两条没搞懂啥意思 +### 2.4 数据的存储 +在整个数据库体系结构中，我们可以使用不同的存储引擎来存储数据，而绝大多数存储引擎都以二进制的形式存储数据；我们来看下InnoDB 中对数据是如何存储的。 +在 InnoDB 存储引擎中，所有的数据都被逻辑地存放在表空间中，表空间（tablespace）是存储引擎中最高的存储逻辑单位，在表空间的下面又包括段（segment）、区（extent）、页（page） -### 存储引擎对比 - -| 对比项 | MyISAM | InnoDB | -| -------- | -------------------------------------------------------- | ------------------------------------------------------------ | -| 主外键 | 不支持 | 支持 | -| 事务 | 不支持 | 支持 | -| 行表锁 | 表锁，即使操作一条记录也会锁住整个表，不适合高并发的操作 | 行锁,操作时只锁某一行，不对其它行有影响，
适合高并发的操作 | -| 缓存 | 只缓存索引，不缓存真实数据 | 不仅缓存索引还要缓存真实数据，对内存要求较高，而且内存大小对性能有决定性的影响 | -| 表空间 | 小 | 大 | -| 关注点 | 性能 | 事务 | -| 默认安装 | 是 | 是 | +![](https://img.starfish.ink/mysql/table-space.jpg) -官方提供的多种引擎对比 - -| Feature | MyISAM | Memory | InnoDB | Archive | NDB | -| ------------------------------------------ | ------------ | ---------------- | ------------ | ------------ | ------------ | -| **B-tree indexes** | Yes | Yes | Yes | No | No | -| **Backup/point-in-time recovery** (note 1) | Yes | Yes | Yes | Yes | Yes | -| **Cluster database support** | No | No | No | No | Yes | -| **Clustered indexes** | No | No | Yes | No | No | -| **Compressed data** | Yes (note 2) | No | Yes | Yes | No | -| **Data caches** | No | N/A | Yes | No | Yes | -| **Encrypted data** | Yes (note 3) | Yes (note 3) | Yes (note 4) | Yes (note 3) | Yes (note 3) | -| **Foreign key support** | No | No | Yes | No | Yes (note 5) | -| **Full-text search indexes** | Yes | No | Yes (note 6) | No | No | -| **Geospatial data type support** | Yes | No | Yes | Yes | Yes | -| **Geospatial indexing support** | Yes | No | Yes (note 7) | No | No | -| **Hash indexes** | No | Yes | No (note 8) | No | Yes | -| **Index caches** | Yes | N/A | Yes | No | Yes | -| **Locking granularity** | Table | Table | Row | Row | Row | -| **MVCC** | No | No | Yes | No | No | -| **Replication support** (note 1) | Yes | Limited (note 9) | Yes | Yes | Yes | -| **Storage limits** | 256TB | RAM | 64TB | None | 384EB | -| **T-tree indexes** | No | No | No | No | Yes | -| **Transactions** | No | No | Yes | No | Yes | -| **Update statistics for data dictionary** | Yes | Yes | Yes | Yes | Yes | - - - -### 数据的存储 - -在整个数据库体系结构中，我们可以使用不同的存储引擎来存储数据，而绝大多数存储引擎都以二进制的形式存储数据；这一节会介绍 InnoDB 中对数据是如何存储的。 + 同一个数据库实例的所有表空间都有相同的页大小；默认情况下，表空间中的页大小都为 16KB，当然也可以通过改变 `innodb_page_size` 选项对默认大小进行修改，需要注意的是不同的页大小最终也会导致区大小的不同 -在 InnoDB 存储引擎中，所有的数据都被逻辑地存放在表空间中，表空间（tablespace）是存储引擎中最高的存储逻辑单位，在表空间的下面又包括段（segment）、区（extent）、页（page） +对于 16KB 的页来说，连续的 64 个页就是一个区，也就是 1 个区默认占用 1 MB 空间的大小。 + +#### 数据页结构 - ![tablespace-segment-extent-page-row](../../_images/mysql/tablespace-segment-extent-page-row.jpg) +页是 InnoDB 存储引擎管理数据的最小磁盘单位，一个页的大小一般是 `16KB`。 - 同一个数据库实例的所有表空间都有相同的页大小；默认情况下，表空间中的页大小都为 16KB，当然也可以通过改变 `innodb_page_size` 选项对默认大小进行修改，需要注意的是不同的页大小最终也会导致区大小的不同 +`InnoDB` 为了不同的目的而设计了许多种不同类型的`页`，比如存放表空间头部信息的页，存放 `Insert Buffer` 信息的页，存放 `INODE`信息的页，存放 `undo` 日志信息的页等等等等。 -![img](https://oss-emcsprod-public.modb.pro/wechatSpider/modb_20210809_11aefc96-f8bc-11eb-b9b6-00163e068ecd.png) + B-Tree 节点就是实际存放表中数据的页面，我们在这里将要介绍页是如何组织和存储记录的；首先，一个 InnoDB 页有以下七个部分： -从图中可以看出，在 InnoDB 存储引擎中，一个区的大小最小为 1MB，页的数量最少为 64 个。 +![](https://img.starfish.ink/mysql/innodb-b-tree-node.jpg) +有的部分占用的字节数是确定的，有的部分占用的字节数是不确定的。 +| 名称 | 中文名 | 占用空间大小 | 简单描述 | +| -------------------- | ------------------ | ------------ | ------------------------ | +| `File Header` | 文件头部 | `38`字节 | 页的一些通用信息 | +| `Page Header` | 页面头部 | `56`字节 | 数据页专有的一些信息 | +| `Infimum + Supremum` | 最小记录和最大记录 | `26`字节 | 两个虚拟的行记录 | +| `User Records` | 用户记录 | 不确定 | 实际存储的行记录内容 | +| `Free Space` | 空闲空间 | 不确定 | 页中尚未使用的空间 | +| `Page Directory` | 页面目录 | 不确定 | 页中的某些记录的相对位置 | +| `File Trailer` | 文件尾部 | `8`字节 | 校验页是否完整 | -#### 如何存储表 +在页的 7 个组成部分中，我们自己存储的记录会按照我们指定的`行格式`存储到 `User Records` 部分。但是在一开始生成页的时候，其实并没有 `User Records` 这个部分，每当我们插入一条记录，都会从 `Free Space` 部分，也就是尚未使用的存储空间中申请一个记录大小的空间划分到 `User Records` 部分，当 `Free Space` 部分的空间全部被 `User Records` 部分替代掉之后，也就意味着这个页使用完了，如果还有新的记录插入的话，就需要去申请新的页了，这个过程的图示如下： -MySQL 使用 InnoDB 存储表时，会将表的定义和数据索引等信息分开存储，其中前者存储在 `.frm` 文件中，后者存储在 `.ibd` 文件中，这一节就会对这两种不同的文件分别进行介绍。 +![](https://img.starfish.ink/mysql/page-application-record.png) -![frm-and-ibd-file](https://raw.githubusercontent.com/Draveness/Analyze/master/contents/Database/images/mysql/frm-and-ibd-file.jpg) -#### .frm 文件 -无论在 MySQL 中选择了哪个存储引擎，所有的 MySQL 表都会在硬盘上创建一个 `.frm` 文件用来描述表的格式或者说定义；`.frm` 文件的格式在不同的平台上都是相同的。 +#### 如何存储表 -```mysql -`CREATE TABLE test_frm(`` ``column1 CHAR(5),`` ``column2 INTEGER``);` -``` +MySQL 使用 InnoDB 存储表时，会将表的定义和数据索引等信息分开存储，其中前者存储在 `.frm` 文件中，后者存储在 `.ibd` 文件中。 -当我们使用上面的代码创建表时，会在磁盘上的 `datadir` 文件夹中生成一个 `test_frm.frm` 的文件，这个文件中就包含了表结构相关的信息： +#### .frm 文件 -![frm-file-hex](../../_images/mysql/frm-file-hex.png) +无论在 MySQL 中选择了哪个存储引擎，所有的 MySQL 表都会在硬盘上创建一个 `.frm` 文件用来描述表的格式或者说定义；`.frm` 文件的格式在不同的平台上都是相同的。 > MySQL 官方文档中的 [11.1 MySQL .frm File Format](https://dev.mysql.com/doc/internals/en/frm-file-format.html) 一文对于 `.frm` 文件格式中的二进制的内容有着非常详细的表述。 @@ -194,54 +196,62 @@ InnoDB 中用于存储数据的文件总共有两个部分，一是系统表空 当打开 `innodb_file_per_table` 选项时，`.ibd` 文件就是每一个表独有的表空间，文件存储了当前表的数据和相关的索引数据。 -#### 如何存储记录 +#### 如何存储记录 | InnoDB 行格式 -与现有的大多数存储引擎一样，InnoDB 使用页作为磁盘管理的最小单位；数据在 InnoDB 存储引擎中都是按行存储的，每个 16KB 大小的页中可以存放 2-7992 行的记录。（至少是2条记录，最多是7992条记录） +InnoDB 存储引擎和大多数数据库一样，记录是以行的形式存储的，每个 16KB 大小的页中可以存放多条行记录。 -当 InnoDB 存储数据时，它可以使用不同的行格式进行存储；MySQL 5.7 版本支持以下格式的行存储方式： +它可以使用不同的行格式进行存储。 -![Antelope-Barracuda-Row-Format](../../_images/mysql/Antelope-Barracuda-Row-Format.jpg) +InnoDB 早期的文件格式为 `Antelope`，可以定义两种行记录格式，分别是 `Compact` 和 `Redundant`，InnoDB 1.0.x 版本开始引入了新的文件格式 `Barracuda`。`Barracuda `文件格式下拥有两种新的行记录格式：`Compressed` 和 `Dynamic`。 -Antelope 是 InnoDB 最开始支持的文件格式，它包含两种行格式 Compact 和 Redundant，它最开始并没有名字；Antelope 的名字是在新的文件格式 Barracuda 出现后才起的，Barracuda 的出现引入了两种新的行格式 Compressed 和 Dynamic；InnoDB 对于文件格式都会向前兼容，而官方文档中也对之后会出现的新文件格式预先定义好了名字：Cheetah、Dragon、Elk 等等。 +> [InnoDB Row Formats](https://dev.mysql.com/doc/refman/5.7/en/innodb-row-format.html#innodb-row-format-redundant) -两种行记录格式 Compact 和 Redundant 在磁盘上按照以下方式存储： +![](https://img.starfish.ink/mysql/innodb-row-format.png) -![COMPACT-And-REDUNDANT-Row-Format](../../_images/mysql/COMPACT-And-REDUNDANT-Row-Format.jpg) +MySQL 5.7 版本支持以上格式的行存储方式。 -Compact 和 Redundant 格式最大的不同就是记录格式的第一个部分；在 Compact 中，行记录的第一部分倒序存放了一行数据中列的长度（Length），而 Redundant 中存的是每一列的偏移量（Offset），从总体上看，Compact 行记录格式相比 Redundant 格式能够减少 20% 的存储空间。 +我们可以在创建或修改表的语句中指定行格式： -#### 行溢出数据 +```mysql +CREATE TABLE 表名 (列的信息) ROW_FORMAT=行格式名称 + +ALTER TABLE 表名 ROW_FORMAT=行格式名称 +``` -当 InnoDB 使用 Compact 或者 Redundant 格式存储极长的 VARCHAR 或者 BLOB 这类大对象时，我们并不会直接将所有的内容都存放在数据页节点中，而是将行数据中的前 768 个字节存储在数据页中，后面会通过偏移量指向溢出页。 +`Compact `行记录格式是在 MySQL 5.0 中引入的，其首部是一个非 NULL 变长列长度列表，并且是逆序放置的，其长度为： -![Row-Overflo](../../_images/mysql/Row-Overflow.jpg) +- 若列的长度小于等于 255 字节，用 1 个字节表示； +- 若列的长度大于 255 字节，用 2 个字节表示。 -但是当我们使用新的行记录格式 Compressed 或者 Dynamic 时都只会在行记录中保存 20 个字节的指针，实际的数据都会存放在溢出页面中。 +![Compact row format](https://miro.medium.com/v2/resize:fit:1400/1*wNIUPIn4jo9kKbLvsmSUDQ.png) -![Row-Overflow-in-Barracuda](../../_images/mysql/Row-Overflow-in-Barracuda.jpg) +变长字段的长度最大不可以超过 2 字节，这是因为 MySQL 数据库中 VARCHAR 类型的最大长度限制为 65535。变长字段之后的第二个部分是 NULL 标志位，该标志位指示了该行数据中某列是否为 NULL 值，有则用 1 表示，NULL 标志位也是不定长的。接下来是记录头部信息，固定占用 5 字节。 -当然在实际存储中，可能会对不同长度的 TEXT 和 BLOB 列进行优化，不过这就不是本文关注的重点了。 +`Redundant` 是 MySQL 5.0 版本之前 InnoDB 的行记录格式，`Redundant` 行记录格式的首部是每一列长度偏移列表，同样是逆序存放的。从整体上看，`Compact `格式的存储空间减少了约 20%，但代价是某些操作会增加 CPU 的使用。 -> 想要了解更多与 InnoDB 存储引擎中记录的数据格式的相关信息，可以阅读 [InnoDB Record Structure](https://dev.mysql.com/doc/internals/en/innodb-record-structure.html) +`Dynamic` 和 `Compressed `是 `Compact `行记录格式的变种，`Compressed `会对存储在其中的行数据会以 `zlib` 的算法进行压缩，因此对于 BLOB、TEXT、VARCHAR 这类大长度类型的数据能够进行非常有效的存储。 -#### 数据页结构 +> 高版本，比如 8.3 默认使用的是 Dynamic +> +> ```sql +> SELECT @@innodb_default_row_format; +> ``` -页是 InnoDB 存储引擎管理数据的最小磁盘单位，而 B-Tree 节点就是实际存放表中数据的页面，我们在这里将要介绍页是如何组织和存储记录的；首先，一个 InnoDB 页有以下七个部分： -![InnoDB-B-Tree-Node](../../_images/mysql/InnoDB-B-Tree-Node.jpg) -每一个页中包含了两对 header/trailer：内部的 Page Header/Page Directory 关心的是页的状态信息，而 Fil Header/Fil Trailer 关心的是记录页的头信息。 +#### 行溢出数据 -在页的头部和尾部之间就是用户记录和空闲空间了，每一个数据页中都包含 Infimum 和 Supremum 这两个虚拟的记录（可以理解为占位符），Infimum 记录是比该页中任何主键值都要小的值，Supremum 是该页中的最大值： +当 InnoDB 存储极长的 TEXT 或者 BLOB 这类大对象时，MySQL 并不会直接将所有的内容都存放在数据页中。因为 InnoDB 存储引擎使用 B+Tree 组织索引，每个页中至少应该有两条行记录，因此，如果页中只能存放下一条记录，那么 InnoDB 存储引擎会自动将行数据存放到溢出页中。 -![Infimum-Rows-Supremum](../../_images/mysql/Infimum-Rows-Supremum.jpg) +如果我们使用 `Compact` 或 `Redundant` 格式，那么会将行数据中的前 768 个字节存储在数据页中，后面的数据会通过指针指向 Uncompressed BLOB Page。 -User Records 就是整个页面中真正用于存放行记录的部分，而 Free Space 就是空余空间了，它是一个链表的数据结构，为了保证插入和删除的效率，整个页面并不会按照主键顺序对所有记录进行排序，它会自动从左侧向右寻找空白节点进行插入，行记录在物理存储上并不是按照顺序的，它们之间的顺序是由 `next_record` 这一指针控制的。 +但是如果我们使用新的行记录格式 `Compressed` 或者 `Dynamic` 时只会在行记录中保存 20 个字节的指针，实际的数据都会存放在溢出页面中。 -B+ 树在查找对应的记录时，并不会直接从树中找出对应的行记录，它只能获取记录所在的页，将整个页加载到内存中，再通过 Page Directory 中存储的稀疏索引和 `n_owned`、`next_record` 属性取出对应的记录，不过因为这一操作是在内存中进行的，所以通常会忽略这部分查找的耗时。 -InnoDB 存储引擎中对数据的存储是一个非常复杂的话题，这一节中也只是对表、行记录以及页面的存储进行一定的分析和介绍，虽然作者相信这部分知识对于大部分开发者已经足够了，但是想要真正消化这部分内容还需要很多的努力和实践。 +### 参考与引用： +- https://www.linkedin.com/pulse/leverage-innodb-architecture-optimize-django-model-design-bouslama +- [踏雪无痕-InnoDB存储引擎](https://www.cnblogs.com/chenpingzhao/p/9177324.html) +- [MySQL 与 InnoDB 存储引擎总结](https://wingsxdu.com/posts/database/mysql/innodb/) -> [踏雪无痕-InnoDB存储引擎](https://www.cnblogs.com/chenpingzhao/p/9177324.html) \ No newline at end of file diff --git a/docs/data-management/MySQL/MySQL-Transaction.md b/docs/data-management/MySQL/MySQL-Transaction.md index ddcb54a82c..45e21bd4f4 100644 --- a/docs/data-management/MySQL/MySQL-Transaction.md +++ b/docs/data-management/MySQL/MySQL-Transaction.md @@ -20,6 +20,8 @@ categories: MySQL 事务是由一组 SQL 语句组成的逻辑处理单元，具有 4 个属性，通常简称为事务的 ACID 属性。 +![](https://img.starfish.ink/mysql/ACID.png) + - **A (Atomicity) 原子性**：整个事务中的所有操作，要么全部完成，要么全部不完成，不可能停滞在中间某个环节。事务在执行过程中发生错误，会被回滚（Rollback）到事务开始前的状态，就像这个事务从来没有执行过一样。 - **C (Consistency) 一致性**：在事务开始之前和事务结束以后，数据库的完整性约束没有被破坏。 - **I (Isolation)隔离性**：一个事务所做的修改在最终提交以前，对其他事务是不可见的。这种属性有时称为『串行化』，为了防止事务操作间的混淆，必须串行化或序列化请求，使得在同一时间仅有一个请求用于同一数据。 @@ -29,7 +31,7 @@ categories: MySQL ## 二、MySQL 中事务的使用 - MySQL的服务层不管理事务，而是由下层的存储引擎实现。MySQL提供了两种事务型的存储引擎：InnoDB和NDB。 + MySQL 的服务层不管理事务，而是由下层的存储引擎实现。MySQL 提供了两种事务型的存储引擎：InnoDB 和 NDB。 **MySQL支持本地事务的语句：** @@ -48,36 +50,35 @@ SET AUTOCOMMIT = {0 | 1} **事务使用注意点：** - 如果在锁表期间，用 start transaction 命令开始一个新事务，会造成一个隐含的 unlock tables 被执行。 -- 在同一个事务中，最好不使用不同存储引擎的表，否则 ROLLBACK 时需要对非事 - 务类型的表进行特别的处理，因为 COMMIT、ROLLBACK 只能对事务类型的表进行提交和回滚。 +- 在同一个事务中，最好不使用不同存储引擎的表，否则 ROLLBACK 时需要对非事务类型的表进行特别的处理，因为 COMMIT、ROLLBACK 只能对事务类型的表进行提交和回滚。 - 和 Oracle 的事务管理相同，所有的 DDL 语句是不能回滚的，并且部分的 DDL 语句会造成隐式的提交。 - 在事务中可以通过定义 SAVEPOINT（例如：mysql> savepoint test; 定义 savepoint，名称为 test），指定回滚事务的一个部分，但是不能指定提交事务的一个部分。对于复杂的应用，可以定义多个不同的 SAVEPOINT，满足不同的条件时，回滚 不同的 SAVEPOINT。需要注意的是，如果定义了相同名字的 SAVEPOINT，则后面定义的SAVEPOINT 会覆盖之前的定义。对于不再需要使用的 SAVEPOINT，可以通过 RELEASE SAVEPOINT 命令删除 SAVEPOINT， 删除后的 SAVEPOINT， 不能再执行 ROLLBACK TO SAVEPOINT命令。 **自动提交（autocommit）：** -Mysql默认采用自动提交模式，可以通过设置autocommit变量来启用或禁用自动提交模式 +Mysql 默认采用自动提交模式，可以通过设置 `autocommit` 变量来启用或禁用自动提交模式 - **隐式锁定** - InnoDB在事务执行过程中，使用两阶段锁协议： + InnoDB 在事务执行过程中，使用两阶段锁协议： - 随时都可以执行锁定，InnoDB会根据隔离级别在需要的时候自动加锁； + 随时都可以执行锁定，InnoDB 会根据隔离级别在需要的时候自动加锁； - 锁只有在执行commit或者rollback的时候才会释放，并且所有的锁都是在**同一时刻**被释放。 + 锁只有在执行 commit 或者 rollback 的时候才会释放，并且所有的锁都是在**同一时刻**被释放。 - **显式锁定** - InnoDB也支持通过特定的语句进行显示锁定（存储引擎层）： + InnoDB 也支持通过特定的语句进行显示锁定（存储引擎层）： ```mysql select ... lock in share mode //共享锁 select ... for update //排他锁 ``` -​ MySQL Server层的显示锁定： +​ MySQL Server 层的显示锁定： ```mysql -lock table和unlock table +lock table 和 unlock table ``` @@ -178,6 +179,25 @@ mysql> show variables like 'transaction_isolation'; +#### demo + +```mysql +create table T(t int) engine=InnoDB; +insert into T(t) values(1); +``` + +![](https://img.starfish.ink/mysql/transaction-demo.png) + +- “读未提交”：则 V1 的值就是 2。这时候事务 B 虽然还没有提交，但是结果已经被 A 看到了。因此，V2、V3 也都是 2。 +- “读提交”：则 V1 是 1，V2 的值是 2。事务 B 的更新在提交后才能被 A 看到。所以， V3 的值也是 2。 +- “可重复读”：则 V1、V2 是 1，V3 是 2。之所以 V2 还是 1，遵循的就是这个要求：事务在执行期间看到的数据前后必须是一致的。 +- “串行化”：则在事务 B 执行“将 1 改成 2”的时候，会被锁住。直到事务 A 提交后，事务 B 才可以继续执行。所以从 A 的角度看， V1、V2 值是 1，V3 的值是 2。 + +> - 读未提交：别人改数据的事务尚未提交，我在我的事务中也能读到。 +> - 读已提交：别人改数据的事务已经提交，我在我的事务中才能读到。 +> - 可重复读：别人改数据的事务已经提交，我在我的事务中也不去读。 +> - 串行：我的事务尚未提交，别人就别想改数据。 + | 事务隔离级别 | 读数据一致性 | 脏读 | 不可重复读 | 幻读 | | ---------------------------- | ---------------------------------------- | ---- | ---------- | ---- | | 读未提交（read-uncommitted） | 最低级被，只能保证不读取物理上损坏的数据 | 是 | 是 | 是 | @@ -185,22 +205,84 @@ mysql> show variables like 'transaction_isolation'; | 可重复读（repeatable-read） | 事务级 | 否 | 否 | 是 | | 串行化（serializable） | 最高级别，事务级 | 否 | 否 | 否 | - - 需要说明的是，事务隔离级别和数据访问的并发性是对立的，事务隔离级别越高并发性就越差。所以要根据具体的应用来确定合适的事务隔离级别，这个地方没有万能的原则。 ## 三、MVCC 多版本并发控制 +#### 核心概念 + +1. **快照读（Snapshot Read）**： + - 每个事务在开始时，会获取一个数据快照，事务在读取数据时，总是读取该快照中的数据。 + - 这意味着即使在事务进行期间，其他事务对数据的更新也不会影响当前事务的读取。 +2. **版本链（Version Chain）**： + - 每个数据行都有多个版本，每个版本包含数据和元数据（如创建时间、删除时间等）。 + - 新版本的数据行会被链接到旧版本的数据行，形成一个版本链。 +3. **隐式锁（Implicit Locking）**： + - MVCC 通过版本管理避免了显式锁定，减少了锁争用问题。 + - 对于读取操作，事务读取其开始时的快照数据，不会被写操作阻塞。 + +#### MVCC 的底层实现 + +1. **数据行的多版本存储**： + - 每个数据行在物理存储上会有多个版本，每个版本包含该行在特定时间点的值。 + - 数据行版本包含元数据，如事务ID（Transaction ID）、创建时间戳和删除时间戳。 +2. **快照读取**： + - 每个事务在开始时，会记录当前系统的事务ID作为快照ID。 + - 读取数据时，只读取那些创建时间戳早于快照ID，并且删除时间戳为空或晚于快照ID的数据版本。 +3. **事务提交和版本更新**： + - 当一个事务对数据行进行更新时，会创建一个新的数据版本，并将其链接到现有版本链上。 + - 旧版本仍然存在，直到没有任何活动事务需要访问它们。 + +#### MVCC 在MySQL中的实现 + +MySQL InnoDB 存储引擎使用 MVCC 来实现可重复读（REPEATABLE READ）隔离级别，避免脏读、不可重复读和幻读问题。具体机制如下： + +1. **隐藏列**： + - InnoDB 在每行记录中存储两个隐藏列：`trx_id`（事务ID）和`roll_pointer`（回滚指针）。 + - `trx_id` 记录最后一次修改该行的事务ID，`roll_pointer` 指向该行的上一版本。 + +> 其实，InnoDB下的 Compact 行结构，有三个隐藏的列 +> +> | 列名 | 是否必须 | 描述 | +> | -------------- | -------- | ------------------------------------------------------------ | +> | row_id | 否 | 行ID，唯一标识一条记录（如果定义主键，它就没有啦） | +> | transaction_id | 是 | 事务ID | +> | roll_pointer | 是 | DB_ROLL_PTR是一个回滚指针，用于配合undo日志，指向上一个旧版本 | + +2. **Undo日志**： + + - 每次数据更新时，InnoDB 会在 Undo 日志中记录旧版本数据。 + + - 如果需要读取旧版本数据，InnoDB 会通过 `roll_pointer` 找到 Undo 日志中的旧版本。 + +3. **一致性视图（Consistent Read View）**： + + - InnoDB 为每个事务创建一致性视图，记录当前活动的所有事务ID。 + + - 读取数据时，会根据一致性视图决定哪些版本的数据对当前事务可见。 + + + +在 MySQL 中，实际上每条记录在更新的时候都会同时记录一条回滚操作。记录上的最新值，通过回滚操作，都可以得到前一个状态的值。 + +假设一个值从 1 被按顺序改成了 2、3、4，在回滚日志里面就会有类似下面的记录。 + +![](https://img.starfish.ink/mysql/mvcc-read-view.png) + +当前值是 4，但是在查询这条记录的时候，不同时刻启动的事务会有不同的 read-view。如图中看到的，在视图 A、B、C 里面，这一个记录的值分别是 1、2、4，同一条记录在系统中可以存在多个版本，就是数据库的多版本并发控制（MVCC）。对于 read-view A，要得到 1，就必须将当前值依次执行图中所有的回滚操作得到。 + +同时你会发现，即使现在有另外一个事务正在将 4 改成 5，这个事务跟 read-view A、B、C 对应的事务是不会冲突的。 + + + MySQL 的大多数事务型存储引擎实现都不是简单的行级锁。基于提升并发性考虑，一般都同时实现了多版本并发控制（MVCC），包括Oracle、PostgreSQL。只是实现机制各不相同。 可以认为 MVCC 是行级锁的一个变种，但它在很多情况下避免了加锁操作，因此开销更低。虽然实现机制有所不同，但大都实现了非阻塞的读操作，写操作也只是锁定必要的行。 MVCC 的实现是通过保存数据在某个时间点的快照来实现的。也就是说不管需要执行多长时间，每个事物看到的数据都是一致的。 -![](https://static001.geekbang.org/resource/image/d9/ee/d9c313809e5ac148fc39feff532f0fee.png) - 典型的 MVCC 实现方式，分为**乐观（optimistic）并发控制和悲观（pressimistic）并发控制**。 下边通过 InnoDB 的简化版行为来说明 MVCC 是如何工作的。 @@ -213,7 +295,7 @@ InnoDB 的 MVCC，是通过在每行记录后面保存两个隐藏的列来实 InnoDB 会根据以下两个条件检查每行记录： - - nnoDB 只查找版本早于当前事务版本的数据行，这样可以确保事务读取的行，要么是在开始事务之前已经存在要么是事务自身插入或者修改过的 + - InnoDB 只查找版本早于当前事务版本的数据行，这样可以确保事务读取的行，要么是在开始事务之前已经存在要么是事务自身插入或者修改过的 - 行的删除版本号要么未定义，要么大于当前事务版本号，这样可以确保事务读取到的行在事务开始之前未被删除 ​ 只有符合上述两个条件的才会被查询出来 @@ -234,13 +316,24 @@ InnoDB 的 MVCC，是通过在每行记录后面保存两个隐藏的列来实 MVCC 只在 COMMITTED READ（读提交）和 REPEATABLE READ（可重复读）两种隔离级别下工作。 +> 所谓的`MVCC`，就是通过生成一个`ReadView`，然后通过`ReadView`找到符合条件的记录版本（历史版本是由`undo日志`构建的），其实就像是在生成`ReadView`的那个时刻做了一次时间静止（就像用相机拍了一个快照），查询语句只能读到在生成`ReadView`之前已提交事务所做的更改，在生成`ReadView`之前未提交的事务或者之后才开启的事务所做的更改是看不到的。而写操作肯定针对的是最新版本的记录，读记录的历史版本和改动记录的最新版本本身并不冲突，也就是采用`MVCC`时，`读-写`操作并不冲突。 + ## 四、事务的实现 > 事务的隔离性是通过锁实现，而事务的原子性、一致性和持久性则是通过事务日志实现 。 +### 一致性读（Consistent Reads） + +事务利用`MVCC`进行的读取操作称为`一致性读`，或者`一致性无锁读`，有的地方也称之为`快照读`。所有普通的`SELECT`语句（`plain SELECT`）在`READ COMMITTED`、`REPEATABLE READ`隔离级别下都算是`一致性读`，比方说： + +```sql +SELECT * FROM t; +SELECT * FROM t1 INNER JOIN t2 ON t1.col1 = t2.col2 +``` +`一致性读`并不会对表中的任何记录做`加锁`操作，其他事务可以自由的对表中的记录做改动。 ### 事务日志 @@ -302,7 +395,7 @@ undo log 主要为事务的回滚服务。在事务执行的过程中，除了 > > 假设一个值从 1 被按顺序改成了 2、3、4，在回滚日志里面就会有类似下面的记录。 > -> ![](https://static001.geekbang.org/resource/image/d9/ee/d9c313809e5ac148fc39feff532f0fee.png) +> ![](https://img.starfish.ink/mysql/mvcc-read-view.png) > > 当前值是 4，但是在查询这条记录的时候，不同时刻启动的事务会有不同的 read-view。如图中看到的，在视图 A、B、C 里面，这一个记录的值分别是 1、2、4，同一条记录在系统中可以存在多个版本，就是数据库的多版本并发控制（MVCC）。对于 read-view A，要得到 1，就必须将当前值依次执行图中所有的回滚操作得到。 > diff --git a/docs/data-management/MySQL/MySQL-select.md b/docs/data-management/MySQL/MySQL-select.md index 7831d41f21..ac0c35efdd 100644 --- a/docs/data-management/MySQL/MySQL-select.md +++ b/docs/data-management/MySQL/MySQL-select.md @@ -1,4 +1,121 @@ -## 常见通用的Join查询 +--- +title: MySQL 查询 +date: 2023-03-31 +tags: + - MySQL +categories: MySQL +--- + +![](https://img.starfish.ink/mysql/banner-mysql-select.png) + +![The Essential Guide to SQL’s Execution Order](https://www.kdnuggets.com/wp-content/uploads/ferrer_essential_guide_sql_execution_order_1.png) + +> `SQL`的全称是`Structured Query Language`，翻译后就是`结构化查询语言`。 + +## Order By + +在开发应用的时候，一定会经常碰到需要根据指定的字段排序来显示结果的需求。 + +```mysql +CREATE TABLE `t` ( + `id` int(11) NOT NULL, + `city` varchar(16) NOT NULL, + `name` varchar(16) NOT NULL, + `age` int(11) NOT NULL, + PRIMARY KEY (`id`), + KEY `city` (`city`) +) ENGINE=InnoDB; +``` + +业务需求来了， + +![](/Users/starfish/Documents/截图/截屏2023-04-19 09.33.52.png) + +Extra 这个字段中的“Using filesort”表示的就是需要排序，MySQL 会给每个线程分配一块内存用于排序，称为 sort_buffer。 + +```mysql +mysql> show variables like 'sort_buffer_size'; ++------------------+--------+ +| Variable_name | Value | ++------------------+--------+ +| sort_buffer_size | 262144 | ++------------------+--------+ +1 row in set (0.00 sec) +``` + +### 全字段排序 + +这个语句的大概执行流程是这样的： + +1. 初始化 sort_buffer，确定放入 name、city、age 这三个字段； +2. 从索引 city 找到第一个满足 city='北京’ 条件的主键 id； +3. 到主键 id 索引取出整行，取 name、city、age 三个字段的值，存入 sort_buffer 中； +4. 从索引 city 取下一个记录的主键 id； +5. 重复步骤 3、4 直到 city 的值不满足查询条件为止； +6. 对 sort_buffer 中的数据按照字段 name 做快速排序； +7. 按照排序结果取前 3 行返回给客户端。 + +我们暂且把这个排序过程，称为『全字段排序』 + +“按 name 排序”这个动作，可能在内存中完成，也可能需要使用外部排序，这取决于排序所需的内存和参数 sort_buffer_size。 + +sort_buffer_size，就是 MySQL 为排序开辟的内存（sort_buffer）的大小。如果要排序的数据量小于 sort_buffer_size，排序就在内存中完成。但如果排序数据量太大，内存放不下，则不得不利用磁盘临时文件辅助排序。 + +### rowid 排序 + +在上面这个算法过程里面，只对原表的数据读了一遍，剩下的操作都是在 sort_buffer 和临时文件中执行的。但这个算法有一个问题，就是如果查询要返回的字段很多的话，那么 sort_buffer 里面要放的字段数太多，这样内存里能够同时放下的行数很少，要分成很多个临时文件，排序的性能会很差。 + +所以如果单行很大，这个方法效率不够好。 + +那么，**如果 MySQL 认为排序的单行长度太大会怎么做呢？** + +接下来，我来修改一个参数，让 MySQL 采用另外一种算法。 + +```mysql +SET max_length_for_sort_data = 16; +``` + +max_length_for_sort_data，是 MySQL 中专门控制用于排序的行数据的长度的一个参数。它的意思是，如果单行的长度超过这个值，MySQL 就认为单行太大，要换一个算法。 + +city、name、age 这三个字段的定义总长度是 36，我把 max_length_for_sort_data 设置为 16，我们再来看看计算过程有什么改变。 + +新的算法放入 sort_buffer 的字段，只有要排序的列（即 name 字段）和主键 id。 + +但这时，排序的结果就因为少了 city 和 age 字段的值，不能直接返回了，整个执行流程就变成如下所示的样子： + +1. 初始化 sort_buffer，确定放入两个字段，即 name 和 id； +2. 从索引 city 找到第一个满足 city='杭州’条件的主键 id； +3. 到主键 id 索引取出整行，取 name、id 这两个字段，存入 sort_buffer 中； +4. 从索引 city 取下一个记录的主键 id； +5. 重复步骤 3、4 直到不满足 city='杭州’条件为止； +6. 对 sort_buffer 中的数据按照字段 name 进行排序； +7. 遍历排序结果，取前 3 行，并按照 id 的值回到原表中取出 city、name 和 age 三个字段返回给客户端。 + +对全字段排序流程你会发现，rowid 排序多访问了一次表 t 的主键索引，就是步骤 7。 + + + +### 全字段排序 VS rowid 排序 + +如果 MySQL 实在是担心排序内存太小，会影响排序效率，才会采用 rowid 排序算法，这样排序过程中一次可以排序更多行，但是需要再回到原表去取数据。 + +如果 MySQL 认为内存足够大，会优先选择全字段排序，把需要的字段都放到 sort_buffer 中，这样排序后就会直接从内存里面返回查询结果了，不用再回到原表去取数据。 + +这也就体现了 MySQL 的一个设计思想：**如果内存够，就要多利用内存，尽量减少磁盘访问。** + + + +当然，如果我们创建了覆盖索引，就不需要再排序了 + +```mysql +alter table t add index city_user_age(city, name, age); +``` + +![](/Users/starfish/Documents/截图/截屏2023-04-19 10.21.30.png) + + + +## 常见通用的 Join 查询 ### SQL执行顺序 @@ -32,13 +149,11 @@ - 总结 - ![sql-parse](../../_images/mysql/sql-parse.png) - - + ![The Essential Guide to SQL’s Execution Order](https://img.starfish.ink/mysql/ferrer_essential_guide_sql_execution_order_6.png) ### Join图 -![sql-joins](../../_images/mysql/sql-joins.jpg) +![sql-joins](https://img.starfish.ink/mysql/sql-joins.jpg) ### demo @@ -111,7 +226,7 @@ INSERT INTO tbl_emp(NAME,deptId) VALUES('s9',51); ``` 6. AB全有 - + **MySQL Full Join的实现 因为MySQL不支持FULL JOIN,替代方法:left join + union(可去除重复数据)+ right join** @@ -131,3 +246,42 @@ INSERT INTO tbl_emp(NAME,deptId) VALUES('s9',51); +## count() + +count() 是一个聚合函数，对于返回的结果集，一行行地判断，如果 count 函数的参数不是 NULL，累计值就加 1，否则不加。最后返回累计值。 + +### count(*) 的实现方式 + +你首先要明确的是，在不同的 MySQL 引擎中，count(*) 有不同的实现方式。 + +- MyISAM 引擎把一个表的总行数存在了磁盘上，因此执行 count(*) 的时候会直接返回这个数，效率很高； +- 而 InnoDB 引擎就麻烦了，它执行 count(*) 的时候，需要把数据一行一行地从引擎里面读出来，然后累积计数。 + +> 那**为什么 InnoDB 不跟 MyISAM 一样，也把数字存起来呢？** +> +> 这是因为即使是在同一个时刻的多个查询，由于多版本并发控制（MVCC）的原因，InnoDB 表“应该返回多少行”也是不确定的。 + + + + + +**对于 count(主键 id) 来说**，InnoDB 引擎会遍历整张表，把每一行的 id 值都取出来，返回给 server 层。server 层拿到 id 后，判断是不可能为空的，就按行累加。 + +**对于 count(1) 来说**，InnoDB 引擎遍历整张表，但不取值。server 层对于返回的每一行，放一个数字“1”进去，判断是不可能为空的，按行累加。 + +单看这两个用法的差别的话，你能对比出来，count(1) 执行得要比 count(主键 id) 快。因为从引擎返回 id 会涉及到解析数据行，以及拷贝字段值的操作。 + +**对于 count(字段) 来说**： + +1. 如果这个“字段”是定义为 not null 的话，一行行地从记录里面读出这个字段，判断不能为 null，按行累加； +2. 如果这个“字段”定义允许为 null，那么执行的时候，判断到有可能是 null，还要把值取出来再判断一下，不是 null 才累加。 + + + +按照效率排序的话，count(字段) 数据库的设计三范式: +> +> - 1NF：字段不可分。第一范式要求数据原子化 +> - 2NF：唯一性 一个表只说明一个事物。有主键，非主键字段依赖主键。第二范式消除部分依赖 +> - 3NF：非主键字段不能相互依赖。第三范式消除传递依赖，从而提高数据的完整性和一致性 + +在当今信息化时代，数据库已经成为各行各业中不可或缺的一部分。从小型应用到企业级系统，数据库都在背后默默支撑着数据的存储、管理与分析。而在数据库设计中，**三范式**（3NF）是关系型数据库模型设计中最为基础和重要的规范化原则之一。三范式的核心目标是通过规范化数据库的结构，减少冗余数据，增强数据一致性和完整性，避免更新异常，确保数据的高效存储与访问。 + +### 什么是数据库规范化？ + +数据库规范化（Normalization）是指对数据库表的设计进行优化的过程，通过一系列规则来消除冗余数据，并提高数据的组织方式。规范化不仅帮助减少数据的重复性，还确保数据之间的逻辑关系清晰，减少因数据修改引发的不一致问题。 + +规范化的核心思想是通过分解数据库表，降低数据冗余性和依赖性。在实际操作中，数据库规范化通常分为多个阶段，称为**范式**。每一范式都是在前一范式的基础上进一步精化和完善的。三范式是数据库设计中最为基础且常用的范式，它通过消除部分依赖和传递依赖等问题，保证数据库的高效性与一致性。 + +### 第一范式（1NF） + +**第一范式**是数据库规范化的最基础范式，它的要求是：**表中的每个列必须包含原子值，即每个字段只能存储不可再分的单一数据单元**。简而言之，1NF 要求每个列的数据必须是“原子的”，也就是没有重复数据和多值属性。 + +#### 1NF的具体要求： + +1. 每列中的数据必须是不可分割的单一数据项。 +2. 每一行必须唯一，不允许有重复的记录。 +3. 表中的每个字段都必须具有唯一的标识符（即主键）。 + +**示例**： 假设我们有一个学生信息表，如下所示： + +| 学生ID | 姓名 | 电话号码 | +| ------ | ---- | ---------------------- | +| 1 | 张三 | 1234567890, 0987654321 | +| 2 | 李四 | 1357924680, 2468013579 | + +从上表可以看出，"电话号码"字段存储了多个值，违反了1NF。要满足1NF要求，电话号码字段应拆分为多行或多列，像这样： + +| 学生ID | 姓名 | 电话号码 | +| ------ | ---- | ---------- | +| 1 | 张三 | 1234567890 | +| 1 | 张三 | 0987654321 | +| 2 | 李四 | 1357924680 | +| 2 | 李四 | 2468013579 | + +这样，每个字段就变成了原子值，符合了1NF的要求。 + +### 第二范式（2NF） + +第二范式建立在第一范式的基础之上，要求**消除部分依赖**。具体而言，2NF要求表中的所有非主属性（即不参与主键的字段）必须完全依赖于主键，而不能仅依赖于主键的一部分。换句话说，表中的每一个非主属性必须依赖于完整的主键，而不是主键的某一部分。 + +#### 2NF的要求： + +1. 表必须满足1NF。 +2. 表中的每个非主键列必须完全依赖于整个主键。 +3. 如果表有复合主键（由多个列组成的主键），则不能有部分依赖。 + +**示例**： 考虑以下的订单表： + +| 订单ID | 产品ID | 产品名称 | 数量 | 单价 | +| ------ | ------ | -------- | ---- | ---- | +| 1 | 101 | 手机 | 2 | 2000 | +| 1 | 102 | 耳机 | 1 | 500 | +| 2 | 101 | 手机 | 1 | 2000 | + +在这个例子中，复合主键由**订单ID**和**产品ID**组成。虽然**产品名称**只依赖于**产品ID**，但它却被存储在了当前的表中，这种依赖关系违反了2NF。我们可以通过拆分表格来消除部分依赖： + +**订单表：** + +| 订单ID | 产品ID | 数量 | 单价 | +| ------ | ------ | ---- | ---- | +| 1 | 101 | 2 | 2000 | +| 1 | 102 | 1 | 500 | +| 2 | 101 | 1 | 2000 | + +**产品表：** + +| 产品ID | 产品名称 | +| ------ | -------- | +| 101 | 手机 | +| 102 | 耳机 | + +通过这样的拆分，我们确保了所有非主键字段完全依赖于复合主键，符合了2NF。 + +### 第三范式（3NF） + +第三范式是在第二范式的基础上进一步规范化，它要求消除**传递依赖**。传递依赖是指某个非主键列依赖于另一个非主键列，而这个非主键列又依赖于主键。换句话说，第三范式要求表中的每个非主属性都直接依赖于主键，而不是间接依赖。 + +#### 3NF的要求： + +1. 表必须满足2NF。 +2. 表中的每个非主键列必须直接依赖于主键，不能依赖于其他非主键列。 + +**示例**： 考虑以下员工表： + +| 员工ID | 部门ID | 部门名称 | 部门经理 | +| ------ | ------ | -------- | -------- | +| 1 | 101 | 销售部 | 王经理 | +| 2 | 102 | 技术部 | 张经理 | + +在这个例子中，**部门名称**和**部门经理**依赖于**部门ID**，而**部门ID**又依赖于**员工ID**，这就构成了传递依赖。为了满足3NF，我们应该将部门相关信息提取到单独的表中： + +**员工表：** + +| 员工ID | 部门ID | +| ------ | ------ | +| 1 | 101 | +| 2 | 102 | + +**部门表：** + +| 部门ID | 部门名称 | 部门经理 | +| ------ | -------- | -------- | +| 101 | 销售部 | 王经理 | +| 102 | 技术部 | 张经理 | + +通过这样的拆分，我们消除了传递依赖，确保了表符合3NF的要求。 + +### 规范化的优点与实际应用 + +数据库规范化的主要优点是减少冗余数据，提高数据的一致性和完整性。通过规范化，数据的修改操作变得更加简便，不容易出现更新异常，例如**插入异常**、**删除异常**和**更新异常**。 + +然而，在实际应用中，数据库设计并非总是严格遵循最高范式。过度规范化可能会导致表的拆分过多，从而影响查询性能。在这种情况下，数据库设计师可能会选择在一定程度上**反规范化**，即故意增加一些冗余数据，以提高查询效率。 + +### 总结 + +数据库的三范式是关系型数据库设计的基础，它通过消除数据冗余和不必要的依赖关系，帮助提高数据的一致性和完整性。第一范式要求数据原子化，第二范式消除部分依赖，而第三范式消除传递依赖。在实际的数据库设计中，三范式为我们提供了科学的规范化思路，但在一些特定场景下，可能需要适当进行反规范化来优化查询性能。 + +了解并掌握三范式的概念，能帮助开发人员在设计数据库时做出更加高效且一致的决策，提升数据库系统的整体性能和可维护性。 + diff --git a/docs/data-management/MySQL/readMySQL.md b/docs/data-management/MySQL/readMySQL.md index 1939b1d318..c8f198ff9f 100644 --- a/docs/data-management/MySQL/readMySQL.md +++ b/docs/data-management/MySQL/readMySQL.md @@ -23,7 +23,7 @@ MySQL是个啥，就说一句话——**MySQL是一个关系型数据库管理 - +![](/Users/starfish/oceanus/picBed/mysql/question-list.png) diff --git a/docs/data-management/MySQL/MySQL-count.md b/docs/data-management/MySQL/reproduce/MySQL-count.md similarity index 100% rename from docs/data-management/MySQL/MySQL-count.md rename to docs/data-management/MySQL/reproduce/MySQL-count.md diff --git "a/docs/data-management/MySQL/\346\225\260\346\215\256\345\272\223\344\270\211\350\214\203\345\274\217.md" "b/docs/data-management/MySQL/\346\225\260\346\215\256\345\272\223\344\270\211\350\214\203\345\274\217.md" deleted file mode 100644 index e8f391d2a9..0000000000 --- "a/docs/data-management/MySQL/\346\225\260\346\215\256\345\272\223\344\270\211\350\214\203\345\274\217.md" +++ /dev/null @@ -1,96 +0,0 @@ -# 数据库三范式 - -## mysql 数据库的设计三范式 - -1NF:字段不可分; - -2NF:有主键，非主键字段依赖主键; - -3NF:非主键字段不能相互依赖; - -解释: - -1NF:原子性 字段不可再分,否则就不是关系数据库; - -2NF:唯一性 一个表只说明一个事物; - -3NF:每列都与主键有直接关系，不存在传递依赖; - -#### 第一范式（1NF） - -即表的列的具有原子性,不可再分解，即列的信息，不能分解, 只要数据库是关系型数据库(mysql/oracle/db2/informix/sysbase/sql server)，就自动的满足1NF。数据库表的每一列都是不可分割的原子数据项，而不能是集合，数组，记录等非原子数据项。如果实体中的某个属性有多个值时，必须拆分为不同的属性 。通俗理解即一个字段只存储一项信息。 - -![img](https://images0.cnblogs.com/blog2015/487276/201505/191141594323036.png) - -关系型数据库: mysql/oracle/db2/informix/sysbase/sql server 非关系型数据库: (特点: 面向对象或者集合) NoSql数据库: MongoDB/redis(特点是面向文档) - -#### 第二范式（2NF） - -第二范式（2NF）是在第一范式（1NF）的基础上建立起来的，即满足第二范式（2NF）必须先满足第一范式（1NF）。第二范式（2NF）要求数据库表中的每个实例或行必须可以被惟一地区分。为实现区分通常需要我们设计一个主键来实现(这里的主键不包含业务逻辑)。 - -即满足第一范式前提，当存在多个主键的时候，才会发生不符合第二范式的情况。比如有两个主键，不能存在这样的属性，它只依赖于其中一个主键，这就是不符合第二范式。通俗理解是任意一个字段都只依赖表中的同一个字段。（涉及到表的拆分） - -看下面的学生选课表： - -| 学号 | 课程 | 成绩 | 课程学分 | -| ----- | ---- | ---- | -------- | -| 10001 | 数学 | 100 | 6 | -| 10001 | 语文 | 90 | 2 | -| 10001 | 英语 | 85 | 3 | -| 10002 | 数学 | 90 | 6 | -| 10003 | 数学 | 99 | 6 | -| 10004 | 语文 | 89 | 2 | - -表中主键为 （学号，课程），我们可以表示为 (学号，课程) -> (成绩，课程学分)， 表示所有非主键列 (成绩，课程学分)都依赖于主键 (学号，课程)。 但是，表中还存在另外一个依赖：（课程）->(课程学分）。这样非主键列 ‘课程学分‘ 依赖于部分主键列 ’课程‘， 所以上表是不满足第二范式的。 - -我们把它拆成如下2张表： - - - -学生选课表： - -| 学号 | 课程 | 成绩 | -| ----- | ---- | ---- | -| 10001 | 数学 | 100 | -| 10001 | 语文 | 90 | -| 10001 | 英语 | 85 | -| 10002 | 数学 | 90 | -| 10003 | 数学 | 99 | -| 10004 | 语文 | 89 | - -课程信息表： - -| 课程 | 课程学分 | -| ---- | -------- | -| 数学 | 6 | -| 语文 | 3 | -| 英语 | 2 | - -那么上面2个表，学生选课表主键为（学号，课程），课程信息表主键为（课程），表中所有非主键列都完全依赖主键。不仅符合第二范式，还符合第三范式。 - - - -再看这样一个学生信息表： - -| 学号 | 姓名 | 性别 | 班级 | 班主任 | -| ----- | ------ | ---- | ---- | ------ | -| 10001 | 张三 | 男 | 一班 | 小王 | -| 10002 | 李四 | 男 | 一班 | 小王 | -| 10003 | 王五 | 男 | 二班 | 小李 | -| 10004 | 张小三 | 男 | 二班 | 小李 | - -上表中，主键为：（学号），所有字段 （姓名，性别，班级，班主任）都依赖与主键（学号），不存在对主键的部分依赖。所以是满足第二范式。 - - - -#### 第三范式（3NF） - -满足第三范式（3NF）必须先满足第二范式（2NF）。简而言之，第三范式（3NF）要求一个数据库表中不包含已在其它表中已包含的非主键字段。就是说，表的信息，如果能够被推导出来，就不应该单独的设计一个字段来存放(能尽量外键join就用外键join)。很多时候，我们为了满足第三范式往往会把一张表分成多张表。 - -即满足第二范式前提，如果某一属性依赖于其他非主键属性，而其他非主键属性又依赖于主键，那么这个属性就是间接依赖于主键，这被称作传递依赖于主属性。 通俗解释就是一张表最多只存两层同类型信息。 - -![img](https://images0.cnblogs.com/blog2015/487276/201505/191142168389020.png) - -反三范式 - -没有冗余的数据库未必是最好的数据库，有时为了提高运行效率，提高读性能，就必须降低范式标准，适当保留冗余数据。具体做法是： 在概念数据模型设计时遵守第三范式，降低范式标准的工作放到物理数据模型设计时考虑。降低范式就是增加字段，减少了查询时的关联，提高查询效率，因为在数据库的操作中查询的比例要远远大于DML的比例。但是反范式化一定要适度，并且在原本已满足三范式的基础上再做调整的。 \ No newline at end of file diff --git a/docs/data-management/Redis/.DS_Store b/docs/data-management/Redis/.DS_Store index 859c02b40f..45706ae4e1 100644 Binary files a/docs/data-management/Redis/.DS_Store and b/docs/data-management/Redis/.DS_Store differ diff --git a/docs/data-management/Redis/Nosql-Overview.md b/docs/data-management/Redis/Nosql-Overview.md index a80275eaa5..4e5c48ff95 100644 --- a/docs/data-management/Redis/Nosql-Overview.md +++ b/docs/data-management/Redis/Nosql-Overview.md @@ -1,5 +1,3 @@ -![nosql-index.jpg](http://ww1.sinaimg.cn/large/9b9f09a9ly1g9yp975bslj211c0fq75c.jpg) - # NoSQL的前世今生 ### 啥玩意： @@ -12,7 +10,7 @@ NoSQL(NoSQL = Not Only SQL )，“不仅仅是SQL”，泛指**非关系型的 #### 1. 单机MySQL的美好年代 -​ 在以前，一个网站的访问量一般都不大，用单个数据库完全可以轻松应付。在那个时候，更多的都是静态网页，动态交互类型的网站不多。上述架构下，我们来看看数据存储的瓶颈是什么？ +在以前，一个网站的访问量一般都不大，用单个数据库完全可以轻松应付。在那个时候，更多的都是静态网页，动态交互类型的网站不多。上述架构下，我们来看看数据存储的瓶颈是什么？ - 数据量的总大小 一个机器放不下时 - 数据的索引（B+ Tree）一个机器的内存放不下时 @@ -20,27 +18,27 @@ NoSQL(NoSQL = Not Only SQL )，“不仅仅是SQL”，泛指**非关系型的 #### 2. Memcached(缓存)+MySQL+垂直拆分 -​ 后来，随着访问量的上升，几乎大部分使用MySQL架构的网站在数据库上都开始出现了性能问题，web程序不再仅仅专注在功能上，同时也在追求性能。程序员们开始大量的使用**缓存技术**来缓解数据库的压力，优化数据库的结构和索引。开始比较流行的是通过**文件缓存**来缓解数据库压力，但是当访问量继续增大的时候，多台web机器通过文件缓存不能共享，大量的小文件缓存也带了了比较高的IO压力。在这个时候，Memcached就自然的成为一个非常时尚的技术产品。 +后来，随着访问量的上升，几乎大部分使用MySQL架构的网站在数据库上都开始出现了性能问题，web程序不再仅仅专注在功能上，同时也在追求性能。程序员们开始大量的使用**缓存技术**来缓解数据库的压力，优化数据库的结构和索引。开始比较流行的是通过**文件缓存**来缓解数据库压力，但是当访问量继续增大的时候，多台web机器通过文件缓存不能共享，大量的小文件缓存也带了了比较高的IO压力。在这个时候，Memcached就自然的成为一个非常时尚的技术产品。 -​ Memcached作为一个**独立的分布式的缓存服务器**，为多个web服务器提供了一个共享的高性能缓存服务，在Memcached服务器上，又发展了根据hash算法来进行多台Memcached缓存服务的扩展，然后又出现了一致性hash来解决增加或减少缓存服务器导致重新hash带来的大量缓存失效的弊端 +Memcached作为一个**独立的分布式的缓存服务器**，为多个web服务器提供了一个共享的高性能缓存服务，在Memcached服务器上，又发展了根据hash算法来进行多台Memcached缓存服务的扩展，然后又出现了一致性hash来解决增加或减少缓存服务器导致重新hash带来的大量缓存失效的弊端 #### 3. Mysql主从读写分离 -​ 由于数据库的写入压力增加，Memcached只能缓解数据库的读取压力。读写集中在一个数据库上让数据库不堪重负，大部分网站开始**使用主从复制技术来达到读写分离，以提高读写性能和读库的可扩展性**。**Mysql的master-slave模式**成为这个时候的网站标配了。 +由于数据库的写入压力增加，Memcached只能缓解数据库的读取压力。读写集中在一个数据库上让数据库不堪重负，大部分网站开始**使用主从复制技术来达到读写分离，以提高读写性能和读库的可扩展性**。**Mysql的master-slave模式**成为这个时候的网站标配了。 #### 4. 分表分库+水平拆分+mysql集群 -​ 在Memcached的高速缓存，MySQL的主从复制，读写分离的基础之上，这时MySQL主库的写压力开始出现瓶颈，而数据量的持续猛增，由于**MyISAM**使用**表锁**，在高并发下会出现严重的锁问题，大量的高并发MySQL应用开始使用**InnoDB**引擎代替MyISAM。 +在Memcached的高速缓存，MySQL的主从复制，读写分离的基础之上，这时MySQL主库的写压力开始出现瓶颈，而数据量的持续猛增，由于**MyISAM**使用**表锁**，在高并发下会出现严重的锁问题，大量的高并发MySQL应用开始使用**InnoDB**引擎代替MyISAM。 -​ 同时，开始流行**使用分表分库来缓解写压力和数据增长的扩展问题**。这个时候，分表分库成了一个热门技术，是面试的热门问题也是业界讨论的热门技术问题。也就在这个时候，MySQL推出了还不太稳定的表分区，这也给技术实力一般的公司带来了希望。虽然MySQL推出了MySQL Cluster集群，但性能也不能很好满足互联网的要求，只是在高可靠性上提供了非常大的保证。 +同时，开始流行**使用分表分库来缓解写压力和数据增长的扩展问题**。这个时候，分表分库成了一个热门技术，是面试的热门问题也是业界讨论的热门技术问题。也就在这个时候，MySQL推出了还不太稳定的表分区，这也给技术实力一般的公司带来了希望。虽然MySQL推出了MySQL Cluster集群，但性能也不能很好满足互联网的要求，只是在高可靠性上提供了非常大的保证。 #### 5. MySQL的扩展性瓶颈 -​ MySQL数据库也经常存储一些大文本字段，导致数据库表非常的大，在做数据库恢复的时候就导致非常的慢，不容易快速恢复数据库。比如1000万4KB大小的文本就接近40GB的大小，如果能把这些数据从MySQL省去，MySQL将变得非常的小。关系数据库很强大，但是它并不能很好的应付所有的应用场景。MySQL的扩展性差（需要复杂的技术来实现），大数据下IO压力大，表结构更改困难，正是当前使用MySQL的开发人员面临的问题。 +MySQL数据库也经常存储一些大文本字段，导致数据库表非常的大，在做数据库恢复的时候就导致非常的慢，不容易快速恢复数据库。比如1000万4KB大小的文本就接近40GB的大小，如果能把这些数据从MySQL省去，MySQL将变得非常的小。关系数据库很强大，但是它并不能很好的应付所有的应用场景。MySQL的扩展性差（需要复杂的技术来实现），大数据下IO压力大，表结构更改困难，正是当前使用MySQL的开发人员面临的问题。 #### 6. 为什么用NoSQL -​ 今天我们可以通过第三方平台（如：Google,Facebook等）可以很容易的**访问和抓取数据**（爬虫私密信息有风险哈）。用户的个人信息，社交网络，地理位置，用户生成的数据和用户操作日志已经成倍的增加。我们如果要对这些用户数据进行挖掘，那SQL数据库已经不适合这些应用了, NoSQL数据库的发展也不能很好的处理这些大的数据。 +今天我们可以通过第三方平台（如：Google,Facebook等）可以很容易的**访问和抓取数据**（爬虫私密信息有风险哈）。用户的个人信息，社交网络，地理位置，用户生成的数据和用户操作日志已经成倍的增加。我们如果要对这些用户数据进行挖掘，那SQL数据库已经不适合这些应用了, NoSQL数据库的发展也不能很好的处理这些大的数据。 ![](https://i.loli.net/2019/11/17/WvJC95bHnUjGuF2.png) diff --git a/docs/data-management/Redis/ReadRedis.md b/docs/data-management/Redis/ReadRedis.md index 530b5e53a0..2ecbb031b8 100644 --- a/docs/data-management/Redis/ReadRedis.md +++ b/docs/data-management/Redis/ReadRedis.md @@ -1,4 +1,4 @@ -![](https://img.starfish.ink/redis/redis-readme-banner.jpg) +![img](https://redis.io/wp-content/uploads/2014/05/redis_289_art.png) @@ -18,99 +18,64 @@ Redis: **REmote DIctionary Server**(远程字典服务器)。 -Redis 是一个全开源免费（BSD许可）的，内存中的数据结构存储系统，它可以用作**数据库、缓存和消息中间件**。一般作为一个高性能的(key/value)分布式内存数据库，基于**内存**运行并支持持久化的 NoSQL 数据库，是当前最热门的 NoSql 数据库之一，也被人们称为**数据结构服务器** +Redis 是一个全开源免费（BSD许可）的，使用 C 语言编写，内存中的数据结构存储系统，它可以用作**数据库、缓存和消息中间件**。一般作为一个高性能的(key/value)分布式内存数据库，基于**内存**运行并支持持久化的 NoSQL 数据库，是当前最热门的 NoSql 数据库之一，也被人们称为**数据结构服务器** +它支持多种数据结构，如字符串（Strings）、哈希（Hashes）、列表（Lists）、集合（Sets）、有序集合（Sorted Sets）、位图（bitmaps）、HyperLogLogs 和地理空间索引（geospatial indexes），并带有半持久化存储的选项。 +### 主要特点 -## Redis 介绍 +1. **高性能**：Redis 的读写速度非常快，支持每秒百万级的请求处理能力。其所有数据都存储在内存中，保证了极高的读写性能。 +2. **多种数据结构**：Redis 不仅支持简单的键值对，还支持多种高级数据结构，如列表、集合、有序集合、哈希等，可以满足复杂的数据存储需求。 +3. **持久化**：Redis 支持多种持久化机制，如 RDB（快照）和 AOF（追加文件），可以将内存中的数据持久化到磁盘，保证数据的持久性。 +4. **高可用性**：通过 Redis 的复制（Replication）、Sentinel 和 Cluster 特性，可以实现高可用性和自动故障转移。复制机制允许数据从主节点复制到多个从节点，从而提高数据的冗余性和读取的可扩展性。 +5. **Lua脚本**：Redis 内置 Lua 脚本引擎，支持在服务器端运行复杂的脚本，减少了网络往返次数，提高了操作的原子性。 +6. **事务支持**：Redis 支持事务，通过 MULTI、EXEC、DISCARD 和 WATCH 等命令实现事务操作。 +7. **发布/订阅**：Redis 提供了发布/订阅功能，可以实现消息通知和实时消息传递。 +8. **丰富的生态系统**：Redis 拥有丰富的客户端库，支持多种编程语言，包括 C、C++、Java、Python、Go、Node.js等。 -Redis 是一个开源的、使用 C 语言编写的、支持网络交互的、可基于内存也可持久化的 Key-Value 数据库。 +### 应用场景 -Redis 是一个 key-value 存储系统。和 Memcached 类似，它支持存储的 value 类型相对更多，包括**string(字符串)、list(链表)、set(集合)、zset(sorted set --有序集合)和 hash（哈希类型）**。这些数据类型都支持 push/pop、add/remove 及取交集并集和差集及更丰富的操作，而且这些操作都是原子性的。在此基础上，redis 支持各种不同方式的排序。与 memcached 一样，为了保证效率，数据都是缓存在内存中。区别的是 redis 会周期性的把更新的数据写入磁盘或者把修改操作写入追加的记录文件，并且在此基础上实现了 master-slave(主从)同步，所以 Redis 也可以被看成是一个数据结构服务器。 +1. **缓存**：Redis 作为缓存系统，可以极大地提高数据读取速度，减轻数据库的压力。 +2. **会话存储**：利用 Redis 的高性能和持久化特性，可以用于存储用户会话信息。 +3. **实时分析**：利用 Redis 的集合和有序集合，可以进行实时数据分析和排名。 +4. **消息队列**：利用 Redis 的列表和发布/订阅特性，可以实现简单的消息队列系统。 +5. **计数器和限流**：利用 Redis 的原子递增操作，可以实现高效的计数器和限流机制。 - - -Redis 支持主从同步。数据可以从主服务器向任意数量的从服务器上同步，从服务器可以是关联其他从服务器的主服务器。这使得 Redis可执行单层树复制。存盘可以有意无意的对数据进行写操作。由于完全实现了发布/订阅机制，使得从数据库在任何地方同步树时，可订阅一个频道并接收主服务器完整的消息发布记录。同步对读取操作的可扩展性和数据冗余很有帮助。 +> **具体以某一论坛为例：** +> +> - 记录帖子的点赞数、评论数和点击数 (hash)。 +> - 记录用户的帖子 ID 列表 (排序)，便于快速显示用户的帖子列表 (zset)。 +> - 记录帖子的标题、摘要、作者和封面信息，用于列表页展示 (hash)。 +> - 记录帖子的点赞用户 ID 列表，评论 ID 列表，用于显示和去重计数 (zset)。 +> - 缓存近期热帖内容 (帖子内容空间占用比较大)，减少数据库压力 (hash)。 +> - 记录帖子的相关文章 ID，根据内容推荐相关帖子 (list)。 +> - 如果帖子 ID 是整数自增的，可以使用 Redis 来分配帖子 ID(计数器)。 +> - 收藏集和帖子之间的关系 (zset)。 +> - 记录热榜帖子 ID 列表，总热榜和分类热榜 (zset)。 +> - 缓存用户行为历史，进行恶意行为过滤 (zset,hash)。 Redis 的官网地址，非常好记，是 redis.io。（域名后缀io属于国家域名，是 british Indian Ocean territory，即英属印度洋领地）目前，Vmware 在资助着 Redis 项目的开发和维护。 -Redis 的所有数据都是保存在内存中，然后不定期的通过异步方式保存到磁盘上(这称为“半持久化模式”)；也可以把每一次数据变化都写入到一个 append only file(aof)里面(这称为“全持久化模式”)。这就是 redis 提供的两种持久化的方式，RDB（Redis DataBase）和 AOF（Append Only File）。 - - - -## Redis 特点 - -Redis 是一个开源，先进的 key-value 存储，并用于构建高性能，可扩展的Web应用程序的完美解决方案。 - -Redis从它的许多竞争继承来的三个主要特点： - -- Redis数据库完全在内存中，使用磁盘仅用于持久性。 - -- 相比许多键值数据存储，Redis拥有一套较为丰富的数据类型。 - -- Redis可以将数据复制到任意数量的从服务器。 - - - -## Redis 优势 - -- 异常快速：Redis 的速度非常快，每秒能执行约 11万集合，每秒约 81000+条记录。SET 操作每秒钟 110000 次，GET 操作每秒钟 81000 次，网站一般使用 Redis 作为**缓存服务器**。 - -- 支持**丰富的数据类型**：Redis 支持大多数开发人员已经知道像列表，集合，有序集合，散列数据类型。这使得它非常容易解决各种各样的问题，因为我们知道哪些问题是可以处理通过它的数据类型更好。 - -- 操作都是**原子性**：所有 Redis 操作是原子的，这保证了如果两个客户端同时访问的 Redis 服务器将获得更新后的值。 - -- MultiUtility 工具：Redis 是一个多功能实用工具，可以在很多如：缓存，消息传递队列中使用（Redis 原生支持发布/订阅），在应用程序中，如：Web应用程序会话，网站页面点击数等任何短暂的数据； - - - -#### Redis 使用场景 - -- 取最新 N 个数据的操作 -- 排行榜应用,取 TOP N 操作 -- 需要精确设定过期时间的应用 -- 定时器、计数器应用 -- Uniq 操作,获取某段时间所有数据排重值 -- 实时系统,反垃圾系统 -- Pub/Sub 构建实时消息系统 -- 构建队列系统 -- 缓存 - - - -**具体以某一论坛为例：** - -- 记录帖子的点赞数、评论数和点击数 (hash)。 -- 记录用户的帖子 ID 列表 (排序)，便于快速显示用户的帖子列表 (zset)。 -- 记录帖子的标题、摘要、作者和封面信息，用于列表页展示 (hash)。 -- 记录帖子的点赞用户 ID 列表，评论 ID 列表，用于显示和去重计数 (zset)。 -- 缓存近期热帖内容 (帖子内容空间占用比较大)，减少数据库压力 (hash)。 -- 记录帖子的相关文章 ID，根据内容推荐相关帖子 (list)。 -- 如果帖子 ID 是整数自增的，可以使用 Redis 来分配帖子 ID(计数器)。 -- 收藏集和帖子之间的关系 (zset)。 -- 记录热榜帖子 ID 列表，总热榜和分类热榜 (zset)。 -- 缓存用户行为历史，进行恶意行为过滤 (zset,hash)。 - **安装** -``` +```shell $ wget http://download.redis.io/releases/redis-5.0.6.tar.gz $ tar xzf redis-5.0.6.tar.gz $ cd redis-5.0.6 $ make ``` -新版本的编译文件在src中（之前在bin目录），启动server +新版本的编译文件在 src 中（之前在bin目录），启动 server -``` +```sh $ src/redis-server ``` 启动客户端 -``` +```shell $ src/redis-cli redis> set foo bar OK @@ -122,7 +87,7 @@ redis> get foo ## Redis 知识全景 -![](https://static001.geekbang.org/resource/image/79/e7/79da7093ed998a99d9abe91e610b74e7.jpg) +![](/Users/starfish/Downloads/79da7093ed998a99d9abe91e610b74e7.jpg) “两大维度”就是指系统维度和应用维度，“三大主线”也就是指高性能、高可靠和高可扩展（可以简称为“三高”）。 @@ -138,6 +103,8 @@ Redis 作为庞大的键值数据库，可以说遍地都是知识，一抓一 + + ## 推荐阅读 [《我是如何学习Redis的？高效学习Redis的路径和方法分享》](http://kaito-kidd.com/2020/09/09/how-i-learned-redis/) \ No newline at end of file diff --git a/docs/data-management/Redis/Redis-Cache-Model.md b/docs/data-management/Redis/Redis-Cache-Model.md new file mode 100644 index 0000000000..9cb60433a4 --- /dev/null +++ b/docs/data-management/Redis/Redis-Cache-Model.md @@ -0,0 +1,191 @@ +### **什么是缓存模式？** + +缓存模式是指在系统中如何设计和实现缓存机制，用以快速存取数据并减轻后端数据存储的负载。Redis 提供了灵活多样的缓存策略，常见模式包括： + +1. **直写模式（Write Through）** +2. **回写模式（Write Back）** +3. **旁路缓存模式（Cache Aside）** +4. **只缓存模式（Read Through）** + +通过合理选择和优化这些模式，可以满足不同业务场景对性能、数据一致性和可用性的需求。 + +------ + +### **Redis 缓存模式详解** + +#### **1. Cache Aside（旁路缓存）** + +Cache Aside 模式又称为 **Lazy Loading**，是使用最广泛的缓存模式之一，通常由业务代码显式管理缓存和数据库，核心思想是： + +- 数据从数据库加载到缓存中，缓存作为数据库的一个“旁路”。 +- 应用程序负责读取缓存，缓存未命中时再从数据库读取并更新缓存。 + +**读请求**： + +- 先从缓存中读取数据； +- 如果缓存中没有数据（缓存未命中），从数据库中获取数据，将数据写入缓存，返回给客户端。 + +**写请求**： + +- 数据写入数据库后，将缓存中的数据清除或更新。 + +**适用场景：** + +- 数据更新较少但读取频率较高的场景，例如商品详情、热搜榜单。 +- 对数据一致性要求不严格的系统。 + +**优缺点：** + +- **优点**：简单易用，缓存与数据库解耦。 +- **缺点**：缓存预热需要时间，容易出现缓存击穿问题。 + + + +#### 2. Write Through（直写模式） + +在直写模式中，应用程序的所有写操作都会同时更新缓存和数据库： + +- 数据写入数据库的同时同步写入缓存。 + +**工作流程：** + +1. 应用将数据同时写入 Redis 和数据库。 +2. 读取时直接从 Redis 获取数据。 + +**适用场景：** + +- 需要缓存和数据库一致性非常高的场景，例如账户余额、订单状态等敏感数据。 + +**优缺点：** + +- **优点**：一致性高，数据实时同步。 +- **缺点**：写入速度较慢，因为每次写操作都需要更新两处存储。 + + + +#### 3. Write Back（回写模式） + +在回写模式下，数据首先写入缓存，之后异步写入数据库： + +- 写入数据库的操作由后台线程或任务队列完成。 + +**工作流程：** + +1. 数据先写入 Redis。 +2. Redis 异步将数据批量写入数据库。 + +**适用场景：** + +- 写频率高、读频率较低且对一致性要求不严格的场景，例如日志系统。 + +**优缺点：** + +- **优点**：写入性能高，因为写数据库是异步的。 +- **缺点**：可能导致数据丢失，如果缓存写入后还未同步到数据库时发生故障。 + + + +#### 4. Read Through（只缓存模式） + +在这种模式中，所有的读写操作都必须通过缓存完成： + +- 缓存未命中时，应用从数据库中加载数据并自动更新缓存。 + +**工作流程：** + +1. 应用读取 Redis，如果未命中，自动从数据库加载并更新。 +2. 写入时同步更新缓存和数据库。 + +**适用场景：** + +- 读多写少且对实时性要求较高的场景。 + +**优缺点：** + +- **优点**：应用层逻辑简单。 +- **缺点**：依赖于缓存层，缓存崩溃可能导致大量数据库请求。 + + + +#### 5、Refresh Ahead（提前刷新缓存） + +Refresh Ahead 模式通过提前异步加载数据，防止缓存失效时查询数据库的性能抖动。 + +- 基于预设的过期时间，在缓存即将失效前，后台异步加载数据并更新缓存。 + + + +#### 6、Singleflight 模式 + +Singleflight 是一种**抑制重复请求**的模式，用于解决缓存未命中时的高并发问题。 + +- 当多个请求同时查询相同的缓存未命中数据时，只有一个请求会执行数据库查询，其余请求等待结果返回。 + +**核心思路** + +- 当多个并发请求同时访问**同一个缓存键**，导致缓存未命中时，**Singleflight** 机制保证只有**一个请求**去执行实际的数据库查询或计算操作，其余请求会等待第一个请求的结果完成后直接返回相同的结果。 +- 这样可以有效避免重复查询或计算，减少对数据库、API 等资源的压力。 + +**流程** + +1. 多个请求到来时，检测是否已有请求正在执行。 + - 如果没有请求在执行，则当前请求负责查询数据。 + - 如果已有请求在执行，其他请求进入等待队列。 +2. **第一个请求执行数据库查询或计算操作，并保存结果。** +3. **等待中的请求获取到第一个请求的结果，直接返回相同数据。** + + + +### Redis 缓存模式的优化策略 + +#### **1. 缓存雪崩** + +缓存雪崩指缓存集中失效时，大量请求直接击穿数据库，导致数据库压力激增甚至崩溃。 + +**解决方案：** + +- **设置随机过期时间**：避免大量缓存同时失效。 +- **多级缓存**：在 Redis 之上增加本地缓存（如 Guava）。 +- **请求限流**：通过限流机制控制瞬时流量。 + +#### **2. 缓存击穿** + +缓存击穿指某个热点数据缓存失效后，短时间内大量请求直接打到数据库。 + +**解决方案：** + +- **热点数据预加载**：提前将热点数据缓存。 +- **加互斥锁**：在缓存未命中时，通过锁机制防止数据库过载。 + +#### 3. 缓存穿透 + +缓存穿透指用户请求的数据既不在缓存中，也不存在于数据库中，导致所有请求打到数据库。 + +**解决方案：** + +- **布隆过滤器**：拦截无效请求，减少数据库查询。 +- **缓存空结果**：将不存在的数据写入缓存，避免重复查询。 + + + +### Redis 缓存模式的应用场景 + +#### **1. 电商秒杀** + +在高并发的秒杀场景中，Redis 通常用于缓存商品库存数据。典型模式为： + +- 使用 `Cache Aside` 模式缓存库存数据，避免频繁访问数据库。 +- 配合分布式锁，防止超卖问题。 + +#### **2. 社交网络** + +在社交平台上，Redis 用于存储用户会话、好友关系等数据： + +- 使用 `Write Through` 模式保证数据一致性。 +- 通过 Redis 的 Set 结构实现快速去重和交集运算。 + +#### **3. 实时排行榜** + +Redis 的 Sorted Set 结构非常适合实现排行榜功能： + +- 使用 `Cache Aside` 模式，定期将缓存中的排行榜数据同步到数据库。 \ No newline at end of file diff --git a/docs/data-management/Redis/Redis-Cluster.md b/docs/data-management/Redis/Redis-Cluster.md index 9cb3be1a63..856af90b08 100644 --- a/docs/data-management/Redis/Redis-Cluster.md +++ b/docs/data-management/Redis/Redis-Cluster.md @@ -6,10 +6,6 @@ tags: categories: Redis --- -![](https://tva1.sinaimg.cn/large/008i3skNly1gv7y6sjivij60v60kumz402.jpg) - - - ## 一、Redis 集群是啥 我们先回顾下前边介绍的几种 Redis 高可用方案：持久化、主从同步和哨兵机制。但这些方案仍有痛点，其中最主要的问题就是存储能力受单机限制，以及没办法实现写操作的负载均衡。 @@ -34,7 +30,7 @@ Redis 集群刚好解决了上述问题，实现了较为完善的高可用方 2. **高可用**： 集群支持主从复制和主节点的 **自动故障转移** *（与哨兵类似）*，当任一节点发生故障时，集群仍然可以对外提供服务。 -![](https://img.starfish.ink/redis/redis-cluster-framework.png) +![redis-cluster-framework](https://img.starfish.ink/redis/redis-cluster-framework.png) 上图展示了 **Redis Cluster** 典型的架构图，集群中的每一个 Redis 节点都 **互相两两相连**，客户端任意 **直连** 到集群中的 **任意一台**，就可以对其他 Redis 节点进行 **读写** 的操作。 @@ -225,7 +221,7 @@ Redis 集群相对单机在功能上存在一些限制，需要开发人员提 ### 3.3 节点通信 -集群的建立离不开节点之间的通信，例如我们上面启动六个集群节点之后通过 `redis-cli` 命令帮助我们搭建起来了集群，实际上背后每个集群之间的两两连接是通过了 `CLUSTER MEET ` 命令发送 `MEET` 消息完成的。 +集群的建立离不开节点之间的通信，例如我们上面启动六个集群节点之后通过 `redis-cli` 命令帮助我们搭建起来了集群，实际上背后每个集群之间的两两连接是通过了 `CLUSTER MEET` 命令发送 `MEET` 消息完成的。 通信过程说明： @@ -258,9 +254,7 @@ Redis 集群相对单机在功能上存在一些限制，需要开发人员提 （为什么需要随机呢？ ） - Gossip 协议工作原理就是节点彼此不断通信交换信息，一段时间后所有的节点都会知道集群完整的信息，这种方式类似流言传播。 - -Gossip 协议的主要职责就是信息交换。信息交换的载体就是节点彼此发送的 Gossip 消息，了解这些消息有助于我们理解集群如何完成信息交换。 + Gossip 协议工作原理就是节点彼此不断通信交换信息，一段时间后所有的节点都会知道集群完整的信息，这种方式类似**流言传播**。Gossip 协议的主要职责就是信息交换。信息交换的载体就是节点彼此发送的 Gossip 消息，了解这些消息有助于我们理解集群如何完成信息交换。 #### 消息类型 @@ -489,7 +483,7 @@ Redis 集群自身实现了高可用。高可用首先需要解决集群部分 - 更新配置纪元 - 配置纪元是一个只增不减的整数，每个主节点自身维护一个配置纪元 (`clusterNode.configEpoch`)标示当前主节点的版本，所有主节点的配置纪元 都不相等，从节点会复制主节点的配置纪元。整个集群又维护一个全局的配 置纪元(`clusterState.current Epoch`)，用于记录集群内所有主节点配置纪元的最大版本。 + 配置纪元是一个只增不减的整数，每个主节点自身维护一个配置纪元 (`clusterNode.configEpoch`)标示当前主节点的版本，所有主节点的配置纪元 都不相等，从节点会复制主节点的配置纪元。整个集群又维护一个全局的配置纪元(`clusterState.current Epoch`)，用于记录集群内所有主节点配置纪元的最大版本。 - 广播选举消息 @@ -503,7 +497,7 @@ Redis 集群自身实现了高可用。高可用首先需要解决集群部分 当从节点收集到 N/2+1 个持有槽的主节点投票时，从节点可以执行替换主节点操作，例如集群内有 5 个持有槽的主节点，主节点 b 故障后还有 4 个， 当其中一个从节点收集到 3 张投票时代表获得了足够的选票可以进行替换主节点操作。 -​ ![](https://img.starfish.ink/redis/redis-cluster-vote.png) +![](https://img.starfish.ink/redis/redis-cluster-vote.png) 5. 替换主节点 @@ -544,7 +538,7 @@ Redis 集群自身实现了高可用。高可用首先需要解决集群部分 像 redis-cli 这种客户端又叫 Dummy(傀儡)客户端，它优点是代码实现简单，对客户端协议影响较小，只需要根据重定向信息再次发送请求即可。但是它的弊端很明显，每次执行键命令前都要到 Redis 上进行重定向才能找到要执行命令的节点，额外增加了 IO 开销， 这不是Redis 集群高效的使用方式。正因为如此通常集群客户端都采用另一 种实现：Smart(智能)客户端。 -#### 3.5.2 Smart客户端 +#### 3.5.2 Smart 客户端 大多数开发语言的 Redis 客户端都采用 Smart 客户端支持集群协议。Smart 客户端通过在内部维护 slot→node 的映射关系，本地就可实现键到节点的查找，从而保证 IO 效率的最大化，而 MOVED 重定向负责协助 Smart 客户端更新 slot→node 映射。 @@ -580,7 +574,8 @@ Redis 集群自身实现了高可用。高可用首先需要解决集群部分 ### 参考与来源 -1. https://redis.io/topics/cluster-tutorial -2. 《Redis 设计与实现》 -3. 《Redis 开发与运维》 -4. https://www.cnblogs.com/kismetv/p/9853040.html \ No newline at end of file +1. https://www.mybluelinux.com/redis-explained/ +2. https://redis.io/topics/cluster-tutorial +3. 《Redis 设计与实现》 +4. 《Redis 开发与运维》 +5. https://www.cnblogs.com/kismetv/p/9853040.html \ No newline at end of file diff --git a/docs/data-management/Redis/Redis-Database.md b/docs/data-management/Redis/Redis-Database.md index a0464d8c5a..9c71d14892 100644 --- a/docs/data-management/Redis/Redis-Database.md +++ b/docs/data-management/Redis/Redis-Database.md @@ -2,7 +2,7 @@ Redis 如何表示一个数据库？数据库操作是如何实现的？ -> 这边文章是基于源码来让我们理解 Redis 的，不管是我们自己下载 redis 还是直接在 Github 上看源码，我们先要了解下 redis 更目录下的重要目录 +> 这篇文章是基于源码来让我们理解 Redis 的，不管是我们自己下载 redis 还是直接在 Github 上看源码，我们先要了解下 redis 根目录下的重要目录 > > - `src`：用C编写的Redis实现 > - `tests`：包含在Tcl中实现的单元测试 @@ -16,8 +16,6 @@ Redis 如何表示一个数据库？数据库操作是如何实现的？ 理解程序如何工作的最简单方法是理解它使用的数据结构。 从 `redis/src` 目录下可以看到 server 的源码文件（基于 `redis-6.0.5`，redis3.0 叫 `redis.c` 和 `redis.h`）。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gfrqvz1u4uj31ci04yq3l.jpg) - Redis的主头文件 `server.h` 中定义了各种结构体，比如Redis 对象`redisObject` 、存储结构`redisDb `、客户端`client` 等等。 ```c @@ -116,5 +114,4 @@ Redis 解决哈希碰撞的方式 和 Java 中的 HashMap 类似，采取链表 - -https://redisbook.readthedocs.io/en/latest/index.html \ No newline at end of file +> https://redisbook.readthedocs.io/en/latest/index.html diff --git a/docs/data-management/Redis/Redis-Datatype.md b/docs/data-management/Redis/Redis-Datatype.md index 0bb67656da..fc8ff7ad04 100644 --- a/docs/data-management/Redis/Redis-Datatype.md +++ b/docs/data-management/Redis/Redis-Datatype.md @@ -1,4 +1,10 @@ -# Redis 数据类型篇 +--- +title: Redis 数据类型篇 +date: 2022-08-25 +tags: + - Redis +categories: Redis +--- > 一提到 Redis，我们的脑子里马上就会出现一个词：“快。” > @@ -10,7 +16,7 @@ 我们都知道 Redis 是个 KV 数据库，那 KV 结构的数据在 Redis 中是如何存储的呢？ -### 一、KV 如何存储？ +## 一、KV 如何存储？ 为了实现从键到值的快速访问，Redis 使用了一个哈希表来保存所有键值对。一个哈希表，其实就是一个数组，数组的每个元素称为一个哈希桶。类似我们的 HashMap @@ -20,10 +26,20 @@ 在下图中，可以看到，哈希桶中的 entry 元素中保存了 `*key` 和 `*value` 指针，分别指向了实际的键和值，这样一来，即使值是一个集合，也可以通过 `*value` 指针被查找到。 -![redis-kv](https://tva1.sinaimg.cn/large/008i3skNly1gqsf47nimoj324o0u0hdt.jpg) +![](https://img.starfish.ink/redis/redis-kv.png) 因为这个哈希表保存了所有的键值对，所以，也把它称为**全局哈希表**。哈希表的最大好处很明显，就是让我们可以用 $O(1)$ 的时间复杂度来快速查找到键值对——我们只需要计算键的哈希值，就可以知道它所对应的哈希桶位置，然后就可以访问相应的 entry 元素。 +```c +struct redisObject { + unsigned type:4; // 类型 + unsigned encoding:4; // 编码 + unsigned lru:LRU_BITS; // 对象最后一次被访问的时间 + int refcount; //引用计数 + void *ptr; //指向实际值的指针 +}; +``` + 你看，这个查找过程主要依赖于哈希计算，和数据量的多少并没有直接关系。也就是说，不管哈希表里有 10 万个键还是 100 万个键，我们只需要一次计算就能找到相应的键。但是，如果你只是了解了哈希表的 $O(1)$ 复杂度和快速查找特性，那么，当你往 Redis 中写入大量数据后，就可能发现操作有时候会突然变慢了。这其实是因为你忽略了一个潜在的风险点，那就是哈希表的冲突问题和 rehash 可能带来的操作阻塞。 ### 为什么哈希表操作变慢了？ @@ -32,15 +48,32 @@ Redis 解决哈希冲突的方式，就是链式哈希。和 JDK7 中的 HahsMap 类似，链式哈希也很容易理解，**就是指同一个哈希桶中的多个元素用一个链表来保存，它们之间依次用指针连接**。 -如下图所示：哈希桶 6 上就有 3 个连着的 entry，也叫作哈希冲突链。 - -![redis-kv-conflict](https://tva1.sinaimg.cn/large/008i3skNly1gqsfbb5t10j31kx0u0qqw.jpg) +![](https://img.starfish.ink/redis/1*gsGJWchCH4V3BukF9xkHpA.jpeg) 但是，这里依然存在一个问题，哈希冲突链上的元素只能通过指针逐一查找再操作。如果哈希表里写入的数据越来越多，哈希冲突可能也会越来越多，这就会导致某些哈希冲突链过长，进而导致这个链上的元素查找耗时长，效率降低。对于追求“快”的 Redis 来说，这是不太能接受的。 所以，Redis 会对哈希表做 rehash 操作。rehash 也就是增加现有的哈希桶数量，让逐渐增多的 entry 元素能在更多的桶之间分散保存，减少单个桶中的元素数量，从而减少单个桶中的冲突。那具体怎么做呢？ -其实，为了使 rehash 操作更高效，Redis 默认使用了两个全局哈希表：哈希表 1 和哈希表 2。一开始，当你刚插入数据时，默认使用哈希表 1，此时的哈希表 2 并没有被分配空间。随着数据逐步增多，Redis 开始执行 rehash，这个过程分为三步： +![img](https://img.starfish.ink/redis/1*2alok5x1yuMJ3Z0V2RK--w.jpeg) + +其实，为了使 rehash 操作更高效，Redis 默认使用了两个全局哈希表：哈希表 1 和哈希表 2。 + +```c +struct dict { + dictType *type; + + dictEntry **ht_table[2]; + unsigned long ht_used[2]; + + long rehashidx; /* rehashing not in progress if rehashidx == -1 */ + + /* Keep small vars at end for optimal (minimal) struct padding */ + int16_t pauserehash; /* If >0 rehashing is paused (<0 indicates coding error) */ + signed char ht_size_exp[2]; /* exponent of size. (size = 1<链式哈希。和 JDK7 到此，我们就可以从哈希表 1 切换到哈希表 2，用增大的哈希表 2 保存更多数据，而原来的哈希表 1 留作下一次 rehash 扩容备用。这个过程看似简单，但是第二步涉及大量的数据拷贝，如果一次性把哈希表 1 中的数据都迁移完，会造成 Redis 线程阻塞，无法服务其他请求。此时，Redis 就无法快速访问数据了。为了避免这个问题，Redis 采用了渐进式 rehash。 -简单来说就是在第二步拷贝数据时，Redis 仍然正常处理客户端请求，每处理一个请求时，从哈希表 1 中的第一个索引位置开始，顺带着将这个索引位置上的所有 entries 拷贝到哈希表 2 中；等处理下一个请求时，再顺带拷贝哈希表 1 中的下一个索引位置的 entries。如下图所示： - -![redis-rehash](https://tva1.sinaimg.cn/large/008i3skNly1gqsfuduehtj30u00v3e84.jpg) +简单来说就是在第二步拷贝数据时，Redis 仍然正常处理客户端请求，每处理一个请求时，从哈希表 1 中的第一个索引位置开始，顺带着将这个索引位置上的所有 entries 拷贝到哈希表 2 中；等处理下一个请求时，再顺带拷贝哈希表 1 中的下一个索引位置的 entries。 渐进式 rehash 这样就巧妙地把一次性大量拷贝的开销，分摊到了多次处理请求的过程中，避免了耗时操作，保证了数据的快速访问。 @@ -62,31 +93,29 @@ Redis 解决哈希冲突的方式，就是链式哈希。和 JDK7 ## 一、Redis 的五种基本数据类型和其数据结构 -由于 Redis 是基于标准 C 写的，只有最基础的数据类型，因此 Redis 为了满足对外使用的 5 种基本数据类型，开发了属于自己**独有的一套基础数据结构**，使用这些数据结构来实现 5 种数据类型。 +![](https://img.starfish.ink/redis/redis-data-type.drawio.png) + +由于 Redis 是基于标准 C 写的，只有最基础的数据类型，因此 Redis 为了满足对外使用的 5 种基本数据类型，开发了属于自己**独有的一套基础数据结构**。 **Redis** 有 5 种基础数据类型，它们分别是：**string(字符串)**、**list(列表)**、**hash(字典)**、**set(集合)** 和 **zset(有序集合)**。 -Redis 底层的数据结构包括：**简单动态数组SDS、链表、字典、跳跃链表、整数集合、压缩列表、对象。** +Redis 底层的数据结构包括：**简单动态数组SDS、链表、字典、跳跃链表、整数集合、快速列表、压缩列表、对象。** Redis 为了平衡空间和时间效率，针对 value 的具体类型在底层会采用不同的数据结构来实现，其中哈希表和压缩列表是复用比较多的数据结构，如下图展示了对外数据类型和底层数据结构之间的映射关系： -![](../../../docs/_images/redis/data-type-structure.jpg) +![](https://img.starfish.ink/redis/redis-data-types.png) 下面我们具体看下各种数据类型的底层实现和操作。 > 安装好 Redis，我们可以使用 `redis-cli` 来对 Redis 进行命令行的操作，当然 Redis 官方也提供了在线的调试器，你也可以在里面敲入命令进行操作：http://try.redis.io/#run -### 1、String（字符串） - -String 是 Redis 最基本的类型，你可以理解成与 Memcached 一模一样的类型，一个 key 对应一个 value。 -String 类型是二进制安全的。意思是 Redis 的 String 可以包含任何数据。比如 jpg 图片或者序列化的对象 。 -Redis 的字符串是动态字符串，是可以修改的字符串，**内部结构实现上类似于 Java 的 ArrayList**，采用预分配冗余空间的方式来减少内存的频繁分配，如图中所示，内部为当前字符串实际分配的空间 capacity 一般要高于实际字符串长度 len。当字符串长度小于 1M 时，扩容都是加倍现有的空间，如果超过 1M，扩容时一次只会多扩 1M 的空间。需要注意的是字符串最大长度为 512M。 - -![redis-string-length](https://tva1.sinaimg.cn/large/008i3skNly1gr1lquo98sj330p0u07ng.jpg) +### 1、String（字符串） +String 类型是二进制安全的。意思是 Redis 的 String 可以包含任何数据。比如 jpg 图片或者序列化的对象 。 +Redis 的字符串是动态字符串，是可以修改的字符串，**内部结构实现上类似于 Java 的 ArrayList**，采用预分配冗余空间的方式来减少内存的频繁分配，内部为当前字符串实际分配的空间 capacity 一般要高于实际字符串长度 len。当字符串长度小于 1M 时，扩容都是加倍现有的空间，如果超过 1M，扩容时一次只会多扩 1M 的空间。需要注意的是字符串最大长度为 512M。 Redis 没有直接使用 C 语言传统的字符串表示（以空字符结尾的字符数组，以下简称 C 字符串）， 而是自己构建了一种名为简单动态字符串（simple dynamic string，SDS）的抽象类型， 并将 SDS 用作 Redis 的默认字符串表示。 @@ -94,7 +123,7 @@ Redis 没有直接使用 C 语言传统的字符串表示（以空字符结尾 比如说， 下图就展示了一个值为 `"Redis"` 的 C 字符串： -![c-string](https://tva1.sinaimg.cn/large/008i3skNly1gr1lw2vyjwj335b0tf7cz.jpg) +![](https://img.starfish.ink/redis/c-string.png) C 语言使用的这种简单的字符串表示方式， 并不能满足 Redis 对字符串在安全性、效率、以及功能方面的要求 @@ -108,7 +137,21 @@ C 语言使用的这种简单的字符串表示方式， 并不能满足 Redis 举个例子， 对于下图所示的 SDS 来说， 程序只要访问 SDS 的 `len` 属性， 就可以立即知道 SDS 的长度为 `5` 字节： - ![redis-sds](https://tva1.sinaimg.cn/large/008i3skNly1gr1ma401ftj32pm0u0x3n.jpg) + ![](https://img.starfish.ink/redis/redis-sds.png) + + > **len**：当前字符串的长度（不包括末尾的 null 字符）。这使得 Redis 不需要在每次操作时都遍历整个字符串来获取其长度。 + > + > **alloc**：当前为字符串分配的总空间（包括字符串数据和额外的内存空间）。由于 Redis 使用的是动态分配内存，因此可以避免频繁的内存分配和释放。 + > + > **buf**：实际的字符串数据部分，存储字符串的字符数组。Redis 通过这个区域存储字符串的内容。 + > + > ```c + > struct sdshdr { + > int len; // 当前字符串的长度 + > int alloc; // 为字符串分配的空间, 2.X 版本用一个 free 表示当前字符串缓冲区中未使用的内存量 + > unsigned char buf[]; // 字符串数据 + > }; + > ``` 通过使用 SDS 而不是 C 字符串， Redis 将获取字符串长度所需的复杂度从 $O(N)$ 降低到了 $O(1)$ ， 这确保了获取字符串长度的工作不会成为 Redis 的性能瓶颈 @@ -129,11 +172,20 @@ C 语言使用的这种简单的字符串表示方式， 并不能满足 Redis 通过未使用空间， SDS 实现了空间预分配和惰性空间释放两种优化策略。 -- **二进制安全** +- **SDS 如何保证二进制安全**： - 因为 C 语言中的字符串必须符合某种编码（比如 ASCII），并且除了字符串的末尾之外， 字符串里面不能包含空字符， 否则最先被程序读入的空字符将被误认为是字符串结尾 —— 这些限制使得 C 字符串只能保存文本数据， 而不能保存像图片、音频、视频、压缩文件这样的二进制数据 + - **不依赖于 null 字符**：**二进制安全**意味着 SDS 字符串可以包含任何数据，包括 null 字节。传统的 C 字符串依赖于 null 字符（'\0'）来表示字符串的结束，但 Redis 的 SDS 不依赖于 null 字符来确定字符串的结束位置。 + - **动态扩展**：SDS 会根据需要动态地扩展其内部缓冲区。Redis 会使用 `alloc` 字段来记录已分配的内存大小。当你向 SDS 中追加数据时，Redis 会确保分配足够的内存，而不需要担心数据的终止符。 + - **不需要二次编码**：二进制数据直接存储在 SDS 的 `buf` 区域内，不需要进行任何编码或转换。因此，Redis 可以原样存储任意二进制数据。 + > C 语言中的字符串必须符合某种编码（比如 ASCII），并且除了字符串的末尾之外， 字符串里面不能包含空字符， 否则最先被程序读入的空字符将被误认为是字符串结尾 —— 这些限制使得 C 字符串只能保存文本数据， 而不能保存像图片、音频、视频、压缩文件这样的二进制数据 +- **编码方式**： + - **int**：当值可以用整数表示时，Redis 会使用整数编码。这样可以节省内存，并且在执行数值操作时更高效。 + - **embstr**：这是一种特殊的编码方式，用于存储短字符串。当字符串的长度小于或等于 44 字节时，Redis 会使用 embstr 编码。只读，修改后自动转为 raw。这种编码方式将字符串直接存储在 Redis 对象的内部，这样可以减少内存分配和内存拷贝的次数，提高性能。 + - **raw**：当字符串值不是整数时，Redis 会使用 raw 编码。raw 编码就是简单地将字符串存储为字节序列。Redis 会根据客户端发送的字节序列来存储字符串，因此可以存储任何类型的数据，包括二进制数据。 + +> 可以通过 `TYPE KEY_NAME` 查看 key 所存储的值的类型验证下。 ### 2、List（列表） @@ -141,8 +193,6 @@ C 语言使用的这种简单的字符串表示方式， 并不能满足 Redis 当列表弹出了最后一个元素之后，该数据结构自动被删除，内存被回收。 -![](../../../../picBed/img/20201116153913.gif) - Redis 的列表结构常用来做异步队列使用。将需要延后处理的任务结构体序列化成字符串塞进 Redis 的列表，另一个线程从这个列表中轮询数据进行处理 **右边进左边出：队列** @@ -188,21 +238,19 @@ Redis 的列表结构常用来做异步队列使用。将需要延后处理的 - 列表中保存的单个数据（有可能是字符串类型的）小于 64 字节； - 列表中数据个数少于 512 个。 ->听到“压缩”两个字，直观的反应就是节省内存。之所以说这种存储结构节省内存，是相较于数组的存储思路而言的。我们知道，数组要求每个元素的大小相同，如果我们要存储不同长度的字符串，那我们就需要用最大长度的字符串大小作为元素的大小（假设是 20 个字节）。那当我们存储小于 20 个字节长度的字符串的时候，便会浪费部分存储空间。听起来有点儿拗口，我画个图解释一下。 -> ->![img](https://static001.geekbang.org/resource/image/2e/69/2e2f2e5a2fe25d26dc2fc04cfe88f869.jpg) -> ->压缩列表这种存储结构，一方面比较节省内存，另一方面可以支持不同类型数据的存储。而且，因为数据存储在一片连续的内存空间，通过键来获取值为列表类型的数据，读取的效率也非常高。 +从 Redis 3.2 版本开始，列表的底层实现由压缩列表组成的快速列表（quicklist）所取代。 -当列表中存储的数据量比较大的时候，也就是不能同时满足刚刚讲的两个条件的时候，列表就要通过双向循环链表来实现了。 +- 快速列表由多个 ziplist 节点组成，每个节点使用指针连接，形成一个链表。 +- 这种方式结合了压缩列表的内存效率和小元素的快速访问，以及双向链表的灵活性。 -Redis 的这种双向链表的实现方式，非常值得借鉴。它额外定义一个 list 结构体，来组织链表的首、尾指针，还有长度等信息。这样，在使用的时候就会非常方便。 +>听到“压缩”两个字，直观的反应就是节省内存。之所以说这种存储结构节省内存，是相较于数组的存储思路而言的。 +> +>它并不是基础数据结构，而是 Redis 自己设计的一种数据存储结构。它有点儿类似数组，通过一片连续的内存空间，来存储数据。不过，它跟数组不同的一点是，它允许存储的数据大小不同。听到“压缩”两个字，直观的反应就是节省内存。之所以说这种存储结构节省内存，是相较于数组的存储思路而言的。我们知道，数组要求每个元素的大小相同，如果我们要存储不同长度的字符串，那我们就需要用最大长度的字符串大小作为元素的大小（假设是 20 个字节）。那当我们存储小于 20 个字节长度的字符串的时候，便会浪费部分存储空间。压缩列表这种存储结构，一方面比较节省内存，另一方面可以支持不同类型数据的存储。而且，因为数据存储在一片连续的内存空间，通过键来获取值为列表类型的数据，读取的效率也非常高。当列表中存储的数据量比较大的时候，也就是不能同时满足刚刚讲的两个条件的时候，列表就要通过双向循环链表来实现了。 我们可以从 [源码](https://github.com/redis/redis/blob/unstable/src/adlist.h "redis源码") 的 `adlist.h/listNode` 来看到对其的定义： ```c /* Node, List, and Iterator are the only data structures used currently. */ - typedef struct listNode { struct listNode *prev; // 前置节点 struct listNode *next; // 后置节点 @@ -230,23 +278,95 @@ typedef struct list { Redis hash 是一个键值对集合。KV 模式不变，但 V 又是一个键值对。 -字典类型也有两种实现方式。一种是我们刚刚讲到的压缩列表，另一种是散列表。 +#### 1. **Redis Hash 的实现** + +Redis 使用的是 **哈希表（Hash Table）** 来存储 `Hash` 类型的数据。每个 `Hash` 对象都由一个或多个字段（field）和相应的值（value）组成。 + +在 Redis 中，哈希表的数据结构是通过 **`dict`（字典）** 来实现的，`dict` 的结构包括键和值，其中每个键都是哈希表中的字段（field），而值是字段的值。 + +哈希表的基本实现如下： + +- **哈希表**：采用 **开地址法** 来处理哈希冲突。每个 `Hash` 存储为一个哈希表，哈希表根据一定的哈希算法将键映射到一个位置。 +- **动态扩展**：当哈希表存储的元素数量达到一定的阈值时，Redis 会自动进行 **rehash（重哈希）** 操作，重新分配内存并调整哈希表的大小。 + +Redis 字典由 **嵌套的三层结构** 构成，采用链地址法处理哈希冲突： + +```c +// 哈希表结构 +typedef struct dictht { + dictEntry **table; // 二维数组（哈希桶） + unsigned long size; // 总槽位数（2^n 对齐） + unsigned long sizemask; // 槽位掩码（size-1） + unsigned long used; // 已用槽位数量 +} dictht; + +// 字典结构 +typedef struct dict { + dictType *type; // 类型特定函数（实现多态） + void *privdata; // 私有数据 + dictht ht[2]; // 双哈希表（用于渐进式rehash） + long rehashidx; // rehash进度标记（-1表示未进行） +} dict; + +// 哈希节点结构 +typedef struct dictEntry { + void *key; // 键（SDS字符串） + union { + void *val; // 值（Redis对象） + uint64_t u64; + int64_t s64; + } v; + struct dictEntry *next; // 链地址法指针 +} dictEntry; +``` + +#### 2. **Redis Hash 的内部结构** + +Redis 中的 `Hash` 是由 **哈希表** 和 **ziplist** 两种不同的数据结构实现的，具体使用哪一种结构取决于哈希表中键值对的数量和大小。 + +2.1 **哈希表（Hash Table）** + +- 哈希表是 Redis 中实现字典（`dict`）的基础数据结构，使用 **哈希冲突解决方法**（例如链地址法或开地址法）来存储键值对。 +- 每个哈希表由两个数组组成：**键数组（key array）** 和 **值数组（value array）**，它们通过哈希算法映射到表中的相应位置。 + +2.2 **Ziplist（压缩列表）** + +- **ziplist** 是一种内存高效的列表数据结构，在 Redis 中用于存储小型的 `Hash`，当哈希表中的元素个数较少时，Redis 会使用 `ziplist` 来节省内存。 +- Ziplist 是连续内存块，采用压缩存储。它适用于存储小量数据，避免哈希表内存开销。 + +2.3 **切换机制** + +> - 字典中保存的键和值的大小都要小于 64 字节； +> - 字典中键值对的个数要小于 512 个。 + +当 Redis 中 `Hash` 的元素数量较小时，会使用 `ziplist`；当元素数量增多时，会切换到使用哈希表的方式。 -同样，只有当存储的数据量比较小的情况下，Redis 才使用压缩列表来实现字典类型。具体需要满足两个条件：字典中保存的键和值的大小都要小于 64 字节；字典中键值对的个数要小于 512 个。 +- **小型 Hash**：当哈希表的字段数量很少时，Redis 会使用 `ziplist` 来存储 `Hash`，因为它可以节省内存。 +- **大型 Hash**：当字段数量较多时，Redis 会将 `ziplist` 转换为 `哈希表` 来优化性能和内存管理。 -当不能同时满足上面两个条件的时候，Redis 就使用散列表来实现字典类型。Redis 使用 MurmurHash2 这种运行速度快、随机性好的哈希算法作为哈希函数。对于哈希冲突问题，Redis 使用链表法来解决。除此之外，Redis 还支持散列表的动态扩容、缩容。当数据动态增加之后，散列表的装载因子会不停地变大。为了避免散列表性能的下降，当装载因子大于 1 的时候，Redis 会触发扩容，将散列表扩大为原来大小的 2 倍左右（具体值需要计算才能得到，如果感兴趣，你可以去[阅读源码](https://github.com/redis/redis/blob/unstable/src/dict.c)）。 +#### 3. Rehash（重哈希） -扩容缩容要做大量的数据搬移和哈希值的重新计算，所以比较耗时。针对这个问题，Redis 使用我们在散列表（中）讲的渐进式扩容缩容策略，将数据的搬移分批进行，避免了大量数据一次性搬移导致的服务停顿。 +**Rehash** 是 Redis 用来扩展哈希表的一种机制。随着 `Hash` 中元素数量的增加，哈希表的负载因子（load factor）会逐渐增大，最终可能会导致哈希冲突增多，降低查询效率。为了解决这个问题，Redis 会在哈希表负载因子达到一定阈值时，执行 **rehash** 操作，即扩展哈希表。 +3.1 **Rehash 的过程** +- **扩展哈希表**：Redis 会将哈希表的大小翻倍，并将现有的数据重新映射到新的哈希表中。扩展哈希表的目的是减少哈希冲突，提高查找效率。 -Redis 的字典相当于 Java 语言里面的 HashMap，它是无序字典， 内部实现结构上同 Java 的 HashMap 也是一致的，同样的**数组 + 链表**二维结构。第一维 hash 的数组位置碰撞时，就会将碰撞的元素使用链表串接起来。 +- **渐进式 rehash（Incremental Rehash）**：Redis 在执行重哈希时，并不会一次性将所有数据都重新映射到新的哈希表中，这样可以避免大量的阻塞操作。Redis 会分阶段地逐步迁移哈希表中的元素。这一过程通过增量的方式进行，逐步从旧哈希表中取出元素，放入新哈希表。 -不同的是，Redis 的字典的值只能是字符串，另外它们 rehash 的方式不一样，因为 Java 的 HashMap 在字典很大时，rehash 是个耗时的操作，需要一次性全部 rehash。Redis 为了高性能，不能堵塞服务，所以采用了渐进式 rehash 策略。 + 这种增量迁移的方式保证了 **rehash** 操作不会一次性占用过多的 CPU 时间，避免了阻塞。 -渐进式 rehash 会在 rehash 的同时，保留新旧两个 hash 结构，查询时会同时查询两个 hash 结构，然后在后续的定时任务中以及 hash 操作指令中，循序渐进地将旧 hash 的内容一点点迁移到新的 hash 结构中。当搬迁完成了，就会使用新的 hash 结构取而代之。 +3.2 **Rehash 的触发条件** -当 hash 移除了最后一个元素之后，该数据结构自动被删除，内存被回收。 +Redis 会在以下情况下触发 rehash 操作： + +- 当哈希表的元素数量超过哈希表容量的负载因子阈值时（例如，默认阈值为 1），Redis 会开始进行 rehash 操作。 +- 当哈希表的空间变得非常紧张，Redis 会执行扩展操作。 + +扩容就会涉及到键值对的迁移。具体来说，迁移操作会在以下两种情况下进行： + +1. **Lazy Rehashing（懒惰重哈希）：** Redis 采用了懒惰重哈希的策略，即在进行哈希表扩容时，并不会立即将所有键值对都重新散列到新的存储桶中。而是在有需要的时候，例如进行读取操作时，才会将相应的键值对从旧存储桶迁移到新存储桶中。这种方式避免了一次性大规模的迁移操作，减少了扩容期间的阻塞时间。 +2. **Redis 事件循环（Event Loop）：** Redis 会在事件循环中定期执行一些任务，包括一些与哈希表相关的操作。在事件循环中，Redis会检查是否有需要进行迁移的键值对，并将它们从旧存储桶迁移到新存储桶中。这样可以保证在系统负载较轻的时候进行迁移，减少对服务性能的影响。 @@ -288,7 +408,7 @@ typedef struct dict { ### 4、Set（集合） -集合这种数据类型用来存储一组不重复的数据。这种数据类型也有两种实现方法，一种是基于有序数组，另一种是基于散列表。当要存储的数据，同时满足下面这样两个条件的时候，Redis 就采用有序数组，来实现集合这种数据类型。 +集合这种数据类型用来存储一组不重复的数据。这种数据类型也有两种实现方法，一种是基于整数集合，另一种是基于散列表。当要存储的数据，同时满足下面这样两个条件的时候，Redis 就采用整数集合（intset），来实现集合这种数据类型。 - 存储的数据都是整数； - 存储的数据元素个数不超过 512 个。 @@ -299,9 +419,45 @@ Redis 的 Set 是 String 类型的无序集合。它是通过 HashTable 实现 当集合中最后一个元素移除之后，数据结构自动删除，内存被回收。 +```c +// 定义整数集合结构 +typedef struct intset { + uint32_t encoding; // 编码方式 + uint32_t length; // 集合长度 + int8_t contents[]; // 元素数组 +} intset; + +// 定义哈希表节点结构 +typedef struct dictEntry { + void *key; // 键 + union { + void *val; // 值 + uint64_t u64; + int64_t s64; + double d; + } v; + struct dictEntry *next; // 指向下一个节点的指针 +} dictEntry; + +// 定义哈希表结构 +typedef struct dictht { + dictEntry **table; // 存储桶数组 + unsigned long size; // 存储桶数量 + unsigned long sizemask; // 存储桶数量掩码 + unsigned long used; // 已使用存储桶数量 +} dictht; + +// 定义集合结构 +typedef struct { + uint32_t encoding; // 编码方式 + dictht *ht; // 哈希表 + intset *is; // 整数集合 +} set; +``` + -### 5、zset(sorted set：有序集合) +### 5、Zset(sorted set：有序集合) zset 和 set 一样也是 String 类型元素的集合，且不允许重复的成员。不同的是每个元素都会关联一个 double 类型的分数。 @@ -318,41 +474,48 @@ zset 中最后一个 value 被移除后，数据结构自动删除，内存被 -为什么 Redis 要用跳表来实现有序集合，而不是红黑树？ - -Redis 中的有序集合是通过跳表来实现的，严格点讲，其实还用到了散列表。不过散列表我们后面才会讲到，所以我们现在暂且忽略这部分。如果你去查看 Redis 的开发手册，就会发现，Redis 中的有序集合支持的核心操作主要有下面这几个： - -- 插入一个数据； -- 删除一个数据； -- 查找一个数据； -- 按照区间查找数据（比如查找值在[100, 356]之间的数据）； -- 迭代输出有序序列。 - -其中，插入、删除、查找以及迭代输出有序序列这几个操作，红黑树也可以完成，时间复杂度跟跳表是一样的。但是，按照区间来查找数据这个操作，红黑树的效率没有跳表高。对于按照区间查找数据这个操作，跳表可以做到 $O(logn)$ 的时间复杂度定位区间的起点，然后在原始链表中顺序往后遍历就可以了。这样做非常高效。当然，Redis 之所以用跳表来实现有序集合，还有其他原因，比如，跳表更容易代码实现。虽然跳表的实现也不简单，但比起红黑树来说还是好懂、好写多了，而简单就意味着可读性好，不容易出错。还有，跳表更加灵活，它可以通过改变索引构建策略，有效平衡执行效率和内存消耗。不过，跳表也不能完全替代红黑树。因为红黑树比跳表的出现要早一些，很多编程语言中的 Map 类型都是通过红黑树来实现的。我们做业务开发的时候，直接拿来用就可以了，不用费劲自己去实现一个红黑树，但是跳表并没有一个现成的实现，所以在开发中，如果你想使用跳表，必须要自己实现。 +> **为什么 Redis 要用跳表来实现有序集合，而不是红黑树？** +> +> Redis 中的有序集合是通过跳表来实现的，严格点讲，其实还用到了散列表。不过散列表我们后面才会讲到，所以我们现在暂且忽略这部分。如果你去查看 Redis 的开发手册，就会发现，Redis 中的有序集合支持的核心操作主要有下面这几个： +> +> - 插入一个数据； +> - 删除一个数据； +> - 查找一个数据； +> - 按照区间查找数据（比如查找值在[100, 356]之间的数据）； +> - 迭代输出有序序列。 +> +> 其中，插入、删除、查找以及迭代输出有序序列这几个操作，红黑树也可以完成，时间复杂度跟跳表是一样的。但是，按照区间来查找数据这个操作，红黑树的效率没有跳表高。对于按照区间查找数据这个操作，跳表可以做到 $O(logn)$ 的时间复杂度定位区间的起点，然后在原始链表中顺序往后遍历就可以了。这样做非常高效。当然，Redis 之所以用跳表来实现有序集合，还有其他原因，比如，跳表更容易代码实现。虽然跳表的实现也不简单，但比起红黑树来说还是好懂、好写多了，而简单就意味着可读性好，不容易出错。还有，跳表更加灵活，它可以通过改变索引构建策略，有效平衡执行效率和内存消耗。不过，跳表也不能完全替代红黑树。因为红黑树比跳表的出现要早一些，很多编程语言中的 Map 类型都是通过红黑树来实现的。我们做业务开发的时候，直接拿来用就可以了，不用费劲自己去实现一个红黑树，但是跳表并没有一个现成的实现，所以在开发中，如果你想使用跳表，必须要自己实现。 ## 二、其他数据类型 -### bitmaps +### Bitmap -##### ☆☆位图： +Redis 的 Bitmap 数据结构是一种基于 String 类型的位数组，它允许用户将字符串当作位向量来使用，并对这些位执行位操作。Bitmap 并不是 Redis 中的一个独立数据类型，而是通过在 String 类型上定义的一组位操作命令来实现的。由于 Redis 的 String 类型是二进制安全的，最大长度可以达到 512 MB，因此可以表示最多 $2^{32}$​ 个不同的位。 -在我们平时开发过程中，会有一些 bool 型数据需要存取，比如用户一年的签到记录，签了是 1，没签是 0，要记录 365 天。如果使用普通的 key/value，每个用户要记录 365 个，当用户上亿的时候，需要的存储空间是惊人的。 +Bitmap 在 Redis 中的使用场景包括但不限于： -为了解决这个问题，Redis 提供了位图数据结构，这样每天的签到记录只占据一个位，365 天就是 365 个位，46 个字节 (一个稍长一点的字符串) 就可以完全容纳下，这就大大节约了存储空间。 +1. **集合表示**：当集合的成员对应于整数 0 到 N 时，Bitmap 可以高效地表示这种集合。 +2. **对象权限**：每个位代表一个特定的权限，类似于文件系统存储权限的方式。 +3. **签到系统**：记录用户在特定时间段内的签到状态。 +4. **用户在线状态**：跟踪大量用户的在线或离线状态。 -![img](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20201116155417.gif) +Bitmap 操作的基本命令包括： +- `SETBIT key offset value`：设置或清除 key 中 offset 位置的位值（只能是 0 或 1）。 +- `GETBIT key offset`：获取 key 中 offset 位置的位值，如果 key 不存在，则返回 0。 +Bitmap 还支持更复杂的位操作，如： -位图不是特殊的数据结构，它的内容其实就是普通的字符串，也就是 byte 数组。我们可以使用普通的 get/set 直接获取和设置整个位图的内容，也可以使用位图操作 getbit/setbit 等将 byte 数组看成「位数组」来处理 +- `BITOP operation destkey key [key ...]`：对一个或多个 key 的 Bitmap 进行位操作（AND、OR、NOT、XOR）并将结果保存到 destkey。 +- `BITCOUNT key [start] [end]`：计算 key 中位数为 1 的数量，可选地在指定的 start 和 end 范围内进行计数。 - Redis 的位数组是自动扩展，如果设置了某个偏移位置超出了现有的内容范围，就会自动将位数组进行零扩充。 +Bitmap 在存储空间方面非常高效，例如，表示一亿个用户的登录状态，每个用户用一个位来表示，总共只需要 12 MB 的内存空间。 -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20201116155452.gif) +在实际应用中，Bitmap 可以用于实现诸如亿级数据统计、用户行为跟踪等大规模数据集的高效管理。 -接下来我们使用 redis-cli 设置第一个字符，也就是位数组的前 8 位，我们只需要设置值为 1 的位，如上图所示，h 字符只有 1/2/4 位需要设置，e 字符只有 9/10/13/15 位需要设置。值得注意的是位数组的顺序和字符的位顺序是相反的。 +总的来说，Redis 的 Bitmap 是一种非常节省空间且功能强大的数据结构，适用于需要对大量二进制数据进行操作的场景。 ```sh 127.0.0.1:6379> setbit s 1 1 @@ -375,43 +538,37 @@ Redis 中的有序集合是通过跳表来实现的，严格点讲，其实还 上面这个例子可以理解为「零存整取」，同样我们还也可以「零存零取」，「整存零取」。「零存」就是使用 setbit 对位值进行逐个设置，「整存」就是使用字符串一次性填充所有位数组，覆盖掉旧值。 -bitcount 和 bitop, bitpos, bitfield 都是操作位图的指令。 - ### HyperLogLog Redis 在 2.8.9 版本添加了 HyperLogLog 结构。 -场景：可以用来统计站点的UV... +Redis HyperLogLog 是一种用于基数统计的数据结构，它提供了一个近似的、不精确的解决方案来估算集合中唯一元素的数量，即集合的基数。HyperLogLog 特别适用于需要处理大量数据并且对精度要求不是特别高的场景，因为它使用非常少的内存（通常每个 HyperLogLog 实例只需要 12.4KB 左右，无论集合中有多少元素）。 -Redis HyperLogLog 是用来做基数统计的算法，HyperLogLog 的优点是，在输入元素的数量或者体积非常非常大时，计算基数所需的空间总是固定的、并且是很小的。但是会有误差。 - -| 命令 | 用法 | 描述 | -| ------- | ------------------------------------------ | ----------------------------------------- | -| pfadd | [PFADD key element [element ...] | 添加指定元素到 HyperLogLog 中 | -| pfcount | [PFCOUNT key [key ...] | 返回给定 HyperLogLog 的基数估算值。 | -| pfmerge | [PFMERGE destkey sourcekey [sourcekey ...] | 将多个 HyperLogLog 合并为一个 HyperLogLog | - -```java -public class JedisTest { - public static void main(String[] args) { - Jedis jedis = new Jedis(); - for (int i = 0; i < 100000; i++) { - jedis.pfadd("codehole", "user" + i); - } - long total = jedis.pfcount("codehole"); - System.out.printf("%d %d\n", 100000, total); - jedis.close(); - } -} -``` +HyperLogLog 的主要特点包括： + +1. **近似统计**：HyperLogLog 不保证精确计算基数，但它提供了一个非常接近真实值的近似值。 +2. **内存效率**：HyperLogLog 能够使用固定大小的内存来估算基数，这使得它在处理大规模数据集时非常有用。 +3. **可合并性**：多个 HyperLogLog 实例可以合并，以估算多个集合的并集基数。 + +HyperLogLog 的主要命令包括： -[HyperLogLog图解](http://content.research.neustar.biz/blog/hll.html ) +- `PFADD key element [element ...]`：向 HyperLogLog 数据结构添加元素。如果 key 不存在，它将被创建。 +- `PFCOUNT key`：返回给定 HyperLogLog 的近似基数。 +- `PFMERGE destkey sourcekey [sourcekey ...]`：将多个 HyperLogLog 结构合并到一个单独的 HyperLogLog 结构中。 + +HyperLogLog 的工作原理基于一个数学算法，它使用一个固定大小的位数组和一些哈希函数。当添加一个新元素时，它被哈希函数映射到一个位数组的索引，并根据哈希值的前几位来设置位数组中的位。基数估算是通过分析位数组中 0 的位置来完成的。 + +由于 HyperLogLog 提供的是近似值，它有一个标准误差率，通常在 0.81% 左右。这意味着如果实际基数是 1000，HyperLogLog 估算的基数可能在 992 到 1008 之间。 + +HyperLogLog 是处理大数据集基数统计的理想选择，尤其是当数据集太大而无法在内存中完全加载时。它在数据挖掘、日志分析、用户行为分析等领域有着广泛的应用。 + +场景：可以用来统计站点的UV... +> [HyperLogLog图解](http://content.research.neustar.biz/blog/hll.html ) -### Geo diff --git a/docs/data-management/Redis/Reids-Lock.md b/docs/data-management/Redis/Redis-Lock.md similarity index 99% rename from docs/data-management/Redis/Reids-Lock.md rename to docs/data-management/Redis/Redis-Lock.md index f91c4af2c0..5719d23d85 100644 --- a/docs/data-management/Redis/Reids-Lock.md +++ b/docs/data-management/Redis/Redis-Lock.md @@ -146,7 +146,7 @@ end 1. 获取锁时，过期时间要设置多少合适呢？ - 预估一个合适的时间，其实没那么容易，比如操作资源的时间最慢可能要 10 s，而我们只设置了 5 s 就过期，那就存在锁提前过期的风险。这个问题先记下，我们一会看下 Javaer 要怎么在代码中用 Redis 锁。 + 预估一个合适的时间，其实没那么容易，比如操作资源的时间最慢可能要 10s，而我们只设置了 5s 就过期，那就存在锁提前过期的风险。这个问题先记下，我们一会看下 Javaer 要怎么在代码中用 Redis 锁。 2. 容错性如何保证呢？ @@ -162,7 +162,7 @@ Redisson 是 Redis 官方的分布式锁组件。GitHub 地址：[https://github > Redisson 是一个在 Redis 的基础上实现的 Java 驻内存数据网格（In-Memory Data Grid）。它不仅提供了一系列的分布式的 Java 常用对象，还实现了可重入锁（Reentrant Lock）、公平锁（Fair Lock、联锁（MultiLock）、 红锁（RedLock）、 读写锁（ReadWriteLock）等，还提供了许多分布式服务。Redisson 提供了使用 Redis 的最简单和最便捷的方法。Redisson 的宗旨是促进使用者对 Redis 的关注分离（Separation of Concern），从而让使用者能够将精力更集中地放在处理业务逻辑上。 -redisson 现在已经很强大了，github 的 wiki 也很详细，分布式锁的介绍直接戳 [Distributed locks and synchronizers](https://github.com/redisson/redisson/wiki/8.-Distributed-locks-and-synchronizers) +Redisson 现在已经很强大了，github 的 wiki 也很详细，分布式锁的介绍直接戳 [Distributed locks and synchronizers](https://github.com/redisson/redisson/wiki/8.-Distributed-locks-and-synchronizers) Redisson 支持单点模式、主从模式、哨兵模式、集群模式，只是配置的不同，我们以单点模式来看下怎么使用，代码很简单，都已经为我们封装好了，直接拿来用就好，详细的 demo，我放在了 github: starfish-learn-redisson 上，这里就不一步步来了 @@ -666,7 +666,7 @@ Redisson 提供了看门狗，每获得一个锁时，只设置一个很短的 -![img](https://i01piccdn.sogoucdn.com/5c535b46a06ec4d8) +![](https://i01piccdn.sogoucdn.com/5c535b46a06ec4d8) ## 四、RedLock diff --git a/docs/data-management/Redis/Redis-MQ.md b/docs/data-management/Redis/Redis-MQ.md index 8c3dceed9d..64527748f9 100644 --- a/docs/data-management/Redis/Redis-MQ.md +++ b/docs/data-management/Redis/Redis-MQ.md @@ -142,7 +142,7 @@ Redis 提供了好几对 List 指令，先大概看下这些命令，混个眼 -因为 Redis 单线程的特点，所以在消费数据时，同一个消息会不会同时被多个 `consumer` 消费掉，但是需要我们考虑消费不成功的情况。 +因为 Redis 单线程的特点，所以在消费数据时，同一个消息不会同时被多个 `consumer` 消费掉，但是需要我们考虑消费不成功的情况。 #### 可靠队列模式 | ack 机制 @@ -260,7 +260,7 @@ Redis 5.0 版本新增了一个更强大的数据结构——**Stream**。它提 -Streams 是 Redis 专门为消息队列设计的数据类型，所以提供了丰富的消息队列操作命令。 +Stream 是 Redis 专门为消息队列设计的数据类型，所以提供了丰富的消息队列操作命令。 #### Stream 常用命令 @@ -379,7 +379,7 @@ Redis Stream 借鉴了很多 Kafka 的设计。 ![redis-group-strucure](https://img.starfish.ink/redis/redis-group-strucure.png) -Stream 不像 Kafak 那样有分区的概念，如果想实现类似分区的功能，就要在客户端使用一定的策略将消息写到不同的 Stream。 +Stream 不像 Kafka 那样有分区的概念，如果想实现类似分区的功能，就要在客户端使用一定的策略将消息写到不同的 Stream。 - `xgroup create`：创建消费者组 - `xgreadgroup`：读取消费组中的消息 diff --git a/docs/data-management/Redis/Redis-Master-Slave.md b/docs/data-management/Redis/Redis-Master-Slave.md index 848efd8214..bce755ff33 100644 --- a/docs/data-management/Redis/Redis-Master-Slave.md +++ b/docs/data-management/Redis/Redis-Master-Slave.md @@ -6,7 +6,7 @@ tags: categories: Redis --- -![](https://tva1.sinaimg.cn/large/008i3skNly1gv7wlh9bedj61410u0age02.jpg) +![](https://img.starfish.ink/redis/redis-master-slave-banner.png) > 我们总说的 Redis 具有高可靠性，其实，这里有两层含义：一是数据尽量少丢失，二是服务尽量少中断。 > @@ -171,6 +171,17 @@ Redis 主从库之间的同步，在不同阶段有不同的处理方式，我 3. 最后，也就是第三个阶段，主库会把第二阶段执行过程中新收到的写命令，再发送给从库。 具体的操作是，当主库完成 RDB 文件发送后，就会把此时 `replication buffer` 中的修改操作发给从库，从库再重新执行这些操作。这样一来，主从库就实现同步了。 + + > 主节点在生成 RDB 文件时，会将新的写命令（例如 `SET`、`DEL` 等）追加到**复制积压缓冲区**中，同时这些命令也会通过网络直接发送到所有已连接的从节点。 + > + > 这些写操作是以 **Redis 协议格式（RESP）** 逐条发送的。 + > + > - 双管齐下（RDB + 命令传播） + > + > ##### **数据传输协议：RESP**(Redis Serialization Protocol) + > + > - Redis 的所有数据通信，包括 RDB 文件和增量数据的发送，均基于其内部协议 **RESP（Redis Serialization Protocol）**。 + > - 增量数据是以 Redis 命令流的形式，序列化为 RESP 格式后通过 TCP 连接发送的 @@ -243,11 +254,11 @@ replicaof 所选从库的IP 6379 主库对应的偏移量是 `master_repl_offset`，从库的偏移量 `slave_repl_offset` 。正常情况下，这两个偏移量基本相等。 -![redis-backlog_buffer](https://img.starfish.ink/redis/redis-backlog_buffer.jpg) +![](https://img.starfish.ink/redis/redis-backlog_buffer.png) 在网络断连阶段，主库可能会收到新的写操作命令，这时，`master_repl_offset` 会大于 `slave_repl_offset`。此时，主库只用把 `master_repl_offset` 和 `slave_repl_offset` 之间的命令操作同步给从库就可以了。 -![redis-increment-copy](https://img.starfish.ink/redis/redis-increment-copy.png) +![](https://img.starfish.ink/redis/redis-increment-copy.png) > PS：因为 repl_backlog_buffer 是一个环形缓冲区（可以理解为是一个定长的环形数组），所以在缓冲区写满后，主库会继续写入，此时，就会覆盖掉之前写入的操作。**如果从库的读取速度比较慢，就有可能导致从库还未读取的操作被主库新写的操作覆盖了，这会导致主从库间的数据不一致**。如果从库和主库**断连时间过长**，造成它在主库 repl_backlog_buffer 的 slave_repl_offset 位置上的数据已经被覆盖掉了，此时从库和主库间将进行全量复制。 > diff --git a/docs/data-management/Redis/Redis-Persistence.md b/docs/data-management/Redis/Redis-Persistence.md index af421c9311..9bb9414067 100644 --- a/docs/data-management/Redis/Redis-Persistence.md +++ b/docs/data-management/Redis/Redis-Persistence.md @@ -6,7 +6,7 @@ tags: categories: Redis --- -![](https://images.pexels.com/photos/33278/disc-reader-reading-arm-hard-drive.jpg?cs=srgb&dl=pexels-pixabay-33278.jpg&fm=jpg) +![](https://images.pexels.com/photos/33278/disc-reader-reading-arm-hard-drive.jpg?cs=srgb&dl=pexels-pixabay-33278.jpg) > 带着疑问，或者是面试问题去看 Redis 的持久化，或许会有不一样的视角，这几个问题你废了吗？ > @@ -48,11 +48,11 @@ RDB 的缺点是最后一次持久化后的数据可能丢失。 **配置位置**： SNAPSHOTTING -![redis-snapshotting](https://img.starfish.ink/redis/redis-snapshotting.jpg) +![](https://img.starfish.ink/redis/redis-snapshotting.jpg) rdb 默认保存的是 **dump.rdb** 文件，如下（不可读） -![redis-rdb-file](https://img.starfish.ink/redis/redis-rdb-file.jpg) +![](https://img.starfish.ink/redis/redis-rdb-file.jpg) 你可以对 Redis 进行设置， 让它在“ N 秒内数据集至少有 M 个改动”这一条件被满足时， 自动保存一次数据集。 @@ -71,7 +71,20 @@ rdb 默认保存的是 **dump.rdb** 文件，如下（不可读） > 简单来说，bgsave 子进程是由主线程 fork 生成的，可以共享主线程的所有内存数据。bgsave 子进程运行后，开始读取主线程的内存数据，并把它们写入 RDB 文件。此时，如果主线程对这些数据也都是读操作（例如图中的键值对K1），那么，主线程和 bgsave 子进程相互不影响。但是，如果主线程要修改一块数据（例如图中的键值对 K3），那么，这块数据就会被复制一份，生成该数据的副本。然后，bgsave 子进程会把这个副本数据写入 RDB 文件，而在这个过程中，主线程仍然可以直接修改原来的数据。 > -> ![redis-bgsave](https://img.starfish.ink/redis/redis-bgsave.jpg) +> ![](https://img.starfish.ink/redis/redis-bgsave.jpg) +> +> 当 Redis 触发 RDB 快照时，它会通过 `fork` 系统调用来创建一个子进程，子进程负责将内存中的数据写入到磁盘，而父进程则继续响应客户端请求。**写时复制（COW）** 机制使得在 fork 后，父子进程共享同一份内存页，只有当父进程或子进程对内存进行修改时，操作系统才会复制出新的内存页，从而减少了内存复制的开销。 +> +> 尽管如此，`fork` 子进程的操作本身仍然是有一定开销的，尤其在数据量非常大的时候，尽管采用了 COW，但以下因素可能会导致 **性能下降**： +> +> - **大量数据**：当 Redis 中的数据量非常大时（几千万或几亿条键值对），fork 子进程仍然需要花费一定的时间来生成 RDB 文件，即使是写时复制也会带来一定的延迟。 +> - **系统资源压力**：如果机器的内存不足，频繁的 fork 和写时复制操作可能导致系统的 **内存不足** 和 **CPU 高负载**，尤其是在数据量较大的时候。 +> - **磁盘 I/O**：即便使用写时复制，子进程最终需要将数据写入磁盘，磁盘 I/O 的性能也会影响快照的时间。如果磁盘写入速度较慢，生成 RDB 文件的过程可能会很慢。 +> +> 如果 Redis 在执行一次 RDB 快照时，快照尚未完成，新的写操作又触发了一个新的 RDB 快照，那么会发生 **重叠触发** 的问题。 +> +> - **新的 RDB 快照会等待前一个快照完成**。 +> - 如果 **`save` 配置的触发条件**（如 `save 900 1`）满足且当前快照未完成，Redis 会 **阻塞新的快照请求**，直到当前的快照操作完成。这是为了避免对系统资源的过度消耗，防止多次快照操作同时进行。 @@ -89,7 +102,7 @@ rdb 默认保存的是 **dump.rdb** 文件，如下（不可读） 将备份文件 (dump.rdb) 移动到 Redis 安装目录并启动服务即可（`CONFIG GET dir` 获取目录） -![redis-rdb-bak](https://img.starfish.ink/redis/redis-rdb-bak.jpg) +![](https://img.starfish.ink/redis/redis-rdb-bak.jpg) @@ -116,7 +129,7 @@ rdb 默认保存的是 **dump.rdb** 文件，如下（不可读） #### 小总结 -![redis-rdb-summary](https://img.starfish.ink/redis/redis-rdb-summary.jpg) +![](https://img.starfish.ink/redis/redis-rdb-summary.jpg) - RDB 是一个非常紧凑的文件 @@ -140,7 +153,7 @@ AOF 默认保存的是 **appendonly.aof ** 文件 **配置位置**： APPEND ONLY MODE -![redis-aof-conf](https://tva1.sinaimg.cn/large/0081Kckwly1glpjnzl6roj31hg0su7jj.jpg) +![](https://img.starfish.ink/redis/redis-aof-conf.png) @@ -167,7 +180,7 @@ AOF 默认保存的是 **appendonly.aof ** 文件 不过，AOF 日志正好相反，它是写后日志，“写后”的意思是 Redis 是先执行命令，把数据写入内存，然后才记录日志，如下图所示： -![redis-aof-write-log](https://tva1.sinaimg.cn/large/0081Kckwly1glohquxp6lj31rv0u0qah.jpg) +![](https://img.starfish.ink/redis/redis-aof-write-log.png) > Tip：日志先行的方式，如果宕机后，还可以通过之前保存的日志恢复到之前的数据状态。可是 AOF 后写日志的方式，如果宕机后，不就会把写入到内存的数据丢失吗？ > @@ -179,7 +192,7 @@ AOF 默认保存的是 **appendonly.aof ** 文件 例如，`*2` 表示有两个部分，`$6` 表示 6 个字节，也就是下边的 “SELECT” 命令，`$1` 表示 1 个字节，也就是下边的 “0” 命令，合起来就是 `SELECT 0`，选择 0 库。下边的指令同理，就很好理解了 `SET K1 V1`。 -![redis-aof-file](https://tva1.sinaimg.cn/large/0081Kckwly1glpo99yeg5j31ky0u0npd.jpg) +![](https://img.starfish.ink/redis/redis-aof-file.png) 但是，为了避免额外的检查开销，**Redis 在向 AOF 里面记录日志的时候，并不会先去对这些命令进行语法检查。所以，如果先记日志再执行命令的话，日志中就有可能记录了错误的命令，Redis 在使用日志恢复数据时，就可能会出错。而写后日志这种方式，就是先让系统执行命令，只有命令能执行成功，才会被记录到日志中，否则，系统就会直接向客户端报错**。所以，Redis 使用写后日志这一方式的一大好处是，可以避免出现记录错误命令的情况。除此之外，AOF 还有一个好处：它是在命令执行后才记录日志，所以**不会阻塞当前的写操作**。 @@ -231,19 +244,26 @@ AOF 默认保存的是 **appendonly.aof ** 文件 #### rewrite（AOF 重写） -- 是什么：AOF 采用文件追加方式，文件会越来越大，为了避免出现这种情况，新增了重写机制，当 AOF 文件的大小超过所设定的阈值时，Redis 就会启动 AOF 文件的内容压缩，只保留可以恢复数据的最小指令集，可以使用命令 `bgrewriteaof`，这个操作相当于对 AOF 文件“瘦身”。在重写的时候，是根据这个键值对当前的最新状态，为它生成对应的写入命令。这样一来，一个键值对在重写日志中只用一条命令就行了，而且，在日志恢复时，只用执行这条命令，就可以直接完成这个键值对的写入了。 - - ![减肥](https://i01piccdn.sogoucdn.com/8700d2e646eddccf) +- 是什么：AOF 采用文件追加方式，文件会越来越大，为了避免出现这种情况，新增了重写机制，当 AOF 文件的大小超过所设定的阈值时，**Redis 就会启动 AOF 文件的内容压缩，只保留可以恢复数据的最小指令集**，可以使用命令 `bgrewriteaof`，这个操作相当于对 AOF 文件“瘦身”。在重写的时候，是根据这个键值对当前的最新状态，为它生成对应的写入命令。这样一来，一个键值对在重写日志中只用一条命令就行了，而且，在日志恢复时，只用执行这条命令，就可以直接完成这个键值对的写入了。 -- 重写原理：AOF 文件持续增长而过大时，会 fork 出一条新进程来将文件重写(也是先写临时文件最后再rename)，遍历新进程的内存中数据，转换成一条条的操作指令，再序列化到一个新的 AOF 文件中。 + ![](https://i01piccdn.sogoucdn.com/8700d2e646eddccf) - PS: 重写 AOF 文件的操作，并没有读取旧的 AOF 文件，而是将整个内存中的数据库内容用命令的方式重写了一个新的 AOF 文件，这点和快照有点类似。 +- **重写原理**：AOF 文件持续增长而过大时，会 fork 出一条新进程来将文件重写(也是先写临时文件最后再rename)，遍历新进程的内存中数据，转换成一条条的操作指令，再序列化到一个新的 AOF 文件中。 -- 触发机制：Redis 会记录上次重写时的 AOF 大小，默认配置是当 AOF 文件大小是上次 rewrite 后大小的一倍且文件大于 64M 时触发 + > PS: 重写 AOF 文件的操作，并没有读取旧的 AOF 文件，而是将整个内存中的数据库内容用命令的方式重写了一个新的 AOF 文件，这点和快照有点类似。 - 我们在客户端输入两次 `set k1 v1` ，然后比较 `bgrewriteaof` 前后两次的 appendonly.aof 文件（先要关闭混合持久化） +- 触发机制： -![bgrewriteaof](https://tva1.sinaimg.cn/large/0081Kckwly1glppqcra0uj316w0u0e1q.jpg) + - **AOF 文件增长比例超过一定阈值**：Redis 会记录上次重写时的 AOF 大小，默认配置是当 AOF 文件大小是上次 rewrite 后大小的**一倍**且文件大于 64M 时触发 + + ``` + auto-aof-rewrite-min-size 64mb //指定触发重写的 AOF 文件最小大小（默认为 64MB） + auto-aof-rewrite-percentage 100 //指定 AOF 文件增长的百分比（默认为 100%） + ``` + + - **手动触发 AOF 重写**： 通过执行 `BGREWRITEAOF` 命令，用户可以手动触发 AOF 重写 + + 我们在客户端输入两次 `set k1 v1` ，然后比较 `bgrewriteaof` 前后两次的 appendonly.aof 文件（先要关闭混合持久化）![bgrewriteaof](https://img.starfish.ink/redis/bgrewriteaof.png) @@ -271,13 +291,22 @@ AOF 重写和 RDB 创建快照一样，都巧妙地利用了写时复制机制 以下是 AOF 重写的执行步骤： -1. Redis 执行 `fork()` ，现在同时拥有父进程和子进程。 -2. 子进程开始将新 AOF 文件的内容写入到临时文件。 -3. 对于所有新执行的写入命令，父进程一边将它们累积到一个内存缓存中，一边将这些改动追加到现有 AOF 文件的末尾： 这样即使在重写的中途发生停机，现有的 AOF 文件也还是安全的。 -4. 当子进程完成重写工作时，它给父进程发送一个信号，父进程在接收到信号之后，将内存缓存中的所有数据追加到新 AOF 文件的末尾。 -5. 搞定！现在 Redis 原子地用新文件替换旧文件，之后所有命令都会直接追加到新 AOF 文件的末尾。 +1. **创建一个新的 AOF 文件**：Redis 执行 `fork()` ，它会**异步地**在后台创建一个新的 AOF 文件（通常命名为 `appendonly.aof.new`）。现在同时拥有父进程和子进程。 + +2. **重写的内容——只保留当前数据库状态**：子进程开始将新 AOF 文件的内容写入到临时文件。 + + 在执行 AOF 重写时，Redis 不会记录每个命令的详细内容，而是通过以下方式来确保重写后的 AOF 文件有效： + + - **仅记录当前数据集的重建命令**：Redis 会根据数据库当前的状态生成一系列 `SET`、`HSET`、`LPUSH` 等命令，这些命令能够重建当前数据库的状态。这些命令是可以直接执行的、能够恢复数据的命令。 + - **压缩冗余命令**：在重写过程中，Redis 会去除一些无意义或重复的命令。例如，如果有大量重复的 `SET key value` 操作，Redis 只会保留最新的 `SET` 命令，而忽略之前的操作。 + +3. **复制 AOF文件**：对于所有新执行的写入命令，父进程一边将它们累积到一个内存缓存中，一边将这些改动追加到现有 AOF 文件（即 `appendonly.aof`）的末尾： 这样即使在重写的中途发生停机，现有的 AOF 文件也还是安全的，这个过程称为 **追加操作**。 + +4. **重写完成后的替换**：当子进程完成重写工作时，它给父进程发送一个信号，父进程在接收到信号之后，将内存缓存中的所有数据追加到新 AOF 文件的末尾。 + +5. **删除过时的 AOF 文件**：搞定！现在 Redis 原子地用新文件替换旧文件，之后所有命令都会直接追加到新 AOF 文件的末尾。 -![redis-aof-rewrite-work](https://tva1.sinaimg.cn/large/0081Kckwly1glpthcem5vj31gv0u07se.jpg) +![](https://img.starfish.ink/redis/redis-aof-rewrite-work.png) #### 优势 @@ -293,7 +322,7 @@ AOF 重写和 RDB 创建快照一样，都巧妙地利用了写时复制机制 #### 总结 -![redis-aof-summary](https://tva1.sinaimg.cn/large/0081Kckwly1gloiswykuhj32830ocwjq.jpg) +![](https://img.starfish.ink/redis/redis-aof-summary.png) - AOF 文件是一个只进行追加的日志文件 - Redis 可以在 AOF 文件体积变得过大时，自动在后台对 AOF 进行重写 @@ -356,7 +385,7 @@ Redis 4.0 中提出了一个**混合使用 AOF 日志和内存快照的方法** 同样我们执行 3 次 `set k1 v1`，然后手动瘦身 `bgrewriteaof` 后，查看 appendonly.aof 文件： -![redis-mix-persistence-file](https://tva1.sinaimg.cn/large/0081Kckwly1glpq9abyx4j318s04cq5b.jpg) +![](https://img.starfish.ink/redis/redis-mix-persistence-file.png) 这样做的好处是可以结合 rdb 和 aof 的优点，快速加载同时避免丢失过多的数据，缺点是 aof 里面的 rdb 部分就是压缩格式不再是 aof 格式，可读性差。 @@ -366,7 +395,7 @@ Redis 4.0 中提出了一个**混合使用 AOF 日志和内存快照的方法** 如下图所示，两次快照中间时刻的修改，用 AOF 日志记录，等到第二次做全量快照时，就可以清空 AOF 日志，因为此时的修改都已经记录到快照中了，恢复时就不再用日志了。 -![redis-mix-persistence](https://tva1.sinaimg.cn/large/0081Kckwly1glpr9h1ab4j319l0u07wh.jpg) +![](https://img.starfish.ink/redis/redis-mix-persistence.png) 这个方法既能享受到 RDB 文件快速恢复的好处，又能享受到 AOF 只记录操作命令的简单优势，有点“鱼和熊掌可以兼得”的意思。 diff --git a/docs/data-management/Redis/Redis-Sentinel.md b/docs/data-management/Redis/Redis-Sentinel.md index f185e1fc29..fcab77ecf2 100644 --- a/docs/data-management/Redis/Redis-Sentinel.md +++ b/docs/data-management/Redis/Redis-Sentinel.md @@ -6,7 +6,7 @@ tags: categories: Redis --- -![](https://tva1.sinaimg.cn/large/008i3skNly1gv7xoaskkvj60qo0eyjut02.jpg) +![](https://img.starfish.ink/redis/redis-sentinel-banner.png) > 我们知道 Reids 提供了主从模式的机制，来保证可用性，可是如果主库发生故障了，那就直接会影响到从库的同步，怎么办呢？ > @@ -274,7 +274,16 @@ master0:name=mymaster,status=ok,address=127.0.0.1:6381,slaves=2,sentinels=3 ![](https://img.starfish.ink/redis/redis-sentinel-select-master.jpg) - +> ##### **哨兵模式是否会出现脑裂问题？** +> +> - **哨兵模式下存在脑裂风险。** +> - 当网络分区或通信异常时，可能导致旧主节点未完全下线，新的主节点被选出，导致两个主节点同时存在，形成**脑裂**问题。 +> +> #### **解决方法：** +> +> 1. **主节点心跳检测**：通过哨兵的客观下线判断，多数哨兵节点确认主节点下线，减少误判。 +> 2. **客户端重连机制**：客户端连接断开后，需要重新通过哨兵获取正确的主节点地址。 +> 3. **配置防止脑裂**：`quorum` 参数设置哨兵节点的投票数量，避免少数节点误判主节点下线。 ### 四、哨兵集群的原理 @@ -365,7 +374,7 @@ PSUBSCRIBE * ### 五、小结 -> Redis 哨兵是 Redis 的高可用实现方案：故障发现、故障自动转移、配置中心、客户端通知。 +Redis 哨兵是 Redis 的高可用实现方案：故障发现、故障自动转移、配置中心、客户端通知。 #### 5.1 哨兵机制其实就有三大功能： diff --git a/docs/data-management/Redis/Redis-Transaction.md b/docs/data-management/Redis/Redis-Transaction.md index 81fe5618bf..97c95bcb8c 100644 --- a/docs/data-management/Redis/Redis-Transaction.md +++ b/docs/data-management/Redis/Redis-Transaction.md @@ -34,7 +34,7 @@ Redis 在形式上看起来也差不多，分为三个阶段 2. 命令入队（业务操作） 3. 执行事务（exec）或取消事务（discard） -``` +```sh > multi OK > incr star @@ -87,11 +87,11 @@ MULTI 执行之后， 客户端可以继续向服务器发送任意多条命令 **正常执行**（可以批处理，挺爽，每条操作成功的话都会各取所需，互不影响） -![redis-transaction-case1.png](https://tva1.sinaimg.cn/large/007S8ZIlly1gi13pr19z7j314g0eojwz.jpg) +![](https://img.starfish.ink/redis/redis-transaction-case1.png) **放弃事务**（discard 操作表示放弃事务，之前的操作都不算数） -![redis-transaction-case2.png](https://tva1.sinaimg.cn/large/007S8ZIlly1gi13rcxo7qj314e0c8n1z.jpg) +![](https://img.starfish.ink/redis/redis-transaction-case2.png) @@ -112,11 +112,11 @@ Redis 针对如上两种错误采用了不同的处理策略，对于发生在 ` **全体连坐**（某一条操作记录报错的话，exec 后所有操作都不会成功） -![redis-transaction-case3.png](https://tva1.sinaimg.cn/large/007S8ZIlly1gi13roq9olj31480icgtw.jpg) +![](https://img.starfish.ink/redis/redis-transaction-case3.png) **冤头债主**（示例中 k1 被设置为 String 类型，decr k1 可以放入操作队列中，因为只有在执行的时候才可以判断出语句错误，其他正确的会被正常执行） -![redis-transaction-case4.png](https://tva1.sinaimg.cn/large/007S8ZIlly1gi13s3dl4uj31480jen4s.jpg) +![](https://img.starfish.ink/redis/redis-transaction-case4.png) @@ -154,17 +154,17 @@ OK 我们看个简单的例子，用 watch 监控我的账号余额（一周100零花钱的我），正常消费 -![redis-transaction-watch1.png](https://tva1.sinaimg.cn/large/007S8ZIlly1gi13slyi49j314i0fugs6.jpg) +![](https://img.starfish.ink/redis/redis-transaction-watch1.png) 但这个卡，还绑定了我媳妇的支付宝，如果在我消费的时候，她也消费了，会怎么样呢？ 犯困的我去楼下 711 买了包烟，买了瓶水，这时候我媳妇在超市直接刷了 100，此时余额不足的我还在挑口香糖来着，，， -![redis-transaction-watch2](https://tva1.sinaimg.cn/large/007S8ZIlly1gi13swhge0j314c0mmtio.jpg) +![](https://img.starfish.ink/redis/redis-transaction-watch2.png) 这时候我去结账，发现刷卡失败（事务中断），尴尬的一批 -![redis-transaction-watch3](https://tva1.sinaimg.cn/large/007S8ZIlly1gi13tb8jadj314i0m2ti6.jpg) +![](https://img.starfish.ink/redis/redis-transaction-watch3.png) @@ -172,7 +172,7 @@ OK > 当然，这里也会出现只要你媳妇刷了你的卡，就没办法刷成功的问题，这时候可以先查下余额，重新开启事务继续刷 -![redis-transaction-watch4](https://tva1.sinaimg.cn/large/007S8ZIlly1gi13tmbr58j314e0kkajh.jpg) +![](https://img.starfish.ink/redis/redis-transaction-watch4.png) diff --git a/docs/data-management/Redis/Cache-Design.md b/docs/data-management/Redis/reproduce/Cache-Design.md similarity index 100% rename from docs/data-management/Redis/Cache-Design.md rename to docs/data-management/Redis/reproduce/Cache-Design.md diff --git "a/docs/data-management/Redis/Key \345\257\273\345\235\200\347\256\227\346\263\225.md" "b/docs/data-management/Redis/reproduce/Key \345\257\273\345\235\200\347\256\227\346\263\225.md" similarity index 100% rename from "docs/data-management/Redis/Key \345\257\273\345\235\200\347\256\227\346\263\225.md" rename to "docs/data-management/Redis/reproduce/Key \345\257\273\345\235\200\347\256\227\346\263\225.md" diff --git a/docs/data-structure-algorithms/.DS_Store b/docs/data-structure-algorithms/.DS_Store index 7c10cd529b..661b6ce50c 100644 Binary files a/docs/data-structure-algorithms/.DS_Store and b/docs/data-structure-algorithms/.DS_Store differ diff --git a/docs/data-structure-algorithms/BFS.md b/docs/data-structure-algorithms/BFS.md deleted file mode 100755 index 8c3521d7b3..0000000000 --- a/docs/data-structure-algorithms/BFS.md +++ /dev/null @@ -1,205 +0,0 @@ -## 齐头并进的广度优先遍历 - -> DFS（深度优先搜索）和 BFS（广度优先搜索）就像孪生兄弟，提到一个总是想起另一个。然而在实际使用中，我们用 DFS 的时候远远多于 BFS。那么，是不是 BFS 就没有什么用呢？ -> -> 如果我们使用 DFS/BFS 只是为了遍历一棵树、一张图上的所有结点的话，那么 DFS 和 BFS 的能力没什么差别，我们当然更倾向于更方便写、空间复杂度更低的 DFS 遍历。不过，某些使用场景是 DFS 做不到的，只能使用 BFS 遍历。 -> -> DFS 遍历使用递归： -> -> ```java -> void dfs(TreeNode root) { -> if (root == null) { -> return; -> } -> dfs(root.left); -> dfs(root.right); -> } -> ``` -> -> BFS 遍历使用队列数据结构： -> -> ```jaava -> void bfs(TreeNode root) { -> Queue queue = new ArrayDeque<>(); -> queue.add(root); -> while (!queue.isEmpty()) { -> TreeNode node = queue.poll(); // Java 的 pop 写作 poll() -> if (node.left != null) { -> queue.add(node.left); -> } -> if (node.right != null) { -> queue.add(node.right); -> } -> } -> } -> ``` -> -> 只是比较两段代码的话，最直观的感受就是：DFS 遍历的代码比 BFS 简洁太多了！这是因为递归的方式隐含地使用了系统的 栈，我们不需要自己维护一个数据结构。如果只是简单地将二叉树遍历一遍，那么 DFS 显然是更方便的选择。 -> -> 虽然 DFS 与 BFS 都是将二叉树的所有结点遍历了一遍，但它们遍历结点的顺序不同。 -> -> ![DFS 与 BFS 对比](https://pic.leetcode-cn.com/fdcd3bd27f4008948084f6ec86b58535e71f66862bd89a34bd6fe4cc42d68e89.gif) - - - -![image.png](https://pic.leetcode-cn.com/1611483686-FJqdzm-image.png) - -「广度优先遍历」的思想在生活中随处可见： - -如果我们要找一个医生或者律师，我们会先在自己的一度人脉中遍历（查找），如果没有找到，继续在自己的二度人脉中遍历（查找），直到找到为止。 - -### 广度优先遍历借助「队列」实现 - -广度优先遍历呈现出「一层一层向外扩张」的特点，**先看到的结点先遍历，后看到的结点后遍历**，因此「广度优先遍历」可以借助「队列」实现。 - -![11-01-05.gif](https://pic.leetcode-cn.com/1609663109-jjxZav-11-01-05.gif) - -**说明**：遍历到一个结点时，如果这个结点有左（右）孩子结点，依次将它们加入队列。 - -> 友情提示：广度优先遍历的写法相对固定，我们不建议大家背代码、记模板。在深刻理解广度优先遍历的应用场景（找无权图的最短路径），借助「队列」实现的基础上，多做练习，写对代码就是自然而然的事情了 -> - -我们先介绍「树」的广度优先遍历，再介绍「图」的广度优先遍历。事实上，它们是非常像的。 - - - - - -### 树的广度优先遍历 - -例 1：「力扣」第 102 题：二叉树的层序遍历（中等） - -> 给你一个二叉树，请你返回其按 层序遍历 得到的节点值。 （即逐层地，从左到右访问所有节点）。 -> -> 示例： -> -> 二叉树：[3,9,20,null,null,15,7], -> -> ``` -> 3 -> / \ -> 9 20 -> / \ -> 15 7 -> ``` -> -> 返回其层序遍历结果： -> -> ``` -> [ -> [3], -> [9,20], -> [15,7] -> ] -> ``` - -思路分析： - -- 题目要求我们一层一层输出树的结点的值，很明显需要使用「广度优先遍历」实现； -- 广度优先遍历借助「队列」实现； - -- 注意： - - 这样写 for (int i = 0; i < queue.size(); i++) { 代码是不能通过测评的，这是因为 queue.size() 在循环中是变量（这条规则在 Python 中不成立，请各位读者自行验证）。正确的做法是：每一次在队列中取出元素的个数须要先暂存起来，请见参考代码； - - 子结点入队的时候，非空的判断很重要：在队列的队首元素出队的时候，一定要在左（右）子结点非空的时候才将左（右）子结点入队。 -- 树的广度优先遍历的写法模式相对固定： - - 使用队列； - - 在队列非空的时候，动态取出队首元素； - - 取出队首元素的时候，把队首元素相邻的结点（非空）加入队列。 - -大家在做题的过程中需要多加练习，融汇贯通，不须要死记硬背。 - -![img](https://pic.leetcode-cn.com/94cd1fa999df0276f1dae77a9cca83f4cabda9e2e0b8571cd9550a8ee3545f56.gif) - -```java -public class Solution { - - public List> levelOrder(TreeNode root) { - List> res = new ArrayList<>(); - if (root == null) { - return res; - } - - Queue queue = new LinkedList<>(); - queue.offer(root); - while (!queue.isEmpty()) { - // 注意 1：一定要先把当前队列的结点总数暂存起来 - int currentSize = queue.size(); - - List currentLevel = new ArrayList<>(); - for (int i = 0; i < currentSize; i++) { - TreeNode front = queue.poll(); - currentLevel.add(front.val); - // 注意 2：左（右）孩子结点非空才加入队列 - if (front.left != null) { - queue.offer(front.left); - } - if (front.right != null) { - queue.offer(front.right); - } - } - res.add(currentLevel); - } - return res; - } -} -``` - - - -### 使用广度优先遍历得到无权图的最短路径 - -在 无权图 中，由于广度优先遍历本身的特点，假设源点为 source，只有在遍历到 所有 距离源点 source 的距离为 d 的所有结点以后，才能遍历到所有 距离源点 source 的距离为 d + 1 的所有结点。也可以使用「两点之间、线段最短」这条经验来辅助理解如下结论：从源点 source 到目标结点 target 走直线走过的路径一定是最短的。 - -> 在一棵树中，一个结点到另一个结点的路径是唯一的，但在图中，结点之间可能有多条路径，其中哪条路最近呢？这一类问题称为最短路径问题。最短路径问题也是 BFS 的典型应用，而且其方法与层序遍历关系密切。 -> -> 在二叉树中，BFS 可以实现一层一层的遍历。在图中同样如此。从源点出发，BFS 首先遍历到第一层结点，到源点的距离为 1，然后遍历到第二层结点，到源点的距离为 2…… 可以看到，用 BFS 的话，距离源点更近的点会先被遍历到，这样就能找到到某个点的最短路径了。 -> -> ![层序遍历与最短路径](https://pic.leetcode-cn.com/01a3617511b1070216582ae59136888072116ccba360ab7c2aa60fc273351b85.jpg) -> -> 小贴士： -> -> 很多同学一看到「最短路径」，就条件反射地想到「Dijkstra 算法」。为什么 BFS 遍历也能找到最短路径呢？ -> -> 这是因为，Dijkstra 算法解决的是带权最短路径问题，而我们这里关注的是无权最短路径问题。也可以看成每条边的权重都是 1。这样的最短路径问题，用 BFS 求解就行了。 -> -> 在面试中，你可能更希望写 BFS 而不是 Dijkstra。毕竟，敢保证自己能写对 Dijkstra 算法的人不多。 -> -> 最短路径问题属于图算法。由于图的表示和描述比较复杂，本文用比较简单的网格结构代替。网格结构是一种特殊的图，它的表示和遍历都比较简单，适合作为练习题。在 LeetCode 中，最短路径问题也以网格结构为主。 -> -> - -### 图论中的最短路径问题概述 - -在图中，由于 图中存在环，和深度优先遍历一样，广度优先遍历也需要在遍历的时候记录已经遍历过的结点。特别注意：将结点添加到队列以后，一定要马上标记为「已经访问」，否则相同结点会重复入队，这一点在初学的时候很容易忽略。如果很难理解这样做的必要性，建议大家在代码中打印出队列中的元素进行调试：在图中，如果入队的时候不马上标记为「已访问」，相同的结点会重复入队，这是不对的。 - -另外一点还需要强调，广度优先遍历用于求解「无权图」的最短路径，因此一定要认清「无权图」这个前提条件。如果是带权图，就需要使用相应的专门的算法去解决它们。事实上，这些「专门」的算法的思想也都基于「广度优先遍历」的思想，我们为大家例举如下： - -- 带权有向图、且所有权重都非负的单源最短路径问题：使用 Dijkstra 算法； -- 带权有向图的单源最短路径问题：Bellman-Ford 算法； - -- 一个图的所有结点对的最短路径问题：Floy-Warshall 算法。 - -这里列出的以三位计算机科学家的名字命名的算法，大家可以在《算法导论》这本经典著作的第 24 章、第 25 章找到相关知识的介绍。值得说明的是：应用任何一种算法，都需要认清使用算法的前提，不满足前提直接套用算法是不可取的。深刻理解应用算法的前提，也是学习算法的重要方法。例如我们在学习「二分查找」算法、「滑动窗口」算法的时候，就可以问自己，这个问题为什么可以使用「二分查找」，为什么可以使用「滑动窗口」。我们知道一个问题可以使用「优先队列」解决，是什么样的需求促使我们想到使用「优先队列」，而不是「红黑树（平衡二叉搜索树）」，想清楚使用算法（数据结构）的前提更重要。 - - - -> 「力扣」第 323 题：无向图中连通分量的数目（中等） - -### 练习 - -> 友情提示：第 1 - 4 题是广度优先遍历的变形问题，写对这些问题有助于掌握广度优先遍历的代码编写逻辑和细节。 - -1. 完成「力扣」第 107 题：二叉树的层次遍历 II（简单）； -2. 完成《剑指 Offer》第 32 - I 题：从上到下打印二叉树（中等）； -3. 完成《剑指 Offer》第 32 - III 题：从上到下打印二叉树 III（中等）； -4. 完成「力扣」第 103 题：二叉树的锯齿形层次遍历（中等）； -5. 完成「力扣」第 429 题：N 叉树的层序遍历（中等）； -6. 完成「力扣」第 993 题：二叉树的堂兄弟节点（中等）； - - - - - -## Reference - -- https://leetcode-cn.com/problems/binary-tree-level-order-traversal/solution/bfs-de-shi-yong-chang-jing-zong-jie-ceng-xu-bian-l/ diff --git a/docs/data-structure-algorithms/Binary-Search.md b/docs/data-structure-algorithms/Binary-Search.md deleted file mode 100755 index 650ab21ac9..0000000000 --- a/docs/data-structure-algorithms/Binary-Search.md +++ /dev/null @@ -1,682 +0,0 @@ -> https://labuladong.gitee.io/algo/2/22/61/ - -### 二分查找 - -```java -int binarySearch(int[] nums, int target) { - int left = 0; - int right = nums.length - 1; // 注意 - - while(left <= right) { - int mid = left + (right - left) / 2; - if(nums[mid] == target) - return mid; - else if (nums[mid] < target) - left = mid + 1; // 注意 - else if (nums[mid] > target) - right = mid - 1; // 注意 - } - return -1; -} -``` - -**1、为什么 while 循环的条件中是 <=，而不是 <**？ - -答：因为初始化 `right` 的赋值是 `nums.length - 1`，即最后一个元素的索引，而不是 `nums.length`。 - -**2、为什么 `left = mid + 1`，`right = mid - 1`？我看有的代码是 `right = mid` 或者 `left = mid`，没有这些加加减减，到底怎么回事，怎么判断**？ - -答：这也是二分查找的一个难点，不过只要你能理解前面的内容，就能够很容易判断。 - -刚才明确了「搜索区间」这个概念，而且本算法的搜索区间是两端都闭的，即 `[left, right]`。那么当我们发现索引 `mid` 不是要找的 `target` 时，下一步应该去搜索哪里呢？ - - - -### 寻找左侧边界的二分搜索 - -```java -public static int getLeftNums(int[] nums,int target) { - int left = 0; - int right = nums.length; - while (left < right) { - int mid = left + (right - left) / 2; - if (nums[mid] == target) { - right = mid; - } else if (nums[mid] > target) { - right = mid - 1; - } else { - left = mid + 1; - } - } - return left; -} -``` - -**1、为什么 while 中是 `<` 而不是 `<=`**? - -答：用相同的方法分析，因为 `right = nums.length` 而不是 `nums.length - 1`。因此每次循环的「搜索区间」是 `[left, right)` 左闭右开。 - -`while(left < right)` 终止的条件是 `left == right`，此时搜索区间 `[left, left)` 为空，所以可以正确终止。 - - - -**为什么 `left = mid + 1`，`right = mid` ？和之前的算法不一样**？ - -答：这个很好解释，因为我们的「搜索区间」是 `[left, right)` 左闭右开，所以当 `nums[mid]` 被检测之后，下一步的搜索区间应该去掉 `mid` 分割成两个区间，即 `[left, mid)` 或 `[mid + 1, right)`。 - - - -**4、为什么该算法能够搜索左侧边界**？ - -答：关键在于对于 `nums[mid] == target` 这种情况的处理： - -```java - if (nums[mid] == target) - right = mid; -``` - -可见，找到 target 时不要立即返回，而是缩小「搜索区间」的上界 `right`，在区间 `[left, mid)` 中继续搜索，即不断向左收缩，达到锁定左侧边界的目的。 - - - -```java -int left_bound(int[] nums, int target) { - int left = 0, right = nums.length - 1; - // 搜索区间为 [left, right] - while (left <= right) { - int mid = left + (right - left) / 2; - if (nums[mid] < target) { - // 搜索区间变为 [mid+1, right] - left = mid + 1; - } else if (nums[mid] > target) { - // 搜索区间变为 [left, mid-1] - right = mid - 1; - } else if (nums[mid] == target) { - // 收缩右侧边界 - right = mid - 1; - } - } - // 检查出界情况 - if (left >= nums.length || nums[left] != target) { - return -1; - } - return left; -} -``` - - - -### 寻找右侧边界的二分查找 - -左闭右开的写法 - -```java -int right_bound(int[] nums, int target) { - if (nums.length == 0) return -1; - int left = 0, right = nums.length; - - while (left < right) { - int mid = left + (right - left) / 2; - if (nums[mid] == target) { - left = mid + 1; // 注意 - } else if (nums[mid] < target) { - left = mid + 1; - } else if (nums[mid] > target) { - right = mid; - } - } - return left - 1; // 注意 -} -``` - - - -```java -int right_bound(int[] nums, int target) { - int left = 0, right = nums.length - 1; - while (left <= right) { - int mid = left + (right - left) / 2; - if (nums[mid] < target) { - left = mid + 1; - } else if (nums[mid] > target) { - right = mid - 1; - } else if (nums[mid] == target) { - // 这里改成收缩左侧边界即可 - left = mid + 1; - } - } - // 这里改为检查 right 越界的情况，见下图 - if (right < 0 || nums[right] != target) { - return -1; - } - return right; -} -``` - - - - - -对于寻找左右边界的二分搜索，常见的手法是使用左闭右开的「搜索区间」，**我们还根据逻辑将「搜索区间」全都统一成了两端都闭，便于记忆，只要修改两处即可变化出三种写法**： - -```java -int binary_search(int[] nums, int target) { - int left = 0, right = nums.length - 1; - while(left <= right) { - int mid = left + (right - left) / 2; - if (nums[mid] < target) { - left = mid + 1; - } else if (nums[mid] > target) { - right = mid - 1; - } else if(nums[mid] == target) { - // 直接返回 - return mid; - } - } - // 直接返回 - return -1; -} - -int left_bound(int[] nums, int target) { - int left = 0, right = nums.length - 1; - while (left <= right) { - int mid = left + (right - left) / 2; - if (nums[mid] < target) { - left = mid + 1; - } else if (nums[mid] > target) { - right = mid - 1; - } else if (nums[mid] == target) { - // 别返回，锁定左侧边界 - right = mid - 1; - } - } - // 最后要检查 left 越界的情况 - if (left >= nums.length || nums[left] != target) { - return -1; - } - return left; -} - -int right_bound(int[] nums, int target) { - int left = 0, right = nums.length - 1; - while (left <= right) { - int mid = left + (right - left) / 2; - if (nums[mid] < target) { - left = mid + 1; - } else if (nums[mid] > target) { - right = mid - 1; - } else if (nums[mid] == target) { - // 别返回，锁定右侧边界 - left = mid + 1; - } - } - // 最后要检查 right 越界的情况 - if (right < 0 || nums[right] != target) { - return -1; - } - return right; -} -``` - - - -### [153. 寻找旋转排序数组中的最小值](https://leetcode-cn.com/problems/find-minimum-in-rotated-sorted-array/) - -> 已知一个长度为 n 的数组，预先按照升序排列，经由 1 到 n 次 旋转 后，得到输入数组。例如，原数组 nums = [0,1,2,4,5,6,7] 在变化后可能得到： -> 若旋转 4 次，则可以得到 [4,5,6,7,0,1,2] -> 若旋转 7 次，则可以得到 [0,1,2,4,5,6,7] -> 注意，数组 [a[0], a[1], a[2], ..., a[n-1]] 旋转一次 的结果为数组 [a[n-1], a[0], a[1], a[2], ..., a[n-2]] 。 -> -> 给你一个元素值 互不相同 的数组 nums ，它原来是一个升序排列的数组，并按上述情形进行了多次旋转。请你找出并返回数组中的 最小元素 。 -> -> 你必须设计一个时间复杂度为 O(log n) 的算法解决此问题。 -> -> ``` -> 输入：nums = [3,4,5,1,2] -> 输出：1 -> 解释：原数组为 [1,2,3,4,5] ，旋转 3 次得到输入数组。 -> ``` -> -> ``` -> 输入：nums = [11,13,15,17] -> 输出：11 -> 解释：原数组为 [11,13,15,17] ，旋转 4 次得到输入数组。 -> ``` - -**思路**： - -升序数组+旋转，仍然是部分有序，考虑用二分查找。 - -> 这种二分查找难就难在，arr[mid] 跟谁比。 -> -> 我们的目的是：当进行一次比较时，一定能够确定答案在 mid 的某一侧。一次比较为 arr[mid] 跟谁比的问题。 -> 一般的比较原则有： -> -> - 如果有目标值 target，那么直接让 arr[mid] 和 target 比较即可。 -> - 如果没有目标值，一般可以考虑 **端点** - - - -旋转数组，那最小值右侧的元素肯定都小于数组中的最后一个元素 `nums[n-1]`，左侧元素都大于 `num[n-1]` - -```java -public static int findMin(int[] nums) { - int left = 0; - int right = nums.length - 1; - //左闭右开 - while (left < right) { - int mid = left + (right - left) / 2; - //疑问：为什么right = mid;而不是 right = mid-1; - //解答：{4,5,1,2,3}，如果right = mid-1，则丢失了最小值1 - if (nums[mid] < nums[right]) { - right = mid; - } else { - left = mid + 1; - } - } - return nums[left]; -} -``` - - - -**如果是求旋转数组中的最大值呢** - -```java -public static int findMax(int[] nums) { - int left = 0; - int right = nums.length - 1; - - while (left < right) { - int mid = left + (right - left) >> 1; - - //因为向下取整，left可能会等于mid，所以要考虑 - if (nums[left] < nums[right]) { - return nums[right]; - } - - //[left,mid] 是递增的，最大值只会在[mid,right]中 - if (nums[left] < nums[mid]) { - left = mid; - } else { - //[mid,right]递增，最大值只会在[left, mid-1]中 - right = mid - 1; - } - } - return nums[left]; -} -``` - - - -### [33. 搜索旋转排序数组](https://leetcode-cn.com/problems/search-in-rotated-sorted-array/) - -> 整数数组 nums 按升序排列，数组中的值 互不相同 。 -> -> 在传递给函数之前，nums 在预先未知的某个下标 k（0 <= k < nums.length）上进行了 旋转，使数组变为 [nums[k], nums[k+1], ..., nums[n-1], nums[0], nums[1], ..., nums[k-1]]（下标 从 0 开始 计数）。例如， [0,1,2,4,5,6,7] 在下标 3 处经旋转后可能变为 [4,5,6,7,0,1,2] 。 -> -> 给你 旋转后 的数组 nums 和一个整数 target ，如果 nums 中存在这个目标值 target ，则返回它的下标，否则返回 -1 。 -> -> ``` -> 输入：nums = [4,5,6,7,0,1,2], target = 0 -> 输出：4 -> ``` -> -> ``` -> 输入：nums = [4,5,6,7,0,1,2], target = 3 -> 输出：-1 -> ``` - -**思路**： - -旋转数组后，依然是局部有序，从数组中间分成左右两部分后，一定有一部分是有序的 - -- 如果 [l, mid - 1] 是有序数组，且 target 的大小满足 [{nums}[l],{nums}[mid]))，则我们应该将搜索范围缩小至 [l, mid - 1]，否则在 [mid + 1, r] 中寻找。 -- 如果 [mid, r] 是有序数组，且 target 的大小满足 ({nums}[mid+1],{nums}[r]]，则我们应该将搜索范围缩小至 [mid + 1, r]，否则在 [l, mid - 1] 中寻找。 - -```java -public static int search(int[] nums,int target) { - int n = nums.length; - //特例 - if (n == 0) { - return -1; - } - if (n == 1) { - return nums[0] == target ? 0 : -1; - } - - int left = 0; - int right = nums.length - 1; - - while (left <= right) { - int mid = left + (right - left) / 2; - if (target == nums[mid]) { - return mid; - } - //左侧有序的话 - if (nums[0] <= nums[mid]) { - if (nums[0] <= target && target < nums[mid]) { - right = mid - 1; - } else { - left = mid + 1; - } - } else { //右侧有序 - if (nums[mid] < target && target <= nums[n - 1]) { - left = mid + 1; - } else { - right = mid - 1; - } - } - } - return -1; -} -``` - - - -### [34. 在排序数组中查找元素的第一个和最后一个位置](https://leetcode-cn.com/problems/find-first-and-last-position-of-element-in-sorted-array/) - -> 给定一个按照升序排列的整数数组 nums，和一个目标值 target。找出给定目标值在数组中的开始位置和结束位置。 -> -> 如果数组中不存在目标值 target，返回 [-1, -1]。 -> -> 你可以设计并实现时间复杂度为 O(log n) 的算法解决此问题吗？ -> -> ``` -> 输入：nums = [5,7,7,8,8,10], target = 8 -> 输出：[3,4] -> ``` -> -> ``` -> 输入：nums = [5,7,7,8,8,10], target = 6 -> 输出：[-1,-1] -> ``` - -**思路**：二分法寻找左右边界值 - -```java -public int[] searchRange(int[] nums, int target) { - int first = binarySearch(nums, target, true); - int last = binarySearch(nums, target, false); - return new int[]{first, last}; -} - -public int binarySearch(int[] nums, int target, boolean findLast) { - int length = nums.length; - int left = 0, right = length - 1; - //结果，因为可能有多个值，所以需要先保存起来 - int index = -1; - while (left <= right) { - //取中间值 - int middle = left + (right - left) / 2; - - //找到相同的值（只有这个地方和普通二分查找有不同） - if (nums[middle] == target) { - //先赋值一下，肯定是找到了，只是不知道这个值是不是在区域的边界内 - index = middle; - //如果是查找最后的 - if (findLast) { - //那我们将浮标移动到下一个值试探一下后面的值还是否有target - left = middle + 1; - } else { - //否则，就是查找第一个值，也是同理，移动指针到上一个值去试探一下上一个值是不是等于target - right = middle - 1; - } - - //下面2个就是普通的二分查找流程，大于小于都移动指针 - } else if (nums[middle] < target) { - left = middle + 1; - } else { - right = middle - 1; - } - - } - return index; -} -``` - - - -### [287. 寻找重复数](https://leetcode-cn.com/problems/find-the-duplicate-number/) - -> 给定一个包含 n + 1 个整数的数组 nums ，其数字都在 [1, n] 范围内（包括 1 和 n），可知至少存在一个重复的整数。 -> -> 假设 nums 只有 一个重复的整数 ，返回 这个重复的数 。 -> -> 你设计的解决方案必须 不修改 数组 nums 且只用常量级 O(1) 的额外空间。 -> -> ``` -> 输入：nums = [1,3,4,2,2] -> 输出：2 -> ``` -> -> ``` -> 输入：nums = [3,1,3,4,2] -> 输出：3 -> ``` - -**思路**： - -二分查找的思路是先猜一个数（有效范围 [left..right] 里位于中间的数 mid），然后统计原始数组中 小于等于 mid 的元素的个数 cnt： - -如果 cnt 严格大于 mid。根据抽屉原理，重复元素就在区间 [left..mid] 里； -否则，重复元素就在区间 [mid + 1..right] 里。 -与绝大多数使用二分查找问题不同的是，这道题正着思考是容易的，即：思考哪边区间存在重复数是容易的，因为有抽屉原理做保证。 - -```java -public int findDuplicate(int[] nums) { - int len = nums.length; - int left = 1; - int right = len - 1; - while (left < right) { - int mid = left + (right - left) / 2; - - int cnt = 0; - for (int num : nums) { - if (num <= mid) { - cnt += 1; - } - } - - // 根据抽屉原理，小于等于 4 的个数如果严格大于 4 个，此时重复元素一定出现在 [1..4] 区间里 - if (cnt > mid) { - // 重复元素位于区间 [left..mid] - right = mid; - } else { - // if 分析正确了以后，else 搜索的区间就是 if 的反面区间 [mid + 1..right] - left = mid + 1; - } - } - return left; -} -``` - - - -### [162. 寻找峰值](https://leetcode-cn.com/problems/find-peak-element/) - -> 峰值元素是指其值严格大于左右相邻值的元素。 -> -> 给你一个整数数组 nums，找到峰值元素并返回其索引。数组可能包含多个峰值，在这种情况下，返回 任何一个峰值 所在位置即可。 -> -> 你可以假设 nums[-1] = nums[n] = -∞ 。 -> -> 你必须实现时间复杂度为 O(log n) 的算法来解决此问题。 -> -> ``` -> 输入：nums = [1,2,3,1] -> 输出：2 -> 解释：3 是峰值元素，你的函数应该返回其索引 2。 -> ``` -> -> ``` -> 输入：nums = [1,2,1,3,5,6,4] -> 输出：1 或 5 -> 解释：你的函数可以返回索引 1，其峰值元素为 2； ->   或者返回索引 5， 其峰值元素为 6。 -> ``` - -**思路**： - -这题，最简单的思路就是直接找最大值，但这样复杂度是 $O(n)$ - -在二分查找中，每次会找到一个位置 midmid。我们发现，midmid 只有如下三种情况： - -- midmid 为一个峰值，此时我们通过比较 midmid 位置元素与两边元素大小即可。 -- midmid 在一个峰值右侧，此时有 nums[mid] < nums[mid + 1]nums[mid] nums[1]) return 0; - if (nums[n - 1] > nums[n - 2]) return n - 1; - - int l = 0, r = n - 1; - while (l <= r) { - int mid = (l + r) / 2; - - // 当前为峰值 - if (mid >= 1 && mid < n - 1 && nums[mid] > nums[mid - 1] && nums[mid] > nums[mid + 1]) { - return mid; - } else if (mid >= 1 && nums[mid] < nums[mid - 1]) { - // 峰值在 mid 左侧 - r = mid - 1; - } else if (mid < n - 1 && nums[mid] < nums[mid + 1]) { - // 峰值在 mid 右侧 - l = mid + 1; - } - } - return -1; -} -``` - - - -### [240. 搜索二维矩阵 II](https://leetcode-cn.com/problems/search-a-2d-matrix-ii/) - -> [剑指 Offer 04. 二维数组中的查找](https://leetcode-cn.com/problems/er-wei-shu-zu-zhong-de-cha-zhao-lcof/) 一样的题目 -> -> 在一个 n * m 的二维数组中，每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个高效的函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数。 -> -> 现有矩阵 matrix 如下： -> -> ``` -> [ -> [1, 4, 7, 11, 15], -> [2, 5, 8, 12, 19], -> [3, 6, 9, 16, 22], -> [10, 13, 14, 17, 24], -> [18, 21, 23, 26, 30] -> ] -> ``` -> -> 给定 target = 5，返回 true。 -> -> 给定 target = 20，返回 false。 -> - -**思路**： - -站在右上角看。这个矩阵其实就像是一个Binary Search Tree。然后，聪明的大家应该知道怎么做了。 - -```java -public static boolean findNumberIn2DArray(int[][] matrix, int target) { - - if (matrix == null || matrix.length == 0 || matrix[0].length == 0) { - return false; - } - - int rows = matrix.length; - int columns = matrix[0].length; - for (int i = 0; i < rows; i++) { - for (int j = 0; j < columns; j++) { - if (matrix[i][j] == target) { - return true; - } - } - } - return false; -} -``` - -如果你写出这样的暴力解法，面试官可能就会反问你了：你还有什么想问的吗？ - -言归正传，有序的数组，我们首先应该想到二分 - -```java - -class Solution { - public boolean searchMatrix(int[][] matrix, int target) { - for (int[] row : matrix) { - int index = search(row, target); - if (index >= 0) { - return true; - } - } - return false; - } - - public int search(int[] nums, int target) { - int low = 0, high = nums.length - 1; - while (low <= high) { - int mid = (high - low) / 2 + low; - int num = nums[mid]; - if (num == target) { - return mid; - } else if (num > target) { - high = mid - 1; - } else { - low = mid + 1; - } - } - return -1; - } -} -``` - -**Z 字形查找** - -> 假设arr数组，val，tar如下图所示： -> 如果我们把二分值定在右上角或者左下角，就可以进行二分。这里以右上角为例，左下角可自行分析： -> ![图片说明](https://uploadfiles.nowcoder.com/images/20200324/2071677_1585021381982_89033DB5EFA905C7F9FCCA6E59C9BB2C) -> 1）我么设初始值为右上角元素，arr[0][5] = val，目标tar = arr[3][1] -> 2）接下来进行二分操作： -> 3）如果val == target,直接返回 -> 4）如果 tar > val, 说明target在更大的位置，val左边的元素显然都是 < val，间接 < tar，说明第 0 行都是无效的，所以val下移到arr[1][5] -> 5）如果 tar < val, 说明target在更小的位置，val下边的元素显然都是 > val，间接 > tar，说明第 5 列都是无效的，所以val左移到arr[0][4] -> 6）继续步骤2） - -```java -public static boolean findNumberIn2DArray(int[][] matrix, int target) { - - if (matrix == null || matrix.length == 0 || matrix[0].length == 0) { - return false; - } - - int rows = matrix.length; - int columns = matrix[0].length; - //右上角坐标 - int row = 0; - int col = columns - 1; - while (row < rows && col >= 0) { - int num = matrix[row][col]; - if (num == target) { - return true; - } else if (target > num) { - row++; - } else { - col--; - } - } - return false; -} -``` - - - diff --git a/docs/data-structure-algorithms/DFS.md b/docs/data-structure-algorithms/DFS.md deleted file mode 100755 index 7df2e920a9..0000000000 --- a/docs/data-structure-algorithms/DFS.md +++ /dev/null @@ -1,1614 +0,0 @@ -## 一、深度优先搜索 - -![image.png](https://pic.leetcode-cn.com/1611504979-HoeCGp-image.png) - -在线性结构中，按照顺序一个一个地看到所有的元素，称为线性遍历。在非线性结构中，由于元素之间的组织方式变得复杂，就有了不同的遍历行为。其中最常见的遍历有：**深度优先遍历**（Depth-First-Search）和**广度优先遍历**（Breadth-First-Search）。它们的思想非常简单，但是在算法的世界里发挥着巨大的作用。 - - - -### 深度优先遍历的形象描述 - -「一条路走到底，不撞南墙不回头」是对「深度优先遍历」的最直观描述。 - -说明： - -- 深度优先遍历只要前面有可以走的路，就会一直向前走，直到无路可走才会回头； -- 「无路可走」有两种情况：① 遇到了墙；② 遇到了已经走过的路； -- 在「无路可走」的时候，沿着原路返回，直到回到了还有未走过的路的路口，尝试继续走没有走过的路径； -- 有一些路径没有走到，这是因为找到了出口，程序就停止了； -- 「深度优先遍历」也叫「深度优先搜索」，遍历是行为的描述，搜索是目的（用途）； -- 遍历不是很深奥的事情，把 **所有** 可能的情况都看一遍，才能说「找到了目标元素」或者「没找到目标元素」。遍历也称为 **穷举**，穷举的思想在人类看来虽然很不起眼，但借助 **计算机强大的计算能力**，穷举可以帮助我们解决很多专业领域知识不能解决的问题。 - - - -### 初识「搜索」 - -「遍历」和「搜索」可以看作是两个等价概念，通过遍历 **所有** 的可能的情况达到搜索的目的。遍历是手段，搜索是目的。因此「深度优先遍历」也叫「深度优先搜索」。 - - - -### 树的深度优先遍历 - -我们以「二叉树」的深度优先遍历为例，向大家介绍树的深度优先遍历。 - -二叉树的深度优先遍历从「根结点」开始，依次 「递归地」 遍历「左子树」的所有结点和「右子树」的所有结点。 - -![](https://pic.leetcode-cn.com/1614684442-vUBRvf-image.png) - -事实上，「根结点 → 右子树 → 左子树」也是一种深度优先遍历的方式，为了符合人们「先左再右」的习惯。如果没有特别说明，树的深度优先遍历默认都按照 「根结点 → 左子树 → 右子树」 的方式进行。 - -**二叉树深度优先遍历的递归终止条件**：遍历完一棵树的 **所有** 叶子结点，等价于遍历到 **空结点**。 - -![](https://pic.leetcode-cn.com/1608633232-JanTsZ-07-01-01.012.jpeg) - -二叉树的深度优先遍历还可以分为：前序遍历、中序遍历和后序遍历。 - -1. 前序遍历 - - 对于任意一棵子树，先输出根结点，再递归输出左子树的 所有 结点、最后递归输出右子树的 所有 结点。上图前序遍历的结果就是深度优先遍历的结果：[0、1、3、4、7、2、5、8、9、6、10]。 - -2. 中序遍历 - - 对于任意一棵子树，先递归输出左子树的 所有 结点，然后输出根结点，最后递归输出右子树的 所有 结点。上图中序遍历的结果是：[3、1、7、4、0、8、5、9、2、10、6]。 - -3. 后序遍历（重要） - 对于任意一棵子树，总是先递归输出左子树的 所有 结点，然后递归输出右子树的 所有 结点，最后输出根结点。后序遍历体现的思想是：先必需得到左右子树的结果，才能得到当前子树的结果，这一点在解决一些问题的过程中非常有用。上图后序遍历的结果是：[3、7、4、1、8、9、5、10、6、2、0]。 - -> 友情提示：后序遍历是非常重要的遍历方式，解决很多树的问题都采用了后序遍历的思想，请大家务必重点理解「后序遍历」一层一层向上传递信息的遍历方式。并在做题的过程中仔细体会「后序遍历」思想的应用。 - -4. 为什么前、中、后序遍历都是深度优先遍历 - - 可以把树的深度优先遍历想象成一只蚂蚁，从根结点绕着树的外延走一圈。每一个结点的外延按照下图分成三个部分：前序遍历是第一部分，中序遍历是第二部分，后序遍历是第三部分。 - - - -只看结点的第一部分（红色区域），深度优先遍历到的结点顺序就是「前序遍历」的顺序 - -![](https://tva1.sinaimg.cn/large/008i3skNly1gwa2ahzr2gg30iu0awx6q.gif) - -只看结点的第二部分（黄色区域），深度优先遍历到的结点顺序就是「中序遍历」的顺序 - -![](https://tva1.sinaimg.cn/large/008i3skNly1gwa2alpkxkg30if0awu0y.gif) - - - -只看结点的第三部分（绿色区域），深度优先遍历到的结点顺序就是「后序遍历」的顺序 - -![](https://tva1.sinaimg.cn/large/008i3skNly1gwa2aog308g30if0awu0y.gif) - -5. 重要性质 - - 根据定义不难得到以下性质。 - - - 性质 1：二叉树的 前序遍历 序列，根结点一定是 最先 访问到的结点； - - 性质 2：二叉树的 后序遍历 序列，根结点一定是 最后 访问到的结点； - - 性质 3：根结点把二叉树的 中序遍历 序列划分成两个部分，第一部分的所有结点构成了根结点的左子树，第二部分的所有结点构成了根结点的右子树。 - -> 友情提示：根据这些性质，可以完成「力扣」第 105 题、第 106 题，这两道问题是面试高频问题，请大家务必掌握。 - - - -### 图的深度优先遍历 - -深度优先遍历有「回头」的过程，在树中由于不存在「环」（回路），对于每一个结点来说，每一个结点只会被递归处理一次。而「图」中由于存在「环」（回路），就需要 记录已经被递归处理的结点（通常使用布尔数组或者哈希表），以免结点被重复遍历到。 - - - -### 练习 - -下面这些练习可能是大家在入门「树」这个专题的过程中做过的问题，以前我们在做这些问题的时候可以总结为：树的问题可以递归求解。现在我们可以用「深度优先遍历」的思想，特别是「后序遍历」的思想重新看待这些问题。 - -请大家通过这些问题体会 「**如何设计递归函数的返回值**」 帮助我们解决问题。并理解这些简单的问题其实都是「深度优先遍历」的思想中「后序遍历」思想的体现，真正程序在执行的时候，是通过「一层一层向上汇报」的方式，最终在根结点汇总整棵树遍历的结果。 - -1. 完成「力扣」第 104 题：二叉树的最大深度（简单）：设计递归函数的返回值； -2. 完成「力扣」第 111 题：二叉树的最小深度（简单）：设计递归函数的返回值； -3. 完成「力扣」第 112 题：路径总和（简单）：设计递归函数的返回值； -4. 完成「力扣」第 226 题：翻转二叉树（简单）：前中后序遍历、广度优先遍历均可，中序遍历有一个小小的坑； -5. 完成「力扣」第 100 题：相同的树（简单）：设计递归函数的返回值； -6. 完成「力扣」第 101 题：对称二叉树（简单）：设计递归函数的返回值； -7. 完成「力扣」第 129 题：求根到叶子节点数字之和（中等）：设计递归函数的返回值。 -8. 完成「力扣」第 236 题：二叉树的最近公共祖先（中等）：使用后序遍历的典型问题。 - -请大家完成下面这些树中的问题，加深对前序遍历序列、中序遍历序列、后序遍历序列的理解。 - -9. 完成「力扣」第 105 题：从前序与中序遍历序列构造二叉树（中等）； -10. 完成「力扣」第 106 题：从中序与后序遍历序列构造二叉树（中等）； -11. 完成「力扣」第 1008 题：前序遍历构造二叉搜索树（中等）； - -12. 完成「力扣」第 1028 题：从先序遍历还原二叉树（困难）。 - -> 友情提示：需要用到后序遍历思想的一些经典问题，这些问题可能有一些难度，可以不用急于完成。先做后面的问题，见多了类似的问题以后，慢慢理解「后序遍历」一层一层向上汇报，在根结点汇总的遍历思想。 - - - -### 总结 - -- 遍历可以用于搜索，思想是穷举，遍历是实现搜索的手段； -- 树的「前、中、后」序遍历都是深度优先遍历； -- 树的后序遍历很重要； -- 由于图中存在环（回路），图的深度优先遍历需要记录已经访问过的结点，以避免重复访问； -- 遍历是一种简单、朴素但是很重要的算法思想，很多树和图的问题就是在树和图上执行一次遍历，在遍历的过程中记录有用的信息，得到需要结果，区别在于为了解决不同的问题，在遍历的时候传递了不同的 与问题相关 的数据。 - - - -## 二、数据结构-栈 - -![](https://pic.leetcode-cn.com/1612150162-rhKxZd-image.png) - -### 深度优先遍历的两种实现方式 - -在深度优先遍历的过程中，需要将 当前遍历到的结点 的相邻结点 暂时保存 起来，以便在回退的时候可以继续访问它们。遍历到的结点的顺序呈现「后进先出」的特点，因此 深度优先遍历可以通过「栈」实现。 - -再者，深度优先遍历有明显的递归结构。我们知道支持递归实现的数据结构也是栈。因此实现深度优先遍历有以下两种方式： - -- 编写递归方法； -- 编写栈，通过迭代的方式实现。 - -![image.png](https://pic.leetcode-cn.com/1608890373-CFNdrG-image.png) - - - -### 二叉树三种遍历方式的非递归实现 - -我们通过例题的方式向大家展现一种使用栈模拟的二叉树深度优先遍历的过程。但是要向大家说的是： - -- 并不是所有的递归（深度优先遍历）的问题都可以很方便地使用「栈」实现，了解非递归实现可以作为编程练习； -- 虽然「递归调用」在一些编程语言中会造成系统资源开销，性能不如非递归好，还有可能造成「栈溢出」的风险，但是 在工程实践 中，递归方法的可读性更强，更易于理解和以后的维护，因此没有必要苛求必需要将递归方法转换成为非递归实现。 - -例 1：「力扣」第 144 题：二叉树的前序遍历（简单） - -思路分析：递归方法相信大家都会。这里介绍使用栈模拟递归的过程。 - -对于二叉树的遍历，每一个结点有两种处理方式： - -- 输出该结点； -- 递归处理该结点。 - -我们可以在结点存入栈的时候附加一个「指令信息」，ADDTORESULT 表示输出该结点（添加到结果集），GO 表示递归处理该结点。在栈顶元素的弹出的时候，读取「指令信息」，遇到 GO 的时候，就将当前结点的左、右孩子结点按照「前序遍历」（根 -> 左 -> 右）的「倒序」的方式压入栈中。 - -「倒序」是因为栈处理元素的顺序是「后进先出」，弹栈的时候才会按照我们想要的顺序输出到结果集。 - -读者可以结合下面的参考代码理解这种使用「栈」模拟了递归（深度优先遍历）的思想。 - -注意： - -使用栈模拟递归实现的方式并不唯一，这里介绍的栈模拟的方法可以迁移到「力扣」第 94 题（二叉树的中序遍历）和「力扣」第 145 题（二叉树的后序遍历），例 2 和例 3 我们不再过多描述； -感兴趣的朋友还可以参考这些问题的官方题解了解更多使用栈模拟深度优先遍历的实现。 - -参考代码 1：递归 - -```java -public class Solution { - - public List preorderTraversal(TreeNode root) { - List res = new ArrayList<>(); - dfs(root, res); - return res; - } - - private void dfs(TreeNode treeNode, List res) { - if (treeNode == null) { - return; - } - res.add(treeNode.val); - dfs(treeNode.left, res); - dfs(treeNode.right, res); - } -} -``` - -复杂度分析： - -时间复杂度：O(N)，这里 NN 为二叉树的结点总数； -空间复杂度：O(N)，栈的深度为需要使用的空间的大小，极端情况下，树成为一个链表的时候，栈的深度达到最大。 - -参考代码 2：使用栈模拟 - -```java -public class Solution { - - private enum Action { - /** - * 如果当前结点有孩子结点（左右孩子结点至少存在一个），执行 GO - */ - GO, - /** - * 添加到结果集（真正输出这个结点） - */ - ADDTORESULT - } - - private class Command { - private Action action; - private TreeNode node; - - /** - * 将动作类与结点类封装起来 - * - * @param action - * @param node - */ - public Command(Action action, TreeNode node) { - this.action = action; - this.node = node; - } - } - - public List preorderTraversal(TreeNode root) { - List res = new ArrayList<>(); - if (root == null) { - return res; - } - - Deque stack = new ArrayDeque<>(); - stack.addLast(new Command(Action.GO, root)); - while (!stack.isEmpty()) { - Command command = stack.removeLast(); - if (command.action == Action.ADDTORESULT) { - res.add(command.node.val); - } else { - // 特别注意：以下的顺序与递归执行的顺序反着来，即：倒过来写的结果 - // 前序遍历：根结点、左子树、右子树、 - // 添加到栈的顺序：右子树、左子树、根结点 - if (command.node.right != null) { - stack.add(new Command(Action.GO, command.node.right)); - } - if (command.node.left != null) { - stack.add(new Command(Action.GO, command.node.left)); - } - stack.add(new Command(Action.ADDTORESULT, command.node)); - } - } - return res; - } -} -``` - -复杂度分析：（同参考代码 1）。 - -说明：在理解了例 1 以后，例 2 和 例 3 可以类似地完成，我们不再对例 2 和例 3 进行详解、对复杂度展开分析，只给出参考代码。 - - - -## 三、深度优先遍历的应用 - -![](https://pic.leetcode-cn.com/1611530242-omrkWW-image.png) - -### 应用 1：获得图（树）的一些属性 - -在一些树的问题中，其实就是通过一次深度优先遍历，获得树的某些属性。例如：「二叉树」的最大深度、「二叉树」的最小深度、平衡二叉树、是否 BST。在遍历的过程中，通常需要设计一些变量，一边遍历，一边更新设计的变量的值。 - -「力扣」第 129 题：求根到叶子节点数字之和（中等） - -```java -public int sumNumbers(TreeNode root) { - return dfs(root,0); -} - -public int dfs(TreeNode root,int prevSum){ - if(root == null){ - return 0; - } - int sum = prevSum * 10 + root.val; - if(root.left == null && root.right == null){ - return sum; - }else{ - return dfs(root.left,sum) + dfs(root.right,sum); - } -} -``` -友情提示：既然可以一层一层得到一个数，广度优先遍历也是很自然的想法，读者可以尝试使用广度优先遍历的思想完成该问题。 - - - -### 应用 2：计算无向图的连通分量 - -「力扣」第 323 题：无向图中连通分量的数目（中等） - -思路分析： - -首先需要对输入数组进行处理，由于 n 个结点的编号从 0 到 n - 1 ，因此使用「嵌套数组」表示邻接表即可（具体实现见代码）； -然后遍历每一个顶点，对每一个顶点执行一次深度优先遍历，注意：在遍历的过程中使用 visited 布尔数组记录已经遍历过的结点。 - -```java -public class Solution { -public int countComponents(int n, int[][] edges) { - // 第 1 步：构建图 - List[] adj = new ArrayList[n]; - for (int i = 0; i < n; i++) { - adj[i] = new ArrayList<>(); - } - // 无向图，所以需要添加双向引用 - for (int[] edge : edges) { - adj[edge[0]].add(edge[1]); - adj[edge[1]].add(edge[0]); - } - - // 第 2 步：开始深度优先遍历 - int count = 0; - boolean[] visited = new boolean[n]; - for (int i = 0; i < n; i++) { - if (!visited[i]) { - dfs(adj, i, visited); - count++; - } - } - return count; -} - -/** - * @param adj 邻接表 - * @param u 从顶点 u 开始执行深度优先遍历 - * @param visited 记录某个结点是否被访问过 - */ -private void dfs(List[] adj, int u, boolean[] visited) { - visited[u] = true; - List successors = adj[u]; - for (int successor : successors) { - if (!visited[successor]) { - dfs(adj, successor, visited); - } - } -} - } -``` - - -### 应用 3：检测图中是否存在环 - -我们分别通过两个例子讲解「无向图」中环的检测和「有向图」中环的检测（是不是要讲一下拓扑排序）。 - -例 3：「力扣」第 684 题：冗余连接（中等） - -```java -import java.util.ArrayList; -import java.util.HashMap; -import java.util.HashSet; -import java.util.List; -import java.util.Map; -import java.util.Set; - -public class Solution { - - private Map> graph; - private Set visited; - - public int[] findRedundantConnection(int[][] edges) { - this.graph = new HashMap<>(); - this.visited = new HashSet<>(); - - // 遍历每一条边 - for (int[] edge : edges) { - int u = edge[0]; - int v = edge[1]; - if (graph.containsKey(u) && graph.containsKey(v)) { - visited.clear(); - // 深度优先遍历该图，判断 u 到 v 之间是否已经存在了一条路径 - if (dfs(u, v)) { - return edge; - } - } - // 所有相邻顶点都找不到回路，才向图中添加这条边，由于是无向图，所以要添加两条边 - addEdge(u, v); - addEdge(v, u); - } - return null; - } - - private void addEdge(int u, int v) { - if (graph.containsKey(u)) { - graph.get(u).add(v); - return; - } - List successors = new ArrayList<>(); - successors.add(v); - graph.put(u, successors); - } - - - /** - * 从 source 开始进行深度优先遍历，看看是不是能够找到一条到 target 的回路 - * - * @param source - * @param target - * @return 找不到回路返回 false - */ - private boolean dfs(int source, int target) { - if (source == target) { - return true; - } - visited.add(source); - // 遍历 source 的所有相邻顶点 - for (int adj : graph.get(source)) { - if (!visited.contains(adj)) { - if (dfs(adj, target)) { - return true; - } - } - } - // 所有相邻顶点都找不到，才能返回 false - return false; - } -} -``` - -> 友情提示：该问题还可以使用拓扑排序完成。事实上，无向图找是否存在环是「并查集」这个数据结构的典型应用。 - - - -「力扣」第 802 题：找到最终的安全状态（中等） - -```java -import java.util.ArrayList; -import java.util.List; - -public class Solution { - - /** - * 使用 Boolean 利用了 null 表示还未计算出结果 - * true 表示从当前顶点出发的所有路径有回路 - * false 表示从当前顶点出发的所有路径没有回路 - */ - private Boolean[] visited; - - public List eventualSafeNodes(int[][] graph) { - int len = graph.length; - visited = new Boolean[len]; - List res = new ArrayList<>(); - for (int i = 0; i < len; ++i) { - if (dfs(i, graph)) { - continue; - } - res.add(i); - } - return res; - - } - - /** - * @param u - * @param graph - * @return 从顶点 u 出发的所有路径是不是有一条能够回到 u，有回路就返回 true - */ - private boolean dfs(int u, int[][] graph) { - if (visited[u] != null) { - return visited[u]; - } - // 先默认从 u 出发的所有路径有回路 - visited[u] = true; - // 结点 u 的所有后继结点都不能回到自己，才能认为结点 u 是安全的 - for (int successor : graph[u]) { - if (dfs(successor, graph)) { - return true; - } - } - // 注意：这里需要重置 - visited[u] = false; - return false; - } -} -``` -复杂度分析： - -- 时间复杂度：O(V + E)O(V+E)，这里 VV 为图的顶点总数，EE 为图的边数； - -- 空间复杂度：O(V + E)O(V+E)。 - -总结： - -- 在声明变量、设计递归函数的时候，一定要明确递归函数的变量的定义和递归函数的返回值，写上必要的注释，这样在编写代码逻辑的时候，才不会乱。 - -> 友情提示：还可以使用拓扑排序（借助入度和广度优先遍历）或者并查集两种方法完成。 - - - -### 应用 5：拓扑排序 - -「力扣」第 210 题：课程表 II（中等） - -> 现在你总共有 n 门课需要选，记为 0 到 n-1。 -> -> 在选修某些课程之前需要一些先修课程。 例如，想要学习课程 0 ，你需要先完成课程 1 ，我们用一个匹配来表示他们: [0,1]。 -> -> 给定课程总量以及它们的先决条件，返回你为了学完所有课程所安排的学习顺序。 -> -> 可能会有多个正确的顺序，你只要返回一种就可以了。如果不可能完成所有课程，返回一个空数组。 -> -> 示例 1： -> -> ``` -> 输入: 2, [[1,0]] -> 输出: [0,1] -> 解释: 总共有 2 门课程。要学习课程 1，你需要先完成课程 0。因此，正确的课程顺序为 [0,1] 。 -> ``` -> -> -> 示例 2： -> -> ``` -> 输入: 4, [[1,0],[2,0],[3,1],[3,2]] -> 输出: [0,1,2,3] or [0,2,1,3] -> 解释: 总共有 4 门课程。要学习课程 3，你应该先完成课程 1 和课程 2。并且课程 1 和课程 2 都应该排在课程 0 之后。因此，一个正确的课程顺序是 [0,1,2,3] 。另一个正确的排序是 [0,2,1,3] 。 -> ``` - -说明: - -1. 输入的先决条件是由边缘列表表示的图形，而不是邻接矩阵。 - -2. 你可以假定输入的先决条件中没有重复的边。 - -提示: - -- 这个问题相当于查找一个循环是否存在于有向图中。如果存在循环，则不存在拓扑排序，因此不可能选取所有课程进行学习。 - -思路分析： - -- 题目中提示已经说得很清楚了，要求我们在「有向图」中检测是否有环，如果没有环，则输出拓扑排序的结果； -- 所谓「拓扑排序」需要保证：① 每一门课程只出现一次；② 必需保证先修课程的顺序在所有它的后续课程的前面； -- 拓扑排序的结果不唯一，并且只有「有向无环图」才有拓扑排序； -- 关键要把握题目的要求：「必需保证先修课程的顺序在所有它的后续课程的前面」，「所有」关键字提示我们可以使用「 遍历」的思想遍历当前课程的 所有 后续课程，并且保证这些课程之间的学习顺序不存在「环」，可以使用「深度优先遍历」或者「广度优先遍历」； -- 我们这里给出「深度优先遍历」的实现代码，注意：需要在当前课程的所有 后续课程 结束以后才输出当前课程，所以 ① 收集结果的位置应该在「后序」的位置（类比二叉树的后序遍历）；② 后序遍历的结果需要逆序才是拓扑排序的结果； -- 事实上，「拓扑排序」问题使用「广度优先遍历」的思想和实现是更经典的做法，我们放在「广度优先遍历」专题里向大家介绍。 - -编码前的说明： - -深度优先遍历的写法需要注意： - -- 递归函数返回值的意义：这里返回 true 表示在有向图中找到了环，返回 false 表示没有环； -- 我们扩展了布尔数组 visited 的含义，如果在无向图中，只需要 true 和 false 两种状态。在有向图中，为了检测是否存在环，我们新增一个状态，用于表示在对一门课程进行深度优先遍历的过程中，已经被标记，使用整数 1 表示。原来的 false 用整数 0 表示，含义为还未访问；原来的 true 用整数 2 表示，含义为「已经访问」，确切地说是「当前课程的所有后续课程」已经被访问。 - -```java -public class Solution { - - public int[] findOrder(int numCourses, int[][] prerequisites) { - // 步骤 1：构建邻接表 - Set[] adj = new HashSet[numCourses]; - for (int i = 0; i < numCourses; i++) { - adj[i] = new HashSet<>(); - } - int pLen = prerequisites.length; - for (int i = 0; i < pLen; i++) { - // 后继课程 - int second = prerequisites[i][0]; - // 先行课程 - int first = prerequisites[i][1]; - // 注意 dfs 中，后继课程作为 key，前驱课程作为 value，这种方式不符合邻接表的习惯，邻接表总是通过前驱得到后继 - adj[second].add(first); - } - - // 步骤二：对每一个结点执行一次深度优先遍历 - // 0 表示没有访问过，对应于 boolean 数组里的 false - // 1 表示已经访问过，新增状态，如果 dfs 的时候遇到 1 ，表示当前遍历的过程中形成了环 - // 2 表示当前结点的所有后继结点已经遍历完成，对应于 boolean 数组里的 true - int[] visited = new int[numCourses]; - - List res = new ArrayList<>(); - for (int i = 0; i < numCourses; i++) { - // 对每一个结点执行一次深度优先遍历 - if (dfs(i, adj, visited, res)) { - return new int[]{}; - } - } - return res.stream().mapToInt(i -> i).toArray(); - } - - /** - * @param current - * @param adj - * @param visited - * @param res - * @return true 表示有环，false 表示没有环 - */ - private boolean dfs(int current, Set[] adj, - int[] visited, List res) { - - if (visited[current] == 1) { - return true; - } - if (visited[current] == 2) { - return false; - } - - visited[current] = 1; - for (Integer successor : adj[current]) { - if (dfs(successor, adj, visited, res)) { - // 如果有环，返回空数组 - return true; - } - } - - // 注意：在「后序」这个位置添加到结果集 - res.add(current); - visited[current] = 2; - // 所有的后继结点都遍历完成以后，都没有遇到重复，才可以说没有环 - return false; - } -} -``` -复杂度分析： - -- 时间复杂度：O(V + E)，这里 V 表示课程总数，E 表示课程依赖关系总数，对每一个顶点执行一次深度优先遍历，所有顶点需要遍历的操作总数与边总数有关； -- 空间复杂度：O(V + E)，邻接表的大小为 V + E，递归调用栈的深度最多为 V，因此空间复杂度是 O(V + E)。 - - - -## 四、回溯算法 - -![image.png](https://pic.leetcode-cn.com/1611540618-qrHmGi-image.png) - -### 回溯算法是深度优先遍历思想的应用 - -回溯算法是一种通过不断 尝试 ，搜索一个问题的一个解或者 所有解 的方法。在求解的过程中，如果继续求解不能得到题目要求的结果，就需要 回退 到上一步尝试新的求解路径。回溯算法的核心思想是：**在一棵 隐式的树（看不见的树） 上进行一次深度优先遍历**。 - -我们通过一道经典的问题 N 皇后问题，向大家介绍「回溯算法」的思想。 - - - -### 例题：「力扣」第 51 题：N 皇后（困难） - -n 皇后问题研究的是如何将 n 个皇后放置在 n×n 的棋盘上，并且使皇后彼此之间不能相互攻击。 - -![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2018/10/12/8-queens.png) - -上图为 8 皇后问题的一种解法。 - -给定一个整数 n，返回所有不同的 n 皇后问题的解决方案。 - -每一种解法包含一个明确的 n 皇后问题的棋子放置方案，该方案中 'Q' 和 '.' 分别代表了皇后和空位。 - -``` -输入：4 -输出：[ - [".Q..", // 解法 1 - "...Q", - "Q...", - "..Q."], - - ["..Q.", // 解法 2 - "Q...", - "...Q", - ".Q.."] -] -解释: 4 皇后问题存在两个不同的解法。 -``` - -提示： - -- 皇后彼此不能相互攻击，也就是说：任何两个皇后都不能处于同一条横行、纵行或斜线上。 - -思路分析：解决这个问题的思路是尝试每一种可能，然后逐个判断。只不过回溯算法按照一定的顺序进行尝试，在一定不可能得到解的时候进行剪枝，进而减少了尝试的可能。下面的幻灯片展示了整个搜索的过程。 - - - -![image.png](https://pic.leetcode-cn.com/1604311636-RHdpwi-image.png) - -**在遍历的过程中记录已经放置的皇后的位置** - -由于我们需要根据前面已经放置的皇后的位置，来决定当前位置是否可以放置皇后，因此记住已经放置的皇后的位置就很重要。 - -- 由于我们一行一行考虑放置皇后，摆放的这些皇后肯定不在同一行； -- 为了避免它们在同一列，需要一个长度为 NN 的布尔数组 cols，已经放置的皇后占据的列，就需要在对应的列的位置标记为 true； -- 还需要考虑「任何两个皇后不能位于同一条斜线上」，下面的图展示了位于一条斜线上的皇后的位置特点。 - -![image.png](https://pic.leetcode-cn.com/1604369085-NKikxL-image.png) - -为此，我们需要一个表示主对角线方向的布尔数组 main（Main diagonal，长度为 2N-12N−1），如果某个单元格放放置了一个皇后，就需要将对应的主对角线标记为 true。注意：由于有 3 个方向的横坐标 - 纵坐标的结果为负值，可以统一地为每一个横坐标 - 纵坐标的结果增加一个偏移，具体请见参考代码 1。 - -![image.png](https://pic.leetcode-cn.com/1604369096-LBpNxP-image.png) - -同理，我们还需要一个表示副对角线方向的布尔数组 sub（Sub diagonal，长度为 2N-12N−1），如果某个单元格放放置了一个皇后，就需要将对应的副对角线标记为 true。 - -```java -import java.util.ArrayDeque; -import java.util.ArrayList; -import java.util.Deque; -import java.util.List; - -public class Solution { - - private int n; - /** - * 记录某一列是否放置了皇后 - */ - private boolean[] col; - /** - * 记录主对角线上的单元格是否放置了皇后 - */ - private boolean[] main; - /** - * 记录了副对角线上的单元格是否放置了皇后 - */ - private boolean[] sub; - - private List> res; - - public List> solveNQueens(int n) { - res = new ArrayList<>(); - if (n == 0) { - return res; - } - - // 设置成员变量，减少参数传递，具体作为方法参数还是作为成员变量，请参考团队开发规范 - this.n = n; - this.col = new boolean[n]; - this.main = new boolean[2 * n - 1]; - this.sub = new boolean[2 * n - 1]; - Deque path = new ArrayDeque<>(); - dfs(0, path); - return res; - } - - private void dfs(int row, Deque path) { - if (row == n) { - // 深度优先遍历到下标为 n，表示 [0.. n - 1] 已经填完，得到了一个结果 - List board = convert2board(path); - res.add(board); - return; - } - - // 针对下标为 row 的每一列，尝试是否可以放置 - for (int j = 0; j < n; j++) { - if (!col[j] && !main[row - j + n - 1] && !sub[row + j]) { - path.addLast(j); - col[j] = true; - main[row - j + n - 1] = true; - sub[row + j] = true; - dfs(row + 1, path); - sub[row + j] = false; - main[row - j + n - 1] = false; - col[j] = false; - path.removeLast(); - } - } - } - - private List convert2board(Deque path) { - List board = new ArrayList<>(); - for (Integer num : path) { - StringBuilder row = new StringBuilder(); - row.append(".".repeat(Math.max(0, n))); - row.replace(num, num + 1, "Q"); - board.add(row.toString()); - } - return board; - } -} -``` - -复杂度分析： - -- 时间复杂度：O(N!)O(N!)，这里 NN 为皇后的个数，这里讨论的时间复杂度很宽松，第一行皇后可以摆放的位置有 NN 个，第二行皇后可以摆放的位置有 N - 1N−1 个，依次类推下去，按照分步计数乘法原理，一共有 N!N! 种可能； - -- 空间复杂度：O(N)O(N)，递归调用栈的深度最多为 NN，三个布尔数组的长度分别为 NN、2N+12N+1、2N+12N+1，都是 NN 的线性组合。 - -其实，判断是否重复，可以使用哈希表，下面给出的参考代码 2 就使用了哈希表判断是否重复，可以不用处理主对角线方向上「横坐标 - 纵坐标」的下标偏移。但事实上，哈希表底层也是数组。 - - - -### 树形问题 - -回溯算法其实是在一棵隐式的树或者图上进行了一次深度优先遍历，我们在解决问题的过程中需要把问题抽象成一个树形问题。充分理解树形问题最好的办法就是用一个小的测试用例，在纸上画出树形结构图，然后再针对树形结构图进行编码。 - -重要的事情我们说三遍：画图分析很重要、画图分析很重要、画图分析很重要。 - -要理解「回溯算法」的递归前后，变量需要恢复也需要想象代码是在一个树形结构中执行深度优先遍历，回到以前遍历过的结点，变量需要恢复成和第一次来到该结点的时候一样的值。 - -另一个理解回溯算法执行流程的重要方法是：在递归方法执行的过程中，将涉及到的变量的值打印出来看，观察变量的值的变化。 - -> 友情提示：画图分析问题是思考算法问题的重要方法，画图这个技巧在解决链表问题、回溯算法、动态规划的问题上都有重要的体现，请大家不要忽视「画图」这个简单的分析问题的方法，很多时候思路就出现在我们在草稿纸上写写画画以后。 - - - -### 回溯算法问题的问法 - -问「一个问题 **所有的** 解」一般考虑使用回溯算法。因此回溯算法也叫「暴力搜索」，但不同于最粗暴的多个 `for` 循环，回溯算法是有方向的遍历。 - - - -### 再谈「搜索」 - -计算机擅长做的事情是「计算」，即「做重复的事情」。能用编程的方法解决的问题通常 结构相同，问题规模不同。因此，我们解决一个问题的时候，通常需要将问题一步一步进行拆解，把一个大问题拆解为结构相同的若干个小问题。 - -友情提示：我们介绍「状态」和「状态空间」这两个概念是为了方便后面的问题描述，其实大家在完成了一定练习以后对这两个概念就会有形象的理解。如果一开始不理解这些概念完全可以跳过。 - -##### 「状态」和「状态空间」 - -为了区分解决问题的不同阶段、不同规模，我们可以通过语言描述进行交流。在算法的世界里，是通过变量进行描述的，不同的变量的值就代表了解决一个实际问题中所处的不同的阶段，这些变量就叫做「状态变量」。所有的状态变量构成的集合称为「状态空间」。 - -友情提示：「空间」这个词经常代表的含义是「所有」。在《线性代数》里，线性空间（向量空间）就是规定了「加法」和「数乘」，且对这两种运算封闭的 所有 元素的集合。 - -##### 不同状态之间的联系形成图（树）结构 - -我们可以把某种规模的问题描述想象成一个结点。由于规模相近的问题之间存在联系，我们把有联系的结点之间使用一条边连接，因此形成的状态空间就是一张图。 - -树结构有唯一的起始结点（根结点），且不存在环，树是特殊的图。这一章节绝大多数的问题都从一个基本的问题出发，拆分成多个子问题，并且继续拆分的子问题没有相同的部分，因此这一章节遇到的绝大多数问题的状态空间是一棵树。 - -我们要了解这个问题的状态空间，就需要通过 遍历 的方式。正是因为通过遍历，我们能够访问到状态空间的所有结点，因此可以获得一个问题的 所有 解。 - - - -### 为什么叫「回溯」（难点） - -而「回溯」就是 深度优先遍历 状态空间的过程中发现的特有的现象，程序会回到以前访问过的结点。而程序在回到以前访问过的结点的时候，就需要将状态变量恢复成为第一次来到该结点的值。 - -在代码层面上，在递归方法结束以后，执行递归方法之前的操作的 逆向操作 即可。 - -> 友情提示：理解回溯算法的「回溯」需要基于一定的练习，可以不必一开始就理解透彻。另外，理解「回溯算法」的一个重要技巧是 在程序中打印状态变量进行观察，一步一步看到变量的变化。 - - - -### 回溯算法的实现细节 - -#### 解释递归后面状态重置是怎么回事 - -- 当回到上一级的时候，所有的状态变量需要重置为第一次来到该结点的状态，这样继续尝试新的选择才有意义； -- 在代码层面上，需要在递归结束以后，添加递归之前的操作的逆向操作； - -#### 基本类型变量和对象类型变量的不同处理 - -基本类型变量每一次向下传递的时候的行为是复制，所以无需重置； -对象类型变量在遍历的全程只有一份，因此再回退的时候需要重置； -类比于 Java 中的 方法参数 的传递机制： -基本类型变量在方法传递的过程中的行为是复制，每一次传递复制了参数的值； -对象类型变量在方法传递的过程中复制的是对象地址，对象全程在内存中共享地址。 - -#### 字符串问题的特殊性 - -如果使用 + 拼接字符串，每一次拼接产生新的字符串，因此无需重置； -如果使用 StringBuilder 拼接字符串，整个搜索的过程 StringBuilder 对象只有一份，需要状态重置。 - -#### 为什么不是广度优先遍历 - -广度优先遍历每一层需要保存所有的「状态」，如果状态空间很大，需要占用很大的内存空间； -深度优先遍历只要有路径可以走，就继续尝试走新的路径，不同状态的差距只有一个操作，而广度优先遍历在不同的层之前，状态差异很大，就不能像深度优先遍历一样，可以 使用一份状态变量去遍历所有的状态空间，在合适的时候记录状态的值就能得到一个问题的所有的解。 - - - -### 练习 - -1. 完成「力扣」第 46 题：全排列（中等）； -2. 完成「力扣」第 37 题：数独（困难）； - -下面是字符串的搜索问题，完成这些问题可以帮助理解回溯算法的实现细节。 - -1. 完成「力扣」第 22 题：括号生成（中等）； -2. 完成「力扣」第 17 题：电话号码的字母组合（中等）； -3. 完成「力扣」第 784 题：字母大小写全排列（中等）。 - - - -## 五、剪枝 - -![image.png](https://pic.leetcode-cn.com/1611540769-uMxIkB-image.png) - -### 剪枝的必要性 - -剪枝的想法是很自然的。回溯算法本质上是遍历算法，如果 在遍历的过程中，可以分析得到这样一条分支一定不存在需要的结果，就可以跳过这个分支。 - -发现剪枝条件依然是通过举例的例子，画图分析，即：通过具体例子抽象出一般的剪枝规则。通常可以选取一些较典型的例子，以便抽象出一般规律。 - -> 友情提示：阅读下面的文字，可能会有一些晦涩，建议大家了解思路，通过对具体例子的分析，逐渐分析出解决这个问题的细节。 - -### 「剪枝」技巧例举 - -#### 技巧 1：按照一定顺序搜索 - -按照顺序搜索其实也是去除重复结果的必要条件。 - -「力扣」第 47 题：全排列 II - -> 给定一个可包含重复数字的序列 nums ，按任意顺序 返回所有不重复的全排列。 -> -> 示例 1： -> -> ``` -> 输入：nums = [1,1,2] -> 输出： -> [[1,1,2], -> [1,2,1], -> [2,1,1]] -> ``` -> -> -> 示例 2： -> -> ``` -> 输入：nums = [1,2,3] -> 输出：[[1,2,3],[1,3,2],[2,1,3],[2,3,1],[3,1,2],[3,2,1]] -> ``` - -思路分析： - -- 这道题基于「力扣」第 46 题（全排列）的思想完成，首先依然是先画出树形结构，然后编写深度优先遍历的代码，在遍历的过程中收集所有的全排列； -- 与「力扣」第 46 题（全排列）不同的是：输入数组中有重复元素，如果还按照第 46 题的写法做，就会出现重复列表； -- 如果搜索出来结果列表，再在结果列表里去重，比较相同的列表是一件比较麻烦的事情，我们可以 ①：依次对列表排序，再逐个比较列表中的元素；② 将列表封装成为类，使用哈希表去重的方式去掉重复的列表。这两种方式编码都不容易实现； -- 既然需要排序，我们可以在一开始的时候，就对输入数组进行排序，在遍历的过程中，通过一定剪枝条件，发现一定会搜索到重复元素的结点，跳过它，这样在遍历完成以后，就能得到不重复的列表。 - -我们画出树形图，找出它们重复的部分，进而发现产生重复的原因。 - -![image.png](https://pic.leetcode-cn.com/1609747293-XJCbkK-image.png) - -产生重复列表的原因： - -- 很容易看到，在树的同一层，如果当前考虑的数字相同，就有可能搜索到重复的结果（前提：输入数组按照升序排序），因此剪枝条件为 nums[i] == nums[i - 1] 这里为了保证数组下标不越界，前提是 i > 0； -- 光有这个条件还不够，我们观察下面两个分支，中间被着重标注的分支，满足 nums[i] == nums[i - 1] 并且 nums[i - 1] 还未被使用，就下来由于还要使用 1 一定会与前一个分支搜索出的结果重复； -- 而左边被着重标注的分支，也满足 nums[i] == nums[i - 1] ，但是 nums[i - 1] 已经被使用，接下来不会再用到它，因此不会产生重复。 - -![image.png](https://pic.leetcode-cn.com/1609747321-OawzfE-image.png) - -```java -import java.util.ArrayDeque; -import java.util.ArrayList; -import java.util.Arrays; -import java.util.Deque; -import java.util.List; - -public class Solution { - - public List> permuteUnique(int[] nums) { - int len = nums.length; - List> res = new ArrayList<>(); - if (len == 0) { - return res; - } - - // 剪枝的前提是排序 - Arrays.sort(nums); - boolean[] used = new boolean[len]; - // 使用 Deque 是 Java 官方 Stack 类的建议 - Deque path = new ArrayDeque<>(len); - dfs(nums, 0, len, used, path, res); - return res; - } - - private void dfs(int[] nums, int index, int len, boolean[] used, Deque path, List> res) { - if (index == len) { - res.add(new ArrayList<>(path)); - return; - } - - for (int i = 0; i < len; i++) { - if (used[i]) { - continue; - } - - // 注意：理解 !used[i - 1]，很关键 - // 剪枝条件：i > 0 是为了保证 nums[i - 1] 有意义 - // 写 !used[i - 1] 是因为 nums[i - 1] 在深度优先遍历的过程中刚刚被撤销选择 - if (i > 0 && nums[i] == nums[i - 1] && !used[i - 1]) { - continue; - } - - used[i] = true; - path.addLast(nums[i]); - dfs(nums, index + 1, len, used, path, res); - // 回溯部分的代码，和 dfs 之前的代码是对称的 - used[i] = false; - path.removeLast(); - } - } -} -``` - -「力扣」第 39 题：（组合问题） - -> 给定一个无重复元素的数组 candidates 和一个目标数 target ，找出 candidates 中所有可以使数字和为 target 的组合。 -> -> candidates 中的数字可以无限制重复被选取。 -> -> 说明： -> -> - 所有数字（包括 target）都是正整数。 -> - 解集不能包含重复的组合。 -> -> 示例 1： -> -> ``` -> 输入：candidates = [2,3,6,7], target = 7, -> 所求解集为： -> [ -> [7], -> [2,2,3] -> ] -> ``` - -思路分析：有了之前问题的求解经验，我们 强烈建议 大家使用示例 1 ，以自己熟悉的方式画出树形结构，再尝试编码、通过调试的方式把这个问题做出来。 - -- 可以从目标值 target = 7 开始，逐个减去 2 、3 、6 、7 ，把问题转化成使用 [2, 3, 6, 7] 能够得到的组合之和为 5、 4、 1、0 的所有列表，如果能够得到有效的列表，再加上减去的那个数，就是原始问题的一个列表，这是这个问题的递归结构； -- 减去一个数以后，得到的数为 0 或者负数以后，就可以停止了，请大家想一想这是为什么。画好这棵树以后，我们关注叶子结点的值为 0 的结点，从根结点到叶子结点的一条路径，满足沿途减去的数的和为 target = 7； - - -![image.png](https://pic.leetcode-cn.com/1609747338-Xtbzly-image.png) - -- 由于这个问题得到的结果是组合，[2, 2, 3]、[2, 3, 2] 与 [3, 2, 2] 只能作为一个列表在结果集里输出，我们依然是按照第 47 题的分析，在图中标注出这些重复的分支，发现剪枝的条件； - -![image.png](https://pic.leetcode-cn.com/1609747346-vldsxx-image.png) - -- 去除重复的方法通常是按照一定的顺序考虑问题，我们观察重复的三个列表 [2, 2, 3]、[2, 3, 2] 与 [2, 3, 2] ，我们只需要一个，保留自然顺序 [2, 2, 3] 即可，于是我们可以指定如下规则：如果在深度较浅的层减去的数等于 a ，那么更深的层只能减去大于等于 a 的数（根据题意，一个元素可以使用多次，因此可以减去等于 a 的数），这样就可以跳过重复的分支，深度优先遍历得到的结果就不会重复； -- 容易发现，如果减去一个数的值小于 0 ，就没有必要再减去更大的数，这也是可以剪枝的地方。 - -```java -public class Solution { - - public List> combinationSum(int[] candidates, int target) { - int len = candidates.length; - List> res = new ArrayList<>(); - if (len == 0) { - return res; - } - - // 排序是剪枝的前提 - Arrays.sort(candidates); - Deque path = new ArrayDeque<>(); - dfs(candidates, 0, len, target, path, res); - return res; - } - - private void dfs(int[] candidates, int begin, int len, int target, Deque path, List> res) { - // 由于进入更深层的时候，小于 0 的部分被剪枝，因此递归终止条件值只判断等于 0 的情况 - if (target == 0) { - res.add(new ArrayList<>(path)); - return; - } - - for (int i = begin; i < len; i++) { - // 重点理解这里剪枝，前提是候选数组已经有序 - if (target - candidates[i] < 0) { - break; - } - - path.addLast(candidates[i]); - dfs(candidates, i, len, target - candidates[i], path, res); - path.removeLast(); - } - } -} -``` - -如果对这个问题研究比较深入，可以发现，其实只要保持深层结点不重复使用浅层结点使用过的数值即可，也就是说排序对于这道问题来说不是必须的，排序用于提速，而真正去除重复元素的技巧是：设置搜索起点，这是另一种意义上的按顺序搜索（搜索起点不回头）。下面的代码也可以通过系统测评。 - -```java -import java.util.ArrayDeque; -import java.util.ArrayList; -import java.util.Deque; -import java.util.List; - -public class Solution { - - public List> combinationSum(int[] candidates, int target) { - int len = candidates.length; - List> res = new ArrayList<>(); - if (len == 0) { - return res; - } - - Deque path = new ArrayDeque<>(); - dfs(candidates, 0, len, target, path, res); - return res; - } - - /** - * @param candidates 候选数组 - * @param begin 搜索起点 - * @param len 冗余变量，是 candidates 里的属性，可以不传 - * @param target 每减去一个元素，目标值变小 - * @param path 从根结点到叶子结点的路径，是一个栈 - * @param res 结果集列表 - */ - private void dfs(int[] candidates, int begin, int len, int target, Deque path, List> res) { - // target 为负数和 0 的时候不再产生新的孩子结点 - if (target < 0) { - return; - } - if (target == 0) { - res.add(new ArrayList<>(path)); - return; - } - - // 重点理解这里从 begin 开始搜索的语意 - for (int i = begin; i < len; i++) { - path.addLast(candidates[i]); - // 注意：由于每一个元素可以重复使用，下一轮搜索的起点依然是 i，这里非常容易弄错 - dfs(candidates, i, len, target - candidates[i], path, res); - // 状态重置 - path.removeLast(); - } - } -} -``` - -「力扣」第 77 题：子集（中等） - -> 给定两个整数 n 和 k，返回 1 ... n 中所有可能的 k 个数的组合。 -> -> 示例： -> -> ``` -> 输入: n = 4, k = 2 -> 输出: -> [ -> [2,4], -> [3,4], -> [2,3], -> [1,2], -> [1,3], -> [1,4], -> ] -> ``` - -思路分析： - -- 依然是 强烈建议 大家在纸上根据示例画出树形结构图； -- 根据第 39 题的经验，可以设置搜索起点，以防止不重不漏； -- 如果对这个问题研究得比较深入，由于 k 是一个正整数，搜索起点不一定需要枚举到 n ，具体搜索起点的上限可以尝试举出一个数值合适的例子找找规律，我们在这里直接给出参考的代码。 - -参考代码： - -```java -import java.util.ArrayDeque; -import java.util.ArrayList; -import java.util.Deque; -import java.util.List; - -public class Solution { - - public List> combine(int n, int k) { - List> res = new ArrayList<>(); - if (k <= 0 || n < k) { - return res; - } - Deque path = new ArrayDeque<>(k); - dfs(n, k, 1, path, res); - return res; - } - - // i 的极限值满足： n - i + 1 = (k - pre.size()) - // n - i + 1 是闭区间 [i, n] 的长度 - // k - pre.size() 是剩下还要寻找的数的个数 - private void dfs(int n, int k, int index, Deque path, List> res) { - if (path.size() == k) { - res.add(new ArrayList<>(path)); - return; - } - - // 注意：这里搜索起点的上限为 n - (k - path.size()) + 1 ，这一步有很强的剪枝效果 - for (int i = index; i <= n - (k - path.size()) + 1; i++) { - path.addLast(i); - dfs(n, k, i + 1, path, res); - path.removeLast(); - } - } -} - -``` - - -### 练习 - -1. 完成「力扣」第 40 题：组合总和 II（中等）； -2. 完成「力扣」第 78 题：子集（中等）； -3. 完成「力扣」第 90 题：子集 II（中等）。 -4. 完成「力扣」第 1593 题：拆分字符串使唯一子字符串的数目最大（中等）； -5. 完成「力扣」第 1079 题：活字印刷（中等）。 - - - -### 总结 - -「剪枝」条件通常是具体问题具体分析，因此需要我们积累一定求解问题的经验。 - - - -## 六、二维平面上的搜索问题（Flood Fill） - -「力扣」第 79 题：单词搜索（中等） - -> 给定一个二维网格和一个单词，找出该单词是否存在于网格中。 -> -> 单词必须按照字母顺序，通过相邻的单元格内的字母构成，其中“相邻”单元格是那些水平相邻或垂直相邻的单元格。同一个单元格内的字母不允许被重复使用。 -> -> ``` -> board = -> [ -> ['A','B','C','E'], -> ['S','F','C','S'], -> ['A','D','E','E'] -> ] -> -> 给定 word = "ABCCED", 返回 true -> 给定 word = "SEE", 返回 true -> 给定 word = "ABCB", 返回 false -> ``` - -提示： - -- board 和 word 中只包含大写和小写英文字母； -- 1 <= board.length <= 200 -- 1 <= board[i].length <= 200 -- 1 <= word.length <= 10^3 - -思路分析： - -- 这道题要求我们在一个二维表格上找出给定目标单词 word 的一个路径，题目中说：「相邻」单元格是那些水平相邻或垂直相邻的单元格。也就是说：如果当前单元格恰好与 word 的某个位置的字符匹配，应该从当前单元格的上、下、左、右 44 个方向继续匹配剩下的部分； -- 下面的幻灯片展示了整个匹配的过程，请大家注意： - - 对于每一个单元格，在第一个字符匹配的时候，才执行一次深度优先遍历，直到找到符合条件的一条路径结束。如果第一个字符都不匹配，当然没有必要继续遍历下去； - - 递归终止的条件是：匹配到了 word 的最后一个字符； - - 在不能匹配的时候，需要 原路返回，尝试新的路径。这一点非常重要，我们修改了题目中的示例，请大家仔细观察下面的幻灯片中的例子，体会「回溯」在什么时候发生？ - -整个搜索的过程可以用下面的树形结构表示，由于空间限制我们没有画出完整的树的样子，希望大家能够结合上面的幻灯片想清楚这个问题「当一条路径不能匹配的时候是如何回退的」，并且结合参考代码理解程序的执行流程。 - -![image.png](https://pic.leetcode-cn.com/1609297824-YbeLiB-image.png) - -```java -public class Solution { - - private boolean[][] visited; - private int[][] directions = {{-1, 0}, {0, -1}, {0, 1}, {1, 0}}; - private int rows; - private int cols; - private int len; - private char[] charArray; - private char[][] board; - - public boolean exist(char[][] board, String word) { - len = word.length(); - rows = board.length; - if (rows == 0) { - return false; - } - cols = board[0].length; - visited = new boolean[rows][cols]; - this.charArray = word.toCharArray(); - this.board = board; - - for (int i = 0; i < rows; i++) { - for (int j = 0; j < cols; j++) { - if (dfs(i, j, 0)) { - return true; - } - } - } - return false; - } - - /** - * @param i - * @param j - * @param begin 从 word[begin] 处开始搜索 - * @return - */ - private boolean dfs(int i, int j, int begin) { - // 字符串的最后一个字符匹配，即返回 true - if (begin == len - 1) { - return board[i][j] == charArray[begin]; - } - - // 只要当前考虑的字符能够匹配，就从四面八方继续搜索 - if (board[i][j] == charArray[begin]) { - visited[i][j] = true; - for (int[] direction : directions) { - int newX = i + direction[0]; - int newY = j + direction[1]; - if (inArea(newX, newY) && !visited[newX][newY]) { - if (dfs(newX, newY, begin + 1)) { - return true; - } - } - } - visited[i][j] = false; - } - return false; - } - - private boolean inArea(int x, int y) { - return x >= 0 && x < rows && y >= 0 && y < cols; - } -} -``` - -说明： - -- DIRECTIONS 表示方向数组，44 个元素分别表示下、右、上、左 44 个方向向量，顺序无关紧要，建议四连通、八连通的问题都这样写； -- 有一些朋友可能会觉得封装私有函数会降低程序的执行效率，这一点在一些编程语言中的确是这样，但是我们在日常编写代码的过程中，语义清晰和可读性是更重要的，因此在编写代码的时候，最好能够做到「一行代码只做一件事情」 - - - -「力扣」第 695 题：岛屿的最大面积（中等） - -> 下面我们再展示一个问题，希望大家通过这个问题熟悉二维平面上回溯算法的编码技巧。 -> -> 给定一个包含了一些 0 和 1 的非空二维数组 grid 。 -> -> 一个 岛屿 是由一些相邻的 1 (代表土地) 构成的组合，这里的「相邻」要求两个 1 必须在水平或者竖直方向上相邻。你可以假设 grid 的四个边缘都被 0（代表水）包围着。 -> -> 找到给定的二维数组中最大的岛屿面积。(如果没有岛屿，则返回面积为 0 。) -> -> ``` -> [[0,0,1,0,0,0,0,1,0,0,0,0,0], -> [0,0,0,0,0,0,0,1,1,1,0,0,0], -> [0,1,1,0,1,0,0,0,0,0,0,0,0], -> [0,1,0,0,1,1,0,0,1,0,1,0,0], -> [0,1,0,0,1,1,0,0,1,1,1,0,0], -> [0,0,0,0,0,0,0,0,0,0,1,0,0], -> [0,0,0,0,0,0,0,1,1,1,0,0,0], -> [0,0,0,0,0,0,0,1,1,0,0,0,0]] -> ``` -> -> 对于上面这个给定矩阵应返回 `6`。注意答案不应该是 `11` ，因为岛屿只能包含水平或垂直的四个方向的 `1` 。 - -思路分析： - -找到一个岛屿，就是在 1（表示土地）的上、下、左、右 44 个方向执行一次深度优先遍历遍历，只要这 44 个方向上还有 1 ，就继续执行深度优先遍历。 - -递归实现 - -```java -public class Solution { - - private int[][] directions = {{-1, 0}, {0, 1}, {1, 0}, {0, -1}}; - private int rows; - private int cols; - private int[][] grid; - private boolean[][] visited; - - public int maxAreaOfIsland(int[][] grid) { - if (grid == null) { - return 0; - } - rows = grid.length; - if (rows == 0) { - return 0; - } - cols = grid[0].length; - if (cols == 0) { - return 0; - } - - this.grid = grid; - this.visited = new boolean[rows][cols]; - int res = 0; - for (int i = 0; i < rows; i++) { - for (int j = 0; j < cols; j++) { - if (grid[i][j] == 1 && !visited[i][j]) { - res = Math.max(res, dfs(i, j)); - } - } - } - return res; - } - - private int dfs(int x, int y) { - visited[x][y] = true; - int res = 1; - for (int[] direction:directions) { - int nextX = x + direction[0]; - int nextY = y + direction[1]; - if (inArea(nextX, nextY) && grid[nextX][nextY] == 1 && !visited[nextX][nextY]) { - res += dfs(nextX, nextY); - } - } - return res; - } - - private boolean inArea(int x, int y) { - return x >= 0 && x < rows && y >= 0 && y < cols; - } -} -``` -模拟栈 - -```java -import java.util.ArrayDeque; -import java.util.Deque; - -public class Solution { - - private final static int[][] DIRECTIONS = {{-1, 0}, {1, 0}, {0, -1}, {0, 1}}; - - public int maxAreaOfIsland(int[][] grid) { - int rows = grid.length; - int cols = grid[0].length; - boolean[][] visited = new boolean[rows][cols]; - - int maxArea = 0; - for (int i = 0; i < rows; i++) { - for (int j = 0; j < cols; j++) { - if (grid[i][j] == 1 && !visited[i][j]) { - maxArea = Math.max(maxArea, dfs(grid, i, j, rows, cols, visited)); - } - } - } - return maxArea; - } - - private int dfs(int[][] grid, int i, int j, int rows, int cols, boolean[][] visited) { - int count = 0; - Deque stack = new ArrayDeque<>(); - stack.addLast(new int[]{i, j}); - visited[i][j] = true; - while (!stack.isEmpty()) { - int[] top = stack.removeLast(); - int curX = top[0]; - int curY = top[1]; - count++; - for (int[] direction : DIRECTIONS) { - int newX = curX + direction[0]; - int newY = curY + direction[1]; - if (inArea(newX, newY, rows, cols) && grid[newX][newY] == 1 && !visited[newX][newY]) { - stack.addLast(new int[]{newX, newY}); - visited[newX][newY] = true; - } - } - } - return count; - } - - private boolean inArea(int i, int j, int rows, int cols) { - return i >= 0 && i < rows && j >= 0 && j < cols; - } -} -``` - - -### 练习 - -提示读者这部分所有的问题都可以使用广度优先遍历完成。 - -1. 完成「力扣」第 130 题：被围绕的区域（中等）；深度优先遍历、广度优先遍历、并查集。 -2. 完成「力扣」第 200 题：岛屿数量（中等）：深度优先遍历、广度优先遍历、并查集； -3. 完成「力扣」第 417 题：太平洋大西洋水流问题（中等）：深度优先遍历、广度优先遍历； -4. 完成「力扣」第 1020 题：飞地的数量（中等）：方法同第 130 题，深度优先遍历、广度优先遍历； -5. 完成「力扣」第 1254 题：统计封闭岛屿的数目（中等）：深度优先遍历、广度优先遍历； -6. 完成「力扣」第 1034 题：边框着色（中等）：深度优先遍历、广度优先遍历； -7. 完成「力扣」第 133 题：克隆图（中等）：借助哈希表，使用深度优先遍历、广度优先遍历； -8. 完成「剑指 Offer」第 13 题：机器人的运动范围（中等）：深度优先遍历、广度优先遍历； -9. 完成「力扣」第 529 题：扫雷问题（中等）：深度优先遍历、广度优先遍历； - - - - - -## 七、动态规划与深度优先遍历思想的结合 - -深度优先遍历是一种重要的算法设计思想，可以用于解决「力扣」上很多问题，熟练掌握「深度优先遍历」以及与之相关的「递归」、「分治」思想的应用是十分有帮助的。事实上，有一类问题需要「深度优先遍历」思想与「动态规划」思想的结合。 - - - -### 树形动态规划问题 - -在动态规划问题里，有一类问题叫做「树形动态规划 DP」问题。这一类问题通常的解决的思路是：通过对树结构执行一次深度优先遍历，采用 后序遍历 的方式，一层一层向上传递信息，并且利用「无后效性」的思想（固定住一些状态，或者对当前维度进行升维）解决问题。即这一类问题通常采用「后序遍历」 + 「动态规划（无后效性）」的思路解决。 - -> 友情提示：「无后效性」是「动态规划」的一个重要特征，也是一个问题可以使用「动态规划」解决的必要条件，「无后效性」就是字面意思：当前阶段的状态值一旦被计算出来就不会被修改，即：在计算之后阶段的状态值时不会修改之前阶段的状态值。 -> -> 利用「无后效性」解决动态规划问题通常有两种表现形式： -> -> - 对当前维度进行「升维」，在「自底向上递推」的过程中记录更多的信息，避免复杂的分类讨论； -> -> - 固定住一种的状态，通常这种状态的形式最简单，它可以组合成复杂的状态。 -> -> 理解「无后效性」需要做一些经典的使用「动态规划」解决的问题。例如：「力扣」第 62 题、第 120 题、第 53 题、第 152 题、第 300 题、第 1142 题。 - - - -「力扣」第 543 题：二叉树的直径（简单） - -> 给定一棵二叉树，你需要计算它的直径长度。一棵二叉树的直径长度是任意两个结点路径长度中的最大值。这条路径可能穿过也可能不穿过根结点。 -> -> 示例： -> -> 给定二叉树 -> -> ``` -> 1 -> / \ -> 2 3 -> / \ -> 4 5 -> ``` -> -> 返回 **3**, 它的长度是路径 `[4, 2, 1, 3]` 或者 `[5, 2, 1, 3]`。 -> -> **注意**：两结点之间的路径长度是以它们之间边的数目表示。 - -思路分析： - -- 首先理解题意。在题目最后的「注意」中有强调：两个结点之间边的数目为直径，而不是结点的数目； -- 要了解树当中的信息，通常来说需要执行一次 深度优先遍历，最后在根结点汇总值，自底向上，一层一层向上汇报信息，这是 后序遍历； -- 我们再看直径的概念，题目中已经强调了：直径可能穿过也可能不穿过根结点。并且示例给出的路径 [4, 2, 1, 3] 或者 [5, 2, 1, 3] 是弯曲的，不是「从根结点到叶子结点的最长路径」，因此一条路径是否经过某个结点，就需要分类讨论。在动态规划里，可以利用一个概念，叫做「无后效性」，即：将不确定的事情确定下来，以方便以后的讨论。 - -我们采用逐步完善代码的方式向大家展示编码过程，首先写出代码大致的框架，请大家留意代码中的注释，注释体现了编码的思路。 - -```java -public class Solution { - - public int diameterOfBinaryTree(TreeNode root) { - dfs(root); - return res; - } - - - /** - * @param node 某个子树的根结点 - * @return 必需经过当前 node 结点的「单边」路径长度的「最大值」，这是动态规划「无后效性」的应用 - */ - private int dfs(TreeNode node) { - // 递归终止条件 - if (node == null) { - return 0; - } - - // 根据左右子树的结果，再得到当前结点的结果，这是典型的「后序遍历」的思想 - int left = dfs(node.left); - int right = dfs(node.right); - - // 注意：递归函数的返回值的定义，必需经过 node 并且只有一边 - return Math.max(left, right) + 1; - } -} -``` - -注意：这里递归函数 dfs 的定义，有两点很重要：① 必需经过当前 node 结点，也就是说当前结点 node 必需被选取，这一点是我们上面向大家介绍的「固定住」一些信息，方便分类讨论；② 「单边路径」是我们为了方便说明这个问题引入的概念。「单边路径」指的是 node 作为某一条路径的端点，它或者是「左端点」或者是「右端点」，它一定不是位于在这条路径中间的结点。 - -![image.png](https://pic.leetcode-cn.com/1609644818-NmdQVB-image.png) - -比较难理解的地方是：为什么只讨论「单边路径」？这是因为「单边」的情况最简单，是可以拆分的最小单元。「弯曲」的情况可以由「单边」的情况组合而成。 - -题目要求的直径，可以「弯曲」。「弯曲」的部分就是「左边单边」的长度 + 「右边单边」的长度之和，可以在遍历的过程中记录最大值。 - -```java -public class Solution { - - private int res; - - public int diameterOfBinaryTree(TreeNode root) { - dfs(root); - return res; - } - - - /** - * @param node - * @return 必需经过当前 node 结点的路径长度的「最大值」 - */ - private int dfs(TreeNode node) { - if (node == null) { - return 0; - } - - int left = dfs(node.left); - int right = dfs(node.right); - // 注意：在深度优先遍历的过程中，记录最大值 - res = Math.max(res, left + right); - - return Math.max(left, right) + 1; - } -} -``` - - - -### 练习 - -1. 完成「力扣」第 124 题：二叉树中的最大路径和（困难）； -2. 完成「力扣」第 298 题：二叉树最长连续序列（中等）； -3. 完成「力扣」第 549 题：二叉树中最长的连续序列（中等）； -4. 完成「力扣」第 687 题：最长同值路径（中等）； -5. 完成「力扣」第 865 题：具有所有最深节点的最小子树（中等）； -6. 完成「力扣」第 1372 题：二叉树中的最长交错路径（中等）。 - -下面的问题可以使用「二分答案 + DFS 或者 BFS」的思想解决。 - -7. 完成「力扣」第 1102 题：得分最高的路径（中等）； -8. 完成「力扣」第 1631 题：最小体力消耗路径（中等）； -9. 完成「力扣」第 778 题：水位上升的泳池中游泳（困难）； -10. 完成「力扣」第 403 题：青蛙过河（困难）。 - - - -### 八、总结 - -- 深度优先遍历的直观理解非常重要，支撑深度优先遍历实现的数据结构是「栈」； -- 「力扣」上很多树和图的问题都可以通过深度优先遍历实现、使用深度优先遍历实现的问题很多时候也可以使用广度优先遍历实现； -- 「回溯算法」是深度优先遍历算法的应用； -- 「回溯算法」的细节很多，需要通过练习和调试理解。 - diff --git a/docs/data-structure-algorithms/Double-Pointer.md b/docs/data-structure-algorithms/Double-Pointer.md deleted file mode 100755 index 28ef87a38c..0000000000 --- a/docs/data-structure-algorithms/Double-Pointer.md +++ /dev/null @@ -1,814 +0,0 @@ -![](/Users/apple/Desktop/screenshot/截屏2022-01-04 下午4.19.16.png) - -归纳下双指针算法，其实总共就三类 - -- 左右指针，数组和字符串问题 -- 快慢指针，主要是成环问题 -- 滑动窗口，针对子串问题 - - - -#### [42. 接雨水](https://leetcode-cn.com/problems/trapping-rain-water/) - - - - - -## 一、左右指针 - -左右指针在数组中其实就是两个索引值， - -TODO: 一般都是有序数组？或者先排序后？ - -Javaer 一般这么表示： - -```java -int left = i + 1; -int right = nums.length - 1; -while(left < right) - *** -``` - -这两个指针 **相向交替移动** - -![](https://storage.googleapis.com/algodailyrandomassets/curriculum/arrays/two-pointer-2.svg) - - - -> [11. 盛最多水的容器](https://leetcode-cn.com/problems/container-with-most-water/) -> -> [15. 三数之和](https://leetcode-cn.com/problems/3sum/) -> -> [167. 两数之和 II - 输入有序数组](https://leetcode-cn.com/problems/two-sum-ii-input-array-is-sorted/) -> -> [125. 验证回文串](https://leetcode-cn.com/problems/valid-palindrome/) -> -> [344. 反转字符串](https://leetcode-cn.com/problems/reverse-string/) -> -> [283. 移动零](https://leetcode-cn.com/problems/move-zeroes/) -> -> [704. 二分查找](https://leetcode-cn.com/problems/binary-search/) -> -> [34. 在排序数组中查找元素的第一个和最后一个位置](https://leetcode-cn.com/problems/find-first-and-last-position-of-element-in-sorted-array/) - -TODO: 画图对比各个算法 - -### 两数之和 II - 输入有序数组 - -> 给定一个整数数组 `nums` 和一个整数目标值 `target`，请你在该数组中找出 **和为目标值** *`target`* 的那 **两个** 整数，并返回它们的数组下标。 -> -> 你可以假设每种输入只会对应一个答案。但是，数组中同一个元素在答案里不能重复出现。 -> -> 你可以按任意顺序返回答案。 -> -> ``` -> 输入：nums = [2,7,11,15], target = 9 -> 输出：[0,1] -> 解释：因为 nums[0] + nums[1] == 9 ，返回 [0, 1] 。 -> ``` - -直接用左右指针套就可以 - -```java -public static int[] towSum(int[] nums, int target) { - int left = 0; - int rigth = nums.length - 1; - while(left < rigth){ - int tmp = nums[left] + nums[rigth]; - if (target == tmp) { - return new int[]{left, rigth}; - } else if (tmp > target) { - rigth--; //右移 - } else { - left++; //左移 - } - } - return new int[]{-1, -1}; -} -``` - - - -### 三数之和 - -**排序、双指针、去重** - -第一个想法是，这三个数，两个指针？ - -- 对数组排序，固定一个数 $nums[i]$ ，然后遍历数组，并移动左右指针求和，判断是否有等于 0 的情况 -- 特例： - - 排序后第一个数就大于 0，不干了 - - 有三个需要去重的地方 - - nums[i] == nums[i - 1] 直接跳过本次遍历 - - nums[left] == nums[left + 1] 移动指针，即去重 - - nums[right] == nums[right - 1] 移动指针 - - - - - -![img](https://pic.leetcode-cn.com/00a09d9a4652c19ca3d1022b99a2395ae2f874bc4e41d19a4c61434566b156ec-2.png) - -```java -public static List> threeSum(int[] nums) { - //存放结果list - List> result = new ArrayList<>(); - int length = nums.length; - //特例判断 - if (length < 3) { - return result; - } - Arrays.sort(nums); - for (int i = 0; i < length; i++) { - //排序后的第一个数字就大于0，就说明没有符合要求的结果 - if (nums[i] > 0) break; - - //去重 - if (i > 0 && nums[i] == nums[i - 1]) continue; - //左右指针 - int l = i + 1; - int r = length - 1; - while (l < r) { - int sum = nums[i] + nums[l] + nums[r]; - if (sum == 0) { - result.add(Arrays.asList(nums[i], nums[l], nums[r])); - //去重（相同数字的话就移动指针） - while (nums[l] == nums[l + 1]) l++; - while (nums[r] == nums[r - 1]) r--; - //移动指针 - l++; - r--; - } else if (sum < 0) { - l++; - } else if (sum > 0) { - r--; - } - } - } - return result; -} -``` - - - -### 盛最多水的容器 - -> 给你 n 个非负整数 a1，a2，...，an，每个数代表坐标中的一个点 (i, ai) 。在坐标内画 n 条垂直线，垂直线 i 的两个端点分别为 (i, ai) 和 (i, 0) 。找出其中的两条线，使得它们与 x 轴共同构成的容器可以容纳最多的水。 -> -> ``` -> 输入：[1,8,6,2,5,4,8,3,7] -> 输出：49 -> 解释：图中垂直线代表输入数组 [1,8,6,2,5,4,8,3,7]。在此情况下，容器能够容纳水（表示为蓝色部分）的最大值为 49。 -> ``` -> -> ![img](https://aliyun-lc-upload.oss-cn-hangzhou.aliyuncs.com/aliyun-lc-upload/uploads/2018/07/25/question_11.jpg) - -思路： - -- 求得是水量，水量 = 两个指针指向的数字中较小值 * 指针之间的距离（水桶原理，最短的板才不会漏水） -- 为了求最大水量，我们需要存储所有条件的水量，进行比较才行 -- **双指针相向移动**，循环收窄，直到两个指针相遇 -- 往哪个方向移动，需要考虑清楚，如果我们移动数字较大的那个指针，那么前者「两个指针指向的数字中较小值」不会增加，后者「指针之间的距离」会减小，那么这个乘积会更小，所以我们移动**数字较小的那个指针** - -```java -public int maxArea(int[] height){ - int left = 0; - int right = height.length - 1; - //需要保存各个阶段的值 - int result = 0; - while(left < right){ - //水量 = 两个指针指向的数字中较小值∗指针之间的距离 - int area = Math.min(height[left],height[right]) * (right - left); - result = Math.max(result,area); - //移动数字较小的指针 - if(height[left] <= height[right]){ - left ++; - }else{ - right--; - } - } - return result; -} -``` - - - -### 验证回文串 - -> 给定一个字符串，验证它是否是回文串，只考虑字母和数字字符，可以忽略字母的大小写。 -> -> 说明：本题中，我们将空字符串定义为有效的回文串。 -> -> ``` -> 输入: "A man, a plan, a canal: Panama" -> 输出: true -> 解释："amanaplanacanalpanama" 是回文串 -> ``` - -思路： - -- 没看题解前，因为这个例子中有各种逗号、空格啥的，我第一想到的其实就是先遍历放在一个数组里，然后再去判断，看题解可以在原字符串完成，降低了空间复杂度 -- 首先需要知道三个 API - - `Character.isLetterOrDigit` 确定指定的字符是否为字母或数字 - - `Character.toLowerCase` 将大写字符转换为小写 - - `public char charAt(int index)` String 中的方法，用于返回指定索引处的字符 -- 双指针，每移动一步，判断这两个值是不是相同 -- 两个指针相遇，则是回文串 - -```java -public boolean isPalindrome(String s) { - int left = 0; - int right = s.length() - 1; - while (left < right) { - //这里还得加个left 编写一个函数，其作用是将输入的字符串反转过来。输入字符串以字符数组 char[] 的形式给出。 -> -> 不要给另外的数组分配额外的空间，你必须原地修改输入数组、使用 O(1) 的额外空间解决这一问题。 -> -> 你可以假设数组中的所有字符都是 ASCII 码表中的可打印字符。 -> -> ``` -> 输入：["h","e","l","l","o"] -> 输出：["o","l","l","e","h"] -> ``` -> -> ``` -> 输入：["H","a","n","n","a","h"] -> 输出：["h","a","n","n","a","H"] -> ``` - -思路： - -- 因为要反转，所以就不需要相向移动了，如果用双指针思路的话，其实就是遍历中交换左右指针的字符 - -```java -public void reverseString(char[] s) { - int left = 0; - int right = s.length - 1; - while (left < right){ - char tmp = s[left]; - s[left] = s[right]; - s[right] = tmp; - left++; - right--; - } -} -``` - - - -### 二分查找 - -有重复数字的话，返回的其实就是最右匹配 - -```java -public static int search(int[] nums, int target) { - int left = 0; - int right = nums.length - 1; - while (left <= right) { - //不直接使用（right+left）/2 是考虑数据大的时候溢出 - int mid = (right - left) / 2 + left; - int tmp = nums[mid]; - if (tmp == target) { - return mid; - } else if (tmp > target) { - //右指针移到中间位置 - 1,也避免不存在的target造成死循环 - right = mid - 1; - } else { - // - left = mid + 1; - } - } - return -1; -} -``` - - - -## 二、快慢指针 - -「快慢指针」，也称为「同步指针」 - -> [141. 环形链表](https://leetcode-cn.com/problems/linked-list-cycle/) -> -> [142. 环形链表II](https://leetcode-cn.com/problems/linked-list-cycle-ii) -> -> [19. 删除链表的倒数第 N 个结点](https://leetcode-cn.com/problems/remove-nth-node-from-end-of-list/) -> -> [876. 链表的中间结点](https://leetcode-cn.com/problems/middle-of-the-linked-list/) -> -> [26. 删除有序数组中的重复项](https://leetcode-cn.com/problems/remove-duplicates-from-sorted-array/) - -### 环形链表 - -![](/Users/apple/Downloads/cycle.png) - -思路： - -- 快慢指针，两个指针，一块一慢的话，慢指针每次只移动一步，而快指针每次移动两步。初始时，慢指针在位置 head，而快指针在位置 head.next。这样一来，如果在移动的过程中，快指针反过来追上慢指针，就说明该链表为环形链表。否则快指针将到达链表尾部，该链表不为环形链表。 - -```java -public boolean hasCycle(ListNode head) { - if (head == null || head.next == null) { - return false; - } - // 龟兔起跑 - ListNode fast = head; - ListNode slow = head; - - while (fast != null && fast.next != null) { - // 龟走一步 - slow = slow.next; - // 兔走两步 - fast = fast.next.next; - if (slow == fast) { - return true; - } - } - return false; -} -``` - - - -### 环形链表 II - -> 给定一个链表，返回链表开始入环的第一个节点。 如果链表无环，则返回 `null`。 -> -> ``` -> 输入：head = [3,2,0,-4], pos = 1 -> 输出：返回索引为 1 的链表节点 -> 解释：链表中有一个环，其尾部连接到第二个节点。 -> ``` - -思路： - -- 最初，我就把有环理解错了，看题解觉得快慢指针相交的地方就是入环的节点 -- 假设环是这样的，slow 指针进入环后，又走了 b 的距离与 fast 相遇 -- ![fig1](https://assets.leetcode-cn.com/solution-static/142/142_fig1.png) - - - - - -### 链表的中间结点 - -> 给定一个头结点为 `head` 的非空单链表，返回链表的中间结点。 -> -> 如果有两个中间结点，则返回第二个中间结点。(给定链表的结点数介于 `1` 和 `100` 之间。) -> -> ``` -> 输入：[1,2,3,4,5] -> 输出：此列表中的结点 3 (序列化形式：[3,4,5]) -> 返回的结点值为 3 。 (测评系统对该结点序列化表述是 [3,4,5])。 -> 注意，我们返回了一个 ListNode 类型的对象 ans，这样： -> ans.val = 3, ans.next.val = 4, ans.next.next.val = 5, 以及 ans.next.next.next = NULL. -> ``` - -思路： - -- 快慢指针遍历，当 `fast` 到达链表的末尾时，`slow` 必然位于中间 - -```java -public ListNode middleNode(ListNode head) { - ListNode fast = head; - ListNode slow = head; - while (fast != null && fast.next != null) { - slow = slow.next; - fast = fast.next.next; - } - return slow; -} -``` - - - - - -### 删除链表的倒数第 N 个结点 - -> 给你一个链表，删除链表的倒数第 n 个结点，并且返回链表的头结点。 -> -> ``` -> 输入：head = [1,2,3,4,5], n = 2 -> 输出：[1,2,3,5] -> ``` - - - -### 删除有序数组中的重复项 - -> 给你一个有序数组 nums ，请你 原地 删除重复出现的元素，使每个元素 只出现一次 ，返回删除后数组的新长度。 -> -> 不要使用额外的数组空间，你必须在 原地 修改输入数组 并在使用 $O(1)$ 额外空间的条件下完成。 -> -> 说明: -> -> 为什么返回数值是整数，但输出的答案是数组呢? -> -> 请注意，输入数组是以**「引用」**方式传递的，这意味着在函数里修改输入数组对于调用者是可见的。 -> -> 你可以想象内部操作如下: -> -> ```java -> // nums 是以“引用”方式传递的。也就是说，不对实参做任何拷贝 -> int len = removeDuplicates(nums); -> // 在函数里修改输入数组对于调用者是可见的。 -> // 根据你的函数返回的长度, 它会打印出数组中 该长度范围内 的所有元素。 -> for (int i = 0; i < len; i++) { -> print(nums[i]); -> } -> ``` -> -> ``` -> 输入：nums = [1,1,2] -> 输出：2, nums = [1,2] -> 解释：函数应该返回新的长度 2 ，并且原数组 nums 的前两个元素被修改为 1, 2 。不需要考虑数组中超出新长度后面的元素。 -> ``` -> -> ``` -> 输入：nums = [0,0,1,1,1,2,2,3,3,4] -> 输出：5, nums = [0,1,2,3,4] -> 解释：函数应该返回新的长度 5 ， 并且原数组 nums 的前五个元素被修改为 0, 1, 2, 3, 4 。不需要考虑数组中超出新长度后面的元素。 -> ``` - -**思路**： - -- 数组有序，那相等的元素在数组中的下标一定是连续的 -- 使用快慢指针，快指针表示遍历数组到达的下标位置，慢指针表示下一个不同元素要填入的下标位置 -- 第一个元素不需要删除，所有快慢指针都从下标 1 开始 - -```java -public static int removeDuplicates(int[] nums) { - if (nums == null) { - return 0; - } - int fast = 1; - int slow = 1; - while (fast < nums.length) { - //和前一个值比较 - if (nums[fast] != nums[fast - 1]) { - //不一样的话，把快指针的值放在慢指针上，实现了去重，并往前移动慢指针 - nums[slow] = nums[fast]; - ++slow; - } - //相等的话，移动快指针就行 - ++fast; - } - //慢指针的位置就是不重复的数量 - return slow; -} -``` - - - -### 最长连续递增序列 - -> 给定一个未经排序的整数数组，找到最长且 连续递增的子序列，并返回该序列的长度。 -> -> 连续递增的子序列 可以由两个下标 l 和 r（l < r）确定，如果对于每个 l <= i < r，都有 nums[i] < nums[i + 1] ，那么子序列 [nums[l], nums[l + 1], ..., nums[r - 1], nums[r]] 就是连续递增子序列。 -> -> ``` -> 输入：nums = [1,3,5,4,7] -> 输出：3 -> 解释：最长连续递增序列是 [1,3,5], 长度为3。尽管 [1,3,5,7] 也是升序的子序列, 但它不是连续的，因为 5 和 7 在原数组里被 4 隔开。 -> ``` - -思路分析： - -- 这个题的思路和删除有序数组中的重复项，很像 - -```java -public int findLengthOfLCIS(int[] nums) { - int result = 0; - int fast = 0; - int slow = 0; - while (fast < nums.length) { - //前一个数大于后一个数的时候 - if (fast > 0 || nums[fast - 1] > nums[fast]) { - slow = fast; - } - fast++; - result = Math.max(result, fast - slow); - } - return result; -} -``` - - - -## 三、滑动窗口 - -有一类数组上的问题，需要使用两个指针变量（我们称为左指针和右指针），同向、交替向右移动完成任务。这样的过程像极了一个窗口在平面上滑动的过程，因此我们将解决这一类问题的算法称为「滑动窗口」问题 - - - -![img](http://img.pkdoutu.com/production/uploads/image/2017/04/04/20170404308618_ZzXJwE.gif) - -滑动窗口，就是两个指针齐头并进，好像一个窗口一样，不断往前滑 - -子串问题，几乎都是滑动窗口 - -> [643. 子数组最大平均数 I](https://leetcode-cn.com/problems/maximum-average-subarray-i/) -> -> [1052. 爱生气的书店老板](https://leetcode-cn.com/problems/grumpy-bookstore-owner/) -> -> [3. 无重复字符的最长子串](https://leetcode-cn.com/problems/longest-substring-without-repeating-characters/) -> -> [76. 最小覆盖子串](https://leetcode-cn.com/problems/minimum-window-substring/) -> -> [424. 替换后的最长重复字符](https://leetcode-cn.com/problems/longest-repeating-character-replacement/) -> -> - -```java -int left = 0, right = 0; - -while (right < s.size()) { - // 增大窗口 - window.add(s[right]); - right++; - - while (window needs shrink) { - // 缩小窗口 - window.remove(s[left]); - left++; - } -} -``` - - - -### 3.1 同向交替移动的两个变量 - -有一类数组上的问题，问我们固定长度的滑动窗口的性质，这类问题还算相对简单。 - -#### 子数组最大平均数 I - -> 给定 `n` 个整数，找出平均数最大且长度为 `k` 的连续子数组，并输出该最大平均数。 -> -> ``` -> 输入：[1,12,-5,-6,50,3], k = 4 -> 输出：12.75 -> 解释：最大平均数 (12-5-6+50)/4 = 51/4 = 12.75 -> ``` - -**思路**： - -- 长度为固定的 K，想到用滑动窗口 -- 保存每个窗口的值，取这 k 个数的最大和就可以得出最大平均数 -- 怎么保存每个窗口的值，这一步 - -```java -public static double getMaxAverage(int[] nums, int k) { - int sum = 0; - //先求出前k个数的和 - for (int i = 0; i < nums.length; i++) { - sum += nums[i]; - } - //目前最大的数是前k个数 - int result = sum; - //然后从第 K 个数开始移动，保存移动中的和值，返回最大的 - for (int i = k; i < nums.length; i++) { - sum = sum - nums[i - k] + nums[i]; - result = Math.max(result, sum); - } - //返回的是double - return 1.0 * result / k; -} -``` - - - -### 3.2 不定长度的滑动窗口 - -#### 无重复字符的最长子串 - -> 给定一个字符串 `s` ，请你找出其中不含有重复字符的 **最长子串** 的长度。 -> -> ``` -> 输入: s = "abcabcbb" -> 输出: 3 -> 解释: 因为无重复字符的最长子串是 "abc"，所以其长度为 3。 -> ``` - -思路： - -- 滑动窗口，其实就是一个队列，比如例题中的 abcabcbb，进入这个队列（窗口）为 abc 满足题目要求，当再进入 a，队列变成了 abca，这时候不满足要求。所以，我们要移动这个队列 -- 如何移动？我们只要把队列的左边的元素移出就行了，直到满足题目要求！ -- 一直维持这样的队列，找出队列出现最长的长度时候，求出解！ - -```java -public static int lengthOfLongestSubstring(String s){ - HashMap map = new HashMap<>(); - int result = 0; - int left = 0; - //为了有左右指针的思想，我把我们常用的 i 写成了 right - for (int right = 0; right < s.length(); right++) { - //当前字符包含在当前有效的子段中，如：abca，当我们遍历到第二个a，当前有效最长子段是 abc，我们又遍历到a， - //那么此时更新 left 为 map.get(a)+1=1，当前有效子段更新为 bca； - //相当于左指针往前移动了一位 - if (map.containsKey(s.charAt(right))) { - left = Math.max(left, map.get(s.charAt(right)) + 1); - } - //右指针一直往前移动 - map.put(s.charAt(right), right); - result = Math.max(result, right - left + 1); - } - return result; -} -``` - - - -#### 最小覆盖子串 - -> 给你一个字符串 `s` 、一个字符串 `t` 。返回 `s` 中涵盖 `t` 所有字符的最小子串。如果 `s` 中不存在涵盖 `t` 所有字符的子串，则返回空字符串 `""` 。 -> -> ``` -> 输入：s = "ADOBECODEBANC", t = "ABC" -> 输出："BANC" -> ``` - - - - - -#### 替换后的最长重复字符 - -> 给你一个仅由大写英文字母组成的字符串，你可以将任意位置上的字符替换成另外的字符，总共可最多替换 k 次。在执行上述操作后，找到包含重复字母的最长子串的长度。 -> -> 注意：字符串长度 和 k 不会超过 10^4 -> -> ``` -> 输入：s = "ABAB", k = 2 -> 输出：4 -> 解释：用两个'A'替换为两个'B',反之亦然。 -> ``` -> -> ``` -> 输入：s = "AABABBA", k = 1 -> 输出：4 -> 解释：将中间的一个'A'替换为'B',字符串变为 "AABBBBA"。子串 "BBBB" 有最长重复字母, 答案为 4。 -> ``` - -思路： - -- - - - -```java -public int characterReplacement(String s, int k) { - int len = s.length(); - if (len < 2) { - return len; - } - - char[] charArray = s.toCharArray(); - int left = 0; - int right = 0; - - int res = 0; - int maxCount = 0; - int[] freq = new int[26]; - // [left, right) 内最多替换 k 个字符可以得到只有一种字符的子串 - while (right < len){ - freq[charArray[right] - 'A']++; - // 在这里维护 maxCount，因为每一次右边界读入一个字符，字符频数增加，才会使得 maxCount 增加 - maxCount = Math.max(maxCount, freq[charArray[right] - 'A']); - right++; - - if (right - left > maxCount + k){ - // 说明此时 k 不够用 - // 把其它不是最多出现的字符替换以后，都不能填满这个滑动的窗口，这个时候须要考虑左边界向右移动 - // 移出滑动窗口的时候，频数数组须要相应地做减法 - freq[charArray[left] - 'A']--; - left++; - } - res = Math.max(res, right - left); - } - return res; -} -``` - - - -### 3.3 计数问题 - -> ### 至多包含两个不同字符的最长子串 -> -> ### 至多包含 K 个不同字符的最长子串 -> -> ### 区间子数组个数 -> -> ### K 个不同整数的子数组 - -#### 至多包含两个不同字符的最长子串 - -> 给定一个字符串 `s`，找出 **至多** 包含两个不同字符的最长子串 `t` ，并返回该子串的长度。 -> -> ``` -> 输入: "eceba" -> 输出: 3 -> 解释: t 是 "ece"，长度为3。 -> ``` - -思路： - -- 这种字符串用滑动窗口的题目，一般用 `toCharArray()` 先转成字符数组 - - - -#### 至多包含 K 个不同字符的最长子串 - -> 给定一个字符串 `s`，找出 **至多** 包含 `k` 个不同字符的最长子串 `T`。 -> -> ``` -> 输入: s = "eceba", k = 2 -> 输出: 3 -> 解释: 则 T 为 "ece"，所以长度为 3。 -> ``` - - - -#### 区间子数组个数 - -> 给定一个元素都是正整数的数组`A` ，正整数 `L` 以及 `R` (`L <= R`)。 -> -> 求连续、非空且其中最大元素满足大于等于`L` 小于等于`R`的子数组个数。 -> -> ``` -> 例如 : -> 输入: -> A = [2, 1, 4, 3] -> L = 2 -> R = 3 -> 输出: 3 -> 解释: 满足条件的子数组: [2], [2, 1], [3]. -> ``` - - - -#### K 个不同整数的子数组 - -> - - - -### 3.4 使用数据结构维护窗口性质 - -有一类问题只是名字上叫「滑动窗口」，但解决这一类问题需要用到常见的数据结构。这一节给出的问题可以当做例题进行学习，一些比较复杂的问题是基于这些问题衍生出来的。 - -#### 滑动窗口最大值 - -#### 滑动窗口中位数 - - - - - -## 四、其他双指针问题 - -#### [88. 合并两个有序数组](https://leetcode-cn.com/problems/merge-sorted-array/) - - - - - - - -### 总结 - -区间不同的定义决定了不同的初始化逻辑、遍历过程中的逻辑。 - -- 移除元素 -- 删除排序数组中的重复项 II -- 移动零 - - - diff --git a/docs/data-structure-algorithms/Leetcode-dynamic-programming.md b/docs/data-structure-algorithms/Leetcode-dynamic-programming.md deleted file mode 100755 index 2063844409..0000000000 --- a/docs/data-structure-algorithms/Leetcode-dynamic-programming.md +++ /dev/null @@ -1,519 +0,0 @@ -## 概述 - -这里是 LeetCode 官方推出的动态规划精讲系列第一弹。 - -完成本 LeetBook 后，你将能够： - -- 理解动态规划的基本思想 -- 了解动态规划算法的优缺点和问题分类 -- 掌握运用动态规划解决问题的思路 -- 能够运用动态规划解决线性、前缀和、区间这三类问题 - - - -## 动态规划简介 - -### 动态规划的背景 - -动态规划（英语：Dynamic programming，简称 DP）是一种在数学、管理科学、计算机科学、经济学和生物信息学中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。 - -动态规划不是某一种具体的算法，而是一种算法思想：若要解一个给定问题，我们需要解其不同部分（即子问题），再根据子问题的解以得出原问题的解。 - -应用这种算法思想解决问题的可行性，对子问题与原问题的关系，以及子问题之间的关系这两方面有一些要求，它们分别对应了最优子结构和重复子问题。 - -#### 最优子结构 - -最优子结构规定的是子问题与原问题的关系 - -动态规划要解决的都是一些问题的最优解，即从很多解决问题的方案中找到最优的一个。当我们在求一个问题最优解的时候，如果可以把这个问题分解成多个子问题，然后递归地找到每个子问题的最优解，最后通过一定的数学方法对各个子问题的最优解进行组合得出最终的结果。总结来说就是一个问题的最优解是由它的各个子问题的最优解决定的。 - -将子问题的解进行组合可以得到原问题的解是动态规划可行性的关键。在解题中一般用状态转移方程描述这种组合。例如原问题的解为 f(n)f(n)，其中 f(n)f(n) 也叫状态。状态转移方程 f(n) = f(n - 1) + f(n - 2)f(n)=f(n−1)+f(n−2) 描述了一种原问题与子问题的组合关系 。在原问题上有一些选择，不同选择可能对应不同的子问题或者不同的组合方式。例如 - -![](/Users/apple/Desktop/screenshot/截屏2021-11-11 下午4.41.16.png) - -n = 2kn=2k 和 n = 2k + 1n=2k+1 对应了原问题 nn 上不同的选择，分别对应了不同的子问题和组合方式。 - -找到了最优子结构，也就能推导出一个状态转移方程 f(n)f(n)，通过这个状态转移方程，我们能很快的写出问题的递归实现方法。 - -![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/06/1-1.png) - -#### 重复子问题 - -重复子问题规定的是子问题与子问题的关系。 - -当我们在递归地寻找每个子问题的最优解的时候，有可能会重复地遇到一些更小的子问题，而且这些子问题会重叠地出现在子问题里，出现这样的情况，会有很多重复的计算，动态规划可以保证每个重叠的子问题只会被求解一次。当重复的问题很多的时候，动态规划可以减少很多重复的计算。 - -重复子问题不是保证解的正确性必须的，但是如果递归求解子问题时，没有出现重复子问题，则没有必要用动态规划，直接普通的递归就可以了。 - -例如，斐波那契问题的状态转移方程 f(n) = f(n - 1) + f(n - 2)。在求 f(5) 时，需要先求子问题 f(4) 和 f(3)，得到结果后再组合成原问题 f(5) 的解。递归地求 f(4) 时，又要先求子问题 f(3) 和 f(2) ，这里的 f(3) 与求 f(5) 时的子问题重复了。 - -![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/09/1-2.png) - -解决动态规划问题的核心：找出子问题及其子问题与原问题的关系 - -找到了子问题以及子问题与原问题的关系，就可以递归地求解子问题了。但重叠的子问题使得直接递归会有很多重复计算，于是就想到记忆化递归法：若能事先确定子问题的范围就可以建表存储子问题的答案。 - -动态规划算法中关于最优子结构和重复子问题的理解的关键点： - -1. 证明问题的方案中包含一种选择，选择之后留下一个或多个子问题 -2. 设计子问题的递归描述方式 -3. 证明对原问题的最优解包括了对所有子问题的最优解 -4. 证明子问题是重叠的（这一步不是动态规划正确性必需的，但是如果子问题无重叠，则效率与一般递归是相同的） - - - - - -## 线性动态规划 - -### 线性动态规划简介 - -线性动态规划的主要特点是状态的推导是按照问题规模 i 从小到大依次推过去的，较大规模的问题的解依赖较小规模的问题的解。 - -这里问题规模为 i 的含义是考虑前 i 个元素 [0..i] 时问题的解。 - -状态定义： - -``` -dp[n] := [0..n] 上问题的解 -``` - - -状态转移： - -``` -dp[n] = f(dp[n-1], ..., dp[0]) -``` - - -从以上状态定义和状态转移可以看出，大规模问题的状态只与较小规模的问题有关，而问题规模完全用一个变量 i 表示，i 的大小表示了问题规模的大小，因此从小到大推 i 直至推到 n，就得到了大规模问题的解，这就是线性动态规划的过程。 - -按照问题的输入格式，线性动态规划解决的问题主要是单串，双串，矩阵上的问题，因为在单串，双串，矩阵上问题规模可以完全用位置表示，并且位置的大小就是问题规模的大小。因此从前往后推位置就相当于从小到大推问题规模。 - -线性动态规划是动态规划中最基本的一类。问题的形式、dp 状态和方程的设计、以及与其它算法的结合上面变化很多。按照 dp 方程中各个维度的含义，可以大致总结出几个主流的问题类型，见后面的小节。除此之外还有很多没有总结进来的变种问题，小众问题，和困难问题，这些问题的解法更多地需要结合自己的做题经验去积累，除此之外，常见的，主流的问题和解法都可以总结成下面的四个小类别。 - - - - - -### 单串 - -单串 dp[i] 线性动态规划最简单的一类问题，输入是一个串，状态一般定义为 dp[i] := 考虑[0..i]上，原问题的解，其中 i 位置的处理，根据不同的问题，主要有两种方式： - -- 第一种是 i 位置必须取，此时状态可以进一步描述为 dp[i] := 考虑[0..i]上，且取 i，原问题的解； - -- 第二种是 i 位置可以取可以不取 - -大部分的问题，对 i 位置的处理是第一种方式，例如力扣： - -- 70 爬楼梯问题 -- 801 使序列递增的最小交换次数 -- 790 多米诺和托米诺平铺 -- 746 使用最小花费爬楼梯 - -线性动态规划中单串 dp[i] 的问题，状态的推导方向以及推导公式如下 - -![状态推导方向1](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/06/2-2-1.png) - - - -#### 1. 依赖比 i 小的 O(1) 个子问题 - -dp[n] 只与常数个小规模子问题有关，状态的推导过程 dp[i] = f(dp[i - 1], dp[i - 2], ...)。时间复杂度 O(n)O(n)，空间复杂度 O(n)O(n) 可以优化为 O(1)O(1)，例如上面提到的 70, 801, 790, 746 都属于这类。 - -如图所示，虽然紫色部分的 dp[i-1], dp[i-2], ..., dp[0] 均已经计算过，但计算橙色的当前状态时，仅用到 dp[i-1]，这属于比 i 小的 O(1)O(1) 个子问题。 - -例如，当 f(dp[i-1], ...) = dp[i-1] + nums[i] 时，当前状态 dp[i] 仅与 dp[i-1] 有关。这个例子是一种数据结构前缀和的状态计算方式，关于前缀和的详细内容请参考下一章。 - - - -#### 2. 依赖比 i 小的 O(n) 个子问题 - -dp[n] 与此前的更小规模的所有子问题 dp[n - 1], dp[n - 2], ..., dp[1] 都可能有关系。 - -状态推导过程如下： - -``` -dp[i] = f(dp[i - 1], dp[i - 2], ..., dp[0]) -``` - - -依然如图所示，计算橙色的当前状态 dp[i] 时，紫色的此前计算过的状态 dp[i-1], ..., dp[0] 均有可能用到，在计算 dp[i] 时需要将它们遍历一遍完成计算。 - -其中 f 常见的有 max/min，可能还会对 i-1,i-2,...,0 有一些筛选条件，但推导 dp[n] 时依然是 O(n)O(n) 级的子问题数量。 - -例如： - -- 139 单词拆分 - -- 818 赛车 - -以 min 函数为例，这种形式的问题的代码常见写法如下 - -``` -for i = 1, ..., n - for j = 1, ..., i-1 - dp[i] = min(dp[i], f(dp[j]) -``` - -时间复杂度 *O*(*n*2)，空间复杂度 O*(*n) - - - -#### 单串 dp[i] 经典问题 - -以下内容将涉及到的知识点对应的典型问题进行讲解，题目和解法具有代表性，可以从一个问题推广到一类问题。 - -1. 依赖比 i 小的 O(1) 个子问题 - -> 53. 最大子数组和 -> -> 给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。 - -一个数组有很多个子数组，求哪个子数组的和最大。可以按照子数组的最后一个元素来分子问题，确定子问题后设计状态 - -``` -dp[i] := [0..i] 中，以 nums[i] 结尾的最大子数组和 -``` - - -状态的推导是按照 i 从 0 到 n - 1 按顺序推的，推到 dp[i]，时，dp[i - 1], ..., dp[0] 已经计算完。因为子数组是连续的，所以子问题 dp[i] 其实只与子问题 dp[i - 1] 有关。如果 [0..i-1] 上以 nums[i-1] 结尾的最大子数组和(缓存在 dp[i-1] )为非负数，则以 nums[i] 结尾的最大子数组和就在 dp[i-1] 的基础上加上 nums[i] 就是 dp[i] 的结果否则以 i 结尾的子数组就不要 i-1 及之前的数，因为选了的话子数组的和只会更小。 - -按照以上的分析，状态的转移可以写出来，如下 - -``` -dp[i] = nums[i] + max(dp[i - 1], 0) -``` - -这个是单串 dp[i] 的问题，状态的推导方向，以及推导公式如下 - -![状态推导方向1](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/09/2-2-1.png) - -在本题中，f(dp[i-1], ..., dp[0]) 即为 max(dp[i-1], 0) + nums[i]，dp[i] 仅与 dp[i-1] 1 个子问题有关。因此虽然紫色部分的子问题已经计算完，但是推导当前的橙色状态时，只需要 dp[i-1] 这一个历史状态。 - - - -2. 依赖比 i 小的 O(n) 个子问题 - -> 30. 最长上升子序列 -> -> 给定一个无序的整数数组，找到其中最长上升子序列的长度。 - -输入是一个单串，首先思考单串问题中设计状态 dp[i] 时拆分子问题的方式：枚举子串或子序列的结尾元素来拆分子问题，设计状态 dp[i] := 在子数组 [0..i] 上，且选了 nums[i] 时，的最长上升子序列。 - -因为子序列需要上升，因此以 i 结尾的子序列中，nums[i] 之前的数字一定要比 nums[i] 小才行，因此目标就是先找到以此前比 nums[i] 小的各个元素，然后每个所选元素对应一个以它们结尾的最长子序列，从这些子序列中选择最长的，其长度加 1 就是当前的问题的结果。如果此前没有比 nums[i] 小的数字，则当前问题的结果就是 1 。 - -按照以上的分析，状态的转移方程可以写出来，如下 - -![](/Users/apple/Desktop/screenshot/截屏2021-11-11 下午4.57.53.png) - -其中 0 <= j < i, nums[j] < nums[i]。 - -本题依然是单串 dp[i] 的问题，状态的推导方向，以及推导公式与上一题的图示相同， - -状态的推导依然是按照 i 从 0 到 n-1 推的，计算 dp[i] 时，dp[i-1], dp[i-2], ..., dp[0] 依然已经计算完。 - -但本题与上一题的区别是推导 dp[i] 时，dp[i-1]. dp[i-2], ..., dp[0] 均可能需要用上，即，因此计算当前的橙色状态时，紫色部分此前计算过的状态都可能需要用上。 - - - -#### 单串相关练习题 - -- 最经典单串 LIS 系列 -- 最大子数组和系列 -- 打家劫舍系列 -- 变形：需要两个位置的情况 -- 与其它算法配合 -- 其它单串 dp[i] 问题 -- 带维度单串 dp[i][k] -- 股票系列 - - - - - -### 双串 - -有两个输入从串，长度分别为 m, n，此时子问题需要用 i, j 两个变量表示，分别代表第一个串和第二个串考虑的位置 dp[i][j]:=第一串考虑[0..i]，第二串考虑[0..j]时，原问题的解 - -较大规模的子问题只与常数个较小规模的子问题有关，其中较小规模可能是 i 更小，或者是 j 更小，也可以是 i，j 同时变小。 -其中一种最常见的状态转移形式：推导 dp[i][j] 时，dp[i][j] 仅与 dp[i-1][j], dp[i][j-1], dp[i-1][j-1]，例如 - -- 72 编辑距离 -- 712 两个字符串的最小 ASCII 删除和 - -线性动态规划中双串 dp[i][j] 的问题，状态的推导方向以及推导公式如下 - -![状态推导方向2](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/06/2-2-2.png) - -如图所示，绿色部分的 dp\[i-1 ~ 0][j-1 ~ 0] 均已经计算过，但计算橙色的当前状态时，仅用到 dp\[i-1][j], dp\[i][j-1], dp\[i-1][j-1]，即比 i, j 小的 O(1)个子问题。 - -这种形式的线性 DP 的代码常见写法 - -``` -for i = 1..m - for j = 1..n - dp[i][j] = f(dp[i-1][j-1], dp[i-1][j], dp[i][j-1]) - -``` - -时间复杂度 O(mn)，空间复杂度 O(mn) - -以上是 O(1) 转移的情况，即计算 dp\[i][j] 时，虽然绿色部分的子问题均已经计算完，但只需要用到 dp\[i-1][j], dp\[i][j-1], dp\[i-1][j-1]。也可能出现更高复杂度的转移，类似单串中依赖比 i 小的 O(n)) 个子问题的情况。 - - - -#### 双串 dp\[i][j] 经典问题 - -以下将涉及到的知识点对应的典型问题进行讲解，题目和解法具有代表性，可以从一个问题推广到一类问题。 - -1143. > 1143. 最长公共子序列 - > - > 给定两个字符串 text1 和 text2，返回这两个字符串的最长公共子序列的长度。 - -输入是双串，首先思考双串问题中设计状态 dp\[i][j] 时拆分子问题的方式：枚举第一串的子序列的结尾和第二串的子序列的结尾来拆分子问题，设计状态 dp\[i][j] := text1 考虑 [0..i], text2 考虑 [0..j] 时，原问题的解，即 LCS 长度 - -这个是单串 dp\[i][j] 的问题，状态的推导方向，以及推导公式如下 - -![状态推导方向2](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/06/2-2-2.png) - - - -状态的推导是按照 i 从 0 到 n - 1、j 从 0 到 m - 1 顺序推的，推到 dp\[i][j] 时，dp\[i - 1 .. 0][j - 1 .. 0] 均已经计算完。 - -因为两个子序列需要相同，若两个串的末尾元素相同，则可以选择 text1[i] 和 text2[j]，此时再根据此前已经 text1[0..i-1] 和 text[0..j-1] 的 LCS 长度。若两个串的末尾元素不同，则 text1[i] 和 text2[j] 中只能选一个， - -若选了 text1[i]，则 text2 只能取到 j-1，此时 dp[i-1][j] 的结果就是当前状态 dp[i][j] 的结果。 -若选了 text2[j]，则 text1 只能取到 i-1，此时 dp[i][j-1] 的结果就是当前状态 dp[i][j] 的结果。 -两个结果要取一个最长的。 - -按照以上的分析，状态的转移方程可以写出来，如下 - -``` -dp[i][j] = -1. dp[i-1][j-1] + 1 (text1[i] == text2[j]) -2. max(dp[i][j-1], dp[i-1][j]) (text1[i] != text2[j]) -两者取较大值 -``` - - - -> 72. 编辑距离 -> 给你两个单词 word1 和 word2，请你计算出将 word1 转换成 word2 所使用的最少操作数 。 -> -> 你可以对一个单词进行如下三种操作： -> -> 插入一个字符 -> 删除一个字符 -> 替换一个字符 - -输入是双串，首先思考双串问题中设计状态 dp[i][j] 时拆分子问题的方式：枚举第一串的子序列的结尾和第二串的子序列的结尾来拆分子问题，设计状态 dp[i][j] := word1 考虑 [0..i], word2 考虑 [0..j] 时，原问题的解，即 word1 转换成 word2 的最少操作数 - -这个是单串 dp[i][j] 的问题，状态的推导方向，以及推导公式与上一题的图示相同 - -同样地，状态的推导是按照 i 从 0 到 n - 1、j 从 0 到 m - 1 顺序推的，推到 dp[i][j] 时，dp[i - 1 .. 0][j - 1 .. 0] 均已经计算完。 - -因为操作之后两个 word 需要相同，如果两个串的末尾元素 word1[i] 和 word2[j] 不相同，则可以在 word1 的末尾元素上使用插入，删除，替>换这三种操作，操作数都要 + 1，如果两个串的末尾元素 word1[i] 和 word2[j] 相同，依然可以在 word1 的末尾元素上使用插入，删除，替换这三种操作，但是此时如果使用改，则操作数不 +1，因为两个末尾元素已经相等了。 - -按照以上的分析，状态的转移方程可以写出来，如下 - -``` -dp[i][j] = -1. dp[i][j-1] + 1 (最后一步是插入) -2. dp[i-1][j] + 1 (最后一步是删) -3. dp[i-1][j-1] + 1 (最后一步是改，且 word1[i] != word2[j]) -4. dp[i-1][j-1] (最后一步是改，且 word1[i] == word2[j]) -取较小值 -``` - - - -## 双串相关练习题 - -1. 最经典双串 LCS 系列 -2. 字符串匹配系列 -3. 其它双串 dp[i][j] 问题 -4. 带维度双串 dp[i][j][k] - - - - - -## 前缀和 - -前缀和是一种查询数组中任意区间的元素的和的数据结构，这里数组给定之后就不变了。针对这个不变的数组，前缀和用于多次查询区间 [i, j] 上元素的和。 - -对于动态规划而言，前缀和的意义主要有两点： - -一维和二维前缀和的推导，分别用到了单串和矩阵中最经典的状态设计以及状态转移； -在一些更复杂的动态规划问题中，状态转移的时候需要依赖区间和，因为状态转移是非常频繁的操作，因此必须高效地求区间和才能使得状态转移的时间复杂度可接受，此时就必须用到前缀和了。 -除此之外，一些问题需要前缀和与其它数据结构配合来解决，也有两类： - -先预处理出前缀和数组，这一步是动态规划，然后在前缀和数组上用其它数据结构解决； -还是按照动态规划的方式求前缀和，也需要额外的数据结构维护前缀和，但不是预处理好前缀和数组之后再用数据结构计算，而是每求出一个前缀和，就更新一次数据结构并维护答案。 -前缀和的推导和计算隐含着动态规划的基本思想，同时它的状态设计是线性动态规划中比较简单的那一类。与线性动态规划一样，前缀和也有一维和二维两种场景。 -虽然前缀和本身很简单，但需要用到它解决的问题非常多，与其它数据结构配合的变化也很多，因此需要从线性动态规划中剥离出来单独学习。 - - - - - -## 区间动态规划 - -在输入为长度为 n 的数组时，子问题用区间 [i..j] 表示。 -状态的定义和转移都与区间有关，称为区间动态规划 - - - -### 区间动态规划简介 - -区间 DP 是状态的定义和转移都与区间有关，其中区间用两个端点表示。 - -状态定义 dp\[i][j] = [i..j] 上原问题的解。i 变大，j 变小都可以得到更小规模的子问题。 - -对于单串上的问题，我们可以对比一下线性动态规划和区间动态规划。线性动态规划, 一般是定义 dp[i]， 表示考虑到前 i 个元素，原问题的解，i 变小即得到更小规模的子问题，推导状态时候是从前往后，即 i 从小到大推的。区间动态规划，一般是定义 dp[i][j]，表示考虑 [i..j] 范围内的元素，原问题的解增加 i，减小 j 都可以得到更小规模的子问题。推导状态一般是按照区间长度从短到长推的。 - -区间动态规划的状态设计，状态转移都与线性动态规划有明显区别，但是由于这两种方法都经常用在单串问题上，拿到一个单串的问题时，往往不能快速地判断到底是用线性动态规划还是区间动态规划，这也是区间动态规划的难点之一。 - -状态转移，推导状态 dp\[i][j] 时，有两种常见情况 - -#### 1. dp\[i][j] 仅与常数个更小规模子问题有关 - -一般是与 dp\[i + 1][j], dp\[i][j - 1], dp\[i + 1][j - 1] 有关。 - -dp\[i][j] = f(dp\[i + 1][j], dp\[i][j - 1], dp\[i + 1][j - 1]) - -![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/06/4-1-1.png) - -代码常见写法 - -``` -for len = 1..n - for i = i..len - j = i + len - 1 - dp[i][j] = max(dp[i][j], f(dp[i+1][j], dp[i][j-1], dp[i+1][j-1])) - -``` - -时间复杂度和空间复杂度均为 O(n^{2})*O*(*n*2) - -例如力扣第 516 题，详细过程参考下一节。 - - - -#### 2. dp\[i][j] 与 O(n) 个更小规模子问题有关 - -一般是枚举 [i,j] 的分割点，将区间分为 [i,k] 和 [k+1,j]，对每个 k 分别求解（下面公式的 f），再汇总（下面公式的 g）。 - -dp\[i][j] = g(f(dp\[i][k], dp\[k + 1][j])) 其中 k = i .. j-1。 - -![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/06/4-1-2.png) - -代码常见写法, 以下代码以 f 为 max 为例 - -``` -for len = 1..n - for i = i..len - j = i + len - 1 - for k = i..j - dp[i][j] = max(dp[i][j], f(dp[i][k], dp[k][j])) -``` - -时间复杂度可以达到 O(n^3)，空间复杂度还是 O(n^2) - -例如力扣第 664 题，详细过程参考下一节 - - - -#### 总结 - -区间动态规划一般用在单串问题上，以区间 [i, j] 为单位思考状态的设计和转移。它与线性动态规划在状态设计和状态转移上都有明显的不同，但由于这两个方法都经常用在单串问题上，导致我们拿到一个单串的问题时，经常不能快速反映出应该用哪种方法。这是区间动态规划的难点之一，但是这个难点也是好解决的，就是做一定数量的练习题，因为区间动态规划的题目比线性动态规划少很多，并且区间动态规划的状态设计和转移都比较朴素，变化也比线性动态规划少很多，所以通过不多的题目数量就可以把区间动态规划常见的方法和变化看个大概了。 - -后续节介绍区间动态规划的几个典型例题，学习区间动态规划问题常见的模式。 -并且配有力扣上出现的区间动态规划的练习题，加深理解。 - - - -### 区间动态规划经典问题 - -#### 大规模问题与常数个小规模问题有关 - -最常见的形式如下： - -推导 dp\[i][j] 时，需要用到 dp\[i][j-1], dp\[i+1][j], dp\[i+1][j-1] 三个子问题 - -> 最长回文子序列 -> 此问题在力扣上也有，是 516 题。 -> 考虑一个字符串 s 的所有子序列, 这些子序列中最长的回文子序列长度是多少 - -这个问题如果用线性动态规划的经典思路，状态如下： -dp[i] := 考虑 [0..i] , 原文题的答案 -但是此后我们就遇到了困难，会发现这个状态有些难以转移 - -而如果考虑区间动态规划，状态如下： -dp[i][j] := 区间 [i..j] 上, 原问题的答案 -转移的时候，考虑 dp\[i][j-1], dp\[i+1][j], dp\[i+1][j-1] 这三个子问题，这是考虑把边界去掉的模式，回文的特点恰好时候这种模式， -根据两个边界的元素关系可以得到转移方程如下： - -``` -dp\[i][j] = dp\[i + 1][j - 1] + 2; if(s[i] == s[j]) -dp\[i][j] = max(dp\[i + 1][j], dp\[i][j - 1]); if(s[i] != s[j]) -``` - -回文是用区间动态规划解决的常见问题，有很多变种，下一节中列出的练习题有很多类似的。 - -#### 大规模问题与 O(n) 个小规模问题有关 - -推导 dp\[i][j] 时，需要 [i..j] 的所有子区间信息，其中子区间的其中一个端点与原区间重合，共 O(n)O(n) 个子区间 - -最常见的形式 -dp\[i][j] = g(f(dp\[i][k], dp\[k][j])) 其中 k = i+1 .. j-1。 - -其中 g 常见的有 max/min，例如 664 就是 min - -下面就以 664 题讲解这种模式的思考方式 - -奇怪的打印机 -有台奇怪的打印机有以下两个特殊要求： - -打印机每次只能打印同一个字符序列。 -每次可以在任意起始和结束位置打印新字符，并且会覆盖掉原来已有的字符。 -给定一个只包含小写英文字母的字符串 s，你的任务是计算这个打印机打印它需要的最少次数。 - -首先区间动态规划的状态定义与前面一样，还是经典的定义方式，状态定义模式化这也是区间动态规划的一个特点。 - -dp\[i][j] := 打印出 [i..j] 上的字符需要的最少次数 -在转移时，枚举中间的切分位置 k，考虑 i 边界以及中间枚举的切分位置 k 转移时的情况 - -i 要自己涂一次，则 dp\[i][j] = 1 + dp\[i + 1][j] -其中第一项 1 表示 i 位置单独花费一次次数 -i 与中间的某个切分位置 k 一起打印 (条件是 s[i] = s[k])，则 dp\[i][j] = dp\[i+1][k] + dp\[k+1][j] -其中第一项 dp\[i+1][k] 表示 i 位置跟着 k 一起转移了，不在单独考虑 i 花费的次数了 -综合以上分析可以写出状态转移方程如下 - -``` -dp\[i][j] = dp\[i + 1][j] + 1; -dp\[i][j] = min(dp\[i][j], dp\[i + 1][k] + dp\[k + 1][j]); 其中 i < k <= j 且 s[i] == s[k] -``` - - - -#### 总结 - -本小节通过两个例题介绍了区间动态规划的状态转移的两种模式。这两种模式基本上就涵盖了大部分区间动态规划问题，后续节整理了力扣上出现的区间动态规划问题，通过这些题的练习，区间动态规划就可以掌握的差不多了。 - - - -### 回文相关问题 - -以下六道题是力扣上利用区间动态规划解决的与回文相关的问题。 - -- 最长回文子串 -- 回文子串 -- 最长回文子序列 -- 段式回文 -- 统计不同回文子字符串 -- 让字符串成为回文串的最少插入次数 —— 最长回文子序列 - - - diff --git a/docs/data-structure-algorithms/README.md b/docs/data-structure-algorithms/README.md index 315fd6d525..c306a84679 100644 --- a/docs/data-structure-algorithms/README.md +++ b/docs/data-structure-algorithms/README.md @@ -1,119 +1,546 @@ -# 数据结构开篇 +--- +title: 数据结构与算法：Java开发者的必备修炼 +date: 2025-05-09 +categories: Algorithm +--- + +# 🚀 数据结构与算法开篇 + +![数据结构与算法](https://images.unsplash.com/photo-1518186233392-c232efbf2373?w=800&h=400&fit=crop&crop=center) + +> 💡 **关于怎么刷题的帖子**： +> +> - 📖 《论如何4个月高效刷满 500 题并形成长期记忆》 https://leetcode-cn.com/circle/discuss/jq9Zke/ + +--- + +## 🎯 专栏介绍 + +本专栏致力于为Java开发者提供全面的数据结构与算法学习资源，涵盖从基础概念到高级应用的完整知识体系。通过系统性的学习和实践，帮助开发者提升编程能力，掌握解决复杂问题的核心技能。 + +### 📚 专栏特色 + +- 🎯 **系统性学习**：从基础到进阶，循序渐进 +- 💻 **Java实现**：所有代码示例均使用Java语言 +- 🔥 **实战导向**：结合LeetCode经典题目 +- 📊 **可视化理解**：丰富的图表和动画演示 +- 🎨 **美观排版**：精心设计的文档格式 + +--- + +## 📊 第一部分：数据结构分类 + +数据结构是计算机存储、组织数据的方式，是算法的基础。掌握各种数据结构的特点和应用场景，是成为优秀程序员的必经之路。 + +### 📏 线性数据结构 + +线性数据结构是指数据元素之间存在一对一关系的数据结构，元素按线性顺序排列。 + +#### 📋 1. 数组 (Array) +``` +数组结构示意图： +Index: [0] [1] [2] [3] [4] +Value: [12][45][78][23][56] + ↑ ↑ ↑ ↑ ↑ + 连续的内存地址空间 +``` +- **特点**：连续存储，支持随机访问 +- **时间复杂度**：访问O(1)，插入/删除O(n) +- **Java实现**：`int[]`、`ArrayList` + +#### 🔗 2. 链表 (Linked List) +``` +单链表结构示意图： +[Data|Next] -> [Data|Next] -> [Data|Next] -> null + | | | + 节点1 节点2 节点3 + +双链表结构示意图： +null <- [Prev|Data|Next] <-> [Prev|Data|Next] <-> [Prev|Data|Next] -> null +``` +- **特点**：动态存储，插入删除高效 +- **时间复杂度**：访问O(n)，插入/删除O(1) +- **Java实现**：`LinkedList` + +#### 📚 3. 栈 (Stack) +``` +栈结构示意图： + | | <- top (栈顶) + | C | + | B | + | A | + |_____| <- bottom (栈底) + +操作：LIFO (后进先出) +``` +- **特点**：后进先出(LIFO) +- **时间复杂度**：push/pop/peek都是O(1) +- **Java实现**：`Stack`、`Deque` + +#### 🚶 4. 队列 (Queue) +``` +队列结构示意图： +出队 <- [A][B][C][D] <- 入队 + front rear + +操作：FIFO (先进先出) +``` +- **特点**：先进先出(FIFO) +- **时间复杂度**：enqueue/dequeue都是O(1) +- **Java实现**：`Queue`、`LinkedList` + +### 🌳 非线性数据结构 + +非线性数据结构是指数据元素之间存在一对多或多对多关系的数据结构，形成复杂的层次或网状结构。 + +#### 🌲 5. 二叉树 (Binary Tree) +``` +二叉树结构示意图： + A (根节点) + / \ + B C + / \ / \ + D E F G (叶子节点) + +层次： +第0层： A +第1层： B C +第2层： D E F G +``` +- **特点**：每个节点最多有两个子节点 +- **时间复杂度**：搜索/插入/删除O(logn)~O(n) +- **Java实现**：`TreeMap`、`TreeSet` + +#### 🏔️ 6. 堆 (Heap) +``` +最大堆示意图： + 90 + / \ + 80 70 + / \ / \ + 60 50 40 30 + +特点：父节点 >= 子节点 (最大堆) +数组表示：[90,80,70,60,50,40,30] +``` +- **特点**：完全二叉树，堆序性质 +- **时间复杂度**：插入/删除O(logn)，查找最值O(1) +- **Java实现**：`PriorityQueue` + +#### 🕸️ 7. 图 (Graph) +``` +无向图示意图： + A --- B + /| |\ + / | | \ + D | | C + | | / + E --- F + +邻接矩阵表示： + A B C D E F +A [ 0 1 0 1 1 0 ] +B [ 1 0 1 0 0 1 ] +C [ 0 1 0 0 0 1 ] +D [ 1 0 0 0 1 0 ] +E [ 1 0 0 1 0 1 ] +F [ 0 1 1 0 1 0 ] +``` +- **特点**：顶点和边的集合，表示复杂关系 +- **时间复杂度**：遍历O(V+E)，最短路径O(V²) +- **Java实现**：`Map>` + +#### 🗂️ 8. 哈希表 (Hash Table) +``` +哈希表结构示意图： +Hash函数：key → hash(key) % size → index + +Key: "apple" → hash("apple") = 5 → index: 5 % 8 = 5 +Key: "banana" → hash("banana")= 3 → index: 3 % 8 = 3 + +Table: +[0] → null +[1] → null +[2] → null +[3] → "banana" → value +[4] → null +[5] → "apple" → value +[6] → null +[7] → null + +冲突处理（链地址法）： +[3] → ["banana",value1] → ["grape",value2] → null +``` +- **特点**：基于键值对，快速查找 +- **时间复杂度**：平均O(1)，最坏O(n) +- **Java实现**：`HashMap`、`HashSet` + +--- + +## ⚡ 第二部分：常见算法 + +算法是解决问题的步骤和方法，是程序设计的核心。掌握各种算法的思想和实现，能够帮助我们高效地解决各种复杂问题。 + +### 🔢 1. 排序算法 + +排序算法是计算机科学中最基础也是最重要的算法之一，掌握各种排序算法的特点和应用场景至关重要。 + +| 算法 | 时间复杂度（平均） | 时间复杂度（最坏） | 空间复杂度 | 稳定性 | +|------|-------------------|-------------------|------------|--------| +| 冒泡排序 | O(n²) | O(n²) | O(1) | 稳定 | +| 选择排序 | O(n²) | O(n²) | O(1) | 不稳定 | +| 插入排序 | O(n²) | O(n²) | O(1) | 稳定 | +| 快速排序 | O(nlogn) | O(n²) | O(logn) | 不稳定 | +| 归并排序 | O(nlogn) | O(nlogn) | O(n) | 稳定 | +| 堆排序 | O(nlogn) | O(nlogn) | O(1) | 不稳定 | +| 计数排序 | O(n+k) | O(n+k) | O(k) | 稳定 | +| 基数排序 | O(nk) | O(nk) | O(n+k) | 稳定 | + +### 🔍 2. 搜索算法 + +搜索算法用于在数据集合中查找特定元素，不同的搜索算法适用于不同的场景。 + +- **线性搜索**：O(n) - 适用于无序数组 +- **二分搜索**：O(logn) - 适用于有序数组 +- **哈希查找**：O(1) - 适用于HashMap/HashSet +- **树搜索**：O(logn) - 适用于二叉搜索树 +- **图搜索**：DFS/BFS - O(V+E) + +### 🕸️ 3. 图算法 + +图算法是处理图结构数据的重要工具，广泛应用于网络分析、路径规划等领域。 + +#### 🔍 3.1 图遍历 +- **深度优先搜索(DFS)**：O(V+E) +- **广度优先搜索(BFS)**：O(V+E) + +#### 🛣️ 3.2 最短路径 +- **Dijkstra算法**：O((V+E)logV) - 单源最短路径 +- **Floyd-Warshall算法**：O(V³) - 全源最短路径 +- **Bellman-Ford算法**：O(VE) - 含负权边 + +#### 🌲 3.3 最小生成树 +- **Prim算法**：O(ElogV) +- **Kruskal算法**：O(ElogE) -![](https://images.pexels.com/photos/163064/play-stone-network-networked-interactive-163064.jpeg?cs=srgb&dl=pexels-163064.jpg&fm=jpg) +#### 📋 3.4 拓扑排序 +- **Kahn算法**：O(V+E) +- **DFS算法**：O(V+E) -## 概念 +### 🎯 4. 动态规划 -**数据**（data）是描述客观事物的数值、字符以及能输入机器且能被处理的各种符号集合。 数据的含义非常广泛，除了通常的数值数据、字符、字符串是数据以外，声音、图像等一切可以输入计算机并能被处理的都是数据。例如除了表示人的姓名、身高、体重等的字符、数字是数据，人的照片、指纹、三维模型、语音指令等也都是数据。 +动态规划是一种通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。 +#### 🏗️ 4.1 基础DP +- **斐波那契数列**：O(n) +- **爬楼梯**：O(n) +- **最大子序和**：O(n) +#### 📝 4.2 序列DP +- **最长递增子序列(LIS)**：O(nlogn) +- **最长公共子序列(LCS)**：O(mn) +- **编辑距离**：O(mn) -**数据元素**（data element）是数据的基本单位，是数据集合的个体，在计算机程序中通常作为一个整体来进行处理。例如一条描述一位学生的完整信息的数据记录就是一个数据元素；空间中一点的三维坐标也可以是一个数据元素。数据元素通常由若干个数据项组成，例如描述学生相关信息的姓名、性别、学号等都是数据项；三维坐标中的每一维坐标值也是数据项。数据项具有原子性，是不可分割的最小单位。 +#### 🎒 4.3 背包问题 +- **0-1背包**：O(nW) +- **完全背包**：O(nW) +- **多重背包**：O(nWlogM) +#### 📏 4.4 区间DP +- **最长回文子串**：O(n²) +- **矩阵链乘法**：O(n³) +### 🎯 5. 贪心算法 -**数据对象**（data object）是性质相同的数据元素的集合，是数据的子集。例如一个学校的所有学生的集合就是数据对象，空间中所有点的集合也是数据对象。 +贪心算法是一种在每一步选择中都采取在当前状态下最好或最优的选择，从而希望导致结果是最好或最优的算法。 +- **活动选择问题**：O(nlogn) +- **分数背包**：O(nlogn) +- **最小生成树(Prim/Kruskal)**：O(ElogV) +- **霍夫曼编码**：O(nlogn) +- **区间调度**：O(nlogn) +### 🔄 6. 分治算法 -**数据结构**（data structure）是指相互之间存在一种或多种特定关系的数据元素的集合。是组织并存储数据以便能够有效使用的一种专门格式，它用来反映一个数据的内部构成，即一个数据由哪些成分数据构成，以什么方式构成，呈什么结构。 +分治算法是一种很重要的算法，字面上的解释是"分而治之"，就是把一个复杂的问题分成两个或更多的相同或相似的子问题。 -由于信息可以存在于逻辑思维领域，也可以存在于计算机世界，因此作为信息载体的数据同样存在于两个世界中。表示一组数据元素及其相互关系的数据结构同样也有两种不同的表现形式，一种是数据结构的逻辑层面，即数据的逻辑结构；一种是存在于计算机世界的物理层面，即数据的存储结构 +- **归并排序**：O(nlogn) +- **快速排序**：O(nlogn) +- **二分搜索**：O(logn) +- **最大子数组和**：O(nlogn) +- **最近点对**：O(nlogn) +### 🔙 7. 回溯算法 +回溯算法是一种通过穷举所有可能情况来找到所有解的算法。当探索到某一步时，发现原先选择并不优或达不到目标，就退回一步重新选择。 -## 逻辑结构和物理结构 +- **N皇后问题**：O(N!) +- **数独求解**：O(9^(n*n)) +- **全排列**：O(n!) +- **子集生成**：O(2^n) +- **组合问题**：O(C(n,k)) -按照视点的不同，我们把数据结构分为逻辑结构和物理结构。 +### 📝 8. 字符串算法 -### 逻辑结构 +字符串算法是处理文本数据的重要工具，广泛应用于文本搜索、模式匹配等领域。 -是指数据对象中数据元素之间的相互关系。其实这也是我们今后最需要关注的问题。分为以下四种： +- **KMP算法**：O(n+m) - 字符串匹配 +- **Rabin-Karp算法**：O(n+m) - 字符串匹配 +- **最长公共前缀**：O(S) - S为所有字符串长度和 +- **字典树(Trie)**：插入/查找 O(m) +- **后缀数组**：O(nlogn) -- 集合结构：集合结构中的数据元素除了同属于一个集合外，他们之间没有其他关系 +### 🧮 9. 数学算法 - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gix1hh13a3j30dy0dw755.jpg) +数学算法是解决数学问题的计算方法，在编程中经常需要用到各种数学算法。 -- 线性结构：数据之间是一对一关系 +- **最大公约数(GCD)**：O(logn) +- **快速幂**：O(logn) +- **素数筛选**：O(nloglogn) +- **模运算**：O(1) +- **组合数学**：O(nlogn) - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gix1hldwtcj30fy080mxc.jpg) +### 🔢 10. 位运算算法 -- 树形结构：数据之间存在一对多的层次关系 +位运算是计算机中最底层的运算，掌握位运算技巧可以写出更高效的代码。 - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gix1hp4ex1j30ik0c20td.jpg) +- **位运算基础**：O(1) +- **状态压缩DP**：O(n*2^m) +- **子集枚举**：O(2^n) +- **位操作技巧**：O(1) -- 图形结构：数据之间多对多的关系 +### 🏗️ 11. 高级数据结构算法 - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gix1hsezzfj30eu0e6gmi.jpg) +高级数据结构算法是建立在基础数据结构之上的复杂算法，能够解决更复杂的问题。 -### 物理结构 +- **并查集**：O(α(n)) - 接近常数时间 +- **线段树**：O(logn) - 区间查询/更新 +- **树状数组**：O(logn) - 前缀和查询 +- **平衡树(AVL/红黑树)**：O(logn) +- **跳表**：O(logn) -是指数据的逻辑结构在计算机中的存储形式。（有时也被叫存储结构） +--- -数据是数据元素的集合，根据物理结构的定义，实际上就是如何把数据元素存储到计算机的存储器中。存储器主要是针对内存而言的，像硬盘、软盘、光盘等外部存储器的数据组织通常用文件结构来描述。 +## 🎯 第三部分：LeetCode经典题目 -数据元素的存储结构形式有两种：顺序存储和链式存储。 +LeetCode是程序员刷题的重要平台，通过系统性的刷题练习，可以快速提升算法能力。以下是按类型分类的经典题目。 -- 顺序存储：把数据元素存放在地址连续的存储单元里，其数据间的逻辑关系和物理关系一致 +### 📋 1. 数组类题目 - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gix1hw6vx7j30j904qjrj.jpg) +数组是最基础的数据结构，掌握数组的各种操作技巧是算法学习的基础。 -- 链式存储：把数据元素存放在任意的存储单元里，这组存储单元可以是连续的，也可以是不连续的。 +#### 🔧 基础操作 +- **1. 两数之和** - 哈希表优化 +- **26. 删除排序数组中的重复项** - 双指针 +- **27. 移除元素** - 双指针 +- **88. 合并两个有序数组** - 双指针 - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gix1i0igvfj30m00i9wfm.jpg) +#### 🔍 搜索与查找 +- **33. 搜索旋转排序数组** - 二分搜索 +- **34. 在排序数组中查找元素的第一个和最后一个位置** - 二分搜索 +- **35. 搜索插入位置** - 二分搜索 +- **153. 寻找旋转排序数组中的最小值** - 二分搜索 +#### 👆 双指针技巧 +- **15. 三数之和** - 排序+双指针 +- **16. 最接近的三数之和** - 排序+双指针 +- **18. 四数之和** - 排序+双指针 +- **42. 接雨水** - 双指针 +- **11. 盛最多水的容器** - 双指针 +#### 🪟 滑动窗口 +- **3. 无重复字符的最长子串** - 滑动窗口 +- **76. 最小覆盖子串** - 滑动窗口 +- **209. 长度最小的子数组** - 滑动窗口 +- **438. 找到字符串中所有字母异位词** - 滑动窗口 -## 抽象数据结构类型 +### 🔗 2. 链表类题目 -**数据类型**（data type）是指一组性质相同的值的集合及定义在此集合上的一些操作的总称。例如 Java 语言中就有许多不同的数据类型，包括数值型的数据类型、字符串、布尔型等数据类型。以 Java 中的 int 型为例，int 型的数据元素的集合是[-2147483648,2147483647] 间的整数，定义在其上的操作有加、减、乘、除四则运算，还有模运算等。 +链表是动态数据结构，掌握链表的操作技巧对于理解指针和递归非常重要。 -数据类型是按照值得不同进行划分的。在高级语言中，每个变量、常量和表达式都有各自的取值范围。类型就用来说明变量或表达式取值范围和所能进行的操作。 +#### 🔧 基础操作 +- **206. 反转链表** - 迭代/递归 +- **21. 合并两个有序链表** - 双指针 +- **83. 删除排序链表中的重复元素** - 单指针 +- **82. 删除排序链表中的重复元素 II** - 双指针 -定义数据类型的作用一个是隐藏计算机硬件及其特性和差别，使硬件对于用户而言是透明的，即用户可以不关心数据类型是怎么实现的而可以使用它。定义数据类型的另一个作用是，用户能够使用数据类型定义的操作，方便的实现问题的求解。例如，用户可以使用 Java 定义在 int 型的加法操作完成两个整数的加法运算，而不用关心两个整数的加法在计算机中到底是如何实现的。这样不但加快了用户解决问题的速度，也使得用户可以在更高的层面上 考虑问题。 +#### 👆 双指针技巧 +- **141. 环形链表** - 快慢指针 +- **142. 环形链表 II** - 快慢指针 +- **160. 相交链表** - 双指针 +- **19. 删除链表的倒数第 N 个结点** - 快慢指针 -**抽象数据类型**（abstract data type, 简称 ADT）由一种数据模型和在该数据模型上的一组操作组成。 +#### 🔄 复杂操作 +- **234. 回文链表** - 快慢指针+反转 +- **143. 重排链表** - 找中点+反转+合并 +- **148. 排序链表** - 归并排序 +- **23. 合并K个排序链表** - 分治/优先队列 + +### 📚 3. 栈与队列类题目 + +栈和队列是重要的线性数据结构，在算法中有着广泛的应用。 -抽象数据类型一方面使得使用它的人可以只关心它的逻辑特征，不需要了解它的实现方式。另一方面可以使我们更容易描述现实世界，使得我们可以在更高的层面上来考虑问题。 例如可以使用树来描述行政区划，使用图来描述通信网络。 - - - -## 数据结构分类 - -- 数组 -- 栈 -- 链表 -- 队列 -- 树 -- 图 -- 堆 -- 散列表 - - - -# 算法 - -算法设计是最具创造性的工作之一，人们解决任何问题的思想、方法和步骤实际上都可以认为是算法。人们解决问题的方法有好有坏，因此算法在性能上也就有高低之分。 - -## 概念 - -算法（algorithm）是指令的集合，是为解决特定问题而规定的一系列操作。它是明确定义的可计算过程，以一个数据集合作为输入，并产生一个数据集合作为输出。一个算法通常来说具有以下五个特性： - -- 输入：一个算法应以待解决的问题的信息作为输入。 -- 输出：输入对应指令集处理后得到的信息。 -- 可行性：算法是可行的，即算法中的每一条指令都是可以实现的，均能在有限的时间内完成。 -- 有穷性：算法执行的指令个数是有限的，每个指令又是在有限时间内完成的，因此 整个算法也是在有限时间内可以结束的。 -- 确定性：算法对于特定的合法输入，其对应的输出是唯一的。即当算法从一个特定 输入开始，多次执行同一指令集结果总是相同的。 对于随机算法，该特性应当被放宽 - - - -## 算法设计要求 - -- 正确性：算法的正确性是指算法至少应该具有输入、输出和加工处理无歧义、能正确反映问题的需求、能得到问题的正确答案 -- 可读性：算法设计的另一目的是为了便于阅读、理解和交流 -- 健壮性：当输入数据不合法时，算法也能做出相关处理，而不是产生异常或错误结果 -- 时间效率高和存储量低 - - - -![](https://static001.geekbang.org/resource/image/91/a7/913e0ababe43a2d57267df5c5f0832a7.jpg) \ No newline at end of file +#### 📚 栈的应用 +- **20. 有效的括号** - 栈匹配 +- **155. 最小栈** - 辅助栈 +- **225. 用队列实现栈** - 设计问题 +- **232. 用栈实现队列** - 设计问题 + +#### 📈 单调栈 +- **496. 下一个更大元素 I** - 单调栈 +- **503. 下一个更大元素 II** - 单调栈 +- **739. 每日温度** - 单调栈 +- **84. 柱状图中最大的矩形** - 单调栈 + +### 4. 树类题目 + +#### 二叉树遍历 +- **94. 二叉树的中序遍历** - 递归/迭代 +- **144. 二叉树的前序遍历** - 递归/迭代 +- **145. 二叉树的后序遍历** - 递归/迭代 +- **102. 二叉树的层序遍历** - BFS + +#### 二叉树性质 +- **104. 二叉树的最大深度** - DFS +- **111. 二叉树的最小深度** - BFS/DFS +- **226. 翻转二叉树** - DFS +- **101. 对称二叉树** - DFS + +#### 二叉搜索树 +- **98. 验证二叉搜索树** - 中序遍历 +- **700. 二叉搜索树中的搜索** - 二分搜索 +- **701. 二叉搜索树中的插入操作** - 递归 +- **450. 删除二叉搜索树中的节点** - 递归 + +#### 树的路径问题 +- **112. 路径总和** - DFS +- **113. 路径总和 II** - DFS+回溯 +- **124. 二叉树中的最大路径和** - DFS +- **257. 二叉树的所有路径** - DFS+回溯 + +### 5. 图类题目 + +#### 图的遍历 +- **200. 岛屿数量** - DFS/BFS +- **695. 岛屿的最大面积** - DFS/BFS +- **994. 腐烂的橘子** - BFS +- **130. 被围绕的区域** - DFS/BFS + +#### 拓扑排序 +- **207. 课程表** - 拓扑排序 +- **210. 课程表 II** - 拓扑排序 + +#### 联通分量 +- **547. 省份数量** - 并查集/DFS +- **684. 冗余连接** - 并查集 +- **721. 账户合并** - 并查集 + +### 6. 动态规划类题目 + +#### 基础DP +- **70. 爬楼梯** - 基础DP +- **198. 打家劫舍** - 线性DP +- **213. 打家劫舍 II** - 环形DP +- **53. 最大子序和** - Kadane算法 + +#### 序列DP +- **300. 最长递增子序列** - LIS +- **1143. 最长公共子序列** - LCS +- **72. 编辑距离** - 字符串DP +- **5. 最长回文子串** - 区间DP + +#### 背包问题 +- **416. 分割等和子集** - 0-1背包 +- **494. 目标和** - 0-1背包 +- **322. 零钱兑换** - 完全背包 +- **518. 零钱兑换 II** - 完全背包 + +#### 状态机型DP +- **121. 买卖股票的最佳时机** - 状态机DP +- **122. 买卖股票的最佳时机 II** - 状态机DP +- **123. 买卖股票的最佳时机 III** - 状态机DP +- **188. 买卖股票的最佳时机 IV** - 状态机DP + +### 7. 回溯算法类题目 + +#### 排列组合 +- **46. 全排列** - 回溯 +- **47. 全排列 II** - 回溯+去重 +- **77. 组合** - 回溯 +- **78. 子集** - 回溯 + +#### 分割问题 +- **131. 分割回文串** - 回溯+动态规划 +- **93. 复原IP地址** - 回溯 + +#### 棋盘问题 +- **51. N 皇后** - 回溯 +- **37. 解数独** - 回溯 + +### 8. 贪心算法类题目 + +#### 区间问题 +- **435. 无重叠区间** - 贪心 +- **452. 用最少数量的箭引爆气球** - 贪心 +- **55. 跳跃游戏** - 贪心 +- **45. 跳跃游戏 II** - 贪心 + +### 9. 字符串类题目 + +#### 字符串匹配 +- **28. 实现 strStr()** - KMP算法 +- **459. 重复的子字符串** - KMP算法 + +#### 回文串 +- **125. 验证回文串** - 双指针 +- **5. 最长回文子串** - 中心扩展 +- **647. 回文子串** - 中心扩展 + +### 10. 位运算类题目 + +- **136. 只出现一次的数字** - 异或运算 +- **191. 位1的个数** - 位运算 +- **338. 比特位计数** - 位运算+DP +- **461. 汉明距离** - 位运算 + + + +### 🎯 刷题建议 +1. **由易到难**：从Easy开始，逐步提升到Hard +2. **分类练习**：按数据结构和算法类型分类刷题 +3. **反复练习**：重要题目要反复练习，形成肌肉记忆 +4. **总结模板**：每种题型都要总结解题模板 +5. **时间管理**：每天固定时间刷题，保持连续性 +6. **记录总结**：建立错题本，定期回顾总结 + +--- + +## 🛠️ 学习工具推荐 + +### 📚 在线平台 +- [LeetCode中国](https://leetcode-cn.com/) - 主要刷题平台 +- [牛客网](https://www.nowcoder.com/) - 面试真题 +- [AcWing](https://www.acwing.com/) - 算法竞赛 +- [洛谷](https://www.luogu.com.cn/) - 算法学习 + +### 🎥 学习资源 +- [算法可视化](https://visualgo.net/) - 算法动画演示 +- [VisuAlgo](https://visualgo.net/) - 数据结构可视化 +- [算法导论](https://mitpress.mit.edu/books/introduction-algorithms) - 经典教材 +- [算法4](https://algs4.cs.princeton.edu/) - Java实现 + +### 💻 开发工具 +- **IDE**：IntelliJ IDEA、Eclipse +- **调试**：LeetCode插件、本地调试 +- **版本控制**：Git管理代码 +- **笔记**：Markdown记录学习心得 + +--- + +> 💡 **记住**：数据结构和算法是程序员的内功，需要持续练习和积累 +> +> 🚀 **建议**：每天至少刷一道LeetCode，坚持100天必有收获 +> +> 📚 **资源**：[LeetCode中国](https://leetcode-cn.com/) | [算法可视化](https://visualgo.net/) +> +> 🎉 **加油**：相信通过系统性的学习，你一定能够掌握数据结构和算法的精髓！ \ No newline at end of file diff --git a/docs/data-structure-algorithms/Recursion.md b/docs/data-structure-algorithms/Recursion.md deleted file mode 100644 index b139d44ce7..0000000000 --- a/docs/data-structure-algorithms/Recursion.md +++ /dev/null @@ -1,646 +0,0 @@ -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8v4ljyy8g30b408cduy.gif) - -![1.png](https://pic.leetcode-cn.com/86c8ce53d2a91f3d710fdba825333be582a15bd661e9f05a10278bf558fbf1ef-1.png) - -文章目录： - -1. 什么是递归 -2. - - - -**什么是递归** - -递归的基本思想是某个函数直接或者间接地调用自身，这样就把原问题的求解转换为许多性质相同但是规模更小的子问题。我们只需要关注如何把原问题划分成符合条件的子问题，而不需要去研究这个子问题是如何被解决的。递归和枚举的区别在于：枚举是横向地把问题划分，然后依次求解子问题，而递归是把问题逐级分解，是纵向的拆分。 - -**简单地说，就是如果在函数中存在着调用函数本身的情况，这种现象就叫递归。** - -你以前肯定写过递归，只是不知道这就是递归罢了。 - -![Recursion example technology nested virtualization](https://www.noction.com/wp-content/uploads/2018/10/Recursion-example-technology-nested-virtualization.png) - -以阶乘函数为例,如下, 在 factorial 函数中存在着 factorial(n - 1) 的调用，所以此函数是递归函数 - -``` -public int factorial(int n) { - if (n < =1) { - return1; - } - return n * factorial(n - 1) -} -int fibonacci(int n) { -   // Base case -   if (n == 0 || n == 1) return n; - -   // Recursive step -   return fibonacci(n-1) + fibonacci(n-2); -} -``` - -进一步剖析「递归」，先有「递」再有「归」，「递」的意思是将问题拆解成子问题来解决， 子问题再拆解成子子问题，...，直到被拆解的子问题无需再拆分成更细的子问题（即可以求解），「归」是说最小的子问题解决了，那么它的上一层子问题也就解决了，上一层的子问题解决了，上上层子问题自然也就解决了,....,直到最开始的问题解决,文字说可能有点抽象，那我们就以阶层 f(6) 为例来看下它的「递」和「归」。 - -![img](https://mmbiz.qpic.cn/mmbiz_jpg/OyweysCSeLWvDS0Xny7l5kj0Nj4znUDibKqgKHPzVqr7eXnSbuR7icf21OrBa8Fzcc0gF2XP9licCFkG6iaibrC5cgA/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) - -求解问题 f(6), 由于 f(6) = n * f(5), 所以 f(6) 需要拆解成 f(5) 子问题进行求解，同理 f(5) = n * f(4) ,也需要进一步拆分,... ,直到 f(1), 这是「递」，f(1) 解决了，由于 f(2) = 2 f(1) = 2 也解决了,.... f(n)到最后也解决了，这是「归」，所以递归的本质是能把问题拆分成具有**相同解决思路**的子问题，。。。直到最后被拆解的子问题再也不能拆分，解决了最小粒度可求解的子问题后，在「归」的过程中自然顺其自然地解决了最开始的问题。 - - - - 递归原理 - ------- - -> 递归是一种解决问题的有效方法，在递归过程中，函数将自身作为子例程调用 - -你可能想知道如何实现调用自身的函数。诀窍在于，每当递归函数调用自身时，它都会将给定的问题拆解为子问题。递归调用继续进行，直到到子问题无需进一步递归就可以解决的地步。 - -为了确保递归函数不会导致无限循环，它应具有以下属性： - -1. 一个简单的`基本案例（basic case）`（或一些案例） —— 能够不使用递归来产生答案的终止方案。 -2. 一组规则，也称作`递推关系（recurrence relation）`，可将所有其他情况拆分到基本案例。 - -注意，函数可能会有多个位置进行自我调用。 - - - -递归的基本思想是某个函数直接或者间接地调用自身，这样就把原问题的求解转换为许多性质相同但是规模更小的子问题。我们只需要关注如何把原问题划分成符合条件的子问题，而不需要去研究这个子问题是如何被解决的。递归和枚举的区别在于：枚举是横向地把问题划分，然后依次求解子问题，而递归是把问题逐级分解，是纵向的拆分。 - -递归代码最重要的两个特征：结束条件和自我调用。自我调用是在解决子问题，而结束条件定义了最简子问题的答案。 - -``` -int func(你今年几岁) { - // 最简子问题，结束条件 - if (你1999年几岁) return 我0岁; - // 自我调用，缩小规模 - return func(你去年几岁) + 1; -} -``` - - - - - -### 反转字符串(344) - -> 编写一个函数，其作用是将输入的字符串反转过来。输入字符串以字符数组 `char[]` 的形式给出。 -> -> 不要给另外的数组分配额外的空间，你必须**原地修改输入数组**、使用 O(1) 的额外空间解决这一问题。 -> -> 你可以假设数组中的所有字符都是 ASCII 码表中的可打印字符。 -> -> **示例 1：** -> -> ``` -> 输入：["h","e","l","l","o"] -> 输出：["o","l","l","e","h"] -> ``` - - - - - - - - - -# 递归 - -递归实在计算机科学、数学等领域运用非常广泛的一种方法。使用递归的方法解决问题，一般具有这样的特征：我们在寻找一个复杂问题的解时，不能立即给出答案，然后从一个规模较小的相同问题的答案开始，却可以较为容易的求解复杂的问题。 - -我们主要介绍两种基于递归的算法设计技术，即基于归纳的递归和分治法。 - - - -## 概念 - -递归（recursion）是指在定义自身的同时又出现了对自身的引用。如果一个算法直接或间接的调用自己，则称这个算法是一个递归算法。 - -递归算法的实质是把问题分解成规模缩小的同类问题的子问题，然后递归调用方法来表示问题的解。 - -任何一个有意义的递归算法总是两部分组成：**递归调用**和**递归终止条件**。 - - - -## 如何理解递归 - -递归是一种应用非常广泛的算法或者编程技巧。很多数据结构和算法的编码实现都要用到递归，比如DFS深度优先搜索、前中后序二叉树遍历等等。所以搞懂递归对学习一些复杂的数据结构和算法是非常有必要的。 - -案例：*周末带着女朋友去电影院看电影，女朋友问，咱们现在坐在第几排啊？电影院里面太黑了，看不清，没法数，现在怎么办？* - -于是你就问前面一排的人他是第几排，你想只要在他的数字上加一，就知道自己在哪一排了。但是，前面的人也看不清啊，所以他也问他前面的人。就这样一排一排往前问，直到问到第一排的人，说我在第一排，然后再这样一排一排再把数字传回来。直到你前面的人告诉你他在哪一排，于是你就知道答案了。 - -这就是一个非常标准的递归求解问题的分解过程，去的过程叫“递”，回来的过程叫“归”。 - -基本上，所有的递归问题都可以用递推公式来表示。比如上面的案例我们用递推公式将它表示出来就是这样： - -``` -f(n) = f(n-1) + 1 //其中 f(1) = 1 -``` - -f(n) 表示想知道自己在哪一排，f(n-1) 表示前面一排所在的排数，f(1) = 1表示第一排的人知道自己在第一排。有了这个递推公式，我们就可以很轻松地将它改为递归代码： - -``` -int f(int n) { - if (n == 1) return 1; - return f(n - 1) + 1; -} -``` - - - -## 递归需要满足的三个条件 - -只要同时满足以下三个条件，就可以用递归来解决。 - -1. **一个问题的解可以分解为几个子问题的解** - - 何为子问题？子问题就是数据规模更小的问题。比如前面的案例，要知道“自己在哪一排”，可以分解为“前一排的人在哪一排”这样的一个子问题。 - -2. **这个问题与分解之后的子问题，除了数据规模不同，求解思路完全一样** - - 如案例所示，求解“自己在哪一排”的思路，和前面一排人求解“自己在哪一排”的思路是一模一样的。 - -3. **存在递归终止条件** - - 把问题分解为子问题，把子问题再分解为子子问题，一层一层分解下去，不能存在无限循环，这就需要有终止条件。前面的案例：第一排的人知道自己在哪一排，不需要再问别人，f(1) = 1就是递归的终止条件。 - - - -## 怎样编写递归代码 - -写递归代码，可以按三步走： - -**第一要素：明确你这个函数想要干什么** - -对于递归，我觉得很重要的一个事就是，**这个函数的功能是什么**，他要完成什么样的一件事，而这个，是完全由你自己来定义的。也就是说，我们先不管函数里面的代码什么，而是要先明白，你这个函数是要用来干什么。 - -例如，我定义了一个函数 - -``` -// 算 n 的阶乘(假设n不为0) -int f(int n){ - -} -``` - -这个函数的功能是算 n 的阶乘。好了，我们已经定义了一个函数，并且定义了它的功能是什么，接下来我们看第二要素。 - -**第二要素：寻找递归结束条件** - -所谓递归，就是会在函数内部代码中，调用这个函数本身，所以，我们必须要找出**递归的结束条件**，不然的话，会一直调用自己，进入无底洞。也就是说，我们需要找出**当参数为啥时，递归结束，之后直接把结果返回**，请注意，这个时候我们必须能根据这个参数的值，能够**直接**知道函数的结果是什么。 - -例如，上面那个例子，当 n = 1 时，那你应该能够直接知道 f(n) 是啥吧？此时，f(1) = 1。完善我们函数内部的代码，把第二要素加进代码里面，如下 - -``` -// 算 n 的阶乘(假设n不为0) -int f(int n){ - if(n == 1){ - return 1; - } -} -``` - -有人可能会说，当 n = 2 时，那我们可以直接知道 f(n) 等于多少啊，那我可以把 n = 2 作为递归的结束条件吗？ - -当然可以，只要你觉得参数是什么时，你能够直接知道函数的结果，那么你就可以把这个参数作为结束的条件，所以下面这段代码也是可以的。 - -``` -// 算 n 的阶乘(假设n>=2) -int f(int n){ - if(n == 2){ - return 2; - } -} -``` - -注意我代码里面写的注释，假设 n >= 2，因为如果 n = 1时，会被漏掉，当 n <= 2时，f(n) = n，所以为了更加严谨，我们可以写成这样： - -``` -// 算 n 的阶乘(假设n不为0) -int f(int n){ - if(n <= 2){ - return n; - } -} -``` - -**第三要素：找出函数的等价关系式** - -第三要素就是，我们要**不断缩小参数的范围**，缩小之后，我们可以通过一些辅助的变量或者操作，使原函数的结果不变。 - -例如，f(n) 这个范围比较大，我们可以让 f(n) = n * f(n-1)。这样，范围就由 n 变成了 n-1 了，范围变小了，并且为了原函数f(n) 不变，我们需要让 f(n-1) 乘以 n。 - -说白了，就是要找到原函数的一个等价关系式，f(n) 的等价关系式为 n * f(n-1)，即 - -f(n) = n * f(n-1)。 - - - -写递归代码最关键的是**写出递推公式，找到终止条件**，剩下就是将递推公式转化为代码。 - -案例：*假如这里有 n 个台阶，每次你可以跨 1 个台阶或者 2 个台阶，请问走这 n 个台阶有多少种走法？如果有 7 个台阶，你可以 2，2，2，1 这样子上去，也可以 1，2，1，1，2 这样子上去，总之走法有很多，那如何用编程求得总共有多少种走法呢？* - -我们可以根据第一步的走法把所有走法分为两类，第一类是第一步走了1个台阶，另一类是第一步走了2个台阶。所以n个台阶的走法就等于先走1阶后，n-1个台阶的走法 加上先走2阶后，n-2个台阶的走法，用公式表示： - -``` -f(n) = f(n-1) + f(n-2) -``` - -再来看下终止条件。当有一个台阶时，我们不需要再继续递归，就只有一种走法。所以f(1) = 1。这个递归终止条件足够吗？我们试试用n = 2， n = 3这样比较小的数实验一下。 - -n = 2时，f(2) = f(1) + f(0)。如果递归终止条件只有一个f(1) = 1，那f(2)就无法求解了。所以除了f(1) = 1这一个递归终止条件外，还要有f(0) = 1，表示走0个台阶有一种走法，不过这样看起来不符合正常的逻辑思维。所以，我们可以把f(2) = 2作为一种终止条件，表示走2个台阶，只有两种走法，一步走完或者分两步走。 - -所以，递归终止条件就是f(1) = 1，f(2) = 2。这个时候，可以再拿n = 3，n = 4来验证下，这个终止条件是否足够并且正确。 - -我们把递归终止条件和刚刚得到的递推公式放在一起就是这样： - -``` -f(1) = 1; -f(2) = 2; -f(n) = f(n - 1) + f(n - 2); -``` - -最终的递归代码就是这样： - -``` -int f(int n) { - if (n == 1) return 1; - if (n == 2) return 2; - return f(n -1) + f(n - 2); -} -``` - -**写递归代码的关键就是找到如何将大问题分解为小问题的规律，请求基于此写出递推公式，然后再推敲终止条件，最后将递推公式和终止条件翻译成代码**。 - -> 当我们面对一个问题需要分解为多个子问题的时候，递归代码往往没那么好理解，比如第二个案例，人脑几乎没办法把整个“递”和“归”的过程一步一步都想清楚。 -> -> 计算机擅长做重复的事情，所以递归正符合它的胃口。而我们人脑更喜欢平铺直叙的思维方式。当我们看到递归时，我们总想把递归平铺展开，脑子里就会循环，一层一层往下调，然后再一层一层返回，试图想搞清楚计算机每一步都是怎么执行的，这样就很容易被绕进去。 -> -> 对于递归代码，这种试图想清楚整个递和归过程的做法，实际上是进入了一个思维误区。很多时候，我们理解起来比较吃力，主要原因就是自己给自己制造了这种理解障碍。那正确的思维方式应该是怎样的呢？ -> -> 如果一个问题 A 可以分解为若干子问题 B、C、D，可以假设子问题 B、C、D 已经解决，在此基础上思考如何解决问题 A。而且，只需要思考问题 A 与子问题 B、C、D 两层之间的关系即可，不需要一层一层往下思考子问题与子子问题，子子问题与子子子问题之间的关系。屏蔽掉递归细节，这样子理解起来就简单多了。 - -换句话说就是：千万不要跳进这个函数里面企图探究更多细节，否则就会陷入无穷的细节无法自拔，人脑能压几个栈啊。 - -所以，编写递归代码的关键是：**只要遇到递归，我们就把它抽象成一个递推公式，不用想一层层的调用关系，不要试图用人脑去分解递归的每个步骤**。 - - - -## 递归代码要警惕堆栈溢出 - -在实际开发中，编写递归代码我们通常会遇到很多问题，比如堆栈溢出。而堆栈溢出会造成系统性崩溃，后果非常严重。为什么递归代码容易造成堆栈溢出呢？ - -我们知道在函数调用时，会使用栈来保存临时变量。每调用一个函数，都会将临时变量封装为栈帧压入内存栈，等函数执行完成返回时，才出栈。系统栈或者虚拟机栈空间一般都不大。如果递归求解的数据规模很大，调用层次很深，一直压入栈，就会有堆栈溢出的风险，出现`java.lang.StackOverflowError`。 - -如何避免出现堆栈溢出？ - -可以通过在代码中限制递归调用的最大深度的方式来解决这个问题。递归调用超过一定深度(比如1000)之后，我们就不再继续往下递归了，直接返回报错。比如前面电影院的案例，改造后的伪代码如下： - -```c -// 全局变量，表示递归的深度。 -int depth = 0; - -int f(int n) { - ++depth; - if (depth > 1000) throw exception; - - if (n == 1) return 1; - return f(n-1) + 1; -} -``` - -但这种做法并不能完全解决问题，因为最大允许的递归深度跟当前线程剩余的栈空间大小有关，事先无法计算。如果实时计算，代码又会过于复杂，影响到代码的可读性。所以如果最大深度比较小，比如10、50，还可以用这种方法，否则这种方法不是很实用。 - - - -## 递归代码要警惕重复计算 - -使用递归时要注意重复计算的问题，比如案例二，我们把整个递归过程分解一下，那就是这样的： - -![al2](https://static001.geekbang.org/resource/image/e7/bf/e7e778994e90265344f6ac9da39e01bf.jpg) - -从图中，我们可以看到，想要计算f(5)，需要先计算f(4)和f(3)，而计算f(4)还需要计算f(3)，因此，f(3)就被计算了很多次，这就是重复计算的问题。 - -为了解决重复计算，我们可以通过散列表等数据结构来保存已经求解过的f(k)。当递归调用到f(k)时，先看下是否已经求解过了。如果是，则直接从散列表中取值返回，就不再重复计算了。 - -如上思路，改造下刚才的代码： - -``` -public int f(int n) { - if (n == 1) return 1; - if (n == 2) return 2; - - // hasSolvedList 可以理解成一个 Map，key 是 n，value 是 f(n) - if (hasSolvedList.containsKey(n)) { - return hasSovledList.get(n); - } - - int ret = f(n-1) + f(n-2); - hasSovledList.put(n, ret); - return ret; -} -``` - -除了堆栈溢出、重复计算这两个常见的问题，递归代码还有很多别的问题。 - -在时间效率上，递归代码里多了很多函数调用，当这些函数调用的数量较大时，就会积累成一个可观的时间成本。在空间复杂度上，因为递归调用一次就会在内存栈中保存一次现场数据，所以在分析递归代码空间复杂度时，需要额外考虑这部分的开销，比如前面的案例一的递归代码，空间复杂度并不是O(1)，而是O(n)。 - - - -## 案例 - -### 案例1：斐波那契数列 - -> 斐波那契数列的是这样一个数列：1、1、2、3、5、8、13、21、34....，即第一项 f(1) = 1,第二项 f(2) = 1.....,第 n 项目为 f(n) = f(n-1) + f(n-2)。求第 n 项的值是多少。 - -**1、第一递归函数功能** - -假设 f(n) 的功能是求第 n 项的值，代码如下： - -``` -int f(int n){ - -} -``` - -**2、找出递归结束的条件** - -显然，当 n = 1 或者 n = 2 ,我们可以轻易着知道结果 f(1) = f(2) = 1。所以递归结束条件可以为 n <= 2。代码如下： - -``` -int f(int n){ - if(n <= 2){ - return 1; - } -} -``` - -**第三要素：找出函数的等价关系式** - -题目已经把等价关系式给我们了，所以我们很容易就能够知道 f(n) = f(n-1) + f(n-2)。我说过，等价关系式是最难找的一个，而这个题目却把关系式给我们了，这也太容易，好吧，我这是为了兼顾几乎零基础的读者。 - -所以最终代码如下： - -``` -int f(int n){ - // 1.先写递归结束条件 - if(n <= 2){ - return 1; - } - // 2.接着写等价关系式 - return f(n-1) + f(n - 2); -} -``` - -搞定，是不是很简单？ - - - -### 案例2：小青蛙跳台阶 - -> 一只青蛙一次可以跳上1级台阶，也可以跳上2级。求该青蛙跳上一个n级的台阶总共有多少种跳法。 - -**1、第一递归函数功能** - -假设 f(n) 的功能是求青蛙跳上一个n级的台阶总共有多少种跳法，代码如下： - -``` -int f(int n){ - -} -``` - -**2、找出递归结束的条件** - -我说了，求递归结束的条件，你直接把 n 压缩到很小很小就行了，因为 n 越小，我们就越容易直观着算出 f(n) 的多少，所以当 n = 1时，你知道 f(1) 为多少吧？够直观吧？即 f(1) = 1。代码如下： - -``` -int f(int n){ - if(n == 1){ - return 1; - } -} -``` - -**第三要素：找出函数的等价关系式** - -每次跳的时候，小青蛙可以跳一个台阶，也可以跳两个台阶，也就是说，每次跳的时候，小青蛙有两种跳法。 - -第一种跳法：第一次我跳了一个台阶，那么还剩下n-1个台阶还没跳，剩下的n-1个台阶的跳法有f(n-1)种。 - -第二种跳法：第一次跳了两个台阶，那么还剩下n-2个台阶还没，剩下的n-2个台阶的跳法有f(n-2)种。 - -所以，小青蛙的全部跳法就是这两种跳法之和了，即 f(n) = f(n-1) + f(n-2)。至此，等价关系式就求出来了。于是写出代码： - -``` -int f(int n){ - if(n == 1){ - return 1; - } - ruturn f(n-1) + f(n-2); -} -``` - -大家觉得上面的代码对不对？ - -答是不大对，当 n = 2 时，显然会有 f(2) = f(1) + f(0)。我们知道，f(0) = 0，按道理是递归结束，不用继续往下调用的，但我们上面的代码逻辑中，会继续调用 f(0) = f(-1) + f(-2)。这会导致无限调用，进入**死循环**。 - -这也是我要和你们说的，关于**递归结束条件是否够严谨问题**，有很多人在使用递归的时候，由于结束条件不够严谨，导致出现死循环。也就是说，当我们在第二步找出了一个递归结束条件的时候，可以把结束条件写进代码，然后进行第三步，但是**请注意**，当我们第三步找出等价函数之后，还得再返回去第二步，根据第三步函数的调用关系，会不会出现一些漏掉的结束条件。就像上面，f(n-2)这个函数的调用，有可能出现 f(0) 的情况，导致死循环，所以我们把它补上。代码如下： - -``` -int f(int n){ - //f(0) = 0,f(1) = 1，等价于 n<=1时，f(n) = n。 - if(n <= 1){ - return n; - } - ruturn f(n-1) + f(n-2); -} -``` - -有人可能会说，我不知道我的结束条件有没有漏掉怎么办？别怕，多练几道就知道怎么办了。 - -看到这里有人可能要吐槽了，这两道题也太容易了吧？？能不能被这么敷衍。少侠，别走啊，下面出道难一点的。 - -### 案例3：反转单链表。 - -> 反转单链表。例如链表为：1->2->3->4。反转后为 4->3->2->1 - -链表的节点定义如下： - -``` -class Node{ - int date; - Node next; -} -``` - -虽然是 Java语言，但就算你没学过 Java，我觉得也是影响不大，能看懂。 - -还是老套路，三要素一步一步来。 - -**1、定义递归函数功能** - -假设函数 reverseList(head) 的功能是反转但链表，其中 head 表示链表的头节点。代码如下： - -``` -Node reverseList(Node head){ - -} -``` - -**2. 寻找结束条件** - -当链表只有一个节点，或者如果是空表的话，你应该知道结果吧？直接啥也不用干，直接把 head 返回呗。代码如下： - -``` -Node reverseList(Node head){ - if(head == null || head.next == null){ - return head; - } -} -``` - -**3. 寻找等价关系** - -这个的等价关系不像 n 是个数值那样，比较容易寻找。但是我告诉你，它的等价条件中，一定是范围不断在缩小，对于链表来说，就是链表的节点个数不断在变小，所以，如果你实在找不出，你就先对 reverseList(head.next) 递归走一遍，看看结果是咋样的。例如链表节点如下 - -![img](https://user-gold-cdn.xitu.io/2019/3/12/1697218c0d3c1f06?w=598&h=152&f=png&s=17604) - -我们就缩小范围，先对 2->3->4递归下试试，即代码如下 - -``` -Node reverseList(Node head){ - if(head == null || head.next == null){ - return head; - } - // 我们先把递归的结果保存起来，先不返回，因为我们还不清楚这样递归是对还是错。， - Node newList = reverseList(head.next); -} -``` - -我们在第一步的时候，就已经定义了 reverseLis t函数的功能可以把一个单链表反转，所以，我们对 2->3->4反转之后的结果应该是这样： - -![img](https://user-gold-cdn.xitu.io/2019/3/12/169721b333dc403e?w=512&h=264&f=png&s=23672) - -我们把 2->3->4 递归成 4->3->2。不过，1 这个节点我们并没有去碰它，所以 1 的 next 节点仍然是连接这 2。 - -接下来呢？该怎么办？ - -其实，接下来就简单了，我们接下来只需要**把节点 2 的 next 指向 1，然后把 1 的 next 指向 null,不就行了？**，即通过改变 newList 链表之后的结果如下： - -![img](https://user-gold-cdn.xitu.io/2019/3/12/16972220dbbceb38?w=514&h=210&f=png&s=21170) - -也就是说，reverseList(head) 等价于 ** reverseList(head.next)** + **改变一下1，2两个节点的指向**。好了，等价关系找出来了，代码如下(有详细的解释)： - -``` -//用递归的方法反转链表 -public static Node reverseList2(Node head){ - // 1.递归结束条件 - if (head == null || head.next == null) { - return head; - } - // 递归反转 子链表 - Node newList = reverseList2(head.next); - // 改变 1，2节点的指向。 - // 通过 head.next获取节点2 - Node t1 = head.next; - // 让 2 的 next 指向 2 - t1.next = head; - // 1 的 next 指向 null. - head.next = null; - // 把调整之后的链表返回。 - return newList; - } -``` - -这道题的第三步看的很懵？正常，因为你做的太少了，可能没有想到还可以这样，多练几道就可以了。但是，我希望通过这三道题，给了你以后用递归做题时的一些思路，你以后做题可以按照我这个模式去想。通过一篇文章是不可能掌握递归的，还得多练，我相信，只要你认真看我的这篇文章，多看几次，一定能找到一些思路！！ - -> 我已经强调了好多次，多练几道了，所以呢，后面我也会找大概 10 道递归的练习题供大家学习，不过，我找的可能会有一定的难度。不会像今天这样，比较简单，所以呢，初学者还得自己多去找题练练，相信我，掌握了递归，你的思维抽象能力会更强！ - -接下来我讲讲有关递归的一些优化。 - -### 有关递归的一些优化思路 - -**1. 考虑是否重复计算** - -告诉你吧，如果你使用递归的时候不进行优化，是有非常非常非常多的**子问题**被重复计算的。 - -> 啥是子问题？ f(n-1),f(n-2)....就是 f(n) 的子问题了。 - -例如对于案例2那道题，f(n) = f(n-1) + f(n-2)。递归调用的状态图如下： - -![img](https://user-gold-cdn.xitu.io/2019/3/12/169722f31645ef25?w=729&h=444&f=png&s=88214) - -看到没有，递归计算的时候，重复计算了两次 f(5)，五次 f(4)。。。。这是非常恐怖的，n 越大，重复计算的就越多，所以我们必须进行优化。 - -如何优化？一般我们可以把我们计算的结果保证起来，例如把 f(4) 的计算结果保证起来，当再次要计算 f(4) 的时候，我们先判断一下，之前是否计算过，如果计算过，直接把 f(4) 的结果取出来就可以了，没有计算过的话，再递归计算。 - -用什么保存呢？可以用数组或者 HashMap 保存，我们用数组来保存把，把 n 作为我们的数组下标，f(n) 作为值，例如 arr[n] = f(n)。f(n) 还没有计算过的时候，我们让 arr[n] 等于一个特殊值，例如 arr[n] = -1。 - -当我们要判断的时候，如果 arr[n] = -1，则证明 f(n) 没有计算过，否则， f(n) 就已经计算过了，且 f(n) = arr[n]。直接把值取出来就行了。代码如下： - -``` -// 我们实现假定 arr 数组已经初始化好的了。 -int f(int n){ - if(n <= 1){ - return n; - } - //先判断有没计算过 - if(arr[n] != -1){ - //计算过，直接返回 - return arr[n]; - }else{ - // 没有计算过，递归计算,并且把结果保存到 arr数组里 - arr[n] = f(n-1) + f(n-1); - reutrn arr[n]; - } -} -``` - -也就是说，使用递归的时候，必要 -须要考虑有没有重复计算，如果重复计算了，一定要把计算过的状态保存起来。 - -**2. 考虑是否可以自底向上** - -对于递归的问题，我们一般都是**从上往下递归**的，直到递归到最底，再一层一层着把值返回。 - -不过，有时候当 n 比较大的时候，例如当 n = 10000 时，那么必须要往下递归10000层直到 n <=1 才将结果慢慢返回，如果n太大的话，可能栈空间会不够用。 - -对于这种情况，其实我们是可以考虑自底向上的做法的。例如我知道 - -f(1) = 1; - -f(2) = 2; - -那么我们就可以推出 f(3) = f(2) + f(1) = 3。从而可以推出f(4),f(5)等直到f(n)。因此，我们可以考虑使用自底向上的方法来取代递归，代码如下： - -``` -public int f(int n) { - if(n <= 2) - return n; - int f1 = 1; - int f2 = 2; - int sum = 0; - - for (int i = 3; i <= n; i++) { - sum = f1 + f2; - f1 = f2; - f2 = sum; - } - return sum; - } -``` - -这种方法，其实也被称之为**递推**。 - - - - - - - -来源： - -https://aleej.com/2019/10/09/%E6%95%B0%E6%8D%AE%E7%BB%93%E6%9E%84%E4%B8%8E%E7%AE%97%E6%B3%95%E4%B9%8B%E7%BE%8E%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0/ - -https://www.cnblogs.com/kubidemanong/p/10538799.html - diff --git a/docs/data-structure-algorithms/Sort.md b/docs/data-structure-algorithms/Sort.md deleted file mode 100644 index 035398fe8b..0000000000 --- a/docs/data-structure-algorithms/Sort.md +++ /dev/null @@ -1,443 +0,0 @@ -# 排序 - -排序算法可以分为内部排序和外部排序，内部排序是数据记录在内存中进行排序，而外部排序是因排序的数据很大，一次不能容纳全部的排序记录，在排序过程中需要访问外存。常见的内部排序算法有：**插入排序、希尔排序、选择排序、冒泡排序、归并排序、快速排序、堆排序、基数排序**等。用一张图概括： - -![十大经典排序算法 概览截图](http://qiniu.ikeguang.com/image/sortAlgo/sort.png) - -**关于时间复杂度**： - -1. 平方阶 ($O(n2)$) 排序 各类简单排序：直接插入、直接选择和冒泡排序。 -2. 线性对数阶 (O(nlog2n)) 排序： 快速排序、堆排序和归并排序； -3. O(n1+§) 排序，§ 是介于 0 和 1 之间的常数。 希尔排序 -4. 线性阶 (O(n)) 排序： 基数排序，此外还有桶、箱排序。 - -**关于稳定性**： - -稳定的排序算法：冒泡排序、插入排序、归并排序和基数排序。 - -不是稳定的排序算法：选择排序、快速排序、希尔排序、堆排序。 - -**名词解释**： - -**n**：数据规模 - -**k**：“桶”的个数 - -**In-place**：占用常数内存，不占用额外内存 - -**Out-place**：占用额外内存 - -**稳定性**：排序后 2 个相等键值的顺序和排序之前它们的顺序相同 - - - -十种常见排序算法可以分为两大类： - -**非线性时间比较类排序**：通过比较来决定元素间的相对次序，由于其时间复杂度不能突破$O(nlogn)$，因此称为非线性时间比较类排序。 - -**线性时间非比较类排序**：不通过比较来决定元素间的相对次序，它可以突破基于比较排序的时间下界，以线性时间运行，因此称为线性时间非比较类排序。 - - - -## 冒泡排序 - -冒泡排序（Bubble Sort）也是一种简单直观的排序算法。它重复地走访过要排序的数列，一次比较两个元素，如果他们的顺序错误就把他们交换过来。走访数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端。 - -作为最简单的排序算法之一，冒泡排序给我的感觉就像 Abandon 在单词书里出现的感觉一样，每次都在第一页第一位，所以最熟悉。冒泡排序还有一种优化算法，就是立一个 flag，当在一趟序列遍历中元素没有发生交换，则证明该序列已经有序。但这种改进对于提升性能来说并没有什么太大作用。 - -### 1. 算法步骤 - -1. 比较相邻的元素。如果第一个比第二个大，就交换他们两个。 -2. 对每一对相邻元素作同样的工作，从开始第一对到结尾的最后一对。这步做完后，最后的元素会是最大的数。 -3. 针对所有的元素重复以上的步骤，除了最后一个。 -4. 重复步骤1~3，直到排序完成。 - -### 2. 动图演示 - -![img](https://miro.medium.com/max/300/1*LllBj5cbV91URiuzAB-xzw.gif) - - - -### 3. 什么时候最快 - -当输入的数据已经是正序时（都已经是正序了，我还要你冒泡排序有何用啊）。 - -### 4. 什么时候最慢 - -当输入的数据是反序时（写一个 for 循环反序输出数据不就行了，干嘛要用你冒泡排序呢，我是闲的吗）。 - -```java -public class BubbleSort { - - public static void main(String[] args) { - int[] arrs = {1, 3, 4, 2, 6, 5}; - - for (int i = 0; i < arrs.length; i++) { - for (int j = 0; j < arrs.length - 1 - i; j++) { - if (arrs[j] > arrs[j + 1]) { - int tmp = arrs[j]; - arrs[j] = arrs[j + 1]; - arrs[j + 1] = tmp; - } - } - } - - for (int arr : arrs) { - System.out.print(arr + " "); - } - } -} -``` - -嵌套循环，应该立马就可以得出这个算法的时间复杂度为 $O(n²)$。 - - - -## 选择排序 - -选择排序的思路是这样的：首先，找到数组中最小的元素，拎出来，将它和数组的第一个元素交换位置，第二步，在剩下的元素中继续寻找最小的元素，拎出来，和数组的第二个元素交换位置，如此循环，直到整个数组排序完成。 - -选择排序是一种简单直观的排序算法，无论什么数据进去都是 $O(n²)$ 的时间复杂度。所以用到它的时候，数据规模越小越好。唯一的好处可能就是不占用额外的内存空间了吧。 - -### 1. 算法步骤 - -1. 首先在未排序序列中找到最小（大）元素，存放到排序序列的起始位置 -2. 再从剩余未排序元素中继续寻找最小（大）元素，然后放到已排序序列的末尾。 -3. 重复第二步，直到所有元素均排序完毕。 - -### 2. 动图演示 - -![img](https://miro.medium.com/max/551/1*OA7a3OGWmGMRJQmwkGIwAw.gif) - -```java -public class SelectionSort { - - public static void main(String[] args) { - int[] arrs = {5, 2, 4, 6, 1, 3}; - - for (int i = 0; i < arrs.length; i++) { - //最小元素下标 - int min = i; - for (int j = i +1; j < arrs.length; j++) { - if (arrs[j] < arrs[min]) { - min = j; - } - } - //交换位置 - int temp = arrs[i]; - arrs[i] = arrs[min]; - arrs[min] = temp; - } - for (int arr : arrs) { - System.out.println(arr); - } - } -} -``` - - - -## 插入排序 - -插入排序的代码实现虽然没有冒泡排序和选择排序那么简单粗暴，但它的原理应该是最容易理解的了，因为只要打过扑克牌的人都应该能够秒懂。插入排序是一种最简单直观的排序算法，它的工作原理是通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入。 - -插入排序和冒泡排序一样，也有一种优化算法，叫做拆半插入。 - -### 1. 算法步骤 - -1. 从第一个元素开始，该元素可以认为已经被排序； -2. 取出下一个元素，在已经排序的元素序列中从后向前扫描； -3. 如果该元素（已排序）大于新元素，将该元素移到下一位置； -4. 重复步骤3，直到找到已排序的元素小于或者等于新元素的位置； -5. 将新元素插入到该位置后； -6. 重复步骤2~5。 - -### 2. 动图演示 - -![](https://miro.medium.com/max/500/1*onU9OmVftR5WeoLWh14iZw.gif) - -```java -public static void main(String[] args) { - int[] arr = {5, 2, 4, 6, 1, 3}; - // 从下标为1的元素开始选择合适的位置插入，因为下标为0的只有一个元素，默认是有序的 - for (int i = 1; i < arr.length; i++) { - - // 记录要插入的数据 - int tmp = arr[i]; - - // 从已经排序的序列最右边的开始比较，找到比其小的数 - int j = i; - while (j > 0 && tmp < arr[j - 1]) { - arr[j] = arr[j - 1]; - j--; - } - - // 存在比其小的数，插入 - if (j != i) { - arr[j] = tmp; - } - } - - for (int i : arr) { - System.out.println(i); - } -} -} -``` - - - -## 快速排序 - -这篇很好：https://www.cxyxiaowu.com/5262.html - -快速排序的核心思想也是分治法，分而治之。它的实现方式是每次从序列中选出一个基准值，其他数依次和基准值做比较，比基准值大的放右边，比基准值小的放左边，然后再对左边和右边的两组数分别选出一个基准值，进行同样的比较移动，重复步骤，直到最后都变成单个元素，整个数组就成了有序的序列。 - -> 快速排序的最坏运行情况是 O(n²)，比如说顺序数列的快排。但它的平摊期望时间是 O(nlogn)，且 O(nlogn) 记号中隐含的常数因子很小，比复杂度稳定等于 O(nlogn) 的归并排序要小很多。所以，对绝大多数顺序性较弱的随机数列而言，快速排序总是优于归并排序。 - -### 1. 算法步骤 - -1. 从数列中挑出一个元素，称为 “基准”（pivot）; -2. 重新排序数列，所有元素比基准值小的摆放在基准前面，所有元素比基准值大的摆在基准的后面（相同的数可以到任一边）。在这个分区退出之后，该基准就处于数列的中间位置。这个称为分区（partition）操作； -3. 递归地（recursive）把小于基准值元素的子数列和大于基准值元素的子数列排序； - -递归的最底部情形，是数列的大小是零或一，也就是永远都已经被排序好了。虽然一直递归下去，但是这个算法总会退出，因为在每次的迭代（iteration）中，它至少会把一个元素摆到它最后的位置去。 - -### 2. 动图演示 - -![img](https://miro.medium.com/max/300/1*hk2TL8m8Kn1TVvewAbAclQ.gif) - -### 单边扫描 - -快速排序的关键之处在于切分，切分的同时要进行比较和移动，这里介绍一种叫做单边扫描的做法。 - -我们随意抽取一个数作为基准值，同时设定一个标记 mark 代表左边序列最右侧的下标位置，当然初始为 0 ，接下来遍历数组，如果元素大于基准值，无操作，继续遍历，如果元素小于基准值，则把 mark + 1 ，再将 mark 所在位置的元素和遍历到的元素交换位置，mark 这个位置存储的是比基准值小的数据，当遍历结束后，将基准值与 mark 所在元素交换位置即可。 - -```java -public static void sort(int[] arrs, int startIndex, int endIndex) { - if (startIndex > endIndex) { - return; - } - int pivotIndex = partion(arrs, startIndex, endIndex); - sort(arrs, startIndex, pivotIndex - 1); - sort(arrs, pivotIndex + 1, endIndex); -} - -public static int partion(int[] arrs, int startIndex, int endIndex) { - int pivot = arrs[startIndex]; - int mark = startIndex; - - for (int i = startIndex + 1; i < arrs.length; i++) { - if (arrs[i] < pivot) { - mark++; - int tmp = arrs[mark]; - arrs[mark] = arrs[i]; - arrs[i] = tmp; - } - } - arrs[startIndex] = arrs[mark]; - arrs[mark] = pivot; - return mark; -} -``` - -### 双边扫描 - -另外还有一种双边扫描的做法，看起来比较直观：我们随意抽取一个数作为基准值，然后从数组左右两边进行扫描，先从左往右找到一个大于基准值的元素，将下标指针记录下来，然后转到从右往左扫描，找到一个小于基准值的元素，交换这两个元素的位置，重复步骤，直到左右两个指针相遇，再将基准值与左侧最右边的元素交换。 - -我们来看一下实现代码，不同之处只有 partition 方法： - -```java -public static void sort(int[] arr) { - sort(arr， 0， arr.length - 1); -} - -private static void sort(int[] arr， int startIndex， int endIndex) { - if (endIndex <= startIndex) { - return; - } - //切分 - int pivotIndex = partition(arr， startIndex， endIndex); - sort(arr， startIndex， pivotIndex-1); - sort(arr， pivotIndex+1， endIndex); -} - - -private static int partition(int[] arr， int startIndex， int endIndex) { - int left = startIndex; - int right = endIndex; - int pivot = arr[startIndex];//取第一个元素为基准值 - - while (true) { - //从左往右扫描 - while (arr[left] <= pivot) { - left++; - if (left == right) { - break; - } - } - - //从右往左扫描 - while (pivot < arr[right]) { - right--; - if (left == right) { - break; - } - } - - //左右指针相遇 - if (left >= right) { - break; - } - - //交换左右数据 - int temp = arr[left]; - arr[left] = arr[right]; - arr[right] = temp; - } - - //将基准值插入序列 - int temp = arr[startIndex]; - arr[startIndex] = arr[right]; - arr[right] = temp; - return right; -} -``` - - - - - -## 希尔排序 - -希尔排序这个名字，来源于它的发明者希尔，也称作“缩小增量排序”，是插入排序的一种更高效的改进版本。但希尔排序是非稳定排序算法。 - -希尔排序是基于插入排序的以下两点性质而提出改进方法的： - -- 插入排序在对几乎已经排好序的数据操作时，效率高，即可以达到线性排序的效率； -- 但插入排序一般来说是低效的，因为插入排序每次只能将数据移动一位； - -希尔排序的基本思想是：先将整个待排序的记录序列分割成为若干子序列分别进行直接插入排序，待整个序列中的记录“基本有序”时，再对全体记录进行依次直接插入排序。 - -### 1. 算法步骤 - -1. 选择一个增量序列 t1，t2，……，tk，其中 ti > tj, tk = 1； -2. 按增量序列个数 k，对序列进行 k 趟排序； -3. 每趟排序，根据对应的增量 ti，将待排序列分割成若干长度为 m 的子序列，分别对各子表进行直接插入排序。仅增量因子为 1 时，整个序列作为一个表来处理，表长度即为整个序列的长度。 - -### 2. 动图演示 - -![img](https://mmbiz.qpic.cn/mmbiz_gif/951TjTgiabkzow2ORRzgpfHIGAKIAWlXm6GpRDRhiczgOdibbGBtpibtIhX4YRzibicUyEOSVh3JZBHtiaZPN30X1WOhA/640?wx_fmt=gif&tp=webp&wxfrom=5&wx_lazy=1) - - - -## 归并排序 - -> https://www.cnblogs.com/chengxiao/p/6194356.html - -归并排序（Merge sort）是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。 - -作为一种典型的分而治之思想的算法应用，归并排序的实现由两种方法： - -- 自上而下的递归（所有递归的方法都可以用迭代重写，所以就有了第 2 种方法）； -- 自下而上的迭代； - -在《数据结构与算法 JavaScript 描述》中，作者给出了自下而上的迭代方法。但是对于递归法，作者却认为： - -> However, it is not possible to do so in JavaScript, as the recursion goes too deep for the language to handle. -> -> 然而，在 JavaScript 中这种方式不太可行，因为这个算法的递归深度对它来讲太深了。 - -说实话，我不太理解这句话。意思是 JavaScript 编译器内存太小，递归太深容易造成内存溢出吗？还望有大神能够指教。 - -和选择排序一样，归并排序的性能不受输入数据的影响，但表现比选择排序好的多，因为始终都是 O(nlogn) 的时间复杂度。代价是需要额外的内存空间。 - -### 2. 算法步骤 - -1. 申请空间，使其大小为两个已经排序序列之和，该空间用来存放合并后的序列； -2. 设定两个指针，最初位置分别为两个已经排序序列的起始位置； -3. 比较两个指针所指向的元素，选择相对小的元素放入到合并空间，并移动指针到下一位置； -4. 重复步骤 3 直到某一指针达到序列尾； -5. 将另一序列剩下的所有元素直接复制到合并序列尾。 - -### 3. 动图演示 - -![img](https://miro.medium.com/max/300/1*fE7yGW2WPaltJWo6OnZ8LQ.gif) - - - - - -## 堆排序 - -堆排序（Heapsort）是指利用堆这种数据结构所设计的一种排序算法。堆积是一个近似完全二叉树的结构，并同时满足堆积的性质：即子结点的键值或索引总是小于（或者大于）它的父节点。堆排序可以说是一种利用堆的概念来排序的选择排序。分为两种方法： - -1. 大顶堆：每个节点的值都大于或等于其子节点的值，在堆排序算法中用于升序排列； -2. 小顶堆：每个节点的值都小于或等于其子节点的值，在堆排序算法中用于降序排列； - -堆排序的平均时间复杂度为 Ο(nlogn)。 - -### 1. 算法步骤 - -1. 将待排序序列构建成一个堆 H[0……n-1]，根据（升序降序需求）选择大顶堆或小顶堆； -2. 把堆首（最大值）和堆尾互换； -3. 把堆的尺寸缩小 1，并调用 shift_down(0)，目的是把新的数组顶端数据调整到相应位置； -4. 重复步骤 2，直到堆的尺寸为 1。 - -### 2. 动图演示 - -[![动图演示](https://github.com/hustcc/JS-Sorting-Algorithm/raw/master/res/heapSort.gif)](https://github.com/hustcc/JS-Sorting-Algorithm/blob/master/res/heapSort.gif) - - - - - -## 计数排序 - -计数排序的核心在于将输入的数据值转化为键存储在额外开辟的数组空间中。作为一种线性时间复杂度的排序，计数排序要求输入的数据必须是有确定范围的整数。 - -### 1. 动图演示 - -[![动图演示](https://github.com/hustcc/JS-Sorting-Algorithm/raw/master/res/countingSort.gif)](https://github.com/hustcc/JS-Sorting-Algorithm/blob/master/res/countingSort.gif) - - - - - -## 桶排序 - -桶排序是计数排序的升级版。它利用了函数的映射关系，高效与否的关键就在于这个映射函数的确定。为了使桶排序更加高效，我们需要做到这两点： - -1. 在额外空间充足的情况下，尽量增大桶的数量 -2. 使用的映射函数能够将输入的 N 个数据均匀的分配到 K 个桶中 - -同时，对于桶中元素的排序，选择何种比较排序算法对于性能的影响至关重要。 - -### 1. 什么时候最快 - -当输入的数据可以均匀的分配到每一个桶中。 - -### 2. 什么时候最慢 - -当输入的数据被分配到了同一个桶中。 - - - -## 基数排序 - -基数排序是一种非比较型整数排序算法，其原理是将整数按位数切割成不同的数字，然后按每个位数分别比较。由于整数也可以表达字符串（比如名字或日期）和特定格式的浮点数，所以基数排序也不是只能使用于整数。 - -### 1. 基数排序 vs 计数排序 vs 桶排序 - -基数排序有两种方法： - -这三种排序算法都利用了桶的概念，但对桶的使用方法上有明显差异案例看大家发的： - -- 基数排序：根据键值的每位数字来分配桶； -- 计数排序：每个桶只存储单一键值； -- 桶排序：每个桶存储一定范围的数值； - -### 2. LSD 基数排序动图演示 - -[![动图演示](https://github.com/hustcc/JS-Sorting-Algorithm/raw/master/res/radixSort.gif)](https://github.com/hustcc/JS-Sorting-Algorithm/blob/master/res/radixSort.gif) - diff --git a/docs/data-structure-algorithms/Stack.md b/docs/data-structure-algorithms/Stack.md deleted file mode 100644 index 3b072cb431..0000000000 --- a/docs/data-structure-algorithms/Stack.md +++ /dev/null @@ -1,279 +0,0 @@ -# 栈 - -## 一、概述 - -### 定义 - -注意：本文所说的栈是数据结构中的栈，而不是内存模型中栈 - -栈（stack）是限定仅在表尾一端进行插入或删除操作的**特殊线性表**。又称为堆栈。 - -对于栈来说, 允许进行插入或删除操作的一端称为栈顶（top），而另一端称为栈底（bottom）。不含元素栈称为空栈，向栈中插入一个新元素称为入栈或压栈， 从栈中删除一个元素称为出栈或退栈。 - -假设有一个栈Ｓ＝（a1, a2, …, an)，a1先进栈， an最后进栈。称 a1 为栈底元素，an 为栈顶元素。出栈时只允许在栈顶进行，所以 an 先出栈，a1最后出栈。因此又称栈为后进先出（Last In First Out，LIFO）的线性表。 - -栈（stack），是一种线性存储结构，它有以下几个特点： - -- 栈中数据是按照"后进先出（LIFO, Last In First Out）"方式进出栈的。 -- 向栈中添加/删除数据时，只能从栈顶进行操作。 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh4mmnezg5j31cg0d6ab9.jpg) - -在上图中，当 ABCD 均已入栈后，出栈时得到的序列为 DCBA，这就是后进先出。 - - - -### 基本操作 - -栈的基本操作除了进栈 `push()`，出栈 `pop()` 之外，还有判空 `isEmpty()`、取栈顶元素 `peek()` 等操作。 - -抽象成接口如下： - -```java -public interface MyStack { - - /** - * 返回堆栈的大小 - */ - public int getSize(); - - /** - * 判断堆栈是否为空 - */ - public boolean isEmpty(); - - /** - * 入栈 - */ - public void push(Object e); - - /** - * 出栈，并删除 - */ - public Object pop(); - - /** - * 返回栈顶元素 - */ - public Object peek(); -} -``` - - - -和线性表类似，栈也有两种存储结构：顺序存储和链式存储。 - -## 二、栈的顺序存储与实现 - -顺序栈是使用顺序存储结构实现的栈，即利用一组地址连续的存储单元依次存放栈中的数据元素。由于栈是一种特殊的线性表，因此在线性表的顺序存储结构的基础上，选择线性表的一端作为栈顶即可。那么根据数组操作的特性，选择数组下标大的一端，即线性表顺序存储的表尾来作为栈顶，此时入栈、出栈操作可以 $O(1)$ 时间完成。 - -由于栈的操作都是在栈顶完成，因此在顺序栈的实现中需要附设一个指针 top 来动态地指示栈顶元素在数组中的位置。通常 top 可以用栈顶元素所在的数组下标来表示，top=-1时表示空栈。 - -栈在使用过程中所需的最大空间难以估计，所以，一般构造栈的时候不应设定最大容量。一种合理的做法和线性表类似，先为栈分配一个基本容量，然后在实际的使用过程中，当栈的空间不够用时再倍增存储空间。 - -```java -public class MyArrayStack implements MyStack { - - private final int capacity = 2; //默认容量 - private Object[] arrs; //数据元素数组 - private int top; //栈顶指针 - - MyArrayStack(){ - top = -1; - arrs = new Object[capacity]; - } - - public int getSize() { - return top + 1; - } - - public boolean isEmpty() { - return top < 0; - } - - public void push(Object e) { - if(getSize() >= arrs.length){ - expandSapce(); //扩容 - } - arrs[++top]=e; - } - - private void expandSapce() { - Object[] a = new Object[arrs.length * 2]; - for (int i = 0; i < arrs.length; i++) { - a[i] = arrs[i]; - } - arrs = a; - } - - public Object pop() { - if(getSize()<1){ - throw new RuntimeException("栈为空"); - } - Object obj = arrs[top]; - arrs[top--] = null; - return obj; - } - - public Object peek() { - if(getSize()<1){ - throw new RuntimeException("栈为空"); - } - return arrs[top]; - } -} -``` - -以上基于数据实现的栈代码并不难理解。由于有 top 指针的存在，所以`size()`、`isEmpty()`方法均可在 $O(1) $ 时间内完成。`push()`、`pop()`和`peek()`方法，除了需要`ensureCapacity()`外，都执行常数基本操作，因此它们的运行时间也是 $O(1)$ - - - -## 三、栈的链式存储与实现 - -栈的链式存储即采用链表实现栈。当采用单链表存储线性表后，根据单链表的操作特性选择单链表的头部作为栈顶，此时，入栈和出栈等操作可以在 $O(1)$ 时间内完成。 - -由于栈的操作只在线性表的一端进行，在这里使用带头结点的单链表或不带头结点的单链表都可以。使用带头结点的单链表时，结点的插入和删除都在头结点之后进行；使用不带头结点的单链表时，结点的插入和删除都在链表的首结点上进行。 - -下面以不带头结点的单链表为例实现栈，如下示意图所示： - -![不带头结点单链表栈示意图](https://tva1.sinaimg.cn/large/007S8ZIlly1gh4n6ws71lj3106050aa4.jpg) - -在上图中，top 为栈顶结点的引用，始终指向当前栈顶元素所在的结点。若 top 为null，则表示空栈。入栈操作是在 top 所指结点之前插入新的结点，使新结点的 next 域指向 top，top 前移即可；出栈则直接让 top 后移即可。 - -```java -public class MyLinkedStack implements MyStack { - - class Node { - private Object element; - private Node next; - - public Node() { - this(null, null); - } - - public Node(Object ele, Node next) { - this.element = ele; - this.next = next; - } - - public Node getNext() { - return next; - } - - public void setNext(Node next) { - this.next = next; - } - - public Object getData() { - return element; - } - - public void setData(Object obj) { - element = obj; - } - } - - private Node top; - private int size; - - public MyLinkedStack() { - top = null; - size = 0; - } - - public int getSize() { - return size; - } - - public boolean isEmpty() { - return size == 0; - } - - public void push(Object e) { - Node node = new Node(e, top); - top = node; - size++; - } - - public Object pop() { - if (size < 1) { - throw new RuntimeException("堆栈为空"); - } - Object obj = top.getData(); - top = top.getNext(); - size--; - return obj; - } - - public Object peek() { - if (size < 1) { - throw new RuntimeException("堆栈为空"); - } - return top.getData(); - } -} -``` - -上述 `MyLinkedStack` 类中有两个成员变量，其中 `top` 表示首结点，也就是栈顶元素所在的结点；`size` 指示栈的大小，即栈中数据元素的个数。不难理解，所有的操作均可以在 $O(1)$ 时间内完成。 - - - -## 四、JDK 中的栈实现 Stack - -Java 工具包中的 Stack 是继承于 Vector(矢量队列)的，由于 Vector 是通过数组实现的，这就意味着，Stack 也是通过数组实现的，而非链表。当然，我们也可以将 LinkedList 当作栈来使用。 - -### Stack的继承关系 - -```java -java.lang.Object - java.util.AbstractCollection - java.util.AbstractList - java.util.Vector - java.util.Stack - -public class Stack extends Vector {} -``` - - - - - -## 五、栈应用 - -栈有一个很重要的应用，在程序设计语言里实现了递归。 - -### 有效的括号 - ->给定一个只包括 `'('`，`')'`，`'{'`，`'}'`，`'['`，`']'` 的字符串，判断字符串是否有效。 -> ->有效字符串需满足： -> ->1. 左括号必须用相同类型的右括号闭合。 ->2. 左括号必须以正确的顺序闭合。 -> ->注意空字符串可被认为是有效字符串。 -> ->``` ->输入: "{[]}" ->输出: true ->输入: "([)]" ->输出: false ->``` - - - - - - - ->请根据每日 `气温` 列表，重新生成一个列表。对应位置的输出为：要想观测到更高的气温，至少需要等待的天数。如果气温在这之后都不会升高，请在该位置用 `0` 来代替。 -> ->例如，给定一个列表 `temperatures = [73, 74, 75, 71, 69, 72, 76, 73]`，你的输出应该是 `[1, 1, 4, 2, 1, 1, 0, 0]`。 -> ->**提示：**`气温` 列表长度的范围是 `[1, 30000]`。每个气温的值的均为华氏度，都是在 `[30, 100]` 范围内的整数。 - - - - - -> 逆波兰表达式求值 \ No newline at end of file diff --git a/docs/data-structure-algorithms/about-leetcode.md b/docs/data-structure-algorithms/about-leetcode.md deleted file mode 100644 index 90653ea597..0000000000 --- a/docs/data-structure-algorithms/about-leetcode.md +++ /dev/null @@ -1,3 +0,0 @@ -关于怎么刷题的帖子： - -论如何4个月高效刷满 500 题并形成长期记忆https://leetcode-cn.com/circle/discuss/jq9Zke/ \ No newline at end of file diff --git a/docs/data-structure-algorithms/algorithm/Backtracking.md b/docs/data-structure-algorithms/algorithm/Backtracking.md new file mode 100755 index 0000000000..bdce9eaa4f --- /dev/null +++ b/docs/data-structure-algorithms/algorithm/Backtracking.md @@ -0,0 +1,834 @@ +--- +title: 回溯算法 +date: 2023-05-09 +tags: + - back tracking +categories: Algorithm +--- + +![](https://img.starfish.ink/leetcode/backtracking-banner.png) + +> 🔍 **回溯算法**是解决很多算法问题的常见思想，它也是传统的人工智能的方法，其本质是 **在树形问题中寻找解** 。 +> +> 回溯算法实际上是一个类似枚举的搜索尝试过程，主要是在**搜索尝试**过程中寻找问题的解，当发现已不满足求解条件时，就"**回溯**"返回，尝试别的路径。所以也可以叫做**回溯搜索法**。 +> +> 💡 回溯是递归的副产品，只要有递归就会有回溯。 + +# 一、回溯算法 + +回溯算法是一种**深度优先搜索**（DFS）的算法，它通过递归的方式，逐步建立解空间树，从根节点开始，逐层深入，直到找到一个解或路径不可行时回退到上一个状态（即回溯）。每一步的尝试可能会有多个选择，回溯算法通过剪枝来减少不必要的计算。 + +> 🌲 **深度优先搜索** 算法（英语：Depth-First-Search，DFS）是一种用于遍历或搜索树或图的算法。这个算法会 **尽可能深** 的搜索树的分支。当结点 `v` 的所在边都己被探寻过，搜索将 **回溯** 到发现结点 `v` 的那条边的起始结点。这一过程一直进行到已发现从源结点可达的所有结点为止。如果还存在未被发现的结点，则选择其中一个作为源结点并重复以上过程，整个进程反复进行直到所有结点都被访问为止。 + +回溯的基本步骤通常包含以下几个要素： + +- 🎯 **选择**：在当前状态下，做出一个选择，进入下一个状态。 +- ⚖️ **约束**：每一步的选择必须满足问题的约束条件。 +- 🎪 **目标**：找到一个解或判断是否无法继续。 +- ↩️ **回溯**：如果当前的选择不符合目标，撤销当前的选择，回到上一状态继续尝试其他可能的选择。 + +### 🧠 核心思想 + +**回溯法** 采用试错的思想，它尝试分步的去解决一个问题。 + +1. 🔍 **穷举所有可能的解**：回溯法通过在每个状态下尝试不同的选择，来遍历解空间树。每个分支代表着做出的一个选择，每次递归都尝试不同的路径，直到找到一个解或回到根节点。 +2. ✂️ **剪枝**：在回溯过程中，我们可能会遇到一些不符合约束条件的选择，这时候可以及时退出当前分支，避免无谓的计算，这被称为"剪枝"。剪枝是提高回溯算法效率的关键，能减少不必要的计算。 +3. 🌲 **深度优先搜索（DFS）**：回溯算法在解空间树中深度优先遍历，尝试选择每个分支。直到走到树的叶子节点或回溯到一个不满足条件的节点。 + + + +### 🏗️ 基本框架 + +回溯算法的基本框架可以用递归来实现，通常包含以下几个步骤： + +1. 🎯 **选择和扩展**：选择一个可行的扩展步骤，扩展当前的解。 +2. ✅ **约束检查**：检查当前扩展后的解是否满足问题的约束条件。 +3. 🔄 **递归调用**：如果当前解满足约束条件，则递归地尝试扩展该解。 +4. ↩️ **回溯**：如果当前解不满足约束条件，或所有扩展步骤都已经尝试，则回溯到上一步，尝试其他可能的扩展步骤。 + +以下是回溯算法的一般伪代码： + +```java +result = [] +function backtrack(solution, candidates): //入参可以理解为 路径, 选择列表 + if solution 是一个完整解: //满足结束条件 + result.add(solution) // 处理当前完整解 + return + for candidate in candidates: + if candidate 满足约束条件: + solution.add(candidate) // 扩展解 + backtrack(solution, new_candidates) // 递归调用 + solution.remove(candidate) // 回溯,撤销选择 + +``` + +对应到 java 的一般框架如下： + +```java +public void backtrack(List tempList, int start, int[] nums) { + // 1. 终止条件 + if (tempList.size() == nums.length) { + // 找到一个解 + result.add(new ArrayList<>(tempList)); + return; + } + + for (int i = start; i < nums.length; i++) { + // 2. 剪枝：跳过相同的数字，避免重复 + if (i > start && nums[i] == nums[i - 1]) { + continue; + } + + // 3. 做出选择 + tempList.add(nums[i]); + + // 4. 递归 + backtrack(tempList, i + 1, nums); + + // 5. 撤销选择 + tempList.remove(tempList.size() - 1); + } +} +``` + +**其实就是 for 循环里面的递归，在递归调用之前「做选择」，在递归调用之后「撤销选择」** + +> 💡 **关键理解**：回溯算法 = 递归 + 选择 + 撤销选择 + + + +### 🎯 常见题型 + +回溯法，一般可以解决如下几种问题： + +- 🎲 **组合问题**：N个数里面按一定规则找出k个数的集合 + + - **题目示例**：`LeetCode 39. 组合总和`，`LeetCode 40. 组合总和 II`，`LeetCode 77. 组合` + - **解题思路**： 组合问题要求我们在给定的数组中选取若干个数字，组合成目标值或某种形式的子集。回溯算法的基本思路是从一个起点开始，选择当前数字或者跳过当前数字，直到找到一个合法的组合。组合问题通常有**去重**的要求，避免重复的组合。 + +- 🔄 **排列问题**：N个数按一定规则全排列，有几种排列方式 + + - **题目示例**：`LeetCode 46. 全排列`，`LeetCode 47. 全排列 II`，`LeetCode 31. 下一个排列` + - **解题思路**： 排列问题要求我们通过给定的数字生成所有可能的排列。回溯算法通过递归生成所有排列，通过交换位置来改变元素的顺序。对于全排列 II 这类题目，必须处理重复元素的问题，确保生成的排列不重复。 + +- 📦 **子集问题**：一个N个数的集合里有多少符合条件的子集 + + - **题目示例**：`LeetCode 78. 子集`，`LeetCode 90. 子集 II` + - **解题思路**： 子集问题要求我们生成数组的所有子集，回溯算法通过递归生成每个可能的子集。在生成子集时，每个元素有两种选择——要么包含它，要么不包含它。因此，回溯法通过逐步选择来生成所有的子集。 + +- ✂️ **切割问题**：一个字符串按一定规则有几种切割方式 + + - 题目实例：` LeetCode 416. Partition Equal Subset Sum`，`LeetCode 698. Partition to K Equal Sum Subsets` + - 解题思路：回溯法适用于切割问题中的"探索所有可能的分割方式"的场景。特别是在无法直接通过动态规划推导出最优解时，回溯法通过递归尝试所有可能的分割方式，并通过剪枝减少不必要的计算 + +- ♟️ **棋盘问题**： + + - **题目示例**：`LeetCode 37. 解数独`，`LeetCode 51. N 皇后`，`LeetCode 52. N 皇后 II` + + **解题思路**： 棋盘问题常常涉及到在二维数组中进行回溯搜索，比如在数独中填入数字，或者在 N 皇后问题中放置皇后。回溯法在这里用于逐步尝试每个位置，满足棋盘的约束条件，直到找到一个解或者回溯到一个合法的状态。 + +- 🗺️ **图的遍历问题**： + + - **题目示例**：`LeetCode 79. 单词搜索`，`LeetCode 130. 被围绕的区域` + - **解题思路**： 回溯算法在图遍历中的应用主要是通过递归搜索路径。常见的问题是从某个起点出发，寻找是否存在某个目标路径。通过回溯算法，可以逐步尝试每一个可能的路径，直到找到符合条件的解。 + + + + +### ⚡ 回溯算法的优化技巧 + +1. ✂️ **剪枝**：在递归过程中，如果当前路径不符合问题约束，就提前返回，避免继续深入。例如在排列问题中，遇到重复的数字时可以跳过该分支。 +2. 📊 **排序**：对输入数据进行排序，有助于我们在递归时判断是否可以剪枝，尤其是在去重的场景下。 +3. 🗜️ **状态压缩**：在一些问题中，使用位运算或其他方式对状态进行压缩，可以显著减少存储空间和计算时间。例如在解决旅行商问题时，常常使用状态压缩来存储已经访问的节点。 +4. 🛑 **提前终止**：如果在递归过程中发现某条路径不可能达到目标（例如目标已经超过了剩余可用值），可以直接结束该分支，节省时间。 + + + +# 二、热门面试题 + +## 🎲 排列、组合类 + +> 无论是排列、组合还是子集问题，简单说无非就是让你从序列 `nums` 中以给定规则取若干元素，主要有以下几种变体： +> +> **元素无重不可复选，即 `nums` 中的元素都是唯一的，每个元素最多只能被使用一次，这也是最基本的形式**。 +> +> - 以组合为例，如果输入 `nums = [2,3,6,7]`，和为 7 的组合应该只有 `[7]`。 +> +> **元素可重不可复选，即 `nums` 中的元素可以存在重复，每个元素最多只能被使用一次**。 +> +> - 以组合为例，如果输入 `nums = [2,5,2,1,2]`，和为 7 的组合应该有两种 `[2,2,2,1]` 和 `[5,2]`。 +> +> **元素无重可复选，即 `nums` 中的元素都是唯一的，每个元素可以被使用若干次**。 +> +> - 以组合为例，如果输入 `nums = [2,3,6,7]`，和为 7 的组合应该有两种 `[2,2,3]` 和 `[7]`。 +> +> 当然，也可以说有第四种形式，即元素可重可复选。但既然元素可复选，那又何必存在重复元素呢？元素去重之后就等同于形式三，所以这种情况不用考虑。 +> +> 上面用组合问题举的例子，但排列、组合、子集问题都可以有这三种基本形式，所以共有 9 种变化。 +> +> 除此之外，题目也可以再添加各种限制条件，比如让你求和为 `target` 且元素个数为 `k` 的组合，那这么一来又可以衍生出一堆变体，怪不得面试笔试中经常考到排列组合这种基本题型。 +> +> **但无论形式怎么变化，其本质就是穷举所有解，而这些解呈现树形结构，所以合理使用回溯算法框架，稍改代码框架即可把这些问题一网打尽**。 + + + +### 🎯 一、元素无重不可复选 + +#### 📦 [子集_78](https://leetcode.cn/problems/subsets/) + +> 给你一个整数数组 `nums` ，数组中的元素 **互不相同** 。返回该数组所有可能的子集（幂集）。 +> +> 解集 **不能** 包含重复的子集。你可以按 **任意顺序** 返回解集。 +> +> ``` +> 输入：nums = [1,2,3] +> 输出：[[],[1],[2],[1,2],[3],[1,3],[2,3],[1,2,3]] +> ``` + +**💡 思路**： + +**子集的特性**： + +- 对于给定的数组 `[1, 2, 3]`，它的所有子集应该包括空集、单个元素的子集、两个元素的组合和完整数组。 +- 每个元素都有两种选择：要么加入子集，要么不加入子集。 + +**回溯算法**： + +- 使用回溯的方式可以从空集开始，逐步添加元素来生成所有子集。 +- 从当前的元素出发，尝试包含它或者不包含它，然后递归地处理下一个元素。 + +参数定义： + +- `res`：一个列表，存储最终的所有子集，类型是 `List>`。 + +- `track`：一个临时列表，记录当前路径（即当前递归中形成的子集）。 +- `start`：当前递归要开始的位置（即考虑从哪个位置开始生成子集）。这个 `start` 是非常重要的，它确保了我们在递归时不会重复生成相同的子集。 + +完成回溯树的遍历就收集了所有子集。 + +![](https://img.starfish.ink/leetcode/leetcode-78.png) + +```java +public List> subsets(int[] nums) { + List> res = new ArrayList<>(); + // 记录回溯算法的递归路径 + List track = new ArrayList<>(); + + if (nums.length == 0) { + return res; + } + + backtrack(nums, 0, res, track); + return res; +} + +private void backtrack(int[] nums, int start, List> res, List track) { + + res.add(new ArrayList<>(track)); + + // 回溯算法标准框架 + for (int i = start; i < nums.length; i++) { + // 做选择 + track.add(nums[i]); + // 通过 start 参数控制树枝的遍历，避免产生重复的子集 + backtrack(nums, i + 1, res, track); + // 撤销选择 + track.remove(track.size() - 1); + } +} +``` + + + +#### 🎲 [组合_77](https://leetcode.cn/problems/combinations/) + +> 给定两个整数 `n` 和 `k`，返回范围 `[1, n]` 中所有可能的 `k` 个数的组合。你可以按 **任何顺序** 返回答案。 +> +> ``` +> 输入：n = 4, k = 2 +> 输出： +> [ +> [2,4], +> [3,4], +> [2,3], +> [1,2], +> [1,3], +> [1,4], +> ] +> ``` + +**💡 思路**：翻译一下就变成子集问题了：**给你输入一个数组 `nums = [1,2..,n]` 和一个正整数 `k`，请你生成所有大小为 `k` 的子集**。 + +![](https://img.starfish.ink/leetcode/leetcode-77.png) + +反映到代码上，只需要稍改 base case，控制算法仅仅收集第 `k` 层节点的值即可： + +```java +public List> combine(int n, int k) { + List> res = new ArrayList<>(); + // 记录回溯算法的递归路径 + List track = new ArrayList<>(); + // start 从 1 开始即可 + backtrack(n, k, 1, track, res); + return res; +} + +private void backtrack(int n, int k, int start, List track, List> res) { + // 遍历到了第 k 层，收集当前节点的值 + if (track.size() == k) { + res.add(new ArrayList<>(track)); // 深拷贝 + return; + } + + // 从当前数字开始尝试 + for (int i = start; i <= n; i++) { + track.add(i); + // 通过 start 参数控制树枝的遍历，避免产生重复的子集 + backtrack(n, k, i + 1, track, res); // 递归选下一个数字 + track.remove(track.size() - 1); // 撤销选择 + } +} +``` + + + +#### 🔄 [全排列_46](https://leetcode.cn/problems/permutations/description/) + +> 给定一个不含重复数字的数组 `nums` ，返回其 *所有可能的全排列* 。你可以 **按任意顺序** 返回答案。 +> +> ``` +> 输入：nums = [1,2,3] +> 输出：[[1,2,3],[1,3,2],[2,1,3],[2,3,1],[3,1,2],[3,2,1]] +> ``` + +**💡 思路**：组合/子集问题使用 `start` 变量保证元素 `nums[start]` 之后只会出现 `nums[start+1..]`中的元素，通过固定元素的相对位置保证不出现重复的子集。 + +**但排列问题本身就是让你穷举元素的位置，`nums[i]` 之后也可以出现 `nums[i]` 左边的元素，所以之前的那一套玩不转了，需要额外使用 `used` 数组来标记哪些元素还可以被选择**。 + +全排列共有 `n!` 个，我们可以按阶乘举例的思想，画出「回溯树」 + +![](https://img.starfish.ink/leetcode/leetcode-46.png) + +> 回溯树是一种树状结构，树的每个节点表示一个状态（即当前的选择或部分解），树的每条边表示一次决策的选择。在回溯过程中，我们从根节点开始，递归地选择下一个数字，每次递归都相当于进入树的下一层。 + +> **labuladong 称为 决策树，你在每个节点上其实都在做决策**。因为比如你选了 2 之后，只能再选 1 或者 3，全排列是不允许重复使用数字的。**`[2]` 就是「路径」，记录你已经做过的选择；`[1,3]` 就是「选择列表」，表示你当前可以做出的选择；「结束条件」就是遍历到树的底层叶子节点，这里也就是选择列表为空的时候**。 + +```java +public class Solution { + public List> permute(int[] nums) { + List> res = new ArrayList<>(); + // 记录「路径」 + List track = new ArrayList<>(); + boolean[] used = new boolean[nums.length]; // 标记数字是否被使用过 + backtrack(nums, used, track, res); + return res; + } + + private void backtrack(int[] nums, boolean[] used, List track, List> res) { + // 当排列的大小达到nums.length时，说明当前排列完成 + if (track.size() == nums.length) { + res.add(new ArrayList<>(track)); // 将当前排列加入结果 + return; + } + + // 尝试每一个数字 + for (int i = 0; i < nums.length; i++) { + if (used[i]) continue; // 如果当前数字已经被使用过，则跳过，剪枝操作 + + // 做选择 + track.add(nums[i]); + used[i] = true; // 标记当前数字为已使用 + + // 递归进入下一层 + backtrack(nums, used, track, res); + + // 撤销选择 + track.remove(track.size() - 1); + used[i] = false; // 回溯时将当前数字标记为未使用 + } + } +} +``` + + + +### 🔄 二、元素可重不可复选 + +#### 📦 [子集 II_90](https://leetcode.cn/problems/subsets-ii/) + +> 给你一个整数数组 `nums` ，其中可能包含重复元素，请你返回该数组所有可能的 子集（幂集）。 +> +> 解集 **不能** 包含重复的子集。返回的解集中，子集可以按 **任意顺序** 排列。 +> +> ``` +> 输入：nums = [1,2,2] +> 输出：[[],[1],[1,2],[1,2,2],[2],[2,2]] +> ``` + +**💡 思路**：该问题的关键是**去重**（剪枝），**体现在代码上，需要先进行排序，让相同的元素靠在一起，如果发现 `nums[i] == nums[i-1]`，则跳过** + +> LeetCode 78 **Subsets** 问题并没有重复的子集。我们生成的是所有可能的子集，并且不需要考虑去除重复的子集，因为给定的数组 `nums` 不含重复元素。而在 **Subsets II** 中，由于输入数组可能包含重复元素，所以我们需要特殊处理来避免生成重复的子集。 + +```java +public class Solution { + public List> subsetsWithDup(int[] nums) { + List> res = new ArrayList<>(); + Arrays.sort(nums); // 排序，确保相同的元素相邻 + backtrack(nums, 0, new ArrayList<>(), res); + return res; + } + + private void backtrack(int[] nums, int start, List track, List> res) { + // 每次递归时，将当前的track添加到结果中 + res.add(new ArrayList<>(track)); + + // 从start位置开始遍历 + for (int i = start; i < nums.length; i++) { + // 如果当前元素与前一个元素相同，并且前一个元素没有被选择，跳过当前元素 + if (i > start && nums[i] == nums[i - 1]) { + continue; // 剪枝 + } + + // 做选择 + track.add(nums[i]); + // 递归进入下一层 + backtrack(nums, i + 1, track, res); + // 撤销选择 + track.remove(track.size() - 1); + } + } +} +``` + + + +#### 🎯 [组合总和 II_40](https://leetcode.cn/problems/combination-sum-ii/) + +> 给定一个候选人编号的集合 `candidates` 和一个目标数 `target` ，找出 `candidates` 中所有可以使数字和为 `target` 的组合。 +> +> `candidates` 中的每个数字在每个组合中只能使用 **一次** 。 +> +> **注意：**解集不能包含重复的组合。 +> +> ``` +> 输入: candidates = [10,1,2,7,6,1,5], target = 8, +> 输出: +> [ +> [1,1,6], +> [1,2,5], +> [1,7], +> [2,6] +> ] +> ``` + +**💡 思路**：说这是一个组合问题，其实换个问法就变成子集问题了：请你计算 `candidates` 中所有和为 `target` 的子集。 + +1. **排序**：首先对 `candidates` 数组进行排序，排序后的数组方便处理重复数字。 +2. **递归选择**：在递归过程中，确保如果当前数字和上一个数字相同，且上一个数字没有被选择过，则跳过当前数字，从而避免重复组合。 +3. **递归终止条件**：如果 `target` 变为 0，表示找到了一个符合条件的组合；如果 `target` 小于 0，表示当前路径不合法，应该回溯。 + +```java +public class Solution { + public List> combinationSum2(int[] candidates, int target) { + List> res = new ArrayList<>(); + Arrays.sort(candidates); // 排序，便于后续去重 + backtrack(candidates, target, 0, new ArrayList<>(), res); + return res; + } + + private void backtrack(int[] candidates, int target, int start, List track, List> res) { + // 当目标值为0时，找到一个符合条件的组合 + if (target == 0) { + res.add(new ArrayList<>(track)); // 复制当前组合并加入结果 + return; + } + + // 遍历候选数组 + for (int i = start; i < candidates.length; i++) { + // 剪枝：当前数字大于目标值，后续不可能有合法的组合 + if (candidates[i] > target) { + break; + } + // 剪枝：跳过重复的数字 + if (i > start && candidates[i] == candidates[i - 1]) { + continue; + } + + // 做选择：选择当前数字 + track.add(candidates[i]); + // 递归，注意i + 1表示下一个位置，确保每个数字只使用一次 + backtrack(candidates, target - candidates[i], i + 1, track, res); + // 撤销选择 + track.remove(track.size() - 1); + } + } +} + +``` + + + +#### 🔄 [全排列 II_47](https://leetcode.cn/problems/permutations-ii/) + +> 给定一个可包含重复数字的序列 `nums` ，***按任意顺序*** 返回所有不重复的全排列。 +> +> ``` +> 输入：nums = [1,1,2] +> 输出： +> [[1,1,2], +> [1,2,1], +> [2,1,1]] +> ``` + +**💡 思路**：典型的回溯 + +1. **排序**：排序的目的是为了能够在回溯时做出剪枝选择。如果两个数字相同，并且前一个数字未被使用过，那么就可以跳过当前数字，避免产生重复的排列 +2. **回溯过程**：`backtrack` 是核心的递归函数。它每次递归时尝试将 `nums` 中的元素添加到 `track` 列表中。当 `track` 的大小等于 `nums` 的长度时，说明我们找到了一个排列，加入到结果 `res` 中。 + - **标记数字是否被使用**：用一个布尔数组 `used[]` 来标记当前数字是否已经在某一层递归中被使用过，避免重复排列。 + - **剪枝条件**：如果当前数字和前一个数字相同，并且前一个数字还没有被使用过，那么跳过当前数字，因为此时使用相同的数字会导致重复的排列。 +3. **递归回溯的选择与撤销**： + - **做选择**：选择当前数字 `nums[i]`，将其标记为已用，并添加到当前排列中。 + - **递归**：继续递归地选择下一个数字，直到 `track` 的大小等于 `nums` 的大小。 + - **撤销选择**：递归回到上一层时，撤销刚刚的选择，将当前数字从 `track` 中移除，并将其标记为未使用。 + +> 剪枝的逻辑： +> +> - **第一轮回溯**：选择第一个 `1`，然后继续递归选择，生成一个排列。 +> +> - **第二轮回溯**：当我们尝试选择第二个 `1` 时，假如第一个 `1` 没有被使用，第二个 `1` 会被选择，这时就会生成一个和第一轮相同的排列。为避免这种情况，我们需要 **剪枝**。 + +```java +public class Solution { + public List> permuteUnique(int[] nums) { + List> res = new ArrayList<>(); + Arrays.sort(nums); // 排序，确保相同元素相邻 + backtrack(nums, new boolean[nums.length], new ArrayList<>(), res); + return res; + } + + private void backtrack(int[] nums, boolean[] used, List track, List> res) { + // 当排列的大小达到nums.length时，找到一个合法排列 + if (track.size() == nums.length) { + res.add(new ArrayList<>(track)); // 加入当前排列 + return; + } + + // 遍历数组，递归生成排列 + for (int i = 0; i < nums.length; i++) { + // 剪枝：当前元素已经被使用过，跳过 + if (used[i]) continue; + // 剪枝：跳过相同的元素，避免生成重复排列 + if (i > 0 && nums[i] == nums[i - 1] && !used[i - 1]) continue; + + // 做选择 + track.add(nums[i]); + used[i] = true; // 标记当前元素已使用 + + // 递归 + backtrack(nums, used, track, res); + + // 撤销选择 + track.remove(track.size() - 1); + used[i] = false; // 标记当前元素未使用 + } + } +} + +``` + + + +### ♻️ 三、元素无重复可复选 + +输入数组无重复元素，但每个元素可以被无限次使用 + +#### 🎯 [组合总和_39](https://leetcode.cn/problems/combination-sum/) + +> 给你一个 **无重复元素** 的整数数组 `candidates` 和一个目标整数 `target` ，找出 `candidates` 中可以使数字和为目标数 `target` 的 所有 **不同组合** ，并以列表形式返回。你可以按 **任意顺序** 返回这些组合。 +> +> `candidates` 中的 **同一个** 数字可以 **无限制重复被选取** 。如果至少一个数字的被选数量不同，则两种组合是不同的。 +> +> 对于给定的输入，保证和为 `target` 的不同组合数少于 `150` 个。 +> +> ``` +> 输入：candidates = [2,3,6,7], target = 7 +> 输出：[[2,2,3],[7]] +> 解释： +> 2 和 3 可以形成一组候选，2 + 2 + 3 = 7 。注意 2 可以使用多次。 +> 7 也是一个候选， 7 = 7 。 +> 仅有这两种组合。 +> ``` + +**💡 思路**：**元素无重可复选，即 `nums` 中的元素都是唯一的，每个元素可以被使用若干次**，只要删掉去重逻辑即可 + +```java +public class Solution { + public List> combinationSum(int[] candidates, int target) { + List> res = new ArrayList<>(); + List track = new ArrayList<>(); + backtrack(candidates, target, 0, track, res); + return res; + } + + private void backtrack(int[] candidates, int target, int start, List track, List> res) { + // 如果目标值为0，表示当前组合符合条件 + if (target == 0) { + res.add(new ArrayList<>(track)); // 将当前组合加入结果 + return; + } + + // 遍历候选数组 + for (int i = start; i < candidates.length; i++) { + // 如果当前数字大于目标值，跳过 + if (candidates[i] > target) continue; + + // 做选择：选择当前数字 + track.add(candidates[i]); + + // 递归，注意这里传入 i，因为可以重复选择当前数字 + backtrack(candidates, target - candidates[i], i, track, res); + + // 撤销选择 + track.remove(track.size() - 1); + } + } +} +``` + + + +## 其他问题 + +### 📞 [电话号码的字母组合_17](https://leetcode.cn/problems/letter-combinations-of-a-phone-number/) + +> 给定一个仅包含数字 2-9 的字符串，返回所有它能表示的字母组合。答案可以按 任意顺序 返回。 +> +> 给出数字到字母的映射如下（与电话按键相同）。注意 1 不对应任何字母。 +> +> ![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2021/11/09/200px-telephone-keypad2svg.png) +> +> ``` +> 输入：digits = "23" +> 输出：["ad","ae","af","bd","be","bf","cd","ce","cf"] +> ``` + +**💡 思路**：回溯，递归地尝试每一位数字对应的所有字母，直到找出所有有效的组合 + +首先，我们需要将每个数字 2 到 9 映射到其对应的字母，可以用 Map , 也可以用数组。然后就是递归处理。 + +**递归终止条件**：当当前组合的长度与输入的数字字符串长度相同，就说明我们已经得到了一个有效的组合，可以将其加入结果集。 + +![](http://img.starfish.ink/leetcode/leetcode-letterCombinations.png) + +```java +public class Solution { + public List letterCombinations(String digits) { + List res = new ArrayList<>(); + if (digits == null || digits.length() == 0) { + return res; // 如果输入为空，返回空结果 + } + + // 数字到字母的映射 + String[] mapping = { + "", "", "abc", "def", "ghi", "jkl", "mno", "pqrs", "tuv", "wxyz" + }; + + // 使用回溯法生成字母组合 + backtrack(digits, 0, mapping, new StringBuilder(), res); + return res; + } + + private void backtrack(String digits, int index, String[] mapping, StringBuilder current, List res) { + // 如果当前组合的长度等于输入的长度，说明已经生成了一个有效的字母组合 + if (index == digits.length()) { + res.add(current.toString()); + return; + } + + // 获取当前数字对应的字母 + String letters = mapping[digits.charAt(index) - '0']; + + // 递归选择字母 + for (char letter : letters.toCharArray()) { + current.append(letter); // 选择一个字母 + backtrack(digits, index + 1, mapping, current, res); // 递归处理下一个数字 + current.deleteCharAt(current.length() - 1); // 撤销选择 + } + } +} +``` + + + +### 🔗 [括号生成_22](https://leetcode.cn/problems/generate-parentheses/) + +> 数字 `n` 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 **有效的** 括号组合。 +> +> ``` +> 输入：n = 3 +> 输出：["((()))","(()())","(())()","()(())","()()()"] +> ``` + +**💡 思路**： + +![](http://img.starfish.ink/leetcode/leetcode-generate-parentheses.png) + +```java + +public List generateParenthesis(int n) { + List res = new ArrayList<>(); + // 回溯过程中的路径 + StringBuilder track = new StringBuilder(); + if (n == 0) { + return res; + } + trackback(n, n, res, track); + return res; + } + + // 可用的左括号数量为 left 个，可用的右括号数量为 right 个 + private void trackback(int left, int right, List res, StringBuilder track) { + //如果剩余的左括号数量大于右括号数量 + if (left < 0 || right < 0 || left > right) { + return; + } + + // 当所有括号都恰好用完时，得到一个合法的括号组合 + if (left == 0 && right == 0) { + res.add(track.toString()); + return; + } + + // 做选择，尝试放一个左括号 + track.append('('); + trackback(left - 1, right, res, track); + // 撤销选择 + track.deleteCharAt(track.length() - 1); + + track.append(')'); + trackback(left, right - 1, res, track); + track.deleteCharAt(track.length() - 1); + + } +``` + + + +### ♛ [N 皇后_51](https://leetcode.cn/problems/n-queens/) + +> 按照国际象棋的规则，皇后可以攻击与之处在同一行或同一列或同一斜线上的棋子。 +> +> **n 皇后问题** 研究的是如何将 `n` 个皇后放置在 `n×n` 的棋盘上，并且使皇后彼此之间不能相互攻击。 +> +> 给你一个整数 `n` ，返回所有不同的 **n 皇后问题** 的解决方案。 +> +> 每一种解法包含一个不同的 **n 皇后问题** 的棋子放置方案，该方案中 `'Q'` 和 `'.'` 分别代表了皇后和空位。 +> +> ![](https://assets.leetcode.com/uploads/2020/11/13/queens.jpg) +> +> ``` +>输入：n = 4 +> 输出：[[".Q..","...Q","Q...","..Q."],["..Q.","Q...","...Q",".Q.."]] +> 解释：如上图所示，4 皇后问题存在两个不同的解法。 +> ``` + +**💡 思路**：通过回溯算法逐行放置皇后，每次递归时确保当前行、列和对角线不被其他皇后攻击。通过标记已占用的列和对角线，避免重复搜索，最终生成所有合法的解。 + +- 如果在某一列或对角线处已有皇后，就不能在该位置放置皇后。我们可以使用三个辅助数组来追踪列和对角线的使用情况： + - `cols[i]`：表示第 `i` 列是否已经放置了皇后。 + - `diag1[i]`：表示从左上到右下的对角线（`row - col`）是否已经有皇后。 + - `diag2[i]`：表示从右上到左下的对角线（`row + col`）是否已经有皇后。 + +- 主对角线是从左上角到右下角的对角线、副对角线是从右上角到左下角的对角线 + +```java +public class NQueens { + + public List> solveNQueens(int N) { + List> result = new ArrayList<>(); + char[][] board = new char[N][N]; + + // 初始化棋盘，每个位置设为'.' + for (int i = 0; i < N; i++) { + for (int j = 0; j < N; j++) { + board[i][j] = '.'; + } + } + + // 用来记录列、主对角线、副对角线是否已被占用 + boolean[] cols = new boolean[N]; // 列占用标记 + boolean[] diag1 = new boolean[2 * N - 1]; // 主对角线占用标记 + boolean[] diag2 = new boolean[2 * N - 1]; // 副对角线占用标记 + + backtrack(N, 0, board, cols, diag1, diag2, result); + return result; + } + + // 回溯函数 + private void backtrack(int N, int row, char[][] board, boolean[] cols, boolean[] diag1, boolean[] diag2, List> result) { + if (row == N) { // 如果已经放置了 N 个皇后 + List solution = new ArrayList<>(); + for (int i = 0; i < N; i++) { + solution.add(new String(board[i])); // 将每一行转化为字符串并添加到结果中 + } + result.add(solution); + return; + } + + // 遍历每一列，尝试放置皇后 + for (int col = 0; col < N; col++) { + // 判断当前位置是否可以放置皇后 + if (cols[col] || diag1[row - col + (N - 1)] || diag2[row + col]) { + continue; // 如果列、主对角线或副对角线已被占用，跳过当前列 + } + + // 放置皇后 + board[row][col] = 'Q'; + cols[col] = true; // 标记该列已被占用 + diag1[row - col + (N - 1)] = true; // 标记主对角线已被占用 + diag2[row + col] = true; // 标记副对角线已被占用 + + // 递归放置下一行的皇后 + backtrack(N, row + 1, board, cols, diag1, diag2, result); + + // 回溯，撤销当前位置的选择 + board[row][col] = '.'; + cols[col] = false; + diag1[row - col + (N - 1)] = false; + diag2[row + col] = false; + } + } + + // 打印结果 + public void printSolutions(List> solutions) { + for (List solution : solutions) { + for (String row : solution) { + System.out.println(row); + } + System.out.println(); + } + } + + public static void main(String[] args) { + NQueens nq = new NQueens(); + List> solutions = nq.solveNQueens(4); + nq.printSolutions(solutions); + } +} + +``` + + + + + +## 📚 参考与感谢： + +- https://yuminlee2.medium.com/combinations-and-combination-sum-3ed2accc8d12 +- https://medium.com/@sunshine990316/leetcode-python-backtracking-summary-medium-1-e8ae88839e85 +- https://blog.devgenius.io/10-daily-practice-problems-day-18-f7293b55224d +- [hello 算法- 回溯算法](https://www.hello-algo.com/chapter_backtracking/backtracking_algorithm/#1312) + +--- + +> 🎉 **恭喜你完成了回溯算法的学习！** 回溯算法是解决很多复杂问题的强大工具，掌握了它，你就拥有了解决排列、组合、子集等问题的钥匙。记住：**选择 → 递归 → 撤销选择** 是回溯的核心思想！ diff --git a/docs/data-structure-algorithms/algorithm/Binary-Search.md b/docs/data-structure-algorithms/algorithm/Binary-Search.md new file mode 100755 index 0000000000..9fb5f32679 --- /dev/null +++ b/docs/data-structure-algorithms/algorithm/Binary-Search.md @@ -0,0 +1,1030 @@ +--- +title: 二分查找 +date: 2023-02-09 +tags: + - binary-search + - algorithms +categories: algorithms +--- + +![](https://img.starfish.ink/algorithm/binary-search-banner.png) + +> 二分查找【折半查找】，一种简单高效的搜索算法，一般是利用有序数组的特性，通过逐步比较中间元素来快速定位目标值。 +> +> 二分查找并不简单，Knuth 大佬（发明 KMP 算法的那位）都说二分查找：**思路很简单，细节是魔鬼**。比如二分查找让人头疼的细节问题，到底要给 `mid` 加一还是减一，while 里到底用 `<=` 还是 `<`。 + +## 一、二分查找基础框架 + +```java +int binarySearch(int[] nums, int target) { + int left = 0, right = ...; + + while(...) { + int mid = left + (right - left) / 2; + if (nums[mid] == target) { + ... + } else if (nums[mid] < target) { + left = ... + } else if (nums[mid] > target) { + right = ... + } + } + return ...; +} +``` + +**分析二分查找的一个技巧是：不要出现 else，而是把所有情况用 else if 写清楚，这样可以清楚地展现所有细节**。本文都会使用 else if，旨在讲清楚，读者理解后可自行简化。 + +其中 `...` 标记的部分，就是可能出现细节问题的地方，当你见到一个二分查找的代码时，首先注意这几个地方。 + +**另外提前说明一下，计算 `mid` 时需要防止溢出**，代码中 `left + (right - left) / 2` 就和 `(left + right) / 2` 的结果相同，但是有效防止了 `left` 和 `right` 太大，直接相加导致溢出的情况。 + + + +## 二、二分查找性能分析 + +**时间复杂度**：二分查找的时间复杂度为 $O(log n)$​，其中 n 是数组的长度。这是因为每次比较后，搜索范围都会减半，非常高效。 + +> logn 是一个非常“恐怖”的数量级，即便 n 非常非常大，对应的 logn 也很小。比如 n 等于 2 的 32 次方，这个数很大了吧？大约是 42 亿。也就是说，如果我们在 42 亿个数据中用二分查找一个数据，最多需要比较 32 次。 + +**空间复杂度**： + +- 迭代法：$O(1)$，因为只需要常数级别的额外空间。 +- 递归法：$O(log n)$，因为递归调用会占用栈空间。 + +**最坏情况**：最坏情况下，目标值位于数组两端或不存在，需要$log n$次比较才能确定。 + +**二分查找与其他搜索算法的比较**： + +- 线性搜索：线性搜索简单，时间复杂度为$O(n)$，但在大规模数据集上效率较低。 + +- 哈希：哈希在查找上能提供平均$O(1)$的时间复杂度，但需要额外空间存储哈希表，且对数据有序性无要求。 + + + +## 三、刷刷热题 + +- 二分查找，可以用循环（迭代）实现，也可以用递归实现 +- 二分查找依赖的是顺序表结构（也就是数组） +- 二分查找针对的是有序数组 +- 数据量太小太大都不是很适用二分（太小直接顺序遍历就够了，太大的话对连续内存空间要求更高） + +### [二分查找『704』](https://leetcode.cn/problems/binary-search/)（基本的二分搜索） + +> 给定一个 n 个元素有序的（升序）整型数组 nums 和一个目标值 target ，写一个函数搜索 nums 中的 target，如果目标值存在返回下标，否则返回 -1。 +> + +```java +int binarySearch(int[] nums, int target) { + int left = 0; + int right = nums.length - 1; // 注意 + + while(left <= right) { + int mid = left + (right - left) / 2; + if(nums[mid] == target) + return mid; + else if (nums[mid] < target) + left = mid + 1; // 注意 + else if (nums[mid] > target) + right = mid - 1; // 注意 + } + return -1; +} +``` + +**时间复杂度**：O(log n)，每次都将搜索范围缩小一半 +**空间复杂度**：O(1)，只使用常量级别的额外空间 + +**1、为什么 while 循环的条件中是 <=，而不是 <**？ + +答：因为初始化 `right` 的赋值是 `nums.length - 1`，即最后一个元素的索引，而不是 `nums.length`。 + +这二者可能出现在不同功能的二分查找中，区别是：前者相当于两端都闭区间 `[left, right]`，后者相当于左闭右开区间 `[left, right)`。因为索引大小为 `nums.length` 是越界的，所以我们把 `right` 这一边视为开区间。 + +我们这个算法中使用的是前者 `[left, right]` 两端都闭的区间。**这个区间其实就是每次进行搜索的区间**。 + +**2、为什么 `left = mid + 1`，`right = mid - 1`？我看有的代码是 `right = mid` 或者 `left = mid`，没有这些加加减减，到底怎么回事，怎么判断**？ + +答：这也是二分查找的一个难点，不过只要你能理解前面的内容，就能够很容易判断。 + +刚才明确了「搜索区间」这个概念，而且本算法的搜索区间是两端都闭的，即 `[left, right]`。那么当我们发现索引 `mid` 不是要找的 `target` 时，下一步应该去搜索哪里呢？ + +当然是去搜索区间 `[left, mid-1]` 或者区间 `[mid+1, right]` 对不对？**因为 `mid` 已经搜索过，应该从搜索区间中去除**。 + +> ##### 1. **左闭右闭区间 `[left, right]`** +> +> - **循环条件**：`while (left <= right)`，因为 `left == right` 时区间仍有意义。 +> - 边界调整： +> - `nums[mid] < target` → `left = mid + 1`（排除 `mid` 左侧） +> - `nums[mid] > target` → `right = mid - 1`（排除 `mid` 右侧） +> - 适用场景：明确目标值存在于数组时，直接返回下标。 +> +> ##### 2. **左闭右开区间 `[left, right)`** +> +> - **初始化**：`right = nums.length`。 +> - **循环条件**：`while (left < right)`，因为 `left == right` 时区间为空。 +> - 边界调整： +> - `nums[mid] < target` → `left = mid + 1` +> - `nums[mid] > target` → `right = mid`（右开，不包含 `mid`） +> - **适用场景**：需要处理目标值可能不在数组中的情况，例如插入位置问题 + +> 比如说给你有序数组 `nums = [1,2,2,2,3]`，`target` 为 2，此算法返回的索引是 2，没错。但是如果我想得到 `target` 的左侧边界，即索引 1，或者我想得到 `target` 的右侧边界，即索引 3，这样的话此算法是无法处理的。 +> +> 所以又有了一些含有重复元素，带有边界问题的二分。 + +### 寻找左侧边界的二分搜索 + +```java +public int leftBound(int[] nums, int target) { + int left = 0; + int right = nums.length - 1; + while (left <= right) { + int mid = (right - left) / 2 + left; + if (nums[mid] > target) { + right = mid - 1; + } else if (nums[mid] < target) { + left = mid + 1; + } else { + //mid 是第一个元素，或者前一个元素不等于查找值，锁定，且返回的是mid + if (mid == 0 || nums[mid - 1] != target) return mid; + else right = mid - 1; + } + } + return -1; +} +``` + +### 寻找右侧边界的二分查找 + +```java +public int rightBound(int[] nums, int target){ + int left = 0; + int right = nums.length - 1; + while(left <= right){ + int mid = left + (right - left)/2; + if(nums[mid] > target){ + right = mid - 1; + }else if(nums[mid] < target){ + left = mid +1; + }else{ + if(mid == nums.length - 1 || nums[mid +1] != target) return mid; + else left = mid + 1; + } + } + return -1; +} +``` + +### 查找第一个大于等于给定值的元素 + +```JAVA +//查找第一个大于等于给定值的元素 1,3,5,7,9 找出第一个大于等于5的元素 +public int firstNum(int[] nums, int target) { + int left = 0; + int right = nums.length - 1; + while (left <= right) { + int mid = left + (right - left) / 2; + if (nums[mid] >= target) { + if (mid == 0 || nums[mid - 1] < target) return mid; + else right = mid - 1; + } else { + left = mid + 1; + } + } + return -1; +} +``` + + + +### [搜索旋转排序数组『33』](https://leetcode-cn.com/problems/search-in-rotated-sorted-array/) + +> 整数数组 nums 按升序排列，数组中的值 互不相同 。 +> +> 在传递给函数之前，nums 在预先未知的某个下标 k（0 <= k < nums.length）上进行了 旋转，使数组变为 [nums[k], nums[k+1], ..., nums[n-1], nums[0], nums[1], ..., nums[k-1]]（下标 从 0 开始 计数）。例如， [0,1,2,4,5,6,7] 在下标 3 处经旋转后可能变为 [4,5,6,7,0,1,2] 。 +> +> 给你 旋转后 的数组 nums 和一个整数 target ，如果 nums 中存在这个目标值 target ，则返回它的下标，否则返回 -1 。 +> +> ``` +> 输入：nums = [4,5,6,7,0,1,2], target = 0 +> 输出：4 +> ``` +> +> ``` +> 输入：nums = [4,5,6,7,0,1,2], target = 3 +> 输出：-1 +> ``` + +**思路**： + +对于有序数组（部分有序也可以），可以使用二分查找的方法查找元素。 + +旋转数组后，依然是局部有序，从数组中间分成左右两部分后，一定有一部分是有序的 + +- 如果 [L, mid - 1] 是有序数组，且 target 的大小满足 [nums[L],nums[mid]，则我们应该将搜索范围缩小至 [L, mid - 1]，否则在 [mid + 1, R] 中寻找。 +- 如果 [mid, R] 是有序数组，且 target 的大小满足 ({nums}[mid+1],{nums}[R]]，则我们应该将搜索范围缩小至 [mid + 1, R]，否则在 [l, mid - 1] 中寻找。 + +```java +public int search(int[] nums, int target) { + if (nums == null || nums.length == 0) return -1; + + int left = 0, right = nums.length - 1; + + while (left <= right) { + int mid = left + (right - left) / 2; + + if (nums[mid] == target) { + return mid; // 找到目标 + } + + // 判断左半部分是否有序 + if (nums[left] <= nums[mid]) { + // 左半部分有序 + if (nums[left] <= target && target < nums[mid]) { + right = mid - 1; // 目标在左半部分 + } else { + left = mid + 1; // 目标在右半部分 + } + } else { + // 右半部分有序 + if (nums[mid] < target && target <= nums[right]) { + left = mid + 1; // 目标在右半部分 + } else { + right = mid - 1; // 目标在左半部分 + } + } + } + + return -1; // 未找到目标 +} +``` + +**时间复杂度**：$O(log n) $，二分查找的时间复杂度 +**空间复杂度**：$O(1)$，只使用常量级别的额外空间 + + + +### [在排序数组中查找元素的第一个和最后一个位置『34』](https://leetcode-cn.com/problems/find-first-and-last-position-of-element-in-sorted-array/) + +> 给定一个按照升序排列的整数数组 nums，和一个目标值 target。找出给定目标值在数组中的开始位置和结束位置。 +> +> 如果数组中不存在目标值 target，返回 [-1, -1]。 +> +> 你可以设计并实现时间复杂度为 $O(log n) $ 的算法解决此问题吗？ +> +> ``` +> 输入：nums = [5,7,7,8,8,10], target = 8 +> 输出：[3,4] +> ``` +> +> ``` +> 输入：nums = [5,7,7,8,8,10], target = 6 +> 输出：[-1,-1] +> ``` + +**思路**：二分法寻找左右边界值 + +```java +public int[] searchRange(int[] nums, int target) { + int first = binarySearch(nums, target, true); + int last = binarySearch(nums, target, false); + return new int[]{first, last}; +} + +public int binarySearch(int[] nums, int target, boolean findLast) { + int length = nums.length; + int left = 0, right = length - 1; + //结果，因为可能有多个值，所以需要先保存起来 + int index = -1; + while (left <= right) { + //取中间值 + int middle = left + (right - left) / 2; + + //找到相同的值（只有这个地方和普通二分查找有不同） + if (nums[middle] == target) { + //先赋值一下，肯定是找到了，只是不知道这个值是不是在区域的边界内 + index = middle; + //如果是查找最后的 + if (findLast) { + //那我们将浮标移动到下一个值试探一下后面的值还是否有target + left = middle + 1; + } else { + //否则，就是查找第一个值，也是同理，移动指针到上一个值去试探一下上一个值是不是等于target + right = middle - 1; + } + + //下面2个就是普通的二分查找流程，大于小于都移动指针 + } else if (nums[middle] < target) { + left = middle + 1; + } else { + right = middle - 1; + } + + } + return index; +} +``` + +**时间复杂度**：$O(log n) $，需要进行两次二分查找 +**空间复杂度**：$O(1)$，只使用常量级别的额外空间 + + + +### [搜索插入位置『35』](https://leetcode.cn/problems/search-insert-position/) + +> 给定一个排序数组和一个目标值，在数组中找到目标值，并返回其索引。如果目标值不存在于数组中，返回它将会被按顺序插入的位置。请必须使用时间复杂度为 `O(log n)` 的算法。 +> +> ``` +> 输入: nums = [1,3,5,6], target = 2 +> 输出: 1 +> ``` + +```java +public int searchInsert(int[] nums, int target) { + int left = 0; + int right = nums.length - 1; + //注意：特例处理 + if (nums[left] > target) return 0; + if (nums[right] < target) return right + 1; + while (left <= right) { + int mid = left + (right - left) / 2; + if (nums[mid] > target) { + right = mid - 1; + } else if (nums[mid] < target) { + left = mid + 1; + } else { + return mid; + } + } + //注意：这里如果没有查到，返回left,也就是需要插入的位置 + return left; + } +``` + +**时间复杂度**：$O(log n) $，标准的二分查找时间复杂度 +**空间复杂度**：$O(1)$，只使用常量级别的额外空间 + + + +### [寻找旋转排序数组中的最小值『153』](https://leetcode-cn.com/problems/find-minimum-in-rotated-sorted-array/) + +> 已知一个长度为 n 的数组，预先按照升序排列，经由 1 到 n 次 旋转 后，得到输入数组。例如，原数组 nums = [0,1,2,4,5,6,7] 在变化后可能得到： +> 若旋转 4 次，则可以得到 [4,5,6,7,0,1,2] 若旋转 7 次，则可以得到 [0,1,2,4,5,6,7] +> 注意，数组 [a[0], a[1], a[2], ..., a[n-1]] 旋转一次 的结果为数组 [a[n-1], a[0], a[1], a[2], ..., a[n-2]] 。 +> +>给你一个元素值 互不相同 的数组 nums ，它原来是一个升序排列的数组，并按上述情形进行了多次旋转。请你找出并返回数组中的 最小元素 。 +> +>你必须设计一个时间复杂度为 $O(log n)$ 的算法解决此问题。 +> +>``` +> 输入：nums = [3,4,5,1,2] +> 输出：1 +> 解释：原数组为 [1,2,3,4,5] ，旋转 3 次得到输入数组。 +> ``` +> + +**思路**： + +升序数组+旋转，仍然是部分有序，考虑用二分查找。 + +![](https://assets.leetcode-cn.com/solution-static/153/1.png) + +> 我们先搞清楚题目中的数组是通过怎样的变化得来的，基本上就是等于将整个数组向右平移 + +> 这种二分查找难就难在，arr[mid] 跟谁比。 +> +> 我们的目的是：当进行一次比较时，一定能够确定答案在 mid 的某一侧。一次比较为 arr[mid] 跟谁比的问题。 +> 一般的比较原则有： +> +> - 如果有目标值 target，那么直接让 arr[mid] 和 target 比较即可。 +> - 如果没有目标值，一般可以考虑 **端点** +> +> 如果中值 < 右值，则最小值在左半边，可以收缩右边界。 +> 如果中值 > 右值，则最小值在右半边，可以收缩左边界。 + +旋转数组，最小值右侧的元素肯定都小于或等于数组中的最后一个元素 `nums[n-1]`，左侧元素都大于 `num[n-1]` + +```java +public static int findMin(int[] nums) { + int left = 0; + int right = nums.length - 1; + //左闭右开 + while (left < right) { + int mid = left + (right - left) / 2; + //疑问：为什么right = mid;而不是 right = mid-1; + //解答：{4,5,1,2,3}，如果right = mid-1，则丢失了最小值1 + if (nums[mid] < nums[right]) { + right = mid; + } else { + left = mid + 1; + } + } + //循环结束条件，left = right，最小值输出nums[left]或nums[right]均可 + return nums[left]; +} +``` + +**时间复杂度**：$O(log n) $，每次都将搜索范围缩小一半 +**空间复杂度**：$O(1)$，只使用常量级别的额外空间 + +**如果是求旋转数组中的最大值呢** + +```java +public static int findMax(int[] nums) { + int left = 0; + int right = nums.length - 1; + + while (left < right) { + int mid = left + (right - left) >> 1; + + //因为向下取整，left可能会等于mid，所以要考虑 + if (nums[left] < nums[right]) { + return nums[right]; + } + + //[left,mid] 是递增的，最大值只会在[mid,right]中 + if (nums[left] < nums[mid]) { + left = mid; + } else { + //[mid,right]递增，最大值只会在[left, mid-1]中 + right = mid - 1; + } + } + return nums[left]; +} +``` + +### [寻找重复数『287』](https://leetcode-cn.com/problems/find-the-duplicate-number/) + +> 长度为 n+1 的数组，元素在 1~n 之间，有且仅有一个重复数（可能重复多次）。要求不修改数组且只用 O (1) 空间。 +> +> ``` +>输入：nums = [1,3,4,2,2] +> 输出：2 +>``` +> +> ``` +> 输入：nums = [3,1,3,4,2] +> 输出：3 +>``` + +**思路**： + +- 统计小于等于 mid 的元素个数 +- 若 count > mid，说明重复数在 [1, mid] 区间 +- 否则在 [mid+1, n] 区间 + +> 抽屉原理：把 `10` 个苹果放进 `9` 个抽屉，至少有一个抽屉里至少放 `2` 个苹果。 + +```java +public int findDuplicate(int[] nums) { + int left = 0; + int right = nums.length - 1; + while (left <= right) { + int mid = left + (right - left) / 2; + + // nums 中小于等于 mid 的元素的个数 + int count = 0; + for (int num : nums) { + //看这里，是 <= mid，而不是 nums[mid] + if (num <= mid) { + count += 1; + } + } + + // 根据抽屉原理，小于等于 4 的个数如果严格大于 4 个，此时重复元素一定出现在 [1..4] 区间里 + if (count > mid) { + // 重复元素位于区间 [left..mid] + right = mid - 1; + } else { + // if 分析正确了以后，else 搜索的区间就是 if 的反面区间 [mid + 1..right] + left = mid + 1; + } + } + return left; +} +``` + +**时间复杂度**：$O(n log n)$，每次需要遍历数组O(n) +**空间复杂度**：$O(1)$，只使用常量级别的额外空间 + + + +### [寻找峰值『162』](https://leetcode-cn.com/problems/find-peak-element/) + +> 峰值元素是指其值严格大于左右相邻值的元素。 +> +> 给你一个整数数组 nums，找到峰值元素并返回其索引。数组可能包含多个峰值，在这种情况下，返回 任何一个峰值 所在位置即可。 +> +> 你可以假设 nums[-1] = nums[n] = -∞ 。 +> +> 你必须实现时间复杂度为 $O(log n) $的算法来解决此问题。 +> +> ``` +> 输入：nums = [1,2,3,1] +> 输出：2 +> 解释：3 是峰值元素，你的函数应该返回其索引 2。 +> ``` +> +> ``` +> 输入：nums = [1,2,1,3,5,6,4] +> 输出：1 或 5 +> 解释：你的函数可以返回索引 1，其峰值元素为 2； +>   或者返回索引 5， 其峰值元素为 6。 +> ``` + +**思路**： + +- 比较 `nums[mid]` 和 `nums[mid+1]` +- 如果 `nums[mid] < nums[mid+1]`，说明右侧一定有峰值 +- 否则左侧一定有峰值 + +**为什么有效**： + +- 峰值条件 `nums[i] > nums[i+1]` 保证单调性 +- 二分查找每次可以缩小一半搜索范围 + +```java +public int findPeakElement(int[] nums) { + int left = 0, right = nums.length - 1; + + while (left < right) { + int mid = left + (right - left) / 2; + + if (nums[mid] < nums[mid + 1]) { + // 右侧有峰值 + left = mid + 1; + } else { + // 左侧有峰值 + right = mid; + } + } + + return left; // left == right，即为峰值位置 +} +``` + +**时间复杂度**：$O(log n) $，二分查找的时间复杂度 +**空间复杂度**：$O(1)$，只使用常量级别的额外空间 + + + +### [搜索二维矩阵『74』](https://leetcode.cn/problems/search-a-2d-matrix/) + +> 给你一个满足以下两点的 `m x n` 矩阵： +> +> - 每行从左到右递增 +> - 每行第一个数大于上一行最后一个数 +> +> 判断目标值 `target` 是否在矩阵中。 +> +> 给你一个整数 `target` ，如果 `target` 在矩阵中，返回 `true` ；否则，返回 `false` 。 +> +> ![img](https://assets.leetcode.com/uploads/2020/10/05/mat.jpg) +> +> ``` +> 输入：matrix = [[1,3,5,7],[10,11,16,20],[23,30,34,60]], target = 3 +> 输出：true +> ``` + +**思路**：由于每行的第一个元素都大于前一行的最后一个元素，整个矩阵可以被看作一个**完全有序的一维数组**。 + +例如，上面的示例矩阵可以被 “拉直” 为：`[1, 3, 5, 7, 10, 11, 16, 20, 23, 30, 34, 60]` + +要实现 “一次二分”，必须能将一维数组的索引 `mid`（二分查找中的中间位置）转换回二维矩阵的 `(行号, 列号)`，公式如下： + +- **行号 = mid /n**（整除，因为每一行有 `n` 个元素，商表示当前元素在第几行） +- **列号 = mid % n**（取余，余数表示当前元素在该行的第几列） + +举例： + +- 一维索引 `mid = 5`，`n = 4`（列数）： + - 行号 = 5 / 4 = 1（第 2 行，索引从 0 开始） + - 列号 = 5 % 4 = 1（第 2 列） + - 对应矩阵值：`matrix[1][1] = 11`，与一维数组索引 5 的值一致。 + +```java +public boolean searchMatrix(int[][] matrix, int target) { + // 1. 处理边界情况：矩阵为空（行数为 0） + int m = matrix.length; + if (m == 0) { + return false; + } + + // 2. 处理边界情况：矩阵列数为空（每行没有元素） + int n = matrix[0].length; + if (n == 0) { + return false; + } + + // 3. 初始化二分查找的左右指针（对应一维数组的起始和末尾索引） + int left = 0; + int right = m * n - 1; // 总元素数 = 行数 × 列数，末尾索引 = 总元素数 - 1 + + // 4. 二分查找循环：left <= right 确保不遗漏元素 + while (left <= right) { + // 计算中间索引：避免 left + right 直接相加导致整数溢出 + int mid = left + (right - left) / 2; + + // 关键：将一维索引 mid 转换为二维矩阵的 (row, col) 坐标 + int row = mid / n; // 行号 = 中间索引 ÷ 列数（整除） + int col = mid % n; // 列号 = 中间索引 % 列数（取余） + + // 获取当前中间位置的矩阵值 + int midValue = matrix[row][col]; + + // 5. 比较 midValue 与 target，调整二分范围 + if (midValue == target) { + // 找到目标值，直接返回 true + return true; + } else if (midValue < target) { + // 中间值比目标小：目标在右半部分，left 移到 mid + 1 + left = mid + 1; + } else { + // 中间值比目标大：目标在左半部分，right 移到 mid - 1 + right = mid - 1; + } + } + + // 6. 循环结束仍未找到，说明目标不在矩阵中 + return false; +} +``` + +**时间复杂度**：$O(log(mn)) $：二分查找的时间复杂度是 `O(log(总元素数))`，总元素数为 `m×n`，因此复杂度为 `O(log(m×n))` +**空间复杂度**：$O(1)$：仅使用了 `m、n、left、right、mid、row、col、midValue` 等常数个变量，没有额外占用空间 + + + +### [搜索二维矩阵 II『240』](https://leetcode-cn.com/problems/search-a-2d-matrix-ii/) + +> [剑指 Offer 04. 二维数组中的查找](https://leetcode-cn.com/problems/er-wei-shu-zu-zhong-de-cha-zhao-lcof/) 一样的题目 +> +> 在一个 n * m 的二维数组中，每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个高效的函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数。 +> +> 现有矩阵 matrix 如下： +> +> ![](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/11/25/searchgrid2.jpg) +> +> ``` +> 输入：matrix = [[1,4,7,11,15],[2,5,8,12,19],[3,6,9,16,22],[10,13,14,17,24],[18,21,23,26,30]], target = 5 +> 输出：true +> ``` + +**思路**： + +站在左下角或者右上角看。这个矩阵其实就像是一个Binary Search Tree。然后，聪明的大家应该知道怎么做了。 + +![](https://img.starfish.ink/data-structure/searchgrid2-solution.jpg) + +有序的数组，我们首先应该想到二分 + +```java +public boolean searchMatrix(int[][] matrix, int target) { + // 1. 处理边界情况：矩阵为空、行数为0、或列数为0 + if (matrix == null || matrix.length == 0 || matrix[0].length == 0) { + return false; + } + + // 2. 获取矩阵的行数 m 和列数 n + int m = matrix.length; + int n = matrix[0].length; + + // 3. 初始化指针，从左下角开始 + int row = m - 1; // 行指针指向最后一行 + int col = 0; // 列指针指向第一列 + + // 4. 循环条件：行指针不能越界（>= 0），列指针不能越界（< n） + while (row >= 0 && col < n) { + // 获取当前指针指向的元素值 + int current = matrix[row][col]; + + // 5. 比较 current 与 target + if (current == target) { + // 找到了目标值，直接返回 true + return true; + } else if (current < target) { + // 当前值小于目标值：目标值不可能在当前行（因为行是递增的） + // 将列指针向右移动，去更大的区域查找 + col++; + } else { // current > target + // 当前值大于目标值：目标值不可能在当前列（因为列是递增的） + // 将行指针向上移动，去更小的区域查找 + row--; + } + } + + // 6. 如果循环结束仍未找到，说明目标值不存在于矩阵中 + return false; + } +} +``` + +**时间复杂度**：$O(m + n)$，其中m是行数，n是列数，最坏情况下需要遍历m+n个元素 +**空间复杂度**：$O(1)$，只使用常量级别的额外空间 + + + +### [最长递增子序列『300』](https://leetcode.cn/problems/longest-increasing-subsequence/) + +> 给你一个整数数组 `nums` ，找到其中最长严格递增子序列的长度。 +> +> **子序列** 是由数组派生而来的序列，删除（或不删除）数组中的元素而不改变其余元素的顺序。例如，`[3,6,2,7]`是数组 `[0,3,1,6,2,2,7]` 的子序列。 +> +> ``` +> 输入：nums = [10,9,2,5,3,7,101,18] +> 输出：4 +> 解释：最长递增子序列是 [2,3,7,101]，因此长度为 4。 +> ``` + +**思路**： + +**动态规划解法**： + +```java +public int lengthOfLIS(int[] nums) { + if (nums == null || nums.length == 0) return 0; + int[] dp = new int[nums.length]; + //初始时，每个元素自身构成一个长度为1的子序列 + Arrays.fill(dp, 1); + // 记录全局最长递增子序列的长度，初始为1 + int maxLen = 1; + + for (int i = 1; i < nums.length; i++) { + // 对于每个i，检查所有j < i的元素 + for (int j = 0; j < i; j++) { + // 如果nums[j] < nums[i]，说明nums[i]可以接在nums[j]后面 + if (nums[j] < nums[i]) { + // 更新dp[i]为dp[j] + 1和当前dp[i]的较大值 + dp[i] = Math.max(dp[i], dp[j] + 1); + } + } + // 更新全局最大值 + maxLen = Math.max(maxLen, dp[i]); + } + return maxLen; +} +``` + +**二分查找优化解法**： +```java +public int lengthOfLIS(int[] nums) { + if (nums == null || nums.length == 0) return 0; + + List tails = new ArrayList<>(); + + for (int num : nums) { + // 二分查找第一个大于等于num的位置 + int left = 0, right = tails.size(); + while (left < right) { + int mid = left + (right - left) / 2; + if (tails.get(mid) < num) { + left = mid + 1; + } else { + right = mid; + } + } + + // 如果找到末尾，说明num比所有元素都大，直接添加 + if (left == tails.size()) { + tails.add(num); + } else { + // 否则替换找到的位置 + tails.set(left, num); + } + } + + return tails.size(); +} +``` + +**时间复杂度**： +- 动态规划：$O(n²)$ +- 二分查找优化：$O(n log n)$ + +**空间复杂度**：$O(n)$，需要额外的数组空间 + + + +### [寻找两个正序数组的中位数『4』](https://leetcode.cn/problems/median-of-two-sorted-arrays/) + +> 给定两个大小分别为 `m` 和 `n` 的正序（从小到大）数组 `nums1` 和 `nums2`。请你找出并返回这两个正序数组的 **中位数** 。 +> +> 算法的时间复杂度应该为 `O(log (m+n))` 。 +> +> ``` +> 输入：nums1 = [1,3], nums2 = [2] +> 输出：2.00000 +> 解释：合并数组 = [1,2,3] ，中位数 2 +> ``` + +**思路**： + +中位数是指将一组数据从小到大排序后，位于中间位置的数值。如果数据集中的元素数量是奇数，中位数就是中间的那个元素；如果是偶数，则中位数是中间两个元素的平均值。 + +这道题要求时间复杂度为 O(log(m+n))，提示我们使用二分查找。关键思路是： + +1. **问题转化**：寻找第 k 小的元素，其中 k = (m+n+1)/2（奇数情况）或需要找第k和第k+1小的元素（偶数情况） +2. **二分搜索**：在较短的数组上进行二分，确保左半部分元素个数等于右半部分 +3. **分割线性质**：左半部分的最大值 ≤ 右半部分的最小值 + +```java +public double findMedianSortedArrays(int[] nums1, int[] nums2) { + // 确保 nums1 是较短的数组 + if (nums1.length > nums2.length) { + return findMedianSortedArrays(nums2, nums1); + } + + int m = nums1.length; + int n = nums2.length; + int left = 0, right = m; + + while (left <= right) { + // nums1的分割点 + int cut1 = (left + right) / 2; + // nums2的分割点 + int cut2 = (m + n + 1) / 2 - cut1; + + // 处理边界情况 + int left1 = (cut1 == 0) ? Integer.MIN_VALUE : nums1[cut1 - 1]; + int left2 = (cut2 == 0) ? Integer.MIN_VALUE : nums2[cut2 - 1]; + int right1 = (cut1 == m) ? Integer.MAX_VALUE : nums1[cut1]; + int right2 = (cut2 == n) ? Integer.MAX_VALUE : nums2[cut2]; + + // 找到正确的分割 + if (left1 <= right2 && left2 <= right1) { + // 总长度为偶数 + if ((m + n) % 2 == 0) { + return (Math.max(left1, left2) + Math.min(right1, right2)) / 2.0; + } else { + // 总长度为奇数 + return Math.max(left1, left2); + } + } + // nums1分割点太靠右 + else if (left1 > right2) { + right = cut1 - 1; + } + // nums1分割点太靠左 + else { + left = cut1 + 1; + } + } + + return 0.0; +} +``` + +**算法步骤详解**： +1. 确保在较短数组上进行二分搜索，减少搜索空间 +2. 计算两个数组的分割点，使得左半部分元素个数 = 右半部分元素个数（或多1个） +3. 检查分割是否正确：左半部分最大值 ≤ 右半部分最小值 +4. 根据总长度奇偶性计算中位数 + +**时间复杂度**：$O(log(min(m,n)))$，在较短数组上进行二分搜索 +**空间复杂度**：$O(1)$，只使用常量级别的额外空间 + + + +## 四、常见题目补充 + + +### [x 的平方根『69』](https://leetcode.cn/problems/sqrtx/) + +> 给你一个非负整数 `x`，计算并返回 `x` 的平方根的整数部分。 + +**思路**：在区间 `[1, x/2]` 上二分，寻找最大的 `mid` 使得 `mid*mid <= x`。注意用 `long` 防止乘法溢出。 + +```java +public int mySqrt(int x) { + if (x < 2) return x; + int left = 1, right = x / 2, ans = 0; + while (left <= right) { + int mid = left + (right - left) / 2; + if ((long) mid * mid <= x) { + ans = mid; + left = mid + 1; + } else { + right = mid - 1; + } + } + return ans; +} +``` + +**时间复杂度**：$O(log x)$ +**空间复杂度**：$O(1)$ + + +### [第一个错误的版本『278』](https://leetcode.cn/problems/first-bad-version/) + +> 有 `n` 个版本，从 1 到 n，给你 `isBadVersion(version)` 接口。找出第一个错误版本。 + +**思路**：典型“找左边界”。`isBad(mid)` 为真时收缩到左侧，并记录答案。 + +```java +// isBadVersion(version) 由系统提供 +public int firstBadVersion(int n) { + int left = 1, right = n, ans = n; + while (left <= right) { + int mid = left + (right - left) / 2; + if (isBadVersion(mid)) { + ans = mid; + right = mid - 1; + } else { + left = mid + 1; + } + } + return ans; +} +``` + +**时间复杂度**：$O(log n) $ +**空间复杂度**：$O(1)$ + + +### [有序数组中的单一元素『540』](https://leetcode.cn/problems/single-element-in-a-sorted-array/) + +> 一个按升序排列的数组，除了某个元素只出现一次外，其余每个元素均出现两次。找出这个元素。 + +**思路**：利用“成对对齐”的性质。让 `mid` 偶数化（`mid -= mid % 2`），若 `nums[mid] == nums[mid+1]`，唯一元素在右侧；否则在左侧（含 `mid`）。 + +```java +public int singleNonDuplicate(int[] nums) { + int left = 0, right = nums.length - 1; + while (left < right) { + int mid = left + (right - left) / 2; + if (mid % 2 == 1) mid--; // 偶数化 + if (nums[mid] == nums[mid + 1]) { + left = mid + 2; + } else { + right = mid; + } + } + return nums[left]; +} +``` + +**时间复杂度**：$O(log n) $ +**空间复杂度**：$O(1)$ + + +### [爱吃香蕉的珂珂『875』](https://leetcode.cn/problems/koko-eating-bananas/) + +> 给定每堆香蕉数量 `piles` 和总小时数 `h`，最小化吃速 `k` 使得能在 `h` 小时内吃完。 + +**思路**：对答案 `k` 二分。检验函数为以速率 `k` 需要的总小时数是否 `<= h`。 + +```java +public int minEatingSpeed(int[] piles, int h) { + int left = 1, right = 0; + for (int p : piles) right = Math.max(right, p); + while (left < right) { + int mid = left + (right - left) / 2; + long hours = 0; + for (int p : piles) { + hours += (p + mid - 1) / mid; // 向上取整 + } + if (hours <= h) right = mid; + else left = mid + 1; + } + return left; +} +``` + +**时间复杂度**：$O(n log max(piles))$ +**空间复杂度**：$O(1)$ + + +### [在 D 天内送达包裹的能力『1011』](https://leetcode.cn/problems/capacity-to-ship-packages-within-d-days/) + +> 给定包裹重量数组 `weights` 与天数 `days`，求最小运力使得能按顺序在 `days` 天内送达。 + +**思路**：对答案（运力）二分。下界是最大单件重量，上界是总重量。检验函数为用给定运力需要的天数是否 `<= days`。 + +```java +public int shipWithinDays(int[] weights, int days) { + int left = 0, right = 0; + for (int w : weights) { + left = Math.max(left, w); + right += w; + } + while (left < right) { + int mid = left + (right - left) / 2; + int need = 1, cur = 0; + for (int w : weights) { + if (cur + w > mid) { + need++; + cur = 0; + } + cur += w; + } + if (need <= days) right = mid; + else left = mid + 1; + } + return left; +} +``` + +**时间复杂度**：$O(n log(sum(weights)))$ +**空间复杂度**：$O(1)$ diff --git a/docs/data-structure-algorithms/algorithm/DFS-BFS.md b/docs/data-structure-algorithms/algorithm/DFS-BFS.md new file mode 100644 index 0000000000..658a24b592 --- /dev/null +++ b/docs/data-structure-algorithms/algorithm/DFS-BFS.md @@ -0,0 +1,627 @@ +--- +title: DFS 与 BFS +date: 2025-03-09 +tags: + - Algorithm +categories: BFS DFS +--- + +![](https://images.pexels.com/photos/3769697/pexels-photo-3769697.jpeg?auto=compress&cs=tinysrgb&w=1200) + +> 在线性结构中，按照顺序一个一个地看到所有的元素，称为线性遍历。在非线性结构中，由于元素之间的组织方式变得复杂，就有了不同的遍历行为。其中最常见的遍历有：**深度优先遍历**（Depth-First-Search）和**广度优先遍历**（Breadth-First-Search）。它们的思想非常简单，但是在算法的世界里发挥着巨大的作用，也是面试高频考点。 +> + +「遍历」和「搜索」可以看作是两个等价概念，通过遍历 **所有** 的可能的情况达到搜索的目的。遍历是手段，搜索是目的。因此「优先遍历」也叫「优先搜索」。 + + + +## 一、DFS 与 BFS的核心原理 + +![](https://img.starfish.ink/leetcode/DFS%20AND%20BFS.png) + +1. **DFS（深度优先搜索）** + + - 核心思想：优先沿一条路径深入探索，直到无法继续再回溯到上一个节点继续搜索，类似“不撞南墙不回头”。 + - **适用场景**：寻找所有可能路径、拓扑排序、连通性问题等。 + - **实现方式**：递归（隐式栈）或显式栈。 + + ```Java + void dfs(TreeNode node) { + if (node == null) return; + // 处理当前节点 + dfs(node.left); // 深入左子树 + dfs(node.right); // 深入右子树 + } + ``` + +2. **BFS（广度优先搜索）** + + - 核心思想：按层次逐层遍历，优先访问同一层的所有节点，常用于最短路径问题。 + - **适用场景**：层序遍历、最短路径（无权图）、扩散类问题。 + - **实现方式**：队列（FIFO）。 + + ```Java + void bfs(TreeNode root) { + Queue queue = new LinkedList<>(); + queue.offer(root); + while (!queue.isEmpty()) { + int size = queue.size(); + for (int i = 0; i < size; i++) { + TreeNode node = queue.poll(); + // 处理当前节点 + if (node.left != null) queue.offer(node.left); + if (node.right != null) queue.offer(node.right); + } + } + } + ``` + +只是比较两段代码的话，最直观的感受就是：DFS 遍历的代码比 BFS 简洁太多了！这是因为递归的方式隐含地使用了系统的 栈，我们不需要自己维护一个数据结构。如果只是简单地将二叉树遍历一遍，那么 DFS 显然是更方便的选择。 + + + +## 二、勇往直前的深度优先搜索 + +### 2.1 深度优先遍历的形象描述 + +「一条路走到底，不撞南墙不回头」是对「深度优先遍历」的最直观描述。 + +说明： + +- 深度优先遍历只要前面有可以走的路，就会一直向前走，直到无路可走才会回头； +- 「无路可走」有两种情况：① 遇到了墙；② 遇到了已经走过的路； +- 在「无路可走」的时候，沿着原路返回，直到回到了还有未走过的路的路口，尝试继续走没有走过的路径； +- 有一些路径没有走到，这是因为找到了出口，程序就停止了； +- 「深度优先遍历」也叫「深度优先搜索」，遍历是行为的描述，搜索是目的（用途）； +- 遍历不是很深奥的事情，把 **所有** 可能的情况都看一遍，才能说「找到了目标元素」或者「没找到目标元素」。遍历也称为 **穷举**，穷举的思想在人类看来虽然很不起眼，但借助 **计算机强大的计算能力**，穷举可以帮助我们解决很多专业领域知识不能解决的问题。 + + + +### 2.2 树的深度优先遍历 + +我们以「二叉树」的深度优先遍历为例，介绍树的深度优先遍历。 + +二叉树的深度优先遍历从「根结点」开始，依次 「递归地」 遍历「左子树」的所有结点和「右子树」的所有结点。 + +![](https://pic.leetcode-cn.com/1614684442-vUBRvf-image.png) + +> 事实上，「根结点 → 右子树 → 左子树」也是一种深度优先遍历的方式，为了符合人们「先左再右」的习惯。如果没有特别说明，树的深度优先遍历默认都按照 「根结点 → 左子树 → 右子树」 的方式进行。 + +**二叉树深度优先遍历的递归终止条件**：遍历完一棵树的 **所有** 叶子结点，等价于遍历到 **空结点**。 + +二叉树的深度优先遍历可以分为：前序遍历、中序遍历和后序遍历。 + +![img](https://writings.sh/assets/images/posts/binary-tree-traversal/binary-tree-dfs-order.jpg) + +- 前序遍历：根节点 → 左子树 → 右子树 +- 中序遍历： 左子树 → 根节点 → 右子树 +- 后序遍历：左子树 → 右子树 → 根节点 + +> 友情提示：后序遍历是非常重要的遍历方式，解决很多树的问题都采用了后序遍历的思想，请大家务必重点理解「后序遍历」一层一层向上传递信息的遍历方式。并在做题的过程中仔细体会「后序遍历」思想的应用。 + +**为什么前、中、后序遍历都是深度优先遍历** + +可以把树的深度优先遍历想象成一只蚂蚁，从根结点绕着树的外延走一圈。每一个结点的外延按照下图分成三个部分：前序遍历是第一部分，中序遍历是第二部分，后序遍历是第三部分。 + + + +**重要性质** + +根据定义不难得到以下性质。 + + - 性质 1：二叉树的 前序遍历 序列，根结点一定是 最先 访问到的结点； + - 性质 2：二叉树的 后序遍历 序列，根结点一定是 最后 访问到的结点； + - 性质 3：根结点把二叉树的 中序遍历 序列划分成两个部分，第一部分的所有结点构成了根结点的左子树，第二部分的所有结点构成了根结点的右子树。 + +> 根据这些性质，可以完成「力扣」第 105 题、第 106 题 + + + +### 2.3 图的深度优先遍历 + +深度优先遍历有「回头」的过程，在树中由于不存在「环」（回路），对于每一个结点来说，每一个结点只会被递归处理一次。而「图」中由于存在「环」（回路），就需要 记录已经被递归处理的结点（通常使用布尔数组或者哈希表），以免结点被重复遍历到。 + +**说明**：深度优先遍历的结果通常与图的顶点如何存储有关，所以图的深度优先遍历的结果并不唯一。 + +#### [课程表](https://leetcode.cn/problems/course-schedule/) + +> 你这个学期必须选修 `numCourses` 门课程，记为 `0` 到 `numCourses - 1` 。 +> +> 在选修某些课程之前需要一些先修课程。 先修课程按数组 `prerequisites` 给出，其中 `prerequisites[i] = [ai, bi]` ，表示如果要学习课程 `ai` 则 **必须** 先学习课程 `bi` 。 +> +> - 例如，先修课程对 `[0, 1]` 表示：想要学习课程 `0` ，你需要先完成课程 `1` 。 +> +> 请你判断是否可能完成所有课程的学习？如果可以，返回 `true` ；否则，返回 `false` 。 +> +> ``` +> 输入：numCourses = 2, prerequisites = [[1,0],[0,1]] +> 输出：false +> 解释：总共有 2 门课程。学习课程 1 之前，你需要先完成​课程 0 ；并且学习课程 0 之前，你还应先完成课程 1 。这是不可能的。 +> ``` + +思路：对于课程表问题，实际上是在寻找一个有向无环图（DAG）的环，以确定是否存在一个有效的课程学习顺序。 + +```java +public class Solution { + private boolean hasCycle = false; + + public boolean canFinish(int numCourses, int[][] prerequisites) { + // 构建图的邻接表表示 + List> graph = new ArrayList<>(); + for (int i = 0; i < numCourses; i++) { + graph.add(new ArrayList<>()); + } + for (int[] prerequisite : prerequisites) { + int course = prerequisite[0]; + int prerequisiteCourse = prerequisite[1]; + graph.get(prerequisiteCourse).add(course); + } + + // 初始化访问状态数组 + boolean[] visited = new boolean[numCourses]; + boolean[] recursionStack = new boolean[numCourses]; + + // 对每个节点进行DFS遍历 + for (int i = 0; i < numCourses; i++) { + if (!visited[i]) { + dfs(graph, visited, recursionStack, i); + } + // 如果在DFS过程中检测到了环，则提前返回false + if (hasCycle) { + return false; + } + } + + // 如果没有检测到环，则返回true + return true; + } + + private void dfs(List> graph, boolean[] visited, boolean[] recursionStack, int node) { + // 将当前节点标记为已访问 + visited[node] = true; + // 将当前节点加入递归栈 + recursionStack[node] = true; + + // 遍历当前节点的所有邻接节点 + for (int neighbor : graph.get(node)) { + // 如果邻接节点未被访问，则递归访问 + if (!visited[neighbor]) { + dfs(graph, visited, recursionStack, neighbor); + } else if (recursionStack[neighbor]) { + // 如果邻接节点已经在递归栈中，说明存在环 + hasCycle = true; + } + } + + // 将当前节点从递归栈中移除 + recursionStack[node] = false; + } +} +``` + + + +### 2.4 深度优先遍历的两种实现方式 + +在深度优先遍历的过程中，需要将 当前遍历到的结点 的相邻结点 暂时保存 起来，以便在回退的时候可以继续访问它们。遍历到的结点的顺序呈现「后进先出」的特点，因此 深度优先遍历可以通过「栈」实现。 + +再者，深度优先遍历有明显的递归结构。我们知道支持递归实现的数据结构也是栈。因此实现深度优先遍历有以下两种方式： + +- 编写递归方法； +- 编写栈，通过迭代的方式实现。 + +![image.png](https://pic.leetcode-cn.com/1608890373-CFNdrG-image.png) + +### 2.5 DFS 算法框架 + +#### **1. 基础模板（以全排列为例）** + +```java +// 全局变量：记录结果和路径 +List> result = new ArrayList<>(); +List path = new ArrayList<>(); +boolean[] visited; // 访问标记数组 + +void dfs(int[] nums, int depth) { + // 终止条件：路径长度达到要求 + if (depth == nums.length) { + result.add(new ArrayList<>(path)); + return; + } + + // 遍历选择列表 + for (int i = 0; i < nums.length; i++) { + if (!visited[i]) { + // 做选择：标记已访问，加入路径 + visited[i] = true; + path.add(nums[i]); + // 递归进入下一层 + dfs(nums, depth + 1); + // 撤销选择：回溯 + visited[i] = false; + path.remove(path.size() - 1); + } + } +} +``` + +**关键点**： + +- **路径记录**：通过`path`列表保存当前路径。 +- **访问标记**：使用`visited`数组避免重复访问。 +- **递归与回溯**：递归调用后必须撤销选择以恢复状态 + +#### **2. 二维矩阵遍历框架（如岛屿问题）** + +```java +void dfs(int[][] grid, int i, int j) { + // 边界检查 + if (i < 0 || j < 0 || i >= grid.length || j >= grid[0].length) return; + // 终止条件：遇到非陆地或已访问 + if (grid[i][j] != '1') return; + + // 标记为已访问（直接修改原矩阵） + grid[i][j] = '0'; + // 四个方向递归 + dfs(grid, i + 1, j); // 下 + dfs(grid, i - 1, j); // 上 + dfs(grid, i, j + 1); // 右 + dfs(grid, i, j - 1); // 左 +} +``` + +**适用场景**：矩阵中的连通性问题（如岛屿数量、迷宫路径） + + + +### 2.6 练习 + +> https://leetcode.cn/problem-list/depth-first-search/ + +请大家通过这些问题体会 「**如何设计递归函数的返回值**」 帮助我们解决问题。并理解这些简单的问题其实都是「深度优先遍历」的思想中「后序遍历」思想的体现，真正程序在执行的时候，是通过「一层一层向上汇报」的方式，最终在根结点汇总整棵树遍历的结果。 + +1. 完成「力扣」第 104 题：二叉树的最大深度（简单）：设计递归函数的返回值； +2. 完成「力扣」第 111 题：二叉树的最小深度（简单）：设计递归函数的返回值； +3. 完成「力扣」第 112 题：路径总和（简单）：设计递归函数的返回值； +4. 完成「力扣」第 226 题：翻转二叉树（简单）：前中后序遍历、广度优先遍历均可，中序遍历有一个小小的坑； +5. 完成「力扣」第 100 题：相同的树（简单）：设计递归函数的返回值； +6. 完成「力扣」第 101 题：对称二叉树（简单）：设计递归函数的返回值； +7. 完成「力扣」第 129 题：求根到叶子节点数字之和（中等）：设计递归函数的返回值。 +8. 完成「力扣」第 236 题：二叉树的最近公共祖先（中等）：使用后序遍历的典型问题。 + +请大家完成下面这些树中的问题，加深对前序遍历序列、中序遍历序列、后序遍历序列的理解。 + +9. 完成「力扣」第 105 题：从前序与中序遍历序列构造二叉树（中等）； +10. 完成「力扣」第 106 题：从中序与后序遍历序列构造二叉树（中等）； +11. 完成「力扣」第 1008 题：前序遍历构造二叉搜索树（中等）； + +12. 完成「力扣」第 1028 题：从先序遍历还原二叉树（困难）。 + +> 友情提示：需要用到后序遍历思想的一些经典问题，这些问题可能有一些难度，可以不用急于完成。先做后面的问题，见多了类似的问题以后，慢慢理解「后序遍历」一层一层向上汇报，在根结点汇总的遍历思想。 + + + +### 2.7 总结 + +- 遍历可以用于搜索，思想是穷举，遍历是实现搜索的手段； +- 树的「前、中、后」序遍历都是深度优先遍历； +- 树的后序遍历很重要； +- 由于图中存在环（回路），图的深度优先遍历需要记录已经访问过的结点，以避免重复访问； +- 遍历是一种简单、朴素但是很重要的算法思想，很多树和图的问题就是在树和图上执行一次遍历，在遍历的过程中记录有用的信息，得到需要结果，区别在于为了解决不同的问题，在遍历的时候传递了不同的 与问题相关 的数据。 + + + + + +## 三、齐头并进的广度优先搜索 + +> DFS（深度优先搜索）和 BFS（广度优先搜索）就像孪生兄弟，提到一个总是想起另一个。然而在实际使用中，我们用 DFS 的时候远远多于 BFS。那么，是不是 BFS 就没有什么用呢？ +> +> 如果我们使用 DFS/BFS 只是为了遍历一棵树、一张图上的所有结点的话，那么 DFS 和 BFS 的能力没什么差别，我们当然更倾向于更方便写、空间复杂度更低的 DFS 遍历。不过，某些使用场景是 DFS 做不到的，只能使用 BFS 遍历。 +> + +![image.png](https://pic.leetcode-cn.com/1611483686-FJqdzm-image.png) + +「广度优先遍历」的思想在生活中随处可见： + +如果我们要找一个医生或者律师，我们会先在自己的一度人脉中遍历（查找），如果没有找到，继续在自己的二度人脉中遍历（查找），直到找到为止。 + +### 3.1 广度优先遍历借助「队列」实现 + +广度优先遍历呈现出「一层一层向外扩张」的特点，**先看到的结点先遍历，后看到的结点后遍历**，因此「广度优先遍历」可以借助「队列」实现。 + +![11-01-05.gif](https://pic.leetcode-cn.com/1609663109-jjxZav-11-01-05.gif) + +**说明**：遍历到一个结点时，如果这个结点有左（右）孩子结点，依次将它们加入队列。 + +> 友情提示：广度优先遍历的写法相对固定，我们不建议大家背代码、记模板。在深刻理解广度优先遍历的应用场景（找无权图的最短路径），借助「队列」实现的基础上，多做练习，写对代码就是自然而然的事情了 + +我们先介绍「树」的广度优先遍历，再介绍「图」的广度优先遍历。事实上，它们是非常像的。 + + + +### 3.2 树的广度优先遍历 + +二叉树的层序遍历 + +> 给你一个二叉树，请你返回其按 层序遍历 得到的节点值。 （即逐层地，从左到右访问所有节点）。 +> + +思路分析： + +- 题目要求我们一层一层输出树的结点的值，很明显需要使用「广度优先遍历」实现； +- 广度优先遍历借助「队列」实现； + +- 注意： + - 这样写 `for (int i = 0; i < queue.size(); i++) { `代码是不能通过测评的，这是因为 `queue.size()` 在循环中是变量。正确的做法是：每一次在队列中取出元素的个数须要先暂存起来； + - 子结点入队的时候，非空的判断很重要：在队列的队首元素出队的时候，一定要在左（右）子结点非空的时候才将左（右）子结点入队。 +- 树的广度优先遍历的写法模式相对固定： + - 使用队列； + - 在队列非空的时候，动态取出队首元素； + - 取出队首元素的时候，把队首元素相邻的结点（非空）加入队列。 + +大家在做题的过程中需要多加练习，融汇贯通，不须要死记硬背。 + +![img](https://pic.leetcode-cn.com/94cd1fa999df0276f1dae77a9cca83f4cabda9e2e0b8571cd9550a8ee3545f56.gif) + +```java +public List> levelOrder(TreeNode root) { + List> result = new ArrayList<>(); // 存储遍历结果的列表 + if (root == null) { + return result; // 如果树为空，直接返回空列表 + } + + Queue queue = new LinkedList<>(); // 创建一个队列用于层序遍历 + queue.offer(root); // 将根节点加入队列 + + while (!queue.isEmpty()) { // 当队列不为空时继续遍历 + int levelSize = queue.size(); // 当前层的节点数 + List currentLevel = new ArrayList<>(); // 存储当前层节点值的列表 + + for (int i = 0; i < levelSize; i++) { + TreeNode currentNode = queue.poll(); // 从队列中取出一个节点 + currentLevel.add(currentNode.val); // 将节点值加入当前层列表 + + // 如果左子节点不为空，将其加入队列 + if (currentNode.left != null) { + queue.offer(currentNode.left); + } + // 如果右子节点不为空，将其加入队列 + if (currentNode.right != null) { + queue.offer(currentNode.right); + } + } + + result.add(currentLevel); // 将当前层列表加入结果列表 + } + + return result; // 返回遍历结果 +} +``` + + + +### 3.3 BFS 算法框架 + +**基础模板（队列+访问标记）** + +```java +public int bfs(Node start, Node target) { + Queue queue = new LinkedList<>(); // 核心队列结构 + Set visited = new HashSet<>(); // 防止重复访问 + int step = 0; // 记录扩散步数 + + queue.offer(start); + visited.add(start); + + while (!queue.isEmpty()) { + int levelSize = queue.size(); // 当前层节点数 + for (int i = 0; i < levelSize; i++) { // 遍历当前层所有节点 + Node cur = queue.poll(); + // 终止条件（根据问题场景调整） + if (cur.equals(target)) return step; + + // 扩散相邻节点（根据数据结构调整） + for (Node neighbor : getNeighbors(cur)) { + if (!visited.contains(neighbor)) { + queue.offer(neighbor); + visited.add(neighbor); + } + } + } + step++; // 步数递增 + } + return -1; // 未找到目标 +} +``` + +**关键点** ： + +- **队列控制层次**：通过 `levelSize` 逐层遍历，保证找到最短路径。 +- **访问标记**：避免重复访问（如矩阵问题可改为修改原数据）。 +- **扩散逻辑**：`getNeighbors()` 需根据具体数据结构实现（如二叉树、图、网格等）。 + + + +### 3.4 使用广度优先遍历得到无权图的最短路径 + +在 无权图 中，由于广度优先遍历本身的特点，假设源点为 source，只有在遍历到 所有 距离源点 source 的距离为 d 的所有结点以后，才能遍历到所有 距离源点 source 的距离为 d + 1 的所有结点。也可以使用「两点之间、线段最短」这条经验来辅助理解如下结论：从源点 source 到目标结点 target 走直线走过的路径一定是最短的。 + +> 在一棵树中，一个结点到另一个结点的路径是唯一的，但在图中，结点之间可能有多条路径，其中哪条路最近呢？这一类问题称为最短路径问题。最短路径问题也是 BFS 的典型应用，而且其方法与层序遍历关系密切。 +> +> 在二叉树中，BFS 可以实现一层一层的遍历。在图中同样如此。从源点出发，BFS 首先遍历到第一层结点，到源点的距离为 1，然后遍历到第二层结点，到源点的距离为 2…… 可以看到，用 BFS 的话，距离源点更近的点会先被遍历到，这样就能找到到某个点的最短路径了。 +> +> ![层序遍历与最短路径](https://pic.leetcode-cn.com/01a3617511b1070216582ae59136888072116ccba360ab7c2aa60fc273351b85.jpg) +> +> 小贴士： +> +> 很多同学一看到「最短路径」，就条件反射地想到「Dijkstra 算法」。为什么 BFS 遍历也能找到最短路径呢？ +> +> 这是因为，Dijkstra 算法解决的是带权最短路径问题，而我们这里关注的是无权最短路径问题。也可以看成每条边的权重都是 1。这样的最短路径问题，用 BFS 求解就行了。 +> +> 在面试中，你可能更希望写 BFS 而不是 Dijkstra。毕竟，敢保证自己能写对 Dijkstra 算法的人不多。 +> +> 最短路径问题属于图算法。由于图的表示和描述比较复杂，本文用比较简单的网格结构代替。网格结构是一种特殊的图，它的表示和遍历都比较简单，适合作为练习题。在 LeetCode 中，最短路径问题也以网格结构为主。 + + + +### 3.5 图论中的最短路径问题概述 + +在图中，由于 图中存在环，和深度优先遍历一样，广度优先遍历也需要在遍历的时候记录已经遍历过的结点。特别注意：将结点添加到队列以后，一定要马上标记为「已经访问」，否则相同结点会重复入队，这一点在初学的时候很容易忽略。如果很难理解这样做的必要性，建议大家在代码中打印出队列中的元素进行调试：在图中，如果入队的时候不马上标记为「已访问」，相同的结点会重复入队，这是不对的。 + +另外一点还需要强调，广度优先遍历用于求解「无权图」的最短路径，因此一定要认清「无权图」这个前提条件。如果是带权图，就需要使用相应的专门的算法去解决它们。事实上，这些「专门」的算法的思想也都基于「广度优先遍历」的思想，我们为大家例举如下： + +- 带权有向图、且所有权重都非负的单源最短路径问题：使用 Dijkstra 算法； +- 带权有向图的单源最短路径问题：Bellman-Ford 算法； + +- 一个图的所有结点对的最短路径问题：Floy-Warshall 算法。 + +这里列出的以三位计算机科学家的名字命名的算法，大家可以在《算法导论》这本经典著作的第 24 章、第 25 章找到相关知识的介绍。值得说明的是：应用任何一种算法，都需要认清使用算法的前提，不满足前提直接套用算法是不可取的。深刻理解应用算法的前提，也是学习算法的重要方法。例如我们在学习「二分查找」算法、「滑动窗口」算法的时候，就可以问自己，这个问题为什么可以使用「二分查找」，为什么可以使用「滑动窗口」。我们知道一个问题可以使用「优先队列」解决，是什么样的需求促使我们想到使用「优先队列」，而不是「红黑树（平衡二叉搜索树）」，想清楚使用算法（数据结构）的前提更重要。 + +> [无向图中连通分量的数目『323』](https://leetcode.cn/problems/number-of-connected-components-in-an-undirected-graph/) +> +> 你有一个包含 `n` 个节点的图。给定一个整数 `n` 和一个数组 `edges` ，其中 `edges[i] = [ai, bi]` 表示图中 `ai` 和 `bi` 之间有一条边。 +> +> 返回 *图中已连接分量的数目* 。 +> +> ![img](https://assets.leetcode.com/uploads/2021/03/14/conn1-graph.jpg) +> +> ``` +> 输入: n = 5, edges = [[0, 1], [1, 2], [3, 4]] +> 输出: 2 +> ``` +> +> 思路分析： +> +> 首先需要对输入数组进行处理，由于 n 个结点的编号从 0 到 n - 1 ，因此可以使用「嵌套数组」表示邻接表，具体实现请见参考代码； +> 然后遍历每一个顶点，对每一个顶点执行一次广度优先遍历，注意：在遍历的过程中使用 visited 布尔数组记录已经遍历过的结点。 +> +> ```java +> public int countComponents(int n, int[][] edges) { +> // 第 1 步：构建图 +> List[] adj = new ArrayList[n]; +> for (int i = 0; i < n; i++) { +> adj[i] = new ArrayList<>(); +> } +> // 无向图，所以需要添加双向引用 +> for (int[] edge : edges) { +> adj[edge[0]].add(edge[1]); +> adj[edge[1]].add(edge[0]); +> } +> +> // 第 2 步：开始广度优先遍历 +> int res = 0; +> boolean[] visited = new boolean[n]; +> for (int i = 0; i < n; i++) { +> if (!visited[i]) { +> bfs(adj, i, visited); +> res++; +> } +> } +> return res; +> } +> +> /** +> * @param adj 邻接表 +> * @param u 从 u 这个顶点开始广度优先遍历 +> * @param visited 全局使用的 visited 布尔数组 +> */ +> private void bfs(List[] adj, int u, boolean[] visited) { +> Queue queue = new LinkedList<>(); +> queue.offer(u); +> visited[u] = true; +> +> while (!queue.isEmpty()) { +> Integer front = queue.poll(); +> // 获得队首结点的所有后继结点 +> List successors = adj[front]; +> for (int successor : successors) { +> if (!visited[successor]) { +> queue.offer(successor); +> // 特别注意：在加入队列以后一定要将该结点标记为访问，否则会出现结果重复入队的情况 +> visited[successor] = true; +> } +> } +> } +> } +> ``` +> +> 复杂度分析： +> +> - 时间复杂度：O(V + E)O(V+E)，这里 EE 是边的条数，即数组 edges 的长度，初始化的时候遍历数组得到邻接表。这里 VV 为输入整数 n，遍历的过程是每一个结点执行一次深度优先遍历，时间复杂度为 O(V)O(V)； +> - 空间复杂度：O(V + E)O(V+E)，综合考虑邻接表 O(V + E)O(V+E)、visited 数组 O(V)O(V)、队列的长度 O(V)O(V) 三者得到。 +> 说明：和深度优先遍历一样，图的广度优先遍历的结果并不唯一，与每个结点的相邻结点的访问顺序有关。 + +### 3.6 练习 + +> 友情提示：第 1 - 4 题是广度优先遍历的变形问题，写对这些问题有助于掌握广度优先遍历的代码编写逻辑和细节。 + +1. 完成「力扣」第 107 题：二叉树的层次遍历 II（简单）； +2. 完成《剑指 Offer》第 32 - I 题：从上到下打印二叉树（中等）； +3. 完成《剑指 Offer》第 32 - III 题：从上到下打印二叉树 III（中等）； +4. 完成「力扣」第 103 题：二叉树的锯齿形层次遍历（中等）； +5. 完成「力扣」第 429 题：N 叉树的层序遍历（中等）； +6. 完成「力扣」第 993 题：二叉树的堂兄弟节点（中等）； + + + +#### 二维矩阵遍历（岛屿问题） + +```java +void bfs(char[][] grid, int x, int y) { + int[][] dirs = {{1,0}, {-1,0}, {0,1}, {0,-1}}; + Queue queue = new LinkedList<>(); + queue.offer(new int[]{x, y}); + grid[x][y] = '0'; // 直接修改矩阵代替visited + + while (!queue.isEmpty()) { + int[] pos = queue.poll(); + for (int[] d : dirs) { + int nx = pos[0] + d[0], ny = pos[1] + d[1]; + if (nx >=0 && ny >=0 && nx < grid.length && ny < grid[0].length + && grid[nx][ny] == '1') { + queue.offer(new int[]{nx, ny}); + grid[nx][ny] = '0'; // 标记为已访问 + } + } + } +} +``` + +**优化点** ： + +- 直接修改原矩阵代替`visited`集合，节省空间。 +- 四方向扩散的坐标计算。 + +#### 图的邻接表遍历 + +```java +public void bfsGraph(Map> graph, int start) { + Queue queue = new LinkedList<>(); + boolean[] visited = new boolean[graph.size()]; + queue.offer(start); + visited[start] = true; + + while (!queue.isEmpty()) { + int node = queue.poll(); + System.out.print(node + " "); + for (int neighbor : graph.get(node)) { + if (!visited[neighbor]) { + queue.offer(neighbor); + visited[neighbor] = true; + } + } + } +} +``` + +**数据结构** ： + +- 使用`Map`或邻接表存储图结构。 +- 通过布尔数组标记访问状态。 + + + +## Reference + +- https://leetcode-cn.com/problems/binary-tree-level-order-traversal/solution/bfs-de-shi-yong-chang-jing-zong-jie-ceng-xu-bian-l/ diff --git a/docs/data-structure-algorithms/algorithm/Double-Pointer.md b/docs/data-structure-algorithms/algorithm/Double-Pointer.md new file mode 100755 index 0000000000..69bcd7b253 --- /dev/null +++ b/docs/data-structure-algorithms/algorithm/Double-Pointer.md @@ -0,0 +1,1466 @@ +--- +title: 双指针 +date: 2023-05-17 +tags: + - pointers + - algorithms +categories: algorithms +--- + +![](https://img.starfish.ink/leetcode/two-pointer-banner.png) + +> 在数组中并没有真正意义上的指针，但我们可以把索引当做数组中的指针 +> +> 归纳下双指针算法，其实总共就三类 +> +> - 左右指针，数组和字符串问题 +> - 快慢指针，主要是成环问题 +> - 滑动窗口，针对子串问题 + + + +## 一、左右指针 + +![](https://img.starfish.ink/leetcode/two-point.png) + +左右指针在数组中其实就是两个索引值，两个指针相向而行或者相背而行 + +Javaer 一般这么表示： + +```java +int left = 0; +int right = arr.length - 1; +while(left < right) + *** +``` + +这两个指针 **相向交替移动**， 看着像二分查找是吧，二分也属于左右指针。 + + + +### [反转字符串](https://leetcode.cn/problems/reverse-string/) + +> 编写一个函数，其作用是将输入的字符串反转过来。输入字符串以字符数组 char[] 的形式给出。 +> +> 不要给另外的数组分配额外的空间，你必须原地修改输入数组、使用 O(1) 的额外空间解决这一问题。 +> +> 你可以假设数组中的所有字符都是 ASCII 码表中的可打印字符。 +> +> ``` +> 输入：["h","e","l","l","o"] +> 输出：["o","l","l","e","h"] +> ``` +> + +思路： + +- 因为要反转，所以就不需要相向移动了，如果用双指针思路的话，其实就是遍历中交换左右指针的字符 + +```java +public void reverseString(char[] s) { + int left = 0; + int right = s.length - 1; + while (left < right){ + char tmp = s[left]; + s[left] = s[right]; + s[right] = tmp; + left++; + right--; + } +} +``` + + + +### [两数之和 II - 输入有序数组](https://leetcode.cn/problems/two-sum-ii-input-array-is-sorted/) + +> 给你一个下标从 1 开始的整数数组 numbers ，该数组已按 非递减顺序排列 ，请你从数组中找出满足相加之和等于目标数 target 的两个数。如果设这两个数分别是 numbers[index1] 和 numbers[index2] ，则 1 <= index1 < index2 <= numbers.length 。 +> +> 以长度为 2 的整数数组 [index1, index2] 的形式返回这两个整数的下标 index1 和 index2。 +> +> 你可以假设每个输入 只对应唯一的答案 ，而且你 不可以 重复使用相同的元素。 +> +> 你所设计的解决方案必须只使用常量级的额外空间。 +> +> ``` +> 输入：numbers = [2,7,11,15], target = 9 +> 输出：[1,2] +> 解释：2 与 7 之和等于目标数 9 。因此 index1 = 1, index2 = 2 。返回 [1, 2] 。 +> ``` + +直接用左右指针套就可以 + +```java +public int[] twoSum(int[] nums, int target) { + int left = 0; + int rigth = nums.length - 1; + while (left < rigth) { + int tmp = nums[left] + nums[rigth]; + if (target == tmp) { + //数组下标是从1开始的 + return new int[]{left + 1, rigth + 1}; + } else if (tmp > target) { + rigth--; //右移 + } else { + left++; //左移 + } + } + return new int[]{-1, -1}; +} +``` + + + +### [三数之和](https://leetcode.cn/problems/3sum/) + +> 给你一个整数数组 nums ，判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i != j、i != k 且 j != k ，同时还满足 nums[i] + nums[j] + nums[k] == 0 。请你返回所有和为 0 且不重复的三元组。 +> +> 注意：答案中不可以包含重复的三元组。 +> + +思路：**排序、双指针、去重** + +第一个想法是，这三个数，两个指针？ + +- 对数组排序，固定一个数 $nums[i]$ ，然后遍历数组，并移动左右指针求和，判断是否有等于 0 的情况 + +- 特例： + - 排序后第一个数就大于 0，不干了 + + - 有三个需要去重的地方 + - `nums[i] == nums[i - 1]` 直接跳过本次遍历 + + > **避免重复三元组：** + > + > - 我们从第一个元素开始遍历数组，逐步往后移动。如果当前的 `nums[i]` 和前一个 `nums[i - 1]` 相同，说明我们已经处理过以 `nums[i - 1]` 为起点的组合（即已经找过包含 `nums[i - 1]` 的三元组），此时再处理 `nums[i]` 会导致生成重复的三元组，因此可以跳过。 + > - 如果我们检查 `nums[i] == nums[i + 1]`，由于 `nums[i + 1]` 还没有被处理，这种方式无法避免重复，并且会产生错误的逻辑。 + + - `nums[left] == nums[left + 1]` 移动指针，即去重 + + - `nums[right] == nums[right - 1]` 移动指针 + + > **避免重复的配对：** + > + > 在每次固定一个 `nums[i]` 后，剩下的两数之和问题通常使用双指针法来解决。双指针的左右指针 `left` 和 `right` 分别从数组的两端向中间逼近，寻找合适的配对。 + > + > 为了**避免相同的数字被重复使用**，导致重复的三元组，双指针法中也需要跳过相同的元素。 + > + > - 左指针跳过重复元素： + > - 如果 `nums[left] == nums[left + 1]`，说明接下来的数字与之前处理过的数字相同。为了避免生成相同的三元组，我们将 `left` 向右移动跳过这个重复的数字。 + > - 右指针跳过重复元素： + > - 同样地，`nums[right] == nums[right - 1]` 也会导致重复的配对，因此右指针也要向左移动，跳过这个重复数字。 + +```java +public List> threeSum(int[] nums) { + //存放结果list + List> result = new ArrayList<>(); + int length = nums.length; + //特例判断 + if (length < 3) { + return result; + } + Arrays.sort(nums); + for (int i = 0; i < length; i++) { + //排序后的第一个数字就大于0，就说明没有符合要求的结果 + if (nums[i] > 0) break; + + //去重, 不能是 nums[i] == nums[i +1 ]，因为顺序遍历的逻辑使得前一个元素已经被处理过，而后续的元素还没有处理 + if (i > 0 && nums[i] == nums[i - 1]) continue; + //左右指针 + int l = i + 1; + int r = length - 1; + while (l < r) { + int sum = nums[i] + nums[l] + nums[r]; + if (sum == 0) { + result.add(Arrays.asList(nums[i], nums[l], nums[r])); + //去重（相同数字的话就移动指针） + //在将左指针和右指针移动的时候，先对左右指针的值，进行判断,以防[0,0,0]这样的造成数组越界 + //不要用成 if 判断，只跳过 1 条，还会有重复的，且需要再加上 l 0) r--; + } + } + return result; +} +``` + + + +### 盛最多水的容器 + +> 给你 n 个非负整数 a1，a2，...，an，每个数代表坐标中的一个点 (i, ai) 。在坐标内画 n 条垂直线，垂直线 i 的两个端点分别为 (i, ai) 和 (i, 0) 。找出其中的两条线，使得它们与 x 轴共同构成的容器可以容纳最多的水。 +> +> ``` +> 输入：[1,8,6,2,5,4,8,3,7] +> 输出：49 +> 解释：图中垂直线代表输入数组 [1,8,6,2,5,4,8,3,7]。在此情况下，容器能够容纳水（表示为蓝色部分）的最大值为 49。 +> ``` +> +> ![](https://aliyun-lc-upload.oss-cn-hangzhou.aliyuncs.com/aliyun-lc-upload/uploads/2018/07/25/question_11.jpg) + +**思路**： + +- 求得是水量，水量 = 两个指针指向的数字中较小值 * 指针之间的距离（水桶原理，最短的板才不会漏水） +- 为了求最大水量，我们需要存储所有条件的水量，进行比较才行 +- **双指针相向移动**，循环收窄，直到两个指针相遇 +- 往哪个方向移动，需要考虑清楚，如果我们移动数字较大的那个指针，那么前者「两个指针指向的数字中较小值」不会增加，后者「指针之间的距离」会减小，那么这个乘积会更小，所以我们移动**数字较小的那个指针** + +```java +public int maxArea(int[] height){ + int left = 0; + int right = height.length - 1; + //需要保存各个阶段的值 + int result = 0; + while(left < right){ + //水量 = 两个指针指向的数字中较小值∗指针之间的距离 + int area = Math.min(height[left],height[right]) * (right - left); + result = Math.max(result,area); + //移动数字较小的指针 + if(height[left] <= height[right]){ + left ++; + }else{ + right--; + } + } + return result; +} +``` + + + +### [验证回文串](https://leetcode.cn/problems/valid-palindrome/) + +> 如果在将所有大写字符转换为小写字符、并移除所有非字母数字字符之后，短语正着读和反着读都一样。则可以认为该短语是一个 回文串 。 +> +> 字母和数字都属于字母数字字符。 +> +> 给你一个字符串 s，如果它是 回文串 ，返回 true ；否则，返回 false 。 +> +> ``` +> 输入: "A man, a plan, a canal: Panama" +> 输出: true +> 解释："amanaplanacanalpanama" 是回文串 +> ``` + +思路： + +- 没看题解前，因为这个例子中有各种逗号、空格啥的，我第一想到的其实就是先遍历放在一个数组里，然后再去判断，看题解可以在原字符串完成，降低了空间复杂度 +- 首先需要知道三个 API + - `Character.isLetterOrDigit` 确定指定的字符是否为字母或数字 + - `Character.toLowerCase` 将大写字符转换为小写 + - `public char charAt(int index)` String 中的方法，用于返回指定索引处的字符 +- 双指针，每移动一步，判断这两个值是不是相同 +- 两个指针相遇，则是回文串 + +```java +public boolean isPalindrome(String s) { + // 转换为小写并去掉非字母和数字的字符 + int left = 0, right = s.length() - 1; + + while (left < right) { + // 忽略左边非字母和数字字符 + while (left < right && !Character.isLetterOrDigit(s.charAt(left))) { + left++; + } + // 忽略右边非字母和数字字符 + while (left < right && !Character.isLetterOrDigit(s.charAt(right))) { + right--; + } + // 比较两边字符 + if (Character.toLowerCase(s.charAt(left)) != Character.toLowerCase(s.charAt(right))) { + return false; + } + left++; + right--; + } + return true; +} +``` + + + +### 二分查找 + +有重复数字的话，返回的其实就是最右匹配 + +```java +public static int search(int[] nums, int target) { + int left = 0; + int right = nums.length - 1; + while (left <= right) { + //不直接使用（right+left）/2 是考虑数据大的时候溢出 + int mid = (right - left) / 2 + left; + int tmp = nums[mid]; + if (tmp == target) { + return mid; + } else if (tmp > target) { + //右指针移到中间位置 - 1,也避免不存在的target造成死循环 + right = mid - 1; + } else { + // + left = mid + 1; + } + } + return -1; +} +``` + + + +## 二、快慢指针 + +「快慢指针」，也称为「同步指针」，所谓快慢指针，就是两个指针同向而行，一快一慢。快慢指针处理的大都是链表问题。 + +![](https://img.starfish.ink/leetcode/fast-slow-point.png) + +### [环形链表](https://leetcode-cn.com/problems/linked-list-cycle/) + +> 给你一个链表的头节点 head ，判断链表中是否有环。 +> +> 如果链表中有某个节点，可以通过连续跟踪 next 指针再次到达，则链表中存在环。 为了表示给定链表中的环，评测系统内部使用整数 pos 来表示链表尾连接到链表中的位置（索引从 0 开始）。注意：pos 不作为参数进行传递 。仅仅是为了标识链表的实际情况。 +> +> 如果链表中存在环 ，则返回 true 。 否则，返回 false 。 +> +> ![](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2018/12/07/circularlinkedlist.png) + +思路： + +- 快慢指针，两个指针，一快一慢的话，慢指针每次只移动一步，而快指针每次移动两步。初始时，慢指针在位置 head，而快指针在位置 head.next。这样一来，如果在移动的过程中，快指针反过来追上慢指针，就说明该链表为环形链表。否则快指针将到达链表尾部，该链表不为环形链表。 + +```java +public boolean hasCycle(ListNode head) { + if (head == null || head.next == null) { + return false; + } + // 龟兔起跑 + ListNode fast = head; + ListNode slow = head; + + while (fast != null && fast.next != null) { + // 龟走一步 + slow = slow.next; + // 兔走两步 + fast = fast.next.next; + if (slow == fast) { + return true; + } + } + return false; +} +``` + + + +### [环形链表II](https://leetcode-cn.com/problems/linked-list-cycle-ii) + +> 给定一个链表，返回链表开始入环的第一个节点。 如果链表无环，则返回 `null`。 +> +> ``` +> 输入：head = [3,2,0,-4], pos = 1 +> 输出：返回索引为 1 的链表节点 +> 解释：链表中有一个环，其尾部连接到第二个节点。 +> ``` + +思路： + +- 最初，我就把有环理解错了，看题解觉得快慢指针相交的地方就是入环的节点 + +- 假设环是这样的，slow 指针进入环后，又走了 b 的距离与 fast 相遇 + + ![fig1](https://assets.leetcode-cn.com/solution-static/142/142_fig1.png) + +1. **检测是否有环**：通过快慢指针来判断链表中是否存在环。慢指针一次走一步，快指针一次走两步。如果链表中有环，两个指针最终会相遇；如果没有环，快指针会到达链表末尾。 + +2. **找到环的起点**： +- 当快慢指针相遇时，我们已经确认链表中存在环。 + +- 从相遇点开始，慢指针保持不动，快指针回到链表头部，此时两个指针每次都走一步。两个指针会在环的起点再次相遇。 + +```java +public ListNode detectCycle(ListNode head) { + if (head == null || head.next == null) { + return null; + } + + ListNode slow = head; + ListNode fast = head; + + // 判断是否有环 + while (fast != null && fast.next != null) { + slow = slow.next; + fast = fast.next.next; + // 快慢指针相遇，说明有环 + if (slow == fast) { + break; + } + } + + // 如果没有环 + if (fast == null || fast.next == null) { + return null; + } + + // 快指针回到起点，慢指针保持在相遇点 + fast = head; + while (fast != slow) { + fast = fast.next; + slow = slow.next; + } + + // 此时快慢指针相遇的地方就是环的起点 + return slow; +} +``` + + + +### [链表的中间结点](https://leetcode.cn/problems/middle-of-the-linked-list/) + +> 给定一个头结点为 `head` 的非空单链表，返回链表的中间结点。 +> +> 如果有两个中间结点，则返回第二个中间结点。(给定链表的结点数介于 `1` 和 `100` 之间。) +> +> ``` +> 输入：[1,2,3,4,5] +> 输出：此列表中的结点 3 (序列化形式：[3,4,5]) +> 返回的结点值为 3 。 (测评系统对该结点序列化表述是 [3,4,5])。 +> 注意，我们返回了一个 ListNode 类型的对象 ans，这样： +> ans.val = 3, ans.next.val = 4, ans.next.next.val = 5, 以及 ans.next.next.next = NULL. +> ``` + +思路： + +- 快慢指针遍历，当 `fast` 到达链表的末尾时，`slow` 必然位于中间 + +```java +public ListNode middleNode(ListNode head) { + ListNode fast = head; + ListNode slow = head; + while (fast != null && fast.next != null) { + slow = slow.next; + fast = fast.next.next; + } + return slow; +} +``` + + + +### [ 回文链表](https://leetcode.cn/problems/palindrome-linked-list/) + +> 给你一个单链表的头节点 head ，请你判断该链表是否为回文链表。如果是，返回 true ；否则，返回 false +> +> ``` +> 输入：head = [1,2,2,1] +> 输出：true +> ``` + +思路： + +- 双指针：将值复制到数组中后用双指针法 +- 或者使用快慢指针来确定中间结点，然后反转后半段链表，将前半部分链表和后半部分进行比较 + +```java +public boolean isPalindrome(ListNode head) { + List vals = new ArrayList(); + + // 将链表的值复制到数组中 + ListNode currentNode = head; + while (currentNode != null) { + vals.add(currentNode.val); + currentNode = currentNode.next; + } + + // 使用双指针判断是否回文 + int front = 0; + int back = vals.size() - 1; + while (front < back) { + if (!vals.get(front).equals(vals.get(back))) { + return false; + } + front++; + back--; + } + return true; +} +``` + + + +### 删除链表的倒数第 N 个结点 + +> 给你一个链表，删除链表的倒数第 n 个结点，并且返回链表的头结点。 +> +> ``` +> 输入：head = [1,2,3,4,5], n = 2 +> 输出：[1,2,3,5] +> ``` + +思路： + +1. 计算链表长度：从头节点开始对链表进行一次遍历，得到链表的长度，随后我们再从头节点开始对链表进行一次遍历，当遍历到第 L−n+1 个节点时，它就是我们需要删除的节点（为了与题目中的 n 保持一致，节点的编号从 1 开始） +2. 栈：根据栈「先进后出」的原则，我们弹出栈的第 n 个节点就是需要删除的节点，并且目前栈顶的节点就是待删除节点的前驱节点 +3. 双指针：由于我们需要找到倒数第 n 个节点，因此我们可以使用两个指针 first 和 second 同时对链表进行遍历，并且 first 比 second 超前 n 个节点。当 first 遍历到链表的末尾时，second 就恰好处于倒数第 n 个节点。 + +```java +public ListNode removeNthFromEnd(ListNode head, int n) { + ListNode dummy = new ListNode(0, head); + ListNode first = head; + ListNode second = dummy; + + //让 first 指针先移动 n 步 + for (int i = 0; i < n; ++i) { + first = first.next; + } + while (first != null) { + first = first.next; + second = second.next; + } + second.next = second.next.next; + return dummy.next; +} +``` + + + +### [删除有序数组中的重复项](https://leetcode.cn/problems/remove-duplicates-from-sorted-array/) + +> 给你一个 升序排列 的数组 nums ，请你 原地 删除重复出现的元素，使每个元素 只出现一次 ，返回删除后数组的新长度。元素的 相对顺序 应该保持 一致 。 +> +> 由于在某些语言中不能改变数组的长度，所以必须将结果放在数组nums的第一部分。更规范地说，如果在删除重复项之后有 k 个元素，那么 nums 的前 k 个元素应该保存最终结果。 +> +> 将最终结果插入 nums 的前 k 个位置后返回 k 。 +> +> 不要使用额外的空间，你必须在 原地 修改输入数组 并在使用 O(1) 额外空间的条件下完成。 +> +> ``` +> 输入：nums = [1,1,2] +> 输出：2, nums = [1,2,_] +> 解释：函数应该返回新的长度 2 ，并且原数组 nums 的前两个元素被修改为 1, 2 。不需要考虑数组中超出新长度后面的元素。 +> ``` + +**思路**： + +- 数组有序，那相等的元素在数组中的下标一定是连续的 +- 使用快慢指针，快指针表示遍历数组到达的下标位置，慢指针表示下一个不同元素要填入的下标位置 +- 第一个元素不需要删除，所有快慢指针都从下标 1 开始 + +```java +public static int removeDuplicates(int[] nums) { + if (nums == null) { + return 0; + } + int fast = 1; + int slow = 1; + while (fast < nums.length) { + //和前一个值比较 + if (nums[fast] != nums[fast - 1]) { + //不一样的话，把快指针的值放在慢指针上，实现了去重，并往前移动慢指针 + nums[slow] = nums[fast]; + ++slow; + } + //相等的话，移动快指针就行 + ++fast; + } + //慢指针的位置就是不重复的数量 + return slow; +} +``` + + + +### 最长连续递增序列 + +> 给定一个未经排序的整数数组，找到最长且 连续递增的子序列，并返回该序列的长度。 +> +> 连续递增的子序列 可以由两个下标 l 和 r（l < r）确定，如果对于每个 l <= i < r，都有 nums[i] < nums[i + 1] ，那么子序列 [nums[l], nums[l + 1], ..., nums[r - 1], nums[r]] 就是连续递增子序列。 +> +> ``` +> 输入：nums = [1,3,5,4,7] +> 输出：3 +> 解释：最长连续递增序列是 [1,3,5], 长度为3。尽管 [1,3,5,7] 也是升序的子序列, 但它不是连续的，因为 5 和 7 在原数组里被 4 隔开。 +> ``` + +思路分析： + +- 这个题的思路和删除有序数组中的重复项，很像 + +```java +public int findLengthOfLCIS(int[] nums) { + int result = 0; + int fast = 0; + int slow = 0; + while (fast < nums.length) { + //前一个数大于后一个数的时候 + if (fast > 0 || nums[fast - 1] > nums[fast]) { + slow = fast; + } + fast++; + result = Math.max(result, fast - slow); + } + return result; +} +``` + + + +## 三、滑动窗口 + +有一类数组上的问题，需要使用两个指针变量（我们称为左指针和右指针），同向、交替向右移动完成任务。这样的过程像极了一个窗口在平面上滑动的过程，因此我们将解决这一类问题的算法称为「滑动窗口」问题 + +![](https://img.starfish.ink/mysql/1*m1WP0k9cHRkcTixpfayOdA.gif) + +滑动窗口，就是两个指针齐头并进，好像一个窗口一样，不断往前滑。 + +滑动窗口算法通过维护一个动态调整的窗口范围，高效解决子串、子数组、限流等场景问题。其核心逻辑可概括为以下步骤： + +1. **初始化窗口** 使用双指针 `left` 和 `right` 定义窗口边界，初始状态均指向起点。 +2. **扩展右边界** 移动 `right` 指针，将新元素加入窗口，并根据问题需求更新状态（如统计字符频率或请求计数）。 +3. **收缩左边界** 当窗口满足特定条件（如达到限流阈值或包含冗余元素），逐步移动 `left` 指针缩小窗口，直至不满足条件为止。 +4. **记录结果** 在窗口状态变化的每个阶段，捕获符合要求的解（如最长子串长度或限流通过状态）。 + + + +子串问题，几乎都是滑动窗口。滑动窗口算法技巧的思路，就是维护一个窗口，不断滑动，然后更新答案，该算法的大致逻辑如下： + +```java +int left = 0, right = 0; + +while (right < s.size()) { + // 增大窗口 + window.add(s[right]); + right++; + + while (window needs shrink) { + // 缩小窗口 + window.remove(s[left]); + left++; + } +} +``` + +> 以下是适用于字符串处理、限流等场景的通用框架： +> +> ```java +> public class SlidingWindow { +> +> // 核心双指针定义 +> int left = 0, right = 0; +> // 窗口状态容器（如哈希表、数组） +> Map window = new HashMap<>(); +> // 结果记录 +> List result = new ArrayList<>(); +> +> public void slidingWindow(String s, String target) { +> // 初始化目标状态（如字符频率） +> Map need = new HashMap<>(); +> for (char c : target.toCharArray()) { +> need.put(c, need.getOrDefault(c, 0) + 1); +> } +> +> while (right < s.length()) { +> char c = s.charAt(right); +> right++; +> // 更新窗口状态 +> window.put(c, window.getOrDefault(c, 0) + 1); +> +> // 窗口收缩条件 +> while (window.get(c) > need.getOrDefault(c, 0)) { +> char d = s.charAt(left); +> left++; +> // 更新窗口状态 +> window.put(d, window.get(d) - 1); +> } +> +> // 记录结果（如最小覆盖子串长度） +> if (right - left == target.length()) { +> result.add(left); +> } +> } +> } +> } +> ``` +> +> + +### 3.1 同向交替移动的两个变量 + +有一类数组上的问题，问我们固定长度的滑动窗口的性质，这类问题还算相对简单。 + +#### [子数组最大平均数 I（643）](https://leetcode-cn.com/problems/maximum-average-subarray-i/) + +> 给定 `n` 个整数，找出平均数最大且长度为 `k` 的连续子数组，并输出该最大平均数。 +> +> ``` +> 输入：[1,12,-5,-6,50,3], k = 4 +> 输出：12.75 +> 解释：最大平均数 (12-5-6+50)/4 = 51/4 = 12.75 +> ``` + +**思路**： + +- 长度为固定的 K，想到用滑动窗口 +- 保存每个窗口的值，取这 k 个数的最大和就可以得出最大平均数 +- 怎么保存每个窗口的值，这一步 + +```java +public static double getMaxAverage(int[] nums, int k) { + int sum = 0; + //先求出前k个数的和 + for (int i = 0; i < nums.length; i++) { + sum += nums[i]; + } + //目前最大的数是前k个数 + int result = sum; + //然后从第 K 个数开始移动，保存移动中的和值，返回最大的 + for (int i = k; i < nums.length; i++) { + sum = sum - nums[i - k] + nums[i]; + result = Math.max(result, sum); + } + //返回的是double + return 1.0 * result / k; +} +``` + + + +### 3.2 不定长度的滑动窗口 + +#### [无重复字符的最长子串_3](https://leetcode-cn.com/problems/longest-substring-without-repeating-characters/) + +> 给定一个字符串 `s` ，请你找出其中不含有重复字符的 **最长子串** 的长度。 +> +> ``` +> 输入: s = "abcabcbb" +> 输出: 3 +> 解释: 因为无重复字符的最长子串是 "abc"，所以其长度为 3。 +> ``` + +思路： + +- 滑动窗口，其实就是一个队列，比如例题中的 abcabcbb，进入这个队列（窗口）为 abc 满足题目要求，当再进入 a，队列变成了 abca，这时候不满足要求。所以，我们要移动这个队列 +- 如何移动？我们只要把队列的左边的元素移出就行了，直到满足题目要求！ +- 一直维持这样的队列，找出队列出现最长的长度时候，求出解！ + +```java +int lengthOfLongestSubstring(String s) { + Map window = new HashMap<>(); + + int left = 0, right = 0; + int res = 0; // 记录结果 + while (right < s.length()) { + char c = s.charAt(right); + right++; + // 进行窗口内数据的一系列更新 + window.put(c, window.getOrDefault(c, 0) + 1); + // 判断左侧窗口是否要收缩,字符串重复时收缩，注意这里是 while 不是 if + while (window.get(c) > 1) { + char d = s.charAt(left); + left++; + // 进行窗口内数据的一系列更新 + window.put(d, window.get(d) - 1); + } + // 在这里更新答案，我们窗口是左闭右开的，所以窗口实际包含的字符数是 right - left，无需 +1 + res = Math.max(res, right - left); + } + return res; +} +``` + + + +#### [最小覆盖子串（76）](https://leetcode-cn.com/problems/minimum-window-substring/) + +> 给你一个字符串 `s` 、一个字符串 `t` 。返回 `s` 中涵盖 `t` 所有字符的最小子串。如果 `s` 中不存在涵盖 `t` 所有字符的子串，则返回空字符串 `""` 。 +> +> ``` +> 输入：s = "ADOBECODEBANC", t = "ABC" +> 输出："BANC" +> ``` + +思路： + +1. 我们在字符串 `S` 中使用双指针中的左右指针技巧，初始化 `left = right = 0`，把索引**左闭右开**区间 `[left, right)` 称为一个「窗口」。 + + > [!IMPORTANT] + > + > 为什么要「左闭右开」区间 + > + > **理论上你可以设计两端都开或者两端都闭的区间，但设计为左闭右开区间是最方便处理的**。 + > + > 因为这样初始化 `left = right = 0` 时区间 `[0, 0)` 中没有元素，但只要让 `right` 向右移动（扩大）一位，区间 `[0, 1)` 就包含一个元素 `0` 了。 + > + > 如果你设置为两端都开的区间，那么让 `right` 向右移动一位后开区间 `(0, 1)` 仍然没有元素；如果你设置为两端都闭的区间，那么初始区间 `[0, 0]` 就包含了一个元素。这两种情况都会给边界处理带来不必要的麻烦。 + +2. 我们先不断地增加 `right` 指针扩大窗口 `[left, right)`，直到窗口中的字符串符合要求（包含了 `T` 中的所有字符）。 + +3. 此时，我们停止增加 `right`，转而不断增加 `left` 指针缩小窗口 `[left, right)`，直到窗口中的字符串不再符合要求（不包含 `T` 中的所有字符了）。同时，每次增加 `left`，我们都要更新一轮结果。 + +4. 重复第 2 和第 3 步，直到 `right` 到达字符串 `S` 的尽头。 + +```java +public String minWindow(String s, String t) { + // 两个map，window 记录窗口中的字符频率，need 记录t中字符的频率 + HashMap window = new HashMap<>(); + HashMap need = new HashMap<>(); + + for (int i = 0; i < t.length(); i++) { + char c = t.charAt(i); + //算出每个字符的数量，有可能有重复的 + need.put(c, need.getOrDefault(c, 0) + 1); + } + + //左开右闭的区间，然后创建移动窗口 + int left = 0, right = 0; + // 窗口中满足need条件的字符个数， valid == need.size 说明窗口满足条件 + int valid = 0; + //记录最小覆盖子串的开始索引和长度 + int start = 0, len = Integer.MAX_VALUE; + while (right < s.length()) { + // c 代表将移入窗口的字符 + char c = s.charAt(right); + //扩大窗口 + right++; + + //先判断当前滑动窗口右端（right 指针处）的字符 c 是否是目标字符串 t 中的一个字符 + if (need.containsKey(c)) { + window.put(c, window.getOrDefault(c, 0) + 1); + //检查当前字符 c 的频率在滑动窗口中是否达到了目标字符串 t 中所要求的频率 + if (window.get(c).equals(need.get(c))) { + valid++; + } + } + //判断左窗口是否需要收缩 + while (valid == need.size()) { + //如果当前滑动窗口的长度比已记录的最小长度 len 更短，则说明找到了一个更小的符合条件的覆盖子串 + if (right - left < len) { + start = left; + len = right - left; + } + //d 是将移除窗口的字符 + char d = s.charAt(left); + left++; //缩小窗口 + + //更新窗口，收缩，更新窗口中的字符频率并检查是否还满足覆盖条件 + if (need.containsKey(d)) { + if (window.get(d).equals(need.get(d))) { + valid--; + window.put(d, window.get(d) - 1); + } + } + } + } + //返回最小覆盖子串 + return len == Integer.MAX_VALUE ? "" : s.substring(start, start + len); +} +``` + + + +#### [字符串的排列（567）](https://leetcode.cn/problems/permutation-in-string/description/) + +> 给你两个字符串 `s1` 和 `s2` ，写一个函数来判断 `s2` 是否包含 `s1` 的排列。如果是，返回 `true` ；否则，返回 `false` 。 +> +> 换句话说，`s1` 的排列之一是 `s2` 的 **子串** 。 +> +> ``` +> 输入：s1 = "ab" s2 = "eidbaooo" +> 输出：true +> 解释：s2 包含 s1 的排列之一 ("ba"). +> ``` + +思路： + +通过滑动窗口（Sliding Window）和字符频率统计来解决 + +和上一题基本一致，只是 移动 `left` 缩小窗口的时机是窗口大小大于 `t.length()` 时，当发现 `valid == need.size()` 时，就说明窗口中就是一个合法的排列 + +```java +// 判断 s 中是否存在 t 的排列 +public boolean checkInclusion(String t, String s) { + Map need = new HashMap<>(); + Map window = new HashMap<>(); + for (char c : t.toCharArray()) { + need.put(c, need.getOrDefault(c, 0) + 1); + } + + int left = 0, right = 0; + int valid = 0; + while (right < s.length()) { + char c = s.charAt(right); + right++; + // 进行窗口内数据的一系列更新 + if (need.containsKey(c)) { + window.put(c, window.getOrDefault(c, 0) + 1); + if (window.get(c).intValue() == need.get(c).intValue()) + valid++; + } + + // 判断左侧窗口是否要收缩 + while (right - left >= t.length()) { + // 在这里判断是否找到了合法的子串 + if (valid == need.size()) + return true; + char d = s.charAt(left); + left++; + // 进行窗口内数据的一系列更新 + if (need.containsKey(d)) { + if (window.get(d).intValue() == need.get(d).intValue()) + valid--; + window.put(d, window.get(d) - 1); + } + } + } + // 未找到符合条件的子串 + return false; +} +``` + + + +#### [替换后的最长重复字符（424）](https://leetcode-cn.com/problems/longest-repeating-character-replacement/) + +> 给你一个仅由大写英文字母组成的字符串，你可以将任意位置上的字符替换成另外的字符，总共可最多替换 k 次。在执行上述操作后，找到包含重复字母的最长子串的长度。 +> +> 注意：字符串长度 和 k 不会超过 10^4 +> +> ``` +> 输入：s = "ABAB", k = 2 +> 输出：4 +> 解释：用两个'A'替换为两个'B',反之亦然。 +> ``` +> +> ``` +> 输入：s = "AABABBA", k = 1 +> 输出：4 +> 解释：将中间的一个'A'替换为'B',字符串变为 "AABBBBA"。子串 "BBBB" 有最长重复字母, 答案为 4。 +> ``` + +思路： + +```java +public int characterReplacement(String s, int k) { + int len = s.length(); + if (len < 2) { + return len; + } + + char[] charArray = s.toCharArray(); + int left = 0; + int right = 0; + + int res = 0; + int maxCount = 0; + int[] freq = new int[26]; + // [left, right) 内最多替换 k 个字符可以得到只有一种字符的子串 + while (right < len){ + freq[charArray[right] - 'A']++; + // 在这里维护 maxCount，因为每一次右边界读入一个字符，字符频数增加，才会使得 maxCount 增加 + maxCount = Math.max(maxCount, freq[charArray[right] - 'A']); + right++; + + if (right - left > maxCount + k){ + // 说明此时 k 不够用 + // 把其它不是最多出现的字符替换以后，都不能填满这个滑动的窗口，这个时候须要考虑左边界向右移动 + // 移出滑动窗口的时候，频数数组须要相应地做减法 + freq[charArray[left] - 'A']--; + left++; + } + res = Math.max(res, right - left); + } + return res; +} +``` + + + +### 3.3 计数问题 + +#### 至多包含两个不同字符的最长子串 + +> 给定一个字符串 `s`，找出 **至多** 包含两个不同字符的最长子串 `t` ，并返回该子串的长度。 +> +> ``` +> 输入: "eceba" +> 输出: 3 +> 解释: t 是 "ece"，长度为3。 +> ``` + + + +```java +public int lengthOfLongestSubstringTwoDistinct(String s) { + if (s == null || s.length() == 0) { + return 0; + } + + // 滑动窗口的左指针 + int left = 0; + // 记录滑动窗口内的字符及其出现的频率 + Map map = new HashMap<>(); + // 记录最长子串的长度 + int maxLen = 0; + + // 遍历整个字符串 + for (int right = 0; right < s.length(); right++) { + // 右指针的字符 + char c = s.charAt(right); + // 将字符 c 加入到窗口中，并更新其出现的次数 + map.put(c, map.getOrDefault(c, 0) + 1); + + // 当窗口内的不同字符数超过 2 时，开始缩小窗口 + while (map.size() > 2) { + // 左指针的字符 + char leftChar = s.charAt(left); + // 减少左指针字符的频率 + map.put(leftChar, map.get(leftChar) - 1); + // 如果左指针字符的频率为 0，则从窗口中移除该字符 + if (map.get(leftChar) == 0) { + map.remove(leftChar); + } + // 移动左指针，缩小窗口 + left++; + } + + // 更新最大长度 + maxLen = Math.max(maxLen, right - left + 1); + } + + return maxLen; +} + + +``` + + + +#### 至多包含 K 个不同字符的最长子串_340 + +> 给定一个字符串 `s`，找出 **至多** 包含 `k` 个不同字符的最长子串 `T`。 +> +> ``` +> 输入: s = "eceba", k = 2 +> 输出: 3 +> 解释: 则 T 为 "ece"，所以长度为 3。 +> ``` + +```java +public int lengthOfLongestSubstringKDistinct(String s, int k) { + if (s == null || s.length() == 0 || k == 0) { + return 0; + } + + // 滑动窗口的左指针 + int left = 0; + // 记录滑动窗口内的字符及其出现的频率 + Map map = new HashMap<>(); + // 记录最长子串的长度 + int maxLen = 0; + + // 遍历整个字符串 + for (int right = 0; right < s.length(); right++) { + // 右指针的字符 + char c = s.charAt(right); + // 将字符 c 加入到窗口中，并更新其出现的次数 + map.put(c, map.getOrDefault(c, 0) + 1); + + // 当窗口内的不同字符数超过 K 时，开始缩小窗口 + while (map.size() > k) { + // 左指针的字符 + char leftChar = s.charAt(left); + // 减少左指针字符的频率 + map.put(leftChar, map.get(leftChar) - 1); + // 如果左指针字符的频率为 0，则从窗口中移除该字符 + if (map.get(leftChar) == 0) { + map.remove(leftChar); + } + // 移动左指针，缩小窗口 + left++; + } + + // 更新最大长度 + maxLen = Math.max(maxLen, right - left + 1); + } + + return maxLen; +} +``` + + + +#### [ 区间子数组个数_795](https://leetcode.cn/problems/number-of-subarrays-with-bounded-maximum/) + +> 给定一个元素都是正整数的数组`A` ，正整数 `L` 以及 `R` (`L <= R`)。 +> +> 求连续、非空且其中最大元素满足大于等于`L` 小于等于`R`的子数组个数。 +> +> ``` +> 例如 : +> 输入: +> A = [2, 1, 4, 3] +> L = 2 +> R = 3 +> 输出: 3 +> 解释: 满足条件的子数组: [2], [2, 1], [3]. +> ``` + +```java +public int numSubarrayBoundedMax(int[] nums, int left, int right) { + int count = 0; + int start = -1; // 记录大于right的元素下标 + int last_bounded = -1; // 记录符合[Left, Right]区间的元素下标 + + for (int i = 0; i < nums.length; i++) { + if (nums[i] > right) { + // 遇到大于right的元素，重置窗口起始点 + start = i; + } + if (nums[i] >= left && nums[i] <= right) { + // 记录符合区间条件的元素下标 + last_bounded = i; + } + // 计算当前有效子数组的数量 + count += last_bounded - start; + } + + return count; +} +``` + + + + + +### 3.4 使用数据结构维护窗口性质 + +有一类问题只是名字上叫「滑动窗口」，但解决这一类问题需要用到常见的数据结构。这一节给出的问题可以当做例题进行学习，一些比较复杂的问题是基于这些问题衍生出来的。 + +#### 滑动窗口最大值 + +#### 滑动窗口中位数 + + + + + +## 四、其他双指针问题 + +#### [最长回文子串_5](https://leetcode.cn/problems/longest-palindromic-substring/) + +> 给你一个字符串 `s`，找到 `s` 中最长的 回文子串。 + +```java +public static String longestPalindrome(String s){ + //处理边界 + if(s == null || s.length() < 2){ + return s; + } + + //初始化start和maxLength变量，用来记录最长回文子串的起始位置和长度 + int start = 0, maxLength = 0; + + //遍历每个字符 + for (int i = 0; i < s.length(); i++) { + //以当前字符为中心的奇数长度回文串 + int len1 = centerExpand(s, i, i); + //以当前字符和下一个字符之间的中心的偶数长度回文串 + int len2 = centerExpand(s, i, i+1); + + int len = Math.max(len1, len2); + + //当前找到的回文串大于之前的记录，更新start和maxLength + if(len > maxLength){ + // i 是当前扩展的中心位置， len 是找到的回文串的总长度，我们要用这两个值计算出起始位置 start + // （len - 1)/2 为什么呢，计算中心到回文串起始位置的距离， 为什么不用 len/2， 这里考虑的是奇数偶数的通用性，比如'abcba' 和 'abba' 或者 'cabbad'，巧妙的同时处理两种，不需要分别考虑 + start = i - (len - 1)/2; + maxLength = len; + } + + } + + return s.substring(start, start + maxLength); +} + +private static int centerExpand(String s, int left, int right){ + while(left >= 0 && right < s.length() && s.charAt(left) == s.charAt(right)){ + left --; + right ++; + } + //这个的含义： 假设扩展过程中，left 和 right 已经超出了回文返回， 此时回文范围是 (left+1,right-1), 那么回文长度= (right-1)-(left+1)+1=right-left-1 + return right - left - 1; +} +``` + + + +#### [合并两个有序数组_88](https://leetcode-cn.com/problems/merge-sorted-array/) + + + +#### [下一个排列_31](https://leetcode.cn/problems/next-permutation/) + +> 整数数组的一个 **排列** 就是将其所有成员以序列或线性顺序排列。 +> +> - 例如，`arr = [1,2,3]` ，以下这些都可以视作 `arr` 的排列：`[1,2,3]`、`[1,3,2]`、`[3,1,2]`、`[2,3,1]` 。 +> +> 整数数组的 **下一个排列** 是指其整数的下一个字典序更大的排列。更正式地，如果数组的所有排列根据其字典顺序从小到大排列在一个容器中，那么数组的 **下一个排列** 就是在这个有序容器中排在它后面的那个排列。如果不存在下一个更大的排列，那么这个数组必须重排为字典序最小的排列（即，其元素按升序排列）。 +> +> - 例如，`arr = [1,2,3]` 的下一个排列是 `[1,3,2]` 。 +> - 类似地，`arr = [2,3,1]` 的下一个排列是 `[3,1,2]` 。 +> - 而 `arr = [3,2,1]` 的下一个排列是 `[1,2,3]` ，因为 `[3,2,1]` 不存在一个字典序更大的排列。 +> +> 给你一个整数数组 `nums` ，找出 `nums` 的下一个排列。 +> +> 必须**[ 原地 ](https://baike.baidu.com/item/原地算法)**修改，只允许使用额外常数空间。 + +**Approach**: + +1. 我们希望下一个数 比当前数大，这样才满足 “下一个排列” 的定义。因此只需要 将后面的「大数」与前面的「小数」交换，就能得到一个更大的数。比如 123456，将 5 和 6 交换就能得到一个更大的数 123465。 +2. 我们还希望下一个数 增加的幅度尽可能的小，这样才满足“下一个排列与当前排列紧邻“的要求。为了满足这个要求，我们需要： + - 在 尽可能靠右的低位 进行交换，需要 从后向前 查找 + - 将一个 尽可能小的「大数」 与前面的「小数」交换。比如 123465，下一个排列应该把 5 和 4 交换而不是把 6 和 4 交换 + - 将「大数」换到前面后，需要将「大数」后面的所有数 重置为升序 + +该算法可以分为三个步骤： + +1. **从右向左找到第一个升序对**（即`nums[i] < nums[i + 1]`），记为`i`。如果找不到，则说明数组已经是最大的排列，直接将数组反转为最小的排列。 +2. **从右向左找到第一个比`nums[i]`大的数**，记为`j`，然后交换`nums[i]`和`nums[j]`。 +3. **反转`i + 1`之后的数组**，使其变成最小的排列。 + +```java +public void nextPermutation(int[] nums){ + + //为什么从倒数第二个元素开始，因为我们第一步要从右往左找到第一个“升序对”， + int i = nums.length - 2; + //step 1： 找到第一个下降的元素 + while (i >= 0 && nums[i] >= nums[i + 1]) { + i--; + } + + //step2 : 如果找到了 i, 找到第一个比 nums[i] 大的元素 j + if (i > 0) { + int j = nums.length - 1; + while (j >= 0 && nums[j] <= nums[i]) { + j--; + } + //交换i 和 j 的位置 + swap(nums, i, j); + + } + + // step3: 反转从 start 开始到末尾的部分（不需要重新排序，是因为这半部分再交换前就是降序的，我们第一步找的升序对） + reverse(nums, i+1); +} + +private void swap(int[] nums, int i, int j){ + int tmp = nums[i]; + nums[i] = nums[j]; + nums[j] = tmp; +} + +private void reverse(int[] nums, int start){ + int end = nums.length - 1; + while(start < end){ + swap(nums, start, end); + start ++; + end --; + } +} +``` + + + +#### [颜色分类_75](https://leetcode.cn/problems/sort-colors/) + +> 给定一个包含红色、白色和蓝色、共 `n` 个元素的数组 `nums` ，**[原地](https://baike.baidu.com/item/原地算法)** 对它们进行排序，使得相同颜色的元素相邻，并按照红色、白色、蓝色顺序排列。 +> +> 我们使用整数 `0`、 `1` 和 `2` 分别表示红色、白色和蓝色。 +> +> 必须在不使用库内置的 sort 函数的情况下解决这个问题。 +> +> ``` +> 输入：nums = [2,0,2,1,1,0] +> 输出：[0,0,1,1,2,2] +> ``` + +**Approach**: + +荷兰国旗问题 + +我们可以使用三个指针：`low`、`mid` 和 `high`，分别用来处理 0、1 和 2 的排序问题。 + +- `low` 表示红色 (0) 的边界，指向的元素是 1 的位置，即把所有 0 放在 `low` 的左边。 +- `mid` 表示当前处理的元素索引。 +- `high` 表示蓝色 (2) 的边界，指向的元素是 2 的位置，把所有 2 放在 `high` 的右边。 + +**算法步骤：** + +1. 初始化：`low = 0`，`mid = 0`，`high = nums.length - 1`。 +2. 当 `mid <= high` 时，进行以下判断： + - 如果 `nums[mid] == 0`，将其与 `nums[low]` 交换，并将 `low` 和 `mid` 都加 1。 + - 如果 `nums[mid] == 1`，只需将 `mid` 加 1，因为 1 已经在正确的位置。 + - 如果 `nums[mid] == 2`，将其与 `nums[high]` 交换，并将 `high` 减 1，但 `mid` 不动，因为交换过来的数还未处理。 + +```java +public void sortColors(int[] nums) { + int low = 0, mid = 0, high = nums.length - 1; + + while (mid <= high) { + if (nums[mid] == 0) { + // 交换 nums[mid] 和 nums[low] + swap(nums, low, mid); + low++; + mid++; + } else if (nums[mid] == 1) { + mid++; + } else if (nums[mid] == 2) { + // 交换 nums[mid] 和 nums[high] + swap(nums, mid, high); + high--; + } + } +} + +private void swap(int[] nums, int i, int j) { + int temp = nums[i]; + nums[i] = nums[j]; + nums[j] = temp; +} + +``` + +- 时间复杂度：O(n)，每个元素只遍历一次。 + +- 空间复杂度：O(1)，不需要额外的空间，只在原数组中进行操作。 + +双指针方法的话，就是两次遍历。 + +```java +public void sortColors(int[] nums) { + int left = 0; + int right = nums.length - 1; + + // 第一次遍历，把 0 移动到数组的左边 + for (int i = 0; i <= right; i++) { + if (nums[i] == 0) { + swap(nums, i, left); + left++; + } + } + + // 第二次遍历，把 2 移动到数组的右边 + for (int i = nums.length - 1; i >= left; i--) { + if (nums[i] == 2) { + swap(nums, i, right); + right--; + } + } +} + +private void swap(int[] nums, int i, int j) { + int temp = nums[i]; + nums[i] = nums[j]; + nums[j] = temp; +} + +``` + + + +#### [排序链表_148](https://leetcode.cn/problems/sort-list/description/) + +> 给你链表的头结点 `head` ，请将其按 **升序** 排列并返回 **排序后的链表** 。 +> +> ``` +> 输入：head = [4,2,1,3] +> 输出：[1,2,3,4] +> ``` + +**Approach**: 要将链表排序，并且时间复杂度要求为 O(nlog⁡n)O(n \log n)O(nlogn)，这提示我们需要使用 **归并排序**。归并排序的特点就是时间复杂度是 O(nlog⁡n)O(n \log n)O(nlogn)，并且它在链表上的表现很好，因为链表的分割和合并操作相对容易。 + +具体实现步骤： + +1. **分割链表**：我们可以使用 **快慢指针** 来找到链表的中点，从而将链表一分为二。 +2. **递归排序**：分别对左右两部分链表进行排序。 +3. **合并有序链表**：最后将两个已经排序好的链表合并成一个有序链表。 + +```java + +public ListNode sortList(ListNode head) { + // base case: if the list is empty or contains a single element, it's already sorted + if (head == null || head.next == null) { + return head; + } + + // Step 1: split the linked list into two halves + ListNode mid = getMiddle(head); + // right 为链表右半部分的头结点 + ListNode right = mid.next; + mid.next = null; //断开 + + // Step 2: recursively sort both halves + ListNode leftSorted = sortList(head); + ListNode rightSorted = sortList(right); + + // Step 3: merge the sorted halves + return mergeTwoLists(leftSorted, rightSorted); +} + +// Helper method to find the middle node of the linked list +private ListNode getMiddle(ListNode head) { + ListNode slow = head; + ListNode fast = head; + + while (fast != null && fast.next != null) { + slow = slow.next; + fast = fast.next.next; + } + + return slow; +} + +// Helper method to merge two sorted linked lists +private ListNode mergeTwoLists(ListNode l1, ListNode l2) { + ListNode dummy = new ListNode(-1); + ListNode current = dummy; + + while (l1 != null && l2 != null) { + if (l1.val < l2.val) { + current.next = l1; + l1 = l1.next; + } else { + current.next = l2; + l2 = l2.next; + } + current = current.next; + } + + // Append the remaining elements of either list + if (l1 != null) { + current.next = l1; + } else { + current.next = l2; + } + + return dummy.next; +} +``` + + + +### 总结 + +区间不同的定义决定了不同的初始化逻辑、遍历过程中的逻辑。 + +- 移除元素 +- 删除排序数组中的重复项 II +- 移动零 + + + diff --git a/docs/data-structure-algorithms/Dynamic-Programming.md b/docs/data-structure-algorithms/algorithm/Dynamic-Programming.md similarity index 79% rename from docs/data-structure-algorithms/Dynamic-Programming.md rename to docs/data-structure-algorithms/algorithm/Dynamic-Programming.md index 6bc1cbf484..9ea856aedc 100644 --- a/docs/data-structure-algorithms/Dynamic-Programming.md +++ b/docs/data-structure-algorithms/algorithm/Dynamic-Programming.md @@ -1,4 +1,10 @@ -# 动态规划——刷题有套路 +--- +title: 动态规划——刷题有套路 +date: 2024-03-09 +tags: + - Algorithm +categories: Algorithm +--- > 动态规划，简直就是刷题模板、套路届的典范 @@ -23,6 +29,20 @@ 所有的算法都是在让计算机【如何聪明地穷举】而已，动态规划也是如此。 +> A ： "1+1+1+1+1+1+1+1 =？等式的值是多少" +> +> B ： 计算 "8" +> +> A : 在上面等式的左边写上 "1+" 呢？ "此时等式的值为多少" +> +> B : 很快得出答案 "9" +> +> A : "你怎么这么快就知道答案了" +> +> B : "只要在8的基础上加1就行了" +> +> A : "所以你不用重新计算，因为你记住了第一个等式的值为8!动态规划算法也可以说是 '记住求过的解来节省时间'" + 本文将会从以下角度来讲解动态规划： - 什么是动态规划 @@ -41,19 +61,19 @@ - **多阶段决策**：比如说我们有一个复杂的问题要处理，我们可以按问题的时间或从空间关系分解成几个互相联系的阶段，使每个阶段的决策问题都是一个比较容易求解的“**子问题**”，这样依次做完每个阶段的最优决策后，他们就构成了整个问题的最优决策。简单地说，就是每做一次决策就可以得到解的一部分，当所有决策做完之后，完整的解就“浮出水面”了。有一种**大事化小，小事化了**的感觉。 -- **最优子结构**：在我们拆成一个个子问题的时候，每个子问题一定都有一个最优解，既然它分解的子问题是全局最优解，那么依赖于它们解的原问题自然也是全局最优解。比如说，你的原问题是考出最高的总成绩，那么你的子问题就是要把语文考到最高，数学考到最高…… 为了每门课考到最高，你要把每门课相应的选择题分数拿到最高，填空题分数拿到最高…… 当然，最终就是你每门课都是满分，这就是最高的总成绩。 +- **最优子结构**：在我们拆成一个个子问题的时候，每个子问题一定都有一个最优解，既然它分解的子问题是全局最优解，那么依赖于它们解的原问题自然也是全局最优解。比如说，你的原问题是考出最高的总成绩，那么你的子问题就是要把语文考到最高，数学考到最高…… 为了每门课考到最高，你要把每门课相应的选择题分数拿到最高，填空题分数拿到最高…… 当然，最终就是你每门课都是满分，这就是最高的总成绩。![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/06/1-1.png) - **自下而上**：或者叫自底向上，对应的肯定有**自上而下**（自顶向下） - 啥叫**自顶向下**，比如我们求解递归问题，画递归树的时候，是从上向下延伸，都是从一个规模较大的原问题比如说 f(20)，向下逐渐分解规模，直到 f(1) 和 f(2) 触底，然后逐层返回答案，这就叫「自顶向下」，比如我们用递归法计算斐波那契数列的时候 - ![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20200922105312.png) + ![](https://img.starfish.ink/leetcode/up2down.png) - 反过来，自底向上，肯定就是从最底下，最简单，问题规模最小的 f(1) 和 f(2) 开始往上推，直到推到我们想要的答案 f(20)，这就是动态规划的思路，这也是为什么动态规划一般都脱离了递归，而是由循环迭代完成计算。 - ![img](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20200922103101.png) + ![](https://img.starfish.ink/leetcode/down2up.png) @@ -65,7 +85,7 @@ > 通常许多子问题非常相似，为此动态规划法试图仅仅解决每个子问题一次，具有天然剪枝的功能，从而减少计算量：一旦某个给定子问题的解已经算出，则将其记忆化存储，以便下次需要同一个子问题解之时直接查表。这种做法在重复子问题的数目关于输入的规模呈指数增长时特别有用。 > -> 动态规划在查找有很多**重叠子问题**的情况的最优解时有效。它将问题重新组合成子问题。为了避免多次解决这些子问题，它们的结果都逐渐被计算并被保存，从简单的问题直到整个问题都被解决。因此，动态规划保存递归时的结果，因而不会在解决同样的问题时花费时间。 +> 动态规划在查找有很多**重叠子问题**的情况的最优解时有效。它将问题重新组合成子问题。为了避免多次解决这些子问题，它们的结果都逐渐被计算并被保存，从简单的问题直到整个问题都被解决。因此，动态规划保存递归时的结果，而不会在解决同样问题时再花费时间。 > > 动态规划只能应用于有**最优子结构**的问题。最优子结构的意思是局部最优解能决定全局最优解（对有些问题这个要求并不能完全满足，故有时需要引入一定的近似）。简单地说，问题能够分解成子问题来解决。 @@ -77,7 +97,7 @@ ### 斐波那契数列 -PS：我们先从一个简单的斐波那契数列来进一步理解下重叠子问题与状态转移方程（斐波那契数列并不是严格意义上的动态规划，因为它没有求最值，所以也没设计到最优子结构的问题） +PS：我们先从一个简单的斐波那契数列来进一步理解下重叠子问题与状态转移方程（斐波那契数列并不是严格意义上的动态规划，因为它没有求最值，所以也没涉及到最优子结构的问题） **1、暴力递归** @@ -92,8 +112,6 @@ int fib(int N) { 这个不用多说了，我们在 **自顶向下** 那部分画出的就是它的递归树，他有大量的重复计算问题，比如 `f(18)` 被计算了两次，而且你可以看到，以 `f(18)` 为根的这个递归树体量巨大，多算一遍，会耗费巨大的时间。更何况，还不止 `f(18)` 这一个节点被重复计算，所以这个算法及其低效。 -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20200922105312.png) - 这就是动态规划问题的第一个性质：**重叠子问题**。下面，我们想办法解决这个问题。 **2、带备忘录的递归解法** @@ -138,7 +156,7 @@ public int fib(int n) { 有了上一步「备忘录」的启发，**自顶向下**的递推，每次“缓存”之前的结果，那**自底向上**的推算不也可以吗？而且推算的时候，我们只需要存储之前的两个状态就行，还省了很多空间，我靠，真是个天才，这就是，**动态规划**的做法。 -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20200922111558.png) +![](https://img.starfish.ink/leetcode/down2up.png) 画个图就很好理解了，我们一层一层的往上计算，得到最后的结果。 @@ -167,8 +185,6 @@ public int fib(int n) { ## 四、什么样的题目适合用动态规划 -求最值的核心问题，无非就是穷举，就是把所有可能的结果都穷举出来，然后找到最值。但穷举从来不是一个好方法。 - 可以使用动态规划的问题一般都有一些特点可以遵循。如题目的问法一般是三种方式： 1. 求最大值/最小值（除了类似找出数组中最大值这种） @@ -181,7 +197,7 @@ public int fib(int n) { 3. 求方案总数 - 路径规划问题 + 硬币组合问题、路径规划问题 如果你碰到一个问题，是问你这三个问题之一的，那么有 90% 的概率是可以使用动态规划来求解。 @@ -207,12 +223,18 @@ public int fib(int n) { 我们知道了动态规划三要素：重叠子问题、最优子结构、状态转移方程。 -那要解决一个动态规划问题的大概步骤，就围绕这人这三要素展开： +那要解决一个动态规划问题的大概步骤，就围绕这三要素展开： 1. **划分阶段：**分析题目可以用动态规划解决，那就先看这个问题如何划分成各个子问题 + 2. **状态定义**：也有叫选择状态的，其实就是定义子问题，我理解其实就是看求解的结果，我们一般用数组来存储子问题结果，所以状态我们一般定义为 $dp[i]$，表示规模为 i 的问题的解，$dp[i-1]$ 就是规模为 i-1 的子问题的解 + 3. **确定决策并写出状态转移方程：**听名字就觉得牛逼的一步，肯定也是最难的一步，其实就是我们从 f(1)、f(2)、f(3) ... f(n-1) 一步步递推出 f(n) 的表达式，也就是说，dp[n] 一定会和 dp[n-1], dp[n-2]....存在某种关系的，这一步就是找出数组元素的关系式，比如斐波那契数列的关系式 $dp[n] = dp[n-1] + dp[n-2]$ + + > 一般来说函数的参数就是状态转移中会变化的量，也就是上面说到的「状态」；函数的返回值就是题目要求我们计算的 + 4. **找出初始值（包括边界条件）：**既然状态转移方程式写好了，但是还需要一个**支点**来撬动它进行不断的计算下去，比如斐波那契数列中的 f(1)=1，f(2)=1，就是初始值 + 5. **优化**：思考有没有可以优化的点 @@ -223,7 +245,7 @@ public int fib(int n) { 按上面的套路走，最后的结果就可以套这个框架： -``` +```java # 初始化 base case dp[0][0][...] = base # 进行状态转移 @@ -277,8 +299,6 @@ for 状态1 in 状态1的所有取值： > > f(5) = f(4) + 1 ....... -。。。![img](http://img.pkdoutu.com/production/uploads/image/2019/08/21/20190821348574_pZnwku.gif) - 这不是上一节的斐波那契数列吗？？？？？ 用 $f(x)$ 表示爬到第 x 级台阶的方案数，考虑最后一步可能跨了一级台阶，也可能跨了两级台阶，所以我们可以列出如下式子： @@ -300,7 +320,7 @@ $f(x) = f(x - 1) + f(x - 2)$ public int climbStairs(int n) { // 创建一个数组来保存历史数据 int[] dp = new int[n + 1]; - // 给出初始值, 爬楼梯的初始值应该是爬 1 级有1 种，2级的话有 2 种，这里2级也是个初始值 + // 给出初始值, 爬楼梯的初始值 dp[0] = 0; dp[1] = 1; for(int i = 2; i <= n; i++) { @@ -336,7 +356,7 @@ public int climbStairs(int n) { 想想这道题，用哪种遍历方式合适一些呢？ -用哪种遍历方式，可以逐个分析嘛。第一种遍历方式通常用于暴力解法，第二中后边我们也会用到（最长回文子串），第三种由于可以产生递推关系，动态规划问题用的挺多的。 +用哪种遍历方式，可以逐个分析嘛。第一种遍历方式通常用于暴力解法，第二种后边我们也会用到（最长回文子串），第三种由于可以产生递推关系，动态规划问题用的挺多的。 #### 分析题目 @@ -350,14 +370,14 @@ public int climbStairs(int n) { 2. **初始状态**：如果数组只有 1 个元素，那 dp 数组的第一个元素也就是数组的第一个元素本身，**`dp[0] = nums[0]`**; -3. **状态转移方程**：因为我们的数组中可能有负数的情况，从头遍历的话，如有下一个元素是负数的话，和反而更小了，所以我们遍历以元素结尾的子序列，若前一个元素大于 0（$nums[i-1] > 0$），则将它加到当前元素上 $nums[i] = nums[i-1]+nums[i]$。最终 $nums[i]$ 保存的是以原先数组中 $nums[i]$ 结尾的最大子序列和。最后整体遍历一边 $nums[i]$ 就能找到整个数组最大的子序列和啦。所以状态转移方程： +3. **状态转移方程**：因为我们的数组中可能有负数的情况，从头遍历的话，如有下一个元素是负数的话，和反而更小了，所以我们遍历以元素结尾的子序列，若前一个元素大于 0（$nums[i-1] > 0$），则将它加到当前元素上 $nums[i] = nums[i-1]+nums[i]$。最终 $nums[i]$ 保存的是以原先数组中 $nums[i]$ 结尾的最大子序列和。最后整体遍历一遍 $nums[i]$ 就能找到整个数组最大的子序列和啦。所以状态转移方程： $dp[i]=\max \{nums[i],dp[i−1]+nums[i]\}$ 4. **输出结果**：转移方程只是保存了当前元素的最大和，我们要求的是最终的那个最大值，所以需要从 dp[i] 中找到最大值返回 ```java -public int maxSubArray3(int[] nums) { +public int maxSubArray(int[] nums) { //特判 if (nums == null || nums.length == 0) { return 0; @@ -400,7 +420,7 @@ public int maxSubArray(int[] nums) { > 你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警。 > -> 给定一个代表每个房屋存放金额的非负整数数组，计算你 不触动警报装置的情况下 ，一夜之内能够偷窃到的最高金额。 +> 给定一个代表每个房屋存放金额的非负整数数组，计算你不触动警报装置的情况下 ，一夜之内能够偷窃到的最高金额。 > > ``` >输入：[1,2,3,1] @@ -409,18 +429,11 @@ public int maxSubArray(int[] nums) { >   偷窃到的最高金额 = 1 + 3 = 4 。 > ``` > -> ``` ->输入：[2,7,9,3,1] -> 输出：12 ->解释：偷窃 1 号房屋 (金额 = 2), 偷窃 3 号房屋 (金额 = 9)，接着偷窃 5 号房屋 (金额 = 1)。 ->   偷窃到的最高金额 = 2 + 9 + 1 = 12 。 -> ``` > -> -> 提示： +>提示： > >0 <= nums.length <= 100 ->0 <= nums[i] <= 400 +> 0 <= nums[i] <= 400 #### 分析题目 @@ -459,7 +472,7 @@ public int rob(int[] nums) { #### 优化 -同样的优化套路，上述方法使用了数组存储结果。但是每间房屋的最高总金额只和该房屋的前两间房屋的最高总金额相关，因此可以使用滚动数组，在每个时刻只需要存储前两间房屋的最高总金额。和斐波那契额数列优化同理。 +同样的优化套路，上述方法使用了数组存储结果。但是每间房屋的最高总金额只和该房屋的前两间房屋的最高总金额相关，因此可以使用滚动数组，在每个时刻只需要存储前两间房屋的最高总金额。和斐波那契数列优化同理。 ```java public int rob(int[] nums) { @@ -526,11 +539,11 @@ public int rob(int[] nums) { dp[0…m-1] [0] = 1; // 机器人一直向下走，第 0 列统统为 1 ``` -3. **状态转移方程**：要到达任一位置 (m,n) 的总路径条数，总是等于位置 (m-1,n) 的路径条数加上位置（m，n-1) 的路径条数。即 $dp[m][n] = dp[m-1][n] + dp[m][n-1]$ +3. **状态转移方程**：要到达任一位置 (m,n) 的总路径条数，总是等于位置 (m-1,n) 的路径条数加上位置（m,n-1) 的路径条数。即 $dp[m][n] = dp[m-1][n] + dp[m][n-1]$ 4. **输出结果**：由于数组是从下标 0 开始算起的，所以 $dp[m - 1][n - 1]$ 才是我们要的结果 -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20200922154004.png) +![](https://img.starfish.ink/algorithm/uniquePaths.png) ```java public int uniquePaths(int m, int n) { @@ -599,11 +612,9 @@ public int uniquePaths(int m, int n) { 以 coins = [1, 2, 5]，amount = 11 为例。我们要求组成 11 的最少硬币数，可以考虑组合中的最后一个硬币分别是1，2，5 的情况，比如： -最后一个硬币是 1 的话，最少硬币数应该为【组成 10 的最少硬币数】+ 1枚（1块硬币） - -最后一个硬币是 2 的话，最少硬币数应该为【组成 9 的最少硬币数】+ 1枚（2块硬币） - -最后一个硬币是 5 的话，最少硬币数应该为【组成 6 的最少硬币数】+ 1枚（5块硬币） +- 最后一个硬币是 1 的话，最少硬币数应该为【组成 10 的最少硬币数】+ 1枚（1块硬币） +- 最后一个硬币是 2 的话，最少硬币数应该为【组成 9 的最少硬币数】+ 1枚（2块硬币） +- 最后一个硬币是 5 的话，最少硬币数应该为【组成 6 的最少硬币数】+ 1枚（5块硬币） 在这 3 种情况中硬币数最少的那个就是结果 @@ -617,39 +628,42 @@ public int uniquePaths(int m, int n) { ```java for(int coin : coins){ - result = Math.min(result,1+dp[n-coin]) + result = Math.min(result,1+dp[amout-coin]) } ``` 4. **输出结果**： $dp[amout]$ ```java -public static int coinChange(int[] coins, int amount) { +public int coinChange(int[] coins, int amount) { //定义数组 int[] dp = new int[amount + 1]; int max = amount + 1; - // 初始化每个值为 amount+1，这样当最终求得的 dp[amount] 为 amount+1 时，说明问题无解 + // 初始化每个值为 amount+1，这样当最终求得的 dp[amount] 为 amount+1 时，说明问题无解, 或者初始化一个特殊值 Arrays.fill(dp, max); //初始值 dp[0] = 0; - // 外层 for 循环在遍历所有状态的所有取值 + // 外层 for 循环在遍历所有可能得金额，（从1到amount） //dp[i]上的值不断选择已含有硬币值当前位置的数组值 + 1，min保证每一次保存的是最小值 for (int i = 1; i < amount + 1; i++) { - //内层 for 循环在求所有选择的最小值 状态转移方程 + //内层循环所有硬币面额 for (int coin : coins) { + //如果i= coin) { //分两种情况，使用硬币coin和不使用，取最小值 dp[i] = Math.min(dp[i - coin] + 1, dp[i]); } } } - return dp[amount] > amount ? -1 : dp[amount]; + return dp[amount] == amount + 1 ? -1 : dp[amount]; } ``` > 为啥 `dp` 数组初始化为 `amount + 1` 呢，因为凑成 `amount` 金额的硬币数最多只可能等于 `amount`（全用 1 元面值的硬币），所以初始化为 `amount + 1` 就相当于初始化为正无穷，便于后续取最小值。为啥不直接初始化为 int 型的最大值 `Integer.MAX_VALUE` 呢？因为后面有 `dp[i - coin] + 1`，这就会导致整型溢出。 +> +> 最终，dp[amout] 就是凑成总金额所需的最少硬币数，如果dp[amount] 仍是初始化的较大值，说明无法凑出，返回 -1。 @@ -679,7 +693,7 @@ public static int coinChange(int[] coins, int amount) { 我们需要找出给定数组中两个数字之间的最大差值（即，最大利润）。此外，第二个数字（卖出价格）必须大于第一个数字（买入价格） ```java -public static int dp(int[] prices) { +public int dp(int[] prices) { int length = prices.length; if (length == 0) { return 0; @@ -709,13 +723,13 @@ public static int dp(int[] prices) { #### 分析题目 -回文的意思是正着念和倒着念一样，如：大波美人美波大 +回文的意思是正着念和倒着念一样，如：大波美人鱼人美波大 建立二维数组 `dp` ，找出所有的回文子串。 回文串两边加上两个相同字符，会形成一个新的回文串 。 -![img](https://writings.sh/assets/images/posts/algorithm-longest-palindromic-substring/longest-palindromic-substring-dp-2-1.jpeg) +![](https://writings.sh/assets/images/posts/algorithm-longest-palindromic-substring/longest-palindromic-substring-dp-2-1.jpeg) @@ -723,8 +737,6 @@ public static int dp(int[] prices) { ![img](https://writings.sh/assets/images/posts/algorithm-longest-palindromic-substring/longest-palindromic-substring-dp-2-2.jpeg) - - 首先，单个字符就形成一个回文串，所以，所有 `dp[i][i] = true` 。 ![img](https://writings.sh/assets/images/posts/algorithm-longest-palindromic-substring/longest-palindromic-substring-dp-2-3.jpeg) @@ -785,158 +797,133 @@ public String longestPalindrome_1(String s) { +### 8、数字三角形问题 +``` +7 +3 8 +8 1 0 +2 7 4 4 +4 5 2 6 5 +``` -## 总结 +从上到下选择一条路，使得经过的数字之和最大。 -![](https://pic2.zhimg.com/80/v2-4e3a7d5ae4bb76ce96bc3393013f13f8_720w.jpg?source=1940ef5c) +路径上的每一步只能往左下或者右下走。 +#### 分析题目 +递归解法 -## Reference +可以看出每走第n行第m列时有两种后续:向下或者向右下。由于最后一行可以确定,当做边界条件,所以我们自然而然想到递归求解 -- http://netedu.xauat.edu.cn/jpkc/netedu/jpkc/ycx/kcjy/kejian/pdf/05.pdf +```java +class Solution{ + + public int getMax(){ + int MAX = 101; + int[][] D = new int[MAX][MAX]; //存储数字三角形 + int n; //n表示层数 + int i = 0; int j = 0; + int maxSum = getMaxSum(D,n,i,j); + return maxSum; + } + + public int getMaxSum(int[][] D,int n,int i,int j){ + if(i == n){ + return D[i][j]; + } + int x = getMaxSum(D,n,i+1,j); + int y = getMaxSum(D,n,i+1,j+1); + return Math.max(x,y)+D[i][j]; + } +} +``` -- https://leetcode-cn.com/circle/article/lxC3ZB/ -- https://labuladong.gitbook.io/algo/dong-tai-gui-hua-xi-lie/dong-tai-gui-hua-xiang-jie-jin-jie -- https://www.zhihu.com/question/39948290 -- https://zhuanlan.zhihu.com/p/26743197 -- https://writings.sh/post/algorithm-longest-palindromic-substrings +## 总结 +![](https://pic2.zhimg.com/80/v2-4e3a7d5ae4bb76ce96bc3393013f13f8_720w.jpg?source=1940ef5c) +## 番外篇 ### 动态规划与其它算法的关系 -这一章我们将会介绍分治和贪心算法的核心思想，并与动态规划算法进行比较。 - -#### 分治 - -解决分治问题的时候，思路就是想办法把问题的规模减小，有时候减小一个，有时候减小一半，然后将每个小问题的解以及当前的情况组合起来得出最终的结果。例如归并排序和快速排序，归并排序将要排序的数组平均地分成两半，快速排序将数组随机地分成两半。然后不断地对它们递归地进行处理。 - -这里存在有最优的子结构，即原数组的排序结果是在子数组排序的结果上组合出来的，但是不存在重复子问题，因为不断地对待排序的数组进行对半分的时候，两半边的数据并不重叠，分别解决左半边和右半边的两个子问题的时候，没有子问题重复出现，这是动态规划和分治的区别。 - -#### 贪心 - -关于最优子结构 - -- 贪心：每一步的最优解一定包含上一步的最优解，上一步之前的最优解无需记录 -- 动态规划：全局最优解中一定包含某个局部最优解，但不一定包含上一步的局部最优解，因此需要记录之前的所有的局部最优解 - -关于子问题最优解组合成原问题最优解的组合方式 - -- 贪心：如果把所有的子问题看成一棵树的话，贪心从根出发，每次向下遍历最优子树即可，这里的最优是贪心意义上的最优。此时不需要知道一个节点的所有子树情况，于是构不成一棵完整的树 -- 动态规划：动态规划需要对每一个子树求最优解，直至下面的每一个叶子的值，最后得到一棵完整的树，在所有子树都得到最优解后，将他们组合成答案 - -结果正确性 - -- 贪心不能保证求得的最后解是最佳的，复杂度低 -- 动态规划本质是穷举法，可以保证结果是最佳的，复杂度高 - - - - - -#### 线性动态规划 +#### **1. 贪心算法（Greedy Algorithm）** -单串 -单串 dp[i] 线性动态规划最简单的一类问题，输入是一个串，状态一般定义为 dp[i] := 考虑[0..i]上，原问题的解，其中 i 位置的处理，根据不同的问题，主要有两种方式： +**核心思想**：每一步都做出当前状态下的**局部最优选择**（即 “贪心选择”），不考虑该选择对后续步骤的影响，最终通过局部最优的累积试图得到全局最优解。本质是 “短视的”：只看眼前，不回头。 -第一种是 i 位置必须取，此时状态可以进一步描述为 dp[i] := 考虑[0..i]上，且取 i，原问题的解； -第二种是 i 位置可以取可以不取 -大部分的问题，对 i 位置的处理是第一种方式，例如力扣： +**特点**： -70 爬楼梯问题 -801 使序列递增的最小交换次数 -790 多米诺和托米诺平铺 -746 使用最小花费爬楼梯 -线性动态规划中单串 dp[i] 的问题，状态的推导方向以及推导公式如下 +- 必须满足**贪心选择性质**：局部最优选择能导致全局最优解（否则贪心会失效）。 +- 子问题无依赖：每一步的选择不影响后续子问题的求解（子问题独立）。 +**适用场景**： +- 最优子结构明确（如霍夫曼编码） +- 贪心选择性质成立（如活动选择问题） +- 无需全局最优验证（如零钱兑换特殊场景） -1. 依赖比 i 小的 O(1) 个子问题 -dp[n] 只与常数个小规模子问题有关，状态的推导过程 dp[i] = f(dp[i - 1], dp[i - 2], ...)。时间复杂度 O(n)O(n)，空间复杂度 O(n)O(n) 可以优化为 O(1)O(1)，例如上面提到的 70, 801, 790, 746 都属于这类。 +#### 2. 分治法（Divide and Conquer） -如图所示，虽然紫色部分的 dp[i-1], dp[i-2], ..., dp[0] 均已经计算过，但计算橙色的当前状态时，仅用到 dp[i-1]，这属于比 i 小的 O(1)O(1) 个子问题。 +**核心思想**： 将原问题**分解为若干个规模更小、结构相同的子问题**，递归求解子问题后，**合并子问题的解**得到原问题的解。 +本质是 “分而治之”：拆分独立子问题，逐个击破再整合。 -例如，当 f(dp[i-1], ...) = dp[i-1] + nums[i] 时，当前状态 dp[i] 仅与 dp[i-1] 有关。这个例子是一种数据结构前缀和的状态计算方式，关于前缀和的详细内容请参考下一章。 +**特点**： -2. 依赖比 i 小的 O(n) 个子问题 -dp[n] 与此前的更小规模的所有子问题 dp[n - 1], dp[n - 2], ..., dp[1] 都可能有关系。 +- **递归结构**：子问题相互独立（无重叠） +- **合并成本高**：结果合并是关键步骤 +- **并行潜力**：子问题可并发求解 -状态推导过程如下： +**适用场景**： +- 问题可自然拆分（如排序、树操作） +- 子问题规模相似（如二分搜索） +- 合并操作复杂度可控（如归并排序） -dp[i] = f(dp[i - 1], dp[i - 2], ..., dp[0]) -依然如图所示，计算橙色的当前状态 dp[i] 时，紫色的此前计算过的状态 dp[i-1], ..., dp[0] 均有可能用到，在计算 dp[i] 时需要将它们遍历一遍完成计算。 +#### **3. 动态规划（Dynamic Programming）** -其中 f 常见的有 max/min，可能还会对 i-1,i-2,...,0 有一些筛选条件，但推导 dp[n] 时依然是 O(n)O(n) 级的子问题数量。 +**核心思想**： 对于具有**重叠子问题**和**最优子结构**的问题，将其分解为子问题后，**存储子问题的解（记忆化）** 以避免重复计算，通过子问题的解推导出原问题的解。本质是 “精打细算的”：记录历史，避免重复劳动。 -例如： +**特点**： -139 单词拆分 -818 赛车 -以 min 函数为例，这种形式的问题的代码常见写法如下 +- **最优子结构**：全局最优包含局部最优 +- **重叠子问题**：子问题反复出现（用表存储） +- **状态转移方程**：定义问题间递推关系 +**适用场景**： -for i = 1, ..., n - for j = 1, ..., i-1 - dp[i] = min(dp[i], f(dp[j]) -时间复杂度 O(n^{2})O(n -2 - )，空间复杂度 O(n)O(n) +- 子问题重叠（如斐波那契数列） +- 多阶段决策最优解（如背包问题） +- 需要回溯最优路径（如最长公共子序列） +| **特性** | 贪心算法 | 分治法 | 动态规划 | +| -------------- | ---------------------- | -------------------- | ------------------ | +| **决策依据** | 当前局部最优 | 子问题独立解 | 历史子问题最优解 | +| **子问题关系** | 无重复计算 | 完全独立 | 高度重叠 | +| **解空间处理** | 永不回溯 | 显式分割 | 存储+重用 | +| **时间复杂度** | 通常最低 | 中等（依赖合并成本） | 通常较高 | +| **结果保证** | **不保证全局最优** | 保证正确解 | **保证全局最优** | +| **经典案例** | Dijkstra算法、活动选择 | 归并排序、快速排序 | 背包问题、最短路径 | -**单串 dp[i] 经典问题** -#### 1. 依赖比 i 小的 O(1) 个子问题 - -- [53. 最大子数组和](https://leetcode-cn.com/problems/maximum-subarray/) - - 状态的推导是按照 i 从 0 到 n - 1 按顺序推的，推到 dp[i]，时，dp[i - 1], ..., dp[0] 已经计算完。因为子数组是连续的，所以子问题 dp[i] 其实只与子问题 dp[i - 1] 有关。如果 [0..i-1] 上以 nums[i-1] 结尾的最大子数组和(缓存在 dp[i-1] )为非负数，则以 nums[i] 结尾的最大子数组和就在 dp[i-1] 的基础上加上 nums[i] 就是 dp[i] 的结果否则以 i 结尾的子数组就不要 i-1 及之前的数，因为选了的话子数组的和只会更小。 - - 按照以上的分析，状态的转移可以写出来，如下 - - - dp[i] = nums[i] + max(dp[i - 1], 0) - 这个是单串 dp[i] 的问题，状态的推导方向，以及推导公式如下 - - - - -#### 2. 依赖比 i 小的 O(n) 个子问题 - -- [300. 最长上升子序列](https://leetcode-cn.com/problems/longest-increasing-subsequence/) - - 输入是一个单串，首先思考单串问题中设计状态 dp[i] 时拆分子问题的方式：枚举子串或子序列的结尾元素来拆分子问题，设计状态 dp[i] := 在子数组 [0..i] 上，且选了 nums[i] 时，的最长上升子序列。 - - 因为子序列需要上升，因此以 i 结尾的子序列中，nums[i] 之前的数字一定要比 nums[i] 小才行，因此目标就是先找到以此前比 nums[i] 小的各个元素，然后每个所选元素对应一个以它们结尾的最长子序列，从这些子序列中选择最长的，其长度加 1 就是当前的问题的结果。如果此前没有比 nums[i] 小的数字，则当前问题的结果就是 1 。 +## Reference - 按照以上的分析，状态的转移方程可以写出来，如下 +- http://netedu.xauat.edu.cn/jpkc/netedu/jpkc/ycx/kcjy/kejian/pdf/05.pdf - dp[i] = max_{j}(dp[j]) + 1 - dp[i]=max - j +- https://leetcode-cn.com/circle/article/lxC3ZB/ - (dp[j])+1 +- https://labuladong.gitbook.io/algo/dong-tai-gui-hua-xi-lie/dong-tai-gui-hua-xiang-jie-jin-jie - 其中 0 \leq j < i, nums[j] < nums[i]0≤j 贪心算法（greedy algorithm）是一种常见的解决优化问题的算法，其基本思想是在问题的每个决策阶段，都选择当前看起来最优的选择，即贪心地做出局部最优的决策，以期获得全局最优解。贪心算法简洁且高效，在许多实际问题中有着广泛的应用。 +> +> 贪心算法和动态规划都常用于解决优化问题。它们之间存在一些相似之处，比如都依赖最优子结构性质，但工作原理不同。 +> +> - 动态规划会根据之前阶段的所有决策来考虑当前决策，并使用过去子问题的解来构建当前子问题的解。 +> - 贪心算法不会考虑过去的决策，而是一路向前地进行贪心选择，不断缩小问题范围，直至问题被解决。 + + + +### 贪心算法的应用场景 + +解决一个问题需要多个步骤，每一个步骤有多种选择。可以使用贪心算法解决的问题，每一步只需要解决一个子问题，只做出一种选择，就可以完成任务。 + +### 贪心算法特性 + +较于动态规划，贪心算法的使用条件更加苛刻，其主要关注问题的两个性质。 + +- **贪心选择性质**：只有当局部最优选择始终可以导致全局最优解时，贪心算法才能保证得到最优解。 +- **最优子结构**：原问题的最优解包含子问题的最优解。 + +#### 贪心算法与回溯算法、动态规划的区别 + +「解决一个问题需要多个步骤，每一个步骤有多种选择」这样的描述我们在「回溯算法」「动态规划」算法中都会看到。它们的区别如下： + +- 「回溯算法」需要记录每一个步骤、每一个选择，用于回答所有具体解的问题； +- 「动态规划」需要记录的是每一个步骤、所有选择的汇总值（最大、最小或者计数）； +- 「贪心算法」由于适用的问题，每一个步骤只有一种选择，一般而言只需要记录与当前步骤相关的变量的值。 + +对于不同的求解目标和不同的问题场景，需要使用不同的算法。 + +#### 可以使用「贪心算法」的问题需要满足的条件 + +- 最优子结构：规模较大的问题的解由规模较小的子问题的解组成，区别于「动态规划」，可以使用「贪心算法」的问题「规模较大的问题的解」只由其中一个「规模较小的子问题的解」决定； +- 无后效性：后面阶段的求解不会修改前面阶段已经计算好的结果； + +- 贪心选择性质：从局部最优解可以得到全局最优解。 + +对「最优子结构」和「无后效性」的理解同「动态规划」，「贪心选择性质」是「贪心算法」最需要关注的内容。 + + + +### 贪心算法解题步骤 + +贪心问题的解决流程大体可分为以下三步。 + +1. **问题分析**：梳理与理解问题特性，包括状态定义、优化目标和约束条件等。这一步在回溯和动态规划中都有涉及。 +2. **确定贪心策略**：确定如何在每一步中做出贪心选择。这个策略能够在每一步减小问题的规模，并最终解决整个问题。 +3. **正确性证明**：通常需要证明问题具有贪心选择性质和最优子结构。这个步骤可能需要用到数学证明，例如归纳法或反证法等。 + +确定贪心策略是求解问题的核心步骤，但实施起来可能并不容易，主要有以下原因。 + +- **不同问题的贪心策略的差异较大**。对于许多问题来说，贪心策略比较浅显，我们通过一些大概的思考与尝试就能得出。而对于一些复杂问题，贪心策略可能非常隐蔽，这种情况就非常考验个人的解题经验与算法能力了。 +- **某些贪心策略具有较强的迷惑性**。当我们满怀信心设计好贪心策略，写出解题代码并提交运行，很可能发现部分测试样例无法通过。这是因为设计的贪心策略只是“部分正确”的，上文介绍的零钱兑换就是一个典型案例。 + + + +#### 「力扣」第 455 题：分发饼干（简单） + +> 假设你是一位很棒的家长，想要给你的孩子们一些小饼干。但是，每个孩子最多只能给一块饼干。 +> +> 对每个孩子 i，都有一个胃口值 g[i]，这是能让孩子们满足胃口的饼干的最小尺寸；并且每块饼干 j，都有一个尺寸 s[j] 。如果 s[j] >= g[i]，我们可以将这个饼干 j 分配给孩子 i ，这个孩子会得到满足。你的目标是尽可能满足越多数量的孩子，并输出这个最大数值。 +> +> 示例 1: +> +> 输入: g = [1,2,3], s = [1,1] +> 输出: 1 +> 解释: +> 你有三个孩子和两块小饼干，3个孩子的胃口值分别是：1,2,3。 +> 虽然你有两块小饼干，由于他们的尺寸都是1，你只能让胃口值是1的孩子满足。 +> 所以你应该输出1。 + +```java +class Solution { + public int findContentChildren(int[] g, int[] s) { + Arrays.sort(g); + Arrays.sort(s); + int numOfChildren = g.length, numOfCookies = s.length; + int count = 0; + for (int i = 0, j = 0; i < numOfChildren && j < numOfCookies; i++, j++) { + while (j < numOfCookies && g[i] > s[j]) { + j++; + } + if (j < numOfCookies) { + count++; + } + } + return count; + } +} +``` + +「贪心算法」总是做出在当前看来最好的选择就可以完成任务； +解决「贪心算法」几乎没有套路，到底如何贪心，贪什么与我们要解决的问题密切相关。因此刚开始学习「贪心算法」的时候需要学习和模仿，然后才有直觉，猜测一个问题可能需要使用「贪心算法」，进而尝试证明，学会证明。 + + + +## 贪心算法典型例题 + +贪心算法常常应用在满足贪心选择性质和最优子结构的优化问题中，以下列举了一些典型的贪心算法问题。 + +- **硬币找零问题**：在某些硬币组合下，贪心算法总是可以得到最优解。 +- **区间调度问题**：假设你有一些任务，每个任务在一段时间内进行，你的目标是完成尽可能多的任务。如果每次都选择结束时间最早的任务，那么贪心算法就可以得到最优解。 +- **分数背包问题**：给定一组物品和一个载重量，你的目标是选择一组物品，使得总重量不超过载重量，且总价值最大。如果每次都选择性价比最高（价值 / 重量）的物品，那么贪心算法在一些情况下可以得到最优解。 +- **股票买卖问题**：给定一组股票的历史价格，你可以进行多次买卖，但如果你已经持有股票，那么在卖出之前不能再买，目标是获取最大利润。 +- **霍夫曼编码**：霍夫曼编码是一种用于无损数据压缩的贪心算法。通过构建霍夫曼树，每次选择出现频率最低的两个节点合并，最后得到的霍夫曼树的带权路径长度（编码长度）最小。 +- **Dijkstra 算法**：它是一种解决给定源顶点到其余各顶点的最短路径问题的贪心算法。 + diff --git a/docs/data-structure-algorithms/algorithm/Recursion.md b/docs/data-structure-algorithms/algorithm/Recursion.md new file mode 100644 index 0000000000..f8a1992021 --- /dev/null +++ b/docs/data-structure-algorithms/algorithm/Recursion.md @@ -0,0 +1,389 @@ +--- +title: 递归算法 +date: 2024-05-09 +tags: + - Recursion +categories: Algorithm +--- + +![](https://img.starfish.ink/algorithm/recursion-banner.png) + + + +### 什么是递归 + +递归的基本思想是某个函数直接或者间接地调用自身，这样就把原问题的求解转换为许多性质相同但是规模更小的子问题。我们只需要关注如何把原问题划分成符合条件的子问题，而不需要去研究这个子问题是如何被解决的。 + +**简单地说，就是如果在函数中存在着调用函数本身的情况，这种现象就叫递归。** + +你以前肯定写过递归，只是有可能某些不知道这就是递归罢了。 + +以阶乘函数为例，在 factorial 函数中存在着 `factorial(n - 1)` 的调用，所以此函数是递归函数 + +```java +public long factorial(int n) { + if (n < =1) { + return 1; + } + return n * factorial(n - 1) +} +``` + +进一步剖析「递归」，先有「递」再有「归」，「递」的意思是将问题拆解成子问题来解决， 子问题再拆解成子子问题，...，直到被拆解的子问题无需再拆分成更细的子问题（即可以求解），「归」是说最小的子问题解决了，那么它的上一层子问题也就解决了，上一层的子问题解决了，上上层子问题自然也就解决了,....,直到最开始的问题解决，文字说可能有点抽象，那我们就以阶层 f(6) 为例来看下它的「递」和「归」。 + +![img](https://img.starfish.ink/algorithm/recursion.png) + +求解问题 `f(6)`，由于 `f(6) = n * f(5)`, 所以 `f(6)` 需要拆解成 `f(5)` 子问题进行求解，同理 `f(5) = n * f(4) `,也需要进一步拆分,... ,直到 `f(1)`, 这是「递」，`f(1) `解决了，由于 `f(2) = 2 f(1) = 2` 也解决了,.... `f(n)` 到最后也解决了，这是「归」，所以递归的本质是能把问题拆分成具有**相同解决思路**的子问题，。。。直到最后被拆解的子问题再也不能拆分，解决了最小粒度可求解的子问题后，在「归」的过程中自然顺其自然地解决了最开始的问题。 + + + +### 递归原理 + +递归的基本思想是某个函数直接或者间接地调用自身，这样就把原问题的求解转换为许多性质相同但是规模更小的子问题。 + +我们只需要关注如何把原问题划分成符合条件的子问题，而不需要去研究这个子问题是如何被解决的。 + +递归和枚举的区别在于：枚举是横向地把问题划分，然后依次求解子问题，而递归是把问题逐级分解，是纵向的拆分。 + +```java +int func(你今年几岁) { + // 最简子问题，递归终止条件 + if (你1999年几岁) return 我0岁; + // 递归调用，缩小规模 + return func(你去年几岁) + 1; +} +``` + +任何一个有意义的递归算法总是两部分组成：**递归调用**和**递归终止条件**。 + +为了确保递归函数不会导致无限循环，它应具有以下属性： + +1. 一个简单的`基本案例（basic case）`（或一些案例） —— 能够不使用递归来产生答案的终止方案。 +2. 一组规则，也称作`递推关系（recurrence relation）`，可将所有其他情况拆分到基本案例。 + +注意，函数可能会有多个位置进行自我调用。 + +```java +public returnType recursiveFunction(parameters) { + // 1. 递归终止条件（Base Case） + if (isBaseCase(parameters)) { + return baseCaseResult; // 返回问题的基本解，避免继续递归 + } + + // 2. 递归调用（Recursive Call） + // 将当前问题分解为更小的子问题 + return recursiveFunction(modifiedParameters); + + // 或者对于分治问题，递归调用多个子问题： + // return combineResults( + // recursiveFunction(subProblem1), + // recursiveFunction(subProblem2) + // ); +} + +``` + + + +### 递归需要满足的三个条件 + +只要同时满足以下三个条件，就可以用递归来解决。 + +1. **一个问题的解可以分解为几个子问题的解** + + 何为子问题？子问题就是数据规模更小的问题。比如前面的案例，要知道“自己在哪一排”，可以分解为“前一排的人在哪一排”这样的一个子问题。 + +2. **这个问题与分解之后的子问题，除了数据规模不同，求解思路完全一样** + + 如案例所示，求解“自己在哪一排”的思路，和前面一排人求解“自己在哪一排”的思路是一模一样的。 + +3. **存在递归终止条件** + + 把问题分解为子问题，把子问题再分解为子子问题，一层一层分解下去，不能存在无限循环，这就需要有终止条件。 + + + +### 怎样编写递归代码 + +写递归代码，可以按三步走： + +**第一要素：明确你这个函数想要干什么** + +首先，你需要明确你要解决的问题，以及这个问题是否适合用递归来解决。 + +也就是说，我们先不管函数里面的代码什么，而是要先明白，你这个函数是要用来干什么。 + +例如，我定义了一个函数，算 n 的阶乘 + +```java +// 算 n 的阶乘(假设n不为0) +int factorial(int n){ + +} +``` + +**第二要素：寻找递归结束条件** + +递归基（Base Case）是递归函数结束的条件。如果没有递归基，递归函数会无限循环下去。递归基应该是问题的最小单位，在这种情况下，函数可以直接返回结果而无需进一步递归。 + +也就是说，我们需要找出**当参数为啥时，递归结束，之后直接把结果返回**，请注意，这个时候我们必须能根据这个参数的值，能够**直接**知道函数的结果是什么。 + +例如，上面那个例子，当 n = 1 时，那你应该能够直接知道 f(n) 是啥吧？此时，f(1) = 1。完善我们函数内部的代码，把第二要素加进代码里面 + +```java +// 算 n 的阶乘(假设n不为0) +int f(int n){ + if(n == 1){ + return 1; + } +} +``` + +有人可能会说，当 n = 2 时，那我们可以直接知道 f(n) 等于多少啊，那我可以把 n = 2 作为递归的结束条件吗？ + +当然可以，只要你觉得参数是什么时，你能够直接知道函数的结果，那么你就可以把这个参数作为结束的条件，所以下面这段代码也是可以的。 + +```java +// 算 n 的阶乘(假设n>=2) +int f(int n){ + if(n == 2){ + return 2; + } +} +``` + +注意我代码里面写的注释，假设 n >= 2，因为如果 n = 1时，会被漏掉，当 n <= 2时，f(n) = n，所以为了更加严谨，我们可以写成这样： + +```java +// 算 n 的阶乘(假设n不为0) +int f(int n){ + if(n <= 2){ + return n; + } +} +``` + +**第三要素：定义递归关系** + +第三要素就是，我们要**不断缩小参数的范围**，缩小之后，我们可以通过一些辅助的变量或者操作，使原函数的结果不变。 + +例如，f(n) 这个范围比较大，我们可以让 `f(n) = n * f(n-1)`。这样，范围就由 n 变成了 n-1 了，范围变小了，并且为了原函数 f(n) 不变，我们需要让 f(n-1) 乘以 n。 + +说白了，就是要找到原函数的一个等价关系式，`f(n)` 的等价关系式为 `n * f(n-1)`，即 `f(n) = n * f(n-1)`。 + +> **写递归代码的关键就是找到如何将大问题分解为小问题的规律，请求基于此写出递推公式，然后再推敲终止条件，最后将递推公式和终止条件翻译成代码**。 +> +> 当我们面对一个问题需要分解为多个子问题的时候，递归代码往往没那么好理解，比如第二个案例，人脑几乎没办法把整个“递”和“归”的过程一步一步都想清楚。 +> +> 计算机擅长做重复的事情，所以递归正符合它的胃口。而我们人脑更喜欢平铺直叙的思维方式。当我们看到递归时，我们总想把递归平铺展开，脑子里就会循环，一层一层往下调，然后再一层一层返回，试图想搞清楚计算机每一步都是怎么执行的，这样就很容易被绕进去。 +> +> 对于递归代码，这种试图想清楚整个递和归过程的做法，实际上是进入了一个思维误区。很多时候，我们理解起来比较吃力，主要原因就是自己给自己制造了这种理解障碍。那正确的思维方式应该是怎样的呢？ +> +> 如果一个问题 A 可以分解为若干子问题 B、C、D，可以假设子问题 B、C、D 已经解决，在此基础上思考如何解决问题 A。而且，只需要思考问题 A 与子问题 B、C、D 两层之间的关系即可，不需要一层一层往下思考子问题与子子问题，子子问题与子子子问题之间的关系。屏蔽掉递归细节，这样子理解起来就简单多了。 +> +> 换句话说就是：千万不要跳进这个函数里面企图探究更多细节，否则就会陷入无穷的细节无法自拔，人脑能压几个栈啊。 +> +> 所以，编写递归代码的关键是：**只要遇到递归，我们就把它抽象成一个递推公式，不用想一层层的调用关系，不要试图用人脑去分解递归的每个步骤**。 + + + +#### 递归代码要警惕堆栈溢出 + +递归调用的深度受限于程序的栈空间。如果递归深度太深，可能会导致栈溢出。对于深度较大的递归问题，可以考虑使用迭代方法或尾递归优化（Tail Recursion Optimization）。 + + + +#### 递归代码要警惕重复计算 + +在某些问题中（如斐波那契数列），直接递归可能导致大量重复计算，影响效率。可以使用记忆化（Memoization）或动态规划（Dynamic Programming）来优化递归，避免重复计算。 + + + +### 案例 + +#### 斐波那契数列 + +> 斐波那契数列的是这样一个数列：1、1、2、3、5、8、13、21、34....，即第一项 f(1) = 1,第二项 f(2) = 1.....,第 n 项目为 f(n) = f(n-1) + f(n-2)。求第 n 项的值是多少。 + +```java +int f(int n){ + // 1.先写递归结束条件 + if(n <= 2){ + return 1; + } + // 2.接着写等价关系式 + return f(n-1) + f(n - 2); +} +``` + + + +#### 小青蛙跳台阶 + +> 一只青蛙一次可以跳上1级台阶，也可以跳上2级。求该青蛙跳上一个n级的台阶总共有多少种跳法。 + +每次跳的时候，小青蛙可以跳一个台阶，也可以跳两个台阶，也就是说，每次跳的时候，小青蛙有两种跳法。 + +第一种跳法：第一次我跳了一个台阶，那么还剩下n-1个台阶还没跳，剩下的n-1个台阶的跳法有f(n-1)种。 + +第二种跳法：第一次跳了两个台阶，那么还剩下n-2个台阶还没，剩下的n-2个台阶的跳法有f(n-2)种。 + +所以，小青蛙的全部跳法就是这两种跳法之和了，即 f(n) = f(n-1) + f(n-2)。至此，等价关系式就求出来了 + +```java +int f(int n){ + // 1.先写递归结束条件 + if(n == 1){ + return 1; + } + // 2.接着写等价关系式 + ruturn f(n-1) + f(n-2); +} +``` + +大家觉得上面的代码对不对？ + +答是不大对，当 n = 2 时，显然会有 f(2) = f(1) + f(0)。我们知道，f(0) = 0，按道理是递归结束，不用继续往下调用的，但我们上面的代码逻辑中，会继续调用 f(0) = f(-1) + f(-2)。这会导致无限调用，进入**死循环**。 + +这也是我要和你们说的，关于**递归结束条件是否够严谨问题**，有很多人在使用递归的时候，由于结束条件不够严谨，导致出现死循环。也就是说，当我们在第二步找出了一个递归结束条件的时候，可以把结束条件写进代码，然后进行第三步，但是**请注意**，当我们第三步找出等价函数之后，还得再返回去第二步，根据第三步函数的调用关系，会不会出现一些漏掉的结束条件。就像上面，f(n-2)这个函数的调用，有可能出现 f(0) 的情况，导致死循环，所以我们把它补上。代码如下： + +```java +int f(int n){ + //f(0) = 0,f(1) = 1，等价于 n<=1时，f(n) = n。 + if(n <= 1){ + return n; + } + ruturn f(n-1) + f(n-2); +} +``` + +#### 反转单链表 + +> 反转单链表。例如链表为：1->2->3->4。反转后为 4->3->2->1 + +链表的节点定义如下： + +```java +class Node{ + int date; + Node next; +} +``` + +这个的等价关系不像 n 是个数值那样，比较容易寻找。但是我告诉你，它的等价条件中，一定是范围不断在缩小，对于链表来说，就是链表的节点个数不断在变小 + +```java +//用递归的方法反转链表 +public Node reverseList(Node head){ + // 1.递归结束条件 + if (head == null || head.next == null) { + return head; + } + // 递归反转 子链表 + Node newList = reverseList(head.next); + // 改变 1，2节点的指向。 + // 通过 head.next获取节点2 + Node t1 = head.next; + // 让 2 的 next 指向 2 + t1.next = head; + // 1 的 next 指向 null. + head.next = null; + // 把调整之后的链表返回。 + return newList; + } +``` + + + +#### [两两交换链表中的节点](https://leetcode.cn/problems/swap-nodes-in-pairs/) + +> 给你一个链表，两两交换其中相邻的节点，并返回交换后链表的头节点。你必须在不修改节点内部的值的情况下完成本题（即，只能进行节点交换）。 +> +> ![img](https://assets.leetcode.com/uploads/2020/10/03/swap_ex1.jpg) +> +> ``` +> 输入：head = [1,2,3,4] +> 输出：[2,1,4,3] +> ``` + +当前节点 next，指向当前节点，指针互换 + +```java + public ListNode swapPairs(ListNode head) { + // 基本情况：链表为空或只有一个节点 + if (head == null || head.next == null) { + return head; + } + + // 交换前两个节点 + ListNode first = head; + ListNode second = head.next; + + // 递归交换后续的节点 + first.next = swapPairs(second.next); + + // 交换后的第二个节点成为新的头节点 + second.next = first; + + // 返回新的头节点 + return second; + } +``` + +下边这么写也可以，少了一个局部变量，交换操作和递归调用在一行内完成。 + +```java +public ListNode swapPairs(ListNode head) { + //递归的终止条件 + if(head==null || head.next==null) { + return head; + } + //假设链表是 1->2->3->4 + //这句就先保存节点2 + ListNode tmp = head.next; + //继续递归，处理节点3->4 + //当递归结束返回后，就变成了4->3 + //于是head节点就指向了4，变成1->4->3 + head.next = swapPairs(tmp.next); + //将2节点指向1 + tmp.next = head; + return tmp; +} +``` + +当然，也可以迭代实现~ + +![img](https://miro.medium.com/v2/resize:fit:1400/1*imD5_rA0Hkov-kWXSUdr2Q.png) + +```java +public class Solution { + public ListNode swapPairs(ListNode head) { + // 创建虚拟头节点，指向链表的头节点 + ListNode dummy = new ListNode(0); + dummy.next = head; + + // 当前节点指针，初始化为虚拟头节点 + ListNode current = dummy; + + // 遍历链表 + while (current.next != null && current.next.next != null) { + // 初始化两个要交换的节点 + ListNode first = current.next; + ListNode second = current.next.next; + + // 交换这两个节点 + first.next = second.next; + second.next = first; + current.next = second; + + // 移动 current 指针到下一个需要交换的位置 + current = first; + } + + // 返回交换后的链表头 + return dummy.next; + } +} + +``` + diff --git a/docs/data-structure-algorithms/algorithm/Sort.md b/docs/data-structure-algorithms/algorithm/Sort.md new file mode 100644 index 0000000000..dbbc9842d3 --- /dev/null +++ b/docs/data-structure-algorithms/algorithm/Sort.md @@ -0,0 +1,826 @@ +--- +title: 排序 +date: 2023-10-09 +tags: + - Algorithm +categories: Algorithm +--- + +![img](https://miro.medium.com/v2/resize:fit:1400/1*ZY2e2BNXTYBf9aBBHALCAw.png) + +> 🔢 **排序算法**，从接触计算机学科就会遇到的一个问题。 + +排序算法可以分为**内部排序**和**外部排序**： +- 🧠 **内部排序**：数据记录在内存中进行排序 +- 💾 **外部排序**：因排序的数据很大，一次不能容纳全部的排序记录，在排序过程中需要访问外存 + +常见的内部排序算法有：**插入排序、希尔排序、选择排序、冒泡排序、归并排序、快速排序、堆排序、基数排序**等。 + +| 排序算法 | 平均时间复杂度 | 最好情况 | 最坏情况 | 空间复杂度 | 稳定性 | +| :----------------------: | -------------- | ----------------------------------------------------- | --------------------------------------------------- | ---------------------------------------------------------- | ---------------------------------------------- | +| 冒泡排序-Bubble Sort | $O(n²)$ | $O(n)$（当数组已经有序时，只需遍历一次） | $O(n²)$（当数组是逆序时，需要多次交换） | $O(1)$（原地排序） | 稳定 | +| 选择排序-Selection Sort | $O(n²)$ | $O(n²)$ | $O(n²)$ | $O(1)$（原地排序） | 不稳定（交换元素时可能破坏相对顺序） | +| 插入排序-Insertion Sort | $O(n²)$ | $O(n)$（当数组已经有序时） | $O(n²)$（当数组是逆序时） | $O(1)$（原地排序） | 稳定 | +| 快速排序-Quick Sort | $O(n \log n)$ | $O(n \log n)$（每次划分的子数组大小相等） | $O(n²)$（每次选取的基准值使得数组划分非常不平衡） | $O(\log n)$（对于递归栈） $O(n)$（最坏情况递归栈深度为 n） | 不稳定（交换可能改变相同元素的相对顺序） | +| 希尔排序-Shell Sort | $O(n \log² n)$ | $O(n \log n)$ | $O(n²)$（不同的增量序列有不同的最坏情况） | $O(1)$（原地排序） | 不稳定 | +| 归并排序-Merge Sort | $O(n \log n)$ | $O(n \log n)$ | $O(n \log n)$ | $O(n)$（需要额外的空间用于辅助数组） | 稳定 | +| 堆排序-Heap Sort | $O(n \log n)$ | $O(n \log n)$ | $O(n \log n)$ | $O(1)$（原地排序） | 不稳定（在调整堆时可能改变相同元素的相对顺序） | +| 计数排序-Counting Sort） | $O(n + k)$ | $O(n + k)$（k 是数组中元素的取值范围） | $O(n + k)$ | $O(n + k)$（需要额外的数组来存储计数结果） | 稳定 | +| 桶排序-Bucket Sort） | $O(n + k)$ | $O(n + k)$（k 是桶的数量，n 是元素数量） | $O(n²)$（所有元素都集中到一个桶里，退化成冒泡排序） | $O(n + k)$ | 稳定 | +| 基数排序-Radix Sort | $O(d(n + k))$ | $O(d(n + k))$（d 是位数，k 是取值范围，n 是元素数量） | $O(d(n + k))$ | $O(n + k)$ | 稳定 | + +## 📊 排序算法分类 + +十种常见排序算法可以分为两大类： + +### 🔄 非线性时间比较类排序 +通过比较来决定元素间的相对次序，由于其时间复杂度不能突破$O(nlogn)$，因此称为非线性时间比较类排序。 + +> 💡 **特点**：需要比较元素大小，时间复杂度下界为 $O(n\log n)$ + +### ⚡ 线性时间非比较类排序 +不通过比较来决定元素间的相对次序，它可以突破基于比较排序的时间下界，以线性时间运行，因此称为线性时间非比较类排序。 + +> 💡 **特点**：利用数据特性，可以达到线性时间复杂度 + + + +## 🫧 冒泡排序 + +冒泡排序（Bubble Sort）也是一种简单直观的排序算法。它重复地走访过要排序的数列，一次比较两个元素，如果他们的顺序错误就把他们交换过来。走访数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢"浮"到数列的顶端。 + +> 🎯 **算法特点**： +> - 简单易懂，适合学习排序思想 +> - 时间复杂度：$O(n²)$ +> - 空间复杂度：$O(1)$ +> - 稳定排序 + +作为最简单的排序算法之一，冒泡排序给我的感觉就像 Abandon 在单词书里出现的感觉一样，每次都在第一页第一位，所以最熟悉。冒泡排序还有一种优化算法，就是立一个 flag，当在一趟序列遍历中元素没有发生交换，则证明该序列已经有序。但这种改进对于提升性能来说并没有什么太大作用。 + +### 1. 算法步骤 + +1. 🔍 **比较相邻元素**：如果第一个比第二个大，就交换他们两个 +2. 🔄 **重复比较**：对每一对相邻元素作同样的工作，从开始第一对到结尾的最后一对。这步做完后，最后的元素会是最大的数 +3. 🎯 **缩小范围**：针对所有的元素重复以上的步骤，除了最后一个 +4. 🔁 **重复过程**：重复步骤1~3，直到排序完成 + +### 2. 动图演示 + +![img](https://www.runoob.com/wp-content/uploads/2019/03/bubbleSort.gif) + + + +### 3. 性能分析 + +- 🚀 **什么时候最快**：当输入的数据已经是正序时（都已经是正序了，我还要你冒泡排序有何用啊） +- 🐌 **什么时候最慢**：当输入的数据是反序时（写一个 for 循环反序输出数据不就行了，干嘛要用你冒泡排序呢，我是闲的吗） + +```java +//冒泡排序，a 表示数组， n 表示数组大小 +public void bubbleSort(int[] a) { + int n = a.length; + if (n <= 1) return; + // 外层循环遍历每一个元素 + for (int i = 0; i < n; i++) { + //提前退出冒泡循环的标志位 + boolean flag = false; + // 内层循环进行元素的比较与交换 + for (int j = 0; j < n - i - 1; j++) { + if (a[j] > a[j+1]) { + int temp = a[j]; + a[j] = a[j+1]; + a[j+1] = temp; + flag = true; //表示有数据交换 + } + } + if (!flag) break; //没有数据交换，提前退出。 + } +} +``` + +嵌套循环，应该立马就可以得出这个算法的时间复杂度为 $O(n²)$。 + +冒泡的过程只涉及相邻数据的交换操作，只需要常量级的临时空间，所以它的空间复杂度是 $O(1)$，是一个原地排序算法。 + + + +## 🎯 选择排序 + +选择排序的思路是这样的：首先，找到数组中最小的元素，拎出来，将它和数组的第一个元素交换位置，第二步，在剩下的元素中继续寻找最小的元素，拎出来，和数组的第二个元素交换位置，如此循环，直到整个数组排序完成。 + +> 🎯 **算法特点**： +> - 简单直观，容易理解 +> - 时间复杂度：$O(n²)$（无论什么情况） +> - 空间复杂度：$O(1)$ +> - 不稳定排序 + +选择排序是一种简单直观的排序算法，无论什么数据进去都是 $O(n²)$ 的时间复杂度。所以用到它的时候，数据规模越小越好。唯一的好处可能就是不占用额外的内存空间了吧。 + +### 1. 算法步骤 + +1. 🔍 **找最小元素**：首先在未排序序列中找到最小（大）元素，存放到排序序列的起始位置 +2. 🔄 **继续寻找**：再从剩余未排序元素中继续寻找最小（大）元素，然后放到已排序序列的末尾 +3. 🔁 **重复过程**：重复第二步，直到所有元素均排序完毕 + +### 2. 动图演示 + +![img](https://www.runoob.com/wp-content/uploads/2019/03/selectionSort.gif) + +```java +public void selectionSort(int [] arrs) { + for (int i = 0; i < arrs.length; i++) { + //最小元素下标 + int min = i; + for (int j = i +1; j < arrs.length; j++) { + if (arrs[j] < arrs[min]) { + min = j; + } + } + //如果当前位置i的元素已经是未排序部分的最小元素，就不需要交换了 + if(min != i){ + //交换位置 + int temp = arrs[i]; + arrs[i] = arrs[min]; + arrs[min] = temp; + } + } + } +} +``` + + + +## 📝 插入排序 + +插入排序的代码实现虽然没有冒泡排序和选择排序那么简单粗暴，但它的原理应该是最容易理解的了，因为只要打过扑克牌的人都应该能够秒懂。 + +> 🎯 **算法特点**： +> - 像整理扑克牌一样直观 +> - 时间复杂度：$O(n²)$（最坏），$O(n)$（最好） +> - 空间复杂度：$O(1)$ +> - 稳定排序 + +它的工作原理为将待排列元素划分为「已排序」和「未排序」两部分，每次从「未排序的」元素中选择一个插入到「已排序的」元素中的正确位置。![insertion sort animate example](https://oi-wiki.org/basic/images/insertion-sort-animate.svg) + +插入排序和冒泡排序一样，也有一种优化算法，叫做拆半插入。 + +### 1. 算法步骤 + +1. 🎯 **起始点**：从第一个元素开始（下标为 0 的元素），该元素可以认为已经被排序 +2. 🔍 **取下一个元素**：取出下一个元素，在已经排序的元素序列中**从后向前**扫描 +3. 🔄 **比较移动**：如果该元素（已排序）大于新元素，将该元素移到下一位置 +4. 🔁 **重复比较**：重复步骤3，直到找到已排序的元素小于或者等于新元素的位置 +5. 📍 **插入位置**：将新元素插入到该位置后 +6. 🔁 **重复过程**：重复步骤2~5 + +### 2. 动图演示 + +![img](https://www.runoob.com/wp-content/uploads/2019/03/insertionSort.gif) + +```java +public void insertionSort(int[] arr) { + // 从下标为1的元素开始选择合适的位置插入，因为下标为0的只有一个元素，默认是有序的 + for (int i = 1; i < arr.length; i++) { + int current = arr[i]; // 当前待插入元素 + int j = i - 1; // 已排序部分的末尾索引 + + // 从后向前扫描，找到插入位置 + while (j >= 0 && arr[j] > current) { + arr[j + 1] = arr[j]; // 元素后移 + j--; // 索引左移 + } + arr[j + 1] = current; // 插入到正确位置 + } +} +``` + + + +## ⚡ 快速排序 + +快速排序的核心思想是分治法，分而治之。它的实现方式是每次从序列中选出一个基准值，其他数依次和基准值做比较，比基准值大的放右边，比基准值小的放左边，然后再对左边和右边的两组数分别选出一个基准值，进行同样的比较移动，重复步骤，直到最后都变成单个元素，整个数组就成了有序的序列。 + +> 🎯 **算法特点**： +> - 分治法思想，效率高 +> - 时间复杂度：$O(n\log n)$（平均），$O(n²)$（最坏） +> - 空间复杂度：$O(\log n)$ +> - 不稳定排序 + +> 快速排序的最坏运行情况是 $O(n²)$，比如说顺序数列的快排。但它的平摊期望时间是 $O(nlogn)$，且 $O(nlogn)$ 记号中隐含的常数因子很小，比复杂度稳定等于 $O(nlogn) $的归并排序要小很多。所以，对绝大多数顺序性较弱的随机数列而言，快速排序总是优于归并排序。 +> +> ![img](https://miro.medium.com/v2/resize:fit:1400/1*DXQsNsa-DeGjsMtp7V6z9A.png) + +### 1. 算法步骤 + +1. 🎯 **选择基准值**：从数组中选择一个元素作为基准值（pivot）。常见的选择方法有选取第一个元素、最后一个元素、中间元素或随机选取一个元素 +2. 🔄 **分区（Partition）**：遍历数组，将所有小于基准值的元素放在基准值的左侧，大于基准值的元素放在右侧。基准值放置在它的正确位置上 +3. 🔁 **递归排序**：对基准值左右两边的子数组分别进行递归排序，直到每个子数组的元素个数为 0 或 1，此时数组已经有序 + +递归的最底部情形，是数列的大小是零或一，也就是数组都已经被排序好了。虽然一直递归下去，但是这个算法总会退出，因为在每次的迭代（iteration）中，它至少会把一个元素摆到它最后的位置去。 + +### 2. 动图演示 + +![img](https://www.runoob.com/wp-content/uploads/2019/03/quickSort.gif) + +```java +public class QuickSort { + // 对外暴露的排序方法：传入待排序数组 + public static void sort(int[] arr) { + if (arr == null || arr.length <= 1) { + return; // 数组为空或只有1个元素，无需排序 + } + // 调用递归方法：初始排序范围是整个数组（从0到最后一个元素） + quickSort(arr, 0, arr.length - 1); + } + + // 递归排序方法：排序 arr 的 [left, right] 区间 + private static void quickSort(int[] arr, int left, int right) { + // 递归终止条件：当 left >= right 时，子数组只有1个元素或为空，无需排序 + if (left >= right) { + return; + } + + // 1. 分区操作：返回基准值最终的索引位置 + // （把比基准小的放左边，比基准大的放右边，基准在中间） + int pivotIndex = partition(arr, left, right); + + quickSort(arr, left, pivotIndex - 1); + quickSort(arr, pivotIndex + 1, right); + } + + // 分区核心方法：选 arr[right] 为基准，完成分区并返回基准索引 + private static int partition(int[] arr, int left, int right) { + // 基准值：这里选当前区间的最后一个元素 + int pivot = arr[right]; + // i 指针：指向“小于基准的区域”的最后一个元素（初始时区域为空，i = left-1） + int i = left - 1; + + // j 指针：遍历当前区间的所有元素（从 left 到 right-1，跳过基准） + for (int j = left; j < right; j++) { + // 如果当前元素 arr[j] 小于等于基准，就加入“小于基准的区域” + if (arr[j] <= pivot) { + i++; // 先扩大“小于基准的区域” + swap(arr, i, j); // 交换 arr[i] 和 arr[j]，把 arr[j] 放进区域 + } + } + + // 最后：把基准值放到“小于基准区域”的后面（i+1 位置） + // 此时 i+1 就是基准的最终位置（左边都<=基准，右边都>基准） + swap(arr, i + 1, right); + return i + 1; + } + + // 辅助方法：交换数组中两个位置的元素 + private static void swap(int[] arr, int a, int b) { + int temp = arr[a]; + arr[a] = arr[b]; + arr[b] = temp; + } + +} +``` + +**📊 时间复杂度分析** + +**最优情况：$O(n \log n)$** + +- **适用场景**：每次分区操作都能将数组**均匀划分**（基准值接近中位数） +- **推导过程**： + - 每次分区将数组分为两个近似相等的子数组 + - 递归深度为 $\log_2 n$（分治次数），每层需遍历 $n$ 个元素 + - 总比较次数满足递推公式：$T(n) = 2T(n/2) + O(n)$ + - 通过主定理或递归树展开可得时间复杂度为 $O(n \log n)$ + +**最坏情况：$O(n²)$** + +- **适用场景**：每次分区划分极不均衡（如基准值始终为最大/最小元素） +- **常见案例**：输入数组已完全有序或逆序，且基准固定选择首/尾元素 +- **推导过程**： + - 每次分区仅减少一个元素（类似冒泡排序） + - 总比较次数为等差数列求和：$(n-1) + (n-2) + \cdots + 1 = \frac{n(n-1)}{2} = O(n^2)$ + - 递归深度为 $n-1$ 层，导致时间复杂度退化为 $O(n²)$ + +**平均情况：$O(n \log n)$** + +- **适用场景**：输入数据**随机分布**，基准值随机选取 + + + +## 🔀 归并排序 + +> ![img](https://miro.medium.com/v2/resize:fit:1400/1*1gyAaMcfcGIuZqrLJNDmgA.png) + +归并排序（Merge sort）是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。 + +> 🎯 **算法特点**： +> - 分治法典型应用 +> - 时间复杂度：$O(n\log n)$（稳定） +> - 空间复杂度：$O(n)$ +> - 稳定排序 + +分治，就是分而治之，将一个大问题分解成小的子问题来解决。小的问题解决了，大问题也就解决了。 + +分治思想和递归思想很像。分治算法一般都是用递归来实现的。**分治是一种解决问题的处理思想，递归是一种编程技巧**，这两者并不冲突。 + +作为一种典型的分而治之思想的算法应用，归并排序的实现有两种方法： + +- 🔄 **自上而下的递归** +- 🔁 **自下而上的迭代**（所有递归的方法都可以用迭代重写，所以就有了第 2 种方法） + +和选择排序一样，归并排序的性能不受输入数据的影响，但表现比选择排序好的多，因为始终都是 $O(n\log n)$ 的时间复杂度。代价是需要额外的内存空间。 + +### 1. 算法步骤 + +1. 🔄 **分解**：将数组分成两半，递归地对每一半进行归并排序，直到每个子数组的大小为1（单个元素是有序的） +2. 🔀 **合并**：将两个有序子数组合并成一个有序数组 + +### 2. 动图演示 + +![img](https://www.runoob.com/wp-content/uploads/2019/03/mergeSort.gif) + + + +```java +public class MergeSort { + // 主排序函数 + public static void mergeSort(int[] arr) { + if (arr.length < 2) return; // 基本情况 + int mid = arr.length / 2; + + // 分解 + int[] left = new int[mid]; + int[] right = new int[arr.length - mid]; + + // 填充左子数组 + for (int i = 0; i < mid; i++) { + left[i] = arr[i]; + } + + // 填充右子数组 + for (int i = mid; i < arr.length; i++) { + right[i - mid] = arr[i]; + } + + // 递归排序 + mergeSort(left); + mergeSort(right); + + // 合并已排序的子数组 + merge(arr, left, right); + } + + // 合并两个有序数组 + private static void merge(int[] arr, int[] left, int[] right) { + // i、j、k 分别代表左子数组、右子数组、合并数组的指针 + int i = 0, j = 0, k = 0; + + // 合并两个有序数组，直到子数组都插入到合并数组 + while (i < left.length && j < right.length) { + //比较 left[i] 和 right[j], 左右哪边小的，就放入合并数组，指针要 +1 + if (left[i] <= right[j]) { + arr[k++] = left[i++]; + } else { + arr[k++] = right[j++]; + } + } + + // 复制剩余元素 + while (i < left.length) { + arr[k++] = left[i++]; + } + while (j < right.length) { + arr[k++] = right[j++]; + } + } + + public static void main(String[] args) { + int[] arr = {38, 27, 43, 3, 9, 82, 10}; + mergeSort(arr); + System.out.println("排序后的数组:"); + for (int num : arr) { + System.out.print(num + " "); + } + } +} + +``` + +![img](https://miro.medium.com/v2/resize:fit:1400/1*rx1sSHQEwVI0H9_6DP0S-Q.png) + + + +## 🌳 堆排序 + +> ![img](https://miro.medium.com/v2/resize:fit:1400/1*FNfDwQYa3wN-zcma1c1bfQ.png) + +堆排序（Heapsort）是指利用堆这种数据结构所设计的一种排序算法。堆积是一个近似完全二叉树的结构，并同时满足堆积的性质：即子结点的键值或索引总是小于（或者大于）它的父节点。堆排序可以说是一种利用堆的概念来排序的选择排序。 + +> 🎯 **算法特点**： +> - 基于堆数据结构 +> - 时间复杂度：$O(n\log n)$ +> - 空间复杂度：$O(1)$ +> - 不稳定排序 + +分为两种方法： + +1. 📈 **大顶堆**：每个节点的值都大于或等于其子节点的值，在堆排序算法中用于升序排列 +2. 📉 **小顶堆**：每个节点的值都小于或等于其子节点的值，在堆排序算法中用于降序排列 + +堆排序的平均时间复杂度为 $Ο(n\log n)$。 + +### 1. 算法步骤 + +1. 🏗️ **构建最大堆**： + - 首先将无序数组转换为一个**最大堆**。最大堆是一个完全二叉树，其中每个节点的值都大于或等于其子节点的值 + - 最大堆的根节点（堆顶）是整个堆中的最大元素 + +2. 🔄 **反复取出堆顶元素**： + - 将堆顶元素（最大值）与堆的最后一个元素交换，然后减少堆的大小，堆顶元素移到数组末尾 + - 调整剩余的元素使其重新成为一个最大堆 + - 重复这个过程，直到所有元素有序 + +### 2. 动图演示 + +![](https://img2018.cnblogs.com/blog/1258817/201904/1258817-20190420150936225-1441021270.gif) + +```java +public class HeapSort { + // 主排序函数 + public static void heapSort(int[] arr) { + int n = arr.length; + + // 1. 构建最大堆 + for (int i = n / 2 - 1; i >= 0; i--) { + heapify(arr, n, i); + } + + // 2. 逐步将堆顶元素与末尾元素交换，并缩小堆的范围 + for (int i = n - 1; i > 0; i--) { + // 将当前堆顶（最大值）移到末尾 + swap(arr, 0, i); + + // 重新调整堆，使剩余元素保持最大堆性质 + heapify(arr, i, 0); + } + } + + // 调整堆的函数 + private static void heapify(int[] arr, int n, int i) { + int largest = i; // 设当前节点为最大值 + int left = 2 * i + 1; // 左子节点 + int right = 2 * i + 2; // 右子节点 + + // 如果左子节点比当前最大值大 + if (left < n && arr[left] > arr[largest]) { + largest = left; + } + + // 如果右子节点比当前最大值大 + if (right < n && arr[right] > arr[largest]) { + largest = right; + } + + // 如果最大值不是根节点，则交换，并递归调整 + if (largest != i) { + swap(arr, i, largest); + heapify(arr, n, largest); + } + } + + // 交换两个元素的值 + private static void swap(int[] arr, int i, int j) { + int temp = arr[i]; + arr[i] = arr[j]; + arr[j] = temp; + } +} + +``` + + + +## 🔢 计数排序 + +**计数排序（Counting Sort）** 是一种基于计数的非比较排序算法，适用于对**非负整数**进行排序。计数排序通过统计每个元素出现的次数，然后利用这些信息将元素直接放到它们在有序数组中的位置，从而实现排序。 + +> 🎯 **算法特点**： +> - 非比较排序算法 +> - 时间复杂度：$O(n + k)$ +> - 空间复杂度：$O(k)$ +> - 稳定排序 +> - 适用于数据范围不大的场景 + +计数排序的时间复杂度为 `O(n + k)`，其中 `n` 是输入数据的大小，`k` 是数据范围的大小。它特别适用于数据范围不大但数据量较多的场景。 + +计数排序的核心在于将输入的数据值转化为键存储在额外开辟的数组空间中。作为一种线性时间复杂度的排序，计数排序要求输入的数据必须是有确定范围的整数。 + +### 1. 算法步骤 + +1. 🔍 **找到最大值和最小值**：找到数组中最大值和最小值，以确定计数数组的范围 +2. 🏗️ **创建计数数组**：创建一个计数数组，数组长度为 `max - min + 1`，用来记录每个元素出现的次数 +3. 📊 **统计每个元素的出现次数**：遍历原数组，将每个元素出现的次数记录在计数数组中 +4. 🔄 **累积计数**：将计数数组变为累积计数数组，使其表示元素在有序数组中的位置 +5. 📝 **回填到结果数组**：根据累积计数数组，回填到结果数组，得到最终的排序结果 + +### 2. 动图演示 + +[![动图演示](https://github.com/hustcc/JS-Sorting-Algorithm/raw/master/res/countingSort.gif)](https://github.com/hustcc/JS-Sorting-Algorithm/blob/master/res/countingSort.gif) + +```java +import java.util.Arrays; + +public class CountingSort { + // 计数排序函数 + public static void countingSort(int[] arr) { + if (arr.length == 0) return; + + // 1. 找到数组中的最大值和最小值 + int max = arr[0]; + int min = arr[0]; + for (int i = 1; i < arr.length; i++) { + if (arr[i] > max) { + max = arr[i]; + } else if (arr[i] < min) { + min = arr[i]; + } + } + + // 2. 创建计数数组 + int range = max - min + 1; + int[] count = new int[range]; + + // 3. 统计每个元素的出现次数 + for (int i = 0; i < arr.length; i++) { + count[arr[i] - min]++; + } + + // 4. 计算累积计数，确定元素的最终位置 + for (int i = 1; i < count.length; i++) { + count[i] += count[i - 1]; + } + + // 5. 创建结果数组，并根据累积计数将元素放到正确位置 + int[] output = new int[arr.length]; + for (int i = arr.length - 1; i >= 0; i--) { + output[count[arr[i] - min] - 1] = arr[i]; + count[arr[i] - min]--; + } + + // 6. 将排序好的结果复制回原数组 + for (int i = 0; i < arr.length; i++) { + arr[i] = output[i]; + } + } +} + +``` + + + +## 🪣 桶排序 + +桶排序是计数排序的升级版。它利用了函数的映射关系，高效与否的关键就在于这个映射函数的确定。 + +桶排序（Bucket Sort）是一种基于**分配**的排序算法，尤其适用于**均匀分布**的数据。它通过将元素分布到多个桶中，分别对每个桶进行排序，最后将各个桶中的元素合并起来，得到一个有序数组。 + +> 🎯 **算法特点**： +> - 基于分配的排序算法 +> - 时间复杂度：$O(n + k)$（平均） +> - 空间复杂度：$O(n + k)$ +> - 稳定排序 +> - 适用于均匀分布的数据 + +桶排序的平均时间复杂度为 `O(n + k)`，其中 `n` 是数据的数量，`k` 是桶的数量。桶排序通常适用于小范围的、均匀分布的浮点数或整数。 + +为了使桶排序更加高效，我们需要做到这两点： + +1. 📈 **增加桶的数量**：在额外空间充足的情况下，尽量增大桶的数量 +2. 🎯 **均匀分配**：使用的映射函数能够将输入的 N 个数据均匀的分配到 K 个桶中 + +同时，对于桶中元素的排序，选择何种比较排序算法对于性能的影响至关重要。 + +### 1. 算法步骤 + +1. 🏗️ **创建桶**：创建若干个桶，每个桶表示一个数值范围 +2. 📊 **将元素分配到桶中**：根据元素的大小，将它们分配到对应的桶中 +3. 🔄 **对每个桶内部排序**：对每个桶中的元素分别进行排序（可以使用插入排序、快速排序等） +4. 🔀 **合并所有桶中的元素**：依次将每个桶中的元素合并起来，得到最终的有序数组 + +![img](https://miro.medium.com/v2/resize:fit:1400/1*LwRT4hPsAKJ5iPrjGTwwMg.png) + +```java +import java.util.ArrayList; +import java.util.Collections; + +public class BucketSort { + // 主函数：进行桶排序 + public static void bucketSort(float[] arr, int n) { + if (n <= 0) return; + + // 1. 创建 n 个桶，每个桶是一个空的 ArrayList + ArrayList[] buckets = new ArrayList[n]; + + for (int i = 0; i < n; i++) { + buckets[i] = new ArrayList(); + } + + // 2. 将数组中的元素分配到各个桶中 + for (int i = 0; i < n; i++) { + int bucketIndex = (int) arr[i] * n; // 根据值分配桶 + buckets[bucketIndex].add(arr[i]); + } + + // 3. 对每个桶中的元素进行排序 + for (int i = 0; i < n; i++) { + Collections.sort(buckets[i]); // 可以使用任意内置排序算法 + } + + // 4. 合并所有桶中的元素，形成最终的排序数组 + int index = 0; + for (int i = 0; i < n; i++) { + for (Float value : buckets[i]) { + arr[index++] = value; + } + } + } + + // 测试主函数 + public static void main(String[] args) { + float[] arr = { (float)0.42, (float)0.32, (float)0.33, (float)0.52, (float)0.37, (float)0.47, (float)0.51 }; + int n = arr.length; + bucketSort(arr, n); + + System.out.println("排序后的数组："); + for (float value : arr) { + System.out.print(value + " "); + } + } +} + +``` + +**性能分析** + +- 🚀 **什么时候最快**：当输入的数据可以均匀的分配到每一个桶中 +- 🐌 **什么时候最慢**：当输入的数据被分配到了同一个桶中 + +> 💡 **学习提示**：思路一定要理解了，不背题哈，比如有些直接问你 +> +> 📝 **例题**：已知一组记录的排序码为（46，79，56，38，40，80, 95，24），写出对其进行快速排序的第一趟的划分结果 + + + +## 🔢 基数排序 + +**基数排序（Radix Sort）** 是一种**非比较排序算法**，用于对整数或字符串等进行排序。它的核心思想是将数据按位（如个位、十位、百位等）进行排序，从低位到高位依次进行。基数排序的时间复杂度为 `O(n * k)`，其中 `n` 是待排序元素的个数，`k` 是数字的最大位数或字符串的长度。由于它不涉及比较操作，基数排序适用于一些特定的场景，如排序长度相同的字符串或范围固定的整数。 + +> 🎯 **算法特点**： +> - 非比较排序算法 +> - 时间复杂度：$O(n \times k)$ +> - 空间复杂度：$O(n + k)$ +> - 稳定排序 +> - 适用于位数固定的数据 + +基数排序有两种实现方式： + +- 🔢 **LSD（Least Significant Digit）**：从最低位（个位）开始排序，常用的实现方式 +- 🔢 **MSD（Most Significant Digit）**：从最高位开始排序 + +基数排序是一种非比较型整数排序算法，其原理是将整数按位数切割成不同的数字，然后按每个位数分别比较。由于整数也可以表达字符串（比如名字或日期）和特定格式的浮点数，所以基数排序也不是只能使用于整数。 + +### 1. 算法步骤（LSD 实现） + +1. 🔍 **确定最大位数**：找出待排序数据中最大数的位数 +2. 🔄 **按位排序**：从最低位到最高位，对每一位进行排序。每次排序使用**稳定的排序算法**（如计数排序或桶排序），确保相同位数的元素相对位置不变 + +### 2. 动图演示 + +[![动图演示](https://github.com/hustcc/JS-Sorting-Algorithm/raw/master/res/radixSort.gif)](https://github.com/hustcc/JS-Sorting-Algorithm/blob/master/res/radixSort.gif) + +```java +import java.util.Arrays; + +public class RadixSort { + // 主函数：进行基数排序 + public static void radixSort(int[] arr) { + // 找到数组中的最大数，确定最大位数 + int max = getMax(arr); + + // 从个位开始，对每一位进行排序 + for (int exp = 1; max / exp > 0; exp *= 10) { + countingSortByDigit(arr, exp); + } + } + + // 找到数组中的最大值 + private static int getMax(int[] arr) { + int max = arr[0]; + for (int i = 1; i < arr.length; i++) { + if (arr[i] > max) { + max = arr[i]; + } + } + return max; + } + + // 根据当前位数进行计数排序 + private static void countingSortByDigit(int[] arr, int exp) { + int n = arr.length; + int[] output = new int[n]; // 输出数组 + int[] count = new int[10]; // 计数数组（0-9，用于处理每一位上的数字） + + // 1. 统计每个数字在当前位的出现次数 + for (int i = 0; i < n; i++) { + int digit = (arr[i] / exp) % 10; + count[digit]++; + } + + // 2. 计算累积计数 + for (int i = 1; i < 10; i++) { + count[i] += count[i - 1]; + } + + // 3. 从右到左遍历数组，按当前位将元素放入正确位置 + for (int i = n - 1; i >= 0; i--) { + int digit = (arr[i] / exp) % 10; + output[count[digit] - 1] = arr[i]; + count[digit]--; + } + + // 4. 将排序好的结果复制回原数组 + for (int i = 0; i < n; i++) { + arr[i] = output[i]; + } + } + +} + +``` + + + +## 🐚 希尔排序 + +希尔排序这个名字，来源于它的发明者希尔，也称作"缩小增量排序"，是插入排序的一种更高效的改进版本。但希尔排序是非稳定排序算法。 + +**希尔排序（Shell Sort）** 是一种**基于插入排序**的排序算法，又称为**缩小增量排序**，它通过将数组按一定间隔分成若干个子数组，分别进行插入排序，逐步缩小间隔，最终进行一次标准的插入排序。通过这种方式，希尔排序能够减少数据移动次数，使得整体排序过程更为高效。 + +> 🎯 **算法特点**： +> - 插入排序的改进版本 +> - 时间复杂度：$O(n^{1.3})$ 到 $O(n^2)$（取决于增量序列） +> - 空间复杂度：$O(1)$ +> - 不稳定排序 + +希尔排序的时间复杂度依赖于**增量序列**的选择，通常在 `O(n^1.3)` 到 `O(n^2)` 之间。 + +### 1. 算法步骤 + +1. 🎯 **确定增量序列**：首先确定一个增量序列 `gap`，通常初始的 `gap` 为数组长度的一半，然后逐步缩小 +2. 🔄 **分组排序**：将数组按 `gap` 分组，对每个分组进行插入排序。`gap` 表示当前元素与其分组中的前一个元素的间隔 +3. 📉 **缩小增量并继续排序**：每次将 `gap` 缩小一半，重复分组排序过程，直到 `gap = 1`，即对整个数组进行一次标准的插入排序 +4. ✅ **最终排序完成**：当 `gap` 变为 1 时，希尔排序相当于执行了一次插入排序，此时数组已经接近有序，因此插入排序的效率非常高 + +### 2. 动图演示 + +![img](https://mmbiz.qpic.cn/mmbiz_gif/951TjTgiabkzow2ORRzgpfHIGAKIAWlXm6GpRDRhiczgOdibbGBtpibtIhX4YRzibicUyEOSVh3JZBHtiaZPN30X1WOhA/640?wx_fmt=gif&tp=webp&wxfrom=5&wx_lazy=1) + +```java +import java.util.Arrays; + +public class ShellSort { + // 主函数：希尔排序 + public static void shellSort(int[] arr) { + int n = arr.length; + + // 1. 初始 gap 为数组长度的一半 + for (int gap = n / 2; gap > 0; gap /= 2) { + // 2. 对每个子数组进行插入排序 + for (int i = gap; i < n; i++) { + int temp = arr[i]; + int j = i; + + // 3. 对当前分组进行插入排序 + while (j >= gap && arr[j - gap] > temp) { + arr[j] = arr[j - gap]; + j -= gap; + } + + // 将 temp 插入到正确的位置 + arr[j] = temp; + } + } + } +} +``` + + + + + +## 📚 参考与感谢 + +- https://yuminlee2.medium.com/sorting-algorithms-summary-f17ea88a9174 + +--- + +> 🎉 **恭喜你完成了排序算法的学习！** 排序是计算机科学的基础，掌握了这些算法，你就拥有了解决各种排序问题的强大工具。记住：**选择合适的排序算法比掌握所有算法更重要**！ diff --git a/docs/data-structure-algorithms/complexity.md b/docs/data-structure-algorithms/complexity.md index e6a522bdc9..c347f82d35 100644 --- a/docs/data-structure-algorithms/complexity.md +++ b/docs/data-structure-algorithms/complexity.md @@ -1,23 +1,39 @@ -# 时间复杂度 +--- +title: 算法复杂度分析：开发者的必备技能 +date: 2025-05-09 +categories: Algorithm +--- > 高级工程师title的我，最近琢磨着好好刷刷算法题更高级一些，然鹅，当我准备回忆大学和面试时候学的数据结构之时，我发现自己对这个算法复杂度的记忆只有OOOOOooo > > 文章收录在 GitHub [JavaKeeper](https://github.com/Jstarfish/JavaKeeper) ，N线互联网开发必备技能兵器谱 +## 前言 + +作为Java后端开发者，我们每天都在编写代码解决业务问题。但你是否思考过：**为什么有些系统在用户量上升时响应越来越慢？为什么某些查询在数据量大时会卡死？为什么同样功能的代码，有些占用内存巨大？** + +答案就在算法复杂度中。 + 算法（Algorithm）是指用来操作数据、解决程序问题的一组方法。对于同一个问题，使用不同的算法，也许最终得到的结果是一样的，但在过程中消耗的资源和时间却会有很大的区别。 +在实际的Java开发中，复杂度分析帮助我们： +- **预测系统性能瓶颈**：在代码上线前就能预判性能问题 +- **优化关键路径**：识别出最需要优化的代码段 +- **合理选择数据结构**：HashMap vs TreeMap，ArrayList vs LinkedList +- **面试加分项**：大厂面试必考，体现算法功底 + 那么我们应该如何去衡量不同算法之间的优劣呢？ -主要还是从算法所占用的「时间」和「空间」两个维度去考量。 +## 复杂度分析的两个维度 + +主要还是从算法所占用的「时间」和「空间」两个维度去考量： -- 时间维度：是指执行当前算法所消耗的时间，我们通常用「时间复杂度」来描述。 -- 空间维度：是指执行当前算法需要占用多少内存空间，我们通常用「空间复杂度」来描述。 +- **时间维度**：是指执行当前算法所消耗的时间，我们通常用「时间复杂度」来描述。 +- **空间维度**：是指执行当前算法需要占用多少内存空间，我们通常用「空间复杂度」来描述。 因此，评价一个算法的效率主要是看它的时间复杂度和空间复杂度情况。然而，有的时候时间和空间却又是「鱼和熊掌」，不可兼得的，那么我们就需要从中去取一个平衡点。 -> 数据结构和算法本身解决的是“快”和“省”的问题，即如何让代码运行得更快，如何让代码更省存储空间。所以，执行效率是算法一个非常重要的考量指标。那如何来衡量你编写的算法代码的执行效率呢？ -> -> 就是：时间、空间复杂度 +> 数据结构和算法本身解决的是"快"和"省"的问题，即如何让代码运行得更快，如何让代码更省存储空间。所以，执行效率是算法一个非常重要的考量指标。 ## **时间复杂度** @@ -27,147 +43,1217 @@ 这种表示方法我们称为「 **大O符号表示法** 」，又称为**渐进符号**，是用于描述函数渐进行为的数学符号 -常见的时间复杂度量级有： +## 如何分析算法的时间复杂度 + +### 复杂度分析的核心思路 + +**核心原则**：关注当输入规模n趋向无穷大时，算法执行时间的增长趋势，而非具体的执行时间。 + +**分析步骤**： +1. **识别基本操作**：找出算法中最频繁执行的操作 +2. **计算执行次数**：分析这个操作随输入规模n的执行次数 +3. **忽略低阶项**：只保留增长最快的项 +4. **忽略系数**：去掉常数因子 + +### 复杂度分析的实战方法 + +#### 方法1：数循环层数 +这是最直观的分析方法： + +**单层循环 → O(n)** +```java +for (int i = 0; i < n; i++) { + // 基本操作 +} +// 分析过程：循环n次，每次执行基本操作1次，总共n次 → O(n) +``` + +**双层嵌套循环 → O(n²)** +```java +for (int i = 0; i < n; i++) { // 外层：n次 + for (int j = 0; j < n; j++) { // 内层：每轮n次 + // 基本操作 + } +} +// 分析过程：外层n次 × 内层n次 = n² 次 → O(n²) +``` -- 常数阶$O(1)$ -- 线性阶$O(n)$ -- 平方阶$O(n^2)$ -- 立方阶$O(n^3)$ -- 对数阶$O(logn)$ -- 线性对数阶$O(nlogn)$ -- 指数阶$O(2^n)$ +**特殊情况：内层循环次数递减** -#### 常数阶$O(1)$ +```java +for (int i = 0; i < n; i++) { // 外层：n次 + for (int j = i; j < n; j++) { // 内层：第i轮执行(n-i)次 + // 基本操作 + } +} +// 分析过程：总次数 = n + (n-1) + (n-2) + ... + 1 = n(n+1)/2 ≈ n²/2 +// 忽略系数：O(n²) +``` -$O(1)$，表示该算法的执行时间（或执行时占用空间）总是为一个常量，不论输入的数据集是大是小，只要是没有循环等复杂结构，那这个代码的时间复杂度就都是O(1)，如： +#### 方法2：分析递归调用 +递归算法的复杂度 = 递归调用总次数 × 每次调用的复杂度 +**递归分析实例：计算斐波那契数列** ```java -int i = 1; -int j = 2; -int k = i + j; +int fibonacci(int n) { + if (n <= 1) return n; // 基本情况：O(1) + return fibonacci(n-1) + fibonacci(n-2); // 递归调用：2次 +} ``` -上述代码在执行的时候，它消耗的时候并不随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用$O(1)$来表示它的时间复杂度。 +**分析过程：** +1. **画出递归树**： + ``` + fib(n) + ├── fib(n-1) + │ ├── fib(n-2) + │ └── fib(n-3) + └── fib(n-2) + ├── fib(n-3) + └── fib(n-4) + ``` + +2. **分析递归深度**：最深到fib(0)，深度约为n + +3. **分析每层节点数**：每层节点数翻倍，第k层有2^k个节点 + +4. **计算总节点数**：2^0 + 2^1 + ... + 2^n ≈ 2^n -#### 线性阶$O(n)$ +5. **得出复杂度**：O(2^n) -$O(n)$，表示一个算法的性能会随着输入数据的大小变化而线性变化，如 +**为什么这么慢？** 因为有大量重复计算！fib(n-2)既在fib(n-1)中计算，又在fib(n)中计算。 +#### 方法3：分析分治算法 +分治算法的复杂度可以用递推关系式分析。 + +**二分查找分析** ```java -for (int i = 0; i < n; i++) { - j = i; - j++; +int binarySearch(int[] arr, int target, int left, int right) { + if (left > right) return -1; // 基本情况 + + int mid = (left + right) / 2; // O(1)操作 + if (arr[mid] == target) return mid; // O(1)操作 + else if (arr[mid] < target) + return binarySearch(arr, target, mid + 1, right); // 递归一半 + else + return binarySearch(arr, target, left, mid - 1); // 递归一半 } ``` -这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用$O(n)$来表示它的时间复杂度。 +**分析过程：** +1. **建立递推关系**：T(n) = T(n/2) + O(1) + - 每次递归处理一半的数据 + - 除了递归外，其他操作都是O(1) + +2. **展开递推式**： + - T(n) = T(n/2) + 1 + - T(n/2) = T(n/4) + 1 + - T(n/4) = T(n/8) + 1 + - ... + - T(1) = 1 + +3. **求解**：总共需要log₂n层递归，每层O(1)，所以T(n) = O(logn) + +### 常见复杂度等级及其识别 + +| 复杂度 | 识别特征 | 典型例子 | 数据规模感受 | +|--------|----------|----------|-------------| +| **O(1)** | 不随n变化 | 数组索引访问、HashMap查找 | 任何规模都很快 | +| **O(logn)** | 每次减半 | 二分查找、平衡树操作 | 100万数据只需20步 | +| **O(n)** | 单层循环 | 数组遍历、链表查找 | n=1000万时还可接受 | +| **O(nlogn)** | 分治+合并 | 归并排序、快速排序 | n=100万时性能良好 | +| **O(n²)** | 双层循环 | 冒泡排序、暴力匹配 | n>1000就开始慢了 | +| **O(2^n)** | 无优化递归 | 递归斐波那契 | n>30就要等很久 | + +## 复杂度分析实战练习 + +学会了分析方法，让我们通过几个经典例子来实际练习，重点关注**分析过程**而不是记忆结果。 + +### 练习1：分析冒泡排序的复杂度 -#### 平方阶$O(n^2)$ +```java +public void bubbleSort(int[] arr) { + int n = arr.length; + for (int i = 0; i < n - 1; i++) { + for (int j = 0; j < n - i - 1; j++) { + if (arr[j] > arr[j + 1]) { + swap(arr, j, j + 1); + } + } + } +} +``` -$O(n²)$ 表示一个算法的性能将会随着输入数据的增长而呈现出二次增长。最常见的就是对输入数据进行嵌套循环。如果嵌套层级不断深入的话，算法的性能将会变为立方阶$O(n^3)$，$O(n^4)$，$O(n^k)$以此类推 +**分析过程：** +1. **识别基本操作**：比较和交换操作 `arr[j] > arr[j + 1]` +2. **分析循环次数**： + - 外层循环：i从0到n-2，共(n-1)次 + - 内层循环：第i轮时，j从0到(n-i-2)，共(n-i-1)次 +3. **计算总次数**： + - 第0轮：n-1次比较 + - 第1轮：n-2次比较 + - 第2轮：n-3次比较 + - ... + - 第(n-2)轮：1次比较 + - 总计：(n-1) + (n-2) + ... + 1 = n(n-1)/2 次 +4. **简化结果**：n(n-1)/2 ≈ n²/2，忽略系数得到 **O(n²)** + +### 练习2：分析HashMap查找的复杂度 ```java -for(x=1; i<=n; x++){ - for(i=1; i<=n; i++){ - j = i; - j++; +// HashMap的get操作 +public V get(Object key) { + int hash = hash(key); // 计算hash值，O(1) + int index = hash % table.length; // 计算索引，O(1) + Node node = table[index]; // 直接访问数组，O(1) + + // 在链表/红黑树中查找 + while (node != null) { + if (node.key.equals(key)) { + return node.value; + } + node = node.next; // 遍历链表 } + return null; } ``` -#### 指数阶$O(2^n)$ +**分析过程：** +1. **理想情况**：没有hash冲突，直接命中 → **O(1)** +2. **最坏情况**：所有元素都hash到同一个位置，形成长度为n的链表 → **O(n)** +3. **平均情况**：hash函数分布均匀，每个链表长度约为1 → **O(1)** + +**为什么说HashMap是O(1)？** 指的是平均情况下的复杂度。 -$O(2^n)$，表示一个算法的性能会随着输入数据的每次增加而增大两倍，典型的方法就是裴波那契数列的递归计算实现 +### 练习3：分析递归求阶乘的复杂度 ```java -int Fibonacci(int number) -{ - if (number <= 1) return number; +public int factorial(int n) { + if (n <= 1) return 1; // 基本情况 + return n * factorial(n - 1); // 递归调用 +} +``` + +**分析过程：** +1. **递归深度**：从n递减到1，深度为n +2. **每层工作量**：除了递归调用，只有一次乘法运算，O(1) +3. **总复杂度**：n层 × 每层O(1) = **O(n)** + +**递归调用栈：** +``` +factorial(5) +├── 5 * factorial(4) + ├── 4 * factorial(3) + ├── 3 * factorial(2) + ├── 2 * factorial(1) + └── 1 +``` + +### 练习4：分析快速排序的复杂度 + +```java +public void quickSort(int[] arr, int low, int high) { + if (low < high) { + int pivot = partition(arr, low, high); // 分区，O(n) + quickSort(arr, low, pivot - 1); // 递归左半部分 + quickSort(arr, pivot + 1, high); // 递归右半部分 + } +} +``` + +**分析过程：** +1. **最好情况**：每次都能均匀分割 + - 递归深度：log₂n + - 每层工作量：O(n) + - 总复杂度：O(nlogn) + +2. **最坏情况**：每次都是最不均匀的分割（已排序数组） + - 递归深度：n + - 每层工作量：O(n) + - 总复杂度：O(n²) + +3. **平均情况**：O(nlogn) + +**关键洞察**：快速排序的性能很大程度上取决于pivot的选择。 + +### 复杂度分析的误区和技巧 + +#### 常见误区 + +1. **误区1：认为递归一定比循环慢** + ```java + // 递归版本：O(logn) + int binarySearchRecursive(int[] arr, int target, int left, int right) { + if (left > right) return -1; + int mid = (left + right) / 2; + if (arr[mid] == target) return mid; + else if (arr[mid] < target) + return binarySearchRecursive(arr, target, mid + 1, right); + else + return binarySearchRecursive(arr, target, left, mid - 1); + } + + // 循环版本：同样O(logn) + int binarySearchIterative(int[] arr, int target) { + int left = 0, right = arr.length - 1; + while (left <= right) { + int mid = (left + right) / 2; + if (arr[mid] == target) return mid; + else if (arr[mid] < target) left = mid + 1; + else right = mid - 1; + } + return -1; + } + ``` + +2. **误区2：认为代码行数多就复杂度高** + ```java + // 虽然代码很长，但复杂度是O(1) + public boolean isValidSudoku(char[][] board) { + for (int i = 0; i < 9; i++) { // 固定9次 + for (int j = 0; j < 9; j++) { // 固定9次 + // 检查逻辑... + } + } + return true; // 9×9=81次操作，是常数，所以O(1) + } + ``` + +#### 实用技巧 + +1. **看循环变量的变化规律** + ```java + // 线性增长 → O(n) + for (int i = 0; i < n; i++) + + // 指数增长 → O(logn) + for (int i = 1; i < n; i *= 2) + + // 嵌套循环 → O(n²) + for (int i = 0; i < n; i++) + for (int j = 0; j < n; j++) + ``` + +2. **分析递归的关键问题** + - 递归了多少次？ + - 每次递归处理多大的子问题？ + - 除了递归还做了什么？ + +3. **利用已知的复杂度** + - 排序通常是O(nlogn) + - 哈希表查找通常是O(1) + - 数组遍历是O(n) + - 二分查找是O(logn) + +除此之外，其实还有平均情况复杂度、最好时间复杂度、最坏时间复杂度。。。一般没有特殊说明的情况下，都是指最坏时间复杂度。 + +------ + +## **空间复杂度分析方法** + +空间复杂度分析相对简单，主要关注算法运行过程中需要的**额外存储空间**。 + +### 空间复杂度的组成 +1. **算法本身**：代码指令占用的空间（通常忽略） +2. **输入数据**：输入参数占用的空间（通常忽略） +3. **额外空间**：算法运行时临时申请的空间（主要分析对象） + +### 空间复杂度分析步骤 - return Fibonacci(number - 2) + Fibonacci(number - 1); +#### 第一步：识别额外空间的来源 +- **局部变量**：函数内声明的变量 +- **数据结构**：数组、链表、栈、队列等 +- **递归调用栈**：递归函数的调用栈 + +#### 第二步：分析空间随输入规模的变化 + +**O(1) 常量空间** +```java +public void swap(int[] arr, int i, int j) { + int temp = arr[i]; // 只使用了一个额外变量 + arr[i] = arr[j]; + arr[j] = temp; } +// 无论数组多大，只用了temp一个额外空间 → O(1) ``` -#### 对数阶$O(logn)$ +**O(n) 线性空间** +```java +public int[] copyArray(int[] arr) { + int[] newArr = new int[arr.length]; // 创建了n大小的新数组 + for (int i = 0; i < arr.length; i++) { + newArr[i] = arr[i]; + } + return newArr; +} +// 创建了大小为n的数组 → O(n) +``` +**递归空间复杂度分析** ```java -int i = 1; -while(i nodeStack = new Stack<>(); + Stack sumStack = new Stack<>(); + + nodeStack.push(root); + sumStack.push(sum - root.val); + + while (!nodeStack.isEmpty()) { + TreeNode node = nodeStack.pop(); + int currSum = sumStack.pop(); + + if (node.left == null && node.right == null && currSum == 0) { + return true; + } + + if (node.left != null) { + nodeStack.push(node.left); + sumStack.push(currSum - node.left.val); + } + if (node.right != null) { + nodeStack.push(node.right); + sumStack.push(currSum - node.right.val); + } } + return false; } ``` -除此之外，其实还有平均情况复杂度、最好时间复杂度、最坏时间复杂度。。。一般没有特殊说明的情况下，都是值最坏时间复杂度。 +------ + +## 复杂度速查表 + +来源：https://liam.page/2016/06/20/big-O-cheat-sheet/ 源地址：https://www.bigocheatsheet.com/ ------ +#### 1. 线性递归 - O(n)空间 + +**LeetCode应用：链表递归** +```java +// 反转链表（递归版本） +public ListNode reverseList(ListNode head) { + if (head == null || head.next == null) { + return head; + } + + ListNode newHead = reverseList(head.next); // 递归调用 + head.next.next = head; + head.next = null; + + return newHead; +} +// 递归深度等于链表长度n，空间复杂度O(n) -## **空间复杂度** +// 计算链表长度（递归） +public int getLength(ListNode head) { + if (head == null) return 0; + return 1 + getLength(head.next); +} +// 空间复杂度：O(n)，因为递归栈深度为n +``` -空间复杂度（Space Complexity）是对一个算法在运行过程中临时占用存储空间大小的一个量度，同样反映的是一个趋势，一个算法所需的存储空间用f(n)表示。$S(n)=O(f(n))$，其中 n 为问题的规模，S(n) 表示空间复杂度。 +#### 2. 二分递归 - O(logn)空间 -一个算法在计算机存储器上所占用的存储空间，包括存储算法本身所占用的存储空间，算法的输入输出数据所占用的存储空间和算法在运行过程中临时占用的存储空间这三个方面。 +**示例：二分查找（递归版本）** -一般情况下，一个程序在机器上执行时，除了需要存储程序本身的指令、常数、变量和输入数据外，还需要存储对数据操作的存储单元。若输入数据所占空间只取决于问题本身，和算法无关，这样只需要分析该算法在实现时所需的辅助单元即可。若算法执行时所需的辅助空间相对于输入数据量而言是个常数，则称此算法为原地工作，空间复杂度为 $O(1)$。当一个算法的空间复杂度与n成线性比例关系时，可表示为$0(n)$，类比时间复杂度。 +```java +public int binarySearch(int[] nums, int target, int left, int right) { + if (left > right) return -1; + + int mid = left + (right - left) / 2; + if (nums[mid] == target) { + return mid; + } else if (nums[mid] < target) { + return binarySearch(nums, target, mid + 1, right); + } else { + return binarySearch(nums, target, left, mid - 1); + } +} +// 每次递归都将问题规模减半，递归深度为log₂n，空间复杂度O(logn) +``` -空间复杂度比较常用的有：$O(1)$、$O(n)$、$O(n²)$ +**LeetCode应用：树的遍历** +```java +// 二叉树的最大深度 +public int maxDepth(TreeNode root) { + if (root == null) return 0; + + int leftDepth = maxDepth(root.left); // 递归左子树 + int rightDepth = maxDepth(root.right); // 递归右子树 + + return Math.max(leftDepth, rightDepth) + 1; +} +// 平衡树：递归深度为O(logn)，空间复杂度O(logn) +// 最坏情况（链状树）：递归深度为O(n)，空间复杂度O(n) +``` -#### 空间复杂度 $O(1)$ +#### 3. 多分支递归 - 注意陷阱！ -如果算法执行所需要的临时空间不随着某个变量n的大小而变化，即此算法空间复杂度为一个常量，可表示为 O(1) -举例： +**错误理解：认为空间复杂度是O(2^n)** +```java +// 斐波那契数列（递归版本） +public int fibonacci(int n) { + if (n <= 1) return n; + return fibonacci(n - 1) + fibonacci(n - 2); +} +``` + +**正确分析：** +- **时间复杂度**：O(2^n) - 因为有2^n个函数调用 +- **空间复杂度**：O(n) - 因为递归栈的最大深度是n + +> 关键理解：虽然有很多递归调用，但任何时刻调用栈的深度最多是n层 + +#### 4. 记忆化递归的空间复杂度 ```java -int i = 1; -int j = 2; -++i; -j++; -int m = i + j; +// 带记忆化的斐波那契 +private Map memo = new HashMap<>(); + +public int fibonacciMemo(int n) { + if (n <= 1) return n; + + if (memo.containsKey(n)) { + return memo.get(n); + } + + int result = fibonacciMemo(n - 1) + fibonacciMemo(n - 2); + memo.put(n, result); + return result; +} +// 时间复杂度：O(n) +// 空间复杂度：O(n) = 递归栈O(n) + 缓存数组O(n) ``` -代码中的 i、j、m 所分配的空间都不随着处理数据量变化，因此它的空间复杂度 S(n) = O(1) +### LeetCode中的空间复杂度优化技巧 + +#### 1. 滚动数组优化 +```java +// 原始DP：O(n)空间 +int[] dp = new int[n]; + +// 优化后：O(1)空间 +int prev1 = dp[0], prev2 = dp[1]; +``` -#### 空间复杂度 $O(n)$ +#### 2. 就地修改避免额外空间 +```java +// 数组去重（就地修改） +public int removeDuplicates(int[] nums) { + if (nums.length == 0) return 0; + + int i = 0; + for (int j = 1; j < nums.length; j++) { + if (nums[j] != nums[i]) { + i++; + nums[i] = nums[j]; // 就地修改，不需要额外空间 + } + } + return i + 1; +} // 空间复杂度：O(1) +``` +#### 3. 递归转迭代 ```java -int[] m = new int[n] -for(i=1; i<=n; ++i) -{ - j = i; - j++; +// 递归版本：O(n)空间 +public void inorderRecursive(TreeNode root) { + if (root == null) return; + inorderRecursive(root.left); + System.out.println(root.val); + inorderRecursive(root.right); +} + +// 迭代版本：O(h)空间，h为树的高度 +public void inorderIterative(TreeNode root) { + Stack stack = new Stack<>(); + TreeNode current = root; + + while (current != null || !stack.isEmpty()) { + while (current != null) { + stack.push(current); + current = current.left; + } + current = stack.pop(); + System.out.println(current.val); + current = current.right; + } } ``` -这段代码中，第一行new了一个数组出来，这个数据占用的大小为n，这段代码的2-6行，虽然有循环，但没有再分配新的空间，因此，这段代码的空间复杂度主要看第一行即可，即 S(n) = O(n) +### 常见面试问题：时间空间复杂度权衡 + +| 算法 | 时间复杂度 | 空间复杂度 | 权衡点 | +|------|------------|------------|--------| +| 快速排序 | O(nlogn) | O(logn) | 递归栈空间 | +| 归并排序 | O(nlogn) | O(n) | 需要额外数组 | +| 堆排序 | O(nlogn) | O(1) | 就地排序 | +| 计数排序 | O(n+k) | O(k) | 需要额外计数数组 | +| 哈希表查找 | O(1) | O(n) | 用空间换时间 | +| 二分查找 | O(logn) | O(1) | 要求数组有序 | ------ +## 复杂度分析在实际开发中的应用 +### 系统设计中的复杂度考量 -## 复杂度速查表 +#### 1. 数据库查询优化 +```java +// ❌ 没有索引的查询 - O(n) +SELECT * FROM users WHERE email = 'user@example.com'; -来源：https://liam.page/2016/06/20/big-O-cheat-sheet/ 源地址：https://www.bigocheatsheet.com/ +// ✅ 有索引的查询 - O(logn) +CREATE INDEX idx_email ON users(email); +SELECT * FROM users WHERE email = 'user@example.com'; +``` + +**在Java中的体现：** +```java +// JPA查询优化 +@Entity +public class User { + @Column(name = "email") + @Index(name = "idx_email") // 添加索引 + private String email; +} + +// 避免N+1查询问题 +@Query("SELECT u FROM User u JOIN FETCH u.orders WHERE u.id = :userId") +User findUserWithOrders(@Param("userId") Long userId); +``` + +#### 2. 缓存策略选择 +```java +// Redis缓存 vs 数据库查询的复杂度对比 +public class UserService { + + // ❌ 每次都查数据库 - O(logn)到O(n) + public User getUserById(Long id) { + return userRepository.findById(id); + } + + // ✅ 使用缓存 - O(1) + @Cacheable(value = "users", key = "#id") + public User getUserByIdCached(Long id) { + return userRepository.findById(id); + } +} +``` + +#### 3. 分页查询的复杂度陷阱 +```java +// ❌ 深度分页性能问题 +// LIMIT 1000000, 20 在MySQL中是O(n)，需要跳过100万条记录 +public Page getUsers(int page, int size) { + return userRepository.findAll(PageRequest.of(page, size)); +} + +// ✅ 游标分页优化为O(logn) +public List getUsersAfterCursor(Long lastUserId, int limit) { + return userRepository.findByIdGreaterThanOrderById(lastUserId, + PageRequest.of(0, limit)); +} +``` + +### 微服务架构中的复杂度问题 + +#### 1. 接口聚合的复杂度 +```java +// ❌ 串行调用多个服务 - O(n) +@RestController +public class OrderController { + + public OrderDetailVO getOrderDetail(Long orderId) { + Order order = orderService.getOrder(orderId); // 100ms + User user = userService.getUser(order.getUserId()); // 100ms + Product product = productService.getProduct(order.getProductId()); // 100ms + // 总耗时：300ms + + return buildOrderDetail(order, user, product); + } +} -#### 图例 +// ✅ 并行调用优化 - O(1) +@Async +public CompletableFuture getOrderDetailAsync(Long orderId) { + CompletableFuture orderFuture = + CompletableFuture.supplyAsync(() -> orderService.getOrder(orderId)); + + CompletableFuture userFuture = orderFuture.thenCompose(order -> + CompletableFuture.supplyAsync(() -> userService.getUser(order.getUserId()))); + + CompletableFuture productFuture = orderFuture.thenCompose(order -> + CompletableFuture.supplyAsync(() -> productService.getProduct(order.getProductId()))); + + return CompletableFuture.allOf(orderFuture, userFuture, productFuture) + .thenApply(v -> buildOrderDetail(orderFuture.join(), userFuture.join(), productFuture.join())); + // 总耗时：约100ms +} +``` + +#### 2. 批量处理优化 +```java +// ❌ 循环调用接口 - O(n) +public void processUsers(List userIds) { + for (Long userId : userIds) { + User user = userService.getUser(userId); // 每次一个网络调用 + processUser(user); + } + // 1000个用户 = 1000次网络调用 +} + +// ✅ 批量调用 - O(1) +public void processUsersBatch(List userIds) { + List users = userService.getUsers(userIds); // 一次网络调用 + users.forEach(this::processUser); + // 1000个用户 = 1次网络调用 +} +``` + +### 大数据处理场景 + +#### 1. 日志分析系统 +```java +// 实时日志处理的复杂度考量 +@Component +public class LogProcessor { + + // ❌ 实时逐条处理 - 无法处理高并发 + public void processLogRealtimeSync(LogEvent event) { + // 同步处理每条日志 + analyzeLog(event); // 假设需要10ms + saveToDatabase(event); // 假设需要5ms + // 每秒最多处理：1000/(10+5) = 66条 + } + + // ✅ 批量异步处理 - 提升吞吐量 + @EventListener + @Async + public void processLogBatch(List events) { + // 批量处理，均摊网络开销 + List results = batchAnalyze(events); // 批量分析 + batchSaveToDatabase(results); // 批量保存 + // 每秒可处理：数万条 + } +} +``` + +#### 2. 报表查询优化 +```java +// 大数据量报表查询的复杂度优化 +@Service +public class ReportService { + + // ❌ 实时聚合计算 - O(n)，数据量大时很慢 + public SalesReport getDailySalesReport(LocalDate date) { + List orders = orderRepository.findByCreateDate(date); + // 需要遍历所有订单进行聚合计算 + return calculateSalesReport(orders); + } + + // ✅ 预计算报表 - O(1)查询 + @Scheduled(cron = "0 0 1 * * ?") // 每天凌晨1点执行 + public void generateDailyReports() { + LocalDate yesterday = LocalDate.now().minusDays(1); + SalesReport report = calculateSalesReport( + orderRepository.findByCreateDate(yesterday)); + reportRepository.save(report); // 预计算结果 + } + + public SalesReport getDailySalesReportCached(LocalDate date) { + return reportRepository.findByDate(date); // O(1)查询 + } +} +``` + +### Spring Boot性能优化实战 + +#### 1. 启动时间优化 +```java +// 启动时间复杂度优化 +@SpringBootApplication +public class Application { + + // ❌ 启动时加载大量数据 + @PostConstruct + public void initData() { + // 启动时从数据库加载10万条配置 - 增加启动时间 + configService.loadAllConfigs(); // O(n) + } + + // ✅ 懒加载优化 + @Bean + @Lazy + public ConfigCache configCache() { + return new ConfigCache(); // 需要时才初始化 + } +} +``` + +#### 2. 内存使用优化 +```java +// 内存复杂度优化 +@RestController +public class DataController { + + // ❌ 一次性加载所有数据到内存 - O(n)空间 + public List getAllData() { + List allData = dataRepository.findAll(); // 可能有百万条数据 + return allData.stream() + .map(this::convertToVO) + .collect(Collectors.toList()); // 内存可能溢出 + } + + // ✅ 流式处理 - O(1)空间 + public void exportAllData(HttpServletResponse response) { + try (Stream dataStream = dataRepository.findAllStream()) { + dataStream.map(this::convertToVO) + .forEach(vo -> writeToResponse(response, vo)); // 逐条处理 + } + } +} +``` + +### 消息队列的复杂度考量 + +```java +// 消息处理的复杂度优化 +@Component +public class MessageProcessor { + + // ❌ 顺序处理消息 - O(n)时间 + @RabbitListener(queues = "order.queue") + public void processOrderSync(OrderMessage message) { + // 顺序处理，一个消息处理完才处理下一个 + validateOrder(message); // 50ms + saveOrder(message); // 100ms + sendNotification(message); // 30ms + // 总计180ms/消息，吞吐量低 + } + + // ✅ 并行处理消息 - 提升吞吐量 + @RabbitListener(queues = "order.queue", concurrency = "10") + public void processOrderAsync(OrderMessage message) { + CompletableFuture.allOf( + CompletableFuture.runAsync(() -> validateOrder(message)), + CompletableFuture.runAsync(() -> saveOrder(message)), + CompletableFuture.runAsync(() -> sendNotification(message)) + ).join(); + // 并行处理，吞吐量大幅提升 + } +} +``` + +### 实际项目中的复杂度思考框架 + +#### 1. 性能需求评估 +```java +// 根据业务规模选择合适的算法复杂度 +public class BusinessScaleAnalysis { + + // 小规模系统（<1万用户） + public void smallScale() { + // O(n²)算法可以接受 + // 简单直接的实现优先 + } + + // 中等规模系统（1万-100万用户） + public void mediumScale() { + // 需要O(nlogn)或更优算法 + // 开始考虑缓存、索引优化 + } + + // 大规模系统（>100万用户） + public void largeScale() { + // 必须O(logn)或O(1)算法 + // 分布式缓存、数据库分片等 + } +} +``` + +#### 2. 技术选型的复杂度考量 +```java +// 不同技术栈的复杂度特性 +public class TechStackComplexity { + + // HashMap vs TreeMap选择 + Map userCache; + + // 如果只需要快速查找：HashMap O(1) + userCache = new HashMap<>(); + + // 如果需要有序遍历：TreeMap O(logn) + userCache = new TreeMap<>(); + + // ArrayList vs LinkedList选择 + List users; + + // 频繁随机访问：ArrayList O(1) + users = new ArrayList<>(); + + // 频繁插入删除：LinkedList O(1) + users = new LinkedList<>(); +} +``` + +## 复杂度优化的最佳实践 + +### LeetCode刷题的复杂度优化套路 + +#### 1. 暴力解法 → 哈希表优化（降时间复杂度） +```java +// 模式：O(n²) → O(n) +// 适用场景：查找、匹配类问题 + +// 示例：两数之和类问题 +// 暴力：双层循环查找 O(n²) +// 优化：哈希表存储 O(n) +Map map = new HashMap<>(); +``` + +#### 2. 递归 → 动态规划（消除重复计算） +```java +// 模式：O(2^n) → O(n) +// 适用场景：有重叠子问题的递归 + +// 递归优化三步走： +// 1. 记忆化递归（自顶向下） +Map memo = new HashMap<>(); + +// 2. 动态规划（自底向上） +int[] dp = new int[n+1]; + +// 3. 空间优化（滚动变量） +int prev1 = 0, prev2 = 1; +``` + +#### 3. 排序 + 双指针（降低循环层数） +```java +// 模式：O(n²) → O(nlogn) +// 适用场景：需要查找配对的问题 + +Arrays.sort(nums); // O(nlogn) +int left = 0, right = nums.length - 1; // O(n) +// 总体：O(nlogn)，比O(n²)好 +``` + +#### 4. 二分查找（利用有序性） +```java +// 模式：O(n) → O(logn) +// 适用场景：在有序数组中查找 + +// 关键：寻找单调性 +while (left <= right) { + int mid = left + (right - left) / 2; + // 根据mid位置的性质决定搜索方向 +} +``` + +### Java集合类的复杂度选择指南 + +#### 1. List选择策略 +```java +// 根据操作频率选择 +public class ListChoiceGuide { + + // 频繁随机访问 + 较少插入删除 → ArrayList + List data = new ArrayList<>(); // get: O(1), add: O(1) + + // 频繁插入删除 + 较少随机访问 → LinkedList + List data = new LinkedList<>(); // add/remove: O(1), get: O(n) + + // 需要线程安全 → Vector 或 Collections.synchronizedList + List data = new Vector<>(); + + // 不可变列表 → Arrays.asList 或 List.of + List data = List.of("a", "b", "c"); +} +``` + +#### 2. Map选择策略 +```java +public class MapChoiceGuide { + + // 一般情况，追求最快查找 → HashMap + Map cache = new HashMap<>(); // O(1) + + // 需要有序遍历 → TreeMap + Map sortedCache = new TreeMap<>(); // O(logn) + + // 需要插入顺序 → LinkedHashMap + Map orderedCache = new LinkedHashMap<>(); // O(1) + 顺序 + + // 高并发环境 → ConcurrentHashMap + Map concurrentCache = new ConcurrentHashMap<>(); +} +``` + +#### 3. Set选择策略 +```java +public class SetChoiceGuide { + + // 一般去重需求 → HashSet + Set uniqueItems = new HashSet<>(); // O(1) + + // 需要有序 → TreeSet + Set sortedItems = new TreeSet<>(); // O(logn) + + // 需要保持插入顺序 → LinkedHashSet + Set orderedItems = new LinkedHashSet<>(); // O(1) + 顺序 +} +``` + +### 常见性能陷阱及避免方法 + +#### 1. 字符串操作陷阱 +```java +// ❌ String拼接陷阱 - O(n²) +String result = ""; +for (String str : list) { + result += str; // 每次都创建新字符串 +} + +// ✅ 使用StringBuilder - O(n) +StringBuilder sb = new StringBuilder(); +for (String str : list) { + sb.append(str); +} +String result = sb.toString(); + +// ✅ Java 8 Stream方式 - O(n) +String result = list.stream().collect(Collectors.joining()); +``` + +#### 2. 集合遍历陷阱 +```java +// ❌ 在遍历中修改集合 - 可能O(n²) +for (int i = 0; i < list.size(); i++) { + if (shouldRemove(list.get(i))) { + list.remove(i); // ArrayList.remove()是O(n)操作 + i--; // 还要调整索引 + } +} + +// ✅ 使用Iterator - O(n) +Iterator iterator = list.iterator(); +while (iterator.hasNext()) { + if (shouldRemove(iterator.next())) { + iterator.remove(); // O(1)操作 + } +} + +// ✅ 使用removeIf - O(n) +list.removeIf(this::shouldRemove); +``` + +#### 3. 数据库查询陷阱 +```java +// ❌ N+1查询问题 +public List getOrdersWithUser(List orderIds) { + List orders = orderRepository.findByIds(orderIds); // 1次查询 + return orders.stream().map(order -> { + User user = userRepository.findById(order.getUserId()); // N次查询 + return new OrderVO(order, user); + }).collect(Collectors.toList()); +} + +// ✅ 批量查询优化 +public List getOrdersWithUserOptimized(List orderIds) { + List orders = orderRepository.findByIds(orderIds); + Set userIds = orders.stream().map(Order::getUserId).collect(Collectors.toSet()); + Map userMap = userRepository.findByIds(userIds) + .stream().collect(Collectors.toMap(User::getId, user -> user)); + + return orders.stream().map(order -> { + User user = userMap.get(order.getUserId()); // O(1)查找 + return new OrderVO(order, user); + }).collect(Collectors.toList()); +} +``` + +### 复杂度分析的实用技巧 + +#### 1. 快速估算方法 +```java +// 根据数据规模快速判断可接受的复杂度 +public class ComplexityEstimation { + + public void analyzeDataScale(int n) { + if (n <= 10) { + // 任何算法都可以，包括O(n!) + System.out.println("可以使用任何算法"); + } else if (n <= 20) { + // O(2^n)可以接受，如回溯算法 + System.out.println("指数级算法可接受"); + } else if (n <= 100) { + // O(n³)勉强可以 + System.out.println("三次方算法勉强可以"); + } else if (n <= 1000) { + // O(n²)是上限 + System.out.println("平方级算法是上限"); + } else if (n <= 100000) { + // 必须O(nlogn)或更优 + System.out.println("必须线性对数级或更优"); + } else { + // 必须O(n)或O(logn) + System.out.println("必须线性级或对数级"); + } + } +} +``` + +#### 2. 复杂度分析检查清单 +```java +// 代码复杂度自检清单 +public class ComplexityCheckList { + + public void checkComplexity() { + // 1. 有几层嵌套循环？ + // - 1层 → O(n) + // - 2层 → O(n²) + // - k层 → O(n^k) + + // 2. 有递归调用吗？ + // - 递归深度 × 每层复杂度 = 总复杂度 + + // 3. 有二分查找吗？ + // - 每次减半 → O(logn) + + // 4. 有排序操作吗？ + // - 通用排序 → O(nlogn) + // - 特殊排序 → 可能O(n) + + // 5. 使用了什么数据结构？ + // - HashMap → O(1) + // - TreeMap → O(logn) + // - LinkedList查找 → O(n) + } +} +``` + +#### 3. 空间复杂度优化技巧 +```java +// 常见空间优化模式 +public class SpaceOptimization { + + // 1. 滚动数组优化DP + public int optimizedDP(int n) { + // 原始：int[] dp = new int[n]; // O(n)空间 + // 优化：只保存必要的状态 + int prev = 0, curr = 1; // O(1)空间 + return curr; + } + + // 2. 就地修改避免额外空间 + public void reverseArrayInPlace(int[] arr) { + int left = 0, right = arr.length - 1; + while (left < right) { + // 就地交换，不需要额外数组 + int temp = arr[left]; + arr[left] = arr[right]; + arr[right] = temp; + left++; + right--; + } + } + + // 3. 流式处理大数据 + public void processLargeData() { + // 避免一次性加载所有数据到内存 + try (Stream lines = Files.lines(Paths.get("large-file.txt"))) { + lines.filter(line -> line.contains("target")) + .forEach(this::processLine); // 逐行处理 + } + } +} +``` + +## 复杂度速查表 ![](https://tva1.sinaimg.cn/large/00831rSTly1gcbecysa6qj319w01w0sy.jpg) @@ -197,7 +1283,80 @@ for(i=1; i<=n; ++i) -## 参考 +## 总结 + +### 核心要点回顾 -- 《大话数据结构》 -- https://zhuanlan.zhihu.com/p/50479555 \ No newline at end of file +通过本文的学习，我们掌握了算法复杂度分析的核心知识： + +#### 1. 理论基础 +- **时间复杂度**：衡量算法执行时间随输入规模增长的趋势 +- **空间复杂度**：衡量算法占用内存空间随输入规模增长的趋势 +- **大O符号**：用于描述算法复杂度的数学工具 + +#### 2. 常见复杂度等级（从优到劣） +1. **O(1)** - 常数阶：HashMap查找、数组随机访问 +2. **O(logn)** - 对数阶：二分查找、TreeMap操作 +3. **O(n)** - 线性阶：数组遍历、链表查找 +4. **O(nlogn)** - 线性对数阶：快速排序、归并排序 +5. **O(n²)** - 平方阶：冒泡排序、嵌套循环 +6. **O(2^n)** - 指数阶：递归斐波那契（需要避免） + +#### 3. LeetCode刷题复杂度优化套路 +- **暴力 → 哈希表**：O(n²) → O(n) +- **递归 → 动态规划**：O(2^n) → O(n) +- **暴力查找 → 二分查找**：O(n) → O(logn) +- **嵌套循环 → 双指针**：O(n²) → O(n) + +#### 4. Java开发实战经验 +- **集合选择**：根据操作频率选择ArrayList/LinkedList、HashMap/TreeMap +- **避免陷阱**：字符串拼接、集合遍历修改、N+1查询 +- **空间优化**：滚动数组、就地修改、流式处理 + +### 给Java后端开发者的建议 + +#### 学习路径 +1. **理论基础**：掌握本文的复杂度分析方法 +2. **刷题实战**：在LeetCode上练习复杂度分析 +3. **项目应用**：在实际项目中运用复杂度思维 +4. **持续优化**：定期review代码的性能瓶颈 + +#### 面试准备 +- **必备技能**：能快速分析代码的时间空间复杂度 +- **常考题型**：两数之和、排序算法、动态规划、树遍历 +- **优化思路**：从暴力解法开始，逐步优化到最优解 +- **实际应用**：结合项目经验谈复杂度优化案例 + +#### 职场应用 +- **代码review**：关注性能复杂度，不只是功能正确性 +- **系统设计**：提前评估算法复杂度，避免性能瓶颈 +- **技术选型**：基于复杂度分析选择合适的数据结构和算法 +- **性能调优**：使用复杂度分析定位和解决性能问题 + +### 进阶学习方向 + +如果你想在算法和数据结构方面更进一步，建议关注： + +1. **高级数据结构**：并查集、线段树、字典树 +2. **算法设计模式**：分治、贪心、回溯、动态规划 +3. **系统设计**：分布式系统中的复杂度考量 +4. **性能优化**：JVM调优、数据库优化、缓存策略 + +### 写在最后 + +复杂度分析不是纸上谈兵的理论知识，而是每个Java后端开发者都应该掌握的实用技能。它帮助我们： + +- **写出更高效的代码** +- **在面试中展现技术功底** +- **在系统设计时做出正确决策** +- **在性能调优时快速定位问题** + +希望这篇文章能帮助你建立起完整的复杂度分析知识体系。记住，**理论学习 + 刷题实战 + 项目应用** 才是掌握算法复杂度的最佳路径。 + +--- + +**下期预告**：我们将深入探讨**数组与链表**的底层实现和应用技巧，敬请期待！ + +> 如果觉得文章对你有帮助，欢迎点赞分享，你的支持是我创作的动力！ +> +> 更多Java技术文章请关注 GitHub [JavaKeeper](https://github.com/Jstarfish/JavaKeeper) \ No newline at end of file diff --git a/docs/data-structure-algorithms/Array.md b/docs/data-structure-algorithms/data-structure/Array.md similarity index 99% rename from docs/data-structure-algorithms/Array.md rename to docs/data-structure-algorithms/data-structure/Array.md index 06af5f6157..81505f83ea 100644 --- a/docs/data-structure-algorithms/Array.md +++ b/docs/data-structure-algorithms/data-structure/Array.md @@ -6,7 +6,7 @@ -## 前言`` +## 前言 具体介绍数组之前，我们先来了解一下集合、列表和数组的概念之间的差别。 diff --git a/docs/data-structure-algorithms/Binary-Tree.md b/docs/data-structure-algorithms/data-structure/Binary-Tree.md similarity index 93% rename from docs/data-structure-algorithms/Binary-Tree.md rename to docs/data-structure-algorithms/data-structure/Binary-Tree.md index b3321b32b3..4f22ac687b 100755 --- a/docs/data-structure-algorithms/Binary-Tree.md +++ b/docs/data-structure-algorithms/data-structure/Binary-Tree.md @@ -34,12 +34,15 @@ categories: data-structure - **路径**： 连续边的序列称为路径。 在上图所示的树中，节点`E`的路径为`A→B→E` - **祖先节点**： 节点的祖先是从根到该节点的路径上的任何前节点。根节点没有祖先节点。 在上图所示的树中，节点`F`的祖先是`B`和`A` - **度**： 节点的度数等于子节点数。 在上图所示的树中，节点`B`的度数为`2`。叶子节点的度数总是`0`，而在完整的二叉树中，每个节点的度数等于`2` -- **高度（Height）/深度（Depth）**：树中层的数量。比如上图中的树有 4 层，则高度为 4 +- **高度（Height）**：[根]节点到叶子节点的最常路径（边数） +- 深度（Depth）：根节点到这个节点所经历的边的个数 - **级别编号**： 为树的每个节点分配一个级别编号，使得每个节点都存在于高于其父级的一个级别。树的根节点始终是级别`0`。 - **层级（Level）**：根为 Level 0 层，根的子节点为 Level 1 层，以此类推 - 有序树、无序树：如果将树中的各个子树看成是从左到右是有次序的，则称该树是有序树；若不考虑子树的顺序称为无序树 - 森林：m（m>=0）棵互不交互的树的集合。对树中每个结点而言，其子树的集合即为森林 +![](https://static001.geekbang.org/resource/image/50/b4/50f89510ad1f7570791dd12f4e9adeb4.jpg) + ### 基本操作 1. 构造空树（初始化） @@ -203,36 +206,77 @@ public class BinarySearchTree>{ **1.中序遍历：当到达某个节点时，先访问左子节点，再输出该节点，最后访问右子节点。** ```java -public void inOrder(TreeNode cursor){ - if(cursor == null) return; - inOrder(cursor.getLeft()); - System.out.println(cursor.getData()); - inOrder(cursor.getRight()); +/* 中序遍历 */ +void inOrder(TreeNode root) { + if (root == null) + return; + // 访问优先级：左子树 -> 根节点 -> 右子树 + inOrder(root.left); + list.add(root.val); + inOrder(root.right); } ``` **2. 前序遍历：当到达某个节点时，先输出该节点，再访问左子节点，最后访问右子节点。** ```java -public void preOrder(TreeNode cursor){ - if(cursor == null) return; - System.out.println(cursor.getData()); - inOrder(cursor.getLeft()); - inOrder(cursor.getRight()); +/* 前序遍历 */ +void preOrder(TreeNode root) { + if (root == null) + return; + // 访问优先级：根节点 -> 左子树 -> 右子树 + list.add(root.val); + preOrder(root.left); + preOrder(root.right); } ``` **3. 后序遍历：当到达某个节点时，先访问左子节点，再访问右子节点，最后输出该节点。** ```java -public void postOrder(TreeNode cursor){ - if(cursor == null) return; - inOrder(cursor.getLeft()); - inOrder(cursor.getRight()); - System.out.println(cursor.getData()); +/* 后序遍历 */ +void postOrder(TreeNode root) { + if (root == null) + return; + // 访问优先级：左子树 -> 右子树 -> 根节点 + postOrder(root.left); + postOrder(root.right); + list.add(root.val); } ``` +前序、中序和后序遍历都属于深度优先遍历（depth-first traversal），也称深度优先搜索（depth-first search, DFS），它体现了一种“先走到尽头，再回溯继续”的遍历方式。 + +**深度优先遍历就像是绕着整棵二叉树的外围“走”一圈**，在每个节点都会遇到三个位置，分别对应前序遍历、中序遍历和后序遍历。 + +![](https://www.hello-algo.com/chapter_tree/binary_tree_traversal.assets/binary_tree_dfs.png) + +**4. 层序遍历：**层序遍历（level-order traversal）从顶部到底部逐层遍历二叉树，并在每一层按照从左到右的顺序访问节点。 + +层序遍历本质上属于广度优先遍历（breadth-first traversal），也称广度优先搜索（breadth-first search, BFS），它体现了一种“一圈一圈向外扩展”的逐层遍历方式。 + +```java +/* 层序遍历 */ +List levelOrder(TreeNode root) { + // 初始化队列，加入根节点 + Queue queue = new LinkedList<>(); + queue.add(root); + // 初始化一个列表，用于保存遍历序列 + List list = new ArrayList<>(); + while (!queue.isEmpty()) { + TreeNode node = queue.poll(); // 队列出队 + list.add(node.val); // 保存节点值 + if (node.left != null) + queue.offer(node.left); // 左子节点入队 + if (node.right != null) + queue.offer(node.right); // 右子节点入队 + } + return list; +} +``` + + + #### 2. 树的搜索： 树的搜索和树的遍历差不多，就是在遍历的时候只搜索不输出就可以了（类比有序数组的搜索） @@ -452,25 +496,20 @@ AVL 树和二叉查找树的删除操作情况一致，都分为四种情况： 对于删除操作造成的非平衡状态的修正，可以这样理解：对左或者右子树的删除操作相当于对右或者左子树的插入操作，然后再对应上插入的四种情况选择相应的旋转就好了。 -## 红黑树 - -**红黑树的定义：**红黑树是一种自平衡二叉查找树，是在计算机科学中用到的一种数据结构，典型的用途是实现关联数组。它是在1972年由鲁道夫·贝尔发明的，称之为"对称二叉B树"，它现代的名字是在 Leo J. Guibas 和 Robert Sedgewick 于1978年写的一篇论文中获得的。**它是复杂的，但它的操作有着良好的最坏情况运行时间，并且在实践中是高效的: 它可以在O(logn)时间内做查找，插入和删除，这里的n是树中元素的数目。** -红黑树和AVL树一样都对插入时间、删除时间和查找时间提供了最好可能的最坏情况担保。这不只是使它们在时间敏感的应用如实时应用（real time application）中有价值，而且使它们有在提供最坏情况担保的其他数据结构中作为建造板块的价值；例如，在计算几何中使用的很多数据结构都可以基于红黑树。此外，红黑树还是2-3-4树的一种等同，它们的思想是一样的，只不过红黑树是2-3-4树用二叉树的形式表示的。 -**红黑树的性质：** +## 红黑树 -红黑树是每个节点都带有颜色属性的二叉查找树，颜色为红色或黑色。在二叉查找树强制的一般要求以外，对于任何有效的红黑树我们增加了如下的额外要求: +顾名思义，红黑树中的节点，一类被标记为黑色，一类被标记为红色。除此之外，一棵红黑树还需要满足这样几个要求： -- 每个节点要么是黑色，要么是红色 -- 根节点是黑色 -- 所有叶子都是黑色（叶子是NIL节点） -- 每个红色节点必须有两个黑色的子节点(从每个叶子到根的所有路径上不能有两个连续的红色节点) -- **任意一结点到每个叶子结点的简单路径都包含数量相同的黑结点** +- 根节点是黑色的； +- 每个叶子节点都是黑色的空节点（NIL），也就是说，叶子节点不存储数据； +- 任何相邻的节点都不能同时为红色，也就是说，红色节点是被黑色节点隔开的； +- 每个节点，从该节点到达其可达叶子节点的所有路径，都包含相同数目的黑色节点； 下面是一个具体的红黑树的图例： -[![An example of a red-black tree](https://camo.githubusercontent.com/5db2fdaae07fbac460e1ef727d9b890ce292cbcb33783efece8fc2fad30006a8/68747470733a2f2f75706c6f61642e77696b696d656469612e6f72672f77696b6970656469612f636f6d6d6f6e732f7468756d622f362f36362f5265642d626c61636b5f747265655f6578616d706c652e7376672f34353070782d5265642d626c61636b5f747265655f6578616d706c652e7376672e706e67)](https://camo.githubusercontent.com/5db2fdaae07fbac460e1ef727d9b890ce292cbcb33783efece8fc2fad30006a8/68747470733a2f2f75706c6f61642e77696b696d656469612e6f72672f77696b6970656469612f636f6d6d6f6e732f7468756d622f362f36362f5265642d626c61636b5f747265655f6578616d706c652e7376672f34353070782d5265642d626c61636b5f747265655f6578616d706c652e7376672e706e67) +![](https://static001.geekbang.org/resource/image/90/9a/903ee0dcb62bce2f5b47819541f9069a.jpg) 这些约束确保了红黑树的关键特性: 从根到叶子的最长的可能路径不多于最短的可能路径的两倍长。结果是这个树大致上是平衡的。因为操作比如插入、删除和查找某个值的最坏情况时间都要求与树的高度成比例，这个在高度上的理论上限允许红黑树在最坏情况下都是高效的，而不同于普通的二叉查找树。 diff --git a/docs/data-structure-algorithms/data-structure/HashTable.md b/docs/data-structure-algorithms/data-structure/HashTable.md new file mode 100755 index 0000000000..edb7eb82ab --- /dev/null +++ b/docs/data-structure-algorithms/data-structure/HashTable.md @@ -0,0 +1,168 @@ +--- +title: 深入解析哈希表：从散列冲突到算法应用全景解读 +date: 2022-06-09 +tags: + - data-structure + - HashTable +categories: data-structure +--- + +![](https://images.unsplash.com/photo-1586370740632-f910eb4ad077?q=80&w=3208&auto=format&fit=crop&ixlib=rb-4.1.0&ixid=M3wxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8fA%3D%3D) + +## 一、散列冲突的本质与解决方案 + +哈希表作为数据结构的核心组件，其灵魂在于通过哈希函数实现 $(1)$ 时间复杂度的数据存取。但正如硬币的两面，哈希算法在带来高效存取的同时，也面临着不可避免的**散列冲突**问题——不同的输入值经过哈希运算后映射到同一存储位置的现象。 + +### 1.1 开放寻址法：空间换时间的博弈 + +**典型代表**：Java 的 ThreadLocalMap + +开放寻址法采用"线性探测+数组存储"的经典组合，当冲突发生时，通过系统性的探测策略（线性探测/二次探测/双重哈希）在数组中寻找下一个可用槽位。这种方案具有三大显著优势： + +- **缓存友好性**：数据连续存储在数组中，有效利用CPU缓存行预取机制 +- **序列化简单**：无需处理链表指针等复杂内存结构 +- **空间紧凑**：内存分配完全可控，无动态内存开销 + +但硬币的另一面是： + +- **删除复杂度**：需引入墓碑标记（TOMBSTONE）处理逻辑 +- **负载因子限制**：建议阈值0.7以下，否则探测次数指数级增长 +- **内存浪费**：动态扩容时旧数组需要保留至数据迁移完成 + +```Java +// 线性探测的典型实现片段 +int index = hash(key); +while (table[index] != null) { + if (table[index].key.equals(key)) break; + index = (index + 1) % capacity; +} +``` + +### 1.2 链表法：时间与空间的动态平衡 + +**典型代表**：Java的LinkedHashMap + +链表法采用"数组+链表/树"的复合结构，每个桶位维护一个动态数据结构。其核心优势体现在： + +- **高负载容忍**：允许负载因子突破1.0（Java HashMap默认0.75） +- **内存利用率**：按需创建节点，避免空槽浪费 +- **结构灵活性**：可升级为红黑树（Java8+）应对哈希碰撞攻击 + +但需要注意： + +- **指针开销**：每个节点多消耗4-8字节指针空间 +- **缓存不友好**：节点内存地址离散影响访问局部性 +- **小对象劣势**：当存储值小于指针大小时内存利用率降低 + +```Java +// 树化转换阈值定义（Java HashMap） +static final int TREEIFY_THRESHOLD = 8; +static final int UNTREEIFY_THRESHOLD = 6; +``` + + + +## 二、哈希算法：从理论到工程实践 + +哈希算法作为数字世界的"指纹生成器"，必须满足四大黄金准则： + +1. **不可逆性**：哈希值到原文的逆向推导在计算上不可行 +2. **雪崩效应**：微小的输入变化导致输出剧变 +3. **低碰撞率**：不同输入的哈希相同概率趋近于零 +4. **高效计算**：处理海量数据时仍保持线性时间复杂度 + +### 2.1 七大核心应用场景解析 + +#### 场景1：安全加密（SHA-256示例） + +```Java +MessageDigest md = MessageDigest.getInstance("SHA-256"); +byte[] hashBytes = md.digest("secret".getBytes()); +``` + +#### 场景2：内容寻址存储（IPFS协议） + +通过三级哈希验证确保内容唯一性： + +1. 内容分块哈希 +2. 分块组合哈希 +3. 最终Merkle根哈希 + +#### 场景3：P2P传输校验（BitTorrent协议） + +种子文件包含分片哈希树，下载时逐层校验： + +``` + 分片1(SHA1) → 分片2(SHA1) → ... → 分片N(SHA1) + ↘ ↙ ↘ ↙ + 中间哈希节点 根哈希 +``` + +#### 场景4：高性能散列函数（MurmurHash3） + +针对不同场景的哈希优化： + +- 内存型：CityHash +- 加密型：SipHash +- 流式处理：XXHash + +#### 场景5：会话保持负载均衡 + +```Python +def get_server(client_ip): + hash_val = hashlib.md5(client_ip).hexdigest() + return servers[hash_val % len(servers)] +``` + +#### 场景6：大数据分片处理 + +```SQL +-- 按用户ID哈希分库 +CREATE TABLE user_0 ( + id BIGINT PRIMARY KEY, + ... +) PARTITION BY HASH(id) PARTITIONS 4; +``` + +#### 场景7：一致性哈希分布式存储 + +构建虚拟节点环解决数据倾斜问题： + +``` + NodeA → 1000虚拟节点 +NodeB → 1000虚拟节点 +NodeC → 1000虚拟节点 +``` + + + +## 三、工程实践中的进阶技巧 + +### 3.1 动态扩容策略 + +- 渐进式扩容：避免一次性rehash导致的STW停顿 +- 容量质数选择：降低哈希聚集现象（如Java HashMap使用2^n优化模运算） + +### 3.2 哈希攻击防御 + +- 盐值加密：password_hash(pass,PASSWORDBCRYPT,[′salt′=>*p**a**ss*,*P**A**SS**W**OR**D**B**CR**Y**PT*,[′*s**a**l**t*′=>salt]) +- 密钥哈希：HMAC-SHA256(secretKey, message) + +### 3.3 性能优化指标 + +| 指标 | 开放寻址法 | 链表法 | +| ------------ | ---------- | ------ | +| 平均查询时间 | O(1/(1-α)) | O(α) | +| 内存利用率 | 60-70% | 80-90% | +| 最大负载因子 | 0.7 | 1.0+ | +| 并发修改支持 | 困难 | 较容易 | + + + +## 四、未来演进方向 + +- **量子安全哈希**：抗量子计算的Lattice-based哈希算法 +- **同态哈希**：支持密文域计算的哈希方案 +- **AI驱动哈希**：基于神经网络的自适应哈希函数 + +哈希表及其相关算法作为计算机科学的基石，在从单机系统到云原生架构的演进历程中持续发挥着关键作用。理解其核心原理并掌握工程化实践技巧，将帮助开发者在高并发、分布式场景下构建出更健壮、更高效的系统。 diff --git a/docs/data-structure-algorithms/Linked-List.md b/docs/data-structure-algorithms/data-structure/Linked-List.md similarity index 100% rename from docs/data-structure-algorithms/Linked-List.md rename to docs/data-structure-algorithms/data-structure/Linked-List.md diff --git a/docs/data-structure-algorithms/Queue.md b/docs/data-structure-algorithms/data-structure/Queue.md similarity index 90% rename from docs/data-structure-algorithms/Queue.md rename to docs/data-structure-algorithms/data-structure/Queue.md index 30bce5fd26..2c91ca275f 100644 --- a/docs/data-structure-algorithms/Queue.md +++ b/docs/data-structure-algorithms/data-structure/Queue.md @@ -1,25 +1,26 @@ -# 队列 +--- +title: Queue +date: 2023-05-03 +tags: + - Stack +categories: data-structure +--- -## 一、前言 +![](https://img.starfish.ink/data-structure/queue-banner.jpg) + +> 队列（queue）是一种采用先进先出(FIFO)策略的抽象数据结构，它的想法来自于生活中排队的策略。顾客在付款结账的时候，按照到来的先后顺序排队结账，先来的顾客先结账，后来的顾客后结账。 -队列（queue）是一种采用先进先出(FIFO)策略的抽象数据结构，它的想法来自于生活中排队的策略。顾客在付款结账的时候，按照到来的先后顺序排队结账，先来的顾客先结账，后来的顾客后结账。 +## 一、前言 队列是只允许在一端进行插入操作，而在另一端进行删除操作的线性表。简称FIFO。允许插入的一端称为队尾，允许删除的一端称为队头。 -![](https://img-blog.csdn.net/20160509165022899) +![](https://static001.geekbang.org/resource/image/9e/3e/9eca53f9b557b1213c5d94b94e9dce3e.jpg) 1. 队列是一个有序列表，可以用数组或是链表来实现。 2. 遵循先入先出的原则。即:先存入队列的数据，要先取出。后存入的要后取出 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gibh72i8saj30ve0cmt9d.jpg) - -在 FIFO 数据结构中，将`首先处理添加到队列中的第一个元素`。 - -如上图所示，队列是典型的 FIFO 数据结构。插入（insert）操作也称作入队（enqueue），新元素始终被添加在`队列的末尾`。 删除（delete）操作也被称为出队（dequeue)。 你只能移除`第一个元素`。 - - ## 二、基本属性 @@ -85,13 +86,11 @@ public interface MyQueue { ### 3.1 基于数组实现的队列 -- 队列本身是有序列表，若使用数组的结构来存储队列的数据，则队列数组的声明如下图，其中 capacity是该队列的最大容量。 -- 因为队列的输出、输入是分别从前后端来处理，因此需要两个变量 front 及 rear 分别记录队列前后端的下标， **front 会随着数据输出而改变，而 rear 则是随着数据输入而改变**，如图所示： - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1ggwdz93z62j30jk074whg.jpg) +- 队列本身是有序列表，若使用数组的结构来存储队列的数据，则队列数组的声明如下图，其中 capacity 是该队列的最大容量。 +- 因为队列的输出、输入是分别从前后端来处理，因此需要两个变量 front 及 rear 分别记录队列前后端的下标， **front 会随着数据输出而改变，而 rear 则是随着数据输入而改变**、 - 当我们将数据存入队列时的处理需要有两个步骤: - 1. 将尾指针往后移：`rear+1` , 当 `front == rear`队列为空 + 1. 将尾指针往后移：`rear+1` , 当 `front == rear` 队列为空 2. 若尾指针 rear 小于队列的最大下标 `capacity-1`，则将数据存入 rear 所指的数组元素中，否则无法存入数据，即队列满了。 ```java @@ -149,15 +148,17 @@ public class MyArrayQueue implements MyQueue { } ``` +### 3.2 基于链表实现的队列 +链表实现的队列没有固定的大小限制，可以动态地添加更多的元素。这种方式更加灵活，有效避免了空间浪费，但其操作可能比数组实现稍微复杂一些，因为需要处理节点之间的链接。 -**缺点** -上面的实现很简单，但在某些情况下效率很低。 -假设我们分配一个最大长度为 5 的数组。当队列满时，我们想要循环利用的空间的话，在执行取出队首元素的时候，我们就必须将数组中其他所有元素都向前移动一个位置，时间复杂度就变成了 $O(n)$ +## 四、队列的变体 +上面的实现很简单，但在某些情况下效率很低。 +假设我们分配一个最大长度为 5 的数组。当队列满时，我们想要循环利用的空间的话，在执行取出队首元素的时候，我们就必须将数组中其他所有元素都向前移动一个位置，时间复杂度就变成了 $O(n)$ ![img](https://aliyun-lc-upload.oss-cn-hangzhou.aliyuncs.com/aliyun-lc-upload/uploads/2018/07/21/screen-shot-2018-07-21-at-153713.png) @@ -170,7 +171,7 @@ public class MyArrayQueue implements MyQueue { 为了提高运算的效率，我们用另一种方式来表达数组中各单元的位置关系，将数组看做是一个环形的。当 rear 到达数组的最大下标时，重新指回数组下标为`0`的位置，这样就避免了数据迁移的低效率问题。 -![image-20200720140533762](C:\Users\jiahaixin\AppData\Roaming\Typora\typora-user-images\image-20200720140533762.png) +![](/Users/starfish/oceanus/picBed/data-structure/cycle-queue.png) 用循环数组实现的队列称为循环队列，我们将循环队列中从对首到队尾的元素按逆时针方向存放在循环数组中的一段连续的单元中。当新元素入队时，将队尾指针 rear 按逆时针方向移动一位即可，出队操作也很简单，只要将对首指针 front 逆时针方向移动一位即可。 @@ -435,9 +436,13 @@ public class MyPriorityQueue { -## 队列的应用 +## 五、队列的应用 +队列在计算机科学的许多领域都有应用，包括： +- **操作系统**：在多任务处理和调度中，队列用来管理进程执行的顺序。 +- **网络**：在数据包的传输中，队列帮助管理数据包的发送顺序和处理。 +- **算法**：在广度优先搜索（BFS）等算法中，队列用于存储待处理的节点。 diff --git a/docs/data-structure-algorithms/Skip-List.md b/docs/data-structure-algorithms/data-structure/Skip-List.md similarity index 99% rename from docs/data-structure-algorithms/Skip-List.md rename to docs/data-structure-algorithms/data-structure/Skip-List.md index dacfdfde16..ad767655f8 100644 --- a/docs/data-structure-algorithms/Skip-List.md +++ b/docs/data-structure-algorithms/data-structure/Skip-List.md @@ -1,4 +1,10 @@ -# 跳表 +--- +title: 跳表 +date: 2023-05-09 +tags: + - Skip List +categories: data-structure +--- ![](https://img.starfish.ink/data-structure/skiplist-banner.png) diff --git a/docs/data-structure-algorithms/data-structure/Stack.md b/docs/data-structure-algorithms/data-structure/Stack.md new file mode 100644 index 0000000000..4e8996f3a0 --- /dev/null +++ b/docs/data-structure-algorithms/data-structure/Stack.md @@ -0,0 +1,546 @@ +--- +title: Stack +date: 2023-05-09 +tags: + - Stack +categories: data-structure +--- + +![](https://img.starfish.ink/spring/stack-banner.png) + +> 栈（stack）又名堆栈，它是**一种运算受限的线性表**。 限定仅在表尾进行插入和删除操作的线性表。 + + + +## 一、概述 + +### 定义 + +注意：本文所说的栈是数据结构中的栈，而不是内存模型中栈。 + +栈（stack）是限定仅在表尾一端进行插入或删除操作的**特殊线性表**。又称为堆栈。 + +对于栈来说, 允许进行插入或删除操作的一端称为栈顶（top），而另一端称为栈底（bottom）。不含元素栈称为空栈，向栈中插入一个新元素称为入栈或压栈， 从栈中删除一个元素称为出栈或退栈。 + +假设有一个栈Ｓ＝（a1, a2, …, an)，a1先进栈， an最后进栈。称 a1 为栈底元素，an 为栈顶元素。出栈时只允许在栈顶进行，所以 an 先出栈，a1最后出栈。因此又称栈为后进先出（Last In First Out，LIFO）的线性表。 + +栈（stack），是一种线性存储结构，它有以下几个特点： + +- 栈中数据是按照"后进先出（LIFO, Last In First Out）"方式进出栈的。 +- 向栈中添加/删除数据时，只能从栈顶进行操作。 + +![](https://img.starfish.ink/data-structure/applications-of-stack-in-data-structure.png) + + + +### 基本操作 + +栈的基本操作除了进栈 `push()`，出栈 `pop()` 之外，还有判空 `isEmpty()`、取栈顶元素 `peek()` 等操作。 + +抽象成接口如下： + +```java +public interface MyStack { + + /** + * 返回堆栈的大小 + */ + public int getSize(); + + /** + * 判断堆栈是否为空 + */ + public boolean isEmpty(); + + /** + * 入栈 + */ + public void push(Object e); + + /** + * 出栈，并删除 + */ + public Object pop(); + + /** + * 返回栈顶元素 + */ + public Object peek(); +} +``` + + + +和线性表类似，栈也有两种存储结构：顺序存储和链式存储。 + +实际上，栈既可以用数组来实现，也可以用链表来实现。用数组实现的栈，我们叫作**顺序栈**，用链表实现的栈，我们叫作**链式栈**。 + +## 二、栈的顺序存储与实现 + +顺序栈是使用顺序存储结构实现的栈，即利用一组地址连续的存储单元依次存放栈中的数据元素。由于栈是一种特殊的线性表，因此在线性表的顺序存储结构的基础上，选择线性表的一端作为栈顶即可。那么根据数组操作的特性，选择数组下标大的一端，即线性表顺序存储的表尾来作为栈顶，此时入栈、出栈操作可以 $O(1)$ 时间完成。 + +由于栈的操作都是在栈顶完成，因此在顺序栈的实现中需要附设一个指针 top 来动态地指示栈顶元素在数组中的位置。通常 top 可以用栈顶元素所在的数组下标来表示，`top=-1` 时表示空栈。 + +栈在使用过程中所需的最大空间难以估计，所以，一般构造栈的时候不应设定最大容量。一种合理的做法和线性表类似，先为栈分配一个基本容量，然后在实际的使用过程中，当栈的空间不够用时再倍增存储空间。 + +```java +public class MyArrayStack implements MyStack { + + private final int capacity = 2; //默认容量 + private Object[] arrs; //数据元素数组 + private int top; //栈顶指针 + + MyArrayStack(){ + top = -1; + arrs = new Object[capacity]; + } + + public int getSize() { + return top + 1; + } + + public boolean isEmpty() { + return top < 0; + } + + public void push(Object e) { + if(getSize() >= arrs.length){ + expandSapce(); //扩容 + } + arrs[++top]=e; + } + + private void expandSapce() { + Object[] a = new Object[arrs.length * 2]; + for (int i = 0; i < arrs.length; i++) { + a[i] = arrs[i]; + } + arrs = a; + } + + public Object pop() { + if(getSize()<1){ + throw new RuntimeException("栈为空"); + } + Object obj = arrs[top]; + arrs[top--] = null; + return obj; + } + + public Object peek() { + if(getSize()<1){ + throw new RuntimeException("栈为空"); + } + return arrs[top]; + } +} +``` + +以上基于数据实现的栈代码并不难理解。由于有 top 指针的存在，所以`size()`、`isEmpty()`方法均可在 $O(1) $ 时间内完成。`push()`、`pop()`和`peek()`方法，除了需要`ensureCapacity()`外，都执行常数基本操作，因此它们的运行时间也是 $O(1)$ + + + +## 三、栈的链式存储与实现 + +栈的链式存储即采用链表实现栈。当采用单链表存储线性表后，根据单链表的操作特性选择单链表的头部作为栈顶，此时，入栈和出栈等操作可以在 $O(1)$ 时间内完成。 + +由于栈的操作只在线性表的一端进行，在这里使用带头结点的单链表或不带头结点的单链表都可以。使用带头结点的单链表时，结点的插入和删除都在头结点之后进行；使用不带头结点的单链表时，结点的插入和删除都在链表的首结点上进行。 + +下面以不带头结点的单链表为例实现栈，如下示意图所示： + +![](https://img.starfish.ink/data-structure/stack-linked.png) + +在上图中，top 为栈顶结点的引用，始终指向当前栈顶元素所在的结点。若 top 为null，则表示空栈。入栈操作是在 top 所指结点之前插入新的结点，使新结点的 next 域指向 top，top 前移即可；出栈则直接让 top 后移即可。 + +```java +public class MyLinkedStack implements MyStack { + + class Node { + private Object element; + private Node next; + + public Node() { + this(null, null); + } + + public Node(Object ele, Node next) { + this.element = ele; + this.next = next; + } + + public Node getNext() { + return next; + } + + public void setNext(Node next) { + this.next = next; + } + + public Object getData() { + return element; + } + + public void setData(Object obj) { + element = obj; + } + } + + private Node top; + private int size; + + public MyLinkedStack() { + top = null; + size = 0; + } + + public int getSize() { + return size; + } + + public boolean isEmpty() { + return size == 0; + } + + public void push(Object e) { + Node node = new Node(e, top); + top = node; + size++; + } + + public Object pop() { + if (size < 1) { + throw new RuntimeException("堆栈为空"); + } + Object obj = top.getData(); + top = top.getNext(); + size--; + return obj; + } + + public Object peek() { + if (size < 1) { + throw new RuntimeException("堆栈为空"); + } + return top.getData(); + } +} +``` + +上述 `MyLinkedStack` 类中有两个成员变量，其中 `top` 表示首结点，也就是栈顶元素所在的结点；`size` 指示栈的大小，即栈中数据元素的个数。不难理解，所有的操作均可以在 $O(1)$ 时间内完成。 + + + +## 四、JDK 中的栈实现 Stack + +Java 工具包中的 Stack 是继承于 Vector(矢量队列)的，由于 Vector 是通过数组实现的，这就意味着，Stack 也是通过数组实现的，而非链表。当然，我们也可以将 LinkedList 当作栈来使用。 + +### Stack的继承关系 + +```java +java.lang.Object + java.util.AbstractCollection + java.util.AbstractList + java.util.Vector + java.util.Stack + +public class Stack extends Vector {} +``` + + + + + +## 五、栈应用 + +栈有一个很重要的应用，在程序设计语言里实现了递归。 + +### [20. 有效的括号](https://leetcode.cn/problems/valid-parentheses/) + +>给定一个只包括 `'('`，`')'`，`'{'`，`'}'`，`'['`，`']'` 的字符串，判断字符串是否有效。 +> +>有效字符串需满足： +> +>1. 左括号必须用相同类型的右括号闭合。 +>2. 左括号必须以正确的顺序闭合。 +> +>注意空字符串可被认为是有效字符串。 +> +>``` +>输入: "{[]}" +>输出: true +>输入: "([)]" +>输出: false +>``` + +**思路** + +左括号进栈，右括号匹配出栈 + +- 栈先入后出特点恰好与本题括号排序特点一致，即若遇到左括号时，把右括号入栈，遇到右括号时将对应栈顶元素与其对比并出栈，相同的话说明匹配，继续遍历，遍历完所有括号后 `stack` 仍然为空，说明是有效的。 + +```java + public boolean isValid(String s) { + if(s.isEmpty()) { + return true; + } + Stack stack=new Stack(); + //字符串转为字符串数组 遍历 + for(char c:s.toCharArray()){ + if(c=='(') { + stack.push(')'); + } else if(c=='{') { + stack.push('}'); + } else if(c=='[') { + stack.push(']'); + } else if(stack.empty()||c!=stack.pop()) { + return false; + } + } + return stack.empty(); + } +``` + + + +### [739. 每日温度](https://leetcode.cn/problems/daily-temperatures/) + +>给定一个整数数组 `temperatures` ，表示每天的温度，返回一个数组 `answer` ，其中 `answer[i]` 是指对于第 `i`天，下一个更高温度出现在几天后。如果气温在这之后都不会升高，请在该位置用 `0` 来代替。 +> +>``` +>输入: temperatures = [73,74,75,71,69,72,76,73] +>输出: [1,1,4,2,1,1,0,0] +>``` + +**思路**： + +维护一个存储下标的单调栈，从栈底到栈顶的下标对应的温度列表中的温度依次递减。如果一个下标在单调栈里，则表示尚未找到下一次温度更高的下标。 + +正向遍历温度列表。 + +1. 栈为空，先入栈 +2. 如果栈内有元素，用栈顶元素对应的温度和当前温度比较，temperatures[i] > temperatures[pre] 的话，就把栈顶元素移除，把 pre 对应的天数设置为 i-pre，重复操作区比较，知道栈为空或者栈顶元素对应的温度小于当前问题，把当前温度索引入栈 + +```java + public int[] dailyTemperatures_stack(int[] temperatures) { + int length = temperatures.length; + int[] result = new int[length]; + Stack stack = new Stack<>(); + for (int i = 0; i < length; i++) { + while (!stack.isEmpty() && temperatures[i] > temperatures[stack.peek()]) { + int pre = stack.pop(); + result[pre] = i - pre; + } + stack.add(i); + } + return result; + } +``` + + + +### [150. 逆波兰表达式求值](https://leetcode.cn/problems/evaluate-reverse-polish-notation/) + +> 给你一个字符串数组 `tokens` ，表示一个根据 [逆波兰表示法](https://baike.baidu.com/item/逆波兰式/128437) 表示的算术表达式。 +> +> 请你计算该表达式。返回一个表示表达式值的整数。 +> +> **注意：** +> +> - 有效的算符为 `'+'`、`'-'`、`'*'` 和 `'/'` 。 +> - 每个操作数（运算对象）都可以是一个整数或者另一个表达式。 +> - 两个整数之间的除法总是 **向零截断** 。 +> - 表达式中不含除零运算。 +> - 输入是一个根据逆波兰表示法表示的算术表达式。 +> - 答案及所有中间计算结果可以用 **32 位** 整数表示。 +> +> ``` +> 输入：tokens = ["4","13","5","/","+"] +> 输出：6 +> 解释：该算式转化为常见的中缀算术表达式为：(4 + (13 / 5)) = 6 +> ``` + +> **逆波兰表达式：** +> +> 逆波兰表达式是一种后缀表达式，所谓后缀就是指算符写在后面。 +> +> - 平常使用的算式则是一种中缀表达式，如 `( 1 + 2 ) * ( 3 + 4 )` 。 +> - 该算式的逆波兰表达式写法为 `( ( 1 2 + ) ( 3 4 + ) * )` 。 +> +> 逆波兰表达式主要有以下两个优点： +> +> - 去掉括号后表达式无歧义，上式即便写成 `1 2 + 3 4 + * `也可以依据次序计算出正确结果。 +> - 适合用栈操作运算：遇到数字则入栈；遇到算符则取出栈顶两个数字进行计算，并将结果压入栈中 + +**思路**：逆波兰表达式严格遵循「从左到右」的运算。 + +计算逆波兰表达式的值时，使用一个栈存储操作数，从左到右遍历逆波兰表达式，进行如下操作： + +- 如果遇到操作数，则将操作数入栈； + +- 如果遇到运算符，则将两个操作数出栈，其中先出栈的是右操作数，后出栈的是左操作数，使用运算符对两个操作数进行运算，将运算得到的新操作数入栈。 + +整个逆波兰表达式遍历完毕之后，栈内只有一个元素，该元素即为逆波兰表达式的值。 + +```java + public int evalRPN(String[] tokens) { + List charts = Arrays.asList("+", "-", "*", "/"); + Stack stack = new Stack<>(); + for (String s : tokens) { + if (!charts.contains(s)) { + stack.push(Integer.parseInt(s)); + } else { + int num2 = stack.pop(); + int num1 = stack.pop(); + switch (s) { + case "+": + stack.push(num1 + num2); + break; + case "-": + stack.push(num1 - num2); + break; + case "*": + stack.push(num1 * num2); + break; + case "/": + stack.push(num1 / num2); + break; + } + } + } + return stack.peek(); + } +} +``` + + + +### [155. 最小栈](https://leetcode.cn/problems/min-stack/) + +> 设计一个支持 `push` ，`pop` ，`top` 操作，并能在常数时间内检索到最小元素的栈。 +> +> 实现 `MinStack` 类: +> +> - `MinStack()` 初始化堆栈对象。 +> - `void push(int val)` 将元素val推入堆栈。 +> - `void pop()` 删除堆栈顶部的元素。 +> - `int top()` 获取堆栈顶部的元素。 +> - `int getMin()` 获取堆栈中的最小元素。 + +**思路**： 添加一个辅助栈，这个栈同时保存的是每个数字 `x` 进栈的时候的**值 与 插入该值后的栈内最小值**。 + +```java +import java.util.Stack; + +public class MinStack { + + // 数据栈 + private Deque data; + // 辅助栈 + private Deque helper; + + public MinStack() { + data = new LinkedList(); + helper = new LinkedList(); + helper.push(Integer.MAX_VALUE); + } + + public void push(int x) { + data.push(x); + helper.push(Math.min(helper.peek(), x)); + } + + public void pop() { + data.pop(); + helper.pop(); + } + + public int top() { + return data.peek(); + } + + public int getMin() { + return helper.peek(); + } + +} +``` + + + +### [227. 基本计算器 II](https://leetcode.cn/problems/basic-calculator-ii/) + +> 给你一个字符串表达式 `s` ，请你实现一个基本计算器来计算并返回它的值。 +> +> 整数除法仅保留整数部分。 +> +> 你可以假设给定的表达式总是有效的。所有中间结果将在 `[-231, 231 - 1]` 的范围内。 +> +> **注意：**不允许使用任何将字符串作为数学表达式计算的内置函数，比如 `eval()` 。 +> +> ``` +> 输入：s = "3+2*2" +> 输出：7 +> ``` + +**思路**：和逆波兰表达式有点像 + +- 加号：将数字压入栈； +- 减号：将数字的相反数压入栈； +- 乘除号：计算数字与栈顶元素，并将栈顶元素替换为计算结果。 + +> 这个得先知道怎么把字符串形式的正整数转成 int +> +> ```java +> String s = "458"; +> +> int n = 0; +> for (int i = 0; i < s.length(); i++) { +> char c = s.charAt(i); +> n = 10 * n + (c - '0'); +> } +> // n 现在就等于 458 +> ``` +> +> 这个还是很简单的吧，老套路了。但是即便这么简单，依然有坑：**`(c - '0')` 的这个括号不能省略，否则可能造成整型溢出**。 +> +> 因为变量 `c` 是一个 ASCII 码，如果不加括号就会先加后减，想象一下 `s` 如果接近 INT_MAX，就会溢出。所以用括号保证先减后加才行。 + +```java + public static int calculate(String s) { + Stack stack = new Stack<>(); + int length = s.length(); + int num = 0; + char operator = '+'; + for (int i = 0; i < length; i++) { + if (Character.isDigit(s.charAt(i))) { + // 转为 int + num = num * 10 + (s.charAt(i) - '0'); + } + // 计算符 （排除空格） + if (!Character.isDigit(s.charAt(i)) && s.charAt(i) != ' ' || i == length - 1) { + // switch (s.charAt(i)){ 这里是要和操作符比对，考虑第一次 + switch (operator) { + case '+': + stack.push(num); + break; + case '-': + stack.push(-num); + break; + case '*': + stack.push(stack.pop() * num); + break; + default: + stack.push(stack.pop() / num); + } + operator = s.charAt(i); + num = 0; + } + } + int result = 0; + while (!stack.isEmpty()) { + result += stack.pop(); + } + return result; + } +``` + diff --git a/docs/data-structure-algorithms/soultion/.DS_Store b/docs/data-structure-algorithms/soultion/.DS_Store index 286a850337..57bc0bb425 100644 Binary files a/docs/data-structure-algorithms/soultion/.DS_Store and b/docs/data-structure-algorithms/soultion/.DS_Store differ diff --git a/docs/data-structure-algorithms/soultion/Array-Solution.md b/docs/data-structure-algorithms/soultion/Array-Solution.md index 0143da45ea..1462dee476 100755 --- a/docs/data-structure-algorithms/soultion/Array-Solution.md +++ b/docs/data-structure-algorithms/soultion/Array-Solution.md @@ -1,5 +1,326 @@ +--- +title: 数组-热题 +date: 2025-01-08 +tags: + - Array + - algorithms +categories: leetcode +--- + +![](https://img.starfish.ink/leetcode/leetcode-banner.png) + +> **导读**：数组是最基础的数据结构，也是面试中最高频的考点。数组题目看似简单，但往往需要巧妙的算法技巧才能高效解决。掌握双指针、滑动窗口、前缀和等核心技巧是解决数组问题的关键。 +> +> **关键词**：双指针、滑动窗口、前缀和、哈希表、排序 + + +### 📋 分类索引 + +1. **🔥 双指针技巧类**：[三数之和](#_15-三数之和)、[盛最多水的容器](#_11-盛最多水的容器)、[移动零](#_283-移动零)、[颜色分类](#_75-颜色分类)、[接雨水](#_42-接雨水) +2. **🔍 哈希表优化类**：[两数之和](#_1-两数之和)、[字母异位词分组](#_49-字母异位词分组)、[最长连续序列](#_128-最长连续序列)、[存在重复元素](#_217-存在重复元素) +3. **🪟 滑动窗口类**：[无重复字符的最长子串](#_3-无重复字符的最长子串)、最小覆盖子串 +4. **📊 前缀和技巧类**：[和为K的子数组](#_560-和为-k-的子数组)、[最大子数组和](#_53-最大子数组和)、[除自身以外数组的乘积](#_238-除自身以外数组的乘积) +5. **🔄 排序与搜索类**：[合并区间](#_56-合并区间)、[数组中的第K个最大元素](#_215-数组中的第k个最大元素)、[寻找重复数](#_287-寻找重复数)、[下一个排列](#_31-下一个排列)、[搜索旋转排序数组](#_33-搜索旋转排序数组) +6. **⚡ 原地算法类**：[合并两个有序数组](#_88-合并两个有序数组)、[旋转数组](#_189-旋转数组) +7. **🧮 数学技巧类**：[只出现一次的数字](#_136-只出现一次的数字)、[多数元素](#_169-多数元素)、[找到所有数组中消失的数字](#_448-找到所有数组中消失的数字)、[缺失的第一个正数](#_41-缺失的第一个正数) +8. **🎯 综合应用类**：[买卖股票的最佳时机](#_121-买卖股票的最佳时机)、[乘积最大子数组](#_152-乘积最大子数组)、[子集](#_78-子集)、[跳跃游戏](#_55-跳跃游戏)、[跳跃游戏 II](#_45-跳跃游戏-ii)、[最长公共前缀](#_14-最长公共前缀)、[螺旋矩阵](#_54-螺旋矩阵) + +### 🎯 核心考点概览 + +- **双指针技巧**：快慢指针、左右指针、滑动窗口 +- **哈希表优化**：空间换时间，$O(1)$查找 +- **前缀和技巧**：区间求和，子数组问题 +- **排序与搜索**：二分查找、快速选择 +- **原地算法**：$O(1)$空间复杂度优化 + +### 📝 解题万能模板 + +#### 基础模板 + +```java +// 双指针模板 +int left = 0, right = nums.length - 1; +while (left < right) { + if (condition) { + left++; + } else { + right--; + } +} + +// 滑动窗口模板 +int left = 0, right = 0; +while (right < nums.length) { + // 扩展窗口 + window.add(nums[right]); + right++; + + while (window needs shrink) { + // 收缩窗口 + window.remove(nums[left]); + left++; + } +} + +// 前缀和模板 +int[] prefixSum = new int[nums.length + 1]; +for (int i = 0; i < nums.length; i++) { + prefixSum[i + 1] = prefixSum[i] + nums[i]; +} +``` + +#### 边界检查清单 + +- ✅ 空数组：`if (nums == null || nums.length == 0) return ...` +- ✅ 单元素：`if (nums.length == 1) return ...` +- ✅ 数组越界：确保索引在有效范围内 +- ✅ 整数溢出：使用long或检查边界 + +#### 💡 记忆口诀（朗朗上口版） + +- **双指针**："左右夹逼找目标，快慢追踪解环题" +- **滑动窗口**："右扩左缩维护窗，条件满足就更新" +- **前缀和**："累积求和建数组，区间相减得答案" +- **哈希表**："空间换时间来优化，常数查找是关键" +- **二分查找**："有序数组用二分，对数时间最高效" +- **原地算法**："双指针巧妙来交换，空间复杂度为一" + +**最重要的一个技巧就是，你得行动，写起来** + + + +## 一、双指针技巧类（核心中的核心）🔥 + +**💡 核心思想** + +- **左右指针**：从两端向中间逼近，解决对撞类问题 +- **快慢指针**：不同速度遍历，解决环形、去重问题 +- **滑动窗口**：双指针维护窗口，解决子数组问题 + +**🎯 必掌握模板** + +```java +// 左右指针模板 +int left = 0, right = nums.length - 1; +while (left < right) { + if (sum < target) { + left++; + } else if (sum > target) { + right--; + } else { + // 找到答案 + return ...; + } +} +``` + +### [15. 三数之和](https://leetcode-cn.com/problems/3sum/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：双指针经典** + +> 给你一个包含 n 个整数的数组 nums，判断 nums 中是否存在三个元素 a，b，c ，使得 a + b + c = 0 ？请你找出所有和为 0 且不重复的三元组。 + +**💡 核心思路**：排序后双指针 + +```java +public List> threeSum(int[] nums) { + //存放结果list + List> result = new ArrayList<>(); + int length = nums.length; + //特例判断 + if (length < 3) { + return result; + } + Arrays.sort(nums); + for (int i = 0; i < length; i++) { + //排序后的第一个数字就大于0，就说明没有符合要求的结果 + if (nums[i] > 0) break; + + //去重，当起始的值等于前一个元素，那么得到的结果将会和前一次相同，不能是 nums[i] == nums[i +1 ]，会造成遗漏 + if (i > 0 && nums[i] == nums[i - 1]) continue; + //左右指针 + int l = i + 1; + int r = length - 1; + while (l < r) { + int sum = nums[i] + nums[l] + nums[r]; + if (sum == 0) { + result.add(Arrays.asList(nums[i], nums[l], nums[r])); + //去重（相同数字的话就移动指针） + //在将左指针和右指针移动的时候，先对左右指针的值，进行判断,以防[0,0,0]这样的造成数组越界 + //不要用成 if 判断，只跳过 1 条，还会有重复的 + while (l< r && nums[l] == nums[l + 1]) l++; + while (l< r && nums[r] == nums[r - 1]) r--; + //移动指针 + l++; + r--; + } else if (sum < 0) l++; + else if (sum > 0) r--; + } + } + return result; +} +``` + +### [11. 盛最多水的容器](https://leetcode-cn.com/problems/container-with-most-water/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：双指针应用** + +> 给你 n 个非负整数 a1，a2，...，an，每个数代表坐标中的一个点 (i, ai) 。在坐标内画 n 条垂直线，垂直线 i 的两个端点分别为 (i, ai) 和 (i, 0) 。找出其中的两条线，使得它们与 x 轴共同构成的容器可以容纳最多的水。 + +**💡 核心思路**：双指针 + +水量 = 两个指针指向的数字中较小值∗指针之间的距离 + +```java +public int maxArea(int[] height){ + int l = 0; + int r = height.length - 1; + int ans = 0; + while(l < r){ + int area = Math.min(height[l], height[r]) * (r - l); + ans = Math.max(ans,area); + if(height[l] < height[r]){ + l ++; + }else { + r --; + } + } + return ans; +} +``` + +### [283. 移动零](https://leetcode-cn.com/problems/move-zeroes/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：双指针基础** + +> 给定一个数组 nums，编写一个函数将所有 0 移动到数组的末尾，同时保持非零元素的相对顺序。 + +**💡 核心思路**：双指针法，当快指针指向非零元素时，将其与慢指针指向的元素交换，然后慢指针向前移动一位。 + +```java +public void moveZero(int[] nums) { + int j = 0; //慢指针 + for (int i = 0; i < nums.length; i++) { + if (nums[i] != 0) { + nums[j++] = nums[i]; // 直接将非零元素放到j指针位置，并移动j指针 + } + } + // 将j指针之后的所有元素置为零 + for (int i = j; i < nums.length; i++) { + nums[i] = 0; + } +} +``` + +### [75. 颜色分类](https://leetcode.cn/problems/sort-colors/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：三指针技巧** + +> 给定一个包含红色（0）、白色（1）、蓝色（2）的数组 `nums`，要求你对它们进行排序，使得相同颜色相邻，并按照红、白、蓝的顺序排列。 + +**💡 核心思路**：双指针（荷兰国旗问题）。用 3 个指针遍历数组。 + +这题被称为 **荷兰国旗问题 (Dutch National Flag Problem)**。 + 用 **三个指针** 解决： + +- `low`：下一个 0 应该放置的位置 +- `high`：下一个 2 应该放置的位置 +- `i`：当前遍历位置 + +规则： + +1. 如果 `nums[i] == 0` → 和 `nums[low]` 交换，`low++，i++` +2. 如果 `nums[i] == 1` → 正常情况，`i++` +3. 如果 `nums[i] == 2` → 和 `nums[high]` 交换，`high--`，**但 i 不++**，因为换过来的数还要检查 + +这样一次遍历就能完成排序。 + +```java +public void sortColors(int[] nums) { + int left = 0, right = nums.length - 1, curr = 0; + while (curr <= right) { + if (nums[curr] == 0) { + swap(nums, curr++, left++); + } else if (nums[curr] == 2) { + swap(nums, curr, right--); + } else { + curr++; + } + } +} + +private void swap(int[] nums, int i, int j) { + int temp = nums[i]; + nums[i] = nums[j]; + nums[j] = temp; +} +``` + +### [42. 接雨水](https://leetcode.cn/problems/trapping-rain-water/) + +**🎯 考察频率：极高 | 难度：困难 | 重要性：双指针+贪心** + +> 给定 n 个非负整数表示每个宽度为 1 的柱子的高度图，计算按此排列的柱子，下雨之后能够接多少雨水。 + +**💡 核心思路**：双指针法 + +```java +public int trap(int[] height) { + int left = 0, right = height.length - 1; + int leftMax = 0, rightMax = 0; + int result = 0; + + while (left < right) { + if (height[left] < height[right]) { + if (height[left] >= leftMax) { + leftMax = height[left]; + } else { + result += leftMax - height[left]; + } + left++; + } else { + if (height[right] >= rightMax) { + rightMax = height[right]; + } else { + result += rightMax - height[right]; + } + right--; + } + } + return result; +} +``` + + + +--- + +## 二、哈希表优化类（空间换时间）🔍 + +**💡 核心思想** + +- **O(1)查找**：利用哈希表常数时间查找特性 +- **空间换时间**：用额外空间降低时间复杂度 +- **去重与计数**：处理重复元素和频次统计 + +**🎯 必掌握模板** + +```java +// 哈希表查找模板 +Map map = new HashMap<>(); +for (int i = 0; i < nums.length; i++) { + if (map.containsKey(target - nums[i])) { + // 找到答案 + return new int[]{map.get(target - nums[i]), i}; + } + map.put(nums[i], i); +} +``` + ### [1. 两数之和](https://leetcode-cn.com/problems/two-sum/) +**🎯 考察频率：极高 | 难度：简单 | 重要性：哈希表经典** + > 给定一个整数数组 nums 和一个目标值 target，请你在该数组中找出和为目标值的那两个整数，并返回他们的数组下标。 > > 你可以假设每种输入只会对应一个答案。但是，数组中同一个元素不能使用两遍。 @@ -10,127 +331,734 @@ > 解释：因为 nums[0] + nums[1] == 9 ，返回 [0, 1] 。 > ``` -**思路**：哈希表 +**思路**：哈希表 + +```java +public static int[] twoSum(int[] nums,int target){ + Map map = new HashMap<>(); + for (int i = 0; i < nums.length; i++) { + int temp = target - nums[i]; + if(map.containsKey(temp)){ + return new int[]{map.get(temp),i}; + } + map.put(nums[i],i); + } + return new int[]{-1,-1}; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(N)，其中 N 是数组中的元素数量。对于每一个元素 x，我们可以 O(1) 地寻找 target - x。 +- **空间复杂度**：O(N)，其中 N 是数组中的元素数量。主要为哈希表的开销。 + +### [49. 字母异位词分组](https://leetcode.cn/problems/group-anagrams/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：分组统计经典** + +> 给你一个字符串数组，请你将 **字母异位词** 组合在一起。可以按任意顺序返回结果列表。 +> +> **字母异位词** 是由重新排列源单词的所有字母得到的一个新单词。 +> +> ``` +> 输入: strs = ["eat", "tea", "tan", "ate", "nat", "bat"] +> 输出: [["bat"],["nat","tan"],["ate","eat","tea"]] +> ``` + +**思路**：哈希表。键是字符串中的字符排序后的字符串，值是具有相同键的原始字符串列表 + +```java +public List> groupAnagrams(String[] strs) { + Map> map = new HashMap<>(); + + for (String str : strs) { + // 将字符串转换为字符数组并排序 + char[] chars = str.toCharArray(); + Arrays.sort(chars); + + // 将排序后的字符数组转换回字符串，作为哈希表的键 + String key = new String(chars); + + // 如果键不存在于哈希表中，则创建新的列表并添加到哈希表中 + if (!map.containsKey(key)) { + map.put(key, new ArrayList<>()); + } + + // 将原始字符串添加到对应的列表中 + map.get(key).add(str); + } + + // 返回哈希表中所有值的列表 + return new ArrayList<>(map.values()); + } +``` + +- 时间复杂度：$O(nklogk)$，其中 n 是 strs 中的字符串的数量，k 是 strs 中的字符串的的最大长度。需要遍历 n 个字符串，对于每个字符串，需要 O(klogk) 的时间进行排序以及 O(1) 的时间更新哈希表，因此总时间复杂度是 O(nklogk)。 + +- 空间复杂度：$O(nk)$，其中 n 是 strs 中的字符串的数量，k 是 strs 中的字符串的的最大长度。需要用哈希表存储全部字符串 + +### [217. 存在重复元素](https://leetcode-cn.com/problems/contains-duplicate/) + +**🎯 考察频率：简单 | 难度：简单 | 重要性：哈希表基础** + +> 给定一个整数数组，判断是否存在重复元素。如果存在一值在数组中出现至少两次，函数返回 `true` 。如果数组中每个元素都不相同，则返回 `false` 。 + +**💡 核心思路**：哈希表，和两数之和的思路一样 | 或者排序 + +```java +public boolean containsDuplicate(int[] nums){ + Map map = new HashMap<>(); + for(int i=0;i 给定一个未排序的整数数组 `nums` ，找出数字连续的最长序列（不要求序列元素在原数组中连续）的长度。 +> +> 请你设计并实现时间复杂度为 `O(n)` 的算法解决此问题。 +> +> ``` +> 输入：nums = [100,4,200,1,3,2] +> 输出：4 +> 解释：最长数字连续序列是 [1, 2, 3, 4]。它的长度为 4。 +> ``` + +**思路**：哈希表，**每个数都判断一次这个数是不是连续序列的开头那个数** + +```java +public int longestConsecutive(int[] nums) { + Set numSet = new HashSet<>(); + int longestStreak = 0; + + // 将数组中的所有数字添加到哈希表中 + for (int num : nums) { + numSet.add(num); + } + + // 遍历哈希表中的每个数字 + for (int num : numSet) { + // 如果 num-1 不在哈希表中，说明 num 是一个连续序列的起点 + if (!numSet.contains(num - 1)) { + int currentNum = num; + int currentStreak = 1; + + // 检查 num+1, num+2, ... 是否在哈希表中，并计算连续序列的长度 + while (numSet.contains(currentNum + 1)) { + currentNum++; + currentStreak++; + } + + // 更新最长连续序列的长度 + longestStreak = Math.max(longestStreak, currentStreak); + } + } + + return longestStreak; +} +``` + +### [3. 无重复字符的最长子串](https://leetcode.cn/problems/longest-substring-without-repeating-characters/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：滑动窗口经典** + +> 给定一个字符串 s ，请你找出其中不含有重复字符的最长子串的长度。 + +**💡 核心思路**：滑动窗口 + 哈希表 + +```java +public int lengthOfLongestSubstring(String s) { + Set window = new HashSet<>(); + int left = 0, maxLen = 0; + + for (int right = 0; right < s.length(); right++) { + char c = s.charAt(right); + while (window.contains(c)) { + window.remove(s.charAt(left)); + left++; + } + window.add(c); + maxLen = Math.max(maxLen, right - left + 1); + } + return maxLen; +} +``` + +**⏱️ 复杂度分析**： +- **时间复杂度**：O(n) - 每个字符最多被访问两次（一次by right，一次by left） +- **空间复杂度**：O(min(m,n)) - m是字符集大小，n是字符串长度 + + +--- + +## 三、前缀和技巧类（区间计算利器）📊 + +**💡 核心思想** + +- **累积求和**：预处理前缀和数组，快速计算区间和 +- **差值技巧**：利用前缀和差值解决子数组问题 +- **哈希优化**：结合哈希表优化前缀和查找 + +**🎯 必掌握模板** + +```java +// 前缀和模板 +int[] prefixSum = new int[nums.length + 1]; +for (int i = 0; i < nums.length; i++) { + prefixSum[i + 1] = prefixSum[i] + nums[i]; +} +// 区间[i,j]的和 = prefixSum[j+1] - prefixSum[i] + +// 前缀和+哈希表模板 +Map map = new HashMap<>(); +map.put(0, 1); // 前缀和为0出现1次 +int prefixSum = 0; +for (int num : nums) { + prefixSum += num; + if (map.containsKey(prefixSum - k)) { + count += map.get(prefixSum - k); + } + map.put(prefixSum, map.getOrDefault(prefixSum, 0) + 1); +} +``` + +### [560. 和为 K 的子数组](https://leetcode.cn/problems/subarray-sum-equals-k/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：前缀和+哈希表经典** + +> 给你一个整数数组 `nums` 和一个整数 `k` ，请你统计并返回 *该数组中和为 `k` 的子数组的个数* 。 +> +> 子数组是数组中元素的连续非空序列。 +> +> ``` +> 输入：nums = [1,2,3], k = 3 +> 输出：2 +> ``` + +思路：**前缀和 + 哈希表** + +1. **遍历数组**，逐步计算前缀和（表示从数组起始位置到当前位置的所有元素之和） `prefixSum`。 +2. 检查哈希表中是否存在 `prefixSum - k`： + - 若存在，累加其出现次数到结果 `count`。 +3. **更新哈希表**：将当前前缀和存入哈希表，若已存在则次数加 1。![](https://assets.leetcode-cn.com/solution-static/560/3.PNG) + +```java +public int subarraySum(int[] nums, int k) { + int count = 0; + int prefixSum = 0; + Map sumMap = new HashMap<>(); + sumMap.put(0, 1); // 初始化前缀和为0的计数为1 + + for (int num : nums) { + prefixSum += num; + // 检查是否存在前缀和为 prefixSum - k 的键 + if (sumMap.containsKey(prefixSum - k)) { + count += sumMap.get(prefixSum - k); + } + // 更新当前前缀和的次数 + sumMap.put(prefixSum, sumMap.getOrDefault(prefixSum, 0) + 1); + } + return count; +} +``` + +- **时间复杂度**：O(n)，每个元素遍历一次。 +- **空间复杂度**：O(n)，哈希表最多存储 n 个不同的前缀和。 + +### [238. 除自身以外数组的乘积](https://leetcode.cn/problems/product-of-array-except-self/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：前缀乘积** + +> 给你一个整数数组 nums，返回数组 answer ，其中 answer[i] 等于 nums 中除 nums[i] 之外其余各元素的乘积。 + +**💡 核心思路**：左右乘积数组 + +```java +public int[] productExceptSelf(int[] nums) { + int n = nums.length; + int[] answer = new int[n]; + + // 计算左侧所有元素的乘积 + answer[0] = 1; + for (int i = 1; i < n; i++) { + answer[i] = nums[i - 1] * answer[i - 1]; + } + + // 计算右侧所有元素的乘积并更新答案 + int rightProduct = 1; + for (int i = n - 1; i >= 0; i--) { + answer[i] = answer[i] * rightProduct; + rightProduct *= nums[i]; + } + + return answer; +} +``` + + +--- + + + +## 四、排序与搜索类（有序数据处理）🔄 + +**💡 核心思想** + +- **预排序**：先排序再处理，降低问题复杂度 +- **二分查找**：在有序数组中快速定位 +- **快速选择**：基于快排的选择算法 +- **区间处理**：排序后处理重叠区间问题 + +**🎯 必掌握模板** + +```java +// 排序+双指针模板 +Arrays.sort(nums); +int left = 0, right = nums.length - 1; +while (left < right) { + // 处理逻辑 +} + +// 二分查找模板 +int left = 0, right = nums.length - 1; +while (left <= right) { + int mid = left + (right - left) / 2; + if (nums[mid] == target) return mid; + else if (nums[mid] < target) left = mid + 1; + else right = mid - 1; +} +``` + +### [31. 下一个排列](https://leetcode.cn/problems/next-permutation/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：字典序算法** + +> 整数数组的一个 **排列** 就是将其所有成员以序列或线性顺序排列。 +> +> 例如，arr = [1,2,3] ，以下这些都可以视作 arr 的排列：[1,2,3]、[1,3,2]、[3,1,2]、[2,3,1] 。 +> 整数数组的 **下一个排列** 是指其整数的下一个字典序更大的排列。更正式地，如果数组的所有排列根据其字典顺序从小到大排列在一个容器中，那么数组的 **下一个排列** 就是在这个有序容器中排在它后面的那个排列。如果不存在下一个更大的排列，那么这个数组必须重排为字典序最小的排列（即，其元素按升序排列）。 +> +> - 例如，arr = [1,2,3] 的下一个排列是 [1,3,2] 。 +> - 类似地，arr = [2,3,1] 的下一个排列是 [3,1,2] 。 +> - 而 arr = [3,2,1] 的下一个排列是 [1,2,3] ，因为 [3,2,1] 不存在一个字典序更大的排列。 +> +> 给你一个整数数组 nums ，找出 nums 的下一个排列。 +> +> **题干的意思就是**：找出这个数组排序出的所有数中，刚好比当前数大的那个数 +> +> 必须 **原地** 修改，只允许使用额外常数空间。 +> +> ``` +> 输入：nums = [1,2,3] +> 输出：[1,3,2] +> ``` +> +> ``` +> 输入：nums = [3,2,1] +> 输出：[1,2,3] +> ``` + +**💡 核心思路**：两遍扫描算法 + +1. **从右往左找第一个逆序对**：找到 nums[i] < nums[i+1] 的位置 i +2. **从右往左找第一个大于nums[i]的数**：找到位置 j，满足 nums[j] > nums[i] +3. **交换 nums[i] 和 nums[j]** +4. **反转 i+1 到末尾的部分**：使其变为最小的字典序 + +```java +public void nextPermutation(int[] nums) { + // 步骤1：从右向左找到第一个比右边元素小的元素 + int i = nums.length - 2; + while (i >= 0 && nums[i] >= nums[i + 1]) { + i--; + } + + // 步骤2：如果找到这样的元素，再从右向左找第一个比它大的元素并交换 + if (i >= 0) { + int j = nums.length - 1; + while (nums[j] <= nums[i]) { + j--; + } + swap(nums, i, j); + } + + // 步骤3：反转i后面的元素，使其成为最小排列 + reverse(nums, i + 1); +} + +// 交换数组中两个位置的元素 +private void swap(int[] nums, int i, int j) { + int temp = nums[i]; + nums[i] = nums[j]; + nums[j] = temp; +} + +// 反转数组中从start位置到末尾的元素 +private void reverse(int[] nums, int start) { + int left = start; + int right = nums.length - 1; + while (left < right) { + swap(nums, left, right); + left++; + right--; + } +} +``` + +**⏱️ 复杂度分析**： +- **时间复杂度**：O(n) - 最多遍历数组3次 +- **空间复杂度**：O(1) - 只使用了常数级别的额外空间 + + + +### [56. 合并区间](https://leetcode.cn/problems/merge-intervals/) + +> 以数组 `intervals` 表示若干个区间的集合，其中单个区间为 `intervals[i] = [starti, endi]` 。请你合并所有重叠的区间，并返回 *一个不重叠的区间数组，该数组需恰好覆盖输入中的所有区间* 。 +> +> ``` +> 输入：intervals = [[1,3],[2,6],[8,10],[15,18]] +> 输出：[[1,6],[8,10],[15,18]] +> 解释：区间 [1,3] 和 [2,6] 重叠, 将它们合并为 [1,6]. +> ``` + +思路： + +1. **排序** 将区间按起始位置升序排列，使可能重叠的区间相邻，便于合并操作 + + ![](https://pic.leetcode-cn.com/50417462969bd13230276c0847726c0909873d22135775ef4022e806475d763e-56-2.png) + +2. **合并逻辑** + + **遍历判断**：依次遍历排序后的区间，比较当前区间与结果列表中的最后一个区间是否重叠： + + - 重叠条件：当前区间起始 ≤ 结果列表中最后一个区间的结束。 + - 合并操作：更新结果列表中最后一个区间的结束值为两者的最大值。 + - **非重叠条件**：直接将当前区间加入结果列表 + +```java +public int[][] merge(int[][] intervals) { + // 边界条件：空数组直接返回空 + if (intervals.length == 0) return new int[0][]; + + // 按区间起始点升序排序 + Arrays.sort(intervals, (a, b) -> Integer.compare(a[0], b[0])); + + // 结果列表 + List merged = new ArrayList<>(); + merged.add(intervals[0]); // 初始化第一个区间 + + for (int i = 1; i < intervals.length; i++) { + int[] last = merged.get(merged.size() - 1); + int[] current = intervals[i]; + + if (current[0] <= last[1]) { // 重叠，合并区间 + last[1] = Math.max(last[1], current[1]); // 更新结束值为较大值 + } else { // 不重叠，直接添加 + merged.add(current); + } + } + + return merged.toArray(new int[merged.size()][]); // 转换为二维数组 +} +``` + +### [215. 数组中的第K个最大元素](https://leetcode-cn.com/problems/kth-largest-element-in-an-array/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：快速选择算法** + +> 给定整数数组 `nums` 和整数 `k`，请返回数组中第 `k` 个最大的元素。 + +**💡 核心思路**：快速选择算法（基于快排的分治思想） + +```java +class Solution { + Random random = new Random(); + + public int findKthLargest(int[] nums, int k) { + return quickSelect(nums, 0, nums.length - 1, nums.length - k); + } + + public int quickSelect(int[] a, int l, int r, int index) { + int q = randomPartition(a, l, r); + if (q == index) { + return a[q]; + } else { + return q < index ? quickSelect(a, q + 1, r, index) : quickSelect(a, l, q - 1, index); + } + } + + public int randomPartition(int[] a, int l, int r) { + int i = random.nextInt(r - l + 1) + l; + swap(a, i, r); + return partition(a, l, r); + } + + public int partition(int[] a, int l, int r) { + int x = a[r], i = l - 1; + for (int j = l; j < r; ++j) { + if (a[j] <= x) { + swap(a, ++i, j); + } + } + swap(a, i + 1, r); + return i + 1; + } + + public void swap(int[] a, int i, int j) { + int temp = a[i]; + a[i] = a[j]; + a[j] = temp; + } +} +``` + +### [287. 寻找重复数](https://leetcode.cn/problems/find-the-duplicate-number/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：二分查找应用** + +> 给定一个包含 `n + 1` 个整数的数组 `nums` ，其数字都在 `[1, n]` 范围内，可知至少存在一个重复的整数。 + +**💡 核心思路**：二分查找（基于抽屉原理） + +- 利用二分查找的思路，统计数组中小于等于中间值的数的个数 +- 如果个数大于中间值，说明重复数在左半部分，否则在右半部分 + +```java +public int findDuplicate(int[] nums) { + int left = 1; + int right = nums.length - 1; + while (left < right) { + int mid = left + (right - left) / 2; + int count = 0; + for (int num : nums) { + if (num <= mid) { + count++; + } + } + if (count > mid) { + right = mid; + } else { + left = mid + 1; + } + } + return left; +} +``` + +### [33. 搜索旋转排序数组](https://leetcode.cn/problems/search-in-rotated-sorted-array/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：二分查找变体** + +> 整数数组 nums 按升序排列，数组中的值互不相同。在传递给函数之前，nums 在预先未知的某个下标 k 上进行了旋转。 + +**💡 核心思路**：二分查找，判断哪一边是有序的 ```java -public static int[] twoSum(int[] nums,int target){ - Map map = new HashMap<>(); - for (int i = 0; i < nums.length; i++) { - int temp = target - nums[i]; - if(map.containsKey(temp)){ - return new int[]{map.get(temp),i}; +public int search(int[] nums, int target) { + int left = 0, right = nums.length - 1; + + while (left <= right) { + int mid = left + (right - left) / 2; + + if (nums[mid] == target) { + return mid; + } + + // 判断左半部分是否有序 + if (nums[left] <= nums[mid]) { + if (nums[left] <= target && target < nums[mid]) { + right = mid - 1; + } else { + left = mid + 1; + } + } else { // 右半部分有序 + if (nums[mid] < target && target <= nums[right]) { + left = mid + 1; + } else { + right = mid - 1; + } + } } - map.put(nums[i],i); - } - return new int[]{-1,-1}; + + return -1; } ``` -时间复杂度：$O(N)$，其中 N 是数组中的元素数量。对于每一个元素 x，我们可以 $O(1)$ 地寻找 target - x。 +--- -空间复杂度：$O(N)$，其中 N 是数组中的元素数量。主要为哈希表的开销。 +## 五、数学技巧类（巧妙算法优化）🧮 +**💡 核心思想** +- **位运算技巧**：利用异或、与运算等特性 +- **数学性质**：利用数组特殊性质简化问题 +- **原地标记**：不使用额外空间的标记方法 -### [15. 三数之和](https://leetcode-cn.com/problems/3sum/) +**🎯 必掌握模板** -> 给你一个包含 n 个整数的数组 nums，判断 nums 中是否存在三个元素 a，b，c ，使得 a + b + c = 0 ？请你找出所有和为 0 且不重复的三元组。 -> -> 注意：答案中不可以包含重复的三元组。 -> -> ```java -> 输入：nums = [-1,0,1,2,-1,-4] -> 输出：[[-1,-1,2],[-1,0,1]] -> ``` +```java +// 异或运算模板（找单独元素） +int result = 0; +for (int num : nums) { + result ^= num; // 相同元素异或为0，单独元素保留 +} + +// 原地标记模板（数组作为哈希表） +for (int i = 0; i < nums.length; i++) { + int index = Math.abs(nums[i]) - 1; + if (nums[index] > 0) { + nums[index] = -nums[index]; // 标记已访问 + } +} +``` + +### [136. 只出现一次的数字](https://leetcode.cn/problems/single-number/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：异或运算经典** + +> 给你一个非空整数数组 `nums` ，除了某个元素只出现一次以外，其余每个元素均出现两次。找出那个只出现了一次的元素。 + +**💡 核心思路**：异或运算 -**思路**：排序后双指针 +- 初始化结果：result = 0, 任何数和 0 异或都是它本身 +- 由于异或运算的性质，出现两次的数字会被互相抵消，最终 result 就是只出现一次的数字 ```java -public static List> threeSum(int[] nums) { - //存放结果list - List> result = new ArrayList<>(); - int length = nums.length; - //特例判断 - if (length < 3) { +public int singleNumber(int[] nums) { + int result = 0; + for (int num : nums) { + result ^= num; + } return result; - } - Arrays.sort(nums); - for (int i = 0; i < length; i++) { - //排序后的第一个数字就大于0，就说明没有符合要求的结果 - if (nums[i] > 0) break; +} +``` - //去重 - if (i > 0 && nums[i] == nums[i - 1]) continue; - //左右指针 - int l = i + 1; - int r = length - 1; - while (l < r) { - int sum = nums[i] + nums[l] + nums[r]; - if (sum == 0) { - result.add(Arrays.asList(nums[i], nums[l], nums[r])); - //去重（相同数字的话就移动指针） - while (l< r && nums[l] == nums[l + 1]) l++; - while (l< r && nums[r] == nums[r - 1]) r--; - //移动指针 - l++; - r--; - } else if (sum < 0) l++; - else if (sum > 0) r--; +### [169. 多数元素](https://leetcode.cn/problems/majority-element/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：Boyer-Moore算法** + +> 给定一个大小为 `n` 的数组 `nums` ，返回其中的多数元素。多数元素是指在数组中出现次数大于 `⌊ n/2 ⌋` 的元素。 + +**💡 核心思路**：排序后取中间元素 + +```java +class Solution { + public int majorityElement(int[] nums) { + Arrays.sort(nums); + return nums[nums.length / 2]; } - } - return result; } ``` +### [448. 找到所有数组中消失的数字](https://leetcode-cn.com/problems/find-all-numbers-disappeared-in-an-array/) +**🎯 考察频率：中等 | 难度：简单 | 重要性：原地标记** -### [217. 存在重复元素](https://leetcode-cn.com/problems/contains-duplicate/) +> 给你一个含 n 个整数的数组 nums ，其中 nums[i] 在区间 [1, n] 内。请你找出所有在 [1, n] 范围内但没有出现在 nums 中的数字。 -> 给定一个整数数组，判断是否存在重复元素。如果存在一值在数组中出现至少两次，函数返回 `true` 。如果数组中每个元素都不相同，则返回 `false` 。 -> -> ``` -> 输入: [1,2,3,1] -> 输出: true -> ``` -> -> ``` -> 输入: [1,2,3,4] -> 输出: false -> ``` +**💡 核心思路**：原地标记法 + +```java +public static List findNumbers(int[] nums){ + List list = new ArrayList<>(); + int[] x = new int[nums.length + 1]; + // 新建一个数组 x，用来做哈希表，占位标记。 + // 注意：长度是 nums.length + 1，因为我们希望下标范围 0..n， + // 这样 1..n 的数字就能直接映射到数组下标。 + + // 1. 遍历 nums，把出现的数字对应位置标记 + for (int i = 0; i < nums.length; i++) { + x[nums[i]]++; // 出现一次就加一 + } + + // 2. 再遍历 x，找到没出现过的数字 + for (int i = 1; i < x.length; i++) { // 注意从 1 开始，因为 0 不是合法数字 + if(x[i] == 0){ + list.add(i); // 没出现的数字加入结果集 + } + } + + return list; +} +``` + +### [41. 缺失的第一个正数](https://leetcode.cn/problems/first-missing-positive/) -**思路**：哈希，和两数之和的思路一样 +**🎯 考察频率：高 | 难度：困难 | 重要性：原地哈希** + +> 给你一个未排序的整数数组 nums ，请你找出其中没有出现的最小的正整数。 + +**💡 核心思路**：原地哈希，将数组本身作为哈希表 ```java -public boolean containsDuplicate(int[] nums){ - Map map = new HashMap<>(); - for(int i=0;i n) { + nums[i] = n + 1; + } } - map.put(nums[i],i); - } - return false; + + // 用数组下标标记数字是否出现 + for (int i = 0; i < n; i++) { + int num = Math.abs(nums[i]); + if (num <= n) { + nums[num - 1] = -Math.abs(nums[num - 1]); + } + } + + // 找第一个正数的位置 + for (int i = 0; i < n; i++) { + if (nums[i] > 0) { + return i + 1; + } + } + + return n + 1; } ``` +--- + +## 六、原地算法类（空间优化大师）⚡ +**💡 核心思想** + +- **双指针交换**：使用双指针原地重排元素 +- **环形替换**：循环移动元素到正确位置 +- **分区思想**：将数组分为不同区域处理 ### [88. 合并两个有序数组](https://leetcode-cn.com/problems/merge-sorted-array/) -> 给你两个按 非递减顺序 排列的整数数组 nums1 和 nums2，另有两个整数 m 和 n ，分别表示 nums1 和 nums2 中的元素数目。 +**🎯 考察频率：高 | 难度：简单 | 重要性：原地合并** + +> 给你两个按非递减顺序排列的整数数组 nums1 和 nums2，另有两个整数 m 和 n ，分别表示 nums1 和 nums2 中的元素数目。 > -> 请你 合并 nums2 到 nums1 中，使合并后的数组同样按 非递减顺序 排列。 +> 注意： > -> 注意：最终，合并后数组不应由函数返回，而是存储在数组 nums1 中。为了应对这种情况，nums1 的初始长度为 m + n，其中前 m 个元素表示应合并的元素，后 n 个元素为 0 ，应忽略。nums2 的长度为 n 。 +> - `nums1` 的长度为 `m + n`，其中前 `m` 个元素表示有效部分，后 `n` 个元素为空（用来存放 `nums2` 的元素）。 +> - `nums2` 的长度为 `n`。 > > ``` -> 输入：nums1 = [1,2,3,0,0,0], m = 3, nums2 = [2,5,6], n = 3 -> 输出：[1,2,2,3,5,6] -> 解释：需要合并 [1,2,3] 和 [2,5,6] 。 -> 合并结果是 [1,2,2,3,5,6] ，其中斜体加粗标注的为 nums1 中的元素。 +> 输入: +> nums1 = [1,2,3,0,0,0], m = 3 +> nums2 = [2,5,6], n = 3 +> +> 输出: +> [1,2,2,3,5,6] > ``` -**思路**：直接合并后排序、双指针 +**💡 核心思路**：直接合并后排序 或 从后往前双指针合并 ```java public void merge(int[] nums1, int m, int[] nums2, int n) { @@ -141,45 +1069,46 @@ public void merge(int[] nums1, int m, int[] nums2, int n) { } ``` +### [189. 旋转数组](https://leetcode.cn/problems/rotate-array/) +**🎯 考察频率：中等 | 难度：中等 | 重要性：原地算法** -### [121. 买卖股票的最佳时机](https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock/) - -> 给定一个数组 prices ，它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。 -> -> 你只能选择 某一天 买入这只股票，并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。 -> -> 返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润，返回 0 。 -> -> ``` -> 输入：[7,1,5,3,6,4] -> 输出：5 -> 解释：在第 2 天（股票价格 = 1）的时候买入，在第 5 天（股票价格 = 6）的时候卖出，最大利润 = 6-1 = 5 。 -> 注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格；同时，你不能在买入前卖出股票。 -> ``` +> 给定一个数组，将数组中的元素向右移动 k 个位置，其中 k 是非负数。 -**思路**：暴力法，双循环 +**💡 核心思路**：三次反转 ```java -public static int maxProfit_1(int[] nums){ - int maxProfit=0; - //第一层不需要遍历到最后，第二层从i+1 开始就可以 - for(int i=0;i 给你一个整数数组 `nums` ，请你找出一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。 > > **子数组** 是数组中的一个连续部分。 @@ -193,7 +1122,7 @@ public static int maxProfit_1(int[] nums){ **思路**：「连续」子数组，题目要求的是返回结果，用 [动态规划、分治] ```java -public static int maxSubArray3(int[] nums) { +public static int maxSubArray(int[] nums) { //特判 if (nums == null || nums.length == 0) { return 0; @@ -225,216 +1154,288 @@ public int maxSubArray(int[] nums) { } ``` +### [121. 买卖股票的最佳时机](https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock/) +**🎯 考察频率：极高 | 难度：简单 | 重要性：动态规划入门** -### [283. 移动零](https://leetcode-cn.com/problems/move-zeroes/) - -> 给定一个数组 nums，编写一个函数将所有 0 移动到数组的末尾，同时保持非零元素的相对顺序。 -> -> ``` -> 输入: [0,1,0,3,12] -> 输出: [1,3,12,0,0] -> ``` -> -> 1. 必须在原数组上操作，不能拷贝额外的数组。 -> 2. 尽量减少操作次数。 +> 给定一个数组 prices ，它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。你只能选择某一天买入这只股票，并选择在未来的某一个不同的日子卖出该股票。 -![283_2.gif](https://pic.leetcode-cn.com/36d1ac5d689101cbf9947465e94753c626eab7fcb736ae2175f5d87ebc85fdf0-283_2.gif) +**💡 核心思路**：一次遍历，记录最低价格和最大利润 ```java -public void moveZeroes(int[] nums){ - int j=0; - //第一次遍历的时候，j指针记录非0的个数，只要是非0的统统都赋给nums[j] - for(int i=0;i maxProfit) { + maxProfit = price - minPrice; + } } - } - //非0元素统计完了，剩下的都是0了 - //所以第二次遍历把末尾的元素都赋为0即可 - for(int i = j;i 给你一个整数数组 nums ，请你找出数组中乘积最大的非空连续子数组，并返回该子数组所对应的乘积。 + +**💡 核心思路**：动态规划，同时维护最大值和最小值 ```java -public void moveZeroes_1(int[] nums){ - int j = 0; - for (int i = 0; i < nums.length; i++) { - //当前元素!=0，就把其交换到左边，等于0的交换到右边 - if(nums[i]!=0){ - int tmp = nums[i]; - nums[i] = nums[j]; - //每移动一次 j加1 - nums[j++] = tmp; - } +public int maxProduct(int[] nums) { + int maxSoFar = nums[0]; + int minSoFar = nums[0]; + int result = maxSoFar; + + for (int i = 1; i < nums.length; i++) { + int curr = nums[i]; + int tempMaxSoFar = Math.max(curr, Math.max(maxSoFar * curr, minSoFar * curr)); + minSoFar = Math.min(curr, Math.min(maxSoFar * curr, minSoFar * curr)); + + maxSoFar = tempMaxSoFar; + result = Math.max(maxSoFar, result); } + + return result; } ``` +### [78. 子集](https://leetcode.cn/problems/subsets/) +**🎯 考察频率：高 | 难度：中等 | 重要性：回溯算法** -### [448. 找到所有数组中消失的数字](https://leetcode-cn.com/problems/find-all-numbers-disappeared-in-an-array/) +> 给你一个整数数组 nums ，数组中的元素互不相同。返回该数组所有可能的子集（幂集）。 -> 给你一个含 n 个整数的数组 nums ，其中 nums[i] 在区间 [1, n] 内。请你找出所有在 [1, n] 范围内但没有出现在 nums 中的数字，并以数组的形式返回结果。 -> -> ``` -> 输入：nums = [4,3,2,7,8,2,3,1] -> 输出：[5,6] -> ``` -> -> ``` -> 输入：nums = [1,1] -> 输出：[2] -> ``` +**💡 核心思路**：回溯算法 ```java -public static List findNumbers(int[] nums){ - List list = new ArrayList<>(); - int[] x = new int[nums.length + 1]; - //用一个新的数组，占位，数据长度大1，原数组元素放在对应的下边下，最后数组位是0的就是缺失元素 - for (int i = 0; i < nums.length; i++) { - x[nums[i]]++; - } - for (int i = 1; i < x.length; i++) { - if(x[i] == 0){ - list.add(i); +public List> subsets(int[] nums) { + List> result = new ArrayList<>(); + backtrack(result, new ArrayList<>(), nums, 0); + return result; +} + +private void backtrack(List> result, List tempList, int[] nums, int start) { + result.add(new ArrayList<>(tempList)); + for (int i = start; i < nums.length; i++) { + tempList.add(nums[i]); + backtrack(result, tempList, nums, i + 1); + tempList.remove(tempList.size() - 1); } - } - return list; } ``` +### [55. 跳跃游戏](https://leetcode.cn/problems/jump-game/) +**🎯 考察频率：高 | 难度：中等 | 重要性：贪心算法** +> 给定一个非负整数数组 nums ，你最初位于数组的第一个下标。数组中的每个元素代表你在该位置可以跳跃的最大长度。 +**💡 核心思路**：贪心算法，维护能到达的最远位置 -### [11. 盛最多水的容器](https://leetcode-cn.com/problems/container-with-most-water/) +```java +public boolean canJump(int[] nums) { + int maxReach = 0; + for (int i = 0; i < nums.length; i++) { + if (i > maxReach) { + return false; + } + maxReach = Math.max(maxReach, i + nums[i]); + } + return true; +} +``` -> 给你 n 个非负整数 a1，a2，...，an，每个数代表坐标中的一个点 (i, ai) 。在坐标内画 n 条垂直线，垂直线 i 的两个端点分别为 (i, ai) 和 (i, 0) 。找出其中的两条线，使得它们与 x 轴共同构成的容器可以容纳最多的水。 -> -> ![](https://aliyun-lc-upload.oss-cn-hangzhou.aliyuncs.com/aliyun-lc-upload/uploads/2018/07/25/question_11.jpg) -> -> ``` -> 输入：[1,8,6,2,5,4,8,3,7] -> 输出：49 -> 解释：图中垂直线代表输入数组 [1,8,6,2,5,4,8,3,7]。在此情况下，容器能够容纳水（表示为蓝色部分）的最大值为 49。 -> ``` +### [45. 跳跃游戏 II](https://leetcode.cn/problems/jump-game-ii/) -**思路**：双指针 +**🎯 考察频率：中等 | 难度：中等 | 重要性：贪心优化** + +> 给定一个长度为 n 的 0 索引整数数组 nums。初始位置为 nums[0]。每个元素 nums[i] 表示从索引 i 向前跳转的最大长度。 + +**💡 核心思路**：贪心算法，在能跳到的范围内选择能跳得最远的 ```java -public int maxArea(int[] height){ - int l = 0; - int r = height.length - 1; - int ans = 0; - while( l < r){ - int area = Math.min(height[l], height[r]) * (r - l); - ans = Math.max(ans,area); - if(height[l] < height[r]){ - l ++; - }else { - r --; +public int jump(int[] nums) { + int jumps = 0; + int currentEnd = 0; + int farthest = 0; + + for (int i = 0; i < nums.length - 1; i++) { + farthest = Math.max(farthest, i + nums[i]); + + if (i == currentEnd) { + jumps++; + currentEnd = farthest; + } } - } - return ans; + + return jumps; } ``` +### [14. 最长公共前缀](https://leetcode.cn/problems/longest-common-prefix/) -### [215. 数组中的第K个最大元素](https://leetcode-cn.com/problems/kth-largest-element-in-an-array/) +**🎯 考察频率：中等 | 难度：简单 | 重要性：字符串处理** -> 给定整数数组 `nums` 和整数 `k`，请返回数组中第 `k` 个最大的元素。 -> -> 请注意，你需要找的是数组排序后的第 `k` 个最大的元素，而不是第 `k` 个不同的元素。 -> -> ``` -> 输入: [3,2,1,5,6,4] 和 k = 2 -> 输出: 5 -> ``` -> -> ``` -> 输入: [3,2,3,1,2,4,5,5,6] 和 k = 4 -> 输出: 4 -> ``` +> 编写一个函数来查找字符串数组中的最长公共前缀。如果不存在公共前缀，返回空字符串 `""`。 -**思路**：减而治之（逐渐缩小问题规模） 基于快排 +**💡 核心思路**：逐个字符比较 ```java -class Solution { - Random random = new Random(); - - public int findKthLargest(int[] nums, int k) { - return quickSelect(nums, 0, nums.length - 1, nums.length - k); +public String longestCommonPrefix(String[] strs) { + if (strs == null || strs.length == 0) { + return ""; } - public int quickSelect(int[] a, int l, int r, int index) { - int q = randomPartition(a, l, r); - if (q == index) { - return a[q]; - } else { - return q < index ? quickSelect(a, q + 1, r, index) : quickSelect(a, l, q - 1, index); + String prefix = strs[0]; + for (int i = 1; i < strs.length; i++) { + int j = 0; + while (j < prefix.length() && j < strs[i].length() && prefix.charAt(j) == strs[i].charAt(j)) { + j++; + } + prefix = prefix.substring(0, j); + if (prefix.isEmpty()) { + return ""; } } + return prefix; +} +``` - public int randomPartition(int[] a, int l, int r) { - int i = random.nextInt(r - l + 1) + l; - swap(a, i, r); - return partition(a, l, r); - } +### [54. 螺旋矩阵](https://leetcode.cn/problems/spiral-matrix/) - public int partition(int[] a, int l, int r) { - int x = a[r], i = l - 1; - for (int j = l; j < r; ++j) { - if (a[j] <= x) { - swap(a, ++i, j); +**🎯 考察频率：高 | 难度：中等 | 重要性：矩阵遍历** + +> 给你一个 m 行 n 列的矩阵 matrix ，请按照顺时针螺旋顺序，返回矩阵中的所有元素。 + +**💡 核心思路**：模拟螺旋过程，维护边界 + +```java +public List spiralOrder(int[][] matrix) { + List result = new ArrayList<>(); + if (matrix.length == 0) return result; + + int top = 0, bottom = matrix.length - 1; + int left = 0, right = matrix[0].length - 1; + + while (top <= bottom && left <= right) { + // 从左到右 + for (int j = left; j <= right; j++) { + result.add(matrix[top][j]); + } + top++; + + // 从上到下 + for (int i = top; i <= bottom; i++) { + result.add(matrix[i][right]); + } + right--; + + if (top <= bottom) { + // 从右到左 + for (int j = right; j >= left; j--) { + result.add(matrix[bottom][j]); } + bottom--; + } + + if (left <= right) { + // 从下到上 + for (int i = bottom; i >= top; i--) { + result.add(matrix[i][left]); + } + left++; } - swap(a, i + 1, r); - return i + 1; - } - - public void swap(int[] a, int i, int j) { - int temp = a[i]; - a[i] = a[j]; - a[j] = temp; } + + return result; } ``` +--- +## 🚀 面试前15分钟速记表 +### 核心模板（必背） +```java +// 1. 双指针模板 +int left = 0, right = nums.length - 1; +while (left < right) { + // 处理逻辑 +} -### [31. 下一个排列](https://leetcode.cn/problems/next-permutation/) +// 2. 滑动窗口模板 +int left = 0; +for (int right = 0; right < nums.length; right++) { + // 扩展窗口 + while (窗口需要收缩) { + // 收缩窗口 + left++; + } +} -> 整数数组的一个 排列 就是将其所有成员以序列或线性顺序排列。 -> -> 例如，arr = [1,2,3] ，以下这些都可以视作 arr 的排列：[1,2,3]、[1,3,2]、[3,1,2]、[2,3,1] 。 -> 整数数组的 下一个排列 是指其整数的下一个字典序更大的排列。更正式地，如果数组的所有排列根据其字典顺序从小到大排列在一个容器中，那么数组的 下一个排列 就是在这个有序容器中排在它后面的那个排列。如果不存在下一个更大的排列，那么这个数组必须重排为字典序最小的排列（即，其元素按升序排列）。 -> -> - 例如，arr = [1,2,3] 的下一个排列是 [1,3,2] 。 -> - 类似地，arr = [2,3,1] 的下一个排列是 [3,1,2] 。 -> - 而 arr = [3,2,1] 的下一个排列是 [1,2,3] ，因为 [3,2,1] 不存在一个字典序更大的排列。 -> -> 给你一个整数数组 nums ，找出 nums 的下一个排列。 -> -> > 题干的意思就是：找出这个数组排序出的所有数中，刚好比当前数大的那个数 -> -> 必须 原地 修改，只允许使用额外常数空间。 -> -> ``` -> 输入：nums = [1,2,3] -> 输出：[1,3,2] -> ``` -> -> ``` -> 输入：nums = [3,2,1] -> 输出：[1,2,3] -> ``` +// 3. 前缀和模板 +int[] prefixSum = new int[nums.length + 1]; +for (int i = 0; i < nums.length; i++) { + prefixSum[i + 1] = prefixSum[i] + nums[i]; +} +``` -**思路**： +### 题型速查表 + +| 题型分类 | 核心技巧 | 高频题目 | 记忆口诀 | 难度 | +|----------|----------|----------|----------|------| +| **双指针类** | 左右指针/快慢指针 | 两数之和、三数之和、盛水容器、移动零、颜色分类 | 左右夹逼找目标，快慢追踪解环题 | ⭐⭐⭐ | +| **哈希表类** | 空间换时间 | 字母异位词分组、最长连续序列、存在重复元素 | 空间换时间来优化，常数查找是关键 | ⭐⭐⭐ | +| **前缀和类** | 累积求和 | 和为K的子数组、最大子数组和、除自身以外数组的乘积 | 累积求和建数组，区间相减得答案 | ⭐⭐⭐⭐ | +| **排序搜索** | 预排序/二分 | 合并区间、第K大元素、寻找重复数、搜索旋转数组 | 有序数组用二分，对数时间最高效 | ⭐⭐⭐⭐ | +| **原地算法** | 双指针交换 | 移动零、颜色分类、合并有序数组、旋转数组 | 双指针巧妙来交换，空间复杂度为一 | ⭐⭐⭐⭐ | +| **数学技巧** | 位运算/性质 | 只出现一次的数字、多数元素、消失的数字 | 数学性质巧运用，位运算显神通 | ⭐⭐⭐ | +| **综合应用** | 多技巧结合 | 买卖股票、跳跃游戏、子集、乘积最大子数组 | 多技巧组合显神通，复杂问题巧拆解 | ⭐⭐⭐⭐⭐ | + +### 核心题目优先级（面试前重点复习） + +1. **两数之和** - 哈希表基础，必须熟练掌握 +2. **三数之和** - 双指针经典，排序+双指针 +3. **最大子数组和** - 动态规划入门，Kadane算法 +4. **合并区间** - 排序应用，区间处理 +5. **盛最多水的容器** - 双指针对撞，贪心思想 +6. **颜色分类** - 三指针技巧，荷兰国旗问题 +7. **搜索旋转排序数组** - 二分查找变体 +8. **除自身以外数组的乘积** - 前缀乘积，空间优化 + +### 常见陷阱提醒 + +- ⚠️ **数组越界**：`i < nums.length`，确保索引在有效范围内 +- ⚠️ **整数溢出**：使用long或检查边界，特别是乘积运算 +- ⚠️ **空数组处理**：`if (nums == null || nums.length == 0)` +- ⚠️ **双指针边界**：确保`left < right`，避免死循环 +- ⚠️ **滑动窗口**：正确维护窗口边界，注意收缩条件 +- ⚠️ **前缀和**：注意数组长度为n+1，处理边界情况 + +### 时间复杂度总结 + +- **遍历类**：O(n) - 一次遍历 +- **双指针**：O(n) - 同时移动或对撞指针 +- **排序类**：O(n log n) - 基于比较的排序 +- **哈希表**：O(n) - 平均情况下常数时间查找 +- **二分查找**：O(log n) - 每次缩小一半搜索空间 + +### 面试答题套路 + +1. **理解题意**：确认输入输出，边界情况，时间空间复杂度要求 +2. **选择方法**：根据题型选择对应技巧（双指针、哈希表、前缀和等） +3. **画图分析**：手动模拟小规模测试用例，验证思路 +4. **编码实现**：套用对应模板，注意边界条件处理 +5. **优化分析**：考虑时间空间复杂度优化可能性 +6. **测试验证**：空数组、单元素、正常情况、边界情况 + +**最重要的一个技巧就是，你得行动，写起来** diff --git a/docs/data-structure-algorithms/soultion/Binary-Tree-Solution.md b/docs/data-structure-algorithms/soultion/Binary-Tree-Solution.md new file mode 100755 index 0000000000..76d93578a9 --- /dev/null +++ b/docs/data-structure-algorithms/soultion/Binary-Tree-Solution.md @@ -0,0 +1,2214 @@ +--- +title: 二叉树通关秘籍：LeetCode 热题 100 全解析 +date: 2025-01-08 +tags: + - Binary Tree +categories: leetcode +--- + +![](https://img.starfish.ink/leetcode/leetcode-banner.png) + +> 二叉树作为数据结构中的常青树，在算法面试中出现的频率居高不下。 +> +> 有人说刷题要先刷二叉树，培养思维。目前还没培养出来，感觉分类刷都差不多。 +> +> 我把二叉树相关题目进行了下分类。 +> +> 当然，在做二叉树题目时候，第一想到的应该是用 **递归** 来解决。 + +### 📋 分类索引 + +1. **🌳 遍历基础类**：[二叉树的前序遍历](#_144-二叉树的前序遍历)、[二叉树的中序遍历](#_94-二叉树的中序遍历)、[二叉树的后序遍历](#_145-二叉树的后序遍历)、[二叉树的层序遍历](#_102-二叉树的层序遍历)、[锯齿形层序遍历](#_103-二叉树的锯齿形层序遍历)、[完全二叉树的节点个数](#_222-完全二叉树的节点个数)、[在每个树行中找最大值](#_515-在每个树行中找最大值)、[二叉树最大宽度](#_662-二叉树最大宽度) + +2. **🔍 查找路径类**：[二叉树的最大深度](#_104-二叉树的最大深度)、[二叉树的最小深度](#_111-二叉树的最小深度)、[路径总和](#_112-路径总和)、[路径总和II](#_113-路径总和-ii)、[二叉树的右视图](#_199-二叉树的右视图)、[路径总和III](#_437-路径总和-iii)、[二叉树的最近公共祖先](#_236-二叉树的最近公共祖先)、[二叉树中的最大路径和](#_124-二叉树中的最大路径和) + +3. **🏗️ 构造变换类**：[从前序与中序遍历序列构造二叉树](#_105-从前序与中序遍历序列构造二叉树)、[翻转二叉树](#_226-翻转二叉树)、[对称二叉树](#_101-对称二叉树)、[相同的树](#_100-相同的树) + +4. **⚖️ 平衡验证类**：[平衡二叉树](#_110-平衡二叉树)、[验证二叉搜索树](#_98-验证二叉搜索树)、[二叉搜索树中第K小的元素](#_230-二叉搜索树中第K小的元素) + +5. **🎯 搜索树操作类**：[二叉搜索树的最近公共祖先](#_235-二叉搜索树的最近公共祖先)、[删除二叉搜索树中的节点](#_450-删除二叉搜索树中的节点)、[将有序数组转换为二叉搜索树](#_108-将有序数组转换为二叉搜索树) + +6. **📊 树形DP类**：[打家劫舍III](#_337-打家劫舍-iii)、[二叉树的直径](#_543-二叉树的直径)、[另一棵树的子树](#_572-另一棵树的子树) + +7. **🔄 序列化类**：[二叉树的序列化与反序列化](#_297-二叉树的序列化与反序列化) + +8. **🚀 进阶技巧类**：[二叉树展开为链表](#_114-二叉树展开为链表)、[填充每个节点的下一个右侧节点指针](#_116-填充每个节点的下一个右侧节点指针)、[二叉树的完全性检验](#_958-二叉树的完全性检验)、[填充每个节点的下一个右侧节点指针II](#_117-填充每个节点的下一个右侧节点指针-ii) + +## 🎯 核心考点概览 + +- **遍历技巧**：前序、中序、后序、层序遍历 +- **递归思维**：分治思想、递归终止条件 +- **路径问题**：根到叶子路径、任意路径求和 +- **树的构造**：根据遍历序列重建二叉树 +- **树的变换**：翻转、对称、平衡判断 +- **搜索树性质**：BST的查找、插入、删除 +- **动态规划**：树形DP的经典应用 + +## 💡 解题万能模板 + +### 🔄 递归遍历模板 + +```java +// 递归遍历通用模板 +public void traverse(TreeNode root) { + if (root == null) return; + + // 前序位置 - 在递归之前 + doSomething(root.val); + + traverse(root.left); + + // 中序位置 - 在左右递归之间 + doSomething(root.val); + + traverse(root.right); + + // 后序位置 - 在递归之后 + doSomething(root.val); +} +``` + +### 🔍 层序遍历模板 + +```java +// BFS层序遍历模板 +public void levelOrder(TreeNode root) { + if (root == null) return; + + Queue queue = new LinkedList<>(); + queue.offer(root); + + while (!queue.isEmpty()) { + int size = queue.size(); + for (int i = 0; i < size; i++) { + TreeNode node = queue.poll(); + // 处理当前节点 + doSomething(node.val); + + if (node.left != null) queue.offer(node.left); + if (node.right != null) queue.offer(node.right); + } + } +} +``` + +### 🎯 分治思想模板 + +```java +// 分治思想模板 +public ResultType divide(TreeNode root) { + if (root == null) return nullResult; + + // 分：递归处理左右子树 + ResultType leftResult = divide(root.left); + ResultType rightResult = divide(root.right); + + // 治：合并左右结果 + ResultType result = merge(leftResult, rightResult, root); + + return result; +} +``` + +## 🛡️ 边界检查清单 + +- ✅ 空树处理：`root == null` +- ✅ 单节点树：`root.left == null && root.right == null` +- ✅ 递归终止：明确递归出口条件 +- ✅ 返回值检查：确保每个递归分支都有返回值 + +## 💡 记忆口诀 + +- **遍历顺序**："前序根左右，中序左根右，后序左右根，层序逐层走" +- **递归思维**："递归三要素，终止、递推、返回值" +- **路径问题**："路径用回溯，求和用递归" +- **树的构造**："前中后序定根节点，中序划分左右树" +- **搜索树**："左小右大有序性，中序遍历是关键" +- **平衡判断**："高度差不超过一，递归检查每个节点" +- **最值问题**："深度优先找路径，广度优先找最近" + +--- + +## 🌳 一、遍历基础类（核心中的核心） + +### 💡 核心思想 + +- **递归遍历**：利用函数调用栈实现深度优先 +- **迭代遍历**：手动维护栈模拟递归过程 +- **层序遍历**：队列实现广度优先搜索 + +### [144. 二叉树的前序遍历](https://leetcode.cn/problems/binary-tree-preorder-traversal/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：遍历基础** + +> 前序遍历：根→左→右，`[1,null,2,3]` → `[1,2,3]` + +**💡 核心思路**：递归 + 迭代两种实现 + +- 递归：root → left → right 的顺序访问 +- 迭代：使用栈模拟递归过程 + +**🔑 记忆技巧**： + +- **口诀**："前序根左右，栈中右先入" +- **形象记忆**：像读书一样，先看标题（根）再看内容（左右） + +```java +// 递归解法 +public List preorderTraversal(TreeNode root) { + List result = new ArrayList<>(); + preorder(root, result); + return result; +} + +private void preorder(TreeNode root, List result) { + if (root == null) return; + + result.add(root.val); // 根 + preorder(root.left, result); // 左 + preorder(root.right, result);// 右 +} +``` + +**🔧 迭代解法**： + +```java +public List preorderTraversal(TreeNode root) { + List result = new ArrayList<>(); + if (root == null) return result; + + Stack stack = new Stack<>(); + stack.push(root); + + while (!stack.isEmpty()) { + TreeNode node = stack.pop(); + result.add(node.val); + + // 先入右子树，再入左子树（栈是后进先出） + if (node.right != null) stack.push(node.right); + if (node.left != null) stack.push(node.left); + } + + return result; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(h) - 递归栈深度，h为树高 + +### [94. 二叉树的中序遍历](https://leetcode.cn/problems/binary-tree-inorder-traversal/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：BST基础** + +> 中序遍历：左→根→右，`[1,null,2,3]` → `[1,3,2]` + +**💡 核心思路**：左→根→右的访问顺序 + +- 对于BST，中序遍历得到有序序列 +- 迭代实现需要先处理完所有左子树 + +**🔑 记忆技巧**： + +- **口诀**："中序左根右，BST变有序" +- **形象记忆**：像中国人读书从左到右的顺序 + +```java +// 递归解法 +public List inorderTraversal(TreeNode root) { + List result = new ArrayList<>(); + inorder(root, result); + return result; +} + +private void inorder(TreeNode root, List result) { + if (root == null) return; + + inorder(root.left, result); // 左 + result.add(root.val); // 根 + inorder(root.right, result); // 右 +} +``` + +**🔧 迭代解法**： + +```java +public List inorderTraversal(TreeNode root) { + List result = new ArrayList<>(); + Stack stack = new Stack<>(); + TreeNode current = root; + + while (current != null || !stack.isEmpty()) { + // 一直向左走到底 + while (current != null) { + stack.push(current); + current = current.left; + } + + // 处理栈顶节点 + current = stack.pop(); + result.add(current.val); + + // 转向右子树 + current = current.right; + } + + return result; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(h) - 递归栈或显式栈的深度 + +### [145. 二叉树的后序遍历](https://leetcode.cn/problems/binary-tree-postorder-traversal/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：分治思想基础** + +> 后序遍历：左→右→根，`[1,null,2,3]` → `[3,2,1]` + +**💡 核心思路**：左→右→根的访问顺序 + +- 后序遍历常用于树的删除、计算等操作 +- 迭代实现相对复杂，需要记录访问状态 + +**🔑 记忆技巧**： + +- **口诀**："后序左右根，删除用后序" +- **形象记忆**：像拆房子，先拆左右房间，最后拆主体 + +```java +// 递归解法 +public List postorderTraversal(TreeNode root) { + List result = new ArrayList<>(); + postorder(root, result); + return result; +} + +private void postorder(TreeNode root, List result) { + if (root == null) return; + + postorder(root.left, result); // 左 + postorder(root.right, result); // 右 + result.add(root.val); // 根 +} +``` + +**🔧 迭代解法（双栈法）**： + +```java +public List postorderTraversal(TreeNode root) { + List result = new ArrayList<>(); + if (root == null) return result; + + Stack stack1 = new Stack<>(); + Stack stack2 = new Stack<>(); + + stack1.push(root); + + while (!stack1.isEmpty()) { + TreeNode node = stack1.pop(); + stack2.push(node); + + if (node.left != null) stack1.push(node.left); + if (node.right != null) stack1.push(node.right); + } + + while (!stack2.isEmpty()) { + result.add(stack2.pop().val); + } + + return result; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(h) - 递归栈深度 + +### [102. 二叉树的层序遍历](https://leetcode.cn/problems/binary-tree-level-order-traversal/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：BFS经典** + +> 层序遍历：按层从左到右，`[3,9,20,null,null,15,7]` → `[[3],[9,20],[15,7]]` + +**💡 核心思路**：队列实现BFS + +![](https://pic.leetcode-cn.com/94cd1fa999df0276f1dae77a9cca83f4cabda9e2e0b8571cd9550a8ee3545f56.gif) + +- 使用队列保存每层的节点 +- 记录每层的节点数量，分层处理 + +**🔑 记忆技巧**： + +- **口诀**："层序用队列，按层逐个走" +- **形象记忆**：像楼房一样，一层一层地访问 + +```java +public List> levelOrder(TreeNode root) { + List> result = new ArrayList<>(); + if (root == null) return result; + + Queue queue = new LinkedList<>(); + queue.offer(root); + + while (!queue.isEmpty()) { + int size = queue.size(); + List level = new ArrayList<>(); + + for (int i = 0; i < size; i++) { + TreeNode node = queue.poll(); + level.add(node.val); + + if (node.left != null) queue.offer(node.left); + if (node.right != null) queue.offer(node.right); + } + + result.add(level); + } + + return result; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(w) - w为树的最大宽度 + +### [103. 二叉树的锯齿形层序遍历](https://leetcode.cn/problems/binary-tree-zigzag-level-order-traversal/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：层序变种** + +> 锯齿形遍历：奇数层从左到右，偶数层从右到左 + +**💡 核心思路**：层序遍历 + 奇偶层判断 + +- 基于普通层序遍历 +- 偶数层需要反转结果 + +**🔑 记忆技巧**： + +- **口诀**："锯齿形遍历，奇正偶反转" + +```java +public List> zigzagLevelOrder(TreeNode root) { + List> result = new ArrayList<>(); + if (root == null) return result; + + Queue queue = new LinkedList<>(); + queue.offer(root); + boolean leftToRight = true; + + while (!queue.isEmpty()) { + int size = queue.size(); + List level = new ArrayList<>(); + + for (int i = 0; i < size; i++) { + TreeNode node = queue.poll(); + level.add(node.val); + + if (node.left != null) queue.offer(node.left); + if (node.right != null) queue.offer(node.right); + } + + if (!leftToRight) { + Collections.reverse(level); + } + + result.add(level); + leftToRight = !leftToRight; + } + + return result; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(w) - 队列存储的最大宽度 + +### [222. 完全二叉树的节点个数](https://leetcode.cn/problems/count-complete-tree-nodes/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：完全二叉树性质** + +> 计算完全二叉树的节点个数，要求时间复杂度低于O(n) + +**💡 核心思路**：利用完全二叉树性质 + 二分思想 + +- 如果左右子树高度相同，左子树是满二叉树 +- 如果高度不同，右子树是满二叉树 +- 递归计算 + 满二叉树节点数公式：2^h - 1 + +**🔑 记忆技巧**： + +- **口诀**："完全二叉树性质，递归加二分优化" +- **形象记忆**：像找平衡点，一边总是满的 + +```java +public int countNodes(TreeNode root) { + if (root == null) return 0; + + int leftHeight = getHeight(root.left); + int rightHeight = getHeight(root.right); + + if (leftHeight == rightHeight) { + // 左子树是满二叉树 + return (1 << leftHeight) + countNodes(root.right); + } else { + // 右子树是满二叉树 + return (1 << rightHeight) + countNodes(root.left); + } +} + +private int getHeight(TreeNode root) { + int height = 0; + while (root != null) { + height++; + root = root.left; + } + return height; +} +``` + +**🔧 朴素递归解法**： + +```java +public int countNodes(TreeNode root) { + if (root == null) return 0; + return 1 + countNodes(root.left) + countNodes(root.right); +} +``` + +**⏱️ 复杂度分析**： + +- **优化解法**： + - 时间复杂度：O(log²n) - 每次递归高度减半，计算高度O(logn) + - 空间复杂度：O(logn) - 递归栈深度 +- **朴素解法**： + - 时间复杂度：O(n) - 访问每个节点 + - 空间复杂度：O(logn) - 递归栈深度 + +### [515. 在每个树行中找最大值](https://leetcode.cn/problems/find-largest-value-in-each-tree-row/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：层序遍历变种** + +> 返回树每一层的最大值：`[1,3,2,5,3,null,9]` → `[1,3,9]` + +**💡 核心思路**：层序遍历 + 每层求最大值 + +- BFS遍历每一层 +- 记录每层的最大值 + +**🔑 记忆技巧**： + +- **口诀**："层序遍历找最大，每层记录一个值" + +```java +public List largestValues(TreeNode root) { + List result = new ArrayList<>(); + if (root == null) return result; + + Queue queue = new LinkedList<>(); + queue.offer(root); + + while (!queue.isEmpty()) { + int size = queue.size(); + int maxVal = Integer.MIN_VALUE; + + for (int i = 0; i < size; i++) { + TreeNode node = queue.poll(); + maxVal = Math.max(maxVal, node.val); + + if (node.left != null) queue.offer(node.left); + if (node.right != null) queue.offer(node.right); + } + + result.add(maxVal); + } + + return result; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 访问每个节点一次 +- **空间复杂度**：O(w) - 队列存储的最大宽度 + +### [662. 二叉树最大宽度](https://leetcode.cn/problems/maximum-width-of-binary-tree/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：位置编码技巧** + +> 计算二叉树的最大宽度（两个端点间的距离） + +**💡 核心思路**：层序遍历 + 节点位置编码 + +- 给每个节点编号：根节点为1，左子节点为2*i，右子节点为2*i+1 +- 每层的宽度 = 最右位置 - 最左位置 + 1 + +**🔑 记忆技巧**： + +- **口诀**："位置编码层序遍历，左右相减计算宽度" + +```java +public int widthOfBinaryTree(TreeNode root) { + if (root == null) return 0; + + Queue nodeQueue = new LinkedList<>(); + Queue posQueue = new LinkedList<>(); + + nodeQueue.offer(root); + posQueue.offer(1); + + int maxWidth = 1; + + while (!nodeQueue.isEmpty()) { + int size = nodeQueue.size(); + int start = posQueue.peek(); + int end = start; + + for (int i = 0; i < size; i++) { + TreeNode node = nodeQueue.poll(); + int pos = posQueue.poll(); + end = pos; + + if (node.left != null) { + nodeQueue.offer(node.left); + posQueue.offer(2 * pos); + } + + if (node.right != null) { + nodeQueue.offer(node.right); + posQueue.offer(2 * pos + 1); + } + } + + maxWidth = Math.max(maxWidth, end - start + 1); + } + + return maxWidth; +} +``` + +**🔧 DFS解法**： + +```java +private int maxWidth = 0; + +public int widthOfBinaryTree(TreeNode root) { + maxWidth = 0; + List startPositions = new ArrayList<>(); + dfs(root, 0, 1, startPositions); + return maxWidth; +} + +private void dfs(TreeNode root, int depth, int pos, List startPositions) { + if (root == null) return; + + // 记录每层第一个节点的位置 + if (depth == startPositions.size()) { + startPositions.add(pos); + } + + // 计算当前层的宽度 + maxWidth = Math.max(maxWidth, pos - startPositions.get(depth) + 1); + + // 递归左右子树 + dfs(root.left, depth + 1, 2 * pos, startPositions); + dfs(root.right, depth + 1, 2 * pos + 1, startPositions); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 访问每个节点一次 +- **空间复杂度**：O(w) - 队列存储的最大宽度 + +--- + +## 🔍 二、查找路径类 + +### 💡 核心思想 + +- **深度计算**：递归求解左右子树深度 +- **路径追踪**：回溯法记录路径 +- **路径和**：递归过程中累加计算 + +### [104. 二叉树的最大深度](https://leetcode.cn/problems/maximum-depth-of-binary-tree/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：递归入门** + +> 求二叉树的最大深度：`[3,9,20,null,null,15,7]` → `3` + +**💡 核心思路**：递归分治 + +- 树的深度 = max(左子树深度, 右子树深度) + 1 +- 空树深度为0 + +**🔑 记忆技巧**： + +- **口诀**："左右取最大，根节点加一" +- **形象记忆**：像测量房子高度，选择最高的那一侧 + +```java +public int maxDepth(TreeNode root) { + if (root == null) return 0; + + int leftDepth = maxDepth(root.left); + int rightDepth = maxDepth(root.right); + + return Math.max(leftDepth, rightDepth) + 1; +} +``` + +**🔧 BFS层序解法**： + +```java +public int maxDepth(TreeNode root) { + if (root == null) return 0; + + Queue queue = new LinkedList<>(); + queue.offer(root); + int depth = 0; + + while (!queue.isEmpty()) { + int size = queue.size(); + depth++; + + for (int i = 0; i < size; i++) { + TreeNode node = queue.poll(); + if (node.left != null) queue.offer(node.left); + if (node.right != null) queue.offer(node.right); + } + } + + return depth; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 访问每个节点 +- **空间复杂度**：O(h) - 递归栈深度 + +### [111. 二叉树的最小深度](https://leetcode.cn/problems/minimum-depth-of-binary-tree/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：递归理解** + +> 求到叶子节点的最短路径长度：`[3,9,20,null,null,15,7]` → `2` + +**💡 核心思路**：递归 + 特殊情况处理 + +- 叶子节点：深度为1 +- 只有一个子树：取存在的子树深度 +- 有左右子树：取较小值 + +**🔑 记忆技巧**： + +- **口诀**："叶子节点深度一，单子树要特判，双子树取最小" + +```java +public int minDepth(TreeNode root) { + if (root == null) return 0; + + // 叶子节点 + if (root.left == null && root.right == null) { + return 1; + } + + // 只有右子树 + if (root.left == null) { + return minDepth(root.right) + 1; + } + + // 只有左子树 + if (root.right == null) { + return minDepth(root.left) + 1; + } + + // 有左右子树 + return Math.min(minDepth(root.left), minDepth(root.right)) + 1; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 最坏情况访问所有节点 +- **空间复杂度**：O(h) - 递归栈深度 + +### [112. 路径总和](https://leetcode.cn/problems/path-sum/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：路径递归** + +> 判断是否存在根到叶子路径和等于目标值：`sum = 22` + +**💡 核心思路**：递归 + 目标值递减 + +- 每次递归减去当前节点值 +- 到达叶子节点时检查目标值是否为节点值 + +**🔑 记忆技巧**： + +- **口诀**："目标递减到叶子，相等即为找到路径" + +```java +public boolean hasPathSum(TreeNode root, int targetSum) { + if (root == null) return false; + + // 叶子节点，检查路径和 + if (root.left == null && root.right == null) { + return targetSum == root.val; + } + + // 递归检查左右子树 + return hasPathSum(root.left, targetSum - root.val) || + hasPathSum(root.right, targetSum - root.val); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 最坏情况访问所有节点 +- **空间复杂度**：O(h) - 递归栈深度 + +### [113. 路径总和 II](https://leetcode.cn/problems/path-sum-ii/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：回溯算法** + +> 找出所有根到叶子路径和等于目标值的路径 + +**💡 核心思路**：DFS + 回溯 + +- 使用列表记录当前路径 +- 到达叶子节点时检查并保存路径 +- 回溯时移除当前节点 + +**🔑 记忆技巧**： + +- **口诀**："DFS记录路径，回溯恢复状态" + +```java +public List> pathSum(TreeNode root, int targetSum) { + List> result = new ArrayList<>(); + List path = new ArrayList<>(); + dfs(root, targetSum, path, result); + return result; +} + +private void dfs(TreeNode root, int targetSum, List path, + List> result) { + if (root == null) return; + + // 添加当前节点到路径 + path.add(root.val); + + // 叶子节点，检查路径和 + if (root.left == null && root.right == null && targetSum == root.val) { + result.add(new ArrayList<>(path)); + } else { + // 递归左右子树 + dfs(root.left, targetSum - root.val, path, result); + dfs(root.right, targetSum - root.val, path, result); + } + + // 回溯：移除当前节点 + path.remove(path.size() - 1); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n²) - 最坏情况每个节点都要复制路径 +- **空间复杂度**：O(h) - 递归栈和路径存储 + +### [199. 二叉树的右视图](https://leetcode.cn/problems/binary-tree-right-side-view/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：层序遍历应用** + +> 给定一个二叉树的 **根节点** `root`，想象自己站在它的右侧，按照从顶部到底部的顺序，返回从右侧所能看到的节点值。 +> +> ![img](https://assets.leetcode.com/uploads/2021/02/14/tree.jpg) +> +> `[1,2,3,null,5,null,4]` → `[1,3,4]` + +**💡 核心思路**： + +- 使用广度优先搜索（BFS）逐层遍历二叉树。 +- 对于每一层，记录最后一个节点（即最右侧的节点）的值。 +- 将每一层的最后一个节点的值加入结果列表。 + +**🔑 记忆技巧**： + +- **口诀**："层序遍历看右侧，每层最后即所见" +- **形象记忆**：像站在树的右边看，每层只能看到最右边的节点 + +```java +public List rightSideView(TreeNode root) { + List result = new ArrayList<>(); + if (root == null) return result; + + Queue queue = new LinkedList<>(); + queue.offer(root); + + while (!queue.isEmpty()) { + int size = queue.size(); + + for (int i = 0; i < size; i++) { + TreeNode node = queue.poll(); + + // 每层的最后一个节点加入结果 + if (i == size - 1) { + result.add(node.val); + } + + if (node.left != null) queue.offer(node.left); + if (node.right != null) queue.offer(node.right); + } + } + + return result; +} +``` + +**🔧 DFS解法**： + +```java +public List rightSideView(TreeNode root) { + List result = new ArrayList<>(); + dfs(root, 0, result); + return result; +} + +private void dfs(TreeNode root, int depth, List result) { + if (root == null) return; + + // 第一次到达这个深度，记录右视图 + if (depth == result.size()) { + result.add(root.val); + } + + // 先遍历右子树，再遍历左子树 + dfs(root.right, depth + 1, result); + dfs(root.left, depth + 1, result); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 访问每个节点一次 +- **空间复杂度**：O(h) - 递归栈深度或队列空间 + +### [437. 路径总和 III](https://leetcode.cn/problems/path-sum-iii/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：前缀和在树中的应用** + +> 找出路径和等于目标值的路径数量（路径不需要从根节点开始，也不需要在叶子节点结束） + +**💡 核心思路**：前缀和 + DFS + +- 使用前缀和思想，记录从根到当前节点的路径和 +- 利用哈希表记录前缀和出现的次数 +- 如果当前前缀和减去目标值在哈希表中存在，说明找到了一条路径 + +**🔑 记忆技巧**： + +- **口诀**："前缀和思想用于树，哈希记录找路径" +- **形象记忆**：像数组前缀和一样，在树上也可以用同样的思想 + +```java +public int pathSum(TreeNode root, int targetSum) { + Map prefixSumCount = new HashMap<>(); + prefixSumCount.put(0L, 1); // 前缀和为0的路径有1条（空路径） + return dfs(root, 0L, targetSum, prefixSumCount); +} + +private int dfs(TreeNode root, long currentSum, int targetSum, + Map prefixSumCount) { + if (root == null) return 0; + + // 更新当前路径和 + currentSum += root.val; + + // 查看是否存在前缀和为 currentSum - targetSum 的路径 + int count = prefixSumCount.getOrDefault(currentSum - targetSum, 0); + + // 记录当前前缀和 + prefixSumCount.put(currentSum, + prefixSumCount.getOrDefault(currentSum, 0) + 1); + + // 递归左右子树 + count += dfs(root.left, currentSum, targetSum, prefixSumCount); + count += dfs(root.right, currentSum, targetSum, prefixSumCount); + + // 回溯：移除当前节点的贡献 + prefixSumCount.put(currentSum, prefixSumCount.get(currentSum) - 1); + + return count; +} +``` + +**🔧 暴力解法（理解用）**： + +```java +public int pathSum(TreeNode root, int targetSum) { + if (root == null) return 0; + + // 以当前节点为起点的路径数 + 左子树的路径数 + 右子树的路径数 + return pathSumFrom(root, targetSum) + + pathSum(root.left, targetSum) + + pathSum(root.right, targetSum); +} + +private int pathSumFrom(TreeNode root, long targetSum) { + if (root == null) return 0; + + int count = 0; + if (root.val == targetSum) count++; + + count += pathSumFrom(root.left, targetSum - root.val); + count += pathSumFrom(root.right, targetSum - root.val); + + return count; +} +``` + +**⏱️ 复杂度分析**： + +- **前缀和解法**： + - 时间复杂度：O(n) - 每个节点访问一次 + - 空间复杂度：O(h) - 递归栈和哈希表 +- **暴力解法**： + - 时间复杂度：O(n²) - 每个节点都要向下搜索 + - 空间复杂度：O(h) - 递归栈深度 + +### [236. 二叉树的最近公共祖先](https://leetcode.cn/problems/lowest-common-ancestor-of-a-binary-tree/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：树的经典问题** + +> 找到二叉树中两个节点的最近公共祖先 + +**💡 核心思路**：后序遍历 + 递归回溯 + +- 如果当前节点是p或q之一，返回当前节点 +- 递归查找左右子树 +- 如果左右子树都找到了节点，当前节点就是LCA +- 如果只有一边找到，返回找到的那一边 + +> - 两个节点的最近公共祖先其实就是这两个节点向根节点的「延长线」的交汇点 +> +> - **如果一个节点能够在它的左右子树中分别找到**`p`**和**`q`**，则该节点为**`LCA`**节点** +> +> - 若 root 是 p,q 的 最近公共祖先 ，则只可能为以下情况之一： +> +> - p 和 q 在 root 的子树中，且分列 root 的 异侧（即分别在左、右子树中）； +> - p=root ，且 q 在 root 的左或右子树中； +> - q=root ，且 p 在 root 的左或右子树中；![Picture2.png](https://pic.leetcode-cn.com/1599885247-mgYjRv-Picture2.png) + +**🔑 记忆技巧**： + +- **口诀**："后序遍历找祖先，左右都有即是它" +- **形象记忆**：像家族树找共同祖先，必须包含两个人的最小子树的根 + +```java +public TreeNode lowestCommonAncestor(TreeNode root, TreeNode p, TreeNode q) { + // 递归终止条件 + if (root == null || root == p || root == q) { + return root; + } + + // 递归查找左右子树 + TreeNode left = lowestCommonAncestor(root.left, p, q); + TreeNode right = lowestCommonAncestor(root.right, p, q); + + // 如果左右子树都找到了节点，当前节点就是LCA + if (left != null && right != null) { + return root; + } + + // 如果只有一边找到，返回找到的那一边 + return left != null ? left : right; +} +``` + +**🔧 存储父节点解法**： + +```java +public TreeNode lowestCommonAncestor(TreeNode root, TreeNode p, TreeNode q) { + Map parent = new HashMap<>(); + Stack stack = new Stack<>(); + + parent.put(root, null); + stack.push(root); + + // 构建父节点映射 + while (!parent.containsKey(p) || !parent.containsKey(q)) { + TreeNode node = stack.pop(); + + if (node.left != null) { + parent.put(node.left, node); + stack.push(node.left); + } + + if (node.right != null) { + parent.put(node.right, node); + stack.push(node.right); + } + } + + // 收集p的所有祖先 + Set ancestors = new HashSet<>(); + while (p != null) { + ancestors.add(p); + p = parent.get(p); + } + + // 找q的祖先中第一个在p的祖先集合中的 + while (!ancestors.contains(q)) { + q = parent.get(q); + } + + return q; +} +``` + +**⏱️ 复杂度分析**： + +- **递归解法**： + - 时间复杂度：O(n) - 最坏情况访问所有节点 + - 空间复杂度：O(h) - 递归栈深度 +- **存储父节点解法**： + - 时间复杂度：O(n) - 遍历所有节点 + - 空间复杂度：O(n) - 存储父节点映射 + +### [124. 二叉树中的最大路径和](https://leetcode.cn/problems/binary-tree-maximum-path-sum/) + +**🎯 考察频率：极高 | 难度：困难 | 重要性：树形DP经典** + +> 找任意节点到任意节点的最大路径和（可以不经过根节点） + +**💡 核心思路**：后序遍历 + 状态维护 + +- 对每个节点，考虑经过该节点的最大路径和 +- 返回值是从该节点向下的最大路径和 +- 全局变量记录所有可能路径的最大值 + +**🔑 记忆技巧**： + +- **口诀**："后序求贡献，全局记录最大值" + +```java +private int maxSum = Integer.MIN_VALUE; + +public int maxPathSum(TreeNode root) { + maxSum = Integer.MIN_VALUE; + maxGain(root); + return maxSum; +} + +private int maxGain(TreeNode node) { + if (node == null) return 0; + + // 递归计算左右子树的最大贡献值 + // 只有在贡献值大于0时才选择该子树 + int leftGain = Math.max(maxGain(node.left), 0); + int rightGain = Math.max(maxGain(node.right), 0); + + // 经过当前节点的最大路径和 + int pathSum = node.val + leftGain + rightGain; + + // 更新全局最大值 + maxSum = Math.max(maxSum, pathSum); + + // 返回从当前节点向下的最大路径和 + return node.val + Math.max(leftGain, rightGain); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(h) - 递归栈深度 + +--- + +## 🏗️ 三、构造变换类 + +### 💡 核心思想 + +- **递归构造**：根据遍历序列的性质递归建树 +- **树的变换**：翻转、对称等操作 +- **结构比较**：递归比较两树的结构和值 + +### [105. 从前序与中序遍历序列构造二叉树](https://leetcode.cn/problems/construct-binary-tree-from-preorder-and-inorder-traversal/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：构造经典** + +> 根据前序和中序遍历结果构造唯一二叉树 + +**💡 核心思路**：分治递归 + +- 前序第一个元素是根节点 +- 在中序中找根节点位置，划分左右子树 +- 递归构造左右子树 + +**🔑 记忆技巧**： + +- **口诀**："前序定根节点，中序划左右" + +```java +public TreeNode buildTree(int[] preorder, int[] inorder) { + // 构建中序遍历的值到索引的映射 + Map inorderMap = new HashMap<>(); + for (int i = 0; i < inorder.length; i++) { + inorderMap.put(inorder[i], i); + } + + return build(preorder, 0, preorder.length - 1, + inorder, 0, inorder.length - 1, inorderMap); +} + +private TreeNode build(int[] preorder, int preStart, int preEnd, + int[] inorder, int inStart, int inEnd, + Map inorderMap) { + if (preStart > preEnd) return null; + + // 前序遍历第一个元素是根节点 + int rootVal = preorder[preStart]; + TreeNode root = new TreeNode(rootVal); + + // 在中序遍历中找到根节点的位置 + int rootIndex = inorderMap.get(rootVal); + + // 左子树的节点数量 + int leftSize = rootIndex - inStart; + + // 递归构造左右子树 + root.left = build(preorder, preStart + 1, preStart + leftSize, + inorder, inStart, rootIndex - 1, inorderMap); + root.right = build(preorder, preStart + leftSize + 1, preEnd, + inorder, rootIndex + 1, inEnd, inorderMap); + + return root; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点创建一次 +- **空间复杂度**：O(n) - 哈希表和递归栈 + +### [226. 翻转二叉树](https://leetcode.cn/problems/invert-binary-tree/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：基础操作** + +> 翻转二叉树：交换每个节点的左右子树 + +**💡 核心思路**：递归交换 + +- 递归翻转左右子树 +- 交换当前节点的左右子树 + +**🔑 记忆技巧**： + +- **口诀**："递归翻转左右子树，交换当前左右指针" + +```java +public TreeNode invertTree(TreeNode root) { + if (root == null) return null; + + // 递归翻转左右子树 + TreeNode left = invertTree(root.left); + TreeNode right = invertTree(root.right); + + // 交换左右子树 + root.left = right; + root.right = left; + + return root; +} +``` + +**🔧 迭代解法**： + +```java +public TreeNode invertTree(TreeNode root) { + if (root == null) return null; + + Queue queue = new LinkedList<>(); + queue.offer(root); + + while (!queue.isEmpty()) { + TreeNode node = queue.poll(); + + // 交换左右子树 + TreeNode temp = node.left; + node.left = node.right; + node.right = temp; + + if (node.left != null) queue.offer(node.left); + if (node.right != null) queue.offer(node.right); + } + + return root; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 访问每个节点 +- **空间复杂度**：O(h) - 递归栈深度 + +### [101. 对称二叉树](https://leetcode.cn/problems/symmetric-tree/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：结构判断** + +> 判断二叉树是否关于根节点对称 + +**💡 核心思路**：递归比较 + +- 比较左子树的左孩子和右子树的右孩子 +- 比较左子树的右孩子和右子树的左孩子 + +**🔑 记忆技巧**： + +- **口诀**："左左对右右，左右对右左" + +```java +public boolean isSymmetric(TreeNode root) { + if (root == null) return true; + return isSymmetricHelper(root.left, root.right); +} + +private boolean isSymmetricHelper(TreeNode left, TreeNode right) { + // 都为空，对称 + if (left == null && right == null) return true; + + // 一个为空一个不为空，不对称 + if (left == null || right == null) return false; + + // 值不同，不对称 + if (left.val != right.val) return false; + + // 递归检查 + return isSymmetricHelper(left.left, right.right) && + isSymmetricHelper(left.right, right.left); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 最坏情况访问所有节点 +- **空间复杂度**：O(h) - 递归栈深度 + +### [100. 相同的树](https://leetcode.cn/problems/same-tree/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：基础比较** + +> 判断两棵二叉树是否相同 + +**💡 核心思路**：递归比较 + +- 比较当前节点值 +- 递归比较左右子树 + +**🔑 记忆技巧**： + +- **口诀**："值相同且结构同，递归比较左右树" + +```java +public boolean isSameTree(TreeNode p, TreeNode q) { + // 都为空 + if (p == null && q == null) return true; + + // 一个为空一个不为空 + if (p == null || q == null) return false; + + // 值不同 + if (p.val != q.val) return false; + + // 递归比较左右子树 + return isSameTree(p.left, q.left) && isSameTree(p.right, q.right); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(min(m,n)) - m,n分别为两树的节点数 +- **空间复杂度**：O(min(m,n)) - 递归栈深度 + +--- + +## ⚖️ 四、平衡验证类 + +### 💡 核心思想 + +- **平衡判断**：检查每个节点的左右子树高度差 +- **BST验证**：利用中序遍历或范围检查 +- **有序性利用**：BST的中序遍历是有序的 + +### [110. 平衡二叉树](https://leetcode.cn/problems/balanced-binary-tree/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：平衡树理解** + +> 判断二叉树是否为高度平衡的（每个节点的左右子树高度差不超过1） + +**💡 核心思路**：后序遍历 + 高度计算 + +- 先递归计算左右子树高度 +- 检查高度差是否超过1 +- 返回当前树的高度 + +**🔑 记忆技巧**： + +- **口诀**："后序算高度，高度差不超一" + +```java +public boolean isBalanced(TreeNode root) { + return height(root) >= 0; +} + +private int height(TreeNode root) { + if (root == null) return 0; + + int leftHeight = height(root.left); + int rightHeight = height(root.right); + + // 左右子树有一个不平衡，或当前节点不平衡 + if (leftHeight == -1 || rightHeight == -1 || + Math.abs(leftHeight - rightHeight) > 1) { + return -1; + } + + return Math.max(leftHeight, rightHeight) + 1; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(h) - 递归栈深度 + +### [98. 验证二叉搜索树](https://leetcode.cn/problems/validate-binary-search-tree/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：BST性质理解** + +> 判断二叉树是否为有效的二叉搜索树 + +**💡 核心思路**：范围检查或中序遍历 + +- 方法1：递归时维护节点值的有效范围 +- 方法2：中序遍历结果应该严格递增 + +**🔑 记忆技巧**： + +- **口诀**："范围递归或中序，严格递增是关键" + +```java +// 方法1：范围检查 +public boolean isValidBST(TreeNode root) { + return validate(root, null, null); +} + +private boolean validate(TreeNode node, Integer lower, Integer upper) { + if (node == null) return true; + + int val = node.val; + + // 检查当前节点是否在有效范围内 + if (lower != null && val <= lower) return false; + if (upper != null && val >= upper) return false; + + // 递归检查左右子树 + return validate(node.left, lower, val) && + validate(node.right, val, upper); +} +``` + +**🔧 中序遍历法**： + +```java +private Integer prev = null; + +public boolean isValidBST(TreeNode root) { + prev = null; + return inorder(root); +} + +private boolean inorder(TreeNode root) { + if (root == null) return true; + + // 检查左子树 + if (!inorder(root.left)) return false; + + // 检查当前节点 + if (prev != null && root.val <= prev) return false; + prev = root.val; + + // 检查右子树 + return inorder(root.right); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 访问每个节点 +- **空间复杂度**：O(h) - 递归栈深度 + +### [230. 二叉搜索树中第K小的元素](https://leetcode.cn/problems/kth-smallest-element-in-a-bst/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：BST应用** + +> 找到二叉搜索树中第k小的元素 + +**💡 核心思路**：中序遍历 + +- BST的中序遍历结果是有序的 +- 遍历到第k个元素时返回 + +**🔑 记忆技巧**： + +- **口诀**："BST中序有序，第k个即答案" + +```java +private int count = 0; +private int result = 0; + +public int kthSmallest(TreeNode root, int k) { + count = 0; + inorder(root, k); + return result; +} + +private void inorder(TreeNode root, int k) { + if (root == null) return; + + inorder(root.left, k); + + count++; + if (count == k) { + result = root.val; + return; + } + + inorder(root.right, k); +} +``` + +**🔧 迭代解法**： + +```java +public int kthSmallest(TreeNode root, int k) { + Stack stack = new Stack<>(); + TreeNode current = root; + + while (current != null || !stack.isEmpty()) { + while (current != null) { + stack.push(current); + current = current.left; + } + + current = stack.pop(); + k--; + if (k == 0) return current.val; + + current = current.right; + } + + return -1; // 不会到达这里 +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(h + k) - h为树高，k为目标位置 +- **空间复杂度**：O(h) - 递归栈或显式栈 + +--- + +## 🎯 五、搜索树操作类 + +### 💡 核心思想 + +- **BST性质**：左小右大的有序性 +- **查找效率**：利用有序性快速定位 +- **递归操作**：插入、删除、查找的递归实现 + +### [235. 二叉搜索树的最近公共祖先](https://leetcode.cn/problems/lowest-common-ancestor-of-a-binary-search-tree/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：BST应用** + +> 找到BST中两个节点的最近公共祖先 + +**💡 核心思路**：利用BST性质 + +- 如果两个节点都在左子树，向左找 +- 如果两个节点都在右子树，向右找 +- 否则当前节点就是LCA + +**🔑 记忆技巧**： + +- **口诀**："同侧继续找，异侧即祖先" + +```java +public TreeNode lowestCommonAncestor(TreeNode root, TreeNode p, TreeNode q) { + if (root == null) return null; + + // 两个节点都在左子树 + if (p.val < root.val && q.val < root.val) { + return lowestCommonAncestor(root.left, p, q); + } + + // 两个节点都在右子树 + if (p.val > root.val && q.val > root.val) { + return lowestCommonAncestor(root.right, p, q); + } + + // 一个在左，一个在右，或者其中一个就是根节点 + return root; +} +``` + +**🔧 迭代解法**： + +```java +public TreeNode lowestCommonAncestor(TreeNode root, TreeNode p, TreeNode q) { + TreeNode current = root; + + while (current != null) { + if (p.val < current.val && q.val < current.val) { + current = current.left; + } else if (p.val > current.val && q.val > current.val) { + current = current.right; + } else { + return current; + } + } + + return null; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(h) - h为树的高度 +- **空间复杂度**：O(1) - 迭代版本为常数空间 + +### [450. 删除二叉搜索树中的节点](https://leetcode.cn/problems/delete-node-in-a-bst/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：BST操作** + +> 删除BST中的指定节点，保持BST性质 + +**💡 核心思路**：分情况讨论 + +- 叶子节点：直接删除 +- 只有一个子树：用子树替代 +- 有两个子树：用右子树最小值（或左子树最大值）替代 + +**🔑 记忆技巧**： + +- **口诀**："叶子直删，单子替代，双子找后继" + +```java +public TreeNode deleteNode(TreeNode root, int key) { + if (root == null) return null; + + if (key < root.val) { + // 在左子树中删除 + root.left = deleteNode(root.left, key); + } else if (key > root.val) { + // 在右子树中删除 + root.right = deleteNode(root.right, key); + } else { + // 找到要删除的节点 + if (root.left == null) { + return root.right; + } else if (root.right == null) { + return root.left; + } else { + // 有两个子树，找右子树的最小值 + TreeNode minNode = findMin(root.right); + root.val = minNode.val; + root.right = deleteNode(root.right, minNode.val); + } + } + + return root; +} + +private TreeNode findMin(TreeNode root) { + while (root.left != null) { + root = root.left; + } + return root; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(h) - h为树的高度 +- **空间复杂度**：O(h) - 递归栈深度 + +### [108. 将有序数组转换为二叉搜索树](https://leetcode.cn/problems/convert-sorted-array-to-binary-search-tree/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：BST构造** + +> 将有序数组转换为高度平衡的BST + +**💡 核心思路**：分治递归 + +- 选择数组中间元素作为根节点 +- 递归构造左右子树 + +**🔑 记忆技巧**： + +- **口诀**："中间作根，左右递归" + +```java +public TreeNode sortedArrayToBST(int[] nums) { + return helper(nums, 0, nums.length - 1); +} + +private TreeNode helper(int[] nums, int left, int right) { + if (left > right) return null; + + // 选择中间位置作为根节点 + int mid = left + (right - left) / 2; + TreeNode root = new TreeNode(nums[mid]); + + // 递归构造左右子树 + root.left = helper(nums, left, mid - 1); + root.right = helper(nums, mid + 1, right); + + return root; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个元素访问一次 +- **空间复杂度**：O(logn) - 递归栈深度 + +--- + +## 📊 六、树形DP类 + +### 💡 核心思想 + +- **状态定义**：每个节点维护所需的状态信息 +- **状态转移**：根据子树状态计算当前状态 +- **最优子结构**：问题的最优解包含子问题的最优解 + +### [337. 打家劫舍 III](https://leetcode.cn/problems/house-robber-iii/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：树形DP经典** + +> 在二叉树上进行打家劫舍，相邻节点不能同时被选择 + +**💡 核心思路**：树形DP + +- 对每个节点维护两个状态：偷和不偷 +- 偷当前节点：不能偷子节点 +- 不偷当前节点：可以选择偷或不偷子节点 + +**🔑 记忆技巧**： + +- **口诀**："偷根不偷子，不偷根选子树最优" + +```java +public int rob(TreeNode root) { + int[] result = robHelper(root); + return Math.max(result[0], result[1]); +} + +// 返回数组：[不偷当前节点的最大值, 偷当前节点的最大值] +private int[] robHelper(TreeNode root) { + if (root == null) return new int[]{0, 0}; + + int[] left = robHelper(root.left); + int[] right = robHelper(root.right); + + // 不偷当前节点：可以选择偷或不偷子节点 + int notRob = Math.max(left[0], left[1]) + Math.max(right[0], right[1]); + + // 偷当前节点：不能偷子节点 + int rob = root.val + left[0] + right[0]; + + return new int[]{notRob, rob}; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(h) - 递归栈深度 + +### [543. 二叉树的直径](https://leetcode.cn/problems/diameter-of-binary-tree/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：路径长度计算** + +> 计算二叉树中任意两个节点路径长度的最大值 + +**💡 核心思路**：DFS + 路径计算 + +- 对每个节点，计算经过该节点的最长路径 +- 路径长度 = 左子树深度 + 右子树深度 +- 全局变量记录最大路径长度 + +**🔑 记忆技巧**： + +- **口诀**："左深加右深，全局记最大" + +```java +private int diameter = 0; + +public int diameterOfBinaryTree(TreeNode root) { + diameter = 0; + depth(root); + return diameter; +} + +private int depth(TreeNode root) { + if (root == null) return 0; + + int leftDepth = depth(root.left); + int rightDepth = depth(root.right); + + // 更新直径：经过当前节点的路径长度 + diameter = Math.max(diameter, leftDepth + rightDepth); + + // 返回当前节点的深度 + return Math.max(leftDepth, rightDepth) + 1; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(h) - 递归栈深度 + +### [572. 另一棵树的子树](https://leetcode.cn/problems/subtree-of-another-tree/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：子树匹配** + +> 判断一棵树是否为另一棵树的子树 + +**💡 核心思路**：递归 + 树匹配 + +- 遍历主树的每个节点 +- 对每个节点检查是否与子树相同 + +**🔑 记忆技巧**： + +- **口诀**："遍历主树每个点，相同判断为子树" + +```java +public boolean isSubtree(TreeNode root, TreeNode subRoot) { + if (root == null) return false; + + // 检查当前节点为根的树是否与subRoot相同 + if (isSame(root, subRoot)) return true; + + // 递归检查左右子树 + return isSubtree(root.left, subRoot) || isSubtree(root.right, subRoot); +} + +private boolean isSame(TreeNode s, TreeNode t) { + if (s == null && t == null) return true; + if (s == null || t == null) return false; + if (s.val != t.val) return false; + + return isSame(s.left, t.left) && isSame(s.right, t.right); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(m×n) - m,n分别为两树的节点数 +- **空间复杂度**：O(max(h1,h2)) - 递归栈深度 + +--- + +## 🔄 七、序列化类 + +### 💡 核心思想 + +- **序列化**：将树结构转换为字符串 +- **反序列化**：从字符串重建树结构 +- **编码策略**：前序、层序等不同的编码方式 + +### [297. 二叉树的序列化与反序列化](https://leetcode.cn/problems/serialize-and-deserialize-binary-tree/) + +**🎯 考察频率：极高 | 难度：困难 | 重要性：综合能力考察** + +> 设计算法来序列化和反序列化二叉树 + +**💡 核心思路**：前序遍历 + 递归构造 + +- 序列化：前序遍历，null用特殊符号表示 +- 反序列化：根据前序遍历的性质递归构造 + +**🔑 记忆技巧**： + +- **口诀**："前序序列化，递归反序列" + +```java +public class Codec { + private static final String NULL = "#"; + private static final String SEP = ","; + + // 序列化 + public String serialize(TreeNode root) { + StringBuilder sb = new StringBuilder(); + serialize(root, sb); + return sb.toString(); + } + + private void serialize(TreeNode root, StringBuilder sb) { + if (root == null) { + sb.append(NULL).append(SEP); + return; + } + + sb.append(root.val).append(SEP); + serialize(root.left, sb); + serialize(root.right, sb); + } + + // 反序列化 + public TreeNode deserialize(String data) { + Queue queue = new LinkedList<>(Arrays.asList(data.split(SEP))); + return deserialize(queue); + } + + private TreeNode deserialize(Queue queue) { + String val = queue.poll(); + if (NULL.equals(val)) return null; + + TreeNode root = new TreeNode(Integer.parseInt(val)); + root.left = deserialize(queue); + root.right = deserialize(queue); + + return root; + } +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 序列化和反序列化都是O(n) +- **空间复杂度**：O(n) - 存储序列化结果 + +--- + +## 🚀 八、进阶技巧类 + +### 💡 核心思想 + +- **原地操作**：在原树结构上进行变换 +- **指针操作**：巧妙使用指针连接节点 +- **空间优化**：常数空间完成复杂操作 + +### [114. 二叉树展开为链表](https://leetcode.cn/problems/flatten-binary-tree-to-linked-list/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：树变链表** + +> 将二叉树展开为单链表（按前序遍历顺序） + +**💡 核心思路**：后序遍历 + 原地操作 + +- 先处理右子树，再处理左子树 +- 将左子树插入到根节点和右子树之间 + +**🔑 记忆技巧**： + +- **口诀**："后序处理，左插右连" + +```java +public void flatten(TreeNode root) { + if (root == null) return; + + // 先递归展开左右子树 + flatten(root.left); + flatten(root.right); + + // 保存右子树 + TreeNode right = root.right; + + // 将左子树移到右边 + root.right = root.left; + root.left = null; + + // 找到当前右子树的末尾，连接原来的右子树 + TreeNode current = root; + while (current.right != null) { + current = current.right; + } + current.right = right; +} +``` + +**🔧 前序遍历解法**： + +```java +private TreeNode prev = null; + +public void flatten(TreeNode root) { + if (root == null) return; + + flatten(root.right); + flatten(root.left); + + root.right = prev; + root.left = null; + prev = root; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(h) - 递归栈深度 + +### [116. 填充每个节点的下一个右侧节点指针](https://leetcode.cn/problems/populating-next-right-pointers-in-each-node/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：层序连接** + +> 填充每个节点的next指针，指向其下一个右侧节点 + +**💡 核心思路**：层序遍历 + 指针连接 + +- 利用已建立的next指针遍历当前层 +- 连接下一层的节点 + +**🔑 记忆技巧**： + +- **口诀**："当前层遍历，下层建连接" + +```java +public Node connect(Node root) { + if (root == null) return null; + + Node leftmost = root; + + while (leftmost.left != null) { + Node head = leftmost; + + while (head != null) { + // 连接左右子节点 + head.left.next = head.right; + + // 连接右子节点和下一个节点的左子节点 + if (head.next != null) { + head.right.next = head.next.left; + } + + head = head.next; + } + + leftmost = leftmost.left; + } + + return root; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个节点访问一次 +- **空间复杂度**：O(1) - 常数空间 + +### [958. 二叉树的完全性检验](https://leetcode.cn/problems/check-completeness-of-a-binary-tree/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：完全二叉树判断** + +> 判断给定的二叉树是否是完全二叉树 + +**💡 核心思路**：层序遍历 + 空节点检查 + +- 完全二叉树的层序遍历中，一旦出现空节点，后面就不能再有非空节点 +- 使用BFS，遇到第一个空节点后，检查后续是否都为空 + +**🔑 记忆技巧**： + +- **口诀**："层序遍历遇空停，后续全空才完全" + +```java +public boolean isCompleteTree(TreeNode root) { + if (root == null) return true; + + Queue queue = new LinkedList<>(); + queue.offer(root); + boolean foundNull = false; + + while (!queue.isEmpty()) { + TreeNode node = queue.poll(); + + if (node == null) { + foundNull = true; + } else { + // 如果之前遇到过空节点，现在又遇到非空节点，不是完全二叉树 + if (foundNull) return false; + + queue.offer(node.left); + queue.offer(node.right); + } + } + + return true; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 最坏情况访问所有节点 +- **空间复杂度**：O(w) - 队列存储的最大宽度 + +### [117. 填充每个节点的下一个右侧节点指针 II](https://leetcode.cn/problems/populating-next-right-pointers-in-each-node-ii/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：任意二叉树的指针连接** + +> 填充每个节点的next指针，指向其下一个右侧节点（不是完全二叉树） + +**💡 核心思路**：层序遍历或利用已建立的next指针 + +- 方法1：层序遍历，逐层连接 +- 方法2：利用上层已建立的next指针遍历，连接下层 + +**🔑 记忆技巧**： + +- **口诀**："层序连接或上层带下层" + +```java +// 方法1：层序遍历 +public Node connect(Node root) { + if (root == null) return null; + + Queue queue = new LinkedList<>(); + queue.offer(root); + + while (!queue.isEmpty()) { + int size = queue.size(); + Node prev = null; + + for (int i = 0; i < size; i++) { + Node node = queue.poll(); + + if (prev != null) { + prev.next = node; + } + prev = node; + + if (node.left != null) queue.offer(node.left); + if (node.right != null) queue.offer(node.right); + } + } + + return root; +} +``` + +**🔧 O(1)空间解法**： + +```java +public Node connect(Node root) { + Node head = root; + + while (head != null) { + Node dummy = new Node(0); + Node tail = dummy; + + // 遍历当前层，连接下一层 + while (head != null) { + if (head.left != null) { + tail.next = head.left; + tail = tail.next; + } + if (head.right != null) { + tail.next = head.right; + tail = tail.next; + } + head = head.next; + } + + head = dummy.next; + } + + return root; +} +``` + +**⏱️ 复杂度分析**： + +- **层序遍历**： + - 时间复杂度：O(n) - 每个节点访问一次 + - 空间复杂度：O(w) - 队列空间 +- **O(1)空间解法**： + - 时间复杂度：O(n) - 每个节点访问一次 + - 空间复杂度：O(1) - 常数空间 + +--- + +## 🏆 面试前15分钟速记表 + +| 题型分类 | 核心技巧 | 高频题目 | 记忆口诀 | 难度 | +| -------------- | --------- | ------------------------------------------------------------ | ---------------------------------------------- | ----- | +| **遍历基础** | 递归+迭代 | 前序遍历、中序遍历、后序遍历、层序遍历、锯齿形遍历、完全二叉树的节点个数、在每个树行中找最大值、二叉树最大宽度 | 前序根左右，中序左根右，后序左右根，层序逐层走 | ⭐⭐⭐ | +| **查找路径** | DFS+回溯 | 最大深度、最小深度、路径总和、路径总和II、二叉树的右视图、路径总和III、二叉树的最近公共祖先、最大路径和 | 递归求深度，回溯记路径，路径和用DFS | ⭐⭐⭐⭐ | +| **构造变换** | 分治递归 | 从遍历序列构造树、翻转二叉树、对称二叉树、相同的树 | 前序定根节点，中序划左右，递归翻转左右子树 | ⭐⭐⭐⭐ | +| **平衡验证** | 性质检查 | 平衡二叉树、验证BST、BST中第K小元素 | 后序算高度，范围验证BST，中序遍历有序性 | ⭐⭐⭐⭐ | +| **搜索树操作** | BST性质 | BST的LCA、删除BST节点、有序数组转BST | 左小右大有序性，同侧继续找，异侧即祖先 | ⭐⭐⭐⭐ | +| **树形DP** | 状态转移 | 打家劫舍III、二叉树直径、另一棵树的子树 | 偷根不偷子，不偷根选最优，左深加右深 | ⭐⭐⭐⭐⭐ | +| **序列化** | 编码重建 | 二叉树序列化与反序列化 | 前序序列化，递归反序列 | ⭐⭐⭐⭐⭐ | +| **进阶技巧** | 原地操作 | 展开为链表、填充next指针、二叉树的完全性检验、填充next指针II | 后序处理左插右连，当前层遍历下层建连接 | ⭐⭐⭐⭐⭐ | + +### 按难度分级 + +- **⭐⭐⭐ 简单必会**：前序中序后序遍历、最大最小深度、翻转二叉树、对称二叉树、相同的树、平衡二叉树 +- **⭐⭐⭐⭐ 中等重点**：层序遍历、锯齿形遍历、路径总和II、从遍历序列构造树、验证BST、BST第K小元素、打家劫舍III、二叉树直径 +- **⭐⭐⭐⭐⭐ 困难经典**：最大路径和、序列化与反序列化、展开为链表 + +### 热题100核心优先级 + +1. **二叉树的中序遍历** - 递归和迭代两种写法 +2. **二叉树的层序遍历** - BFS模板题 +3. **二叉树的最大深度** - 递归入门 +4. **翻转二叉树** - 基础操作 +5. **对称二叉树** - 递归比较 +6. **路径总和** - DFS应用 +7. **从前序与中序构造二叉树** - 分治思想 +8. **验证二叉搜索树** - BST性质 +9. **二叉树中的最大路径和** - 树形DP经典 +10. **二叉树的序列化与反序列化** - 综合能力 + +### 热题100题目统计 + +- **总题目数**：38+道热题100二叉树题目 +- **新增重要题目**：LC199二叉树的右视图、LC437路径总和III、LC236二叉树的最近公共祖先、LC222完全二叉树的节点个数、LC515在每个树行中找最大值、LC662二叉树最大宽度、LC958二叉树的完全性检验、LC117填充每个节点的下一个右侧节点指针II +- **覆盖率**：100%覆盖热题100中的二叉树相关题目，并补充了重要的面试高频题 +- **核心算法**：递归、DFS、BFS、分治、动态规划、前缀和、位置编码 + +### 常见陷阱提醒 + +- ⚠️ **空指针**：`root == null` 的边界处理 +- ⚠️ **递归终止**：明确递归的出口条件 +- ⚠️ **返回值**：确保每个递归分支都有返回值 +- ⚠️ **全局变量**：多次调用时要重置全局变量 +- ⚠️ **BST性质**：注意是严格大于/小于，不能相等 + +### 解题步骤提醒 + +1. **确定递归函数的定义**：明确函数的输入输出 +2. **确定递归终止条件**：通常是`root == null` +3. **确定单层递归逻辑**：当前节点应该做什么 +4. **考虑返回值**：是否需要返回值来传递信息 + +--- + +*🎯 备注：本总结涵盖了二叉树算法的核心知识点，建议配合实际编程练习，重点掌握递归思维和分治思想。* + diff --git a/docs/data-structure-algorithms/soultion/DFS-Solution.md b/docs/data-structure-algorithms/soultion/DFS-Solution.md new file mode 100644 index 0000000000..2c423c6802 --- /dev/null +++ b/docs/data-structure-algorithms/soultion/DFS-Solution.md @@ -0,0 +1,1176 @@ +--- +title: DFS-热题 +date: 2025-04-08 +tags: + - DFS + - algorithms +categories: leetcode +--- + +![](https://img.starfish.ink/leetcode/leetcode-banner.png) + +> **导读**：深度优先搜索(DFS)是最重要的图论算法之一，也是面试中的高频考点。从简单的图遍历到复杂的回溯问题，DFS的应用无处不在。掌握DFS的核心思想和常见模板，是解决树、图、回溯等问题的关键。 +> +> **关键词**：深度优先搜索、回溯算法、树遍历、图遍历、递归 + +### 📋 分类索引 + +1. **🔥 基础DFS应用类（4题）**：[岛屿数量](#_200-岛屿数量)、[单词搜索](#_79-单词搜索)、[岛屿的最大面积](#_695-岛屿的最大面积)、[被围绕的区域](#_130-被围绕的区域) +2. **🌳 树的DFS应用类（9题）**：[二叉树的最大深度](#_104-二叉树的最大深度)、[验证二叉搜索树](#_98-验证二叉搜索树)、[二叉树的直径](#_543-二叉树的直径)、[对称二叉树](#_101-对称二叉树)、[二叉树的最小深度](#_111-二叉树的最小深度)、[路径总和III](#_437-路径总和-iii)、[把二叉搜索树转换为累加树](#_538-把二叉搜索树转换为累加树)、[二叉树中的最大路径和](#_124-二叉树中的最大路径和)、[从前序与中序遍历序列构造二叉树](#_105-从前序与中序遍历序列构造二叉树) +3. **🔄 回溯算法类（7题）**：[全排列](#_46-全排列)、[组合总和](#_39-组合总和)、[子集](#_78-子集)、[括号生成](#_22-括号生成)、[电话号码的字母组合](#_17-电话号码的字母组合)、[分割回文串](#_131-分割回文串)、[目标和](#_494-目标和) +4. **🔍 图论算法类（2题）**：[课程表II](#_210-课程表ii) +5. **🌟 高级技巧类（1题）**：[单词拆分](#_139-单词拆分) + +### 🎯 核心考点概览 + +- **基础DFS遍历**：图和矩阵的深度优先搜索，连通性检测 +- **树的DFS应用**：前中后序遍历，路径搜索，树的性质验证 +- **回溯算法**：全排列、组合、子集等搜索所有可能解 +- **图论应用**：环检测、拓扑排序、最长路径搜索 + +我们按分类，逐个攻破~ + +### 📝 必掌握模板 + +```java +// 基础DFS遍历模板 +void dfs(int[][] grid, int i, int j) { + // 边界条件检查 + if (i < 0 || j < 0 || i >= grid.length || j >= grid[0].length) { + return; + } + // 标记已访问 + grid[i][j] = visited_mark; + + // 向四个方向递归 + dfs(grid, i + 1, j); // 下 + dfs(grid, i - 1, j); // 上 + dfs(grid, i, j + 1); // 右 + dfs(grid, i, j - 1); // 左 +} + +// 回溯DFS模板 +void backtrack(参数列表) { + if (终止条件) { + 收集结果; + return; + } + + for (选择 : 选择列表) { + 做选择; + backtrack(参数列表); + 撤销选择; + } +} +``` + +#### 边界检查清单 + +- ✅ 数组越界：确保索引在有效范围内 +- ✅ 访问标记：避免重复访问同一节点 +- ✅ 终止条件：明确递归的出口 +- ✅ 状态恢复：回溯时正确恢复状态 + +#### 💡 记忆口诀（朗朗上口版） + +- **基础DFS**：\"边界检查要仔细，标记访问防重复\" +- **树的遍历**：\"左右子树递归走，根据题意选时机\" +- **回溯算法**：\"做选择，递归下，撤选择，要记下\" +- **图的搜索**：\"四方向，都要走，条件满足才递归\" + +**最重要的一个技巧就是，你得行动，写起来** + +--- + +## 一、DFS 算法简介与核心思想 + +### 💡 核心思想 + +- **递归或栈实现**：通过递归隐式利用系统栈，或显式使用栈数据结构 +- **标记与回溯**：访问节点后标记防止重复，搜索到底后回溯到分叉点继续其他分支 +- **深度优先**：尽可能深地探索每个分支，直到无法继续再回溯探索其他分支 + +### 🎯 常见应用场景 + +1. **图的连通性检测**：如岛屿数量、被围绕的区域、判断图中是否存在一条路径 +2. **回溯问题**：组合、排列、子集、分割、数独、八皇后等 +3. **树的相关问题**：路径和、验证二叉搜索树、序列化等 +4. **矩阵搜索问题**：单词搜索、黄金矿工问题 +5. **拓扑排序与环检测**：课程表问题 + +### ⚡ 复杂度分析 + +- **时间复杂度**：通常为 $O(N)$ 或 $O(N+M)$（N 为节点数，M 为边数） +- **空间复杂度**：与递归深度相关，最坏情况 $O(N)$（如链表结构） + +--- + +## 二、基础DFS应用类（核心中的核心）🔥 + +**💡 核心思想** + +- **图的遍历**：深度优先遍历图或矩阵，标记已访问节点 +- **连通性检测**：判断图中节点的连通性，如岛屿数量问题 +- **路径搜索**：在图或矩阵中搜索满足条件的路径 + +**🎯 必掌握模板** + +```java +// 基础DFS遍历模板（四方向） +void dfs(int[][] grid, int i, int j) { + // 边界条件检查 + if (i < 0 || j < 0 || i >= grid.length || j >= grid[0].length || grid[i][j] == 0) { + return; + } + // 标记已访问 + grid[i][j] = 0; // 或其他标记值 + + // 向四个方向递归 + dfs(grid, i + 1, j); // 下 + dfs(grid, i - 1, j); // 上 + dfs(grid, i, j + 1); // 右 + dfs(grid, i, j - 1); // 左 +} +``` + +### [200. 岛屿数量](https://leetcode.cn/problems/number-of-islands/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：DFS基础经典** + +> 给你一个由 `'1'`（陆地）和 `'0'`（水）组成的的二维网格，请你计算网格中岛屿的数量。 +> +> 岛屿总是被水包围，并且每座岛屿只能由水平方向和/或竖直方向上相邻的陆地连接形成。 +> +> 此外，你可以假设该网格的四条边均被水包围。 +> +> ``` +> 输入：grid = [ +> ['1','1','0','0','0'], +> ['1','1','0','0','0'], +> ['0','0','1','0','0'], +> ['0','0','0','1','1'] +> ] +> 输出：3 +> ``` + +**💡 核心思路**：DFS + 标记已访问。为了求出岛屿的数量，我们可以扫描整个二维网格。如果一个位置为 1，则以其为起始节点开始进行深度优先搜索。在深度优先搜索的过程中，每个搜索到的 1 都会被重新标记为 0。 + +最终岛屿的数量就是我们进行深度优先搜索的次数。 + +```java +public class Solution { + public int numIslands(char[][] grid) { + int count = 0; + for (int i = 0; i < grid.length; i++) { + for (int j = 0; j < grid[0].length; j++) { + // 如果当前是陆地，才开始一次DFS遍历 + if (grid[i][j] == '1') { + dfs(grid, i, j); + count++; + } + } + } + return count; + } + + private void dfs(char[][] grid, int r, int c) { + // 边界检查和当前位置是否为陆地 + if (r < 0 || c < 0 || r >= grid.length || c >= grid[0].length || grid[r][c] != '1') { + return; + } + // 将当前位置标记为已访问 + grid[r][c] = '0'; // 淹没陆地 + + // 访问上、下、左、右四个相邻结点 + dfs(grid, r + 1, c); + dfs(grid, r - 1, c); + dfs(grid, r, c + 1); + dfs(grid, r, c - 1); + } +} +``` + +**⏱️ 复杂度分析**： +- **时间复杂度**：O(MN) - 每个格子最多访问一次 +- **空间复杂度**：O(MN) - 最坏情况下递归栈深度 + +### [79. 单词搜索](https://leetcode.cn/problems/word-search/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：DFS + 回溯经典** + +> 给定一个 `m x n` 二维字符网格 `board` 和一个字符串单词 `word`。如果 `word` 存在于网格中，返回 `true`；否则，返回 `false`。 +> +> 单词必须按照字母顺序，通过相邻的单元格内的字母构成，其中"相邻"单元格是那些水平相邻或垂直相邻的单元格。同一个单元格内的字母不允许被重复使用。 + +**💡 核心思路**：DFS + 回溯，从每个起点出发四方向搜索匹配字符 + +```java +public boolean exist(char[][] board, String word) { + // 遍历网格中的每一个单元格作为起始点 + for (int i = 0; i < board.length; i++) { + for (int j = 0; j < board[0].length; j++) { + if (dfs(board, word, 0, i, j)) { + return true; // 找到路径立即返回 + } + } + } + return false; // 全部遍历后仍未找到 +} + +private boolean dfs(char[][] board, String word, int idx, int r, int c) { + // 成功条件：已匹配完所有字符 + if (idx == word.length()) return true; + + // 边界检查 + 剪枝（当前字符不匹配） + if (r < 0 || c < 0 || r >= board.length || c >= board[0].length + || board[r][c] != word.charAt(idx)) { + return false; + } + + // 标记已访问（防止重复使用） + char tmp = board[r][c]; + board[r][c] = '#'; + + // 向四个方向递归搜索 + boolean res = dfs(board, word, idx + 1, r + 1, c) // 向下 + || dfs(board, word, idx + 1, r - 1, c) // 向上 + || dfs(board, word, idx + 1, r, c + 1) // 向右 + || dfs(board, word, idx + 1, r, c - 1); // 向左 + + // 回溯：恢复现场 + board[r][c] = tmp; + + return res; +} +``` + +**⏱️ 复杂度分析**： +- **时间复杂度**：O(MN × 3^L) - L为单词长度，每个位置最多3个方向（不回头） +- **空间复杂度**：O(L) - 递归栈深度 + +### [695. 岛屿的最大面积](https://leetcode.cn/problems/max-area-of-island/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：DFS计数应用** + +> 给你一个大小为 `m x n` 的二进制矩阵 `grid`。**岛屿**是由一些相邻的 `1` (代表土地) 构成的组合，这里的「相邻」要求两个 `1` 必须在 **水平或者竖直的四个方向上** 相邻。你可以假设 `grid` 的四个边缘都被 `0`（代表水）包围着。 +> +> 岛屿的面积是岛上值为 `1` 的单元格的数目。计算并返回 `grid` 中最大的岛屿面积。如果没有岛屿，则返回面积为 `0` 。 + +**💡 核心思路**：DFS计算每个岛屿面积，取最大值 + +```java +public int maxAreaOfIsland(int[][] grid) { + int maxArea = 0; + for (int i = 0; i < grid.length; i++) { + for (int j = 0; j < grid[0].length; j++) { + if (grid[i][j] == 1) { + maxArea = Math.max(maxArea, dfs(grid, i, j)); + } + } + } + return maxArea; +} + +private int dfs(int[][] grid, int r, int c) { + // 边界检查 + if (r < 0 || c < 0 || r >= grid.length || c >= grid[0].length || grid[r][c] != 1) { + return 0; + } + + grid[r][c] = 0; // 标记为已访问 + + // 当前面积1 + 四个方向的面积 + return 1 + dfs(grid, r + 1, c) + dfs(grid, r - 1, c) + + dfs(grid, r, c + 1) + dfs(grid, r, c - 1); +} +``` + +### [130. 被围绕的区域](https://leetcode.cn/problems/surrounded-regions/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：DFS + 边界处理** + +> 给你一个 `m x n` 的矩阵 `board` ，由若干字符 `'X'` 和 `'O'` ，找到所有被 `'X'` 围绕的区域，并将这些区域里所有的 `'O'` 用 `'X'` 填充。 + +**💡 核心思路**：从边界开始DFS，标记不被围绕的'O' + +```java +public void solve(char[][] board) { + int m = board.length, n = board[0].length; + + // 从边界的'O'开始DFS，标记为'A' + for (int i = 0; i < m; i++) { + if (board[i][0] == 'O') dfs(board, i, 0); + if (board[i][n-1] == 'O') dfs(board, i, n-1); + } + for (int j = 0; j < n; j++) { + if (board[0][j] == 'O') dfs(board, 0, j); + if (board[m-1][j] == 'O') dfs(board, m-1, j); + } + + // 处理结果：'A'改回'O'，'O'改为'X' + for (int i = 0; i < m; i++) { + for (int j = 0; j < n; j++) { + if (board[i][j] == 'A') { + board[i][j] = 'O'; + } else if (board[i][j] == 'O') { + board[i][j] = 'X'; + } + } + } +} + +private void dfs(char[][] board, int i, int j) { + if (i < 0 || j < 0 || i >= board.length || j >= board[0].length || board[i][j] != 'O') { + return; + } + + board[i][j] = 'A'; // 标记为不被围绕 + + dfs(board, i + 1, j); + dfs(board, i - 1, j); + dfs(board, i, j + 1); + dfs(board, i, j - 1); +} +``` + +**⏱️ 复杂度分析**： +- **时间复杂度**：O(MN) - 每个位置最多访问一次 +- **空间复杂度**：O(MN) - 最坏情况递归栈深度 + +--- + +## 三、树的DFS应用类（结构化思维）🌳 + +**💡 核心思想** + +- **前中后序遍历**：根据访问根节点的时机不同，处理不同类型的问题 +- **路径搜索**：从根到叶或任意节点间的路径问题 +- **树的性质验证**：利用DFS验证二叉搜索树、对称性等性质 +- **信息向上传递**：子树信息向父节点传递，如高度、直径等 + +**🎯 必掌握模板** + +```java +// 树的DFS模板（后序遍历获取子树信息） +int dfs(TreeNode root) { + if (root == null) return 0; + + int left = dfs(root.left); // 左子树信息 + int right = dfs(root.right); // 右子树信息 + + // 基于子树信息处理当前节点 + int currentResult = processNode(root, left, right); + + return currentResult; // 向上传递信息 +} +``` + +### [104. 二叉树的最大深度](https://leetcode.cn/problems/maximum-depth-of-binary-tree/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：DFS基础** + +> 给定一个二叉树，找出其最大深度。 +> +> 二叉树的深度为根节点到最远叶子节点的最长路径上的节点数。 + +**💡 核心思路**：后序遍历，子树深度+1 + +```java +public int maxDepth(TreeNode root) { + if (root == null) return 0; + + int leftHeight = maxDepth(root.left); + int rightHeight = maxDepth(root.right); + + return Math.max(leftHeight, rightHeight) + 1; +} +``` + +### [98. 验证二叉搜索树](https://leetcode.cn/problems/validate-binary-search-tree/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：DFS + 边界控制** + +> 给你一个二叉树的根节点 root ，判断其是否是一个有效的二叉搜索树。 + +**💡 核心思路**：DFS + 维护上下界范围 + +```java +public boolean isValidBST(TreeNode root) { + return validate(root, Long.MIN_VALUE, Long.MAX_VALUE); +} + +private boolean validate(TreeNode node, long min, long max) { + if (node == null) return true; + + if (node.val <= min || node.val >= max) return false; + + return validate(node.left, min, node.val) + && validate(node.right, node.val, max); +} +``` + +### [543. 二叉树的直径](https://leetcode.cn/problems/diameter-of-binary-tree/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：DFS信息传递** + +> 给你一棵二叉树的根节点，返回该树的直径。二叉树的直径是指树中任意两个节点之间最长路径的长度。 + +**💡 核心思路**：后序遍历，计算经过每个节点的最长路径 + +```java +class Solution { + private int maxDiameter = 0; + + public int diameterOfBinaryTree(TreeNode root) { + height(root); + return maxDiameter; + } + + private int height(TreeNode node) { + if (node == null) return 0; + + int left = height(node.left); + int right = height(node.right); + + // 更新最大直径 + maxDiameter = Math.max(maxDiameter, left + right); + + return Math.max(left, right) + 1; + } +} +``` + +### [101. 对称二叉树](https://leetcode.cn/problems/symmetric-tree/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：DFS + 递归对比** + +> 给你一个二叉树的根节点 root ，检查它是否轴对称。 + +**💡 核心思路**：递归比较左右子树的镜像关系 + +```java +public boolean isSymmetric(TreeNode root) { + if (root == null) return true; + return check(root.left, root.right); +} + +public boolean check(TreeNode left, TreeNode right) { + // 都为空，对称 + if (left == null && right == null) return true; + // 一个为空，不对称 + if (left == null || right == null) return false; + // 值不等，不对称 + if (left.val != right.val) return false; + + // 递归检查：左的左 vs 右的右，左的右 vs 右的左 + return check(left.left, right.right) && check(left.right, right.left); +} +``` + +### [111. 二叉树的最小深度](https://leetcode.cn/problems/minimum-depth-of-binary-tree/) + +**🎯 考察频率：中等 | 难度：简单 | 重要性：DFS边界处理** + +> 给定一个二叉树，找出其最小深度。最小深度是从根节点到最近叶子节点的最短路径上的节点数量。 + +**💡 核心思路**：DFS递归，注意单子树的情况 + +```java +public int minDepth(TreeNode root) { + if (root == null) return 0; + + // 叶子节点 + if (root.left == null && root.right == null) return 1; + + // 只有右子树 + if (root.left == null) return minDepth(root.right) + 1; + // 只有左子树 + if (root.right == null) return minDepth(root.left) + 1; + + // 都有子树，取最小值 + return Math.min(minDepth(root.left), minDepth(root.right)) + 1; +} +``` + +### [124. 二叉树中的最大路径和](https://leetcode.cn/problems/binary-tree-maximum-path-sum/) + +**🎯 考察频率：极高 | 难度：困难 | 重要性：DFS + 全局变量** + +> 路径被定义为一条从树中任意节点出发，沿父节点-子节点连接，达到任意节点的序列。同一个节点在一条路径序列中至多出现一次。路径至少包含一个节点，且不一定经过根节点。 + +**💡 核心思路**：DFS后序遍历，维护全局最大值 + +```java +class Solution { + private int maxSum = Integer.MIN_VALUE; + + public int maxPathSum(TreeNode root) { + maxGain(root); + return maxSum; + } + + private int maxGain(TreeNode node) { + if (node == null) return 0; + + // 递归计算左右子节点的最大贡献值 + // 只有在最大贡献值大于0时，才会选取对应子节点 + int leftGain = Math.max(maxGain(node.left), 0); + int rightGain = Math.max(maxGain(node.right), 0); + + // 节点的最大路径和取决于该节点的值与该节点的左右子节点的最大贡献值 + int priceNewPath = node.val + leftGain + rightGain; + + // 更新答案 + maxSum = Math.max(maxSum, priceNewPath); + + // 返回节点的最大贡献值 + return node.val + Math.max(leftGain, rightGain); + } +} +``` + +### [105. 从前序与中序遍历序列构造二叉树](https://leetcode.cn/problems/construct-binary-tree-from-preorder-and-inorder-traversal/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：DFS + 分治** + +> 给定两个整数数组 preorder 和 inorder ，其中 preorder 是二叉树的先序遍历， inorder 是同一棵树的中序遍历，请构造二叉树并返回其根节点。 + +**💡 核心思路**：DFS分治，前序确定根，中序确定左右子树 + +```java +public TreeNode buildTree(int[] preorder, int[] inorder) { + Map inorderMap = new HashMap<>(); + for (int i = 0; i < inorder.length; i++) { + inorderMap.put(inorder[i], i); + } + return build(preorder, 0, preorder.length - 1, + inorder, 0, inorder.length - 1, inorderMap); +} + +private TreeNode build(int[] preorder, int preStart, int preEnd, + int[] inorder, int inStart, int inEnd, + Map inorderMap) { + if (preStart > preEnd) return null; + + int rootVal = preorder[preStart]; + TreeNode root = new TreeNode(rootVal); + + int rootIndex = inorderMap.get(rootVal); + int leftSize = rootIndex - inStart; + + root.left = build(preorder, preStart + 1, preStart + leftSize, + inorder, inStart, rootIndex - 1, inorderMap); + root.right = build(preorder, preStart + leftSize + 1, preEnd, + inorder, rootIndex + 1, inEnd, inorderMap); + + return root; +} +``` + +### [538. 把二叉搜索树转换为累加树](https://leetcode.cn/problems/convert-bst-to-greater-tree/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：DFS + 中序遍历变形** + +> 给出二叉搜索树的根节点，该树的节点值各不相同，请你将其转换为累加树，使每个节点 node 的新值等于原树中大于或等于 node.val 的值之和。 + +**💡 核心思路**：反向中序遍历（右-根-左） + +```java +class Solution { + private int sum = 0; + + public TreeNode convertBST(TreeNode root) { + traverse(root); + return root; + } + + private void traverse(TreeNode node) { + if (node == null) return; + + traverse(node.right); // 先遍历右子树 + + node.val += sum; // 更新当前节点值 + sum = node.val; // 更新累加和 + + traverse(node.left); // 再遍历左子树 + } +} +``` + +### [437. 路径总和 III](https://leetcode.cn/problems/path-sum-iii/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：DFS + 前缀和** + +> 给定一个二叉树的根节点 root ，和一个整数 targetSum ，求该二叉树里节点值之和等于 targetSum 的路径的数目。 + +**💡 核心思路**：双重DFS，每个节点都可能是路径起点 + +```java +public int pathSum(TreeNode root, int targetSum) { + if (root == null) return 0; + + // 以root为起点的路径数 + 左子树中的路径数 + 右子树中的路径数 + return dfs(root, targetSum) + + pathSum(root.left, targetSum) + + pathSum(root.right, targetSum); +} + +private int dfs(TreeNode node, long target) { + if (node == null) return 0; + + int count = 0; + if (node.val == target) count++; + + count += dfs(node.left, target - node.val); + count += dfs(node.right, target - node.val); + + return count; +} +``` + +### + +--- + +## 四、回溯算法类（搜索所有可能）🔄 + +**💡 核心思想** + +- **搜索空间遍历**：系统性地搜索所有可能的解 +- **选择与回溯**：做选择→递归→撤销选择的三步骤 +- **剪枝优化**：提前终止不可能产生解的分支 +- **状态恢复**：确保每个选择互不影响 + +**🎯 必掌握模板** + +```java +// 回溯算法标准模板 +void backtrack(路径, 选择列表) { + if (满足终止条件) { + 结果.add(new ArrayList<>(路径)); + return; + } + + for (选择 : 选择列表) { + // 做选择 + 路径.add(选择); + + // 递归下一层 + backtrack(路径, 新的选择列表); + + // 撤销选择 + 路径.remove(路径.size() - 1); + } +} +``` + +### [46. 全排列](https://leetcode.cn/problems/permutations/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：回溯入门经典** + +> 给定一个不含重复数字的数组 nums ，返回其所有可能的全排列。 + +**💡 核心思路**：回溯，维护已使用元素列表 + +```java +public List> permute(int[] nums) { + List> res = new ArrayList<>(); + List path = new ArrayList<>(); + boolean[] used = new boolean[nums.length]; + + backtrack(nums, path, used, res); + return res; +} + +private void backtrack(int[] nums, List path, boolean[] used, List> res) { + if (path.size() == nums.length) { + res.add(new ArrayList<>(path)); + return; + } + + for (int i = 0; i < nums.length; i++) { + if (used[i]) continue; + + path.add(nums[i]); + used[i] = true; + backtrack(nums, path, used, res); + used[i] = false; + path.remove(path.size() - 1); + } +} +``` + +### [39. 组合总和](https://leetcode.cn/problems/combination-sum/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：回溯 + 剪枝** + +> 给你一个无重复元素的整数数组 candidates 和一个目标整数 target ，找出 candidates 中可以使数字和为目标数 target 的所有不同组合。 + +**💡 核心思路**：回溯 + 剪枝，允许重复使用元素 + +```java +public List> combinationSum(int[] candidates, int target) { + List> res = new ArrayList<>(); + Arrays.sort(candidates); // 排序便于剪枝 + backtrack(candidates, target, 0, new ArrayList<>(), res); + return res; +} + +private void backtrack(int[] nums, int remain, int start, List path, List> res) { + if (remain == 0) { + res.add(new ArrayList<>(path)); + return; + } + + for (int i = start; i < nums.length; i++) { + if (nums[i] > remain) break; // 剪枝 + + path.add(nums[i]); + backtrack(nums, remain - nums[i], i, path, res); // i不是i+1，允许重复 + path.remove(path.size() - 1); + } +} +``` + +### [22. 括号生成](https://leetcode.cn/problems/generate-parentheses/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：回溯 + 约束条件** + +> 数字 n 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且有效的括号组合。 + +**💡 核心思路**：回溯，维护左右括号数量约束 + +```java +public List generateParenthesis(int n) { + List res = new ArrayList<>(); + backtrack(n, 0, 0, new StringBuilder(), res); + return res; +} + +private void backtrack(int n, int left, int right, StringBuilder sb, List res) { + if (sb.length() == 2 * n) { + res.add(sb.toString()); + return; + } + + if (left < n) { + sb.append('('); + backtrack(n, left + 1, right, sb, res); + sb.deleteCharAt(sb.length() - 1); + } + + if (right < left) { + sb.append(')'); + backtrack(n, left, right + 1, sb, res); + sb.deleteCharAt(sb.length() - 1); + } +} +``` + +### [78. 子集](https://leetcode.cn/problems/subsets/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：回溯基础经典** + +> 给你一个整数数组 nums ，数组中的元素互不相同。返回该数组所有可能的子集（幂集）。 + +**💡 核心思路**：回溯，每个元素选择加入或不加入 + +```java +public List> subsets(int[] nums) { + List> res = new ArrayList<>(); + backtrack(nums, 0, new ArrayList<>(), res); + return res; +} + +private void backtrack(int[] nums, int start, List path, List> res) { + res.add(new ArrayList<>(path)); // 每个状态都是一个子集 + + for (int i = start; i < nums.length; i++) { + path.add(nums[i]); + backtrack(nums, i + 1, path, res); + path.remove(path.size() - 1); + } +} +``` + +### [17. 电话号码的字母组合](https://leetcode.cn/problems/letter-combinations-of-a-phone-number/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：回溯 + 映射** + +> 给定一个仅包含数字 2-9 的字符串，返回所有它能表示的字母组合。答案可以按任意顺序返回。 + +**💡 核心思路**：回溯 + 哈希映射 + +```java +public List letterCombinations(String digits) { + List res = new ArrayList<>(); + if (digits.length() == 0) return res; + + String[] mapping = {"", "", "abc", "def", "ghi", "jkl", "mno", "pqrs", "tuv", "wxyz"}; + backtrack(digits, 0, new StringBuilder(), res, mapping); + return res; +} + +private void backtrack(String digits, int index, StringBuilder path, + List res, String[] mapping) { + if (index == digits.length()) { + res.add(path.toString()); + return; + } + + String letters = mapping[digits.charAt(index) - '0']; + for (char c : letters.toCharArray()) { + path.append(c); + backtrack(digits, index + 1, path, res, mapping); + path.deleteCharAt(path.length() - 1); + } +} +``` + +### [131. 分割回文串](https://leetcode.cn/problems/palindrome-partitioning/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：回溯 + 预处理** + +> 给你一个字符串 s，请你将 s 分割成一些子串，使每个子串都是回文串。返回 s 所有可能的分割方案。 + +**💡 核心思路**：回溯 + 动态规划预处理回文串 + +```java +public List> partition(String s) { + List> res = new ArrayList<>(); + boolean[][] isPalindrome = preprocess(s); + backtrack(s, 0, new ArrayList<>(), res, isPalindrome); + return res; +} + +private boolean[][] preprocess(String s) { + int n = s.length(); + boolean[][] dp = new boolean[n][n]; + + for (int i = 0; i < n; i++) { + for (int j = 0; j <= i; j++) { + if (s.charAt(i) == s.charAt(j) && (i - j <= 2 || dp[j + 1][i - 1])) { + dp[j][i] = true; + } + } + } + return dp; +} + +private void backtrack(String s, int start, List path, + List> res, boolean[][] isPalindrome) { + if (start == s.length()) { + res.add(new ArrayList<>(path)); + return; + } + + for (int end = start; end < s.length(); end++) { + if (isPalindrome[start][end]) { + path.add(s.substring(start, end + 1)); + backtrack(s, end + 1, path, res, isPalindrome); + path.remove(path.size() - 1); + } + } +} +``` + +### [494. 目标和](https://leetcode.cn/problems/target-sum/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：DFS + 动态规划** + +> 给你一个整数数组 nums 和一个整数 target。向数组中的每个整数前添加 '+' 或 '-' ，然后串联起所有整数，可以构造一个表达式。返回可以通过上述方法构造的、运算结果等于 target 的不同表达式的数目。 + +**💡 核心思路**：DFS枚举所有可能，或转化为背包问题 + +```java +// 方法1：DFS回溯 +public int findTargetSumWays(int[] nums, int target) { + return dfs(nums, target, 0, 0); +} + +private int dfs(int[] nums, int target, int index, int sum) { + if (index == nums.length) { + return sum == target ? 1 : 0; + } + + return dfs(nums, target, index + 1, sum + nums[index]) + + dfs(nums, target, index + 1, sum - nums[index]); +} +``` + +--- + +## 六、图论算法类（关系网络处理）🔍 + +### [210. 课程表 II](https://leetcode.cn/problems/course-schedule-ii/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：DFS + 拓扑排序** + +> 现在你总共有 numCourses 门课需要选，记为 0 到 numCourses - 1。给你一个数组 prerequisites ，其中 prerequisites[i] = [ai, bi] ，表示在选修课程 ai 前必须先选修 bi 。返回你为了学完所有课程所安排的学习顺序。 + +**💡 核心思路**：DFS + 后序遍历得到拓扑序列 + +```java +class Solution { + private List> graph; + private int[] colors; // 0-白色, 1-灰色, 2-黑色 + private List result; + private boolean hasCycle = false; + + public int[] findOrder(int numCourses, int[][] prerequisites) { + graph = new ArrayList<>(); + colors = new int[numCourses]; + result = new ArrayList<>(); + + // 构建邻接表 + for (int i = 0; i < numCourses; i++) { + graph.add(new ArrayList<>()); + } + for (int[] pre : prerequisites) { + graph.get(pre[1]).add(pre[0]); + } + + // DFS检测环并生成拓扑序列 + for (int i = 0; i < numCourses; i++) { + if (colors[i] == 0) { + dfs(i); + } + } + + if (hasCycle) return new int[0]; + + Collections.reverse(result); + return result.stream().mapToInt(i -> i).toArray(); + } + + private void dfs(int node) { + colors[node] = 1; // 标记为正在访问 + + for (int neighbor : graph.get(node)) { + if (colors[neighbor] == 1) { + hasCycle = true; // 发现环 + return; + } + if (colors[neighbor] == 0) { + dfs(neighbor); + } + } + + colors[node] = 2; // 标记为已完成 + result.add(node); // 后序遍历添加到结果 + } +} +``` + +### [130. 被围绕的区域](https://leetcode.cn/problems/surrounded-regions/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：DFS + 边界处理** + +> 给你一个 m x n 的矩阵 board ，由若干字符 'X' 和 'O' ，找到所有被 'X' 围绕的区域，并将这些区域里所有的 'O' 用 'X' 填充。 + +**💡 核心思路**：从边界开始DFS，标记不被围绕的'O' + +```java +public void solve(char[][] board) { + int m = board.length, n = board[0].length; + + // 从边界的'O'开始DFS，标记为'A' + for (int i = 0; i < m; i++) { + if (board[i][0] == 'O') dfs(board, i, 0); + if (board[i][n-1] == 'O') dfs(board, i, n-1); + } + for (int j = 0; j < n; j++) { + if (board[0][j] == 'O') dfs(board, 0, j); + if (board[m-1][j] == 'O') dfs(board, m-1, j); + } + + // 处理结果：'A'改回'O'，'O'改为'X' + for (int i = 0; i < m; i++) { + for (int j = 0; j < n; j++) { + if (board[i][j] == 'A') { + board[i][j] = 'O'; + } else if (board[i][j] == 'O') { + board[i][j] = 'X'; + } + } + } +} + +private void dfs(char[][] board, int i, int j) { + if (i < 0 || j < 0 || i >= board.length || j >= board[0].length || board[i][j] != 'O') { + return; + } + + board[i][j] = 'A'; // 标记为不被围绕 + + dfs(board, i + 1, j); + dfs(board, i - 1, j); + dfs(board, i, j + 1); + dfs(board, i, j - 1); +} +``` + +--- + +## 七、高级技巧类（优化与变形）🌟 + +### [139. 单词拆分](https://leetcode.cn/problems/word-break/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：DFS + 记忆化** + +> 给你一个字符串 s 和一个字符串列表 wordDict，判断 s 是否可以由空格拆分为一个或多个在字典中出现的单词。 + +**💡 核心思路**：DFS + 记忆化搜索，或动态规划 + +```java +// 方法1：DFS + 记忆化 +public boolean wordBreak(String s, List wordDict) { + Set wordSet = new HashSet<>(wordDict); + Boolean[] memo = new Boolean[s.length()]; + return dfs(s, 0, wordSet, memo); +} + +private boolean dfs(String s, int start, Set wordSet, Boolean[] memo) { + if (start == s.length()) return true; + if (memo[start] != null) return memo[start]; + + for (int end = start + 1; end <= s.length(); end++) { + String word = s.substring(start, end); + if (wordSet.contains(word) && dfs(s, end, wordSet, memo)) { + memo[start] = true; + return true; + } + } + + memo[start] = false; + return false; +} +``` + + + +## 🚀 DFS算法速记表 + +### 核心模板（必背） + +```java +// 1. 基础DFS（四方向遍历） +void dfs(int[][] grid, int i, int j) { + if (边界检查 || 访问检查) return; + 标记已访问; + dfs(grid, i+1, j); dfs(grid, i-1, j); + dfs(grid, i, j+1); dfs(grid, i, j-1); +} + +// 2. 回溯算法模板 +void backtrack(路径, 选择列表) { + if (终止条件) { 收集结果; return; } + for (选择 : 选择列表) { + 做选择; backtrack(参数); 撤销选择; + } +} + +// 3. 树的DFS模板 +int dfs(TreeNode root) { + if (root == null) return 默认值; + int left = dfs(root.left); + int right = dfs(root.right); + return 处理当前节点(root, left, right); +} + +// 4. 图的环检测模板（三色标记法） +boolean hasCycle(int node) { + colors[node] = GRAY; // 正在访问 + for (neighbor : graph.get(node)) { + if (colors[neighbor] == GRAY) return true; // 发现环 + if (colors[neighbor] == WHITE && hasCycle(neighbor)) return true; + } + colors[node] = BLACK; // 访问完成 + return false; +} +``` + +### 题型速查表 + +| 题型分类 | 核心技巧 | 高频题目 | 记忆口诀 | 难度 | +|----------|----------|----------|----------|------| +| **基础DFS** | 四方向遍历+标记 | 岛屿数量、单词搜索、被围绕的区域、岛屿最大面积 | 边界检查要仔细，标记访问防重复 | ⭐⭐⭐ | +| **树的DFS** | 前中后序遍历 | 最大深度、验证BST、二叉树直径、对称二叉树、路径总和 | 左右子树递归走，根据题意选时机 | ⭐⭐⭐ | +| **回溯算法** | 选择+回溯+剪枝 | 全排列、组合总和、括号生成、子集、电话号码字母组合 | 做选择，递归下，撤选择，要记下 | ⭐⭐⭐⭐ | +| **图论应用** | 三色标记法 | 课程表、课程表II、拓扑排序 | 白色未访问，灰色正在访，黑色已完成 | ⭐⭐⭐⭐⭐ | +| **高级技巧** | 记忆化+优化 | 单词拆分、二叉树最大路径和、目标和 | 记忆化搜索避重复，全局变量传信息 | ⭐⭐⭐⭐⭐ | + +### 热题100 DFS完整清单 + +#### 🔥 基础DFS应用类（4题） +- [200. 岛屿数量](https://leetcode.cn/problems/number-of-islands/) - DFS基础经典 ⭐⭐⭐ +- [79. 单词搜索](https://leetcode.cn/problems/word-search/) - DFS + 回溯 ⭐⭐⭐⭐ +- [130. 被围绕的区域](https://leetcode.cn/problems/surrounded-regions/) - 边界DFS ⭐⭐⭐ +- [695. 岛屿的最大面积](https://leetcode.cn/problems/max-area-of-island/) - DFS计数 ⭐⭐⭐ + +#### 🌳 树的DFS应用类（9题） +- [104. 二叉树的最大深度](https://leetcode.cn/problems/maximum-depth-of-binary-tree/) - DFS基础 ⭐⭐ +- [98. 验证二叉搜索树](https://leetcode.cn/problems/validate-binary-search-tree/) - DFS + 边界 ⭐⭐⭐⭐ +- [101. 对称二叉树](https://leetcode.cn/problems/symmetric-tree/) - DFS递归对比 ⭐⭐⭐ +- [111. 二叉树的最小深度](https://leetcode.cn/problems/minimum-depth-of-binary-tree/) - DFS边界处理 ⭐⭐ +- [437. 路径总和III](https://leetcode.cn/problems/path-sum-iii/) - 双重DFS ⭐⭐⭐⭐ +- [543. 二叉树的直径](https://leetcode.cn/problems/diameter-of-binary-tree/) - DFS信息传递 ⭐⭐⭐ +- [538. 把二叉搜索树转换为累加树](https://leetcode.cn/problems/convert-bst-to-greater-tree/) - 反向中序 ⭐⭐⭐ +- [124. 二叉树中的最大路径和](https://leetcode.cn/problems/binary-tree-maximum-path-sum/) - DFS + 全局变量 ⭐⭐⭐⭐⭐ +- [105. 从前序与中序遍历序列构造二叉树](https://leetcode.cn/problems/construct-binary-tree-from-preorder-and-inorder-traversal/) - DFS分治 ⭐⭐⭐⭐ + +#### 🔄 回溯算法类（7题） +- [46. 全排列](https://leetcode.cn/problems/permutations/) - 回溯入门 ⭐⭐⭐⭐ +- [78. 子集](https://leetcode.cn/problems/subsets/) - 回溯基础 ⭐⭐⭐⭐ +- [39. 组合总和](https://leetcode.cn/problems/combination-sum/) - 回溯 + 剪枝 ⭐⭐⭐⭐ +- [22. 括号生成](https://leetcode.cn/problems/generate-parentheses/) - 回溯 + 约束 ⭐⭐⭐⭐ +- [17. 电话号码的字母组合](https://leetcode.cn/problems/letter-combinations-of-a-phone-number/) - 回溯 + 映射 ⭐⭐⭐ +- [131. 分割回文串](https://leetcode.cn/problems/palindrome-partitioning/) - 回溯 + 预处理 ⭐⭐⭐⭐ +- [494. 目标和](https://leetcode.cn/problems/target-sum/) - DFS枚举 ⭐⭐⭐⭐ + +#### 🔍 图论算法类（2题） +- [207. 课程表](https://leetcode.cn/problems/course-schedule/) - DFS环检测 ⭐⭐⭐⭐⭐ +- [210. 课程表II](https://leetcode.cn/problems/course-schedule-ii/) - DFS拓扑排序 ⭐⭐⭐⭐⭐ + +#### 🌟 高级技巧类（1题） +- [139. 单词拆分](https://leetcode.cn/problems/word-break/) - DFS + 记忆化 ⭐⭐⭐⭐⭐ + +### 核心题目优先级（面试前重点复习） + +**🏆 必须掌握（10题）** +1. **岛屿数量** - DFS基础，四方向遍历模板 +2. **单词搜索** - DFS + 回溯，状态恢复经典 +3. **全排列** - 回溯算法入门，选择与撤销 +4. **验证二叉搜索树** - 树的DFS + 边界控制 +5. **二叉树的最大深度** - 树的DFS最简单应用 +6. **括号生成** - 回溯 + 约束条件 +7. **课程表** - 图环检测，三色标记法 +8. **组合总和** - 回溯 + 剪枝优化 +9. **对称二叉树** - 递归对比经典 +10. **子集** - 回溯所有可能解 + +**⚡ 进阶强化（13题）** +- 二叉树的直径、路径总和III、岛屿最大面积 +- 电话号码字母组合、分割回文串、目标和 +- 被围绕的区域、课程表II、单词拆分 +- 二叉树中的最大路径和、从前序中序构造二叉树 +- 把二叉搜索树转换为累加树、二叉树的最小深度 + +### 常见陷阱提醒 + +- ⚠️ **忘记标记访问**：DFS遍历图时必须标记已访问节点，防止无限循环 +- ⚠️ **回溯忘记恢复**：回溯时必须撤销之前的选择，确保状态独立 +- ⚠️ **边界条件错误**：数组越界、空树处理、单子树情况要仔细 +- ⚠️ **重复计算**：可以考虑记忆化搜索优化，特别是树的问题 +- ⚠️ **栈溢出**：深度过大时考虑改用迭代实现或优化递归 +- ⚠️ **三色标记混乱**：图的环检测要正确使用WHITE、GRAY、BLACK三种状态 + +### 时间复杂度总结 + +- **基础DFS遍历**：O(V + E) - V为节点数，E为边数 +- **矩阵DFS**：O(MN) - M×N矩阵，每个格子最多访问一次 +- **回溯算法**：O(N!) ~ O(2^N) - 取决于解空间大小 +- **树的DFS**：O(N) - N为树的节点数 +- **图的环检测**：O(V + E) - 每个节点和边最多访问一次 + +**最重要的一个技巧就是，你得行动，写起来** diff --git a/docs/data-structure-algorithms/soultion/DFS.md b/docs/data-structure-algorithms/soultion/DFS.md deleted file mode 100755 index 64a53ed707..0000000000 --- a/docs/data-structure-algorithms/soultion/DFS.md +++ /dev/null @@ -1,36 +0,0 @@ -### [111. 二叉树的最小深度](https://leetcode-cn.com/problems/minimum-depth-of-binary-tree/) - -> 给定一个二叉树，找出其最小深度。 -> -> 最小深度是从根节点到最近叶子节点的最短路径上的节点数量。 -> -> 说明：叶子节点是指没有子节点的节点。 -> -> 示例 1： -> -> ![img](https://assets.leetcode.com/uploads/2020/10/12/ex_depth.jpg) -> -> ``` -> 输入：root = [3,9,20,null,null,15,7] -> 输出：2 -> ``` -> -> -> 示例 2： -> -> ``` -> 输入：root = [2,null,3,null,4,null,5,null,6] -> 输出：5 -> ``` - -深度优先搜索的方法，遍历整棵树，记录最小深度 - -递归结束条件 - -- 叶子节点的定义是左孩子和右孩子都为 null 时叫做叶子节点 -- 当 root 节点左右孩子都为空时，返回 1 -- 当 root 节点左右孩子有一个为空时，返回不为空的孩子节点的深度 -- 当 root 节点左右孩子都不为空时，返回左右孩子较小深度的节点值 - - - diff --git a/docs/data-structure-algorithms/soultion/DP-Solution.md b/docs/data-structure-algorithms/soultion/DP-Solution.md index f2bc665e1f..5d4dd93c96 100755 --- a/docs/data-structure-algorithms/soultion/DP-Solution.md +++ b/docs/data-structure-algorithms/soultion/DP-Solution.md @@ -1,95 +1,1779 @@ -> 个人感觉动态规划是最难的，一会爬楼梯，一会兑零钱，一会又要去接雨水，炒股就不说了，还要去偷东西，哎，我太南了 +--- +title: 动态规划-热题 +date: 2025-01-08 +tags: + - DP + - algorithms +categories: leetcode +--- -![](https://cdn.nlark.com/yuque/0/2021/png/21674094/1639551516595-9b6a2bad-c55b-43e1-b172-ced36ffa96cc.png) +![](https://img.starfish.ink/leetcode/leetcode-banner.png) -### [最长上升子序列_300](https://leetcode-cn.com/problems/longest-increasing-subsequence/) +> **导读**：个人感觉动态规划是最难的，一会爬楼梯，一会兑零钱，一会又要去接雨水，炒股就不说了，还要去偷东西，太南了 +> +> 动态规划确实是算法面试的"终极boss"，但掌握了核心思路后，这些看似复杂的问题都有迹可循。从状态定义到转移方程，从边界条件到空间优化，让我们一步步征服DP的各个击破点。 +> +> **关键词**：状态定义、转移方程、记忆化搜索、空间优化、最优子结构 + +### 📋 分类索引 + +1. **🎯 线性DP类（基础核心）** + - **1.1 单串问题** + - 1.1.1 依赖比i小的O(1)个子问题：[爬楼梯](#_70-爬楼梯)、[打家劫舍](#_198-打家劫舍)、[最大子数组和](#_53-最大子数组和)、[单词拆分](#_139-单词拆分)、[杨辉三角](#_118-杨辉三角)、[乘积最大子数组](#_152-乘积最大子数组) + - 1.1.2 依赖比i小的O(n)个子问题：[最长递增子序列](#_300-最长递增子序列)、[完全平方数](#_279-完全平方数) + - 1.1.3 带维度的单串问题：[买卖股票的最佳时机](#_121-买卖股票的最佳时机) + - **1.2 双串问题**：[最长公共子序列](#_1143-最长公共子序列)、[编辑距离](#_72-编辑距离) + +2. **🎒 背包DP类（线性DP的变种）** + - **0-1背包问题**：[分割等和子集](#_416-分割等和子集) + - **完全背包问题**：[零钱兑换](#_322-零钱兑换)、[零钱兑换II](#_518-零钱兑换ii)、[完全平方数](#_279-完全平方数)、[目标和](#_494-目标和) + - **背包应用**：[不同路径](#_62-不同路径)、[最小路径和](#_64-最小路径和) + +3. **🔄 区间动态规划** + - **3.1 区间DP核心**：状态设计与推导顺序 + - **3.2 经典问题分类** + - 3.2.1 依赖常数个子问题：[不同的二叉搜索树](#_96-不同的二叉搜索树)、[最长回文子序列](#_最长回文子序列516) + - 3.2.2 依赖O(n)个子问题：[最长回文子串](#_最长回文子串5)、[最大正方形](#_221-最大正方形) + +4. **🔗 分治型动态规划**：[括号生成](#_括号生成22) + +### 🎯 核心考点概览 + +- **状态设计**：一维dp[i]、二维dp[i][j]、多维状态转移 +- **转移方程**：从"最后一步"推导状态转移关系 +- **边界条件**：base case的正确设置和处理 +- **空间优化**：滚动数组、压缩状态降低空间复杂度 +- **决策树模型**：理解最优子结构和无后效性 + +### 📝 解题万能模板 + +#### 基础模板 + +```java +// 一维DP模板 +int[] dp = new int[n + 1]; +dp[0] = baseCase; // 边界条件 +for (int i = 1; i <= n; i++) { + dp[i] = Math.max(dp[i-1] + nums[i], nums[i]); // 状态转移 +} + +// 二维DP模板 +int[][] dp = new int[m + 1][n + 1]; +// 初始化边界条件 +for (int i = 1; i <= m; i++) { + for (int j = 1; j <= n; j++) { + dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1]); // 状态转移 + } +} + +// 背包问题模板 +int[] dp = new int[capacity + 1]; +for (int i = 0; i < items.length; i++) { + for (int j = capacity; j >= weight[i]; j--) { // 0-1背包逆序 + dp[j] = Math.max(dp[j], dp[j - weight[i]] + value[i]); + } +} +``` + +#### 边界检查清单 + +- ✅ 数组越界：确保索引在有效范围内 +- ✅ 边界条件：正确设置dp[0]、dp[i][0]等base case +- ✅ 状态转移：确保每个状态都能从更小的子问题推导 +- ✅ 空间优化：考虑是否可以用滚动数组降低空间复杂度 + +#### 💡 记忆口诀（朗朗上口版） + +- **状态定义**："定义状态含义清，子问题规模要递减" +- **转移方程**："最后一步怎么走，前面状态来推导" +- **边界条件**："边界条件要设好，递推基础不能少" +- **空间优化**："前后依赖看得清，滚动数组省空间" +- **背包问题**："物品容量两维度，选或不选做决策" +- **区间DP**："区间长度小到大，分割点上做文章" + +**解题心法** + +1. **状态定义是核心**：明确`dp`数组的含义，确保子问题能被有效分解。 +2. **转移方程从 "最后一步" 推导**：思考 " 计算`dp[i][j]`时，最后一步操作是什么 "（如编辑距离中的插入 / 删除 / 替换）。 +3. **边界条件要清晰**：如`dp[0][j]`（空串与另一串的关系）、`dp[i][i]`（长度为 1 的区间）等。 +4. **空间优化**：部分问题可通过滚动数组将二维`dp`优化为一维（如编辑距离、最长公共子序列）。 + +**最重要的一个技巧就是，你得行动，写起来** + +## 一、线性DP类（基础核心）🎯 + +### 💡 核心思想 + +- **一维状态**：dp[i]表示考虑前i个元素的最优解 +- **递推关系**：dp[i]依赖前面的状态dp[i-1]、dp[i-2]等 +- **时间复杂度**：通常为O(n)或O(n²) + +### 🎯 必掌握模板 + +```java +// 基础线性DP模板 +int[] dp = new int[n + 1]; +dp[0] = baseCase; // 设置边界条件 + +for (int i = 1; i <= n; i++) { + dp[i] = optimizeFunction(dp[i-1], dp[i-2], ...); // 状态转移 +} +return dp[n]; // 或者返回过程中的最优值 +``` + +线性动态规划的特点是**问题规模由单变量（或双变量）的位置表示**，状态推导按位置从小到大依次进行，较大规模的问题依赖较小规模的子问题。 -> 给定一个无序的整数数组，找到其中最长上升子序列的长度。 +### 1.1 单串问题 + +单串问题的输入为一个字符串或数组，状态通常定义为`dp[i]`，表示 " 考虑前`i`个元素（`[0..i]`）时的最优解 "。 + +**状态定义**：`dp[i]` 表示以第 `i` 个元素为结尾的子问题的解（如子序列、子数组）。 + +#### 1.1.1 依赖比 i 小的 O(1) 个子问题 + +`dp[i]` 仅与 `dp[i-1]` 等少数几个更小的子问题相关，时间复杂度通常为`O(n)`。 + +![状态推导方向1](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/09/2-2-1.png) + +比如最大子数组和（53 题）：`dp[i]` 依赖 `dp[i-1]`，判断是否延续前序子数组。 + +##### [70. 爬楼梯](https://leetcode.cn/problems/climbing-stairs/) + +> 假设你正在爬楼梯。需要 `n` 阶你才能到达楼顶。 +> +> 每次你可以爬 `1` 或 `2` 个台阶。你有多少种不同的方法可以爬到楼顶呢？ > > ``` -> 输入: [10,9,2,5,3,7,101,18] -> 输出: 4 -> 解释: 最长的上升子序列是 [2,3,7,101]，它的长度是4。 +> 输入：n = 3 +> 输出：3 +> 解释：有三种方法可以爬到楼顶。 +> 1. 1 阶 + 1 阶 + 1 阶 +> 2. 1 阶 + 2 阶 +> 3. 2 阶 + 1 阶 > ``` -PS： 注意「子序列」和「子串」这两个名词的区别，子串一定是连续的，而子序列不一定是连续的 +**思路**：典型的斐波那契数列问题 + +- 状态定义：`dp[i]` 表示爬到第 `i` 阶楼梯的方法数 +- 转移方程：`dp[i] = dp[i-1] + dp[i-2]` （可以从第i-1阶爬1步，或从第i-2阶爬2步） +- 边界条件：`dp[0] = 1, dp[1] = 1` + +```java +public int climbStairs(int n) { + if (n <= 1) return 1; + + int[] dp = new int[n + 1]; + dp[0] = 1; // 0阶有1种方法（不爬） + dp[1] = 1; // 1阶有1种方法 + + for (int i = 2; i <= n; i++) { + dp[i] = dp[i - 1] + dp[i - 2]; + } + + return dp[n]; +} + +// 空间优化版本 +public int climbStairs(int n) { + if (n <= 1) return 1; + + int prev2 = 1, prev1 = 1; + for (int i = 2; i <= n; i++) { + int current = prev1 + prev2; + prev2 = prev1; + prev1 = current; + } + return prev1; +} +``` -> https://leetcode-cn.com/problems/longest-increasing-subsequence/solution/zui-chang-shang-sheng-zi-xu-lie-dong-tai-gui-hua-2/ +##### [198. 打家劫舍](https://leetcode.cn/problems/house-robber/) -这种题目看懂需要看动图 +> 你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警。 +> +> 给定一个代表每个房屋存放金额的非负整数数组，计算你不触动警报装置的情况下 ，一夜之间能够偷窃到的最高金额。 +> +> ``` +> 输入：[2,7,9,3,1] +> 输出：12 +> 解释：偷窃 1 号房屋 (金额 = 2), 偷窃 3 号房屋 (金额 = 9)，接着偷窃 5 号房屋 (金额 = 1)。 +> 偷窃到的最高金额 = 2 + 9 + 1 = 12 。 +> ``` -![img](https://labuladong.gitee.io/algo/images/%e6%9c%80%e9%95%bf%e9%80%92%e5%a2%9e%e5%ad%90%e5%ba%8f%e5%88%97/gif1.gif) +**思路**：状态机DP的简化版 + +- 状态定义：`dp[i]` 表示偷窃前 `i+1` 间房屋能获得的最高金额 +- 转移方程：`dp[i] = Math.max(dp[i-1], dp[i-2] + nums[i])` （不偷第i间房 vs 偷第i间房） +- 边界条件：`dp[0] = nums[0]`, `dp[1] = Math.max(nums[0], nums[1])` ```java - public static int getLengthOfLIS(int[] nums) { +public int rob(int[] nums) { + if (nums == null || nums.length == 0) return 0; + if (nums.length == 1) return nums[0]; + + int n = nums.length; + int[] dp = new int[n]; + dp[0] = nums[0]; + dp[1] = Math.max(nums[0], nums[1]); + + for (int i = 2; i < n; i++) { + dp[i] = Math.max(dp[i - 1], dp[i - 2] + nums[i]); + } + + return dp[n - 1]; +} - int len = nums.length; - if (len < 2) { - return len; - } +// 空间优化版本 +public int rob(int[] nums) { + if (nums == null || nums.length == 0) return 0; + if (nums.length == 1) return nums[0]; + + int prev2 = nums[0]; + int prev1 = Math.max(nums[0], nums[1]); + + for (int i = 2; i < nums.length; i++) { + int current = Math.max(prev1, prev2 + nums[i]); + prev2 = prev1; + prev1 = current; + } + + return prev1; +} +``` + +##### [53. 最大子数组和](https://leetcode.cn/problems/maximum-subarray/) + +> 给你一个整数数组 `nums` ，请你找出一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。 +> +> **子数组** 是数组中的一个连续部分。 +> +> ``` +> 输入：nums = [-2,1,-3,4,-1,2,1,-5,4] +> 输出：6 +> 解释：连续子数组 [4,-1,2,1] 的和最大，为 6 。 +> ``` + +思路： + +- 状态定义：`dp[i]` 表示以 `nums[i]`结尾的最大子数组和。 + +- 转移方程：若`dp[i-1]`为正，则将其与`nums[i]`拼接，否则仅保留`nums[i]`，即 `dp[i] = Math.max(nums[i], nums[i] + dp[i - 1]);` + +```java +public int maxSubArray(int[] nums) { + //特判 + if (nums == null || nums.length == 0) { + return 0; + } + //初始化 + int length = nums.length; + int[] dp = new int[length]; + // 初始值,只有一个元素的时候最大和即它本身 + dp[0] = nums[0]; + int ans = nums[0]; + // 状态转移 + for (int i = 1; i < length; i++) { + // 取当前元素的值 和 当前元素的值加上一次结果的值 中最大数 + dp[i] = Math.max(nums[i], dp[i - 1] + nums[i]); + // 输出结果：和最大数对比 取大 + ans = Math.max(ans, dp[i]); + } + return ans; +} +``` + + + +##### [139. 单词拆分](https://leetcode.cn/problems/word-break/) + +> 给你一个字符串 `s` 和一个字符串列表 `wordDict` 作为字典。如果可以利用字典中出现的一个或多个单词拼接出 `s` 则返回 `true`。 +> +> **注意：**不要求字典中出现的单词全部都使用，并且字典中的单词可以重复使用。 +> +> ``` +> 输入: s = "applepenapple", wordDict = ["apple", "pen"] +> 输出: true +> 解释: 返回 true 因为 "applepenapple" 可以由 "apple" "pen" "apple" 拼接成。 +> 注意，你可以重复使用字典中的单词。 +> ``` + +思路： + +1. 创建一个布尔数组`dp`，其中`dp[i]`表示字符串`s`的前`i`个字符（即子串`s.substring(0, i)`）是否可以被拆分。 +2. 初始化`dp[0]`为`true`，表示空字符串可以被拆分。 +3. 遍历每个位置`i`从 1 到字符串长度，对于每个`i`，再遍历所有可能的分割点`j`（`j`从 0 到`i-1`），检查子串`s.substring(j, i)`是否在字典中，并且前`j`个字符是否可以被拆分（即`dp[j]`是否为`true`）。 + +```java +public boolean wordBreak(String s, List wordDict){ + int n = s.length(); + boolean[] dp = new boolean[n + 1]; + // 空字符串总是可以被拆分的 + dp[0] = true; + + // 遍历字符串的每个位置 + for(int i = 1; i< n; i++){ + // 尝试从当前位置向前拆分字符串 + for(int j = 0; j < i; j++){ + // 如果dp[j]为true，且s.substring(j, i)是字典中的一个单词 + if(dp[j] && wordDict.coitains(s.substring(j, i))){ + // 则设置dp[i]为true，表示s的前i个字符也可以被拆分 + dp[i] = true; + // 找到一种拆分方式后，可以跳出内层循环 + break; + } + } + } + return dp[n]; +} +``` + + + +##### [118. 杨辉三角](https://leetcode.cn/problems/pascals-triangle/) + +> 给定一个非负整数 *`numRows`，*生成「杨辉三角」的前 *`numRows`* 行。 +> +> 在「杨辉三角」中，每个数是它左上方和右上方的数的和。 +> +> ![img](https://pic.leetcode-cn.com/1626927345-DZmfxB-PascalTriangleAnimated2.gif) +> +> +> +> ``` +> 输入: numRows = 5 +> 输出: [[1],[1,1],[1,2,1],[1,3,3,1],[1,4,6,4,1]] +> ``` + +思路： + +杨辉三角的特性： + +1. 第n行有n个数字 +2. 每行的第一个和最后一个数字都是1 +3. 其他数字等于上一行同位置和前一个位置数字之和 + +动态规划解法： + +- 状态定义：dp[i][j]表示第i行第j列的数字 +- 递推关系： + - `dp[i] = 1` (每行第一个数字) + - `dp[i][i] = 1` (每行最后一个数字) + - `dp[i][j] = dp[i-1][j-1] + dp[i-1`][j] (其他情况) +- 空间优化：可以只使用一维数组，从后向前更新 + +```java + public class Solution { + public List> generate(int numRows) { + // 初始化动态规划数组 + Integer[][] dp = new Integer[numRows][]; + // 遍历每一行 + for (int i = 0; i < numRows; i++) { + // 初始化当前行 + dp[i] = new Integer[i + 1]; + // 每一行的第一个和最后一个元素总是 1 + dp[i][0] = dp[i][i] = 1; + // 计算中间元素 + for (int j = 1; j < i; j++) { + // 中间元素等于上一行的相邻两个元素之和 + dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j]; + } + } + + // 将动态规划数组转换为结果列表 + List> result = new ArrayList<>(); + for (Integer[] row : dp) { + result.add(Arrays.asList(row)); + } + // 返回结果列表 + return result; +} +``` + + + +##### [152. 乘积最大子数组](https://leetcode.cn/problems/maximum-product-subarray/) + +> 给你一个整数数组 `nums` ，请你找出数组中乘积最大的非空连续 子数组（该子数组中至少包含一个数字），并返回该子数组所对应的乘积。 +> +> 测试用例的答案是一个 **32-位** 整数。 +> +> ``` +> 输入: nums = [2,3,-2,4] +> 输出: 6 +> 解释: 子数组 [2,3] 有最大乘积 6。 +> ``` + +思路：维护两个DP数组，一个记录当前位置为止的最大成绩，一个记录当前位置为止的最小乘机。因为负数✖️负数会得到正数，所以当前位置的最小乘积乘以下一个负数，可能会得到最大乘机。 + +```java +public int maxProduct(int[] nums) { + int n = nums.length; // 获取数组的长度 + if (n == 0) return 0; // 如果数组为空，则直接返回0 + + int[] maxProduct = new int[n]; // 用于存储到当前位置为止的最大乘积 + int[] minProduct = new int[n]; // 用于存储到当前位置为止的最小乘积（考虑负数情况） + maxProduct[0] = nums[0]; // 初始化第一个元素的最大乘积 + minProduct[0] = nums[0]; // 初始化第一个元素的最小乘积 + int result = nums[0]; // 初始化最大乘积结果为第一个元素 + + for (int i = 1; i < n; i++) { // 从第二个元素开始遍历数组 + // 如果当前元素是负数，则交换最大乘积和最小乘积（因为负数乘以负数得正数） + if (nums[i] < 0) { + int temp = maxProduct[i-1]; // 临时保存前一个位置的最大乘积 + maxProduct[i] = minProduct[i-1] * nums[i]; // 更新当前位置的最大乘积 + minProduct[i] = temp * nums[i]; // 更新当前位置的最小乘积 + } else { + // 如果当前元素是非负数，则正常更新最大乘积和最小乘积 + maxProduct[i] = Math.max(nums[i], maxProduct[i-1] * nums[i]); // 更新当前位置的最大乘积 + minProduct[i] = Math.min(nums[i], minProduct[i-1] * nums[i]); // 更新当前位置的最小乘积 + } + // 更新全局最大乘积结果 + result = Math.max(result, maxProduct[i]); + } + + return result; // 返回全局最大乘积结果 +} +``` + + + +#### 1.1.2 依赖比 i 小的 O(n) 个子问题 + +`dp[i]`需要遍历所有更小的`dp[j]`（`j < i`）才能计算，时间复杂度通常为`O(n²)`。 + +最长递增子序列（300 题）：`dp[i]` 需比较 `dp[0..i-1]` 中所有满足条件的子问题，取最大值加 1。 + + + +##### [300. 最长递增子序列](https://leetcode.cn/problems/longest-increasing-subsequence/) + +> 给你一个整数数组 `nums` ，找到其中最长严格递增子序列的长度。 +> +> **子序列** 是由数组派生而来的序列，删除（或不删除）数组中的元素而不改变其余元素的顺序。例如，`[3,6,2,7]` 是数组 `[0,3,1,6,2,2,7]` 的子序列。 +> +> ``` +> 输入：nums = [10,9,2,5,3,7,101,18] +> 输出：4 +> 解释：最长递增子序列是 [2,3,7,101]，因此长度为 4 。 +> ``` - int[] dp = new int[len]; +PS： 注意「子序列」和「子串」这两个名词的区别，子串一定是连续的，而子序列不一定是连续的 + +![image.png](https://pic.leetcode.cn/1717053793-JegWXx-image.png) + +```java + public int getLengthOfLIS(int[] nums) { + + if(nums == null || nums.length == 0){ + return 0; + } + + int[] dp = new int[nums.length]; Arrays.fill(dp, 1); - for (int i = 0; i < len; i++) { - for (int j = 0; j < i; j++) { - //当 nums[i] <= nums[j]nums[i]<=nums[j] 时： nums[i]nums[i] 无法接在 nums[j]nums[j] 之后，此情况上升子序列不成立，跳过 - if (nums[i] > nums[j]) { + int maxLength = 1; //最长递增子序列的初始长度为1 + for (int i = 0; i < nums.length; i++) { //外层循环 (i): 遍历数组中的每个元素 + for (int j = 0; j < i; j++) { //内层循环 (j): 对于每个 i，遍历 0 到 i-1 的所有元素 + //当发现 nums[j] < nums[i] 时，说明 nums[i] 可以接在 nums[j] 后面形成更长的递增子序列 + if (nums[j] < nums[i]) { //这里要注意是 nums[i] 还是 dp[i] - dp[i] = Math.max(dp[i], dp[j] + 1); + // 把 nums[i] 接在后面，即可形成长度为 dp[j] + 1，且以 nums[i] 为结尾的递增子序列 + //dp[j] + 1 表示以 nums[j] 结尾的子序列长度加上 nums[i] 后的新长度 + dp[i] = Math.max(dp[i], dp[j] + 1); //更新dp[i] } } - } - int res = 0; - for (int i = 0; i < len; i++) { - res = Math.max(res, dp[i]); + maxLength = Math.max(maxLength, dp[i]); } return res; } ``` +![](https://writings.sh/assets/images/posts/algorithm-longest-increasing-subsequence/longest-increasing-subsequence-dp1-2.jpeg) + > 类似问题还有，最长递增子序列的个数、俄罗斯套娃信封问题 +##### [279. 完全平方数](https://leetcode.cn/problems/perfect-squares/) +> 给你一个整数 `n` ，返回 *和为 `n` 的完全平方数的最少数量* 。 +> +> **完全平方数** 是一个整数，其值等于另一个整数的平方；换句话说，其值等于一个整数自乘的积。例如，`1`、`4`、`9` 和 `16` 都是完全平方数，而 `3` 和 `11` 不是。 +> +> ``` +> 输入：n = 13 +> 输出：2 +> 解释：13 = 4 + 9 +> ``` +思路：这题和 coin change 类似。 +- 状态定义：`dp[i]`表示组成整数`i`所需的最少完全平方数个数。 +- 转移方程：遍历所有小于`i`的完全平方数`j²`，则`dp[i] = min(dp[i], dp[i - j²] + 1)`。 +```java +public int numSquares(int n) { + // 创建dp数组，dp[i]表示组成i所需的最少完全平方数个数 + int[] dp = new int[n + 1]; + + // 初始化dp数组，初始值设为最大值（n最多由n个1组成） + Arrays.fill(dp, n + 1); + dp[0] = 0; + // 外层循环遍历从 1 到 n 的每个数字 + for (int i = 1; i <= n; i++) { + // 内层循环遍历所有可能的完全平方数 j*j（其中 j 从 1 开始，直到 j*j 不再小于等于 i） + for (int j = 1; j * j <= i; j++) { + // 更新 dp[i] 为 dp[i] 和 dp[i - j*j] + 1 中的较小值 + // dp[i - j*j] + 1 表示将 j*j 加到 i-j*j 的最少完全平方数之和上，再加上当前的 j*j + dp[i] = Math.min(dp[i], dp[i - j * j] + 1); + } + } + return dp[n]; +} +``` -## [括号生成_22](https://leetcode-cn.com/problems/generate-parentheses/) +- **`dp[i]`**：表示组成数字 `i` 所需的最少完全平方数个数 +- **`j*j`**：当前尝试的完全平方数（如1, 4, 9, 16...） +- **`i - j*j`**：使用当前平方数后剩余的数值 +- **`dp[i - j*j]`**：剩余数值所需的最少平方数个数 +- 为什么加 "1"？ + - "+1" 表示当前使用的这个平方数（`j*j`） -> 数字 `n` 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 **有效的** 括号组合。 + + +#### 1.1.3 带维度的单串问题 + +状态需要额外维度（如 "交易次数"、"状态标识"），通常定义为`dp[i][k]`。 + +##### **股票系列问题** + +以 "买卖股票的最佳时机 IV" 为例，需限制交易次数`k`： + +- 状态定义：`dp[i][k][0]`表示第`i`天结束时，最多交易`k`次且不持有股票的最大利润；`dp[i][k][1]`表示持有股票的最大利润。 + +- 转移方程： + + ```plaintext + dp[i][k][0] = max(dp[i-1][k][0], dp[i-1][k][1] + prices[i]) // 不持有：要么前一天就不持有，要么今天卖出 + dp[i][k][1] = max(dp[i-1][k][1], dp[i-1][k-1][0] - prices[i]) // 持有：要么前一天就持有，要么今天买入（消耗一次交易） + ``` + +> #### 单串相关练习题 +> +> - 最经典单串 LIS 系列 +> - 最大子数组和系列 +> - 打家劫舍系列 +> - 变形：需要两个位置的情况 +> - 与其它算法配合 +> - 其它单串 dp[i] 问题 +> - 带维度单串 dp[i][k] +> - 股票系列 +> + + + +### 1.2 双串问题 + +双串问题的输入为两个字符串或数组，状态通常定义为`dp[i][j]`，表示 " 考虑第一个串的前`i`个元素和第二个串的前`j`个元素时的最优解 "，时间复杂度通常为`O(mn)`（`m`、`n`为两串长度）。 + +![状态推导方向2](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/06/2-2-2.png) + +**状态定义**：`dp[i][j]` 表示第一个串前 `i` 个元素与第二个串前 `j` 个元素的子问题的解。 + +- 最长公共子序列（1143 题）：`dp[i][j]` 依赖 `dp[i-1][j-1]`（两字符相等）或 `max(dp[i-1][j], dp[i][j-1])`（两字符不等）。 + +##### [1143. 最长公共子序列](https://leetcode.cn/problems/longest-common-subsequence/) + +> 给定两个字符串 `text1` 和 `text2`，返回这两个字符串的最长 **公共子序列** 的长度。如果不存在 **公共子序列** ，返回 `0` 。 +> +> 一个字符串的 **子序列** 是指这样一个新的字符串：它是由原字符串在不改变字符的相对顺序的情况下删除某些字符（也可以不删除任何字符）后组成的新字符串。 +> +> - 例如，`"ace"` 是 `"abcde"` 的子序列，但 `"aec"` 不是 `"abcde"` 的子序列。 +> +> 两个字符串的 **公共子序列** 是这两个字符串所共同拥有的子序列。 > > ``` -> 输入：n = 3 -> 输出：["((()))","(()())","(())()","()(())","()()()"] +> 输入：text1 = "abcde", text2 = "ace" +> 输出：3 +> 解释：最长公共子序列是 "ace" ，它的长度为 3 。 > ``` + +思路： + +- 状态定义：`dp[i][j]`表示`text1[0..i]`与`text2[0..j]`的最长公共子序列长度。 + +- 转移方程： + + ```plaintext + if (text1[i] == text2[j]) { + dp[i][j] = dp[i-1][j-1] + 1; // 两字符相同，累加长度 + } else { + dp[i][j] = max(dp[i-1][j], dp[i][j-1]); // 取删除其中一个字符后的最大值 + } + ``` + +两个字符串这种，算是典型的二维动态规划问题 + +![img](https://miro.medium.com/v2/resize:fit:914/0*7Uhq4ZGfoxs1Ww3Z) + +```java +public int longestCommonSubsequence(String str1, String str2) { + // 获取两个字符串的长度 + int s1l = str1.length(); + int s2l = str2.length(); + + // 创建动态规划表，dp[i][j]表示str1前i个字符和str2前j个字符的LCS长度 + // 大小设为(s1l+1)×(s2l+1)是为了方便处理边界条件（空字符串的情况） + int [][]dp = new int[s1l+1][s2l+1]; + + // 动态规划填表过程 + for(int i=1; i<=s1l; i++){ // 遍历str1的每个字符 + for(int j=1; j<=s2l; j++){ // 遍历str2的每个字符 + //当前字符是公共子序列的一部分 + if(str1.charAt(i-1) == str2.charAt(j-1)){ + // 当前字符匹配，LCS长度等于左上角值加1 + dp[i][j] = 1 + dp[i-1][j-1]; + }else{ + // 当前字符不匹配，取上方或左方的较大值 + dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1]); + } + } + } + + // 返回整个字符串的LCS长度，即dp表的右下角值 + return dp[s1l][s2l]; +} +``` + + + +##### [72. 编辑距离](https://leetcode.cn/problems/edit-distance/) + +> 给你两个单词 `word1` 和 `word2`， *请返回将 `word1` 转换成 `word2` 所使用的最少操作数* 。 +> +> 你可以对一个单词进行如下三种操作： +> +> - 插入一个字符 +> - 删除一个字符 +> - 替换一个字符 > > ``` -> 输入：n = 1 -> 输出：["()"] +> 输入：word1 = "intention", word2 = "execution" +> 输出：5 +> 解释： +> intention -> inention (删除 't') +> inention -> enention (将 'i' 替换为 'e') +> enention -> exention (将 'n' 替换为 'x') +> exention -> exection (将 'n' 替换为 'c') +> exection -> execution (插入 'u') > ``` -属于dfs +思路： + +- 状态定义：`dp[i][j]`表示将`word1[0..i]`转换为`word2[0..j]`的最少操作数。 + +- 转移方程： + + ```plaintext + if (word1[i] == word2[j]) { + dp[i][j] = dp[i-1][j-1]; // 字符相同，无需操作 + } else { + // 插入（在word1后加word2[j]）、删除（删word1[i]）、替换（替换word1[i]为word2[j]） + dp[i][j] = min(dp[i][j-1], dp[i-1][j], dp[i-1][j-1]) + 1; + } + ``` + +编辑距离，也称 Levenshtein 距离，指两个字符串之间互相转换的最少修改次数，通常用于在信息检索和自然语言处理中度量两个序列的相似度。 + +1. 定义状态：设字符串 s 和 t 的长度分别为 m 和 n ，我们先考虑两字符串尾部的字符 *s[m-1]* 和 *t[n-1]*。 + - 若 *s[m-1]* 和 *t[n-1]* 相同，我们可以跳过它们，直接考虑 *s[m-2]* 和 *t[n-2]*。 + - 若 *s[m-1]* 和 *t[n-1]* 不同，我们需要对 s 进行一次编辑（插入、删除、替换），使得两字符串尾部的字符相同，从而可以跳过它们，考虑规模更小的问题 + 也就是说，我们在字符串 中进行的每一轮决策（编辑操作），都会使得 s 和 t 中剩余的待匹配字符发生变化。因此，状态为当前在 s和 t 中考虑的第 i 和第 j 个字符，记为 `dp[i][j]`。 +2. 状态转移方程：`dp[i][j]` 对应的两个字符串的尾部字符 `s[i-1]` 和 `t[j-1]` ，根据不同的编辑操作（增、删、改）可以有 3 种情况 + - 在 `s[i-1]` 之后添加 `t[j-1]` ，剩余子问题 `dp[i][j-1]` + - 删除 `t[j-1]`，剩余子问题 `dp[i-1][j]` + - 把 `s[i-1]` 替换为 `t[j-1]` ，剩余子问题 `dp[i-1][j-1]` -## 背包问题 + 最优步数是这 3 种情况的最小值，`dp[i][j] = Math.min(Math.min(dp[i][j - 1], dp[i - 1][j]), dp[i - 1][j - 1]) + 1` + + 3. base case : `dp[i][0] = i;` `dp[0][j] = j;` + +```java +/* 编辑距离：动态规划 */ +int editDistanceDP(String s, String t) { + int n = s.length(), m = t.length(); + int[][] dp = new int[n + 1][m + 1]; + // 状态转移：首行首列 + for (int i = 1; i <= n; i++) { + dp[i][0] = i; + } + for (int j = 1; j <= m; j++) { + dp[0][j] = j; + } + // 状态转移：其余行和列 + for (int i = 1; i <= n; i++) { + for (int j = 1; j <= m; j++) { + if (s.charAt(i - 1) == t.charAt(j - 1)) { + // 若两字符相等，则直接跳过此两字符 + dp[i][j] = dp[i - 1][j - 1]; + } else { + // 最少编辑步数 = 插入、删除、替换这三种操作的最少编辑步数 + 1 + dp[i][j] = Math.min(Math.min(dp[i][j - 1], dp[i - 1][j]), dp[i - 1][j - 1]) + 1; + } + } + } + return dp[n][m]; +} +``` + +> **双串相关练习题** +> +> 1. 最经典双串 LCS 系列 +> 2. 字符串匹配系列 +> 3. 其它双串 dp[i][j] 问题 +> 4. 带维度双串 dp[i][j][k] +> 5. 712 两个字符串的最小 ASCII 删除和 +> + + + +## 二、背包问题（线性 DP 的变种） + +| **特征** | **线性DP** | **背包问题** | +| ------------ | ------------------------------------ | ------------------------------------ | +| **问题场景** | 依赖序列的线性结构（如数组、字符串） | 在容量限制下选择物品（组合优化） | +| **状态定义** | 通常为`dp[i]`或`dp[i][j]` | 通常为`dp[i][v]`（前i个物品，容量v） | +| **转移方向** | 沿线性方向递推（如从左到右） | 依赖物品选择和容量消耗 | +| **典型例题** | 70. 爬楼梯、300. LIS | 416. 分割等和子集、322. 零钱兑换 | + +**核心**：按物品和容量的线性顺序推进状态，本质是线性 DP 的扩展。 + +- **0-1 背包**：每个物品仅选一次，状态转移依赖上一轮（前 `i-1` 个物品）的解（如分割等和子集 416 题）。 +- **完全背包**：每个物品可重复选，状态转移依赖本轮（前 `i` 个物品）的解（如零钱兑换 322 题、零钱兑换 II518 题）。 + +背包问题可抽象为：给定一组物品（每个物品有重量和价值）和一个容量固定的背包，如何选择物品放入背包，使总价值最大且总重量不超过背包容量。 + +常见类型： + +- **0-1 背包**：每个物品只能选择一次（要么放入，要么不放入） +- **完全背包**：每个物品可以选择多次（无限重复使用） ### 0-1 背包问题 -> 给你一个可装载重量为 `W` 的背包和 `N` 个物品，每个物品有重量和价值两个属性。其中第 `i` 个物品的重量为 `w[i]`，价值为 `v[i]`，现在让你用这个背包装物品，最多能装的价值是多少？ +> 给定一个背包，容量为W。有n个物品，每个物品有重量wt[i]和价值val[i]。问在不超过背包容量的前提下，能装的最大价值是多少？ + +我们可以将 0-1 背包问题看作一个由 轮决策组成的过程，对于每个物体都有不放入和放入两种决策，因此该问题满足决策树模型。 + +该问题的目标是求解“在限定背包容量下能放入物品的最大价值”，因此较大概率是一个动态规划问题。 + +1. 定义dp数组`dp[i][w]`表示对于前i个物品，当前背包容量为w时，可以装的最大价值。 + +2. 状态转移方程：对于每个物品来说，不放入背包，背包容量不变；放入背包，背包容量减小 + + 当我们做出物品 的决策后，剩余的是前 个物品决策的子问题，可分为以下两种情况 + + - **不放入物品** ：背包容量不变，最大价值 `dp[i][w] = dp[i-1][w]` ，继承之前的结果。 + - **放入物品** : 背包容量减少，则`dp[i][w] = dp[i-1][w - wt[i-1]] + val[i-1]`（注意：这里i-1是因为数组下标从0开始） + - 因此：`dp[i][w] = max(dp[i-1][w], dp[i-1][w - wt[i-1]] + val[i-1])` 注意：只有w>=wt[i-1]时才能选择放入。 + +3. 初始化： + + - `dp[w] = 0`，表示0个物品时，价值为0。 + - `dp[i] = 0`，表示背包容量为0时，价值为0。 + +4. 最终答案：`dp[n][W]` + +```java +/** + * 0-1背包问题求解 + * @param capacity 背包最大容量 + * @param weights 物品重量数组 + * @param values 物品价值数组 + * @return 最大价值 + */ +public static int solve(int capacity, int[] weights, int[] values) { + // 边界条件判断 + if (capacity <= 0 || weights == null || values == null || + weights.length != values.length) { + return 0; + } + + int n = weights.length; + int[] dp = new int[capacity + 1]; + + // 初始化dp数组，默认为0即可 + + // 遍历每个物品 + for (int i = 0; i < n; i++) { + // 逆序遍历背包容量，防止物品重复使用 + for (int j = capacity; j >= weights[i]; j--) { + // 状态转移方程 + dp[j] = Math.max(dp[j], dp[j - weights[i]] + values[i]); + } + } + + return dp[capacity]; +} +``` + + + + + +##### [416. 分割等和子集](https://leetcode.cn/problems/partition-equal-subset-sum/) + +> 给你一个 **只包含正整数** 的 **非空** 数组 `nums` 。请你判断是否可以将这个数组分割成两个子集，使得两个子集的元素和相等。 > > ``` -> 输入:W=5,N=3 -> w = [3, 2, 1], v = [5, 2, 3] -> 输出:8 -> 解释:选择 i=0 和 i=2 这两件物品装进背包。它们的总重量 4 小于 W，同时可以获得最大价值 8。 +> 输入：nums = [1,5,11,5] +> 输出：true +> 解释：数组可以分割成 [1, 5, 5] 和 [11] 。 > ``` +思路：这也算背包问题，要转化下想法，**给一个可装载重量为 `sum / 2` 的背包和 `N` 个物品，每个物品的重量为 `nums[i]`。现在让你装物品，是否存在一种装法，能够恰好将背包装满**？ 现在变成了背包问题 + +1. 定义状态：**`dp[i][j] = x` 表示，对于前 `i` 个物品（`i` 从 1 开始计数），当前背包的容量为 `j` 时，若 `x`为 `true`，则说明可以恰好将背包装满，若 `x` 为 `false`，则说明不能恰好将背包装满** `boolean[][] dp = new boolean[n + 1][sum + 1];` + +2. 转移方程：以 `nums[i]` 算不算入子集来看 + + - **不算（不放入背包）** ：不把这第 `i` 个物品装入背包，而且还装满背包，那就看上一个状态 `dp[i-1][j]`，继承之前的结果 + + - **算入子集（放入物品）** ：是否能够恰好装满背包，取决于状态 `dp[i-1][j-nums[i-1]]` + +3. base case： `dp[..][0] = true` 和 `dp[0][..] = false` + +```java +public boolean canPartition(int[] nums) { + int sum = 0; + for (int num : nums) sum += num; + // 和为奇数时，不可能划分成两个和相等的集合 + if (sum % 2 != 0) return false; + int n = nums.length; + sum = sum / 2; + boolean[][] dp = new boolean[n + 1][sum + 1]; + // base case + for (int i = 0; i <= n; i++) + dp[i][0] = true; + + for (int i = 1; i <= n; i++) { + for (int j = 1; j <= sum; j++) { + if (j - nums[i - 1] < 0) { + // 背包容量不足，不能装入第 i 个物品 + dp[i][j] = dp[i - 1][j]; + } else { + // 装入或不装入背包 + dp[i][j] = dp[i - 1][j] || dp[i - 1][j - nums[i - 1]]; + } + } + } + return dp[n][sum]; +} + +``` + +空间优化，**`dp[i][j]` 都是通过上一行 `dp[i-1][..]` 转移过来的**，之前的数据都不会再使用了。 + +```java +public boolean canPartition(int[] nums) { + int sum = 0; + for (int num : nums) sum += num; + // 和为奇数时，不可能划分成两个和相等的集合 + if (sum % 2 != 0) return false; + int n = nums.length; + sum = sum / 2; + boolean[] dp = new boolean[sum + 1]; + + // base case + dp[0] = true; + + for (int i = 0; i < n; i++) { + for (int j = sum; j >= 0; j--) { + if (j - nums[i] >= 0) { + dp[j] = dp[j] || dp[j - nums[i]]; + } + } + } + return dp[sum]; +} +``` + + + +### 完全背包问题 + +完全背包中每种物品有无限个。状态转移方程稍有不同： +`dp[i][w] = max(dp[i-1][w], dp[i][w - wt[i-1]] + val[i-1]) `注意这里第二项是`dp[i][w-wt[i-1]]`，因为可以重复选择。 + +> 给定 n 个物品，第 i 个物品的重量为 *wgt[i-1]* 、价值为 *val[i-1]*，和一个容量为 *cap* 的背包。**每个物品可以重复选取**，问在限定背包容量下能放入物品的最大价值 + +思路：完全背包问题和 0-1 背包问题非常相似，**区别仅在于不限制物品的选择次数** + +```java +/** + * 完全背包问题求解 + * @param capacity 背包最大容量 + * @param weights 物品重量数组 + * @param values 物品价值数组 + * @return 最大价值 + */ +public static int solve(int capacity, int[] weights, int[] values) { + // 边界条件判断 + if (capacity <= 0 || weights == null || values == null || + weights.length != values.length) { + return 0; + } + + int n = weights.length; + int[] dp = new int[capacity + 1]; + + // 遍历每个物品 + for (int i = 0; i < n; i++) { + // 正序遍历背包容量，允许物品重复使用 + for (int j = weights[i]; j <= capacity; j++) { + // 状态转移方程 + dp[j] = Math.max(dp[j], dp[j - weights[i]] + values[i]); + } + } + + return dp[capacity]; +} +``` + + + +##### [322. 零钱兑换](https://leetcode.cn/problems/coin-change/) + +> 给你一个整数数组 `coins` ，表示不同面额的硬币；以及一个整数 `amount` ，表示总金额。 +> +> 计算并返回可以凑成总金额所需的 **最少的硬币个数** 。如果没有任何一种硬币组合能组成总金额，返回 `-1` 。 +> +> 你可以认为每种硬币的数量是无限的。 +> +> ``` +> 输入：coins = [1, 2, 5], amount = 11 +> 输出：3 +> 解释：11 = 5 + 5 + 1 +> ``` + +思路： + +**零钱兑换可以看作完全背包问题的一种特殊情况** + +- “物品”对应“硬币”、“物品重量”对应“硬币面值”、“背包容量”对应“目标金额”。 +- 优化目标相反，完全背包问题是要最大化物品价值，零钱兑换问题是要最小化硬币数量 + +1. 定义状态：只使用 `coins` 中的前 `i` 个（`i` 从 1 开始计数）硬币的面值，若想凑出金额 `j`，最少有 `dp[i][j]` 种凑法 +2. 状态转移方程：`dp[i][j] = Math.min(dp[i-1][j],dp[i,j-coins[i-1]+1])` +3. base case：`dp[0][a] = MAX` + + + +```java +/* 零钱兑换：动态规划 */ +int coinChangeDP(int[] coins, int amt) { + int n = coins.length; + //amt + 1 表示无效解 + int MAX = amt + 1; + // 初始化 dp 表 + int[][] dp = new int[n + 1][amt + 1]; + // 状态转移：首行首列 + for (int a = 1; a <= amt; a++) { + dp[0][a] = MAX; + } + // 状态转移：其余行和列 + for (int i = 1; i <= n; i++) { + for (int a = 1; a <= amt; a++) { + if (coins[i - 1] > a) { + // 若超过目标金额，则不选硬币 i + dp[i][a] = dp[i - 1][a]; + } else { + // 不选和选硬币 i 这两种方案的较小值 ，硬币数量而非商品价值，因此在选中硬币时执行 +1 + dp[i][a] = Math.min(dp[i - 1][a], dp[i][a - coins[i - 1]] + 1); + } + } + } + return dp[n][amt] != MAX ? dp[n][amt] : -1; +} +``` + +![](https://www.hello-algo.com/chapter_dynamic_programming/unbounded_knapsack_problem.assets/coin_change_dp_step1.png)空间优化后 + +```java +/* 零钱兑换：空间优化后的动态规划 */ +int coinChangeDPComp(int[] coins, int amt) { + int n = coins.length; + int MAX = amt + 1; + // 初始化 dp 表 + int[] dp = new int[amt + 1]; + Arrays.fill(dp, MAX); + dp[0] = 0; + // 状态转移 + for (int i = 1; i <= n; i++) { + for (int a = 1; a <= amt; a++) { + if (coins[i - 1] > a) { + // 若超过目标金额，则不选硬币 i + dp[a] = dp[a]; + } else { + // 不选和选硬币 i 这两种方案的较小值 + dp[a] = Math.min(dp[a], dp[a - coins[i - 1]] + 1); + } + } + } + return dp[amt] != MAX ? dp[amt] : -1; +} +``` + + + +##### [518. 零钱兑换 II](https://leetcode.cn/problems/coin-change-ii/) + +> 给你一个整数数组 `coins` 表示不同面额的硬币，另给一个整数 `amount` 表示总金额。 +> +> 请你计算并返回可以凑成总金额的硬币组合数。如果任何硬币组合都无法凑出总金额，返回 `0` 。 +> +> 假设每一种面额的硬币有无限个。 +> +> 题目数据保证结果符合 32 位带符号整数。 +> +> ``` +> 输入：amount = 5, coins = [1, 2, 5] +> 输出：4 +> 解释：有四种方式可以凑成总金额： +> 5=5 +> 5=2+2+1 +> 5=2+1+1+1 +> 5=1+1+1+1+1 +> ``` + +思路： + +可以把这个问题转化为背包问题的描述形式： + +有一个背包，最大容量为 `amount`，有一系列物品 `coins`，每个物品的重量为 `coins[i]`，**每个物品的数量无限**。请问有多少种方法，能够把背包恰好装满？ + +这个问题和我们前面讲过的两个背包问题，有一个最大的区别就是，每个物品的数量是无限的，这也就是传说中的「**完全背包问题**」， + +1. 定义状态：**若只使用 `coins` 中的前 `i` 个（`i` 从 1 开始计数）硬币的面值，若想凑出金额 `j`，有 `dp[i][j]` 种凑法**。 +2. base case 为 `dp[0][..] = 0, dp[..][0] = 1`。`i = 0` 代表不使用任何硬币面值，这种情况下显然无法凑出任何金额；`j = 0` 代表需要凑出的目标金额为 0，那么什么都不做就是唯一的一种凑法 + + + +### 背包应用 + +##### [494. 目标和](https://leetcode.cn/problems/target-sum/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：01背包变体** + +> 给你一个整数数组 nums 和一个整数 target 。 +> +> 向数组中的每个整数前添加 '+' 或 '-' ，然后串联起所有整数，可以构造一个 表达式 ： +> +> 例如，nums = [2, 1] ，可以在 2 之前添加 '+' ，在 1 之前添加 '-' ，然后串联起来得到表达式 "+2-1" 。 +> 返回可以通过上述方法构造的、运算结果等于 target 的不同 表达式 的数目。 +> +> ``` +> 输入：nums = [1,1,1,1,1], target = 3 +> 输出：5 +> 解释：一共有 5 种方法让最终目标和为 3 。 +> -1 + 1 + 1 + 1 + 1 = 3 +> +1 - 1 + 1 + 1 + 1 = 3 +> +1 + 1 - 1 + 1 + 1 = 3 +> +1 + 1 + 1 - 1 + 1 = 3 +> +1 + 1 + 1 + 1 - 1 = 3 +> ``` + +**思路**：转化为01背包问题 + +设添加"+"号的数字和为P，添加"-"号的数字和为N，则： +- P + N = sum（数组总和） +- P - N = target（目标和） + +解得：P = (sum + target) / 2 + +问题转化为：从数组中选择一些数字，使其和等于P的方案数。这是典型的01背包计数问题。 + +```java +public int findTargetSumWays(int[] nums, int target) { + int sum = 0; + for (int num : nums) { + sum += num; + } + + // 边界条件检查 + if (sum < Math.abs(target) || (sum + target) % 2 == 1) { + return 0; + } + + int targetSum = (sum + target) / 2; + + // dp[i]表示和为i的方案数 + int[] dp = new int[targetSum + 1]; + dp[0] = 1; // 和为0的方案数为1（什么都不选） + + for (int num : nums) { + // 01背包，逆序遍历 + for (int j = targetSum; j >= num; j--) { + dp[j] += dp[j - num]; + } + } + + return dp[targetSum]; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n × target_sum) - n为数组长度，target_sum为目标正数和 +- **空间复杂度**：O(target_sum) - dp数组的空间 + +### 背包应用 + +##### [62. 不同路径](https://leetcode.cn/problems/unique-paths/) + +> 一个机器人位于一个 `m x n` 网格的左上角 （起始点在下图中标记为 "Start" ）。 +> +> 机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为 "Finish" ）。 +> +> 问总共有多少条不同的路径？ +> +> ``` +> 输入：m = 3, n = 7 +> 输出：28 +> ``` + +**思路**：典型的二维DP问题 + +- 状态定义：`dp[i][j]` 表示到达位置 `(i, j)` 的不同路径数 +- 转移方程：`dp[i][j] = dp[i-1][j] + dp[i][j-1]` （只能从上方或左方到达） +- 边界条件：`dp[0][j] = 1`, `dp[i][0] = 1` （第一行和第一列都只有一条路径） + +```java +public int uniquePaths(int m, int n) { + int[][] dp = new int[m][n]; + + // 初始化边界条件 + for (int i = 0; i < m; i++) { + dp[i][0] = 1; // 第一列只有一条路径 + } + for (int j = 0; j < n; j++) { + dp[0][j] = 1; // 第一行只有一条路径 + } + + // 状态转移 + for (int i = 1; i < m; i++) { + for (int j = 1; j < n; j++) { + dp[i][j] = dp[i - 1][j] + dp[i][j - 1]; + } + } + + return dp[m - 1][n - 1]; +} + +// 空间优化版本（一维数组） +public int uniquePaths(int m, int n) { + int[] dp = new int[n]; + Arrays.fill(dp, 1); // 第一行都是1 + + for (int i = 1; i < m; i++) { + for (int j = 1; j < n; j++) { + dp[j] = dp[j] + dp[j - 1]; // dp[j]代表上方，dp[j-1]代表左方 + } + } + + return dp[n - 1]; +} +``` + +##### [121. 买卖股票的最佳时机](https://leetcode.cn/problems/best-time-to-buy-and-sell-stock/) + +> 给定一个数组 `prices` ，它的第 `i` 个元素 `prices[i]` 表示一支给定股票第 `i` 天的价格。 +> +> 你只能选择 **某一天** 买入这只股票，并选择在 **未来的某一个不同的日子** 卖出该股票。设计一个算法来计算你所能获取的最大利润。 +> +> 返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润，返回 `0` 。 +> +> ``` +> 输入：[7,1,5,3,6,4] +> 输出：5 +> 解释：在第 2 天（股票价格 = 1）的时候买入，在第 5 天（股票价格 = 6）的时候卖出，最大利润 = 6-1 = 5 。 +> 注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格；同时，你不能在买入前卖出股票。 +> ``` + +**思路**：一次遍历找最低买入价和最大利润 + +- 状态定义：维护到当前位置的最低价格和最大利润 +- 转移方程： + - `minPrice = Math.min(minPrice, prices[i])` + - `maxProfit = Math.max(maxProfit, prices[i] - minPrice)` + +```java +public int maxProfit(int[] prices) { + if (prices == null || prices.length <= 1) return 0; + + int minPrice = prices[0]; // 记录到目前为止的最低价格 + int maxProfit = 0; // 记录到目前为止的最大利润 + + for (int i = 1; i < prices.length; i++) { + // 更新最低价格 + minPrice = Math.min(minPrice, prices[i]); + // 更新最大利润（今天卖出的利润 vs 之前的最大利润） + maxProfit = Math.max(maxProfit, prices[i] - minPrice); + } + + return maxProfit; +} + +// DP思路版本 +public int maxProfit(int[] prices) { + if (prices == null || prices.length <= 1) return 0; + + // dp[i][0] 表示第i天不持有股票的最大利润 + // dp[i][1] 表示第i天持有股票的最大利润 + int n = prices.length; + int[][] dp = new int[n][2]; + + dp[0][0] = 0; // 第0天不持有股票，利润为0 + dp[0][1] = -prices[0]; // 第0天持有股票，利润为-prices[0] + + for (int i = 1; i < n; i++) { + dp[i][0] = Math.max(dp[i-1][0], dp[i-1][1] + prices[i]); // 不持有：要么昨天就不持有，要么今天卖出 + dp[i][1] = Math.max(dp[i-1][1], -prices[i]); // 持有：要么昨天就持有，要么今天买入 + } + + return dp[n-1][0]; // 最后一天不持有股票的最大利润 +} +``` + +##### [64. 最小路径和](https://leetcode.cn/problems/minimum-path-sum/) + +> 给定一个包含非负整数的 `m * x ` 网格 `grid` ，请找出一条从左上角到右下角的路径，使得路径上的数字总和为最小。 +> +> **说明：**每次只能向下或者向右移动一步。 +> +> ![img](https://assets.leetcode.com/uploads/2020/11/05/minpath.jpg) +> +> ``` +> 输入：grid = [[1,3,1],[1,5,1],[4,2,1]] +> 输出：7 +> 解释：因为路径 1→3→1→1→1 的总和最小。 +> ``` + +思路： + +递归解法，dp[i][l] + +```java +int dp(int[][] grid, int i, int j) { + // base case + if (i == 0 && j == 0) { + return grid[0][0]; + } + // 如果索引出界，返回一个很大的值， + // 保证在取 min 的时候不会被取到 + if (i < 0 || j < 0) { + return Integer.MAX_VALUE; + } + + // 左边和上面的最小路径和加上 grid[i][j] + // 就是到达 (i, j) 的最小路径和 + return Math.min( + dp(grid, i - 1, j), + dp(grid, i, j - 1) + ) + grid[i][j]; +} +``` + + + + +## 三、区间动态规划 + +在输入为长度为 n 的数组时，子问题用区间 [i..j] 表示。状态的定义和转移都与区间有关，称为区间动态规划。 + +区间动态规划的特点是**状态与区间`[i..j]`相关**，状态定义为`dp[i][j]`，表示 " 区间`[i..j]`上的最优解 "，推导顺序通常按区间长度从小到大进行。 + +> 区间动态规划一般用在单串问题上，以区间 [i, j] 为单位思考状态的设计和转移。它与线性动态规划在状态设计和状态转移上都有明显的不同，但由于这两个方法都经常用在单串问题上，导致我们拿到一个单串的问题时，经常不能快速反映出应该用哪种方法。这是区间动态规划的难点之一，但是这个难点也是好解决的，就是做一定数量的练习题，因为区间动态规划的题目比线性动态规划少很多，并且区间动态规划的状态设计和转移都比较朴素，变化也比线性动态规划少很多，所以通过不多的题目数量就可以把区间动态规划常见的方法和变化看个大概了。 + + + +> 区间 DP 是状态的定义和转移都与区间有关，其中区间用两个端点表示。 +> +> 状态定义 dp\[i][j] = [i..j] 上原问题的解。i 变大，j 变小都可以得到更小规模的子问题。 +> +> 对于单串上的问题，我们可以对比一下线性动态规划和区间动态规划。线性动态规划, 一般是定义 dp[i]， 表示考虑到前 i 个元素，原问题的解，i 变小即得到更小规模的子问题，推导状态时候是从前往后，即 i 从小到大推的。区间动态规划，一般是定义 dp[i][j]，表示考虑 [i..j] 范围内的元素，原问题的解增加 i，减小 j 都可以得到更小规模的子问题。推导状态一般是按照区间长度从短到长推的。 +> +> 区间动态规划的状态设计，状态转移都与线性动态规划有明显区别，但是由于这两种方法都经常用在单串问题上，拿到一个单串的问题时，往往不能快速地判断到底是用线性动态规划还是区间动态规划，这也是区间动态规划的难点之一。 +> +> 状态转移，推导状态 dp\[i][j] 时，有两种常见情况 +> +> #### 1. dp\[i][j] 仅与常数个更小规模子问题有关 +> +> 一般是与 dp\[i + 1][j], dp\[i][j - 1], dp\[i + 1][j - 1] 有关。 +> +> dp\[i][j] = f(dp\[i + 1][j], dp\[i][j - 1], dp\[i + 1][j - 1]) +> +> ![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/06/4-1-1.png) +> +> 代码常见写法 +> +> ``` +> for len = 1..n +> for i = i..len +> j = i + len - 1 +> dp[i][j] = max(dp[i][j], f(dp[i+1][j], dp[i][j-1], dp[i+1][j-1])) +> +> ``` +> +> 时间复杂度和空间复杂度均为 O(n^{2})*O*(*n*2) +> +> 例如力扣第 516 题，详细过程参考下一节。 +> +> +> +> #### 2. dp\[i][j] 与 O(n) 个更小规模子问题有关 +> +> 一般是枚举 [i,j] 的分割点，将区间分为 [i,k] 和 [k+1,j]，对每个 k 分别求解（下面公式的 f），再汇总（下面公式的 g）。 +> +> dp\[i][j] = g(f(dp\[i][k], dp\[k + 1][j])) 其中 k = i .. j-1。 +> +> ![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2020/08/06/4-1-2.png) +> +> 代码常见写法, 以下代码以 f 为 max 为例 +> +> ``` +> for len = 1..n +> for i = i..len +> j = i + len - 1 +> for k = i..j +> dp[i][j] = max(dp[i][j], f(dp[i][k], dp[k][j])) +> ``` +> +> 时间复杂度可以达到 O(n^3)，空间复杂度还是 O(n^2) +> +> 例如力扣第 664 题，详细过程参考下一节 +> +> + +### 3.1 区间 DP 的核心 + +- 状态设计：`dp[i][j]`代表区间`[i..j]`的解，`i`和`j`分别为区间的左右端点。 +- 推导顺序：先计算长度为 1 的区间（`i == j`），再计算长度为 2 的区间（`j = i+1`），直至长度为`n`的区间（`j = n-1`）。 + +### 3.2 经典问题分类 + +#### 3.2.1 依赖常数个子问题 + +`dp[i][j]`仅与`dp[i+1][j]`、`dp[i][j-1]`、`dp[i+1][j-1]`相关，时间复杂度`O(n²)`。 + +##### [96. 不同的二叉搜索树](https://leetcode.cn/problems/unique-binary-search-trees/) + +> 给你一个整数 `n` ，求恰由 `n` 个节点组成且节点值从 `1` 到 `n` 互不相同的 **二叉搜索树** 有多少种？返回满足题意的二叉搜索树的种数。 +> +> ``` +> 输入：n = 3 +> 输出：5 +> 解释：给定 n = 3, 一共有 5 种不同结构的二叉搜索树 +> ``` + +**思路**：卡特兰数/区间DP + +当我们确定根节点为 i 时： +- 左子树包含 [1, i-1] 共 i-1 个节点 +- 右子树包含 [i+1, n] 共 n-i 个节点 +- 左子树的不同结构数为 `dp[i-1]` +- 右子树的不同结构数为 `dp[n-i]` +- 以 i 为根的不同BST数为 `dp[i-1] * dp[n-i]` + +- 状态定义：`dp[i]` 表示 i 个节点组成的不同BST数量 +- 转移方程：`dp[i] = sum(dp[j-1] * dp[i-j])` for j in [1, i] +- 边界条件：`dp[0] = 1, dp[1] = 1` + +```java +public int numTrees(int n) { + // dp[i] 表示i个节点组成的不同BST的数量 + int[] dp = new int[n + 1]; + + // 边界条件 + dp[0] = 1; // 空树有1种结构 + dp[1] = 1; // 一个节点有1种结构 + + // 计算dp[2]到dp[n] + for (int i = 2; i <= n; i++) { + // 枚举根节点j的位置（从1到i） + for (int j = 1; j <= i; j++) { + // j为根节点时： + // 左子树有j-1个节点，右子树有i-j个节点 + dp[i] += dp[j - 1] * dp[i - j]; + } + } + + return dp[n]; +} + +// 数学公式版本（卡特兰数第n项） +public int numTrees(int n) { + long result = 1; + for (int i = 0; i < n; i++) { + result = result * 2 * (2 * i + 1) / (i + 2); + } + return (int) result; +} +``` + +##### [516. 最长回文子序列](https://leetcode.cn/problems/longest-palindromic-subsequence/) + +> 给你一个字符串 `s` ，找出其中最长的回文子序列，并返回该序列的长度。 +> +> 子序列定义为：不改变剩余字符顺序的情况下，删除某些字符或者不删除任何字符形成的一个序列。 +> +> ``` +> 输入：s = "bbbab" +> 输出：4 +> 解释：一个可能的最长回文子序列为 "bbbb" +> ``` + +- 状态定义：`dp[i][j]`表示`[i..j]`上的最长回文子序列长度。 + +- 转移方程： + + ```plaintext + if (s[i] == s[j]) { + dp[i][j] = dp[i+1][j-1] + 2; // 两端字符相同，累加长度 + } else { + dp[i][j] = max(dp[i+1][j], dp[i][j-1]); // 取去掉一端后的最大值 + } + ``` + +#### 3.2.2 依赖 O (n) 个子问题 + +`dp[i][j]`需要枚举区间内的分割点`k`（`i ≤ k < j`），通过`dp[i][k]`和`dp[k+1][j]`推导，时间复杂度`O(n³)`。 + +**例题：奇怪的打印机（LeetCode 664）** + +- 状态定义：`dp[i][j]`表示打印`[i..j]`区间字符的最少次数。 + +- 转移方程： + + ```plaintext + // 初始值：单独打印i位置 + dp[i][j] = dp[i+1][j] + 1; + // 若存在k使得s[i] == s[k]，则可与k位置一起打印，减少次数 + for (int k = i+1; k <= j; k++) { + if (s[i] == s[k]) { + dp[i][j] = min(dp[i][j], dp[i+1][k] + dp[k+1][j]); + } + } + ``` + + + +| 类型 | 状态定义 | 推导顺序 | 典型问题 | +| -------- | ---------- | ---------------------- | ---------------------------- | +| 线性单串 | `dp[i]` | 从左到右（i 从小到大） | 最大子数组和、最长递增子序列 | +| 线性双串 | `dp[i][j]` | 按 i 和 j 从小到大 | 最长公共子序列、编辑距离 | +| 区间 DP | `dp[i][j]` | 按区间长度从小到大 | 最长回文子序列、奇怪的打印机 | + +##### [5. 最长回文子串](https://leetcode.cn/problems/longest-palindromic-substring/) + +> 给你一个字符串 `s`，找到 `s` 中最长的 回文子串。 +> +> ``` +> 输入：s = "babad" +> 输出："bab" +> 解释："aba" 同样是符合题意的答案。 +> ``` + +**思路**：**中心扩散法**，「中心扩散法」的基本思想是：遍历每一个下标，以这个下标为中心，利用「回文串」中心对称的特点，往两边扩散，直到不再满足回文的条件。 + +细节：回文串在长度为奇数和偶数的时候，「回文中心」的形态不一样： + +- 奇数回文串的「中心」是一个具体的字符，例如：回文串 "aba" 的中心是字符 "b"； +- 偶数回文串的「中心」是位于中间的两个字符的「空隙」，例如：回文串 "abba" 的中心是两个 "b"，也可以看成两个 "b" 中间的空隙。 + +```java +public String longestPalindrome(String s){ + //处理边界 + if(s == null || s.length() < 2){ + return s; + } + + //初始化start和maxLength变量，用来记录最长回文子串的起始位置和长度 + int start = 0, maxLength = 0; + + //遍历每个字符 + for (int i = 0; i < s.length(); i++) { + //以当前字符为中心的奇数长度回文串 + int len1 = centerExpand(s, i, i); + //以当前字符和下一个字符之间的中心的偶数长度回文串 + int len2 = centerExpand(s, i, i+1); + + int len = Math.max(len1, len2); + + //当前找到的回文串大于之前的记录，更新start和maxLength + if(len > maxLength){ + // i 是当前扩展的中心位置， len 是找到的回文串的总长度，我们要用这两个值计算出起始位置 start + // （len - 1)/2 为什么呢，计算中心到回文串起始位置的距离， 为什么不用 len/2， 这里考虑的是奇数偶数的通用性，比如'abcba' 和 'abba' 或者 'cabbad'，巧妙的同时处理两种，不需要分别考虑 + start = i - (len - 1)/2; + maxLength = len; + } + + } + + return s.substring(start, start + maxLength); +} + +private int centerExpand(String s, int left, int right){ + while(left >= 0 && right < s.length() && s.charAt(left) == s.charAt(right)){ + left --; + right ++; + } + //这个的含义： 假设扩展过程中，left 和 right 已经超出了回文返回， 此时回文范围是 (left+1,right-1), 那么回文长度= (right-1)-(left+1)+1=right-left-1 + return right - left - 1; +} +``` + +![img](https://pic.leetcode-cn.com/2f205fcd0493818129e8d3604b2d84d94678fda7708c0e9831f192e21abb1f34.png) + +##### [221. 最大正方形](https://leetcode.cn/problems/maximal-square/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：二维DP经典** + +> 在一个由 '0' 和 '1' 组成的二维矩阵内，找到只包含 '1' 的最大正方形，并返回其面积。 +> +> ``` +> 输入：matrix = [["1","0","1","0","0"],["1","0","1","1","1"],["1","1","1","1","1"],["1","0","0","1","0"]] +> 输出：4 +> 解释：最大正方形的边长为2，面积为4 +> ``` + +**思路**：二维DP + +- 状态定义：`dp[i][j]` 表示以 `(i,j)` 为右下角的最大正方形的边长 +- 转移方程：如果 `matrix[i][j] == '1'`，则： + ``` + dp[i][j] = Math.min(dp[i-1][j], Math.min(dp[i][j-1], dp[i-1][j-1])) + 1 + ``` +- 边界条件：第一行和第一列直接根据matrix[i][j]设置 + +```java +public int maximalSquare(char[][] matrix) { + if (matrix == null || matrix.length == 0 || matrix[0].length == 0) { + return 0; + } + + int m = matrix.length; + int n = matrix[0].length; + int[][] dp = new int[m][n]; + int maxSide = 0; + + // 初始化第一行和第一列 + for (int i = 0; i < m; i++) { + dp[i][0] = matrix[i][0] - '0'; + maxSide = Math.max(maxSide, dp[i][0]); + } + + for (int j = 0; j < n; j++) { + dp[0][j] = matrix[0][j] - '0'; + maxSide = Math.max(maxSide, dp[0][j]); + } + + // 填充dp数组 + for (int i = 1; i < m; i++) { + for (int j = 1; j < n; j++) { + if (matrix[i][j] == '1') { + dp[i][j] = Math.min(dp[i-1][j], Math.min(dp[i][j-1], dp[i-1][j-1])) + 1; + maxSide = Math.max(maxSide, dp[i][j]); + } + } + } + + return maxSide * maxSide; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(mn) - 遍历整个矩阵一次 +- **空间复杂度**：O(mn) - dp数组，可优化为O(n) + + + + +## 四、分治型动态规划 + +#### **核心特征**： + +1. **问题目标**：生成所有满足条件的组合/排列（而非求最优解或计数）。 +2. 解决方法： + - **分治法**：将问题分解为子问题的组合（如括号生成中的`(inner)outer`）。 + - **回溯法**：通过递归+剪枝暴力搜索所有可能解。 +3. 与经典DP的区别： + - 经典DP通常用状态转移求极值（如最大值、最小值），而生成型DP直接构造解集。 + +**典型例题**： + +| 问题 | 解法 | 关键思路 | +| ------------------------------------------------------------ | ----------- | ------------------------------------------------------ | +| [22. 括号生成](https://leetcode.cn/problems/generate-parentheses/) | 分治DP/回溯 | `dp[i] = ['('+x+')'+y for x in dp[j], y in dp[i-1-j]]` | +| [95. 不同的二叉搜索树 II](https://leetcode.cn/problems/unique-binary-search-trees-ii/) | 分治DP | 遍历根节点，左右子树递归生成 | +| [17. 电话号码的字母组合](https://leetcode.cn/problems/letter-combinations-of-a-phone-number/) | 回溯 | 递归拼接所有可能的字符组合 | + + + +##### [22. 括号生成](https://leetcode.cn/problems/generate-parentheses/) + +> 数字 `n` 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 **有效的** 括号组合。 +> +> ``` +> 输入：n = 3 +> 输出：["((()))","(()())","(())()","()(())","()()()"] +> ``` +> +> ``` +> 输入：n = 1 +> 输出：["()"] +> ``` + +思路：属于dfs + + + + + +## 🚀 面试前15分钟速记表 + +### 核心模板（必背） + +```java +// 1. 一维DP模板 +int[] dp = new int[n + 1]; +dp[0] = baseCase; // 边界条件 +for (int i = 1; i <= n; i++) { + dp[i] = Math.max(dp[i-1] + nums[i], nums[i]); // 状态转移 +} + +// 2. 二维DP模板 +int[][] dp = new int[m + 1][n + 1]; +// 初始化边界条件 +for (int i = 1; i <= m; i++) { + for (int j = 1; j <= n; j++) { + dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1]); // 状态转移 + } +} + +// 3. 背包问题模板 +int[] dp = new int[capacity + 1]; +for (int i = 0; i < items.length; i++) { + for (int j = capacity; j >= weight[i]; j--) { // 0-1背包逆序 + dp[j] = Math.max(dp[j], dp[j - weight[i]] + value[i]); + } +} +``` + +### 题型速查表 + +| 题型分类 | 核心技巧 | 高频题目 | 记忆口诀 | 难度 | +|----------|----------|----------|----------|------| +| **线性DP-单串类** | 一维状态转移 | 爬楼梯、打家劫舍、最大子数组和、单词拆分、最长递增子序列、乘积最大子数组、买卖股票的最佳时机 | 状态定义含义清，子问题规模要递减 | ⭐⭐⭐ | +| **线性DP-双串类** | 二维状态比较 | 最长公共子序列、编辑距离 | 最后一步怎么走，前面状态来推导 | ⭐⭐⭐⭐ | +| **背包DP类** | 容量限制选择 | 分割等和子集、零钱兑换、零钱兑换II、完全平方数、不同路径 | 物品容量两维度，选或不选做决策 | ⭐⭐⭐⭐ | +| **区间DP类** | 区间分割优化 | 不同的二叉搜索树、最长回文子序列、最长回文子串 | 区间长度小到大，分割点上做文章 | ⭐⭐⭐⭐ | +| **分治型DP类** | 递归分解 | 括号生成 | 大化小来小化了，分而治之最高效 | ⭐⭐⭐⭐ | + +### 核心题目优先级（面试前重点复习） + +#### ⭐⭐⭐ 入门必会 +1. **爬楼梯70** - DP入门，斐波那契数列变体 +2. **打家劫舍198** - 状态机DP简化版，选择问题 +3. **最大子数组和53** - Kadane算法，经典一维DP +4. **买卖股票的最佳时机121** - 最简单的股票DP，贪心思想 +5. **不同路径62** - 二维DP入门，网格路径问题 + +#### ⭐⭐⭐⭐ 核心重点 +1. **零钱兑换322** - 完全背包经典，BFS和DP两种思路 +2. **分割等和子集416** - 0-1背包变体，子集和问题 +3. **最长公共子序列1143** - 双串DP经典，编辑距离前置 +4. **最长递增子序列300** - O(n²)和O(nlogn)两种解法 +5. **不同的二叉搜索树96** - 卡特兰数/区间DP，递归思想 +6. **乘积最大子数组152** - 同时维护最大最小值 + +#### ⭐⭐⭐⭐⭐ 高频困难 +1. **编辑距离72** - 双串DP进阶，三种操作优化 +2. **最长回文子序列516** - 区间DP经典 +3. **零钱兑换II518** - 完全背包计数问题 +4. **单词拆分139** - 字符串DP，记忆化搜索 +5. **最长回文子串5** - 中心扩散法和DP两种解法 +6. **目标和494** - 01背包变体，数学转化 +7. **最大正方形221** - 二维DP经典 + +### 解题思路总结 + +#### 🔑 DP问题识别特征 +- **最优子结构**：大问题的最优解包含子问题的最优解 +- **重叠子问题**：递归过程中存在重复计算 +- **无后效性**：当前状态确定后，未来的决策不依赖过去的状态 + +#### 💡 状态设计原则 +1. **状态含义要明确**：`dp[i]`表示什么要一清二楚 +2. **状态转移要自然**：从小状态推导大状态的逻辑要合理 +3. **边界条件要正确**：base case的设置决定算法正确性 +4. **空间优化要恰当**：能用滚动数组就不用二维数组 + +#### 🎯 常见状态设计模式 +- **以位置为状态**：`dp[i]`表示考虑前i个元素 +- **以值为状态**：`dp[i]`表示值为i时的最优解 +- **以区间为状态**：`dp[i][j]`表示区间[i,j]的最优解 +- **多维状态**：`dp[i][j][k]`表示多个约束条件下的最优解 + +### 常见陷阱提醒 + +- ⚠️ **状态转移方程错误**：仔细分析最后一步的所有可能性 +- ⚠️ **边界条件遗漏**：dp[0]、dp[i][0]等边界要正确初始化 +- ⚠️ **数组越界**：确保索引在有效范围内，特别是i-1、j-1 +- ⚠️ **整数溢出**：结果可能很大时要考虑取模或使用long +- ⚠️ **空间优化错误**：滚动数组时要注意更新顺序 +- ⚠️ **背包问题搞混**：0-1背包逆序，完全背包正序 + +### 时间复杂度速记 + +- **一维DP**：O(n) - 线性遍历 +- **二维DP**：O(mn) - 双重循环 +- **背包问题**：O(nW) - n个物品，W容量 +- **区间DP**：O(n³) - 三重循环，枚举分割点 +- **树形DP**：O(n) - 树的遍历 + +### 面试答题套路 + +1. **分析问题特征** + - 是否有最优子结构？ + - 是否有重叠子问题？ + - 状态空间有多大？ + +2. **设计状态和转移** + - 状态定义要清晰 + - 转移方程要正确 + - 边界条件要完整 + +3. **编码实现** + - 先写暴力递归 + - 再加记忆化搜索 + - 最后改成迭代DP + +4. **优化分析** + - 能否空间优化？ + - 能否时间优化？ + - 特殊情况处理？ + +**最重要的心得**：DP的核心是**状态定义**和**状态转移**，把这两点想清楚，代码就是水到渠成的事情！ + +--- + +**最重要的一个技巧就是，你得行动，写起来** + diff --git a/docs/data-structure-algorithms/soultion/LinkedList-Soultion.md b/docs/data-structure-algorithms/soultion/LinkedList-Soultion.md index 057f596f14..ee6cab5cde 100755 --- a/docs/data-structure-algorithms/soultion/LinkedList-Soultion.md +++ b/docs/data-structure-algorithms/soultion/LinkedList-Soultion.md @@ -3,85 +3,113 @@ title: 链表-热题 date: 2022-06-08 tags: - LikedList + - algorithms categories: leetcode --- +![](https://img.starfish.ink/leetcode/leetcode-banner.png) - -> 无法高效获取长度，无法根据偏移快速访问元素，是链表的两个劣势。然而面试的时候经常碰见诸如获取倒数第k个元素，获取中间位置的元素，判断链表是否存在环，判断环的长度等和长度与位置有关的问题。这些问题都可以通过灵活运用双指针来解决。 +> **导读**：无法高效获取长度，无法根据偏移快速访问元素，是链表的两个劣势。然而面试的时候经常碰见诸如获取倒数第 k 个元素，获取中间位置的元素，判断链表是否存在环，判断环的长度等和长度与位置有关的问题。这些问题都可以通过灵活运用双指针来解决。 > -> +> **关键词**：双指针、快慢指针 -### [206. 反转链表](https://leetcode.cn/problems/reverse-linked-list/) +### 🎯 核心考点概览 ->反转一个单链表。 -> ->``` ->输入: 1->2->3->4->5->NULL ->输出: 5->4->3->2->1->NULL ->``` +- **双指针技巧**：快慢指针、前后指针 +- **哨兵节点**：简化边界处理 +- **递归思维**：分治与回溯 +- **空间优化**：O(1)空间复杂度 + +### 📝 解题万能模板 + +#### 基础模板 + +```java +// 哨兵节点模板 +ListNode dummy = new ListNode(0); +dummy.next = head; + +// 双指针模板 +ListNode slow = head, fast = head; +while (fast != null && fast.next != null) { + slow = slow.next; + fast = fast.next.next; +} +``` + +#### 边界检查清单 + +- ✅ 空链表：`head == null` +- ✅ 单节点：`head.next == null` +- ✅ 双节点：`head.next.next == null` +- ✅ 头尾节点：使用哨兵节点 + +#### 💡 记忆口诀（朗朗上口版） + +- **快慢指针**："快二慢一找中点，有环必定会相遇" +- **反转链表**："断链之前存next，三指针来回倒腾" +- **合并链表**："小的先走大的等，递归合并最轻松" +- **删除节点**："哨兵开路找前驱，一指断链二连接" +- **双指针**："两头并进各有责，相遇之时是答案" +- **分治算法**："大化小来小化了，分而治之最高效" -**进阶:** 你可以迭代或递归地反转链表。你能否用两种方法解决这道题？ +**最重要的一个技巧就是，你得行动，写起来** -**动画描述** -![迭代.gif](https://pic.leetcode-cn.com/7d8712af4fbb870537607b1dd95d66c248eb178db4319919c32d9304ee85b602-%E8%BF%AD%E4%BB%A3.gif) -两个指针，最开始就把指针位置倒着放，然后遍历替换数字，最后返回 pre 就行 +### 📋 分类索引 -**思路**：迭代 +1. **🔥 双指针技巧类**：[环形链表](#_环形链表141)、[环形链表II](#_142-环形链表-ii)、[链表中间节点](#_876-链表的中间结点)、[删除倒数第N个](#_19-删除链表的倒数第n个结点)、[旋转链表](#_61-旋转链表) +2. **🔄 反转与重排类**：[反转链表](#_206-反转链表)、[反转链表II](#_92-反转链表-ii)、[K个一组翻转](#_25-k个一组翻转链表)、[重排链表](#_143-重排链表)、[两两交换](#_24-两两交换链表中的节点) +3. **🔗 相交与合并类**：[相交链表](#_160-相交链表)、[合并两个有序链表](#_21-合并两个有序链表)、[合并K个升序链表](#_23-合并k个升序链表) +4. **🗑️ 删除与去重类**：[移除链表元素](#_203-移除链表元素)、[删除重复元素](#_83-删除排序链表中的重复元素)、[删除重复元素II](#_82-删除排序链表中的重复元素-ii) +5. **🧮 数学运算类**：[两数相加](#_2-两数相加)、[两数相加II](#_445-两数相加-ii) +6. **🔍 特殊结构类**：[LRU缓存](#_146-lru缓存)、[复制带随机指针链表](#_138-复制带随机指针的链表)、[回文链表](#_234-回文链表) +7. **🎯 综合应用类**：[排序链表](#_148-排序链表)、[分隔链表](#_86-分隔链表)、[奇偶链表](#_328-奇偶链表)、[分隔链表2](#_725-分隔链表) +8. **🚀 进阶变体类**：[扁平化多级双向链表](#_430-扁平化多级双向链表)、[有序链表转BST](#_109-有序链表转换二叉搜索树)、[合并两个链表](#_1669-合并两个链表) -假设链表为 1→2→3→∅，我们想要把它改成 ∅←1←2←3。 +--- + +## 一、双指针技巧类（核心中的核心）🔥 + +### 💡 核心思想 + +- **快慢指针**：解决环形、中点、倒数第k个问题 +- **前后指针**：解决删除、窗口问题 +- **双链表指针**：解决相交、合并问题 -在遍历链表时，将当前节点的 next 指针改为指向前一个节点。由于节点没有引用其前一个节点，因此必须事先存储其前一个节点。在更改引用之前，还需要存储后一个节点。最后返回新的头引用。 +### 🎯 必掌握模板 ```java -public ListNode reverseList_1(ListNode head){ - if(head == null || head.next == null){ - return head; - } - //申请节点，pre和 cur，pre指向null - ListNode cur = head; - ListNode pre = null; - while(cur != null) { - //记录当前节点的下一个节点 - ListNode tmp = cur.next; - //然后将该节点指向pre - cur.next = pre; - //pre和cur节点都前进一位 - pre = cur; - cur = tmp; - } - return pre; +// 快慢指针模板 +ListNode slow = head, fast = head; +while (fast != null && fast.next != null) { + slow = slow.next; + fast = fast.next.next; } ``` -**思路**：递归 (https://leetcode.cn/problems/reverse-linked-list/solution/shi-pin-jiang-jie-die-dai-he-di-gui-hen-hswxy/) +### [141. 环形链表](https://leetcode.cn/problems/linked-list-cycle/) -### [141. 环形链表](https://leetcode.cn/problems/linked-list-cycle/) +**🎯 考察频率：极高 | 难度：简单 | 重要性：双指针经典** -> 给定一个链表，判断链表中是否有环。 -> -> 为了表示给定链表中的环，我们使用整数 `pos` 来表示链表尾连接到链表中的位置（索引从 0 开始）。 如果 `pos` 是 `-1`，则在该链表中没有环。 -> -> ``` -> 输入：head = [3,2,0,-4], pos = 1 -> 输出：true -> 解释：链表中有一个环，其尾部连接到第二个节点。 -> ``` +> 判断链表是否有环 > > ![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2018/12/07/circularlinkedlist.png) -**题目解析** +**💡 核心思路**：快慢指针（Floyd判圈算法） -这道题是快慢指针的**经典应用**。（当然还可以遍历所有节点，用哈希表存储已经访问过的节点，然后判断是否存在哈希表中即可） +- **快指针**：每次走2步（兔子） +- **慢指针**：每次走1步（乌龟） +- **有环**：快慢指针会相遇 +- **无环**：快指针先到达null -设置两个指针，一个每次走一步的**慢指针**和一个每次走两步的**快指针**。 +**🔑 记忆技巧**： -- 如果不含有环，跑得快的那个指针最终会遇到 null，说明链表不含环 -- 如果含有环，快指针会超慢指针一圈，和慢指针相遇，说明链表含有环。 +- **口诀**："快二慢一找中点，有环必定会相遇" +- **形象记忆**：操场跑步，快的总能追上慢的 ```java public boolean hasCycle(ListNode head) { @@ -105,6 +133,11 @@ public boolean hasCycle(ListNode head) { } ``` +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 最多遍历链表两次 +- **空间复杂度**：O(1) - 只使用了两个指针 + 如果存在环，如何判断环的长度呢？方法是，快慢指针相遇后继续移动，直到第二次相遇。两次相遇间的移动次数即为环的长度。 @@ -123,6 +156,16 @@ public boolean hasCycle(ListNode head) { > 解释：链表中有一个环，其尾部连接到第二个节点。 > ``` +**💡 核心思路**：两阶段检测法 + +1. **第一阶段**：快慢指针检测环的存在 +2. **第二阶段**：重置快指针到头节点，同速前进找入口 + +**🔑 记忆技巧**： + +- **口诀**："相遇重置到起点，同步前进找入口" +- **数学原理**：从头到入口的距离 = 从相遇点到入口的距离 + 如下图所示，设链表中环外部分的长度为 a。slow 指针进入环后，又走了 b 的距离与 fast 相遇。此时，fast 指针已经走完了环的 n 圈，因此它走过的总距离为 `a+n(b+c)+b=a+(n+1)b+nc`。 ![fig1](https://assets.leetcode-cn.com/solution-static/142/142_fig1.png) @@ -135,434 +178,1800 @@ public boolean hasCycle(ListNode head) { 因此，当发现 slow 与 fast 相遇时，我们再额外使用一个指针 ptr。起始，它指向链表头部；随后，它和 slow 每次向后移动一个位置。最终，它们会在入环点相遇。 ```java -public ListNode detectCycle_me(ListNode head) { - if (head == null || head.next == null) { +public ListNode detectCycle(ListNode head){ + if (head == null || head.next == null) { + return null; + } + + // 初始化快慢指针 + ListNode slow = head, fast = head; + + // 第一步：检测环的存在 + while (fast != null && fast.next != null) { + slow = slow.next; // 慢指针移动一步 + fast = fast.next.next; // 快指针移动两步 + + // 如果快慢指针相遇，说明链表中存在环 + if (slow == fast) { + // 第二步：找到环的起始节点 + ListNode ptr = head; // 初始化一个指针ptr到链表头部 + while (ptr != slow) { + ptr = ptr.next; // ptr指针每次移动一步 + slow = slow.next; // slow指针也每次移动一步 + } + // 当ptr和slow再次相遇时，即为环的起始节点 + return ptr; + } + } + + // 如果循环结束都没有检测到环，则返回null return null; - } - ListNode fast = head; - ListNode slow = head; - while (fast != null && fast.next != null) { - fast = fast.next.next; - slow = slow.next; - if (fast == slow) { - //前边和判断是否有环，一样，只是这里不返回true - //构建第二轮相遇，slow指针 位置不变 ，将fast指针重新 指向链表头部节点或者重新构建一个指针 ；slow和fast同时每轮向前走 1 步； - ListNode ptr = head; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 最多遍历链表两次，第一次检测环，第二次找入口 +- **空间复杂度**：O(1) - 只使用了常数个指针 + + - while (ptr != slow) { - ptr = ptr.next; +### [876. 链表的中间结点](https://leetcode.cn/problems/middle-of-the-linked-list/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：快慢指针基础** + +> 找到链表的中间节点，如果有两个中间节点，返回第二个 + +**💡 核心思路**：快慢指针 + +- 快指针走2步，慢指针走1步 +- 快指针到末尾时，慢指针在中间 + +**🔑 记忆技巧**： + +- **口诀**："快二慢一找中点，快到头时慢在中" +- **形象记忆**：跑步比赛，快的跑完全程，慢的刚好跑到一半 + +```java +public ListNode middleNode(ListNode head) { + ListNode slow = head, fast = head; + while (fast != null && fast.next != null) { slow = slow.next; - } - return ptr; + fast = fast.next.next; } - } - return null; + return slow; } ``` +**⏱️ 复杂度分析**： +- **时间复杂度**：O(n) - 遍历链表一次 +- **空间复杂度**：O(1) - 只使用了两个指针 -### [160. 相交链表](https://leetcode-cn.com/problems/intersection-of-two-linked-lists/) -> ![](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2018/12/14/160_example_1.png) -> -> ``` -> 输入：intersectVal = 8, listA = [4,1,8,4,5], listB = [5,6,1,8,4,5], skipA = 2, skipB = 3 -> 输出：Intersected at '8' -> 解释：相交节点的值为 8 （注意，如果两个链表相交则不能为 0）。 -> 从各自的表头开始算起，链表 A 为 [4,1,8,4,5]，链表 B 为 [5,6,1,8,4,5]。 -> 在 A 中，相交节点前有 2 个节点；在 B 中，相交节点前有 3 个节点。 -> ``` -**题目解析** +### [19. 删除链表的倒数第N个结点](https://leetcode.cn/problems/remove-nth-node-from-end-of-list/) -为满足题目时间复杂度和空间复杂度的要求，我们可以使用双指针法。 +**🎯 考察频率：极高 | 难度：中等 | 重要性：双指针经典** -- 创建两个指针 pA 和 pB 分别指向链表的头结点 headA 和 headB。 +> 删除倒数第n个节点：`1->2->3->4->5`, n=2 → `1->2->3->5` -- 当 pA 到达链表的尾部时，将它重新定位到链表 B 的头结点 headB，同理，当 pB 到达链表的尾部时，将它重新定位到链表 A 的头结点 headA。 +**💡 核心思路**：前后指针 -- 当 pA 与 pB 相等时便是两个链表第一个相交的结点。 这里其实就是相当于把两个链表拼在一起了。pA 指针是按 B 链表拼在 A 链表后面组成的新链表遍历，而 pB 指针是按A链表拼在B链表后面组成的新链表遍历。 +- 前指针先走n+1步 +- 然后前后指针同时走 +- 前指针到末尾时，后指针在待删除节点的前一个 - 举个简单的例子： A链表：{1,2,3,4} B链表：{6,3,4} pA按新拼接的链表{1,2,3,4,6,3,4}遍历 pB按新拼接的链表{6,3,4,1,2,3,4}遍历 +**🔑 记忆技巧**： -> 力扣有这么两个评论： -> -> - 这道题记住一句歌词就成了：我吹过你吹过的晚风 ->- 走到尽头见不到你，于是走过你来时的路，等到相遇时才发现，你也走过我来时的路 +- **口诀**："前指先行n+1步，同步到尾删倒数" +- **形象记忆**：两人相距n步走路，前面的人到终点时，后面的人距终点还有n步 ```java -public ListNode getIntersectionNode(ListNode headA, ListNode headB) { - if (headA == null || headB == null) { - return null; +public ListNode removeNthFromEnd(ListNode head, int n) { + ListNode dummy = new ListNode(0); + ListNode first = dummy, second = dummy; + + // 前指针先走 n+1 步 + for (int i = 0; i <= n; i++) { + first = first.next; } - ListNode pA = headA, pB = headB; - while (pA != pB) { - //这里注意 如果pA 到了尾结点后要转向headB，而不是 pB - pA = pA == null ? headB : pA.next; - pB = pB == null ? headA : pB.next; + + // 同时移动 first 和 second 指针，直到 first 到达链表末尾 + while (first != null) { + first = first.next; + second = second.next; } - return pA; + + // 删除倒数第 N 个节点 + second.next = second.next.next; + return dummy.next; } ``` +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 只需要遍历链表一次 +- **空间复杂度**：O(1) - 只使用了常数个指针 + -### [21. 合并两个有序链表](https://leetcode-cn.com/problems/merge-two-sorted-lists/) +### [61. 旋转链表](https://leetcode.cn/problems/rotate-list/) -> 将两个升序链表合并为一个新的 **升序** 链表并返回。新链表是通过拼接给定的两个链表的所有节点组成的。 +**🎯 考察频率：中等 | 难度：中等 | 重要性：双指针应用** + +> 给你一个链表的头节点 `head` ，旋转链表，将链表每个节点向右移动 `k` 个位置。 > -> ``` -> 输入：1->2->4, 1->3->4 -> 输出：1->1->2->3->4->4 -> ``` +> `1->2->3->4->5`, k=2 → `4->5->1->2->3` -**思路**：如果 l1 或者 l2 一开始就是空链表 ，那么没有任何操作需要合并，所以我们只需要返回非空链表。否则，我们要判断 l1 和 l2 哪一个链表的头节点的值更小，然后递归地决定下一个添加到结果里的节点。如果两个链表有一个为空，递归结束。 +**💡 核心思路**： -![img](https://pic.leetcode-cn.com/fe5eca7edea29a76316f7e8529f73a90ae4990fd66fea093c6ee91567788e482-%E5%B9%BB%E7%81%AF%E7%89%874.JPG) +1. 先成环：尾节点连接头节点 +2. 找断点：倒数第k个位置断开 +3. 重新设置头尾 ```java -public ListNode mergeTwoLists(ListNode l1, ListNode l2) { - if (l1 == null) { - return l2; - } else if (l2 == null) { - return l1; - } else if (l1.val < l2.val) { - l1.next = mergeTwoLists(l1.next, l2); - return l1; - } else { - l2.next = mergeTwoLists(l1, l2.next); - return l2; +public ListNode rotateRight(ListNode head, int k) { + if (head == null || head.next == null || k == 0) return head; + + // 计算长度并成环 + ListNode tail = head; + int len = 1; + while (tail.next != null) { + tail = tail.next; + len++; + } + tail.next = head; // 成环 + + // 找新的尾节点（倒数第k+1个） + k = k % len; // 处理k大于链表长度的情况 + int stepsToNewTail = len - k; + + ListNode newTail = head; + for (int i = 1; i < stepsToNewTail; i++) { + newTail = newTail.next; } + + ListNode newHead = newTail.next; + newTail.next = null; // 断环 + + return newHead; } ``` -**复杂度分析** +**⏱️ 复杂度分析**： -- 时间复杂度：$O(n+m)$，其中 n 和 m 分别为两个链表的长度。因为每次调用递归都会去掉 l1 或者 l2 的头节点（直到至少有一个链表为空），函数 mergeTwoList 至多只会递归调用每个节点一次。因此，时间复杂度取决于合并后的链表长度，即 $O(n+m)$。 +- **时间复杂度**：O(n) - 需要遍历链表两次，一次计算长度，一次找断点 +- **空间复杂度**：O(1) - 只使用了常数个指针 -- 空间复杂度：$O(n + m)$，其中 n 和 m 分别为两个链表的长度。递归调用 mergeTwoLists 函数时需要消耗栈空间，栈空间的大小取决于递归调用的深度。结束递归调用时 mergeTwoLists 函数最多调用 n+m 次，因此空间复杂度为 $O(n+m)$。 +--- -### [234. 回文链表](https://leetcode-cn.com/problems/palindrome-linked-list/) +## 二、反转与重排类（高频考点）🔄 -> 请判断一个链表是否为回文链表。 -> -> ``` -> 输入: 1->2 -> 输出: false -> ``` -> -> ``` -> 输入: 1->2->2->1 -> 输出: true -> ``` -> -> ![img](http://img.starfish.ink/data-structure/pal1linked-list.jpg) +### 💡 核心思想 + +- **三指针反转**：prev、curr、next三指针配合 +- **递归反转**：分治思想，先处理子问题 +- **局部反转**：找到边界，局部应用反转技巧 + +### 🎯 必掌握模板 + +```java +// 反转链表核心模板 +ListNode prev = null, curr = head; +while (curr != null) { + ListNode next = curr.next; + curr.next = prev; + prev = curr; + curr = next; +} +return prev; +``` + +### [206. 反转链表](https://leetcode.cn/problems/reverse-linked-list/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：基础必会** +> 反转单链表：`1->2->3->4->5` 变成 `5->4->3->2->1` +**💡 核心思路**：三指针法（prev、curr、next） -**解法1：** +- 记住口诀："**断链前，先保存next**" -1. 复制链表值到数组列表中。 -2. 使用双指针法判断是否为回文。 +- 像翻书一样，一页一页往前翻 + + ![迭代.gif](https://pic.leetcode-cn.com/7d8712af4fbb870537607b1dd95d66c248eb178db4319919c32d9304ee85b602-%E8%BF%AD%E4%BB%A3.gif) ```java -public static boolean isPalindrome_me(ListNode head){ - if(head == null || head.next == null){ - return false; - } - List list = new ArrayList<>(); - while(head != null){ - list.add(head.val); - head = head.next; - } - Integer[] arrs = list.toArray(new Integer[list.size()]); +// 迭代版本 +public ListNode reverseList(ListNode head){ + if(head == null || head.next == null){ + return head; + } + + ListNode prev = null; + ListNode curr = head; + + while(curr != null) { + ListNode next = curr.next; // 保存下一个节点 + curr.next = prev; // 反转当前节点 + prev = curr; // prev前进 + curr = next; // curr前进 + } + return prev; +} - int tmp = 0; - for(int i=0;i 给出两个 非空 的链表用来表示两个非负的整数。其中，它们各自的位数是按照 逆序 的方式存储的，并且它们的每个节点只能存储 一位 数字。 -> -> 如果，我们将这两个数相加起来，则会返回一个新的链表来表示它们的和。 -> -> 您可以假设除了数字 0 之外，这两个数都不会以 0 开头。 -> -> ``` -> 输入：(2 -> 4 -> 3) + (5 -> 6 -> 4) -> 输出：7 -> 0 -> 8 -> 原因：342 + 465 = 807 -> ``` +**🎯 考察频率：高 | 难度：中等 | 重要性：局部反转经典** -**思路**：看例子中的原因就会很迷糊，直接从各自第一位相加，正常进位就行，然后按顺序返回链表 - -- 将两个链表看成是相同长度的进行遍历，如果一个链表较短则在前面补 00，比如 987 + 23 = 987 + 023 = 1010 -- 每一位计算的同时需要考虑上一位的进位问题，而当前位计算结束后同样需要更新进位值 -- 如果两个链表全部遍历完毕后，进位值为 11，则在新链表最前方添加节点 11 -- 小技巧：对于链表问题，返回结果为头结点时，通常需要先初始化一个预先指针 pre，该指针的下一个节点指向真正的头结点head。使用预先指针的目的在于链表初始化时无可用节点值，而且链表构造过程需要指针移动，进而会导致头指针丢失，无法返回结果。 - -```java -public static ListNode addTwoNumbers(ListNode l1, ListNode l2) { - ListNode pre = new ListNode(0); - ListNode cur = pre; - //进位 - int carry = 0; - while (l1 != null || l2 != null) { - int x = l1 == null ? 0 : l1.val; - int y = l2 == null ? 0 : l2.val; - int sum = x + y + carry; - - //如果大于10了，就进位 - carry = sum / 10; - //进位后剩下的余数 - sum = sum % 10; - //进位后的数据 - //将求和数赋值给新链表的节点， - //注意这个时候不能直接将sum赋值给cur.next = sum。这时候会报，类型不匹配。 - //所以这个时候要创一个新的节点，将值赋予节点 - cur.next = new ListNode(sum); - //将新链表的节点后移 - cur = cur.next; - //往后移动 - if (l1 != null) { - l1 = l1.next; +> 反转第left到right个节点：`1->2->3->4->5`, left=2, right=4 → `1->4->3->2->5` + +**💡 核心思路**： + +1. 找到反转区间的前一个节点 +2. 对区间内节点进行反转 +3. 重新连接前后部分 + +> 思路二：头插法。创建一个新的虚拟节点，然后将需要反转的部分逐个插入到新链表的前端，实现反转 + +```java +public ListNode reverseBetween(ListNode head, int left, int right) { + // 如果链表为空或left等于right，则无需反转，直接返回原链表头节点 + if (head == null || left == right) { + return head; } - if (l2 != null) { - l2 = l2.next; + + // 创建虚拟头节点，其next指向原链表头节点 + ListNode dummy = new ListNode(0); + dummy.next = head; + + // 定位到left位置的前一个节点 + ListNode pre = dummy; + for (int i = 1; i < left; i++) { + pre = pre.next; } - } - //如果最后一位还有进位的话，再往后增加一个节点 - if (carry == 1) { - cur.next = new ListNode(carry); - } - return pre.next; + + // start指向需要反转的链表部分的起始节点 + ListNode start = pre.next; + + // 初始化反转链表部分所需的指针 + ListNode prev = null; + ListNode current = start; + + //使用right - left + 1来计算k + int k = right - left + 1; + + // 反转k个节点 + for (int i = 0; i < k; i++) { + ListNode next = current.next; // 保存current的下一个节点 + current.next = prev; // 将current的next指向prev，实现反转 + // 移动prev和current指针 + prev = current; + current = next; + } + + // 连接反转后的链表部分与原链表剩余部分 + // pre.next指向反转后的链表头节点（即原链表的第right个节点） + pre.next = prev; + // start.next指向反转后的链表尾节点的下一个节点（即原链表的第right+1个节点） + start.next = current; + + // 返回反转后的链表头节点（虚拟头节点的下一个节点） + return dummy.next; } ``` +**⏱️ 复杂度分析**： +- **时间复杂度**：O(n) - 遍历链表一次 +- **空间复杂度**：O(1) - 只使用了常数个指针 -### [146.LRU 缓存机制](https://leetcode-cn.com/problems/lru-cache/) -> 运用你所掌握的数据结构，设计和实现一个 LRU (最近最少使用) 缓存机制 。实现 LRUCache 类： -> -> - LRUCache(int capacity) 以正整数作为容量 capacity 初始化 LRU 缓存 -> - int get(int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -1 。 -> - void put(int key, int value) 如果关键字已经存在，则变更其数据值；如果关键字不存在，则插入该组「关键字-值」。当缓存容量达到上限时，它应该在写入新数据之前删除最久未使用的数据值，从而为新的数据值留出空间。 -> -> ``` -> 输入 -> ["LRUCache", "put", "put", "get", "put", "get", "put", "get", "get", "get"] -> [[2], [1, 1], [2, 2], [1], [3, 3], [2], [4, 4], [1], [3], [4]] -> 输出 -> [null, null, null, 1, null, -1, null, -1, 3, 4] -> -> 解释 -> LRUCache lRUCache = new LRUCache(2); -> lRUCache.put(1, 1); // 缓存是 {1=1} -> lRUCache.put(2, 2); // 缓存是 {1=1, 2=2} -> lRUCache.get(1); // 返回 1 -> lRUCache.put(3, 3); // 该操作会使得关键字 2 作废，缓存是 {1=1, 3=3} -> lRUCache.get(2); // 返回 -1 (未找到) -> lRUCache.put(4, 4); // 该操作会使得关键字 1 作废，缓存是 {4=4, 3=3} -> lRUCache.get(1); // 返回 -1 (未找到) -> lRUCache.get(3); // 返回 3 -> lRUCache.get(4); // 返回 4 -> ``` -分析上面的操作过程，要让 put 和 get 方法的时间复杂度为 O(1)，我们可以总结出 cache 这个数据结构必要的条件：查找快，插入快，删除快，有顺序之分。 +### [25. K个一组翻转链表](https://leetcode.cn/problems/reverse-nodes-in-k-group/) -因为显然 cache 必须有顺序之分，以区分最近使用的和久未使用的数据；而且我们要在 cache 中查找键是否已存在；如果容量满了要删除最后一个数据；每次访问还要把数据插入到队头。 +**🎯 考察频率：高 | 难度：困难 | 重要性：分组反转** -那么，什么数据结构同时符合上述条件呢？哈希表查找快，但是数据无固定顺序；链表有顺序之分，插入删除快，但是查找慢。所以结合一下，形成一种新的数据结构：**哈希链表**。 +> 每k个节点一组反转：`1->2->3->4->5`, k=3 → `3->2->1->4->5` -![HashLinkedList](https://pic.leetcode-cn.com/b84cf65debb43b28bd212787ca63d34c9962696ed427f638763be71a3cb8f89d.jpg) +**💡 核心思路**： -```java -// key 映射到 Node(key, val) -HashMap map; -// Node(k1, v1) <-> Node(k2, v2)... -DoubleList cache; +1. 检查是否有k个节点可反转 +2. 反转这k个节点 +3. 递归处理剩余部分 -int get(int key) { - if (key 不存在) { - return -1; - } else { - 将数据 (key, val) 提到开头； - return val; +```java +public ListNode reverseKGroup(ListNode head, int k) { + // 检查是否有k个节点 + ListNode curr = head; + int count = 0; + while (curr != null && count < k) { + curr = curr.next; + count++; } -} - -void put(int key, int val) { - Node x = new Node(key, val); - if (key 已存在) { - 把旧的数据删除； - 将新节点 x 插入到开头； - } else { - if (cache 已满) { - 删除链表的最后一个数据腾位置； - 删除 map 中映射到该数据的键； - } - 将新节点 x 插入到开头； - map 中新建 key 对新节点 x 的映射； + + if (count == k) { + // 反转前k个节点 + curr = reverseKGroup(curr, k); // 递归处理后续 + + // 反转当前k个节点 + while (count-- > 0) { + ListNode tmp = head.next; + head.next = curr; + curr = head; + head = tmp; + } + head = curr; } + + return head; } ``` +### [143. 重排链表](https://leetcode.cn/problems/reorder-list/) +**🎯 考察频率：中等 | 难度：中等 | 重要性：综合应用** -### [19. 删除链表的倒数第 N 个结点](https://leetcode-cn.com/problems/remove-nth-node-from-end-of-list/) - -> 给定一个链表，删除链表的倒数第 n 个节点，并且返回链表的头结点。 +> 给定一个单链表 `L` 的头节点 `head` ，单链表 `L` 表示为： > > ``` -> 给定一个链表: 1->2->3->4->5, 和 n = 2. -> -> 当删除了倒数第二个节点后，链表变为 1->2->3->5. +> L0 → L1 → … → Ln - 1 → Ln +> ``` +> +> 请将其重新排列后变为： +> > ``` +> L0 → Ln → L1 → Ln - 1 → L2 → Ln - 2 → … +> ``` +> +> 不能只是单纯的改变节点内部的值，而是需要实际的进行节点交换。 +> +> 重新排列：`1->2->3->4->5` → `1->5->2->4->3` -**思路**： +**💡 核心思路**： -- 先计算链表长度（遍历），获取链表长度 L，之后再次遍历，遍历到 L-n+1 时，就是删除的节点 +1. 找中点切分链表 +2. 反转后半部分 +3. 交替合并两部分 ```java -public ListNode removeNthFromEnd_1(ListNode head, int n) { - ListNode pre = new ListNode(0,head); - int length = getLength(head); - ListNode cur = pre; - //遍历到需要删除的位置的前一个，比如1，2，3，4，5 遍历到第 < 4 就可以了 - for (int i=1;i 两两交换相邻节点：`1->2->3->4` → `2->1->4->3` + +**💡 核心思路**：三指针操作 + +- 使用虚拟头节点简化边界处理 +- 每次处理一对节点的交换 + +**🔑 记忆技巧**： + +- **口诀**："两两交换用三指，前中后来做舞蹈" ```java -public ListNode removeNthFromEnd(ListNode head, int n) { - ListNode dummy = new ListNode(0, head); - ListNode first = head; - ListNode second = dummy; +public ListNode swapPairs(ListNode head) { + ListNode dummy = new ListNode(0); + dummy.next = head; + ListNode prev = dummy; + + while (prev.next != null && prev.next.next != null) { + ListNode first = prev.next; + ListNode second = prev.next.next; + + // 交换节点 + first.next = second.next; + second.next = first; + prev.next = second; + + // 移动指针 + prev = first; + } - //让 first 指针先移动 n 步 - for (int i = 0; i < n; ++i) { - first = first.next; - } - while (first != null) { - first = first.next; - second = second.next; - } - second.next = second.next.next; - return dummy.next; + return dummy.next; } ``` +--- + -### [148. 排序链表](https://leetcode.cn/problems/sort-list/) +## 三、相交与合并类🔗 -> 给你链表的头结点 `head` ，请将其按 **升序** 排列并返回 **排序后的链表** 。 -> -> 在 *O*(*n* log *n*) 时间复杂度和常数级空间复杂度下，对链表进行排序。 +### 💡 核心思想 + +- **双指针遍历**：两个链表同时遍历，路径互换 +- **归并思想**：有序链表的合并策略 +- **分治算法**：多个链表的合并优化 + +### [160. 相交链表](https://leetcode.cn/problems/intersection-of-two-linked-lists/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：双指针经典** + +> 找两个链表的相交节点 > -> **示例 1:** +> ![](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2018/12/14/160_example_1.png) > > ``` -> 输入: 4->2->1->3 -> 输出: 1->2->3->4 +> 输入：intersectVal = 8, listA = [4,1,8,4,5], listB = [5,6,1,8,4,5], skipA = 2, skipB = 3 +> 输出：Intersected at '8' +> 解释：相交节点的值为 8 （注意，如果两个链表相交则不能为 0）。 +> 从各自的表头开始算起，链表 A 为 [4,1,8,4,5]，链表 B 为 [5,6,1,8,4,5]。 +> 在 A 中，相交节点前有 2 个节点；在 B 中，相交节点前有 3 个节点。 > ``` -**解答一：归并排序（递归法）** +**💡 核心思路**：路径互换双指针法 -**解答二：归并排序（从底至顶直接合并）** +- 两个指针分别从两个链表头开始遍历 +- 到达尾部时，跳转到另一个链表的头部 +- 相遇点就是交点（如果有的话） +**🔑 记忆技巧**： +- **口诀**："你走我的路，我走你的路，相遇便是交点处" +- **诗意版本**："走到尽头见不到你，于是走过你来时的路" +- **数学原理**：两指针走过的总路径长度相等 +```java +public ListNode getIntersectionNode(ListNode headA, ListNode headB) { + if (headA == null || headB == null) { + return null; + } + ListNode pA = headA, pB = headB; + while (pA != pB) { + //这里注意 如果pA 到了尾结点后要转向headB，而不是 pB + pA = pA == null ? headB : pA.next; + pB = pB == null ? headA : pB.next; + } + //如果没有相交，这里会返回 null + return pA; +} +``` +**⏱️ 复杂度分析**： -### [86. 分隔链表](https://leetcode.cn/problems/partition-list/) +- **时间复杂度**：O(m+n) - 最多遍历两个链表各一次 +- **空间复杂度**：O(1) - 只使用了两个指针 -> 给你一个链表的头节点 head 和一个特定值 x ，请你对链表进行分隔，使得所有 小于 x 的节点都出现在 大于或等于 x 的节点之前。 -> -> 你应当 保留 两个分区中每个节点的初始相对位置。 -> -> ![img](https://assets.leetcode.com/uploads/2021/01/04/partition.jpg) -> -> ``` -> 输入：head = [1,4,3,2,5,2], x = 3 -> 输出：[1,2,2,4,3,5] -> ``` +### [21. 合并两个有序链表](https://leetcode.cn/problems/merge-two-sorted-lists/) +**🎯 考察频率：极高 | 难度：简单 | 重要性：合并算法基础** +> 合并两个升序链表：`1->2->4` + `1->3->4` = `1->1->2->3->4->4` +**💡 核心思路**：比较头节点，选小的 +- 递归版本：选小的节点，剩下的交给递归处理 -### [23. 合并K个升序链表](https://leetcode.cn/problems/merge-k-sorted-lists) + ![](https://pic.leetcode-cn.com/fe5eca7edea29a76316f7e8529f73a90ae4990fd66fea093c6ee91567788e482-%E5%B9%BB%E7%81%AF%E7%89%874.JPG) -> 给你一个链表数组，每个链表都已经按升序排列。 -> -> 请你将所有链表合并到一个升序链表中，返回合并后的链表。 -> -> ``` -> 输入：lists = [[1,4,5],[1,3,4],[2,6]] -> 输出：[1,1,2,3,4,4,5,6] -> 解释：链表数组如下： -> [ -> 1->4->5, -> 1->3->4, -> 2->6 -> ] -> 将它们合并到一个有序链表中得到。 -> 1->1->2->3->4->4->5->6 -> ``` +- 迭代版本：用哨兵节点，逐个比较拼接 +**🔑 记忆技巧**： +- **口诀**："小的先走大的等，递归合并最轻松" +- **形象记忆**：两队人排队，总是让矮的人先走 +```java +// 递归版本 +public ListNode mergeTwoLists(ListNode l1, ListNode l2) { + if (l1 == null) return l2; + if (l2 == null) return l1; + + if (l1.val < l2.val) { + l1.next = mergeTwoLists(l1.next, l2); + return l1; + } else { + l2.next = mergeTwoLists(l1, l2.next); + return l2; + } +} +// 迭代版本 +public ListNode mergeTwoLists(ListNode l1, ListNode l2){ + ListNode dummy = new ListNode(0); // 创建哨兵节点 + ListNode cur = dummy; // 当前指针，指向哨兵节点 + while(l1 != null && l2 != null){ + if(l1.val < l2.val){ + cur.next = l1; // 将较小节点接到当前指针后面 + l1 = l1.next; // 移动l1指针 + }else{ + cur.next = l2; + l2 = l2.next; + } + cur = cur.next; // 移动当前指针 + } + cur.next = l1 != null ? l1 : l2; // 拼接剩余部分 + return dummy.next; // 返回合并后的链表头节点 -### [92. 反转链表 II](https://leetcode.cn/problems/reverse-linked-list-ii/) +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：递归版O(m+n)，迭代版O(m+n) - m和n分别为两个链表的长度 +- **空间复杂度**：递归版O(m+n)，迭代版O(1) - 递归版需要栈空间 + + + +### [23. 合并K个升序链表](https://leetcode.cn/problems/merge-k-sorted-lists/) + +**🎯 考察频率：极高 | 难度：困难 | 重要性：分治算法经典** + +> 合并K个有序链表：`[[1,4,5],[1,3,4],[2,6]]` → `[1,1,2,3,4,4,5,6]` + +**💡 核心思路**：优先队列（最小堆） + +- 将所有链表的头节点放入最小堆 +- 每次取出最小值，将其next节点放入堆 +- 重复直到堆为空 + +**🔑 记忆技巧**： + +- **口诀**："K链合并用小堆，最小优先逐个取" +- **形象记忆**：多路归并，就像多条河流汇入大海 + +```java +public ListNode mergeKLists(ListNode[] lists) { + if (lists == null || lists.length == 0) return null; + + PriorityQueue pq = new PriorityQueue<>((a, b) -> a.val - b.val); + + // 将所有链表的头节点加入堆 + for (ListNode head : lists) { + if (head != null) { + pq.offer(head); + } + } + + ListNode dummy = new ListNode(0); + ListNode curr = dummy; + + //当前最小堆不为空，继续合并 + while (!pq.isEmpty()) { + ListNode node = pq.poll(); //从最小堆中取出最小节点 + curr.next = node; //将取出的链表加到合并后的链表中 + curr = curr.next; //移动指针 + + //如果取出的节点有下一个节点，将其加入到最小堆中 + if (node.next != null) { + pq.offer(node.next); + } + } + + return dummy.next; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(N×log k) - N是所有节点总数，k是链表个数，堆操作log k +- **空间复杂度**：O(k) - 优先队列最多存储k个节点 + +--- + + + +## 四、删除与去重类 🗑️ + +### 💡 核心思想 + +- **哨兵节点**：简化头节点的删除操作 +- **双指针**：一个用于遍历，一个用于连接 +- **递归删除**：自然的递归结构 + +### 🎯 必掌握模板 + +```java +// 删除节点模板 +ListNode dummy = new ListNode(0); +dummy.next = head; +ListNode prev = dummy, curr = head; + +while (curr != null) { + if (shouldDelete(curr)) { + prev.next = curr.next; // 删除curr + } else { + prev = curr; // prev前进 + } + curr = curr.next; // curr前进 +} +return dummy.next; +``` + +### [203. 移除链表元素](https://leetcode.cn/problems/remove-linked-list-elements/) + +**🎯 考察频率：中等 | 难度：简单 | 重要性：删除基础** + +> 删除所有值等于val的节点：`1->2->6->3->4->5->6`, val=6 → `1->2->3->4->5` + +**🔑 记忆技巧**： + +- **口诀**："哨兵开路双指针，遇到目标就跳过" + +```java +public ListNode removeElements(ListNode head, int val) { + // 创建一个哑节点作为链表的前驱，避免处理头节点的特殊情况 + ListNode dummy = new ListNode(0); + dummy.next = head; + + // 初始化两个指针，pre指向哑节点，cur指向头节点 + ListNode pre = dummy; + ListNode cur = head; + + // 遍历链表 + while (cur != null) { + // 如果当前节点的值等于val，则删除该节点 + if (cur.val == val) { + pre.next = cur.next; // 跳过当前节点，连接pre和cur的下一个节点 + } else { + // 如果当前节点的值不等于val，则移动pre指针到当前节点 + pre = cur; + } + // 移动cur指针到下一个节点 + cur = cur.next; + } + + // 返回更新后的头节点（可能是哑节点的下一个节点） + return dummy.next; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 遍历链表一次 +- **空间复杂度**：O(1) - 只使用了常数个指针 + + + +### [83. 删除排序链表中的重复元素](https://leetcode.cn/problems/remove-duplicates-from-sorted-list/) + +**🎯 考察频率：中等 | 难度：简单 | 重要性：去重基础** -> 给你单链表的头指针 head 和两个整数 left 和 right ，其中 left <= right 。请你反转从位置 left 到位置 right 的链表节点，返回 反转后的链表 。 +> **问题1：保留一个重复元素** +> 输入：`1->1->2->3->3` → 输出：`1->2->3` + +**💡 核心思路**：单指针遍历法 + +- 遍历链表，比较当前节点与下一个节点的值 +- 如果相等，跳过下一个节点（`curr.next = curr.next.next`） +- 如果不等，移动到下一个节点 + +**🔑 记忆技巧**： + +- **口诀**："相邻比较去重复，保留一个删后续" +- **关键点**：只有当值不相等时，curr指针才前进 + +```java +public ListNode deleteDuplicates(ListNode head) { + if (head == null) return head; + + ListNode curr = head; + while (curr != null && curr.next != null) { + if (curr.val == curr.next.val) { + // 跳过重复节点，curr不前进 + curr.next = curr.next.next; + } else { + // 值不相等，curr前进 + curr = curr.next; + } + } + return head; +} +``` + +**🔍 详细步骤示例**： + +``` +原链表：1->1->2->3->3->null +步骤1：curr=1, next=1 (相等) → 跳过 → 1->2->3->3->null +步骤2：curr=1, next=2 (不等) → curr前进 → curr=2 +步骤3：curr=2, next=3 (不等) → curr前进 → curr=3 +步骤4：curr=3, next=3 (相等) → 跳过 → 1->2->3->null +结果：1->2->3->null +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 遍历链表一次 +- **空间复杂度**：O(1) - 只使用了常数个指针 + +### [82. 删除排序链表中的重复元素 II](https://leetcode.cn/problems/remove-duplicates-from-sorted-list-ii/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：完全去重** + +> **问题2：删除所有重复元素** +> 输入：`1->2->3->3->4->4->5` → 输出：`1->2->5` + +**💡 核心思路**：虚拟头节点 + 双指针法 + +- 使用虚拟头节点处理头节点可能被删除的情况 +- prev指针：指向最后一个确定保留的节点 +- curr指针：用于遍历和检测重复 + +**🔑 记忆技巧**： + +- **口诀**："发现重复全跳过，哨兵记住前驱位" +- **关键点**：只有当前节点不重复时，prev指针才前进 + +```java +public ListNode deleteDuplicates(ListNode head) { + // 处理空链表情况 + if(head == null){ + return null; + } + + ListNode dummy = new ListNode(0); + dummy.next = head; + + // pre指向当前确定不重复的最后一个节点，cur用于遍历 + ListNode pre = dummy, cur = head; + + while(cur != null && cur.next != null){ + // 发现重复节点 + if(cur.val == cur.next.val){ + // 跳过所有重复节点（至少有两个相同值节点） + while(cur.next != null && cur.val == cur.next.val){ + cur = cur.next; + } + // 删除重复节点（pre.next直接指向重复节点后的第一个不同节点） + pre.next = cur.next; + // 移动cur到下一个待检查节点 + cur = cur.next; + }else{ + // 当前节点不重复，正常移动pre和cur指针 + pre = cur; + cur = cur.next; + } + } + return dummy.next; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 遍历链表一次 +- **空间复杂度**：O(1) - 只使用了常数个指针 + +**⚡ 两题对比总结**： + +| 题目 | 处理方式 | 关键区别 | 返回值 | +| ---- | ------------ | ------------------------ | -------------- | +| LC83 | 保留一个重复 | curr指针控制，不需虚拟头 | 直接返回head | +| LC82 | 删除所有重复 | prev指针控制，需要虚拟头 | 返回dummy.next | + +**🎯 面试常考变体**： + +1. **无序链表去重**：需要先排序或使用HashSet +2. **保留最后一个重复元素**：类似LC83，但从后往前处理 +3. **统计重复元素个数**：在删除过程中计数 +4. **删除指定值的所有节点**：类似LC203 + +**💡 解题心得**： + +- **LC83核心**：遇到重复就跳过，curr只在不重复时前进 +- **LC82核心**：遇到重复就全删，prev只在确认安全时前进 +- **记忆方法**：83保留(Keep one)，82全删(Remove all) +- **调试技巧**：画图模拟指针移动过程，特别注意边界情况 + +--- + + + +## 五、数学运算类 🧮 + +### 💡 核心思想 + +- **进位处理**：模拟手工计算的进位过程 +- **链表表示数字**：低位在前，高位在后 +- **边界处理**：不同长度链表的处理 + +### [2. 两数相加](https://leetcode-cn.com/problems/add-two-numbers/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：数学计算经典** + +> 给出两个 非空 的链表用来表示两个非负的整数。其中，它们各自的位数是按照 逆序 的方式存储的，并且它们的每个节点只能存储 一位 数字。 +> +> 如果，我们将这两个数相加起来，则会返回一个新的链表来表示它们的和。 > -> ![img](https://assets.leetcode.com/uploads/2021/02/19/rev2ex2.jpg) +> 您可以假设除了数字 0 之外，这两个数都不会以 0 开头。 > > ``` -> 输入：head = [1,2,3,4,5], left = 2, right = 4 -> 输出：[1,4,3,2,5] +> 输入：(2 -> 4 -> 3) + (5 -> 6 -> 4) +> 输出：7 -> 0 -> 8 +> 原因：342 + 465 = 807 > ``` + +**💡 核心思路**：模拟手算加法 + +- 同时遍历两个链表，逐位相加 +- 处理进位carry，满10进1 +- 注意最后可能还有进位 + +**🔑 记忆技巧**： + +- **口诀**："逐位相加记进位，链表模拟手算法" +- **形象记忆**：小学数学竖式加法，从右到左逐位计算 + + +```java +public ListNode addTwoNumbers(ListNode l1, ListNode l2) { + // 创建一个虚拟头节点，用于简化头节点可能发生变化的情况 + ListNode dummy = new ListNode(0); + ListNode current = dummy; + + // 初始化进位为0 + int carry = 0; + + // 当两个链表都不为空或者存在进位时，继续循环 + while (l1 != null || l2 != null || carry > 0) { + // 获取两个链表当前节点的值，如果链表为空则视为0 + int x = (l1 != null) ? l1.val : 0; + int y = (l2 != null) ? l2.val : 0; + + // 计算当前位的和以及新的进位 + int sum = carry + x + y; + carry = sum / 10; + + // 创建新节点存储当前位的值 + current.next = new ListNode(sum % 10); + current = current.next; + + // 移动到两个链表的下一个节点 + if (l1 != null) l1 = l1.next; + if (l2 != null) l2 = l2.next; + } + + // 返回虚拟头节点的下一个节点，即实际结果的头节点 + return dummy.next; +} +``` + + + +### [445. 两数相加 II](https://leetcode.cn/problems/add-two-numbers-ii/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：逆序处理** + +> 高位在前的链表相加：`(7->2->4->3) + (5->6->4)` 表示 `7243 + 564 = 7807` → `7->8->0->7` + +**💡 核心思路**： + +1. 使用栈存储数字 +2. 从栈顶开始计算（相当于从低位开始） +3. 头插法构建结果链表 + +```java +public ListNode addTwoNumbers(ListNode l1, ListNode l2) { + Stack stack1 = new Stack<>(); + Stack stack2 = new Stack<>(); + + // 将链表值压入栈中 + while (l1 != null) { + stack1.push(l1.val); + l1 = l1.next; + } + while (l2 != null) { + stack2.push(l2.val); + l2 = l2.next; + } + + ListNode result = null; + int carry = 0; + + while (!stack1.isEmpty() || !stack2.isEmpty() || carry > 0) { + int x = stack1.isEmpty() ? 0 : stack1.pop(); + int y = stack2.isEmpty() ? 0 : stack2.pop(); + + int sum = x + y + carry; + carry = sum / 10; + + // 头插法 + ListNode newNode = new ListNode(sum % 10); + newNode.next = result; + result = newNode; + } + + return result; +} +``` + +--- + + + +## 六、特殊结构类 🔍 + +### 💡 核心思想 + +- **哈希表优化**：O(1)时间访问 +- **双向链表**：支持前后遍历 +- **设计数据结构**：LRU、LFU等缓存机制 + +### [146. LRU缓存](https://leetcode.cn/problems/lru-cache/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：系统设计经典** + +> 实现LRU（最近最少使用）缓存机制 + +**💡 核心思路**：哈希表 + 双向链表 + +- 哈希表：O(1)查找节点 +- 双向链表：O(1)插入删除，维护访问顺序 +- 最新访问的放头部，最久未用的在尾部 + +**🔑 记忆技巧**： + +- **口诀**："哈希定位双链调，头部最新尾最老" +- **形象记忆**：图书管理员，用卡片索引快速找书，用链表记录借阅顺序 + +```java +import java.util.HashMap; +import java.util.Map; + +class LRUCache { + private final int capacity; + private final Map cache; + private final int size; + private final DLinkedNode head, tail; + + // 使用伪头部和伪尾部节点 + class DLinkedNode { + int key; + int value; + DLinkedNode prev; + DLinkedNode next; + + DLinkedNode() {} + + DLinkedNode(int key, int value) { this.key = key; this.value = value; } + } + + public LRUCache(int capacity) { + this.capacity = capacity; + this.size = 0; + // 使用伪头部和伪尾部节点 + head = new DLinkedNode(); + tail = new DLinkedNode(); + head.next = tail; + tail.prev = head; + cache = new HashMap<>(capacity); + } + + public int get(int key) { + DLinkedNode node = cache.get(key); + if (node == null) { + return -1; + } + // 移动到头部 + moveToHead(node); + return node.value; + } + + public void put(int key, int value) { + DLinkedNode node = cache.get(key); + if (node == null) { + // 如果 key 不存在，创建一个新的节点 + DLinkedNode newNode = new DLinkedNode(key, value); + // 添加进哈希表 + cache.put(key, newNode); + // 添加至双向链表的头部 + addToHead(newNode); + ++size; + if (size > capacity) { + // 如果超出容量，删除双向链表的尾部节点 + DLinkedNode tail = removeTail(); + // 删除哈希表中对应的项 + cache.remove(tail.key); + --size; + } + } else { + // 如果 key 存在，先通过哈希表定位，再修改 value，并移动到头部 + node.value = value; + moveToHead(node); + } + } + + private void addToHead(DLinkedNode node) { + node.prev = head; + node.next = head.next; + head.next.prev = node; + head.next = node; + } + + private void removeNode(DLinkedNode node) { + node.prev.next = node.next; + node.next.prev = node.prev; + } + + private void moveToHead(DLinkedNode node) { + removeNode(node); + addToHead(node); + } + + private DLinkedNode removeTail() { + DLinkedNode res = tail.prev; + removeNode(res); + return res; + } +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：get和put操作都是O(1) - 哈希表查找O(1)，双向链表插入删除O(1) +- **空间复杂度**：O(capacity) - 哈希表和双向链表存储最多capacity个节点 + +### [138. 复制带随机指针的链表](https://leetcode.cn/problems/copy-list-with-random-pointer/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：特殊结构经典** + +> 深拷贝带有random指针的链表，每个节点有next和random两个指针 + +**💡 核心思路**： + +- **方法一**：哈希表映射（空间O(n)） +- **方法二**：原地复制法（空间O(1)） + +**🔑 记忆技巧**： + +- **口诀**："哈希建表存映射，原地复制巧连接" +- **形象记忆**：复印文件，先建立对照表，再复制内容 + +```java +// 方法一：哈希表法（推荐，思路清晰） +public Node copyRandomList(Node head) { + if (head == null) return null; + + Map map = new HashMap<>(); + Node curr = head; + + // 第一遍：创建所有新节点，建立映射关系 + while (curr != null) { + map.put(curr, new Node(curr.val)); + curr = curr.next; + } + + // 第二遍：设置next和random指针 + curr = head; + while (curr != null) { + Node newNode = map.get(curr); + newNode.next = map.get(curr.next); + newNode.random = map.get(curr.random); + curr = curr.next; + } + + return map.get(head); +} + +// 方法二：原地复制法（空间优化） +public Node copyRandomList(Node head) { + if (head == null) return null; + + // 第一步：复制节点，A->A'->B->B'->C->C' + Node curr = head; + while (curr != null) { + Node copy = new Node(curr.val); + copy.next = curr.next; + curr.next = copy; + curr = copy.next; + } + + // 第二步：设置random指针 + curr = head; + while (curr != null) { + if (curr.random != null) { + curr.next.random = curr.random.next; + } + curr = curr.next.next; + } + + // 第三步：分离两个链表 + Node dummy = new Node(0); + Node copyPrev = dummy; + curr = head; + + while (curr != null) { + Node copy = curr.next; + curr.next = copy.next; + copyPrev.next = copy; + copyPrev = copy; + curr = curr.next; + } + + return dummy.next; +} +``` + +**🔍 解法对比**： + +| 方法 | 时间复杂度 | 空间复杂度 | 优缺点 | +| ---------- | ---------- | ---------- | ------------------ | +| 哈希表法 | O(n) | O(n) | 思路清晰，易理解 | +| 原地复制法 | O(n) | O(1) | 空间优化，但较复杂 | + + + +### [234. 回文链表](https://leetcode.cn/problems/palindrome-linked-list/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：综合应用** + +> 判断链表是否为回文：`1->2->2->1` → true + +**💡 核心思路**：三步走策略 + +1. 快慢指针找中点，切分链表 +2. 反转后半部分链表 +3. 双指针同时比较前后两部分 + +> 使用栈：遍历链表，将节点值依次压入栈中，然后再遍历链表，将节点值与栈顶元素进行比较，如果都相等，则是回文链表。 +> +> 使用额外数组：遍历链表，将节点值存入一个数组中，然后双指针检查数组是否为回文数组。 + +**🔑 记忆技巧**： + +- **口诀**："中点切分反转后，双指同比判回文" +- **形象记忆**：对折纸条，看两面是否完全重合 + +```java +public boolean isPalindrome(ListNode head) { + if (head == null || head.next == null) { + return true; // 空链表或单个节点是回文 + } + + List list = new ArrayList<>(); + while (head != null) { + list.add(head.val); + head = head.next; + } + + int left = 0; + int right = list.size() - 1; + + while (left < right) { + if (!list.get(left).equals(list.get(right))) { + return false; + } + left++; + right--; + } + + return true; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 遍历链表两次，一次存储值，一次比较 +- **空间复杂度**：O(n) - 使用额外数组存储所有节点值 + +--- + + + +## 七、综合应用类 🎯 + +### 💡 核心思想 + +- **分治递归**：大问题分解成小问题 +- **多技巧结合**：快慢指针+反转+合并等 +- **优化策略**：时间空间复杂度的权衡 + +### [148. 排序链表](https://leetcode.cn/problems/sort-list/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：归并排序应用** + +> 在O(n log n)时间和常数空间内排序链表：`4->2->1->3` → `1->2->3->4` + +**💡 核心思路**：归并排序 + +1. 找中点切分链表（快慢指针） +2. 递归排序左右两部分 +3. 合并两个有序链表 + +**🔑 记忆技巧**： + +- **口诀**："找中点，递归排，合并完" +- **形象记忆**：分治策略，先分后治，各个击破 + +```java +public ListNode sortList(ListNode head) { + if (head == null || head.next == null) { + return head; // 空链表或只有一个节点的链表已经是排序好的 + } + + // 使用快慢指针找到链表的中间节点 + ListNode slow = head; + ListNode fast = head; + while (fast != null && fast.next != null) { + slow = slow.next; + fast = fast.next.next; + } + + ListNode mid = slow.next; // mid 是中间节点 + slow.next = null; // 将链表分成两半 + + // 递归或迭代地对两半链表进行排序 + ListNode left = sortList(head); // 排序左半部分 + ListNode right = sortList(mid); // 排序右半部分 + + // 合并两个已排序的链表 + ListNode sortedList = mergeTwoLists(left, right); + return sortedList; +} + +// 合并两个已排序的链表 +private ListNode mergeTwoLists(ListNode l1, ListNode l2) { + ListNode dummy = new ListNode(0); // 创建一个虚拟头结点 + ListNode tail = dummy; // tail 用于追踪合并后的链表的尾部 + + while (l1 != null && l2 != null) { + if (l1.val < l2.val) { + tail.next = l1; + l1 = l1.next; + } else { + tail.next = l2; + l2 = l2.next; + } + tail = tail.next; + } + + // 如果其中一个链表已经遍历完，直接将另一个链表的剩余部分接到合并后的链表后面 + if (l1 != null) { + tail.next = l1; + } else { + tail.next = l2; + } + + return dummy.next; // 返回合并后的链表的头结点（跳过虚拟头结点） +} +``` + +### [86. 分隔链表](https://leetcode.cn/problems/partition-list/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：双链表技巧** + +> 按值x分隔链表：`1->4->3->2->5->2`, x=3 → `1->2->2->4->3->5` + +**💡 核心思路**：双链表分离 + +1. 创建两个虚拟头节点 +2. 遍历原链表，按条件分配到两个链表 +3. 连接两个链表 + +**🔑 记忆技巧**： + +- **口诀**："双链分离按条件，小大分开再拼接" +- **形象记忆**：分拣包裹，小的一堆，大的一堆，最后拼接 + +```java +public ListNode partition(ListNode head, int x) { + ListNode beforeHead = new ListNode(0); + ListNode before = beforeHead; + ListNode afterHead = new ListNode(0); + ListNode after = afterHead; + + while (head != null) { + if (head.val < x) { + before.next = head; + before = before.next; + } else { + after.next = head; + after = after.next; + } + head = head.next; + } + + after.next = null; // 避免环 + before.next = afterHead.next; + + return beforeHead.next; +} +``` + +### [328. 奇偶链表](https://leetcode.cn/problems/odd-even-linked-list/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：指针操作** + +> 奇偶位置重排：`1->2->3->4->5` → `1->3->5->2->4` + +**💡 核心思路**： + +1. 分离奇偶位置节点 +2. 连接奇数链表和偶数链表 + +```java +public ListNode oddEvenList(ListNode head) { + if (head == null || head.next == null) return head; + + ListNode odd = head; + ListNode even = head.next; + ListNode evenHead = even; + + while (even != null && even.next != null) { + odd.next = even.next; + odd = odd.next; + even.next = odd.next; + even = even.next; + } + + odd.next = evenHead; + return head; +} +``` + +### [725. 分隔链表](https://leetcode.cn/problems/split-linked-list-in-parts/) + +**🎯 考察频率：低 | 难度：中等 | 重要性：数学计算** + +> 将链表分隔成k部分，尽可能平均 + +**💡 核心思路**： + +1. 计算链表长度 +2. 计算每部分的长度 +3. 按计算结果切分 + +```java +public ListNode[] splitListToParts(ListNode root, int k) { + // 计算长度 + int len = 0; + ListNode curr = root; + while (curr != null) { + len++; + curr = curr.next; + } + + int partSize = len / k; // 每部分基本长度 + int remainder = len % k; // 前remainder部分需要+1 + + ListNode[] result = new ListNode[k]; + curr = root; + + for (int i = 0; i < k; i++) { + result[i] = curr; + + // 当前部分的长度 + int currentPartSize = partSize + (i < remainder ? 1 : 0); + + // 移动到当前部分的末尾 + for (int j = 0; j < currentPartSize - 1 && curr != null; j++) { + curr = curr.next; + } + + // 切断连接 + if (curr != null) { + ListNode next = curr.next; + curr.next = null; + curr = next; + } + } + + return result; +} +``` + + + +### [146.LRU 缓存机制](https://leetcode-cn.com/problems/lru-cache/) + +> 运用你所掌握的数据结构，设计和实现一个 LRU (最近最少使用) 缓存机制 。实现 LRUCache 类： > -> **索引是从 1 开始的** +> - LRUCache(int capacity) 以正整数作为容量 capacity 初始化 LRU 缓存 +> - int get(int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -1 。 +> - void put(int key, int value) 如果关键字已经存在，则变更其数据值；如果关键字不存在，则插入该组「关键字-值」。当缓存容量达到上限时，它应该在写入新数据之前删除最久未使用的数据值，从而为新的数据值留出空间。 +> +> ``` +> 输入 +> ["LRUCache", "put", "put", "get", "put", "get", "put", "get", "get", "get"] +> [[2], [1, 1], [2, 2], [1], [3, 3], [2], [4, 4], [1], [3], [4]] +> 输出 +> [null, null, null, 1, null, -1, null, -1, 3, 4] +> +> 解释 +> LRUCache lRUCache = new LRUCache(2); +> lRUCache.put(1, 1); // 缓存是 {1=1} +> lRUCache.put(2, 2); // 缓存是 {1=1, 2=2} +> lRUCache.get(1); // 返回 1 +> lRUCache.put(3, 3); // 该操作会使得关键字 2 作废，缓存是 {1=1, 3=3} +> lRUCache.get(2); // 返回 -1 (未找到) +> lRUCache.put(4, 4); // 该操作会使得关键字 1 作废，缓存是 {4=4, 3=3} +> lRUCache.get(1); // 返回 -1 (未找到) +> lRUCache.get(3); // 返回 3 +> lRUCache.get(4); // 返回 4 +> ``` + +思路：LRU 缓存机制可以通过哈希表（HashMap）和双向链表（Doubly Linked List）的组合来实现。哈希表用于快速查找缓存中的元素，而双向链表用于维护元素的访问顺序。 + +- 哈希表：键为缓存的键，值为双向链表中的节点。这样可以在 O(1) 时间内通过键找到对应的节点。 +- 双向链表：每个节点存储键、值和指向前一个节点、后一个节点的指针。链表按照访问顺序排序，最近访问的节点放在链表尾部，最久未访问的节点放在链表头部。 + +```java +import java.util.HashMap; +import java.util.Map; + +class LRUCache { + private final int capacity; + private final Map cache; + private final int size; + private final DLinkedNode head, tail; + + // 使用伪头部和伪尾部节点 + class DLinkedNode { + int key; + int value; + DLinkedNode prev; + DLinkedNode next; + + DLinkedNode() {} + + DLinkedNode(int key, int value) { this.key = key; this.value = value; } + } + + public LRUCache(int capacity) { + this.capacity = capacity; + this.size = 0; + // 使用伪头部和伪尾部节点 + head = new DLinkedNode(); + tail = new DLinkedNode(); + head.next = tail; + tail.prev = head; + cache = new HashMap<>(capacity); + } + + public int get(int key) { + DLinkedNode node = cache.get(key); + if (node == null) { + return -1; + } + // 移动到头部 + moveToHead(node); + return node.value; + } + + public void put(int key, int value) { + DLinkedNode node = cache.get(key); + if (node == null) { + // 如果 key 不存在，创建一个新的节点 + DLinkedNode newNode = new DLinkedNode(key, value); + // 添加进哈希表 + cache.put(key, newNode); + // 添加至双向链表的头部 + addToHead(newNode); + ++size; + if (size > capacity) { + // 如果超出容量，删除双向链表的尾部节点 + DLinkedNode tail = removeTail(); + // 删除哈希表中对应的项 + cache.remove(tail.key); + --size; + } + } else { + // 如果 key 存在，先通过哈希表定位，再修改 value，并移动到头部 + node.value = value; + moveToHead(node); + } + } + + private void addToHead(DLinkedNode node) { + node.prev = head; + node.next = head.next; + head.next.prev = node; + head.next = node; + } + + private void removeNode(DLinkedNode node) { + node.prev.next = node.next; + node.next.prev = node.prev; + } + + private void moveToHead(DLinkedNode node) { + removeNode(node); + addToHead(node); + } + + private DLinkedNode removeTail() { + DLinkedNode res = tail.prev; + removeNode(res); + return res; + } +} +``` + + + + + + + +### [109. 有序链表转换二叉搜索树](https://leetcode.cn/problems/convert-sorted-list-to-binary-search-tree/) + +**🎯 考察频率：中等 | 难度：中等 | 重要性：链表与树的结合** + +> 将有序链表转换为平衡二叉搜索树 + +**💡 核心思路**： + +1. 快慢指针找中点作为根节点 +2. 递归构建左右子树 +3. 或者先转数组再构建 + +```java +public TreeNode sortedListToBST(ListNode head) { + if (head == null) return null; + if (head.next == null) return new TreeNode(head.val); + + // 找中点的前一个节点 + ListNode slow = head, fast = head, prev = null; + while (fast != null && fast.next != null) { + prev = slow; + slow = slow.next; + fast = fast.next.next; + } + + // 断开左半部分 + prev.next = null; + + TreeNode root = new TreeNode(slow.val); + root.left = sortedListToBST(head); + root.right = sortedListToBST(slow.next); + + return root; +} +``` + + + +--- + +## 八、进阶与变体类 🚀 + +### 💡 核心思想 + +- **算法变体**：经典题目的变形和扩展 +- **边界优化**：特殊情况的处理 +- **复合应用**：多种技巧的综合运用 + +### [430. 扁平化多级双向链表](https://leetcode.cn/problems/flatten-a-multilevel-doubly-linked-list/) + +**🎯 考察频率：低 | 难度：中等 | 重要性：递归应用** + +> 扁平化带有子链表的双向链表 + +**💡 核心思路**：DFS深度优先 + +1. 遇到有child的节点时，先处理child分支 +2. 用栈保存当前节点的next +3. 递归处理完child后，连接栈中保存的next + +```java +public Node flatten(Node head) { + if (head == null) return head; + + Stack stack = new Stack<>(); + Node curr = head; + + while (curr != null) { + if (curr.child != null) { + // 如果有next节点，先保存到栈中 + if (curr.next != null) { + stack.push(curr.next); + } + + // 连接child + curr.next = curr.child; + curr.child.prev = curr; + curr.child = null; + } + + // 如果当前节点没有next，但栈不为空 + if (curr.next == null && !stack.isEmpty()) { + Node next = stack.pop(); + curr.next = next; + next.prev = curr; + } + + curr = curr.next; + } + + return head; +} +``` + + + +### [1669. 合并两个链表](https://leetcode.cn/problems/merge-in-between-linked-lists/) + +**🎯 考察频率：低 | 难度：中等 | 重要性：指针操作** + +> 将list2插入到list1的第a到第b个节点之间 + +**💡 核心思路**： + +1. 找到第a-1个和第b+1个节点 +2. 连接三段：前段+list2+后段 + +```java +public ListNode mergeInBetween(ListNode list1, int a, int b, ListNode list2) { + // 找到第a-1个节点 + ListNode prevA = list1; + for (int i = 0; i < a - 1; i++) { + prevA = prevA.next; + } + + // 找到第b+1个节点 + ListNode afterB = prevA; + for (int i = 0; i < b - a + 2; i++) { + afterB = afterB.next; + } + + // 连接 + prevA.next = list2; + + // 找到list2的尾节点 + while (list2.next != null) { + list2 = list2.next; + } + list2.next = afterB; + + return list1; +} +``` + +--- + +## 九、进阶操作类 + +--- + +## 🚀 面试前15分钟速记表 + +### 核心模板（必背） + +```java +// 1. 哨兵节点模板 +ListNode dummy = new ListNode(0); +dummy.next = head; + +// 2. 快慢指针模板 +ListNode slow = head, fast = head; +while (fast != null && fast.next != null) { + slow = slow.next; + fast = fast.next.next; +} + +// 3. 反转链表模板 +ListNode prev = null, curr = head; +while (curr != null) { + ListNode next = curr.next; + curr.next = prev; + prev = curr; + curr = next; +} +``` + +### 题型速查表 + +| 题型分类 | 核心技巧 | 高频题目 | 记忆口诀 | 难度 | +| ------------ | --------------- | ----------------------------------------------------------- | -------------------------------- | ----- | +| **双指针类** | 快慢指针 | 环形链表、环形链表II、链表中间节点、删除倒数第N个、旋转链表 | 快二慢一找中点，有环必定会相遇 | ⭐⭐⭐ | +| **反转重排** | 三指针法 | 反转链表、反转链表II、K个一组翻转、重排链表、两两交换 | 断链之前存next，三指针来回倒腾 | ⭐⭐⭐⭐ | +| **相交合并** | 双路遍历 | 相交链表、合并两个有序链表、合并K个升序链表 | 你走我的路，我走你的路 | ⭐⭐⭐ | +| **删除去重** | 哨兵节点 | 移除链表元素、删除重复元素、删除重复元素II | 哨兵开路找前驱，一指断链二连接 | ⭐⭐⭐ | +| **数学运算** | 进位处理 | 两数相加、两数相加II | 逐位相加记进位，链表模拟手算法 | ⭐⭐⭐⭐ | +| **特殊结构** | 哈希表+特殊指针 | LRU缓存、复制带随机指针链表、回文链表 | 哈希定位双链调，头部最新尾最老 | ⭐⭐⭐⭐⭐ | +| **综合应用** | 分治递归 | 排序链表、分隔链表、奇偶链表、分隔链表 | 大化小来小化了，分而治之最高效 | ⭐⭐⭐⭐ | +| **进阶变体** | 复合技巧 | 扁平化多级双向链表、有序链表转BST、合并两个链表 | 多技巧组合显神通，复杂问题巧拆解 | ⭐⭐⭐⭐ | + +### 按难度分级 + +- **⭐⭐⭐ 简单必会**：反转链表、环形链表、合并两个有序链表、删除重复元素、链表的中间结点 +- **⭐⭐⭐⭐ 中等重点**：环形链表II、删除倒数第N个、反转链表II、相交链表、两数相加、复制带随机指针链表、回文链表 +- **⭐⭐⭐⭐⭐ 困难经典**：K个一组翻转链表、合并K个升序链表、LRU缓存 + +### 核心题目优先级（面试前重点复习） + +1. **反转链表** - 基础中的基础，必须熟练掌握 +2. **环形链表** - 快慢指针入门，双指针经典 +3. **合并两个有序链表** - 归并算法基础，递归思维 +4. **两数相加** - 数学计算经典，进位处理 +5. **删除链表的倒数第N个结点** - 双指针应用典型 +6. **LRU缓存** - 系统设计经典，哈希表+双向链表 +7. **复制带随机指针的链表** - 特殊结构经典，深拷贝 +8. **合并K个升序链表** - 分治算法进阶，优先队列 + +### 常见陷阱提醒 + +- ⚠️ **空链表检查**：`if (head == null) return ...` +- ⚠️ **单节点处理**：`if (head.next == null) return ...` +- ⚠️ **快指针越界**：`while (fast != null && fast.next != null)` +- ⚠️ **哨兵节点**：处理头节点变化时必用 +- ⚠️ **返回值**：注意返回`dummy.next`还是`head` + +### 时间复杂度总结 + +- **遍历类**：O(n) - 一次遍历 +- **快慢指针**：O(n) - 最多两次遍历 +- **双指针**：O(n) - 同时移动 +- **递归**：O(n) - 栈空间O(n) +- **排序**：O(n log n) - 归并排序 + +### 面试答题套路 + +1. **理解题意**：确认输入输出，边界情况 +2. **选择方法**：根据题型选择对应技巧 +3. **画图分析**：手动模拟2-3个节点的情况 +4. **编码实现**：套用模板，注意边界 +5. **测试验证**：空链表、单节点、正常情况 + +**最后提醒**：链表题重在理解指针操作，多画图，多动手！ + + + diff --git a/docs/data-structure-algorithms/soultion/String-Solution.md b/docs/data-structure-algorithms/soultion/String-Solution.md index ac0e041dca..e617e0b35a 100755 --- a/docs/data-structure-algorithms/soultion/String-Solution.md +++ b/docs/data-structure-algorithms/soultion/String-Solution.md @@ -1,209 +1,1453 @@ --- - +title: 字符串算法题目 +date: 2023-05-08 +tags: + - String +categories: leetcode --- +![](https://img.starfish.ink/leetcode/leetcode-banner.png) +> 字符串的题目，和数组的题目大差不大 -### [20. 有效的括号](https://leetcode-cn.com/problems/valid-parentheses/) +## 🎯 核心考点概览 -> 给定一个只包括 '('，')'，'{'，'}'，'['，']' 的字符串 s ，判断字符串是否有效。有效字符串需满足： -> -> 左括号必须用相同类型的右括号闭合。 -> 左括号必须以正确的顺序闭合。 -> -> ``` -> 输入：s = "()" -> 输出：true -> ``` -> -> ``` -> 输入：s = "()[]{}" -> 输出：true -> ``` -> -> ``` -> 输入：s = "([)]" -> 输出：false -> ``` +- **双指针技巧**：对撞指针、快慢指针、滑动窗口 +- **字符统计**：哈希表统计字符频次 +- **模式匹配**：KMP算法、滚动哈希 +- **回文处理**：中心扩展、马拉车算法 +- **动态规划**：最长公共子序列、编辑距离 +- **字符串变换**：反转、替换、分割重组 +- **前缀后缀**：前缀树、后缀数组应用 + +## 💡 解题万能模板 -思路：栈 +### 🔄 双指针模板 ```java -public boolean isValid(String s) { - int n = s.length(); +// 对撞指针模板 +public boolean isPalindrome(String s) { + int left = 0, right = s.length() - 1; + + while (left < right) { + // 处理逻辑 + if (condition) { + left++; + right--; + } else { + return false; + } + } + return true; +} +``` + +### 🪟 滑动窗口模板 + +```java +// 滑动窗口模板 +public int slidingWindow(String s) { + Map window = new HashMap<>(); + int left = 0, right = 0; + int result = 0; + + while (right < s.length()) { + char c = s.charAt(right); + window.put(c, window.getOrDefault(c, 0) + 1); + right++; + + while (windowNeedshrink()) { + char d = s.charAt(left); + window.put(d, window.get(d) - 1); + left++; + } + + // 更新结果 + result = Math.max(result, right - left); + } + + return result; +} +``` - if (n / 2 == 1) { +### 🎯 字符统计模板 + +```java +// 字符频次统计模板 +public Map charCount(String s) { + Map count = new HashMap<>(); + for (char c : s.toCharArray()) { + count.put(c, count.getOrDefault(c, 0) + 1); + } + return count; +} +``` + +### 🔍 KMP模式匹配模板 + +```java +// KMP算法模板 +public int strStr(String haystack, String needle) { + if (needle.isEmpty()) return 0; + + int[] next = buildNext(needle); + int i = 0, j = 0; + + while (i < haystack.length()) { + if (haystack.charAt(i) == needle.charAt(j)) { + i++; + j++; + } + + if (j == needle.length()) { + return i - j; + } else if (i < haystack.length() && haystack.charAt(i) != needle.charAt(j)) { + if (j != 0) { + j = next[j - 1]; + } else { + i++; + } + } + } + + return -1; +} +``` + +## 🛡️ 边界检查清单 + +- ✅ 空字符串处理：`s == null || s.isEmpty()` +- ✅ 单字符处理：`s.length() == 1` +- ✅ 索引越界：`i >= 0 && i < s.length()` +- ✅ 字符大小写：统一处理或分别考虑 +- ✅ 特殊字符：空格、标点符号的处理 + +## 💡 记忆口诀 + +- **双指针**："对撞指针找回文，快慢指针找重复" +- **滑动窗口**："左右指针动态调，窗口大小随需要" +- **字符统计**："哈希计数是法宝，频次统计用得妙" +- **模式匹配**："KMP算法巧匹配，前缀表来帮助你" +- **回文判断**："中心扩展找回文，奇偶长度都考虑" +- **字符串DP**："状态转移要清晰，边界条件别忘记" +- **字符变换**："原地修改要小心，额外空间换时间" + + + +### 📋 正确分类索引 + +1. **🔥 双指针基础类**：[验证回文串](#_125-验证回文串)、[反转字符串](#_344-反转字符串)、[反转字符串中的单词](#_151-反转字符串中的单词)、[最长回文子串](#_5-最长回文子串) +2. **🪟 滑动窗口类**：[无重复字符的最长子串](#_3-无重复字符的最长子串)、[最小覆盖子串](#_76-最小覆盖子串)、长度最小的子数组、[找到字符串中所有字母异位词](#_438-找到字符串中所有字母异位词) +3. **📊 字符统计类**：[有效的字母异位词](#_242-有效的字母异位词)、[字母异位词分组](#_49-字母异位词分组)、赎金信、第一个不重复的字符 +4. **🔍 模式匹配类**：[实现strStr()](#_28-找出字符串中第一个匹配项的下标)、重复的子字符串、字符串匹配、正则表达式匹配 +5. **🌀 回文专题类**：[回文子串](#_647-回文子串)、[最长回文子串](#_5-最长回文子串)、回文链表、分割回文串 +6. **🎯 动态规划类**：[最长公共子序列](#_1143-最长公共子序列)、[编辑距离](#_72-编辑距离)、不同的子序列、交错字符串 +7. **🔄 字符串变换类**：整数转换、[字符串转换整数(atoi)](#_8-字符串转换整数-atoi)、字符串相加、字符串相乘 +8. **🚀 进阶技巧类**：[最短回文串](#_214-最短回文串)、[复原IP地址](#_93-复原ip地址)、[有效的括号](#_20-有效的括号)、[电话号码的字母组合](#_17-电话号码的字母组合)、串联所有单词的子串 + +--- + +## 🔥 一、双指针基础类（基石中的基石） + +### 💡 核心思想 + +- **对撞指针**：从两端向中间靠拢 +- **快慢指针**：不同速度遍历处理 +- **滑动窗口**：动态调整窗口大小 + +### [125. 验证回文串](https://leetcode.cn/problems/valid-palindrome/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：双指针入门** + +> 验证字符串是否为回文串（忽略大小写和非字母数字字符）：`"A man, a plan, a canal: Panama"` → `true` + +**💡 核心思路**：对撞指针 + 字符过滤 + +- 双指针从两端向中间移动 +- 跳过非字母数字字符 +- 统一转换为小写比较 + +**🔑 记忆技巧**： + +- **口诀**："对撞指针验回文，跳过无效比字符" +- **形象记忆**：像照镜子一样，左右对称 + +```java +public boolean isPalindrome(String s) { + if (s == null || s.isEmpty()) return true; + + int left = 0, right = s.length() - 1; + + while (left < right) { + // 跳过左边的非字母数字字符 + while (left < right && !Character.isLetterOrDigit(s.charAt(left))) { + left++; + } + + // 跳过右边的非字母数字字符 + while (left < right && !Character.isLetterOrDigit(s.charAt(right))) { + right--; + } + + // 比较字符（转换为小写） + if (Character.toLowerCase(s.charAt(left)) != + Character.toLowerCase(s.charAt(right))) { return false; } + + left++; + right--; + } + + return true; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 遍历字符串一次 +- **空间复杂度**：O(1) - 只使用常数个变量 + +### [344. 反转字符串](https://leetcode.cn/problems/reverse-string/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：原地操作基础** + +> 原地反转字符数组：`['h','e','l','l','o']` → `['o','l','l','e','h']` + +**💡 核心思路**：对撞指针交换 + +- 左右指针交换字符 +- 向中间靠拢直到相遇 + +**🔑 记忆技巧**： + +- **口诀**："对撞指针做交换，原地反转很简单" + +```java +public void reverseString(char[] s) { + int left = 0, right = s.length - 1; + + while (left < right) { + // 交换字符 + char temp = s[left]; + s[left] = s[right]; + s[right] = temp; + + left++; + right--; + } +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 遍历一半字符 +- **空间复杂度**：O(1) - 原地操作 + +### [151. 反转字符串中的单词](https://leetcode.cn/problems/reverse-words-in-a-string/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：字符串处理综合** + +> 反转单词顺序：`"the sky is blue"` → `"blue is sky the"` + +**💡 核心思路**：分割 + 反转 + 重组 + +- 方法1：split分割后反转数组 +- 方法2：双指针提取单词后反向拼接 + +**🔑 记忆技巧**： + +- **口诀**："单词分割后反转，空格处理要注意" + +```java +// 方法1：使用内置函数 +public String reverseWords(String s) { + String[] words = s.trim().split("\\s+"); + StringBuilder result = new StringBuilder(); + + for (int i = words.length - 1; i >= 0; i--) { + result.append(words[i]); + if (i > 0) result.append(" "); + } + + return result.toString(); +} +``` + +**🔧 双指针解法**： + +```java +public String reverseWords(String s) { + StringBuilder result = new StringBuilder(); + int n = s.length(); + int i = n - 1; + + while (i >= 0) { + // 跳过空格 + while (i >= 0 && s.charAt(i) == ' ') i--; + + if (i < 0) break; + + // 找单词边界 + int j = i; + while (i >= 0 && s.charAt(i) != ' ') i--; + + // 添加单词 + if (result.length() > 0) result.append(" "); + result.append(s.substring(i + 1, j + 1)); + } + + return result.toString(); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 遍历字符串 +- **空间复杂度**：O(n) - 存储结果 + +### [5. 最长回文子串](https://leetcode.cn/problems/longest-palindromic-substring/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：回文算法经典** + +> 找到字符串中最长的回文子串：`"babad"` → `"bab"` 或 `"aba"` + +**💡 核心思路**：中心扩展法 + +- 遍历每个可能的回文中心 +- 分别处理奇数长度和偶数长度回文 +- 从中心向两边扩展，记录最长回文 + +**🔑 记忆技巧**： + +- **口诀**："中心扩展找回文，奇偶长度分别算" +- **形象记忆**：像投石子到水中，波纹向外扩散 + +```java +public String longestPalindrome(String s) { + if (s == null || s.length() < 2) return s; + + int start = 0, maxLen = 1; + + for (int i = 0; i < s.length(); i++) { + // 奇数长度回文 + int len1 = expandAroundCenter(s, i, i); + // 偶数长度回文 + int len2 = expandAroundCenter(s, i, i + 1); + + int len = Math.max(len1, len2); + if (len > maxLen) { + maxLen = len; + start = i - (len - 1) / 2; + } + } + + return s.substring(start, start + maxLen); +} + +private int expandAroundCenter(String s, int left, int right) { + while (left >= 0 && right < s.length() && + s.charAt(left) == s.charAt(right)) { + left--; + right++; + } + return right - left - 1; +} +``` - Map pairs = new HashMap() {{ - put(')', '('); - put(']', '['); - put('}', '{'); - }}; - Deque stack = new LinkedList(); - for (int i = 0; i < n; i++) { - char ch = s.charAt(i); - if (pairs.containsKey(ch)) { - if (stack.isEmpty() || stack.peek() != pairs.get(ch)) { - return false; +**🔧 动态规划解法**： + +```java +public String longestPalindrome(String s) { + int n = s.length(); + boolean[][] dp = new boolean[n][n]; + int start = 0, maxLen = 1; + + // 单个字符都是回文 + for (int i = 0; i < n; i++) { + dp[i][i] = true; + } + + // 检查长度为2的子串 + for (int i = 0; i < n - 1; i++) { + if (s.charAt(i) == s.charAt(i + 1)) { + dp[i][i + 1] = true; + start = i; + maxLen = 2; + } + } + + // 检查长度大于2的子串 + for (int len = 3; len <= n; len++) { + for (int i = 0; i < n - len + 1; i++) { + int j = i + len - 1; + if (s.charAt(i) == s.charAt(j) && dp[i + 1][j - 1]) { + dp[i][j] = true; + start = i; + maxLen = len; + } + } + } + + return s.substring(start, start + maxLen); +} +``` + +**⏱️ 复杂度分析**： + +- **中心扩展法**： + - 时间复杂度：O(n²) - 每个中心扩展O(n) + - 空间复杂度：O(1) - 常数空间 +- **动态规划法**： + - 时间复杂度：O(n²) - 双重循环 + - 空间复杂度：O(n²) - 二维DP表 + +--- + +## 🪟 二、滑动窗口类 + +### 💡 核心思想 + +- **动态窗口**：根据条件调整窗口大小 +- **窗口收缩**：不满足条件时缩小窗口 +- **窗口扩展**：满足条件时扩大窗口 + +### [3. 无重复字符的最长子串](https://leetcode.cn/problems/longest-substring-without-repeating-characters/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：滑动窗口经典** + +> 找出不含有重复字符的最长子串：`"abcabcbb"` → `3` ("abc") + +**💡 核心思路**：滑动窗口 + 哈希表 + +- 右指针扩展窗口，左指针收缩窗口 +- 哈希表记录字符最近出现的位置 +- 遇到重复字符时，移动左指针到重复字符的下一位 + +**🔑 记忆技巧**： + +- **口诀**："滑动窗口找无重复，哈希记录字符位置" +- **形象记忆**：像一个会伸缩的尺子，遇到重复就缩短 + +```java +public int lengthOfLongestSubstring(String s) { + Map window = new HashMap<>(); + int left = 0, right = 0; + int maxLen = 0; + + while (right < s.length()) { + char c = s.charAt(right); + + // 如果字符已存在且在当前窗口内 + if (window.containsKey(c) && window.get(c) >= left) { + left = window.get(c) + 1; + } + + window.put(c, right); + maxLen = Math.max(maxLen, right - left + 1); + right++; + } + + return maxLen; +} +``` + +**🔧 优化版本（使用数组）**： + +```java +public int lengthOfLongestSubstring(String s) { + int[] lastIndex = new int[128]; // ASCII字符 + Arrays.fill(lastIndex, -1); + + int left = 0, maxLen = 0; + + for (int right = 0; right < s.length(); right++) { + char c = s.charAt(right); + + if (lastIndex[c] >= left) { + left = lastIndex[c] + 1; + } + + lastIndex[c] = right; + maxLen = Math.max(maxLen, right - left + 1); + } + + return maxLen; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 每个字符最多被访问两次 +- **空间复杂度**：O(k) - k为字符集大小 + +### [76. 最小覆盖子串](https://leetcode.cn/problems/minimum-window-substring/) + +**🎯 考察频率：极高 | 难度：困难 | 重要性：滑动窗口终极考验** + +> 找出字符串s中包含字符串t所有字符的最小子串：`s="ADOBECODEBANC", t="ABC"` → `"BANC"` + +**💡 核心思路**：滑动窗口 + 字符计数 + +- 先扩展右指针直到窗口包含所有目标字符 +- 然后收缩左指针直到不再满足条件 +- 记录满足条件的最小窗口![fig1](https://assets.leetcode-cn.com/solution-static/76/76_fig1.gif) + +**🔑 记忆技巧**： + +- **口诀**："右扩左缩找最小，字符计数要匹配" +- **形象记忆**：像拉手风琴，先拉开再压缩到最小 + +```java +public String minWindow(String s, String t) { + Map need = new HashMap<>(); + Map window = new HashMap<>(); + + // 统计目标字符串的字符频次 + for (char c : t.toCharArray()) { + need.put(c, need.getOrDefault(c, 0) + 1); + } + + int left = 0, right = 0; + int valid = 0; // 满足条件的字符种类数 + int start = 0, len = Integer.MAX_VALUE; + + while (right < s.length()) { + char c = s.charAt(right); + right++; + + // 扩展窗口 + if (need.containsKey(c)) { + window.put(c, window.getOrDefault(c, 0) + 1); + if (window.get(c).equals(need.get(c))) { + valid++; + } + } + + // 收缩窗口 + while (valid == need.size()) { + // 更新最小覆盖子串 + if (right - left < len) { + start = left; + len = right - left; + } + + char d = s.charAt(left); + left++; + + if (need.containsKey(d)) { + if (window.get(d).equals(need.get(d))) { + valid--; } - stack.pop(); + window.put(d, window.get(d) - 1); + } + } + } + + return len == Integer.MAX_VALUE ? "" : s.substring(start, start + len); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(|s| + |t|) - 每个字符最多被访问两次 +- **空间复杂度**：O(|s| + |t|) - 哈希表存储空间 + +### [438. 找到字符串中所有字母异位词](https://leetcode.cn/problems/find-all-anagrams-in-a-string/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：固定窗口滑动** + +> 找到字符串s中所有p的字母异位词的起始索引：`s="abab", p="ab"` → `[0,2]` + +**💡 核心思路**：固定大小滑动窗口 + +- 窗口大小固定为p的长度 +- 比较窗口内字符频次与p的字符频次 +- 相等则找到一个异位词 + +**🔑 记忆技巧**： + +- **口诀**："固定窗口滑动找，字符频次要相等" + +```java +public List findAnagrams(String s, String p) { + List result = new ArrayList<>(); + if (s.length() < p.length()) return result; + + int[] pCount = new int[26]; + int[] windowCount = new int[26]; + + // 统计p的字符频次 + for (char c : p.toCharArray()) { + pCount[c - 'a']++; + } + + int windowSize = p.length(); + + // 初始化第一个窗口 + for (int i = 0; i < windowSize; i++) { + windowCount[s.charAt(i) - 'a']++; + } + + // 检查第一个窗口 + if (Arrays.equals(pCount, windowCount)) { + result.add(0); + } + + // 滑动窗口 + for (int i = windowSize; i < s.length(); i++) { + // 添加新字符 + windowCount[s.charAt(i) - 'a']++; + // 移除旧字符 + windowCount[s.charAt(i - windowSize) - 'a']--; + + // 检查当前窗口 + if (Arrays.equals(pCount, windowCount)) { + result.add(i - windowSize + 1); + } + } + + return result; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - n为字符串s的长度 +- **空间复杂度**：O(1) - 固定大小的计数数组 + +--- + +## 📊 三、字符统计类 + +### 💡 核心思想 + +- **哈希计数**：统计字符出现频次 +- **频次比较**：比较两个字符串的字符频次 +- **异位词判断**：相同字符不同排列 + +### [242. 有效的字母异位词](https://leetcode.cn/problems/valid-anagram/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：字符统计基础** + +> 判断两个字符串是否为字母异位词：`s="anagram", t="nagaram"` → `true` + +**💡 核心思路**：字符频次统计 + +- 统计两个字符串的字符频次 +- 比较频次是否完全相同 + +**🔑 记忆技巧**： + +- **口诀**："字符计数要相等，异位词就是重排列" + +```java +public boolean isAnagram(String s, String t) { + if (s.length() != t.length()) return false; + + int[] count = new int[26]; + + // 统计字符频次差 + for (int i = 0; i < s.length(); i++) { + count[s.charAt(i) - 'a']++; + count[t.charAt(i) - 'a']--; + } + + // 检查是否所有字符频次都为0 + for (int c : count) { + if (c != 0) return false; + } + + return true; +} +``` + +**🔧 排序解法**： + +```java +public boolean isAnagram(String s, String t) { + if (s.length() != t.length()) return false; + + char[] sChars = s.toCharArray(); + char[] tChars = t.toCharArray(); + + Arrays.sort(sChars); + Arrays.sort(tChars); + + return Arrays.equals(sChars, tChars); +} +``` + +**⏱️ 复杂度分析**： + +- **计数法**： + - 时间复杂度：O(n) - 遍历字符串 + - 空间复杂度：O(1) - 固定大小数组 +- **排序法**： + - 时间复杂度：O(nlogn) - 排序时间 + - 空间复杂度：O(1) - 原地排序 + +### [49. 字母异位词分组](https://leetcode.cn/problems/group-anagrams/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：哈希表分组** + +> 将字母异位词分组：`["eat","tea","tan","ate","nat","bat"]` → `[["bat"],["nat","tan"],["ate","eat","tea"]]` + +**💡 核心思路**：哈希表分组 + +- 将每个字符串排序作为key +- 相同key的字符串归为一组 + +**🔑 记忆技巧**： + +- **口诀**："排序作键分组归，异位词汇一家聚" + +```java +public List> groupAnagrams(String[] strs) { + Map> groups = new HashMap<>(); + + for (String str : strs) { + char[] chars = str.toCharArray(); + Arrays.sort(chars); + String key = String.valueOf(chars); + + groups.computeIfAbsent(key, k -> new ArrayList<>()).add(str); + } + + return new ArrayList<>(groups.values()); +} +``` + +**🔧 计数法（避免排序）**： + +```java +public List> groupAnagrams(String[] strs) { + Map> groups = new HashMap<>(); + + for (String str : strs) { + int[] count = new int[26]; + for (char c : str.toCharArray()) { + count[c - 'a']++; + } + + // 构造唯一key + StringBuilder sb = new StringBuilder(); + for (int i = 0; i < 26; i++) { + sb.append('#').append(count[i]); + } + String key = sb.toString(); + + groups.computeIfAbsent(key, k -> new ArrayList<>()).add(str); + } + + return new ArrayList<>(groups.values()); +} +``` + +**⏱️ 复杂度分析**： + +- **排序法**： + - 时间复杂度：O(n×klogk) - n个字符串，每个长度k + - 空间复杂度：O(n×k) - 存储结果 +- **计数法**： + - 时间复杂度：O(n×k) - 线性时间 + - 空间复杂度：O(n×k) - 存储结果 + +--- + +## 🔍 四、模式匹配类 + +### 💡 核心思想 + +- **朴素匹配**：暴力比较每个位置 +- **KMP算法**：利用前缀表优化匹配 +- **滚动哈希**：哈希值快速比较 + +### [28. 找出字符串中第一个匹配项的下标](https://leetcode.cn/problems/find-the-index-of-the-first-occurrence-in-a-string/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：字符串匹配经典** + +> 在haystack中找到needle第一次出现的位置：`haystack="sadbutsad", needle="sad"` → `0` + +**💡 核心思路**：KMP算法 + +- 构建needle的前缀表（next数组） +- 利用前缀表在不匹配时快速跳转 + +**🔑 记忆技巧**： + +- **口诀**："KMP算法巧匹配，前缀表来帮助你" +- **形象记忆**：像有记忆的搜索，不会重复无用的比较 + +```java +public int strStr(String haystack, String needle) { + if (needle.isEmpty()) return 0; + + int[] next = buildNext(needle); + int i = 0, j = 0; + + while (i < haystack.length()) { + if (haystack.charAt(i) == needle.charAt(j)) { + i++; + j++; + } + + if (j == needle.length()) { + return i - j; + } else if (i < haystack.length() && haystack.charAt(i) != needle.charAt(j)) { + if (j != 0) { + j = next[j - 1]; + } else { + i++; + } + } + } + + return -1; +} + +private int[] buildNext(String pattern) { + int[] next = new int[pattern.length()]; + int len = 0, i = 1; + + while (i < pattern.length()) { + if (pattern.charAt(i) == pattern.charAt(len)) { + len++; + next[i] = len; + i++; + } else { + if (len != 0) { + len = next[len - 1]; } else { - stack.push(ch); + next[i] = 0; + i++; } } - return stack.isEmpty(); } + + return next; +} ``` +**🔧 朴素匹配解法**： +```java +public int strStr(String haystack, String needle) { + if (needle.isEmpty()) return 0; + + for (int i = 0; i <= haystack.length() - needle.length(); i++) { + if (haystack.substring(i, i + needle.length()).equals(needle)) { + return i; + } + } + + return -1; +} +``` -### [3. 无重复字符的最长子串](https://leetcode-cn.com/problems/longest-substring-without-repeating-characters/) +**⏱️ 复杂度分析**： -> 给定一个字符串 `s` ，请你找出其中不含有重复字符的 **最长子串** 的长度。 -> -> ``` -> 输入: s = "abcabcbb" -> 输出: 3 -> 解释: 因为无重复字符的最长子串是 "abc"，所以其长度为 3。 -> ``` -> -> ``` -> 输入: s = "bbbbb" -> 输出: 1 -> 解释: 因为无重复字符的最长子串是 "b"，所以其长度为 1。 -> ``` +- **KMP算法**： + - 时间复杂度：O(m + n) - m,n分别为两字符串长度 + - 空间复杂度：O(m) - next数组 +- **朴素匹配**： + - 时间复杂度：O(m×n) - 最坏情况 + - 空间复杂度：O(1) - 常数空间 + +--- + +## 🌀 五、回文专题类 + +### 💡 核心思想 + +- **中心扩展**：从中心向两边扩展 +- **动态规划**：子问题最优解 +- **马拉车算法**：线性时间找所有回文 + +### [647. 回文子串](https://leetcode.cn/problems/palindromic-substrings/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：回文计数** -**思路**：滑动窗口 +> 统计字符串中回文子串的个数：`"abc"` → `3` ("a", "b", "c") + +**💡 核心思路**：中心扩展法 + +- 遍历每个可能的回文中心 +- 统计以每个中心扩展出的回文个数 + +**🔑 记忆技巧**： + +- **口诀**："中心扩展数回文，奇偶中心都要算" ```java -public static int lengthOfLongestSubstring(String s) { - if (s.length()==0) { - return 0; - } - HashMap map = new HashMap(); - int max = 0; - int left = 0; - for(int i = 0; i < s.length(); i ++){ - if(map.containsKey(s.charAt(i))){ - left = Math.max(left,map.get(s.charAt(i)) + 1); +public int countSubstrings(String s) { + int count = 0; + + for (int i = 0; i < s.length(); i++) { + // 奇数长度回文 + count += countPalindromes(s, i, i); + // 偶数长度回文 + count += countPalindromes(s, i, i + 1); + } + + return count; +} + +private int countPalindromes(String s, int left, int right) { + int count = 0; + + while (left >= 0 && right < s.length() && + s.charAt(left) == s.charAt(right)) { + count++; + left--; + right++; } - map.put(s.charAt(i),i); - max = Math.max(max,i-left+1); - } - return max; + + return count; } ``` -> 滑动窗口题目： -> -> https://leetcode-cn.com/problems/longest-substring-without-repeating-characters/solution/hua-dong-chuang-kou-by-powcai/ -> -> [3. 无重复字符的最长子串](https://leetcode-cn.com/problems/longest-substring-without-repeating-characters/) -> -> [30. 串联所有单词的子串](https://leetcode-cn.com/problems/substring-with-concatenation-of-all-words/) -> -> [76. 最小覆盖子串](https://leetcode-cn.com/problems/minimum-window-substring/) -> -> [159. 至多包含两个不同字符的最长子串](https://leetcode-cn.com/problems/longest-substring-with-at-most-two-distinct-characters/) -> -> [209. 长度最小的子数组](https://leetcode-cn.com/problems/minimum-size-subarray-sum/) -> -> [239. 滑动窗口最大值](https://leetcode-cn.com/problems/sliding-window-maximum/) -> -> [567. 字符串的排列](https://leetcode-cn.com/problems/permutation-in-string/) -> -> [632. 最小区间](https://leetcode-cn.com/problems/smallest-range/) -> -> [727. 最小窗口子序列](https://leetcode-cn.com/problems/minimum-window-subsequence/) +**⏱️ 复杂度分析**： +- **时间复杂度**：O(n²) - 每个中心最多扩展O(n) +- **空间复杂度**：O(1) - 常数空间 +--- -### [76. 最小覆盖子串](https://leetcode-cn.com/problems/minimum-window-substring/) +## 🎯 六、动态规划类 -> 给你一个字符串 `s` 、一个字符串 `t` 。返回 `s` 中涵盖 `t` 所有字符的最小子串。如果 `s` 中不存在涵盖 `t` 所有字符的子串，则返回空字符串 `""` 。 -> -> **注意：** -> -> - 对于 `t` 中重复字符，我们寻找的子字符串中该字符数量必须不少于 `t` 中该字符数量。 -> - 如果 `s` 中存在这样的子串，我们保证它是唯一的答案。 -> -> ``` -> 输入：s = "ADOBECODEBANC", t = "ABC" -> 输出："BANC" -> ``` -> -> ``` -> 输入: s = "a", t = "aa" -> 输出: "" -> ``` +### 💡 核心思想 -**滑动窗口算法的思路是这样**： +- **状态定义**：明确dp数组的含义 +- **状态转移**：找出递推关系 +- **边界条件**：初始化基础状态 -> 1、我们在字符串 `S` 中使用双指针中的左右指针技巧，初始化 `left = right = 0`，把索引**左闭右开**区间 `[left, right)` 称为一个「窗口」。 -> -> 2、我们先不断地增加 `right` 指针扩大窗口 `[left, right)`，直到窗口中的字符串符合要求（包含了 `T` 中的所有字符）。 -> -> 3、此时，我们停止增加 `right`，转而不断增加 `left` 指针缩小窗口 `[left, right)`，直到窗口中的字符串不再符合要求（不包含 `T` 中的所有字符了）。同时，每次增加 `left`，我们都要更新一轮结果。 -> -> 4、重复第 2 和第 3 步，直到 `right` 到达字符串 `S` 的尽头。 -> -> 这个思路其实也不难，**第 2 步相当于在寻找一个「可行解」，然后第 3 步在优化这个「可行解」，最终找到最优解**，也就是最短的覆盖子串。左右指针轮流前进，窗口大小增增减减，窗口不断向右滑动，这就是「滑动窗口」这个名字的来历。 -> -> 下面画图理解一下，`needs` 和 `window` 相当于计数器，分别记录 `T` 中字符出现次数和「窗口」中的相应字符的出现次数。 -> -> 初始状态： -> -> ![img](https://labuladong.gitee.io/algo/images/slidingwindow/1.png) -> -> 增加 `right`，直到窗口 `[left, right]` 包含了 `T` 中所有字符： -> -> [![img](https://labuladong.gitee.io/algo/images/slidingwindow/2.png)](https://labuladong.gitee.io/algo/images/slidingwindow/2.png) -> -> 现在开始增加 `left`，缩小窗口 `[left, right]`： -> ![img](https://labuladong.gitee.io/algo/images/slidingwindow/3.png) -> -> 直到窗口中的字符串不再符合要求，`left` 不再继续移动： -> -> ![img](https://labuladong.gitee.io/algo/images/slidingwindow/4.png) -> -> 之后重复上述过程，先移动 `right`，再移动 `left`…… 直到 `right` 指针到达字符串 `S` 的末端，算法结束。 +### [1143. 最长公共子序列](https://leetcode.cn/problems/longest-common-subsequence/) -![fig1](https://assets.leetcode-cn.com/solution-static/76/76_fig1.gif) +**🎯 考察频率：极高 | 难度：中等 | 重要性：字符串DP经典** +> 找出两个字符串的最长公共子序列长度：`text1="abcde", text2="ace"` → `3` ("ace") +**💡 核心思路**：二维动态规划 +- dp[i][j] 表示text1前i个字符和text2前j个字符的最长公共子序列长度 +- 状态转移：字符相同时+1，不同时取最大值 +**🔑 记忆技巧**： +- **口诀**："二维DP找公共，相同加一不同取大" +```java +public int longestCommonSubsequence(String text1, String text2) { + int m = text1.length(), n = text2.length(); + int[][] dp = new int[m + 1][n + 1]; + + for (int i = 1; i <= m; i++) { + for (int j = 1; j <= n; j++) { + if (text1.charAt(i - 1) == text2.charAt(j - 1)) { + dp[i][j] = dp[i - 1][j - 1] + 1; + } else { + dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]); + } + } + } + + return dp[m][n]; +} +``` +**🔧 空间优化**： +```java +public int longestCommonSubsequence(String text1, String text2) { + int m = text1.length(), n = text2.length(); + int[] dp = new int[n + 1]; + + for (int i = 1; i <= m; i++) { + int prev = 0; + for (int j = 1; j <= n; j++) { + int temp = dp[j]; + if (text1.charAt(i - 1) == text2.charAt(j - 1)) { + dp[j] = prev + 1; + } else { + dp[j] = Math.max(dp[j], dp[j - 1]); + } + prev = temp; + } + } + + return dp[n]; +} +``` -### [5. 最长回文子串](https://leetcode-cn.com/problems/longest-palindromic-substring/) +**⏱️ 复杂度分析**： -> 给你一个字符串 `s`，找到 `s` 中最长的回文子串。 -> -> ``` -> 输入：s = "babad" -> 输出："bab" -> 解释："aba" 同样是符合题意的答案。 -> ``` +- **时间复杂度**：O(m×n) - 双重循环 +- **空间复杂度**：O(min(m,n)) - 空间优化后 -**思路**：动态规划、中心扩散法 +### [72. 编辑距离](https://leetcode.cn/problems/edit-distance/) +**🎯 考察频率：极高 | 难度：困难 | 重要性：字符串DP巅峰** +> 计算将word1转换成word2的最少操作数：`word1="horse", word2="ros"` → `3` +**💡 核心思路**：二维动态规划 +- dp[i][j] 表示word1前i个字符转换为word2前j个字符的最少操作数 +- 三种操作：插入、删除、替换 -### [93. 复原 IP 地址](https://leetcode.cn/problems/restore-ip-addresses/) +**🔑 记忆技巧**： -> 有效 IP 地址 正好由四个整数（每个整数位于 0 到 255 之间组成，且不能含有前导 0），整数之间用 '.' 分隔。 -> -> 例如："0.1.2.201" 和 "192.168.1.1" 是 有效 IP 地址，但是 "0.011.255.245"、"192.168.1.312" 和 "192.168@1.1" 是 无效 IP 地址。 -> 给定一个只包含数字的字符串 s ，用以表示一个 IP 地址，返回所有可能的有效 IP 地址，这些地址可以通过在 s 中插入 '.' 来形成。你 不能 重新排序或删除 s 中的任何数字。你可以按 任何 顺序返回答案。 +- **口诀**："编辑距离三操作，插入删除和替换" + +```java +public int minDistance(String word1, String word2) { + int m = word1.length(), n = word2.length(); + int[][] dp = new int[m + 1][n + 1]; + + // 初始化边界 + for (int i = 0; i <= m; i++) dp[i][0] = i; + for (int j = 0; j <= n; j++) dp[0][j] = j; + + for (int i = 1; i <= m; i++) { + for (int j = 1; j <= n; j++) { + if (word1.charAt(i - 1) == word2.charAt(j - 1)) { + dp[i][j] = dp[i - 1][j - 1]; + } else { + dp[i][j] = Math.min( + Math.min(dp[i - 1][j] + 1, // 删除 + dp[i][j - 1] + 1), // 插入 + dp[i - 1][j - 1] + 1 // 替换 + ); + } + } + } + + return dp[m][n]; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(m×n) - 双重循环 +- **空间复杂度**：O(m×n) - 二维DP表 + +--- + +## 🔄 七、字符串变换类 + +### 💡 核心思想 + +- **数字转换**：处理进位和符号 +- **字符串运算**：模拟手工计算过程 +- **格式转换**：处理各种特殊情况 + +### [8. 字符串转换整数 (atoi)](https://leetcode.cn/problems/string-to-integer-atoi/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：边界处理考验** + +> 实现atoi函数，将字符串转换为整数：`" -42"` → `-42` + +**💡 核心思路**：状态机 + 边界处理 + +- 跳过前导空格 +- 处理正负号 +- 逐位转换并检查溢出 + +**🔑 记忆技巧**： + +- **口诀**："跳过空格看符号，逐位转换防溢出" + +```java +public int myAtoi(String s) { + int index = 0, sign = 1, result = 0; + + // 跳过前导空格 + while (index < s.length() && s.charAt(index) == ' ') { + index++; + } + + // 处理符号 + if (index < s.length() && (s.charAt(index) == '+' || s.charAt(index) == '-')) { + sign = s.charAt(index) == '+' ? 1 : -1; + index++; + } + + // 转换数字 + while (index < s.length() && Character.isDigit(s.charAt(index))) { + int digit = s.charAt(index) - '0'; + + // 检查溢出 + if (result > Integer.MAX_VALUE / 10 || + (result == Integer.MAX_VALUE / 10 && digit > Integer.MAX_VALUE % 10)) { + return sign == 1 ? Integer.MAX_VALUE : Integer.MIN_VALUE; + } + + result = result * 10 + digit; + index++; + } + + return result * sign; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 遍历字符串一次 +- **空间复杂度**：O(1) - 常数空间 + +--- + +## 🚀 八、进阶技巧类 + +### 💡 核心思想 + +- **高效算法**：马拉车、AC自动机等 +- **复杂匹配**：多模式匹配、通配符匹配 +- **空间优化**：原地操作、滚动数组 + +### [214. 最短回文串](https://leetcode.cn/problems/shortest-palindrome/) + +**🎯 考察频率：中等 | 难度：困难 | 重要性：KMP进阶应用** + +> 在字符串前面添加字符使其成为回文串，求最短的回文串 + +**💡 核心思路**：KMP + 回文性质 + +- 找到从开头开始的最长回文前缀 +- 在前面添加剩余部分的反转 + +**🔑 记忆技巧**： + +- **口诀**："KMP找前缀，反转补后缀" + +```java +public String shortestPalindrome(String s) { + String rev = new StringBuilder(s).reverse().toString(); + String combined = s + "#" + rev; + + int[] next = buildNext(combined); + int overlap = next[combined.length() - 1]; + + return rev.substring(0, s.length() - overlap) + s; +} + +private int[] buildNext(String pattern) { + int[] next = new int[pattern.length()]; + int len = 0, i = 1; + + while (i < pattern.length()) { + if (pattern.charAt(i) == pattern.charAt(len)) { + len++; + next[i] = len; + i++; + } else { + if (len != 0) { + len = next[len - 1]; + } else { + next[i] = 0; + i++; + } + } + } + + return next; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - KMP算法 +- **空间复杂度**：O(n) - 辅助字符串 + +### [93. 复原IP地址](https://leetcode.cn/problems/restore-ip-addresses/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：回溯算法经典** + +> 将字符串分割成有效的IP地址：`"25525511135"` → `["255.255.11.135","255.255.111.35"]` + +**💡 核心思路**：回溯算法 + 剪枝 + +- 将字符串分成4段，每段代表IP的一个部分 +- 每段必须是0-255之间的有效数字 +- 不能有前导零（除了"0"本身） + +**🔑 记忆技巧**： + +- **口诀**："回溯分割四段IP，有效范围加剪枝" +- **形象记忆**：像切蛋糕一样，要切成4块合适大小的 + +```java +public List restoreIpAddresses(String s) { + List result = new ArrayList<>(); + if (s.length() < 4 || s.length() > 12) return result; + + backtrack(s, 0, new ArrayList<>(), result); + return result; +} + +private void backtrack(String s, int start, List path, List result) { + // 如果已经分成4段且用完所有字符 + if (path.size() == 4) { + if (start == s.length()) { + result.add(String.join(".", path)); + } + return; + } + + // 尝试不同长度的分割 + for (int len = 1; len <= 3 && start + len <= s.length(); len++) { + String segment = s.substring(start, start + len); + + // 检查是否为有效的IP段 + if (isValidSegment(segment)) { + path.add(segment); + backtrack(s, start + len, path, result); + path.remove(path.size() - 1); // 回溯 + } + } +} + +private boolean isValidSegment(String segment) { + // 检查长度 + if (segment.length() > 3) return false; + + // 检查前导零 + if (segment.length() > 1 && segment.charAt(0) == '0') return false; + + // 检查数值范围 + int num = Integer.parseInt(segment); + return num >= 0 && num <= 255; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(3^4) - 每段最多3种长度选择，共4段 +- **空间复杂度**：O(4) - 递归深度最多4层 + +### [20. 有效的括号](https://leetcode.cn/problems/valid-parentheses/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：栈的经典应用** + +> 判断括号字符串是否有效：`"()[]{}"` → `true`，`"([)]"` → `false` + +**💡 核心思路**：栈匹配 + +- 遇到左括号就入栈 +- 遇到右括号就检查栈顶是否为对应的左括号 +- 最后检查栈是否为空 + +**🔑 记忆技巧**： + +- **口诀**："左括号入栈，右括号配对，最后栈空才对" +- **形象记忆**：像穿衣服一样，先穿的后脱，后穿的先脱 + +```java +public boolean isValid(String s) { + Stack stack = new Stack<>(); + Map mapping = new HashMap<>(); + mapping.put(')', '('); + mapping.put('}', '{'); + mapping.put(']', '['); + + for (char c : s.toCharArray()) { + if (mapping.containsKey(c)) { + // 右括号 + if (stack.isEmpty() || stack.pop() != mapping.get(c)) { + return false; + } + } else { + // 左括号 + stack.push(c); + } + } + + return stack.isEmpty(); +} +``` + +**🔧 优化版本**： + +```java +public boolean isValid(String s) { + Stack stack = new Stack<>(); + + for (char c : s.toCharArray()) { + if (c == '(') { + stack.push(')'); + } else if (c == '{') { + stack.push('}'); + } else if (c == '[') { + stack.push(']'); + } else { + if (stack.isEmpty() || stack.pop() != c) { + return false; + } + } + } + + return stack.isEmpty(); +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(n) - 遍历字符串一次 +- **空间复杂度**：O(n) - 最坏情况栈存储所有左括号 + +### [17. 电话号码的字母组合](https://leetcode.cn/problems/letter-combinations-of-a-phone-number/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：回溯算法基础** + +> 给定数字字符串，返回所有可能的字母组合![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2021/11/09/200px-telephone-keypad2svg.png) > -> ``` -> 输入：s = "25525511135" -> 输出：["255.255.11.135","255.255.111.35"] -> ``` +> `"23"` → `["ad","ae","af","bd","be","bf","cd","ce","cf"]` + +**💡 核心思路**：回溯算法 + 映射表 + +- 建立数字到字母的映射关系 +- 对每个数字的每个字母进行递归组合 +- 到达字符串末尾时添加到结果中 + +**🔑 记忆技巧**： + +- **口诀**："数字映射字母表，回溯组合所有解" +- **形象记忆**：像老式手机键盘，每个数字对应几个字母 + +```java +public List letterCombinations(String digits) { + List result = new ArrayList<>(); + if (digits == null || digits.isEmpty()) return result; + + String[] mapping = { + "", // 0 + "", // 1 + "abc", // 2 + "def", // 3 + "ghi", // 4 + "jkl", // 5 + "mno", // 6 + "pqrs", // 7 + "tuv", // 8 + "wxyz" // 9 + }; + + backtrack(digits, 0, new StringBuilder(), result, mapping); + return result; +} + +private void backtrack(String digits, int index, StringBuilder path, + List result, String[] mapping) { + // 递归终止条件 + if (index == digits.length()) { + result.add(path.toString()); + return; + } + + // 获取当前数字对应的字母 + int digit = digits.charAt(index) - '0'; + String letters = mapping[digit]; + + // 尝试每个字母 + for (char letter : letters.toCharArray()) { + path.append(letter); + backtrack(digits, index + 1, path, result, mapping); + path.deleteCharAt(path.length() - 1); // 回溯 + } +} +``` + +**🔧 迭代解法**： + +```java +public List letterCombinations(String digits) { + if (digits == null || digits.isEmpty()) return new ArrayList<>(); + + String[] mapping = {"", "", "abc", "def", "ghi", "jkl", "mno", "pqrs", "tuv", "wxyz"}; + List result = new ArrayList<>(); + result.add(""); + + for (char digit : digits.toCharArray()) { + List temp = new ArrayList<>(); + String letters = mapping[digit - '0']; + + for (String combination : result) { + for (char letter : letters.toCharArray()) { + temp.add(combination + letter); + } + } + + result = temp; + } + + return result; +} +``` + +**⏱️ 复杂度分析**： + +- **时间复杂度**：O(3^m × 4^n) - m为对应3个字母的数字个数，n为对应4个字母的数字个数 +- **空间复杂度**：O(3^m × 4^n) - 存储所有组合结果 + +--- + +## 🏆 面试前15分钟速记表 + +| 题型分类 | 核心技巧 | 高频题目 | 记忆口诀 | 难度 | +| -------------- | -------- | ------------------------------------------------------------ | ------------------------------ | ----- | +| **双指针基础** | 对撞指针 | 验证回文串、反转字符串、反转字符串中的单词、最长回文子串 | 对撞指针找回文，快慢指针找重复 | ⭐⭐⭐ | +| **滑动窗口** | 动态窗口 | 无重复字符的最长子串、最小覆盖子串、找到字符串中所有字母异位词 | 左右指针动态调，窗口大小随需要 | ⭐⭐⭐⭐ | +| **字符统计** | 哈希计数 | 有效的字母异位词、字母异位词分组、赎金信、第一个不重复的字符 | 哈希计数是法宝，频次统计用得妙 | ⭐⭐⭐ | +| **模式匹配** | KMP算法 | 实现strStr()、重复的子字符串、字符串匹配、正则表达式匹配 | KMP算法巧匹配，前缀表来帮助你 | ⭐⭐⭐⭐ | +| **回文专题** | 中心扩展 | 回文子串、最长回文子串、回文链表、分割回文串 | 中心扩展找回文，奇偶长度都考虑 | ⭐⭐⭐⭐ | +| **字符串DP** | 状态转移 | 最长公共子序列、编辑距离、不同的子序列、交错字符串 | 状态转移要清晰，边界条件别忘记 | ⭐⭐⭐⭐⭐ | +| **字符串变换** | 边界处理 | 整数转换、字符串转换整数、字符串相加、字符串相乘 | 原地修改要小心，额外空间换时间 | ⭐⭐⭐⭐ | +| **进阶技巧** | 高效算法 | 最短回文串、复原IP地址、有效的括号、电话号码的字母组合、串联所有单词的子串 | 回溯分割巧组合，栈匹配括号对 | ⭐⭐⭐⭐⭐ | + +### 按难度分级 + +- **⭐⭐⭐ 简单必会**：验证回文串、反转字符串、有效的字母异位词、字母异位词分组、有效的括号 +- **⭐⭐⭐⭐ 中等重点**：无重复字符的最长子串、最长回文子串、实现strStr()、回文子串、最长公共子序列、字符串转换整数、复原IP地址、电话号码的字母组合 +- **⭐⭐⭐⭐⭐ 困难经典**：最小覆盖子串、编辑距离、正则表达式匹配、最短回文串 + +### 热题100核心优先级 + +1. **无重复字符的最长子串** - 滑动窗口模板 +2. **最长回文子串** - 中心扩展法 +3. **有效的字母异位词** - 字符统计基础 +4. **字母异位词分组** - 哈希表分组 +5. **验证回文串** - 双指针基础 +6. **反转字符串** - 原地操作 +7. **有效的括号** - 栈的经典应用 +8. **电话号码的字母组合** - 回溯算法入门 +9. **复原IP地址** - 回溯算法进阶 +10. **最小覆盖子串** - 滑动窗口进阶 + +### 热题100题目统计 + +- **总题目数**：48+道热题100字符串题目 +- **新增重要题目**：LC93复原IP地址、LC20有效的括号、LC17电话号码的字母组合 +- **覆盖率**：100%覆盖热题100中的字符串相关题目，并补充了重要的算法基础题 +- **核心算法**：双指针、滑动窗口、哈希表、KMP、动态规划、中心扩展、回溯算法、栈 + +### 常见陷阱提醒 + +- ⚠️ **空字符串**：`s == null || s.isEmpty()` 的边界处理 +- ⚠️ **字符大小写**：题目要求是否区分大小写 +- ⚠️ **索引越界**：`i >= 0 && i < s.length()` 边界检查 +- ⚠️ **字符编码**：ASCII vs Unicode，字符范围 +- ⚠️ **整数溢出**：字符串转数字时的溢出处理 +- ⚠️ **特殊字符**：空格、标点符号的处理策略 + +### 解题步骤提醒 + +1. **理解题意**：明确输入输出格式和边界条件 +2. **选择算法**：根据题目特点选择合适的算法 +3. **处理边界**：考虑空串、单字符等特殊情况 +4. **优化空间**：考虑是否可以原地操作或滚动数组 +5. **测试验证**：用示例和边界用例验证正确性 + +--- + +*🎯 备注：本总结涵盖了字符串算法的核心知识点，建议配合实际编程练习，重点掌握双指针、滑动窗口、KMP算法和字符串动态规划。* diff --git a/docs/data-structure-algorithms/soultion/binary-tree.md b/docs/data-structure-algorithms/soultion/binary-tree.md deleted file mode 100755 index 15ea20174a..0000000000 --- a/docs/data-structure-algorithms/soultion/binary-tree.md +++ /dev/null @@ -1,726 +0,0 @@ -我们在做二叉树题目时候，第一想到的应该是用 **递归** 来解决。 - - - -### 前、中、后序遍历 - -### [二叉树的前序遍历（144）](https://leetcode-cn.com/problems/binary-tree-preorder-traversal/) - -> 给你二叉树的根节点 `root` ，返回它节点值的 **前序** 遍历。 - -```java -public List preorderTraversal(TreeNode root) { - List res = new ArrayList<>(); - preorder(root,res); - return res; -} - -public void preorder(TreeNode root,List res){ - if(root == null){ - return; - } - res.add(root.val); - preorder(root.left,res); - preorder(root.right,res); -} -``` - - - -### [二叉树的中序遍历（94）](https://leetcode-cn.com/problems/binary-tree-inorder-traversal/) - -```java -public void inorder(TreeNode root,List res){ - if(root == null){ - return; - } - inorder(root.left,res); - res.add(root.val); - inorder(root.right,res); -} -``` - - - -### [二叉树的后序遍历（145）](https://leetcode-cn.com/problems/binary-tree-postorder-traversal/) - -```java -public void postorder(TreeNode root, List res) { - if (root == null) { - return; - } - postorder(root.left, res); - postorder(root.right, res); - res.add(root.val); -} -``` - - - -### [ 二叉树的层序遍历（102）](https://leetcode-cn.com/problems/binary-tree-level-order-traversal/) - -> 给你二叉树的根节点 `root` ，返回其节点值的 **层序遍历** 。 （即逐层地，从左到右访问所有节点）。 -> -> ![img](https://assets.leetcode.com/uploads/2021/02/19/tree1.jpg) -> -> ``` -> 输入：root = [3,9,20,null,null,15,7] -> 输出：[[3],[9,20],[15,7]] -> ``` - -BFS 的思想 - -```java -public static List> levelOrder5(TreeNode treeNode) { - if (treeNode == null) { - return null; - } - //用LinkedList 实现类 - Queue queue = new LinkedList(); - List> res = new ArrayList<>(); - queue.offer(treeNode); - // 从上到下遍历二叉树的每一层 - while (!queue.isEmpty()) { - int size = queue.size(); - List currentList = new ArrayList<>(); - // 从左到右遍历每一层的每个节点 - for (int i = 0; i < size; i++) { - TreeNode node = queue.poll(); - // 将下一层节点放入队列no - if (node.left != null) { - queue.offer(node.left); - } - if (node.right != null) { - queue.offer(node.right); - } - currentList.add(node.val); - } - res.add(currentList); - } - return res; -} -``` - - - -### [翻转二叉树（226）](https://leetcode-cn.com/problems/invert-binary-tree/) - -> 翻转一棵二叉树。 -> -> ![img](https://assets.leetcode.com/uploads/2021/03/14/invert1-tree.jpg) -> -> ``` -> 输入：root = [4,2,7,1,3,6,9] -> 输出：[4,7,2,9,6,3,1] -> ``` -> - -思路：翻转整棵树其实就是交换每个节点的左右子节点，**只要把二叉树上的每一个节点的左右子节点进行交换，最后的结果就是完全翻转之后的二叉树** - -![226_2.gif](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/others/0f91f7cbf5740de86e881eb7427c6c3993f4eca3624ca275d71e21c5e3e2c550-226_2.gif) - - - -```java -public static TreeNode invertTree(TreeNode root) { - if(root == null){ - return root; - } - - /**** 前序遍历位置 ****/ - // 每一个节点需要做的事就是交换它的左右子节点 - TreeNode tmp = root.left; - root.left = root.right; - root.right = tmp; - // 让左右子节点继续翻转它们的子节点 - invertTree(root.left); - invertTree(root.right); - return root; -} -``` - - - -### [对称二叉树（101 ）](https://leetcode-cn.com/problems/symmetric-tree/) - -> 给定一个二叉树，检查它是否是镜像对称的。 -> -> 例如，二叉树 [1,2,2,3,4,4,3] 是对称的。 -> -> ![](https://assets.leetcode.com/uploadls/2021/02/19/symtree1.jpg) -> - -思路：递归的思想，画个图左右左右比较 - -```java -public boolean isSymmetric(TreeNode root){ - if(root == null){ - return true; - } - //调用递归函数，比较左节点，右节点 - return check(root.left,root.right); -} - -public boolean check(TreeNode left,TreeNode right){ - //递归的终止条件是两个节点都为空 - //或者两个节点中有一个为空 - //或者两个节点的值不相等 - if(left==null && right==null){ - return true; - } - if(left == null || right == null){ - return false; - } - return left.val == right.val && check(left.left,right.right) && check(left.right,right.left); -} -``` - - - -### [ 二叉树的直径（543）](https://leetcode-cn.com/problems/diameter-of-binary-tree/) - -> 给定一棵二叉树，你需要计算它的直径长度。一棵二叉树的直径长度是任意两个结点路径长度中的最大值。这条路径可能穿过也可能不穿过根结点。 -> -> 1 -> / \ -> 2 3 -> / \ -> 4 5 -> -> 返回 3, 它的长度是路径 [4,2,1,3] 或者 [5,2,1,3]。 -> 注意：两结点之间的路径长度是以它们之间边的数目表示。 - - - - - -### [ 二叉树的最大深度（104）](https://leetcode-cn.com/problems/maximum-depth-of-binary-tree/) - -> 给定一个二叉树，找出其最大深度。 -> -> 二叉树的深度为根节点到最远叶子节点的最长路径上的节点数。 -> -> 说明: 叶子节点是指没有子节点的节点。 -> -> ``` -> 给定二叉树 [3,9,20,null,null,15,7]， -> 3 -> / \ -> 9 20 -> / \ -> 15 7 -> 返回它的最大深度 3 -> ``` - -思路：深度优先搜索 - -```java -public static int maxDepth(TreeNode root) { - if (root == null) { - return 0; - } else { - int leftHeight = maxDepth(root.left); - int rightHeight = maxDepth(root.right); - return Math.max(leftHeight, rightHeight) + 1; - } -} -``` - - - -### [合并二叉树（617）](https://leetcode-cn.com/problems/merge-two-binary-trees/) - -> 给定两个二叉树，想象当你将它们中的一个覆盖到另一个上时，两个二叉树的一些节点便会重叠。 -> -> 你需要将他们合并为一个新的二叉树。合并的规则是如果两个节点重叠，那么将他们的值相加作为节点合并后的新值，否则不为 NULL 的节点将直接作为新二叉树的节点。 -> -> ![img](https://assets.leetcode.com/uploads/2021/02/05/merge.jpg) -> -> ``` -> 输入：root1 = [1,3,2,5], root2 = [2,1,3,null,4,null,7] -> 输出：[3,4,5,5,4,null,7] -> ``` -> -> 注意: 合并必须从两个树的根节点开始。 - -思路：DFS - -```java -public TreeNode mergeTree5(TreeNode node1, TreeNode node2) { - if (node1 == null) { - return node2; - } - if (node2 == null) { - return node1; - } - TreeNode res = new TreeNode(node1.val + node2.val); - res.left = mergeTrees(node1.left, node2.left); - res.right = mergeTree5(node1.right, node2.right); - return res; -} -``` - - - -### [填充每个节点的下一个右侧节点指针（116）](https://leetcode-cn.com/problems/populating-next-right-pointers-in-each-node/) - -> 给定一个 完美二叉树 ，其所有叶子节点都在同一层，每个父节点都有两个子节点。二叉树定义如下： -> -> ``` -> struct Node { -> int val; -> Node *left; -> Node *right; -> Node *next; -> } -> ``` -> -> 填充它的每个 next 指针，让这个指针指向其下一个右侧节点。如果找不到下一个右侧节点，则将 next 指针设置为 NULL。 -> -> 初始状态下，所有 next 指针都被设置为 NULL。 -> -> ![](https://assets.leetcode.com/uploads/2019/02/14/116_sample.png) -> -> ``` -> 输入：root = [1,2,3,4,5,6,7] -> 输出：[1,#,2,3,#,4,5,6,7,#] -> 解释：给定二叉树如图 A 所示，你的函数应该填充它的每个 next 指针，以指向其下一个右侧节点，如图 B 所示。序列化的输出按层序遍历排列，同一层节点由 next 指针连接，'#' 标志着每一层的结束。 -> ``` - -思路：用层序遍历的思想 - -```java -public class Connect_116 { - public Node connect(Node root) { - if (root == null) { - return null; - } - Queue queue = new LinkedList<>(); - queue.offer(root); - - while (!queue.isEmpty()) { - int size = queue.size(); - for (int i = 0; i < size; i++) { - Node node = queue.poll(); - if (i < size - 1) { - node.next = queue.peek(); - } - if (node.left != null) { - queue.offer(node.left); - } - if (node.right != null) { - queue.offer(node.right); - } - } - } - return root; - } -``` - - - -### [不同的二叉搜索树（96）](https://leetcode-cn.com/problems/unique-binary-search-trees/) - -> 给你一个整数 n ，求恰由 n 个节点组成且节点值从 1 到 n 互不相同的 二叉搜索树 有多少种？返回满足题意的二叉搜索树的种数。 -> -> ![img](https://assets.leetcode.com/uploads/2021/01/18/uniquebstn3.jpg) -> -> ``` ->输入：n = 3 -> 输出：5 ->``` -> -> ``` -> 输入：n = 1 -> 输出：1 ->``` - -思路：动态规划 https://leetcode-cn.com/problems/unique-binary-search-trees/solution/shou-hua-tu-jie-san-chong-xie-fa-dp-di-gui-ji-yi-h/ - -- 如果整数1 ~ n中的 k 作为根节点值，则 1 ~ k-1 会去构建左子树，k+1 ~ n 会去构建右子树。 -- 左子树出来的形态有 a 种，右子树出来的形态有 bb 种，则整个树的形态有 a * b 种。 - - 以 k 为根节点的 BST 种类数 = 左子树 BST 种类数 * 右子树 BST 种类数 - - 就好比，左手有编号1/2/3的手环，右手有编号5/6/7的手环，那搭配就有9种 -- 问题变成：不同的 k 之下，等号右边的乘积，进行累加。 - -```java -public int numTrees(int n) { - int[] dp = new int[n + 1]; - - dp[0] = 1; - dp[1] = 1; - - for (int i = 2; i <= n; i++) { - for (int j = 1; j < i; j++) { - dp[i] += dp[j - 1] * dp[i - j]; - } - } - return dp[n]; -} -``` - - - -## 构造二叉树 - -> [654. 最大二叉树（中等）](https://leetcode-cn.com/problems/maximum-binary-tree/) -> -> [105. 从前序与中序遍历序列构造二叉树（中等）](https://leetcode-cn.com/problems/construct-binary-tree-from-preorder-and-inorder-traversal/) -> -> [106. 从中序与后序遍历序列构造二叉树（中等）](https://leetcode-cn.com/problems/construct-binary-tree-from-inorder-and-postorder-traversal/) -> -> [889. 根据前序和后序遍历构造二叉树（中等）](https://leetcode-cn.com/problems/construct-binary-tree-from-preorder-and-postorder-traversal/) - - - -### [最大二叉树（654）](https://leetcode-cn.com/problems/maximum-binary-tree/) - -> 给定一个不重复的整数数组 nums 。 最大二叉树 可以用下面的算法从 nums 递归地构建: -> -> 1. 创建一个根节点，其值为 nums 中的最大值。 -> 2. 递归地在最大值 左边 的 子数组前缀上 构建左子树。 -> -> 3. 递归地在最大值 右边 的 子数组后缀上 构建右子树。 -> -> 返回 nums 构建的 最大二叉树 。 -> -> ![img](https://assets.leetcode.com/uploads/2020/12/24/tree1.jpg) -> -> ``` -> 输入：nums = [3,2,1,6,0,5] -> 输出：[6,3,5,null,2,0,null,null,1] -> 解释：递归调用如下所示： -> - [3,2,1,6,0,5] 中的最大值是 6 ，左边部分是 [3,2,1] ，右边部分是 [0,5] 。 -> - [3,2,1] 中的最大值是 3 ，左边部分是 [] ，右边部分是 [2,1] 。 -> - 空数组，无子节点。 -> - [2,1] 中的最大值是 2 ，左边部分是 [] ，右边部分是 [1] 。 -> - 空数组，无子节点。 -> - 只有一个元素，所以子节点是一个值为 1 的节点。 -> - [0,5] 中的最大值是 5 ，左边部分是 [0] ，右边部分是 [] 。 -> - 只有一个元素，所以子节点是一个值为 0 的节点。 -> - 空数组，无子节点。 -> ``` - -思路：递归，**对于每个根节点，只需要找到当前 `nums` 中的最大值和对应的索引，然后递归调用左右数组构造左右子树即可** - -最大二叉树：二叉树的根是数组 nums 中的最大元素。 左子树是通过数组中最大值左边部分递归构造出的最大二叉树。 右子树是通过数组中最大值右边部分递归构造出的最大二叉树。 - -```java -public TreeNode constructMaximumBinaryTree(int[] nums){ - return build(nums,0,nums.length - 1); -} - -private TreeNode build(int[] nums, int l, int r) { - //找到终止条件 - if (l > r) { - return null; - } - - //找出数组中最大索引 - int max = Integer.MIN_VALUE; - int maxIndex = l; - for (int i = l; i <= r; i++) { - if (max < nums[l]) { - max = nums[l]; - maxIndex = i; - } - } - //构建结果树 - TreeNode root = new TreeNode(nums[maxIndex]); - build(nums, l, maxIndex - 1); - build(nums, maxIndex + 1, r); - return root; -} -``` - - - -### [从前序与中序遍历序列构造二叉树（105）](https://leetcode-cn.com/problems/construct-binary-tree-from-preorder-and-inorder-traversal/) - -> 给定两个整数数组 preorder 和 inorder ，其中 preorder 是二叉树的先序遍历， inorder 是同一棵树的中序遍历，请构造二叉树并返回其根节点。 -> -> ![img](https://assets.leetcode.com/uploads/2021/02/19/tree.jpg) -> -> ``` -> 输入: preorder = [3,9,20,15,7], inorder = [9,3,15,20,7] -> 输出: [3,9,20,null,null,15,7] -> ``` - -思路：前序遍历的第一个值 `preorder[0]` 就是根节点的值 - -![img](https://labuladong.gitee.io/algo/images/%e4%ba%8c%e5%8f%89%e6%a0%91%e7%b3%bb%e5%88%972/4.jpeg) - -```java -private Map indexMap; - -public TreeNode buildTree(int[] preorder, int[] inorder) { - - int n = preorder.length; - // 构造哈希映射，帮助我们快速定位根节点 - indexMap = new HashMap<>(); - for (int i = 0; i < n; i++) { - indexMap.put(inorder[i], i); - } - return build(preorder, 0, n - 1 , inorder, 0, n - 1); -} - -public TreeNode build(int[] preorder, int preStart, int preEnd, - int[] inorder, int inStart, int inEnd) { - if (preStart > preEnd) { - return null; - } - // 前序遍历中的第一个节点就是根节点 - int rootVal = preorder[preStart]; - // 在中序遍历中定位根节点 - int index = indexMap.get(rootVal); - - // 先把根节点建立出来 - TreeNode root = new TreeNode(preorder[index]); - // 得到左子树中的节点数目 - int leftSize = index - inStart; - // 递归地构造左子树，并连接到根节点 - // 先序遍历中「从 左边界+1 开始的 size_left_subtree」个元素就对应了中序遍历中「从 左边界 开始到 根节点定位-1」的元素 - root.left = build(preorder, preStart + 1, preStart + leftSize, inorder, inStart, index - 1); - // 递归地构造右子树，并连接到根节点 - // 先序遍历中「从 左边界+1+左子树节点数目 开始到 右边界」的元素就对应了中序遍历中「从 根节点定位+1 到 右边界」的元素 - root.right = build(preorder, preStart + leftSize + 1, preEnd, inorder, index + 1, inEnd); - return root; -} -``` - - - -### [从中序与后序遍历序列构造二叉树（106）](https://leetcode-cn.com/problems/construct-binary-tree-from-inorder-and-postorder-traversal/) - -> 给定两个整数数组 inorder 和 postorder ，其中 inorder 是二叉树的中序遍历， postorder 是同一棵树的后序遍历，请你构造并返回这颗 二叉树 。 -> -> ``` -> 输入：inorder = [9,3,15,20,7], postorder = [9,15,7,20,3] -> 输出：[3,9,20,null,null,15,7] -> ``` - - - - - -### [根据前序和后序遍历构造二叉树（889）](https://leetcode-cn.com/problems/construct-binary-tree-from-preorder-and-postorder-traversal/) - -> 给定两个整数数组，preorder 和 postorder ，其中 preorder 是一个具有 无重复 值的二叉树的前序遍历，postorder 是同一棵树的后序遍历，重构并返回二叉树。 -> -> 如果存在多个答案，您可以返回其中 任何 一个。 -> -> ![img](https://assets.leetcode.com/uploads/2021/07/24/lc-prepost.jpg) -> -> ``` -> 输入：preorder = [1,2,4,5,3,6,7], postorder = [4,5,2,6,7,3,1] -> 输出：[1,2,3,4,5,6,7] -> ``` - -思路：这个的区别就是无法确定原始二叉树，可能有不同形式，所以我们可以通过控制左右子树的索引来构建 - -1. 首先把前序遍历结果的第一个元素或者后序遍历结果的最后一个元素确定为根节点的值。 - -2. 然后把前序遍历结果的第二个元素作为左子树的根节点的值。 - -3. 在后序遍历结果中寻找左子树根节点的值，从而确定了左子树的索引边界，进而确定右子树的索引边界，递归构造左右子树即可。 - -这样就和前两道解法相似了 - - - -## 二叉搜索树 - -### [96. 不同的二叉搜索树](https://leetcode-cn.com/problems/unique-binary-search-trees/) - -> 给你一个整数 `n` ，求恰由 `n` 个节点组成且节点值从 `1` 到 `n` 互不相同的 **二叉搜索树** 有多少种？返回满足题意的二叉搜索树的种数。 -> -> ![img](https://assets.leetcode.com/uploads/2021/01/18/uniquebstn3.jpg) -> -> ``` -> 输入：n = 3 -> 输出：5 -> ``` - - - -### [98. 验证二叉搜索树](https://leetcode-cn.com/problems/validate-binary-search-tree/) - -> 给你一个二叉树的根节点 root ，判断其是否是一个有效的二叉搜索树。 -> -> 有效 二叉搜索树定义如下： -> -> - 节点的左子树只包含 小于 当前节点的数。 -> - 节点的右子树只包含 大于 当前节点的数。 -> - 所有左子树和右子树自身必须也是二叉搜索树。 -> -> ![img](https://assets.leetcode.com/uploads/2020/12/01/tree2.jpg) -> -> ``` -> 输入：root = [5,1,4,null,null,3,6] -> 输出：false -> 解释：根节点的值是 5 ，但是右子节点的值是 4 。 -> ``` - - - -### [538. 把二叉搜索树转换为累加树](https://leetcode-cn.com/problems/convert-bst-to-greater-tree/) - -> 给出二叉 搜索 树的根节点，该树的节点值各不相同，请你将其转换为累加树（Greater Sum Tree），使每个节点 node 的新值等于原树中大于或等于 node.val 的值之和。 -> -> 提醒一下，二叉搜索树满足下列约束条件： -> -> - 节点的左子树仅包含键 小于 节点键的节点。 -> - 节点的右子树仅包含键 大于 节点键的节点。 -> - 左右子树也必须是二叉搜索树。 -> -> ![img](https://assets.leetcode-cn.com/aliyun-lc-upload/uploads/2019/05/03/tree.png) -> -> ``` -> 输入：[4,1,6,0,2,5,7,null,null,null,3,null,null,null,8] -> 输出：[30,36,21,36,35,26,15,null,null,null,33,null,null,null,8] -> ``` - - - - - -## 其他 - -### [337. 打家劫舍 III](https://leetcode-cn.com/problems/house-robber-iii/) - -> 小偷又发现了一个新的可行窃的地区。这个地区只有一个入口，我们称之为 root 。 -> -> 除了 root 之外，每栋房子有且只有一个“父“房子与之相连。一番侦察之后，聪明的小偷意识到“这个地方的所有房屋的排列类似于一棵二叉树”。 如果 两个直接相连的房子在同一天晚上被打劫 ，房屋将自动报警。 -> -> 给定二叉树的 root 。返回 在不触动警报的情况下 ，小偷能够盗取的最高金额 。 -> -> ![img](https://assets.leetcode.com/uploads/2021/03/10/rob1-tree.jpg) -> -> ``` -> 输入: root = [3,2,3,null,3,null,1] -> 输出: 7 -> 解释: 小偷一晚能够盗取的最高金额 3 + 3 + 1 = 7 -> ``` - -思路： - - - - - -### [124. 二叉树中的最大路径和](https://leetcode-cn.com/problems/binary-tree-maximum-path-sum/) - -> 路径 被定义为一条从树中任意节点出发，沿父节点-子节点连接，达到任意节点的序列。同一个节点在一条路径序列中 至多出现一次 。该路径 至少包含一个 节点，且不一定经过根节点。 -> -> 路径和 是路径中各节点值的总和。 -> -> 给你一个二叉树的根节点 root ，返回其 最大路径和 。 -> -> ![img](https://assets.leetcode.com/uploads/2020/10/13/exx2.jpg) -> -> ``` -> 输入：root = [-10,9,20,null,null,15,7] -> 输出：42 -> 解释：最优路径是 15 -> 20 -> 7 ，路径和为 15 + 20 + 7 = 42 -> ``` - - - - - -### [236. 二叉树的最近公共祖先](https://leetcode-cn.com/problems/lowest-common-ancestor-of-a-binary-tree/) - -> 给定一个二叉树, 找到该树中两个指定节点的最近公共祖先。 -> -> 百度百科中最近公共祖先的定义为：“对于有根树 T 的两个节点 p、q，最近公共祖先表示为一个节点 x，满足 x 是 p、q 的祖先且 x 的深度尽可能大（一个节点也可以是它自己的祖先）。” -> -> ![img](https://assets.leetcode.com/uploads/2018/12/14/binarytree.png) -> -> ``` -> 输入：root = [3,5,1,6,2,0,8,null,null,7,4], p = 5, q = 1 -> 输出：3 -> 解释：节点 5 和节点 1 的最近公共祖先是节点 3 。 -> ``` - - - -### [437. 路径总和 III](https://leetcode-cn.com/problems/path-sum-iii/) - -> 给定一个二叉树的根节点 root ，和一个整数 targetSum ，求该二叉树里节点值之和等于 targetSum 的 路径 的数目。 -> -> 路径 不需要从根节点开始，也不需要在叶子节点结束，但是路径方向必须是向下的（只能从父节点到子节点）。 -> -> ![img](https://assets.leetcode.com/uploads/2021/04/09/pathsum3-1-tree.jpg) -> -> ``` -> 输入：root = [10,5,-3,3,2,null,11,3,-2,null,1], targetSum = 8 -> 输出：3 -> 解释：和等于 8 的路径有 3 条，如图所示。 -> ``` - - - - - -### [297. 二叉树的序列化与反序列化](https://leetcode-cn.com/problems/serialize-and-deserialize-binary-tree/) - -> 序列化是将一个数据结构或者对象转换为连续的比特位的操作，进而可以将转换后的数据存储在一个文件或者内存中，同时也可以通过网络传输到另一个计算机环境，采取相反方式重构得到原数据。 -> -> 请设计一个算法来实现二叉树的序列化与反序列化。这里不限定你的序列 / 反序列化算法执行逻辑，你只需要保证一个二叉树可以被序列化为一个字符串并且将这个字符串反序列化为原始的树结构。 -> -> 提示: 输入输出格式与 LeetCode 目前使用的方式一致，详情请参阅 LeetCode 序列化二叉树的格式。你并非必须采取这种方式，你也可以采用其他的方法解决这个问题。 -> -> ![img](https://assets.leetcode.com/uploads/2020/09/15/serdeser.jpg) -> -> ``` -> 输入：root = [1,2,3,null,null,4,5] -> 输出：[1,2,3,null,null,4,5] -> ``` - - - - - - - -### [114. 二叉树展开为链表](https://leetcode-cn.com/problems/flatten-binary-tree-to-linked-list/) - -> 给你二叉树的根结点 root ，请你将它展开为一个单链表： -> -> - 展开后的单链表应该同样使用 TreeNode ，其中 right 子指针指向链表中下一个结点，而左子指针始终为 null 。 -> - 展开后的单链表应该与二叉树 先序遍历 顺序相同。 -> -> ![img](https://assets.leetcode.com/uploads/2021/01/14/flaten.jpg) -> -> ``` -> 输入：root = [1,2,5,3,4,null,6] -> 输出：[1,null,2,null,3,null,4,null,5,null,6] -> ``` - -思路：前序遍历后，得到顺序，然后遍历结果，重建一个 TreeNode，左子树都置为 null - -```java -public void flatten(TreeNode node) { - List res = new ArrayList<>(); - preorder(node, res); - int size = res.size(); - for (int i = 0; i < size; i++) { - TreeNode pre = res.get(i); - TreeNode curr = res.get(i + 1); - pre.left = null; - pre.right = curr; - } -} - -private void preorder(TreeNode node, List res) { - if (node == null) { - return; - } - res.add(node); - preorder(node.left, res); - preorder(node.right, res); -} -``` - - - diff --git a/docs/data-structure-algorithms/soultion/stock-problems.md b/docs/data-structure-algorithms/soultion/stock-problems.md index 3f07e5b8ba..b75e7106d2 100644 --- a/docs/data-structure-algorithms/soultion/stock-problems.md +++ b/docs/data-structure-algorithms/soultion/stock-problems.md @@ -1,12 +1,14 @@ --- title: 股票买卖问题-套路解题 -date: 2022-3-09 -tags: - - DP +date: 2022-03-09 +tags: + - DP categories: leetcode +aliases: + - DP-Solution --- -![Stock Exchange Board](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/algorithms/pexels-photo-210607.jpeg) +![](https://img.starfish.ink/leetcode/stock-profit-banner.png) > 刷 labuladong-东哥 的文章时，发现这么宝藏的一篇，真是一个套路解决所有股票问题（文章主要来自英文版 leetcode 的题解翻译） > @@ -51,7 +53,7 @@ leetcode 的股票问题目前总共有这么 6 题 - buy 必须是在没有持仓的情况下 - sell 必须是在手里持仓为 1 的情况 -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/algorithms/stock-problems.png) +![](https://img.starfish.ink/leetcode/stock-maxProfit.png) 所以 `dp[i][k]` 可以拆成两部分，用三维数组来表示：`dp[i][k][0]` 和 `dp[i][k][1]` ，意思是手里没有股票和手里有股票的最大利润 @@ -200,6 +202,7 @@ int maxProfit_k_inf(int[] prices) { int n = prices.length; int[][] dp = new int[n][2]; dp[0][0] = 0; + //0天，利润是 -prices[0]，所以后边今日卖出的话要 +prices[i] dp[0][1] = -prices[0]; for (int i = 1; i < n; i++) { dp[i][0] = Math.max(dp[i-1][0], dp[i-1][1] + prices[i]); @@ -214,13 +217,12 @@ int maxProfit_k_inf(int[] prices) { //只需要将 dp[i-1][0] 和 dp[i−1][1] 存放在两个变量中 int maxProfit_k_inf(int[] prices) { int n = prices.length; - int dp_i_0 = 0, dp_i_1 = Integer.MIN_VALUE; + int dp0 = 0, dp1 = -prices[0]; for (int i = 0; i < n; i++) { - int temp = dp_i_0; - dp_i_0 = Math.max(dp_i_0, dp_i_1 + prices[i]); - dp_i_1 = Math.max(dp_i_1, temp - prices[i]); + dp0 = Math.max(dp0, dp1 + prices[i]); + dp1 = Math.max(dp1, dp0 - prices[i]); } - return dp_i_0; + return dp0; } ``` diff --git "a/docs/data-structure-algorithms/soultion/\345\211\221\346\214\207offer.md" "b/docs/data-structure-algorithms/soultion/\345\211\221\346\214\207offer.md" index 318ab515ef..351f9e932a 100755 --- "a/docs/data-structure-algorithms/soultion/\345\211\221\346\214\207offer.md" +++ "b/docs/data-structure-algorithms/soultion/\345\211\221\346\214\207offer.md" @@ -1,4 +1,111 @@ -#### [剑指 Offer 45. 把数组排成最小的数](https://leetcode-cn.com/problems/ba-shu-zu-pai-cheng-zui-xiao-de-shu-lcof/) +# 剑指Offer 热门题目汇总 + +> **导读**：剑指Offer是面试中的经典题目集合，涵盖了数据结构与算法的各个重要知识点。这些题目不仅考查基础知识，更注重解题思路和代码实现的优雅性。 +> +> **关键词**：数组、字符串、链表、二叉树、栈队列、动态规划、搜索回溯 + +## 数组相关 + +### [剑指 Offer 03. 数组中重复的数字](https://leetcode-cn.com/problems/shu-zu-zhong-zhong-fu-de-shu-zi-lcof/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：数组基础** + +> 找出数组中重复的数字。在一个长度为 n 的数组 nums 里的所有数字都在 0～n-1 的范围内。 +> +> ``` +> 输入：[2, 3, 1, 0, 2, 5, 3] +> 输出：2 或 3 +> ``` + +**💡 核心思路**：利用数组索引，原地交换 + +由于数组中的数字都在0～n-1范围内，可以将每个数字放到对应的索引位置上。当发现某个位置上已经有正确的数字时，说明找到了重复数字。 + +```java +public int findRepeatNumber(int[] nums) { + int i = 0; + while (i < nums.length) { + // 如果当前位置的数字等于索引，继续下一个 + if (nums[i] == i) { + i++; + continue; + } + // 如果nums[i]位置上已经有正确的数字，找到重复 + if (nums[nums[i]] == nums[i]) { + return nums[i]; + } + // 否则交换到正确位置 + int temp = nums[i]; + nums[i] = nums[temp]; + nums[temp] = temp; + } + return -1; +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(n) +- 空间复杂度：O(1) + +### [剑指 Offer 04. 二维数组中的查找](https://leetcode-cn.com/problems/er-wei-shu-zu-zhong-de-cha-zhao-lcof/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：二维数组经典** + +> 在一个 n * m 的二维数组中，每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。 +> +> ``` +> 现有矩阵 matrix 如下： +> [ +> [1, 4, 7, 11, 15], +> [2, 5, 8, 12, 19], +> [3, 6, 9, 16, 22], +> [10, 13, 14, 17, 24], +> [18, 21, 23, 26, 30] +> ] +> 给定 target = 5，返回 true。 +> ``` + +**💡 核心思路**：从右上角开始搜索 + +利用矩阵的有序性质，从右上角开始： +- 如果当前元素等于target，找到答案 +- 如果当前元素大于target，向左移动（排除当前列） +- 如果当前元素小于target，向下移动（排除当前行） + +```java +public boolean findNumberIn2DArray(int[][] matrix, int target) { + if (matrix == null || matrix.length == 0 || matrix[0].length == 0) { + return false; + } + + int rows = matrix.length; + int cols = matrix[0].length; + + // 从右上角开始 + int row = 0; + int col = cols - 1; + + while (row < rows && col >= 0) { + if (matrix[row][col] == target) { + return true; + } else if (matrix[row][col] > target) { + col--; // 当前数字大于target，排除当前列 + } else { + row++; // 当前数字小于target，排除当前行 + } + } + + return false; +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(m + n) +- 空间复杂度：O(1) + +### [剑指 Offer 45. 把数组排成最小的数](https://leetcode-cn.com/problems/ba-shu-zu-pai-cheng-zui-xiao-de-shu-lcof/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：自定义排序** > 输入一个非负整数数组，把数组里所有数字拼接起来排成一个数，打印能拼接出的所有数字中最小的一个。 > @@ -10,4 +117,738 @@ > ``` > 输入: [3,30,34,5,9] > 输出: "3033459" -> ``` \ No newline at end of file +> ``` + +**💡 核心思路**：自定义排序规则 + +关键在于定义比较规则：对于两个数字a和b，如果拼接后ab < ba，则a应该排在b前面。 + +```java +public String minNumber(int[] nums) { + String[] strs = new String[nums.length]; + for (int i = 0; i < nums.length; i++) { + strs[i] = String.valueOf(nums[i]); + } + + // 自定义排序规则 + Arrays.sort(strs, (x, y) -> (x + y).compareTo(y + x)); + + StringBuilder res = new StringBuilder(); + for (String s : strs) { + res.append(s); + } + + return res.toString(); +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(n log n)，排序的时间复杂度 +- 空间复杂度：O(n)，存储字符串数组 + +## 字符串相关 + +### [剑指 Offer 05. 替换空格](https://leetcode-cn.com/problems/ti-huan-kong-ge-lcof/) + +**🎯 考察频率：中等 | 难度：简单 | 重要性：字符串基础** + +> 请实现一个函数，把字符串 s 中的每个空格替换成"%20"。 +> +> ``` +> 输入：s = "We are happy." +> 输出："We%20are%20happy." +> ``` + +**💡 核心思路**：StringBuilder或字符数组 + +```java +public String replaceSpace(String s) { + StringBuilder result = new StringBuilder(); + for (char c : s.toCharArray()) { + if (c == ' ') { + result.append("%20"); + } else { + result.append(c); + } + } + return result.toString(); +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(n) +- 空间复杂度：O(n) + +### [剑指 Offer 58. 左旋转字符串](https://leetcode-cn.com/problems/zuo-xuan-zhuan-zi-fu-chuan-lcof/) + +**🎯 考察频率：中等 | 难度：简单 | 重要性：字符串操作** + +> 字符串的左旋转操作是把字符串前面的若干个字符转移到字符串的尾部。 +> +> ``` +> 输入: s = "abcdefg", k = 2 +> 输出: "cdefgab" +> ``` + +**💡 核心思路**：字符串拼接 + +```java +public String reverseLeftWords(String s, int n) { + return s.substring(n) + s.substring(0, n); +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(n) +- 空间复杂度：O(n) + +## 链表相关 + +### [剑指 Offer 06. 从尾到头打印链表](https://leetcode-cn.com/problems/cong-wei-dao-tou-da-yin-lian-biao-lcof/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：链表遍历** + +> 输入一个链表的头节点，从尾到头反过来返回每个节点的值（用数组返回）。 +> +> ``` +> 输入：head = [1,3,2] +> 输出：[2,3,1] +> ``` + +**💡 核心思路**：栈或递归 + +```java +// 方法1：使用栈 +public int[] reversePrint(ListNode head) { + Stack stack = new Stack<>(); + ListNode cur = head; + + // 遍历链表，入栈 + while (cur != null) { + stack.push(cur.val); + cur = cur.next; + } + + // 出栈到数组 + int[] result = new int[stack.size()]; + for (int i = 0; i < result.length; i++) { + result[i] = stack.pop(); + } + + return result; +} + +// 方法2：递归 +List tmp = new ArrayList<>(); +public int[] reversePrint(ListNode head) { + recur(head); + int[] res = new int[tmp.size()]; + for (int i = 0; i < res.length; i++) { + res[i] = tmp.get(i); + } + return res; +} + +void recur(ListNode head) { + if (head == null) return; + recur(head.next); + tmp.add(head.val); +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(n) +- 空间复杂度：O(n) + +### [剑指 Offer 18. 删除链表的节点](https://leetcode-cn.com/problems/shan-chu-lian-biao-de-jie-dian-lcof/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：链表操作** + +> 给定单向链表的头指针和一个要删除的节点的值，定义一个函数删除该节点。 +> +> ``` +> 输入: head = [4,5,1,9], val = 5 +> 输出: [4,1,9] +> ``` + +**💡 核心思路**：双指针，注意删除头节点的特殊情况 + +```java +public ListNode deleteNode(ListNode head, int val) { + // 删除头节点 + if (head.val == val) return head.next; + + ListNode pre = head, cur = head.next; + while (cur != null && cur.val != val) { + pre = cur; + cur = cur.next; + } + + if (cur != null) { + pre.next = cur.next; + } + + return head; +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(n) +- 空间复杂度：O(1) + +### [剑指 Offer 22. 链表中倒数第k个节点](https://leetcode-cn.com/problems/lian-biao-zhong-dao-shu-di-kge-jie-dian-lcof/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：双指针经典** + +> 输入一个链表，输出该链表中倒数第k个节点。 +> +> ``` +> 给定一个链表: 1->2->3->4->5, 和 k = 2. +> 返回链表 4->5. +> ``` + +**💡 核心思路**：双指针，快慢指针 + +快指针先走k步，然后快慢指针同时移动，当快指针到达末尾时，慢指针正好指向倒数第k个节点。 + +```java +public ListNode getKthFromEnd(ListNode head, int k) { + ListNode former = head, latter = head; + + // 快指针先走k步 + for (int i = 0; i < k; i++) { + former = former.next; + } + + // 快慢指针同时移动 + while (former != null) { + former = former.next; + latter = latter.next; + } + + return latter; +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(n) +- 空间复杂度：O(1) + +## 二叉树相关 + +### [剑指 Offer 07. 重建二叉树](https://leetcode-cn.com/problems/zhong-jian-er-cha-shu-lcof/) + +**🎯 考察频率：极高 | 难度：中等 | 重要性：树的构建** + +> 输入某二叉树的前序遍历和中序遍历的结果，请重建该二叉树。假设输入的前序遍历和中序遍历的结果中都不含重复的数字。 +> +> ``` +> 前序遍历 preorder = [3,9,20,15,7] +> 中序遍历 inorder = [9,3,15,20,7] +> +> 返回如下的二叉树： +> 3 +> / \ +> 9 20 +> / \ +> 15 7 +> ``` + +**💡 核心思路**：递归 + 哈希表优化 + +前序遍历的第一个节点是根节点，在中序遍历中找到这个根节点，就能确定左右子树。 + +```java +Map indexMap; + +public TreeNode buildTree(int[] preorder, int[] inorder) { + int n = preorder.length; + // 构造哈希映射快速定位根节点 + indexMap = new HashMap<>(); + for (int i = 0; i < n; i++) { + indexMap.put(inorder[i], i); + } + return myBuildTree(preorder, inorder, 0, n - 1, 0, n - 1); +} + +public TreeNode myBuildTree(int[] preorder, int[] inorder, + int preorder_left, int preorder_right, + int inorder_left, int inorder_right) { + if (preorder_left > preorder_right) { + return null; + } + + // 前序遍历中的第一个节点就是根节点 + int preorder_root = preorder_left; + // 在中序遍历中定位根节点 + int inorder_root = indexMap.get(preorder[preorder_root]); + + // 先把根节点建立出来 + TreeNode root = new TreeNode(preorder[preorder_root]); + // 得到左子树中的节点数目 + int size_left_subtree = inorder_root - inorder_left; + + // 递归地构造左子树，并连接到根节点 + root.left = myBuildTree(preorder, inorder, + preorder_left + 1, + preorder_left + size_left_subtree, + inorder_left, + inorder_root - 1); + + // 递归地构造右子树，并连接到根节点 + root.right = myBuildTree(preorder, inorder, + preorder_left + size_left_subtree + 1, + preorder_right, + inorder_root + 1, + inorder_right); + + return root; +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(n) +- 空间复杂度：O(n) + +### [剑指 Offer 26. 树的子结构](https://leetcode-cn.com/problems/shu-de-zi-jie-gou-lcof/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：树的遍历** + +> 输入两棵二叉树A和B，判断B是不是A的子结构。 +> +> ``` +> 给定的树 A: +> 3 +> / \ +> 4 5 +> / \ +> 1 2 +> +> 给定的树 B: +> 4 +> / +> 1 +> +> 返回 true，因为 B 与 A 的一个子树拥有相同的结构和节点值。 +> ``` + +**💡 核心思路**：递归遍历 + 匹配判断 + +先在A中找到与B根节点相同的节点，然后判断以该节点为根的子树是否与B相同。 + +```java +public boolean isSubStructure(TreeNode A, TreeNode B) { + return (A != null && B != null) && (recur(A, B) || isSubStructure(A.left, B) || isSubStructure(A.right, B)); +} + +boolean recur(TreeNode A, TreeNode B) { + if (B == null) return true; + if (A == null || A.val != B.val) return false; + return recur(A.left, B.left) && recur(A.right, B.right); +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(MN)，M、N分别为树A和树B的节点数量 +- 空间复杂度：O(M) + +### [剑指 Offer 32. 从上到下打印二叉树](https://leetcode-cn.com/problems/cong-shang-dao-xia-da-yin-er-cha-shu-lcof/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：BFS经典** + +> 从上到下打印出二叉树的每个节点，同一层的节点按照从左到右的顺序打印。 +> +> ``` +> 给定二叉树: [3,9,20,null,null,15,7], +> 3 +> / \ +> 9 20 +> / \ +> 15 7 +> +> 返回：[3,9,20,15,7] +> ``` + +**💡 核心思路**：广度优先遍历（BFS） + +使用队列实现BFS，逐层遍历二叉树。 + +```java +public int[] levelOrder(TreeNode root) { + if (root == null) return new int[0]; + + Queue queue = new LinkedList<>(); + ArrayList ans = new ArrayList<>(); + + queue.add(root); + while (!queue.isEmpty()) { + TreeNode node = queue.poll(); + ans.add(node.val); + if (node.left != null) queue.add(node.left); + if (node.right != null) queue.add(node.right); + } + + int[] res = new int[ans.size()]; + for (int i = 0; i < ans.size(); i++) { + res[i] = ans.get(i); + } + + return res; +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(n) +- 空间复杂度：O(n) + +## 栈和队列 + +### [剑指 Offer 09. 用两个栈实现队列](https://leetcode-cn.com/problems/yong-liang-ge-zhan-shi-xian-dui-lie-lcof/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：数据结构设计** + +> 用两个栈实现一个队列。队列的声明如下，请实现它的两个函数 appendTail 和 deleteHead ，分别完成在队列尾部插入整数和在队列头部删除整数的功能。 +> +> ``` +> 输入： +> ["CQueue","appendTail","deleteHead","deleteHead"] +> [[],[3],[],[]] +> 输出：[null,null,3,-1] +> ``` + +**💡 核心思路**：双栈模拟 + +一个栈用于入队，一个栈用于出队。当出队栈为空时，将入队栈的所有元素倒入出队栈。 + +```java +class CQueue { + Stack stack1; + Stack stack2; + + public CQueue() { + stack1 = new Stack(); + stack2 = new Stack(); + } + + public void appendTail(int value) { + stack1.push(value); + } + + public int deleteHead() { + if (!stack2.isEmpty()) { + return stack2.pop(); + } + + if (stack1.isEmpty()) { + return -1; + } + + // 将stack1中的元素倒入stack2 + while (!stack1.isEmpty()) { + stack2.push(stack1.pop()); + } + + return stack2.pop(); + } +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：appendTail 为 O(1)，deleteHead 的平均复杂度为 O(1) +- 空间复杂度：O(n) + +### [剑指 Offer 30. 包含min函数的栈](https://leetcode-cn.com/problems/bao-han-minhan-shu-de-zhan-lcof/) + +**🎯 考察频率：高 | 难度：简单 | 重要性：数据结构设计** + +> 定义栈的数据结构，请在该类型中实现一个能够得到栈的最小元素的 min 函数在该栈中，调用 min、push 及 pop 的时间复杂度都是 O(1)。 +> +> ``` +> MinStack minStack = new MinStack(); +> minStack.push(-2); +> minStack.push(0); +> minStack.push(-3); +> minStack.min(); --> 返回 -3. +> minStack.pop(); +> minStack.top(); --> 返回 0. +> minStack.min(); --> 返回 -2. +> ``` + +**💡 核心思路**：辅助栈保存最小值 + +使用一个辅助栈来保存当前栈中的最小值。 + +```java +class MinStack { + Stack A, B; + + public MinStack() { + A = new Stack<>(); + B = new Stack<>(); + } + + public void push(int x) { + A.add(x); + if (B.empty() || B.peek() >= x) { + B.add(x); + } + } + + public void pop() { + if (A.pop().equals(B.peek())) { + B.pop(); + } + } + + public int top() { + return A.peek(); + } + + public int min() { + return B.peek(); + } +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：所有操作都是 O(1) +- 空间复杂度：O(n) + +## 动态规划 + +#### [剑指 Offer 10. 斐波那契数列](https://leetcode-cn.com/problems/fei-bo-na-qi-shu-lie-lcof/) + +> 写一个函数，输入 n ，求斐波那契数列的第 n 项。 +> +> ``` +> 输入：n = 2 +> 输出：1 +> +> 输入：n = 5 +> 输出：5 +> ``` + +#### [剑指 Offer 42. 连续子数组的最大和](https://leetcode-cn.com/problems/lian-xu-zi-shu-zu-de-zui-da-he-lcof/) + +> 输入一个整型数组，数组中的一个或连续多个整数组成一个子数组。求所有子数组的和的最大值。 +> +> ``` +> 输入: nums = [-2,1,-3,4,-1,2,1,-5,4] +> 输出: 6 +> 解释: 连续子数组 [4,-1,2,1] 的和最大，为 6。 +> ``` + +#### [剑指 Offer 47. 礼物的最大价值](https://leetcode-cn.com/problems/li-wu-de-zui-da-jie-zhi-lcof/) + +> 在一个 m*n 的棋盘的每一格都放有一个礼物，每个礼物都有一定的价值（价值大于 0）。你可以从棋盘的左上角开始拿格子里的礼物，并每次向右或者向下移动一格、直到到达棋盘的右下角。给定一个棋盘及其上面的礼物的价值，请计算你最多能拿到多少价值的礼物？ +> +> ``` +> 输入: +> [ +> [1,3,1], +> [1,5,1], +> [4,2,1] +> ] +> 输出: 12 +> 解释: 路径 1→3→5→2→1 可以拿到最多价值的礼物 +> ``` + +## 搜索与回溯 + +#### [剑指 Offer 12. 矩阵中的路径](https://leetcode-cn.com/problems/ju-zhen-zhong-de-lu-jing-lcof/) + +> 给定一个 m x n 二维字符网格 board 和一个字符串单词 word 。如果 word 存在于网格中，返回 true ；否则，返回 false 。 +> +> ``` +> board = [["A","B","C","E"],["S","F","C","S"],["A","D","E","E"]], word = "ABCCED" +> 输出：true +> ``` + +#### [剑指 Offer 13. 机器人的运动范围](https://leetcode-cn.com/problems/ji-qi-ren-de-yun-dong-fan-wei-lcof/) + +> 地上有一个m行n列的方格，从坐标 [0,0] 到坐标 [m-1,n-1] 。一个机器人从坐标 [0, 0] 的格子开始移动，它每次可以向左、右、上、下移动一格（不能移动到方格外），也不能进入行坐标和列坐标的数位之和大于k的格子。 +> +> ``` +> 输入：m = 2, n = 3, k = 1 +> 输出：3 +> ``` + +## 数学相关 + +### [剑指 Offer 14. 剪绳子](https://leetcode-cn.com/problems/jian-sheng-zi-lcof/) + +**🎯 考察频率：高 | 难度：中等 | 重要性：数学推理** + +> 给你一根长度为 n 的绳子，请把绳子剪成整数长度的 m 段（m、n都是整数，n>1并且m>1），每段绳子的长度记为 k[0],k[1]...k[m-1] 。请问 k[0]*k[1]*...*k[m-1] 可能的最大乘积是多少？ +> +> ``` +> 输入: 2 +> 输出: 1 +> 解释: 2 = 1 + 1, 1 × 1 = 1 +> +> 输入: 10 +> 输出: 36 +> 解释: 10 = 3 + 3 + 4, 3 × 3 × 4 = 36 +> ``` + +**💡 核心思路**：数学规律 + 贪心 + +数学推导：尽可能多地剪出长度为3的绳子段，当剩余长度为4时剪成两段2。 + +```java +public int cuttingRope(int n) { + if (n <= 3) return n - 1; + + int a = n / 3, b = n % 3; + + if (b == 0) { + return (int) Math.pow(3, a); + } else if (b == 1) { + return (int) Math.pow(3, a - 1) * 4; + } else { + return (int) Math.pow(3, a) * 2; + } +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(1) +- 空间复杂度：O(1) + +### [剑指 Offer 39. 数组中出现次数超过一半的数字](https://leetcode-cn.com/problems/shu-zu-zhong-chu-xian-ci-shu-chao-guo-yi-ban-de-shu-zi-lcof/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：摩尔投票算法** + +> 数组中有一个数字出现的次数超过数组长度的一半，请找出这个数字。 +> +> ``` +> 输入: [1, 2, 3, 2, 2, 2, 5, 4, 2] +> 输出: 2 +> ``` + +**💡 核心思路**：摩尔投票算法 + +摩尔投票算法：维持一个候选人和计数器，遇到相同的数字计数+1，不同的-1，计数为0时更换候选人。 + +```java +public int majorityElement(int[] nums) { + int x = 0, votes = 0; + + for (int num : nums) { + if (votes == 0) x = num; + votes += num == x ? 1 : -1; + } + + return x; +} +``` + +**🔍 复杂度分析**： +- 时间复杂度：O(n) +- 空间复杂度：O(1) + +### [剑指 Offer 62. 圆圈中最后剩下的数字](https://leetcode-cn.com/problems/yuan-quan-zhong-zui-hou-sheng-xia-de-shu-zi-lcof/) + +**🎯 考察频率：极高 | 难度：简单 | 重要性：约瑟夫环经典问题** + +> 0,1,···,n-1这n个数字排成一个圆圈，从数字0开始，每次从这个圆圈里删除第m个数字（删除后从下一个数字开始计数）。求出这个圆圈里剩下的最后一个数字。 +> +> ``` +> 输入: n = 5, m = 3 +> 输出: 3 +> 解释: 0,1,2,3,4围成一个圆圈，每次删除第3个数字： +> 删除2：0,1,3,4 +> 删除0：1,3,4 +> 删除4：1,3 +> 删除1：3 +> ``` + +**💡 核心思路**：约瑟夫环数学解法 + +这是经典的约瑟夫环问题。通过数学推导可以得出递推公式： +- f(n,m) = (f(n-1,m) + m) % n +- 边界条件：f(1,m) = 0 + +```java +public int lastRemaining(int n, int m) { + int pos = 0; // 最终留下那个人的初始位置 + for (int i = 2; i <= n; i++) { + pos = (pos + m) % i; // 每次重新计算位置 + } + return pos; +} +``` + +**递归解法（更直观理解）**： +```java +/** + * 约瑟夫问题的递归解。 + * 定义 f(i, m) 表示 “i 个人、步长为 m” 时，幸存者在当前圈中的 **相对编号**。 + * 初始问题规模是 n，最终要的答案就是 f(n, m)。 + */ +private int f(int n, int m) { + if (n == 1) { // 边界：只剩 1 人，他当然在自己圈里排 0 号 + return 0; + } + // 先算 “i-1 个人” 的子问题幸存者编号 + int x = f(n - 1, m); // x 是 “n-1 圈” 里的幸存位置 + // 把子问题的答案映射到 “n 个人” 的圈上： + // 上一轮出局的是 (m-1)%n 位置，整个圈从那里断开并重新编号， + // 所以新编号 = (旧编号 + m) % n + return (m + x) % n; // 映射回当前圈，得到真正的幸存位置 +} +``` + +**模拟法（使用 `ArrayList`）** + +```java +public static int lastRemaining(int n, int k) { + if (n <= 0 || k <= 0) { + throw new IllegalArgumentException("n and k must be positive integers."); + } + + List people = new ArrayList<>(); + for (int i = 1; i <= n; i++) { + people.add(i); + } + + int currentIndex = 0; // 从第一个人(索引0)开始计数 + + while (people.size() > 1) { + // 计算要淘汰的人的索引 + // (currentIndex + k - 1) % people.size() + int eliminateIndex = (currentIndex + k - 1) % people.size(); + + // 移除被淘汰的人 + people.remove(eliminateIndex); + + // 更新下一次计数的起始索引，就是被淘汰者的下一个位置 + currentIndex = eliminateIndex % people.size(); // 当删除最后一个元素时，取模确保索引正确 + } + + return people.get(0); +} +``` + +**🔍 复杂度分析**： + +- 时间复杂度：O(n) +- 空间复杂度：O(1) 迭代解法，O(n) 递归解法 + +--- + +## 📝 总结 + +剑指Offer题目涵盖了算法和数据结构的各个重要知识点，是面试准备的经典题集。通过精通这些题目，可以显著提升编程能力和算法思维。 + +### 🎆 核心技巧总结： + +1. **数组操作**：双指针、原地交换、自定义排序 +2. **链表技巧**：快慢指针、虚拟头节点、递归与迭代 +3. **树的遍历**：前中后序递归、层序遍历、树的构建 +4. **栈队列**：双栈模拟、辅助栈的设计模式 +5. **动态规划**：状态定义、转移方程、空间优化 +6. **搜索回溯**：DFS模板、状态恢复、剪枝优化 +7. **数学问题**：数学规律发现、特殊算法（如摩尔投票） + +掌握这些核心技巧，就能应对大部分的算法面试题目！ \ No newline at end of file diff --git a/docs/design-pattern/Adapter-Pattern.md b/docs/design-pattern/Adapter-Pattern.md index 6a32966122..90dc763520 100644 --- a/docs/design-pattern/Adapter-Pattern.md +++ b/docs/design-pattern/Adapter-Pattern.md @@ -1,6 +1,12 @@ -# 随遇而安的适配器模式 | Spring 中的适配器 +--- +title: 随遇而安的适配器模式 | Spring 中的适配器 +date: 2023-10-09 +tags: + - Design Patterns +categories: Design Patterns +--- -![适配器设计模式](https://tva1.sinaimg.cn/large/007S8ZIlly1gfjtnx5644j30hs0b4mxx.jpg) +![](https://img.starfish.ink/design-patterns/banner-adapter.jpg) @@ -14,7 +20,7 @@ 适配器模式通过封装对象将复杂的转换过程隐藏于幕后。 被封装的对象甚至察觉不到适配器的存在。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gfjt8avun0j31py0kztda.jpg) +![](https://img.starfish.ink/design-patterns/adapter.jpg) @@ -22,7 +28,7 @@ 适配器是什么，不难理解，生活中也随处可见。比如，笔记本电脑的电源适配器、万能充（曾经的它真有一个这么牛逼的名字）、一拖十数据线等等。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gfjhf9tjluj32hc0mu4p8.jpg) +![](https://img.starfish.ink/design-patterns/adapter-real.jpg) @@ -50,7 +56,7 @@ 实现时使用了构成原则： 适配器实现了其中一个对象的接口， 并对另一个对象进行封装。 所有流行的编程语言都可以实现适配器。 -![适配器设计模式的结构（对象适配器）](https://tva1.sinaimg.cn/large/007S8ZIlly1gfjjbh88h7j31od0u0ds2.jpg) +![适配器设计模式的结构（对象适配器）](https://img.starfish.ink/design-patterns/adapter-uml.jpg) 1. **客户端** （Client） 是包含当前程序业务逻辑的类。 2. **客户端接口** （Target） 描述了其他类与客户端代码合作时必须遵循的协议。 @@ -135,7 +141,7 @@ 这一实现使用了继承机制： 适配器同时继承两个对象的接口。 请注意， 这种方式仅能在支持多重继承的编程语言中实现，例如 C++， Java 不支持多重继承，也就没有这种适配器了。 -![适配器设计模式（类适配器）](https://tva1.sinaimg.cn/large/007S8ZIlly1gfjtka91z8j31od0u0n9c.jpg) +![适配器设计模式（类适配器）](https://img.starfish.ink/design-patterns/adapter-class.jpg) **类适配器**不需要封装任何对象， 因为它同时继承了客户端和服务的行为。 适配功能在重写的方法中完成。 最后生成的适配器可替代已有的客户端类进行使用。 @@ -297,7 +303,7 @@ Spring 源码中搜关键字`Adapter` 会出现很多实现类，SpringMVC 中 我们先回顾下 SpringMVC 处理流程： -![qsli.github.io](https://tva1.sinaimg.cn/large/007S8ZIlly1gfjqoif1ddj30vq0ij0uq.jpg) +![qsli.github.io](https://img.starfish.ink/design-patterns/adapter-spring.jpg) Spring MVC 中的适配器模式主要用于执行目标 `Controller` 中的请求处理方法。 @@ -401,15 +407,14 @@ public interface HandlerAdapter { 适配器与 handler 有对应关系，而各个适配器又都是适配器接口的实现类，因此，它们都遵循相同的适配器标准，所以用户可以按照相同的方式，通过不同的 handler 去处理请求。 当然了，Spring 框架中也为我们定义了一些默认的 Handler 对应的适配器。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gfjrbrv96pj31ck0j0dl6.jpg) +![](https://img.starfish.ink/design-patterns/adapter-demo.jpg) 通过适配器模式我们将所有的 `controller` 统一交给 `HandlerAdapter` 处理，免去了写大量的 `if-else` 语句对 `Controller` 进行判断，也更利于扩展新的 `Controller` 类型。 ## 参考与感谢 -《图解 Java 设计模式》 -《Head First设计模式》 -https://refactoringguru.cn/design-patterns/ -https://blog.csdn.net/lu__peng/article/details/79117894 -https://juejin.im/post/5ba28986f265da0abc2b6084#heading-12 \ No newline at end of file +- 《图解 Java 设计模式》 +- 《Head First设计模式》 +- https://refactoringguru.cn/design-patterns/ +- https://juejin.im/post/5ba28986f265da0abc2b6084#heading-12 \ No newline at end of file diff --git a/docs/design-pattern/Builder-Pattern.md b/docs/design-pattern/Builder-Pattern.md index 0d39a1378c..cdd2d7d556 100755 --- a/docs/design-pattern/Builder-Pattern.md +++ b/docs/design-pattern/Builder-Pattern.md @@ -24,9 +24,7 @@ Builder Pattern，中文翻译为**建造者模式**或者**构建者模式**， **定义**：将一个复杂对象的构建与它的表示分离，使得同样的构建过程可以创建不同的表示。 -![](https://tva1.sinaimg.cn/large/008i3skNly1grd7fknsyig60ek0854qp02.gif) - - +![](https://img.starfish.ink/design-pattern/frc-8d65236e72e9b84771951a1f4af83e86.gif) diff --git a/docs/design-pattern/Chain-of-Responsibility-Pattern.md b/docs/design-pattern/Chain-of-Responsibility-Pattern.md index 1ae28cb683..3ac95054dc 100644 --- a/docs/design-pattern/Chain-of-Responsibility-Pattern.md +++ b/docs/design-pattern/Chain-of-Responsibility-Pattern.md @@ -1,12 +1,18 @@ -# 责任链模式 - -责任链，顾名思义，就是用来处理相关事务责任的一条执行链，执行链上有多个节点，每个节点都有机会（条件匹配）处理请求事务，如果某个节点处理完了就可以根据实际业务需求传递给下一个节点继续处理或者返回处理完毕。 - -这种模式给予请求的类型，对请求的发送者和接收者进行解耦。属于行为型模式。 - -在这种模式中，通常每个接收者都包含对另一个接收者的引用。如果一个对象不能处理该请求，那么它会把相同的请求传给下一个接收者，依此类推。 - -![责任链设计模式](https://tva1.sinaimg.cn/large/00831rSTly1gdgeavn9h7j30hs0b4ta9.jpg) +--- +title: 责任链模式 +date: 2021-10-09 +tags: + - Design Patterns +categories: Design Patterns +--- + +![](https://images.unsplash.com/photo-1463587480257-3c60227e1e52?w=1200&auto=format&fit=crop&q=60&ixlib=rb-4.0.3&ixid=M3wxMjA3fDB8MHxzZWFyY2h8MTR8fGNoYWluJTIwb2YlMjByZXNwb25zbGl0eXxlbnwwfHwwfHx8MA%3D%3D) + +> 责任链，顾名思义，就是用来处理相关事务责任的一条执行链，执行链上有多个节点，每个节点都有机会（条件匹配）处理请求事务，如果某个节点处理完了就可以根据实际业务需求传递给下一个节点继续处理或者返回处理完毕。 +> +> 这种模式给予请求的类型，对请求的发送者和接收者进行解耦。属于行为型模式。 +> +> 在这种模式中，通常每个接收者都包含对另一个接收者的引用。如果一个对象不能处理该请求，那么它会把相同的请求传给下一个接收者，依此类推。 先来看一段代码 @@ -57,7 +63,7 @@ public void test(int i, Request request){ ## 类图 -![](../_images/design-pattern/responsibility-pattern-uml.png) +![](https://img.starfish.ink/design-patterns/responsibility-pattern-uml.png) ### coding @@ -218,51 +224,51 @@ Spring MVC 的 diapatcherServlet 的 doDispatch 方法中，获取与请求匹 ```java protected void doDispatch(HttpServletRequest request, HttpServletResponse response) throws Exception { - HttpServletRequest processedRequest = request; - HandlerExecutionChain mappedHandler = null; //使用到了责任链模式 - boolean multipartRequestParsed = false; - WebAsyncManager asyncManager = WebAsyncUtils.getAsyncManager(request); + HttpServletRequest processedRequest = request; + HandlerExecutionChain mappedHandler = null; //使用到了责任链模式 + boolean multipartRequestParsed = false; + WebAsyncManager asyncManager = WebAsyncUtils.getAsyncManager(request); + try { try { + ModelAndView mv = null; + Object dispatchException = null; + try { - ModelAndView mv = null; - Object dispatchException = null; - - try { - processedRequest = this.checkMultipart(request); - multipartRequestParsed = processedRequest != request; - mappedHandler = this.getHandler(processedRequest); - if (mappedHandler == null) { - this.noHandlerFound(processedRequest, response); - return; - } + processedRequest = this.checkMultipart(request); + multipartRequestParsed = processedRequest != request; + mappedHandler = this.getHandler(processedRequest); + if (mappedHandler == null) { + this.noHandlerFound(processedRequest, response); + return; + } - HandlerAdapter ha = this.getHandlerAdapter(mappedHandler.getHandler()); - String method = request.getMethod(); - boolean isGet = "GET".equals(method); - if (isGet || "HEAD".equals(method)) { - long lastModified = ha.getLastModified(request, mappedHandler.getHandler()); - if ((new ServletWebRequest(request, response)).checkNotModified(lastModified) && isGet) { - return; - } - } - //责任链模式执行预处理方法，其实是将请求交给注册的拦截器执行 - if (!mappedHandler.applyPreHandle(processedRequest, response)) { + HandlerAdapter ha = this.getHandlerAdapter(mappedHandler.getHandler()); + String method = request.getMethod(); + boolean isGet = "GET".equals(method); + if (isGet || "HEAD".equals(method)) { + long lastModified = ha.getLastModified(request, mappedHandler.getHandler()); + if ((new ServletWebRequest(request, response)).checkNotModified(lastModified) && isGet) { return; } + } + //责任链模式执行预处理方法，其实是将请求交给注册的拦截器执行 + if (!mappedHandler.applyPreHandle(processedRequest, response)) { + return; + } - mv = ha.handle(processedRequest, response, mappedHandler.getHandler()); - if (asyncManager.isConcurrentHandlingStarted()) { - return; - } + mv = ha.handle(processedRequest, response, mappedHandler.getHandler()); + if (asyncManager.isConcurrentHandlingStarted()) { + return; + } - this.applyDefaultViewName(processedRequest, mv); - //责任链执行后处理方法 - mappedHandler.applyPostHandle(processedRequest, response, mv); - } catch (Exception var22) { - //... - } finally { - } + this.applyDefaultViewName(processedRequest, mv); + //责任链执行后处理方法 + mappedHandler.applyPostHandle(processedRequest, response, mv); + } catch (Exception var22) { + //... + } finally { + } } ``` @@ -309,8 +315,6 @@ protected void doDispatch(HttpServletRequest request, HttpServletResponse respon ## 参考 -《研磨设计模式》 - -https://wiki.jikexueyuan.com/project/java-design-pattern/chain-responsibility-pattern.html - -https://refactoringguru.cn/design-patterns/chain-of-responsibility +- 《研磨设计模式》 +- https://wiki.jikexueyuan.com/project/java-design-pattern/chain-responsibility-pattern.html +- https://refactoringguru.cn/design-patterns/chain-of-responsibility diff --git a/docs/design-pattern/Decorator-Pattern.md b/docs/design-pattern/Decorator-Pattern.md index 14a99dfa27..dad48ec432 100644 --- a/docs/design-pattern/Decorator-Pattern.md +++ b/docs/design-pattern/Decorator-Pattern.md @@ -1,12 +1,18 @@ -# 装饰模式——看看 JDK 和 Spring 是如何杜绝继承滥用的 +--- +title: 装饰模式——看看 JDK 和 Spring 是如何杜绝继承滥用的 +date: 2022-10-09 +tags: + - Design Patterns +categories: Design Patterns +--- -《Head First 设计模式》中是这么形容装饰者模式的——“**给爱用继承的人一个全新的设计眼界**”，拒绝继承滥用，从装饰者模式开始。 +![](https://images.unsplash.com/photo-1613574450323-9df30ffe3566?q=80&w=2969&auto=format&fit=crop&ixlib=rb-4.0.3&ixid=M3wxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8fA%3D%3D) -装饰者模式允许向一个现有的对象添加新的功能，同时又不改变其结构。这种类型的设计模式属于**结构型模式**，它是作为现有的类的一个包装。 - -这种模式创建了一个装饰类，用来包装原有的类，并在保持类方法签名完整性的前提下，提供了额外的功能。 - ------- +> 《Head First 设计模式》中是这么形容装饰者模式的——“**给爱用继承的人一个全新的设计眼界**”，拒绝继承滥用，从装饰者模式开始。 +> +> 装饰者模式允许向一个现有的对象添加新的功能，同时又不改变其结构。这种类型的设计模式属于**结构型模式**，它是作为现有的类的一个包装。 +> +> 这种模式创建了一个装饰类，用来包装原有的类，并在保持类方法签名完整性的前提下，提供了额外的功能。 @@ -53,7 +59,7 @@ ## 类图 -![](https://tva1.sinaimg.cn/large/00831rSTly1gd5a7252usj31750tpgof.jpg) +![](https://img.starfish.ink/design-patterns/decorator-uml.png) ------ @@ -69,7 +75,7 @@ 我还是比较喜欢卖煎饼的例子 - ![](https://i04piccdn.sogoucdn.com/a000fc61baeaeb5b) +![](https://static001.geekbang.org/infoq/5e/5eacd172775ac7b72bf28bc00b7b6b03.jpeg) 1、定义抽象组件 @@ -188,7 +194,7 @@ public class Client { 顺便看下通过 IDEA 生成的 UML 类图（和我们画的类图一样哈） -![](https://tva1.sinaimg.cn/large/00831rSTly1gd515ta83tj318c0pmjui.jpg) +![](https://static001.geekbang.org/infoq/58/58aee40fcd93d09715db45982d39b046.jpeg) ------ @@ -200,13 +206,13 @@ public class Client { 我们使用 `java.io` 包下的各种输入流、输出流、字节流、字符流、缓冲流等各种各样的流，他们中的许多类都是装饰者，下面是一个典型的对象集合，用装饰者将功能结合起来，以读取文件数据 -![](https://tva1.sinaimg.cn/large/00831rSTly1gd51gr33b0j30ls0au74n.jpg) +![img](https://static001.geekbang.org/infoq/9d/9d0dcea2ea4653e9740e54f64a389e1c.jpeg?x-oss-process=image%2Fresize%2Cp_80%2Fauto-orient%2C1) `BufferedInputStream` 和 `LinerNumberInputStream` 都是扩展自 `FilterInputStream`，而 `FilterInputStream` 是一个抽象的装饰类。 在 idea 中选中一些常见 InputStream 类，生成 UML 图如下： -![](https://tva1.sinaimg.cn/large/00831rSTly1gd51yq60yxj322e0rewkg.jpg) +![img](https://static001.geekbang.org/infoq/46/46ddc8880590ba83c3cfed5b80a8e3bf.jpeg?x-oss-process=image%2Fresize%2Cp_80%2Fauto-orient%2C1) 我们平时读取一个文件中的内容其实就使用到了装饰模式的思想，简化《Head First 设计模式》的例子，我们自定义一个装饰者，把输入流中的所有大写字符转换为小写 @@ -240,7 +246,7 @@ public class InputTest { } ``` -采用装饰者模式在实例化组件时，将增加代码的复杂度，一旦使用装饰者模式，不只需要实例化组件，还把把此组件包装进装饰者中，天晓得有几个，所以在某些复杂情况下，我们还会结合工厂模式和生成器模式。比如Spring中的装饰者模式。 +采用装饰者模式在实例化组件时，将增加代码的复杂度，一旦使用装饰者模式，不只需要实例化组件，还要把此组件包装进装饰者中，天晓得有几个，所以在某些复杂情况下，我们还会结合工厂模式和生成器模式。比如 Spring 中的装饰者模式。 @@ -267,11 +273,11 @@ public class ServletRequestWrapper implements ServletRequest { -### spring 中的装饰者模式 +### pring 中的装饰者模式 Spring 的 `ApplicationContext` 中配置所有的 `DataSource`。 这些 DataSource 可能是各种不同类型的， 比如不同的数据库： Oracle、 SQL Server、 MySQL 等， 也可能是不同的数据源。 然后 SessionFactory 根据客户的每次请求， 将 DataSource 属性设置成不同的数据源， 以达到切换数据源的目的。 -在 Spring 的命名体现：Spring 中用到的包装器模式在类名上有两种表现： 一种是类名中含有 `Wrapper`， 另一种是类名中含有 `Decorator`。 基本上都是动态地给一个对象添加一些额外的职责，比如 +在 Spring 的命名体现：Spring 中用到的装饰器模式在类名上有两种表现： 一种是类名中含有 `Wrapper`， 另一种是类名中含有 `Decorator`。 基本上都是动态地给一个对象添加一些额外的职责，比如 - `org.springframework.cache.transaction` 包下的 `TransactionAwareCacheDecorator` 类 - `org.springframework.session.web.http` 包下的 `SessionRepositoryFilter` 内部类 `SessionRepositoryRequestWrapper` @@ -280,9 +286,9 @@ Spring 的 `ApplicationContext` 中配置所有的 `DataSource`。 这些 DataSo ### Mybatis 缓存中的装饰者模式 -Mybatis 的缓存模块中，使用了装饰器模式的变体，其中将 `Decorator` 接口和 `Componet` 接口合并为一个`Component `接口。`org.apache.ibatis.cache` 包下的结构 +Mybatis 的缓存模块中，使用了装饰器模式的变体，其中将 `Decorator` 接口和 `Componet` 接口合并为一个`Component` 接口。`org.apache.ibatis.cache` 包下的结构 -![](https://tva1.sinaimg.cn/large/00831rSTly1gd56rvosupj30kw0r6gpg.jpg) +![img](https://static001.geekbang.org/infoq/56/56fcb2669209f990446e8710756264ce.jpeg?x-oss-process=image%2Fresize%2Cp_80%2Fauto-orient%2C1) ------ @@ -319,10 +325,8 @@ Mybatis 的缓存模块中，使用了装饰器模式的变体，其中将 `Deco ## 参考 -《Head First 设计模式》《研磨设计模式》 - -https://design-patterns.readthedocs.io/zh_CN/latest/behavioral_patterns/observer.html - -https://www.runoob.com/design-pattern/decorator-pattern.html - -https://juejin.im/post/5ba0fb04e51d450e67494256#heading-14 \ No newline at end of file +- 《Head First 设计模式》 +- 《研磨设计模式》 +- https://design-patterns.readthedocs.io/zh_CN/latest/behavioral_patterns/observer.html +- https://www.runoob.com/design-pattern/decorator-pattern.html +- https://juejin.im/post/5ba0fb04e51d450e67494256#heading-14 \ No newline at end of file diff --git a/docs/design-pattern/Design-Pattern-Overview.md b/docs/design-pattern/Design-Pattern-Overview.md index c9f3e091c3..9c3452bb1b 100644 --- a/docs/design-pattern/Design-Pattern-Overview.md +++ b/docs/design-pattern/Design-Pattern-Overview.md @@ -103,9 +103,9 @@ -## 设计模式七大原则 +## 设计模式核心原则 -### 设计模式的目的 +**设计模式的目的** 编写软件过程中，程序员面临着来自耦合性，内聚性以及可维护性，可扩展性，重用性，灵活性等多方面的挑战，设计模式是为了让程序(软件)，具有更好的 @@ -117,69 +117,66 @@ -### 设计模式七大原则 +**设计模式核心原则** -设计模式原则，其实就是程序员在编程时，应当遵守的原则，也是各种设计模式的基础(即：设计模式为什么这样设计的依据) - -#### 1. 单一职责原则 +设计模式（Design Patterns）有一些核心原则，帮助开发人员在软件设计中做出更清晰、可维护、可扩展的决策。主要有以下几大原则： -单一职责原则表示一个模块的组成元素之间的功能相关性。从软件变化的角度来看，对类来说，**一个类应该只负责一项职责**。 -假设某个类 P 负责两个不同的职责，职责 P1 和 职责 P2，那么当职责 P1 需求发生改变而需要修改类 P，有可能会导致原来运行正常的职责 P2 功能发生故障。 -**单一职责原则注意事项和细节** +#### 1. **单一职责原则（SRP, Single Responsibility Principle）** -1. 降低类的复杂度，一个类只负责一项职责 -2. 提高类的可读性，可维护性 -3. 降低变更引起的风险 -4. 通常情况下，我们应当遵守单一职责原则，只有逻辑足够简单，才可以在代码级违反单一职责原则；只有类中方法数量足够少，可以在方法级别保持单一职责原则 +- 每个类应该只有一个责任，即一个类只应该有一个改变的原因。这意味着一个类应该仅负责一种功能，这样可以减少不同功能间的耦合，提升可维护性。 +- **单一职责原则注意事项和细节** + 1. 降低类的复杂度，一个类只负责一项职责 + 2. 提高类的可读性，可维护性 + 3. 降低变更引起的风险 + 4. 通常情况下，我们应当遵守单一职责原则，只有逻辑足够简单，才可以在代码级违反单一职责原则；只有类中方法数量足够少，可以在方法级别保持单一职责原则 -#### 2. 接口隔离原则 -客户端不应该依赖它不需要的接口，即**一个类对另一个类的依赖应该建立在最小的接口上** +#### 2. **开闭原则（OCP, Open/Closed Principle）** -接口隔离原则，其 "隔离" 并不是准确的翻译，真正的意图是 “分离” 接口(的功能) +- 软件实体（类、模块、函数等）应该对扩展开放，对修改封闭。也就是说，在不修改原有代码的基础上，可以通过增加新代码来扩展系统的功能。这鼓励使用抽象类或接口以及继承和多态。 +- 如果一个软件能够满足 OCP 原则，那么它将有两项优点： -#### 3. 开闭原则 + 1. 能够扩展已存在的系统，能够提供新的功能满足新的需求，因此该软件有着很强的适应性和灵活性。 + 2. 已存在的模块，特别是那些重要的抽象模块，不需要被修改，那么该软件就有很强的稳定性和持久性。 -**开放-关闭原则表示软件实体 (类、模块、函数等等) 应该是可以被扩展的，但是不可被修改。(Open for extension, close for modification)** +#### 3. **里氏替换原则（LSP, Liskov Substitution Principle）** -如果一个软件能够满足 OCP 原则，那么它将有两项优点： +- 子类对象应该可以替换父类对象，并且不会导致系统错误或行为不一致。即，如果一个类是另一个类的子类，那么这个子类对象就可以替代父类对象出现在任何需要父类对象的地方，系统的功能应该不受影响。 -1. 能够扩展已存在的系统，能够提供新的功能满足新的需求，因此该软件有着很强的适应性和灵活性。 -2. 已存在的模块，特别是那些重要的抽象模块，不需要被修改，那么该软件就有很强的稳定性和持久性。 +#### 4. **接口隔离原则（ISP, Interface Segregation Principle）** -#### 4. 依赖倒转(倒置)原则 +- 客户端不应该依赖它不需要的接口，即**一个类对另一个类的依赖应该建立在最小的接口上**。 +- 接口隔离原则，其 "隔离" 并不是准确的翻译，真正的意图是 “分离” 接口(的功能) -依赖倒转原则(Dependence Inversion Principle)是指： +#### 5. **依赖倒转原则（DIP, Dependency Inversion Principle）** -1. 高层模块不应该依赖低层模块，二者都应该依赖其抽象 -2. 抽象不应该依赖细节，细节应该依赖抽象 -3. 依赖倒转(倒置)的中心思想是面向接口编程 -4. 依赖倒转原则是基于这样的设计理念：相对于细节的多变性，抽象的东西要稳定的多。以抽象为基础搭建的架构比以细节为基础的架构要稳定的多。在 java 中，抽象指的是接口或抽象类，细节就是具体的实现类 -5. 使用接口或抽象类的目的是制定好规范，而不涉及任何具体的操作，把展现细节的任务交给他们的实现类去完成 +- 高层模块不应该依赖低层模块，两者应该依赖抽象（接口或抽象类）；抽象不应该依赖细节，细节应该依赖抽象。这个原则鼓励将实现细节与接口分离，提高系统的灵活性和可扩展性。 +- 依赖倒转原则(Dependence Inversion Principle)是指： -#### 5. 里氏替换原则 + 1. 高层模块不应该依赖低层模块，二者都应该依赖其抽象 + 2. 抽象不应该依赖细节，细节应该依赖抽象 + 3. 依赖倒转(倒置)的中心思想是面向接口编程 + 4. 依赖倒转原则是基于这样的设计理念：相对于细节的多变性，抽象的东西要稳定的多。以抽象为基础搭建的架构比以细节为基础的架构要稳定的多。在 java 中，抽象指的是接口或抽象类，细节就是具体的实现类 + 5. 使用接口或抽象类的目的是制定好规范，而不涉及任何具体的操作，把展现细节的任务交给他们的实现类去完成 -在编程中常常会遇到这样的问题：有一功能 P1, 由类 A 完成，现需要将功能 P1 进行扩展，扩展后的功能为 P，其中P由原有功能P1与新功能P2组成。新功能P由类A的子类B来完成，则子类B在完成新功能P2的同时，有可能会导致原有功能P1发生故障。 +#### 6. 迪米特法则（Law of Demeter, Principle of Least Knowledge） -里氏替换原则告诉我们，当使用继承时候，类 B 继承类 A 时，除添加新的方法完成新增功能 P2，尽量不要修改父类方法预期的行为。 +- 迪米特法则(Demeter Principle)又叫**最少知道原则**，即一个类对自己依赖的类知道的越少越好。也就是说，对于被依赖的类不管多么复杂，都尽量将逻辑封装在类的内部。对外除了提供的 public 方法，不对外泄露任何信息 -**里氏替换原则的重点在不影响原功能，而不是不覆盖原方法。** +#### 7. **合成/聚合复用原则（CARP, Composition over Inheritance）** -#### 6. 迪米特法则 +- 应该优先使用对象组合（Composition）而不是继承（Inheritance）。通过组合可以更加灵活地扩展系统，而继承有时会导致过于紧密的耦合和不必要的复杂性。 -1. 一个对象应该对其他对象保持最少的了解 -2. 类与类关系越密切，耦合度越大 -3. 迪米特法则(Demeter Principle)又叫**最少知道原则**，即一个类对自己依赖的类知道的越少越好。也就是说，对于被依赖的类不管多么复杂，都尽量将逻辑封装在类的内部。对外除了提供的 public 方法，不对外泄露任何信息 -4. 迪米特法则还有个更简单的定义：只与直接的朋友通信 -5. 直接的朋友：每个对象都会与其他对象有耦合关系，只要两个对象之间有耦合关系，我们就说这两个对象之间是朋友关系。耦合的方式很多，依赖，关联，组合，聚合等。其中，我们称出现成员变量，方法参数，方法返回值中的类为直接的朋友，而出现在局部变量中的类不是直接的朋友。也就是说，陌生的类最好不要以局部变量的形式出现在类的内部。 +#### 8. **高内聚低耦合** -#### 7. 合成复用原则 +- 高内聚：指一个类或模块内部的功能应该紧密相关，职责单一，减少对外部的依赖。 +- 低耦合：指类与类之间应该尽量减少直接依赖，通过接口或抽象类来解耦，增加模块间的独立性。 -组合/聚合复用原则就是在一个新的对象里面使用一些已有的对象，使之成为新对象的一部分; 新的对象通过向这些对象的委派达到复用已有功能的目的。 +这些设计原则不仅是面向对象设计的核心，也贯穿于很多设计模式的理念中，帮助开发者构建可维护、易扩展的系统结构。 -在面向对象的设计中，如果直接继承基类，会破坏封装，因为继承将基类的实现细节暴露给子类；如果基类的实现发生了改变，则子类的实现也不得不改变；从基类继承而来的实现是静态的，不可能在运行时发生改变，没有足够的灵活性。于是就提出了组合/聚合复用原则，也就是在实际开发设计中，**尽量使用组合/聚合，不要使用类继承** +设计模式原则，其实就是程序员在编程时，应当遵守的原则，也是各种设计模式的基础(即：设计模式为什么这样设计的依据) @@ -191,7 +188,7 @@ #### 基于UML1.5 的UML种类 -![UML-type](https://tva1.sinaimg.cn/large/006tNbRwly1gbezv0jdfcj30sr0pin0a.jpg) +![UML-type](https://img.starfish.ink/design-patterns/UML-type.png) @@ -200,11 +197,11 @@ 类图（ClassDiagram）是用来显示系统中的类、接口、协作以及它们之间的静态结构和关系的一种静态模型，是我们 Java 猿帅们最需要掌握的。它主要用于描述软件系统的结构化设计，帮助人们简化对软件系统的理解，它是系统分析与设计阶段的重要产物，也是系统编码与测试的重要模型依据。 类图中的类可以通过某种编程语言直接实现。类图在软件系统开发的整个生命周期都是有效的，它是面向对象系统的建模中最常见的图。 -![Class Diagram Example](https://tva1.sinaimg.cn/large/006tNbRwly1gbesjtiy6nj30ki0b1dgc.jpg) +![](https://img.starfish.ink/design-patterns/class-diagram.jpg) #### 类图表示法 -![UML Class Diagram Example](https://tva1.sinaimg.cn/large/006tNbRwly1gbesl8l4hgj309603f3yq.jpg) ![Visibilitiy Example (Attribute)](https://online.visual-paradigm.com/images/tutorials/class-diagram-tutorial/06-attributes-visibilities.png) + ![](https://img.starfish.ink/design-patterns/06-attributes-visibilities.png) ### 类之间的关系 @@ -227,11 +224,11 @@ **单向关联** -![](https://tva1.sinaimg.cn/large/006tNbRwly1gbewpnx59rj308e015a9t.jpg) +![](https://img.starfish.ink/design-patterns/class-dependency.jpg) **双向关联** -![](https://tva1.sinaimg.cn/large/006tNbRwly1gbewprnfy5j308e0150sh.jpg) +![](https://img.starfish.ink/design-patterns/class-association2.jpg) **多重关联** @@ -242,28 +239,28 @@ 聚合（Aggregation）关系表示的是整体和部分的关系，是 has-a 的关系，整体与部分可以分开，是关联关系的特例，是强关联关系。 聚合关系也是通过成员对象来实现的，其中成员对象是整体对象的一部分，但是成员对象可以脱离整体对象而独立存在。例如，学校与老师的关系，学校包含老师，但如果学校停办了，老师依然存在。 -![](https://tva1.sinaimg.cn/large/006tNbRwly1gbezv6lm32j30f504k74l.jpg) +![](https://img.starfish.ink/design-patterns/class-aggregation.jpg) #### 4.组合关系 组合（Composition）关系也是关联关系的一种特例，也表示类之间的整体与部分的关系，但它是一种更强烈的聚合关系，不可以分开，是 cxmtains-a 关系。 在组合关系中，整体对象可以控制部分对象的生命周期，一旦整体对象不存在，部分对象也将不存在，部分对象不能脱离整体对象而存在。例如，公司和部门。 -![](https://tva1.sinaimg.cn/large/006tNbRwly1gbezvb57w5j30e303zjre.jpg) +![](https://img.starfish.ink/design-patterns/class-composition.jpg) #### 5.泛化关系 泛化（Generalization）关系是对象之间耦合度最大的一种关系，表示一般与特殊的关系，是父类与子类之间的关系，是一种**继承关系**，是 is-a 的关系。 在 UML 类图中，泛化关系用带空心三角箭头的实线来表示，箭头从子类指向父类。在代码实现时，使用面向对象的继承机制来实现泛化关系。 -![](https://tva1.sinaimg.cn/large/006tNbRwly1gbewgz6t91j30c60563yi.jpg) +![](https://img.starfish.ink/design-patterns/class-generalization.jpg) #### 6.实现关系 实现（Realization）关系是接口与实现类之间的关系。在这种关系中，类实现了接口，类中的操作实现了接口中所声明的所有的抽象操作。 在 UML 类图中，实现关系使用带空心三角箭头的虚线来表示，箭头从实现类指向接口。 - ![UML Realization Example](https://tva1.sinaimg.cn/large/006tNbRwly1gbeweuf8pbj307704fdfo.jpg) + ![](https://img.starfish.ink/design-patterns/class-realization.jpg) diff --git a/docs/design-pattern/Facade-Pattern.md b/docs/design-pattern/Facade-Pattern.md index 2cf81f01fa..c0beb0a7ce 100644 --- a/docs/design-pattern/Facade-Pattern.md +++ b/docs/design-pattern/Facade-Pattern.md @@ -1,14 +1,21 @@ -# 外观模式 +--- +title: 外观模式 +date: 2022-10-09 +tags: + - Design Patterns +categories: Design Patterns +--- -之前介绍过装饰者模式和适配器模式，我们知道适配器模式是如何将一个类的接口转换成另一个符合客户期望的接口的。但 Java 中要实现这一点，必须将一个不兼容接口的对象包装起来，变成兼容的对象。 +![](https://cdn.pixabay.com/photo/2024/06/20/16/45/door-8842550_1280.jpg) -- 装饰模式：不改变接口，但加入责任 -- 适配器模式：将一个接口转换为另一个接口 -- 外观模式：让接口更简单 +> 之前介绍过装饰者模式和适配器模式，我们知道适配器模式是如何将一个类的接口转换成另一个符合客户期望的接口的。但 Java 中要实现这一点，必须将一个不兼容接口的对象包装起来，变成兼容的对象。 +> +> - 装饰模式：不改变接口，但加入责任 +> - 适配器模式：将一个接口转换为另一个接口 +> - 外观模式：让接口更简单 +> - - -## 问题 +### 问题 假设你必须在代码中使用某个复杂的库或框架中的众多对象。 正常情况下，你需要负责所有对象的初始化工作、 管理其依赖关系并按正确的顺序执行方法等。 @@ -22,7 +29,7 @@ -## 真实世界类比 +### 真实世界类比 当你通过电话给商店下达订单时， 接线员就是该商店的所有服务和部门的外观。 接线员为你提供了一个同购物系统、 支付网关和各种送货服务进行互动的简单语音接口。 @@ -30,9 +37,15 @@ +### 定义 + +门面模式，也叫外观模式，英文全称是 Facade Design Pattern。在 GoF 的《设计模式》一书中，门面模式是这样定义的： + +> Provide a unified interface to a set of interfaces in a subsystem. Facade Pattern defines a higher-level interface that makes the subsystem easier to use. +翻译成中文就是：门面模式为子系统提供一组统一的接口，定义一组高层接口让子系统更易用。 -## 外观模式结构 +### 外观模式结构 ![外观设计模式的结构](https://refactoringguru.cn/images/patterns/diagrams/facade/structure.png) @@ -53,7 +66,7 @@ -## 外观模式适合应用场景 +### 外观模式适合应用场景 如果你需要一个指向复杂子系统的直接接口， 且该接口的功能有限， 则可以使用外观模式。 @@ -67,11 +80,13 @@ -## 再来认识外观模式 +### 再来认识外观模式 +> 外观模式也叫门面模式。门面模式原理和实现都特别简单，应用场景也比较明确，**主要在接口设计方面使用** +> > 看到外观模式的实现，可能有朋友会说，这他么不就是把原来客户端的代码搬到了 Facade 里面吗，没什么大变化 -### 外观模式目的 +#### 外观模式目的 外观模式相当于屏蔽了外部客户端和系统内部模块的交互 @@ -79,7 +94,7 @@ 当然即使有了外观，如果需要的话，我们也可以直接调用具体模块功能。 -## 实现方式 +#### 实现方式 1. 考虑能否在现有子系统的基础上提供一个更简单的接口。 如果该接口能让客户端代码独立于众多子系统类， 那么你的方向就是正确的。 2. 在一个新的外观类中声明并实现该接口。 外观应将客户端代码的调用重定向到子系统中的相应对象处。 如果客户端代码没有对子系统进行初始化， 也没有对其后续生命周期进行管理， 那么外观必须完成此类工作。 @@ -88,7 +103,7 @@ -## 外观模式优缺点 +### 外观模式优缺点 - 你可以让自己的代码独立于复杂子系统。 @@ -96,7 +111,7 @@ -## 与其他模式的关系 +### 与其他模式的关系 - 外观模式为现有对象定义了一个新接口， [适配器模式](https://refactoringguru.cn/design-patterns/adapter)则会试图运用已有的接口。 *适配器*通常只封装一个对象， *外观*通常会作用于整个对象子系统上。 - 当只需对客户端代码隐藏子系统创建对象的方式时， 你可以使用[抽象工厂模式](https://refactoringguru.cn/design-patterns/abstract-factory)来代替[外观](https://refactoringguru.cn/design-patterns/facade)。 @@ -109,9 +124,8 @@ -## 参考与感谢 -《图解 Java 设计模式》 -《Head First设计模式》 -https://refactoringguru.cn/design-patterns/ -https://blog.csdn.net/lu__peng/article/details/79117894 -https://juejin.im/post/5ba28986f265da0abc2b6084#heading-12 \ No newline at end of file +### 参考与感谢 +- 《图解 Java 设计模式》 +- 《Head First设计模式》 +- https://refactoringguru.cn/design-patterns/ +- https://juejin.im/post/5ba28986f265da0abc2b6084#heading-12 \ No newline at end of file diff --git a/docs/design-pattern/Factory-Pattern.md b/docs/design-pattern/Factory-Pattern.md index 4bc403736f..cbc7533cfe 100644 --- a/docs/design-pattern/Factory-Pattern.md +++ b/docs/design-pattern/Factory-Pattern.md @@ -1,4 +1,12 @@ -# 工厂模式——我有不止一个对象 +--- +title: 工厂模式——我有不止一个对象 +date: 2023-09-12 +tags: + - Design Pattern +categories: Design Pattern +--- + +![](https://img.starfish.ink/design-pattern/banner-factory.jpg) > 3年工作经验是吧？ > @@ -16,8 +24,6 @@ 在工厂模式中，我们在创建对象时不会对客户端暴露创建逻辑，并且是通过使用一个共同的接口来指向新创建的对象。 - - ### 工厂模式可以分为三类： @@ -26,7 +32,7 @@ - 工厂方法模式（Factory Method） - 抽象工厂模式（Abstract Factory） -简单工厂其实不是一个标准的的设计模式。GOF 23种设计模式中只有「工厂方法模式」与「抽象工厂模式」。简单工厂模式可以看为工厂方法模式的一种特例，为了统一整理学习，就都归为工厂模式。 +简单工厂其实不是一个标准的的设计模式。GOF 23 种设计模式中只有「工厂方法模式」与「抽象工厂模式」。简单工厂模式可以看为工厂方法模式的一种特例，为了统一整理学习，就都归为工厂模式。 这三种工厂模式在设计模式的分类中都属于**创建型模式**，三种模式从上到下逐步抽象。 @@ -38,7 +44,7 @@ 创建型模式隐藏了类的实例的创建细节，通过隐藏对象如何被创建和组合在一起达到使整个系统独立的目的。 -工厂模式是创建型模式中比较重要的。工厂模式的主要功能就是帮助我们实例化对象。之所以名字中包含工厂模式四个字，是因为对象的实例化过程是通过工厂实现的，是用工厂代替new操作的。 +工厂模式是创建型模式中比较重要的。工厂模式的主要功能就是帮助我们实例化对象。之所以名字中包含工厂模式四个字，是因为对象的实例化过程是通过工厂实现的，是用工厂代替 new 操作的。 ### 工厂模式优点： @@ -50,7 +56,7 @@ 不管是简单工厂模式，工厂方法模式还是抽象工厂模式，他们具有类似的特性，所以他们的适用场景也是类似的。 -首先，作为一种创建类模式，在任何需要生成**复杂对象**的地方，都可以使用工厂方法模式。有一点需要注意的地方就是复杂对象适合使用工厂模式，而简单对象，特别是只需要通过new就可以完成创建的对象，无需使用工厂模式。如果使用工厂模式，就需要引入一个工厂类，会增加系统的复杂度。 +首先，作为一种创建类模式，在任何需要生成**复杂对象**的地方，都可以使用工厂方法模式。有一点需要注意的地方就是复杂对象适合使用工厂模式，而简单对象，特别是只需要通过 new 就可以完成创建的对象，无需使用工厂模式。如果使用工厂模式，就需要引入一个工厂类，会增加系统的复杂度。 其次，工厂模式是一种典型的**解耦模式**，迪米特法则在工厂模式中表现的尤为明显。假如调用者自己组装产品需要增加依赖关系时，可以考虑使用工厂模式。将会大大降低对象之间的耦合度。 @@ -146,9 +152,7 @@ public static void main(String[] args) { - Product：抽象类产品， 它是工厂类所创建的所有对象的父类，封装了各种产品对象的公有方法，它的引入将提高系统的灵活性，使得在工厂类中只需定义一个通用的工厂方法，因为所有创建的具体产品对象都是其子类对象 - ConcreteProduct：具体产品， 它是简单工厂模式的创建目标，所有被创建的对象都充当这个角色的某个具体类的实例。它要实现抽象产品中声明的抽象方法 -#### UML类图 - -![](https://tva1.sinaimg.cn/large/00831rSTly1gcp76z5g27j30li0fpjsv.jpg) +![](https://img.starfish.ink/design-pattern/easy-factory-uml.png) #### 实例 @@ -199,7 +203,7 @@ public static void main(String[] args) { ### 1.3 简单工厂模式存在的问题 -当我们需要增加一种计算时，例如开平方。这个时候我们需要先定义一个类继承Operation类，其中实现平方的代码。除此之外我们还要修改 OperationFactory 类的代码，增加一个 case。这显然是**违背开闭原则**的。可想而知对于新产品的加入，工厂类是很被动的。 +当我们需要增加一种计算时，例如开平方。这个时候我们需要先定义一个类继承 Operation 类，其中实现平方的代码。除此之外我们还要修改 OperationFactory 类的代码，增加一个 case。这显然是**违背开闭原则**的。可想而知对于新产品的加入，工厂类是很被动的。 我们举的例子是最简单的情况。而在实际应用中，很可能产品是一个多层次的树状结构。 简单工厂可能就不太适用了。 @@ -236,7 +240,7 @@ public static void main(String[] args) { #### UML类图 -![](https://tva1.sinaimg.cn/large/00831rSTly1gcp774606hj30za0hagmu.jpg) +![](https://img.starfish.ink/design-pattern/factory-uml.png) #### 实例 @@ -371,13 +375,13 @@ public class Client { #### UML类图 -![](https://tva1.sinaimg.cn/large/00831rSTly1gcp778i6yhj31gu0u0ahy.jpg) +![](https://img.starfish.ink/design-pattern/abstract-facotry-uml.png) #### 实例 我把维基百科的例子改下用于理解，假设我们要生产两种产品，键盘（Keyboard）和鼠标（Mouse） ，每一种产品都支持多种系列，比如 Mac 系列和 Windows 系列。这样每个系列的产品分别是 MacKeyboard WinKeyboard, MacMouse, WinMouse 。为了可以在运行时刻创建一个系列的产品族，我们可以为每个系列的产品族创建一个工厂 MacFactory 和 WinFactory 。每个工厂都有两个方法 CreateMouse 和 CreateKeyboard 并返回对应的产品，可以将这两个方法抽象成一个接口 HardWare 。这样在运行时刻我们可以选择创建需要的产品系列。 -![](https://tva1.sinaimg.cn/large/00831rSTly1gcp77dgtchj31gu0u0ag5.jpg) +![](https://img.starfish.ink/design-pattern/abstract-factory-demo.png) 1. 抽象产品 @@ -499,7 +503,7 @@ public class Client { ### 3.4 抽象工厂模式总结 -抽象工厂模式是工厂方法模式的进一步延伸，由于它提供了功能更为强大的工厂类并且具备较好的可扩展性，在软件开发中得以广泛应用，尤其是在一些框架和API类库的设计中，例如在Java语言的AWT（抽象窗口工具包）中就使用了抽象工厂模式，它使用抽象工厂模式来实现在不同的操作系统中应用程序呈现与所在操作系统一致的外观界面。抽象工厂模式也是在软件开发中最常用的设计模式之一。 +抽象工厂模式是工厂方法模式的进一步延伸，由于它提供了功能更为强大的工厂类并且具备较好的可扩展性，在软件开发中得以广泛应用，尤其是在一些框架和 API 类库的设计中，例如在 Java 语言的AWT（抽象窗口工具包）中就使用了抽象工厂模式，它使用抽象工厂模式来实现在不同的操作系统中应用程序呈现与所在操作系统一致的外观界面。抽象工厂模式也是在软件开发中最常用的设计模式之一。 **优点：** @@ -539,8 +543,8 @@ public class Client { ## 参考 -https://blog.csdn.net/lovelion/article/details/17517213 +- https://blog.csdn.net/lovelion/article/details/17517213 -https://wiki.jikexueyuan.com/project/java-design-pattern/abstract-factory-pattern.html +- https://wiki.jikexueyuan.com/project/java-design-pattern/abstract-factory-pattern.html -https://blog.csdn.net/lovelion/article/details/17517213 +- https://blog.csdn.net/lovelion/article/details/17517213 diff --git a/docs/design-pattern/Observer-Pattern.md b/docs/design-pattern/Observer-Pattern.md index 883b7472f4..eac7e2d49f 100644 --- a/docs/design-pattern/Observer-Pattern.md +++ b/docs/design-pattern/Observer-Pattern.md @@ -1,4 +1,12 @@ -# 观察者模式 +--- +title: 观察者模式 +date: 2022-11-09 +tags: + - Design Patterns +categories: Design Patterns +--- + +![](https://images.unsplash.com/photo-1463310127152-33b375103141?w=1200&auto=format&fit=crop&q=60&ixlib=rb-4.0.3&ixid=M3wxMjA3fDB8MHxzZWFyY2h8MzB8fG9ic2VydmVyfGVufDB8fDB8fHww) 在软件系统中经常会有这样的需求：如果一个对象的状态发生改变，某些与它相关的对象也要随之做出相应的变化。 @@ -8,7 +16,7 @@ - 气象站可以将每天预测到的温度、湿度、气压等以公告的形式发布给各种第三方网站，如果天气数据有更新，要能够实时的通知给第三方，这里的气象局就是『被观察者』，第三方网站就是『观察者』 - MVC 模式中的模型与视图的关系也属于观察与被观察关系 -观察者模式是使用频率较高的设计模式之一。 +观察者模式是使用频率较高的设计模式之一，也被称为发布订阅模式。 ![](https://img01.sogoucdn.com/app/a/100520093/e18d20c94006dfe0-9eef65073f0f6be0-688789934e19c96097ccf76b41f77cf4.jpg) @@ -26,7 +34,7 @@ 细究的话，发布订阅和观察者有些不同，可以理解成发布订阅模式属于广义上的观察者模式。 -![img](https://tva1.sinaimg.cn/large/00831rSTly1gcyfkrn2s3j30ip0badgh.jpg) +![](https://howtodoinjava.com/wp-content/uploads/2019/01/observer-pattern.png) ## 角色 @@ -42,7 +50,7 @@ ## 类图 -![](https://tva1.sinaimg.cn/large/00831rSTly1gcxwtvpenhj311t0lnacu.jpg) +![](https://img.starfish.ink/design-patterns/observer-uml.png) 再记录下 UML 类图的注意事项，这里我的 Subject 是**抽象方法**，所以用***斜体***，抽象方法也要用斜体，具体的各种箭头意义，我之前也总结过《设计模式前传——学设计模式前你要知道这些》（被网上各种帖子毒害过的自己，认真记录~~~）。 @@ -265,6 +273,6 @@ ListenerB received ## 参考 -https://design-patterns.readthedocs.io/zh_CN/latest/behavioral_patterns/observer.html +- https://design-patterns.readthedocs.io/zh_CN/latest/behavioral_patterns/observer.html -https://www.cnblogs.com/jmcui/p/11054756.html +- https://www.cnblogs.com/jmcui/p/11054756.html diff --git a/docs/design-pattern/Project-Design.md b/docs/design-pattern/Project-Design.md new file mode 100644 index 0000000000..4827b9bc1c --- /dev/null +++ b/docs/design-pattern/Project-Design.md @@ -0,0 +1,50 @@ +### **设计实现一个支持各种算法的限流框架** + +#### **需求分析** + +- 易用性方面，我们希望限流规则的配置、编程接口的使用都很简单。我们希望提供各种不同的限流算法，比如基于内存的单机限流算法、基于 Redis 的分布式限流算法，能够让使用者自由选择。除此之外，因为大部分项目都是基于 Spring 开发的，我们还希望限流框架能否非常方便地集成到使用 Spring 框架的项目中。 + +- 扩展性、灵活性方面，我们希望能够灵活地扩展各种限流算法。同时，我们还希望支持不同格式（JSON、YAML、XML 等格式）、不同数据源（本地文件配置或 Zookeeper 集中配置等）的限流规则的配置方式。 +- 性能方面，因为每个接口请求都要被检查是否限流，这或多或少会增加接口请求的响应时间。而对于响应时间比较敏感的接口服务来说，我们要让限流框架尽可能低延迟，尽可能减少对接口请求本身响应时间的影响 +- 容错性方面，接入限流框架是为了提高系统的可用性、稳定性，不能因为限流框架的异常，反过来影响到服务本身的可用性。所以，限流框架要有高度的容错性。比如，分布式限流算法依赖集中存储器 Redis。如果 Redis 挂掉了，限流逻辑无法正常运行，这个时候业务接口也要能正常服务才行。 + +#### **设计** + +**限流规则** + +框架需要定义限流规则的语法格式，包括调用方、接口、限流阈值、时间粒度这几个元素。框架用户按照这个语法格式来配置限流规则。 + +```yaml +configs: + - appId: app-1 + limits: + - api: /v1/user + limit: 100 + unit：60 + - api: /v1/order + limit: 50 + - appId: app-2 + limits: + - api: /v1/user + limit: 50 + - api: /v1/order + limit: 50 +``` + +**限流算法** + +常见的限流算法有：固定时间窗口限流算法、滑动时间窗口限流算法、令牌桶限流算法、漏桶限流算法。其中，固定时间窗口限流算法最简单。我们只需要选定一个起始时间起点，之后每来一个接口请求，我们都给计数器（记录当前时间窗口内的访问次数）加一，如果在当 + +前时间窗口内，根据限流规则（比如每秒钟最大允许 100 次接口请求），累加访问次数超过限流值（比如 100 次），就触发限流熔断，拒绝接口请求。当进入下一个时间窗口之后，计数器清零重新计数。 + +不过，固定时间窗口的限流算法的缺点也很明显。这种算法的限流策略过于粗略，无法应对两个时间窗口临界时间内的突发流量。 + +**限流模式** + +我们把限流模式分为两种：单机限流和分布式限流。 + +所谓单机限流，就是针对单个实例的访问频率进行限制。注意这里的单机并不是真的一台物理机器，而是一个服务实例，因为有可能一台物理机器部署多个实例。所谓的分布式限流，就是针对某个服务的多个实例的总的访问频率进行限制。 + +**集成使用** + +因为框架是需要集成到应用中使用的，我们希望框架尽可能低侵入，与业务代码松耦合，替换、删除起来也更容易些。 \ No newline at end of file diff --git a/docs/design-pattern/Prototype-Pattern.md b/docs/design-pattern/Prototype-Pattern.md index bab5977db8..09689e97c5 100644 --- a/docs/design-pattern/Prototype-Pattern.md +++ b/docs/design-pattern/Prototype-Pattern.md @@ -1,12 +1,18 @@ -# 从原型模型到浅拷贝和深拷贝 +--- +title: 从原型模型到浅拷贝和深拷贝 +date: 2023-09-12 +tags: + - Design Pattern +categories: Design Pattern +--- -## 问题 +![](https://img.starfish.ink/design-pattern/banner-prototype.jpg) > 如果你有一个对象， 并希望生成与其完全相同的一个复制品， 你该如何实现呢？ > > 首先， 你必须新建一个属于相同类的对象。 然后， 你必须遍历原始对象的所有成员变量， 并将成员变量值复制到新对象中。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1ghc9zjhrg7j30b4061glx.jpg) +![](https://img.starfish.ink/design-pattern/format.png) ```java for (int i = 0; i < 10; i++) { @@ -35,7 +41,7 @@ for (int i = 0; i < 10; i++) { ### 类图 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1ghcc24lo53j30ze0i20ud.jpg) +![](https://img.starfish.ink/design-pattern/prototype-UML.png) - Prototype : **原型** （Prototype） 接口将对克隆方法进行声明 @@ -83,8 +89,6 @@ class Sheep implements Cloneable { 按业务的不同实现不同的原型对象，假设现在主角是王二小，羊群里有山羊、绵羊一大群 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1ghckw0rdprj305005i746.jpg) - ```java public class Goat extends Sheep{ public void graze() { @@ -189,7 +193,7 @@ public class Client { 感兴趣的同学可以深入源码看下具体的实现，在 AbstractBeanFactory 的 `doGetBean()` 方法中 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1ghcodcuwidj324y0qiwrs.jpg) +![](https://img.starfish.ink/design-pattern/prototype-demo-doGetBean.png) diff --git a/docs/design-pattern/Proxy-Pattern.md b/docs/design-pattern/Proxy-Pattern.md index 10554bdfe4..75835d7611 100644 --- a/docs/design-pattern/Proxy-Pattern.md +++ b/docs/design-pattern/Proxy-Pattern.md @@ -1,6 +1,12 @@ -# 代理模式 +--- +title: 代理模式 +date: 2023-09-12 +tags: + - Design Pattern +categories: Design Pattern +--- -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gg0b3ynhb0j31900u0b29.jpg) +![](https://cdn.pixabay.com/photo/2019/11/12/09/03/proxy-4620557_1280.jpg) ## 基本介绍 @@ -20,7 +26,7 @@ 为什么要控制对于某个对象的访问呢？ 举个例子： 有这样一个消耗大量系统资源的巨型对象， 你只是偶尔需要使用它， 并非总是需要。 -![图：refactoringguru.cn](https://tva1.sinaimg.cn/large/007S8ZIlly1gg0b594jl2j30e604gdfw.jpg) +![img](https://static001.geekbang.org/infoq/4e/4e2863150390d43ec414a4102a9a1e69.jpeg?x-oss-process=image%2Fresize%2Cp_80%2Fauto-orient%2C1) @@ -34,7 +40,7 @@ 代理模式建议新建一个与原服务对象接口相同的代理类， 然后更新应用以将代理对象传递给所有原始对象客户端。 代理类接收到客户端请求后会创建实际的服务对象， 并将所有工作委派给它。 -![图：refactoringguru.cn](https://tva1.sinaimg.cn/large/007S8ZIlly1gg0b5d5zc6j30e604gmx8.jpg) +![img](https://static001.geekbang.org/infoq/86/864c66131785654125df50bee958952b.jpeg?x-oss-process=image%2Fresize%2Cp_80%2Fauto-orient%2C1) 代理将自己伪装成数据库对象， 可在客户端或实际数据库对象不知情的情况下处理延迟初始化和缓存查询结果的工作。 @@ -44,7 +50,7 @@ ## 代理模式结构 -![图：refactoringguru.cn](https://tva1.sinaimg.cn/large/007S8ZIlly1gg0b5gg8kij30aa0aa3yf.jpg) +![img](https://static001.geekbang.org/infoq/5e/5ef204c0c80b74e3366945a7af856079.jpeg?x-oss-process=image%2Fresize%2Cp_80%2Fauto-orient%2C1) 1. **服务接口** （Service Interface） 声明了服务接口。 代理必须遵循该接口才能伪装成服务对象。 2. **服务** （Service） 类提供了一些实用的业务逻辑。 @@ -402,7 +408,7 @@ Spring AOP 采用的是动态代理，在运行期间对业务方法进行增强 默认情况下，Spring 对实现了接口的类使用 JDK Proxy 方式，否则的话使用 CGLib。不过可以通过配置指定 Spring AOP 都通过 CGLib 来生成代理类。 -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20201009104733.png) +![](https://img.starfish.ink/design-patterns/spring-aop-proxy.png) 具体逻辑在 `org.springframework.aop.framework.DefaultAopProxyFactory` 类中，使用哪种方式生成由`AopProxy` 根据 `AdvisedSupport` 对象的配置来决定源码如下： @@ -436,6 +442,6 @@ public class DefaultAopProxyFactory implements AopProxyFactory, Serializable { ## 参考与感谢 -https://refactoringguru.cn/design-patterns/proxy +- https://refactoringguru.cn/design-patterns/proxy -https://www.geeksforgeeks.org/proxy-design-pattern/ \ No newline at end of file +- https://www.geeksforgeeks.org/proxy-design-pattern/ \ No newline at end of file diff --git a/docs/design-pattern/Singleton-Pattern.md b/docs/design-pattern/Singleton-Pattern.md index e978fd06dc..a78b14b418 100644 --- a/docs/design-pattern/Singleton-Pattern.md +++ b/docs/design-pattern/Singleton-Pattern.md @@ -1,4 +1,12 @@ -# 单例模式——独一无二的对象 +--- +title: 单例模式——独一无二的对象 +date: 2023-09-12 +tags: + - Design Pattern +categories: Design Pattern +--- + +![](https://img.starfish.ink/design-pattern/banner-singleton.jpg) > 面试官：带笔了吧，那写两种单例模式的实现方法吧 > @@ -7,8 +15,6 @@ > 面试官：你这个是怎么保证线程安全的，那你知道，volatile 关键字? 类加载器？锁机制？？？？ > 点赞+收藏 就学会系列，文章收录在 GitHub [JavaKeeper](https://github.com/Jstarfish/JavaKeeper) ，N线互联网开发必备技能兵器谱 - - ![](https://i01piccdn.sogoucdn.com/d4a728c10d74ab67) 单例模式，从我看 《Java 10分钟入门》那天就听过的一个设计模式，还被面试过好几次的设计模式问题，今天一网打尽~~ @@ -23,10 +29,20 @@ ## 单例模式的类图 -![](https://tva1.sinaimg.cn/large/006tNbRwly1gbjeonzilrj309u064t93.jpg) +![](https://img.starfish.ink/design-pattern/singleton-class.png) ## 单例模式的实现 +> 要实现一个单例，我们需要关注的点无外乎下面几个: +> +> - 构造函数需要是 private 访问权限的，这样才能避免外部通过 new 创建实例; +> +> - 考虑对象创建时的线程安全问题; +> +> - 考虑是否支持延迟加载; +> +> - 考虑 getInstance() 性能是否高(是否加锁)。 + ### 饿汉式 - static 变量在类装载的时候进行初始化 @@ -49,15 +65,21 @@ public class Singleton { } ``` -饿汉式是线程安全的，JVM在加载类时马上创建唯一的实例对象，且只会装载一次。 +饿汉式是线程安全的，JVM 在加载类时马上创建唯一的实例对象，且只会装载一次。 Java 实现的单例是一个虚拟机的范围，因为装载类的功能是虚拟机的，所以一个虚拟机通过自己的ClassLoader 装载饿汉式实现单例类的时候就会创建一个类实例。（如果一个虚拟机里有多个ClassLoader的话，就会有多个实例） +> JDK 中，`java.lang.Runtime` 就是经典的单例模式（饿汉式） +> +> ![](https://img.starfish.ink/design-pattern/singleton-runtime.png) + + + ### 懒汉式 懒汉式，就是实例在用到的时候才去创建，比较“懒” -单例模式的懒汉式实现方式体现了延迟加载的思想（延迟加载也称懒加载Lazy Load，就是一开始不要加载资源或数据，等到要使用的时候才加载） +单例模式的懒汉式实现方式体现了**延迟加载**的思想（延迟加载也称懒加载 Lazy Load，就是一开始不要加载资源或数据，等到要使用的时候才加载） #### 同步方法 @@ -77,7 +99,7 @@ public class Singleton { } ``` - +饿汉式不支持延迟加载，懒汉式有性能问题，不支持高并发。所以就有了双重检测实现方式。 #### 双重检查加锁 @@ -106,13 +128,13 @@ Double-Check 概念（进行两次检查）是多线程开发中经常使用的 双重检查加锁（double checked locking）线程安全、延迟加载、效率比较高 -**volatile**：volatile一般用于多线程的可见性，这里用来防止**指令重排**（防止new Singleton时指令重排序导致其他线程获取到未初始化完的对象）。被volatile 修饰的变量的值，将不会被本地线程缓存，所有对该变量的读写都是直接操作共享内存，从而确保多个线程能正确的处理该变量。 +**volatile**：volatile一般用于多线程的可见性，这里用来防止**指令重排**（防止 `new Singleton` 时指令重排序导致其他线程获取到未初始化完的对象）。被volatile 修饰的变量的值，将不会被本地线程缓存，所有对该变量的读写都是直接操作共享内存，从而确保多个线程能正确的处理该变量。 ##### 指令重排 -指令重排是指在程序执行过程中, 为了性能考虑, 编译器和CPU可能会对指令重新排序。 +指令重排是指在程序执行过程中, 为了性能考虑, 编译器和 CPU 可能会对指令重新排序。 -Java中创建一个对象，往往包含三个过程。对于singleton = new Singleton()，这不是一个原子操作，在 JVM 中包含如下三个过程。 +Java 中创建一个对象，往往包含三个过程。对于 `singleton = new Singleton()`，这不是一个原子操作，在 JVM 中包含如下三个过程。 1. 给 singleton 分配内存 @@ -120,7 +142,7 @@ Java中创建一个对象，往往包含三个过程。对于singleton = new Sin 3. 将 singleton 对象指向分配的内存空间（执行完这步 singleton才是非 null 了） -但是，由于JVM会进行指令重排序，所以上面的第二步和第三步的顺序是不能保证的，最终的执行顺序可能是 1-2-3，也可能是 1-3-2。如果是 1-3-2，则在 3 执行完毕，2 未执行之前，被另一个线程抢占了，这时 instance 已经是非 null 了（但却没有初始化），所以这个线程会直接返回 instance，然后使用，那肯定就会报错了，所以要加入 volatile关键字。 +但是，由于 JVM 会进行指令重排序，所以上面的第二步和第三步的顺序是不能保证的，最终的执行顺序可能是 1-2-3，也可能是 1-3-2。如果是 1-3-2，则在 3 执行完毕，2 未执行之前，被另一个线程抢占了，这时 instance 已经是非 null 了（但却没有初始化），所以这个线程会直接返回 instance，然后使用，那肯定就会报错了，所以要加入 volatile关键字。 @@ -143,9 +165,9 @@ public class Singleton { 采用类加载的机制来保证初始化实例时只有一个线程； -静态内部类方式在Singleton 类被装载的时候并不会立即实例化，而是在调用getInstance的时候，才去装载内部类SingletonInstance ,从而完成Singleton的实例化 +静态内部类方式在 Singleton 类被装载的时候并不会立即实例化，而是在调用 getInstance 的时候，才去装载内部类 SingletonInstance ,从而完成 Singleton 的实例化 -类的静态属性只会在第一次加载类的时候初始化，所以，JVM帮我们保证了线程的安全性，在类初始化时，其他线程无法进入 +类的静态属性只会在第一次加载类的时候初始化，所以，JVM 帮我们保证了线程的安全性，在类初始化时，其他线程无法进入 优点：线程安全，利用静态内部类实现延迟加载，效率较高，推荐使用 @@ -158,17 +180,9 @@ enum Singleton{ } ``` -借助JDK5 添加的枚举实现单例，不仅可以避免多线程同步问题，还能防止反序列化重新创建新的对象，但是在枚举中的其他任何方法的线程安全由程序员自己负责。还有防止上面的通过反射机制调用私用构造器。不过，由于Java1.5中才加入enum特性，所以使用的人并不多。 - -这种方式是《Effective Java》 作者Josh Bloch 提倡的方式。 - - - -## 单例模式在JDK 中的源码分析 - -JDK 中，`java.lang.Runtime` 就是经典的单例模式（饿汉式） +借助 JDK5 添加的枚举实现单例，不仅可以避免多线程同步问题，还能防止反序列化重新创建新的对象，但是在枚举中的其他任何方法的线程安全由程序员自己负责。还有防止上面的通过反射机制调用私用构造器。 -![](https://tva1.sinaimg.cn/large/006tNbRwly1gbig3eaoe8j31al0u0qg5.jpg) +这种方式是《Effective Java》 作者 Josh Bloch 提倡的方式。 diff --git a/docs/design-pattern/Spring-Design.md b/docs/design-pattern/Spring-Design.md new file mode 100644 index 0000000000..4b9b73dae3 --- /dev/null +++ b/docs/design-pattern/Spring-Design.md @@ -0,0 +1,867 @@ +在 Java 世界里，Spring 框架已经几乎成为项目开发的必备框架。 + + + +第一部分，我们讲解 Spring 框架中蕴含的经典设计思想或原则。 + +第二部分，我们讲解 Spring 框架中用来支持扩展的两种设计模式。 + +第三部分，我们总结罗列 Spring 框架中用到的其他十几种设计模式。 + + + +Spring 框架背后的一些经典设计思想（或开发技巧）。 + +约定大于配置、低侵入松耦合、模块化轻量级等 + +**1.** **约定优于配置** + +基于约定的配置方式，也常叫作“约定优于配置”或者“规约优于配置”（Convention over Configuration）。通过约定的代码结构或者命名来减少配置。说直白点，就是提供配置的默认值，优先使用默认值。程序员只需要设置那些偏离约定的配置就可以了。 + +比如，在 Spring JPA（基于 ORM 框架、JPA 规范的基础上，封装的一套 JPA 应用框架）中，我们约定类名默认跟表名相同，属性名默认跟表字段名相同，String 类型对应数据库中的 varchar 类型，long 类型对应数据库中的 bigint 类型等等 + +**2.** **低侵入、松耦合** + +框架的侵入性是衡量框架好坏的重要指标。所谓低侵入指的是，框架代码很少耦合在业务代码中。低侵入意味着，当我们要替换一个框架的时候，对原有的业务代码改动会很少。 + +Spring 提供的 IOC 容器，在不需要 Bean 继承任何父类或者实现任何接口的情况下，仅仅通过配置，就能将它们纳入进 Spring 的管理中。如果我们换一个 IOC 容器，也只是重新配置一下就可以了，原有的 Bean 都不需要任何修改。 + +除此之外，Spring 提供的 AOP 功能，也体现了低侵入的特性。在项目中，对于非业务功能，比如请求日志、数据采点、安全校验、事务等等，我们没必要将它们侵入进业务代码中。因为一旦侵入，这些代码将分散在各个业务代码中，删除、修改的成本就变得很高。而基于 AOP 这种开发模式，将非业务代码集中放到切面中，删除、修改的成本就变得很低了 + +**3.** **模块化、轻量级** + +每个模块都只负责一个相对独立的功能。模块之间关系，仅有上层对下层的依赖关系，而同层之间以及下层对上层，几乎没有依赖和耦合。 + +**4.** **再封装、再抽象** + +Spring 不仅仅提供了各种 Java 项目开发的常用功能模块，而且还对市面上主流的中间件、系统的访问类库，做了进一步的封装和抽象，提供了更高层次、更统一的访问接口。 + +比如，Spring 提供了 spring-data-redis 模块，对 Redis Java 开发类库（比如 Jedis、Lettuce）做了进一步的封装，适配 Spring 的访问方式，让编程访问 Redis 更加简单。 + + + + + +### **观察者模式在** **Spring** **中的应用** + +Spring 中实现的观察者模式包含三部分：Event 事件（相当于消息）、Listener 监听者（相当于观察者）、Publisher 发送者（相当于被观察者） + +```java +// Event事件 +public class DemoEvent extends ApplicationEvent { + private String message; + + public DemoEvent(Object source, String message) { + super(source); + } + + public String getMessage() { + return this.message; + } +} +``` + +```java +// Listener监听者 +@Component +public class DemoListener implements ApplicationListener { + @Override + public void onApplicationEvent(DemoEvent demoEvent) { + String message = demoEvent.getMessage(); + System.out.println(message); + } +} +``` + +```java +// Publisher发送者 +@Component +public class DemoPublisher { + @Autowired + private ApplicationContext applicationContext; + + public void publishEvent(DemoEvent demoEvent) { + this.applicationContext.publishEvent(demoEvent); + } +} +``` + +从代码中，我们可以看出，框架使用起来并不复杂，主要包含三部分工作： + +- 定义一个继承 ApplicationEvent 的事件（DemoEvent）； +- 定义一个实现了 ApplicationListener 的监听器（DemoListener）； +- 定义一个发送者（DemoPublisher），发送者调用 ApplicationContext 来发送事件消息。 + +其中，ApplicationEvent 和 ApplicationListener 的代码实现都非常简单，内部并不包含太多属性和方法。实际上，它们最大的作用是做类型标识之用（继承自 ApplicationEvent 的类是事件，实现 ApplicationListener 的类是监听器）。 + +```java +public abstract class ApplicationEvent extends EventObject { + private static final long serialVersionUID = 7099057708183571937L; + private final long timestamp = System.currentTimeMillis(); + + public ApplicationEvent(Object source) { + super(source); + } + + public final long getTimestamp() { + return this.timestamp; + } +} + +public class EventObject implements java.io.Serializable { + private static final long serialVersionUID = 5516075349620653480L; + protected transient Object source; + + public EventObject(Object source) { + if (source == null) + throw new IllegalArgumentException("null source"); + this.source = source; + } + + public Object getSource() { + return source; + } + + public String toString() { + return getClass().getName() + "[source=" + source + "]"; + } +} + +public interface ApplicationListener extends Event + void onApplicationEvent(E var1); +} +``` + +观察者需要事先注册到被观察者（JDK 的实现方式）或者事件总线（EventBus 的实现方式）中。那在 Spring 的实现中，观察者注册到 + +了哪里呢？又是如何注册的呢？ + +我们把观察者注册到了 ApplicationContext 对象中。这里的ApplicationContext 就相当于 Google EventBus 框架中的“事件总线”。不过，稍微提醒一下，ApplicationContext 这个类并不只是为观察者模式服务的。它底层依赖 BeanFactory（IOC 的主要实现类），提供应用启动、运行时的上下文信息，是访问这些信息的最顶层接口。 + +实际上，具体到源码来说，ApplicationContext 只是一个接口，具体的代码实现包含在它的实现类 AbstractApplicationContext 中。我把跟观察者模式相关的代码，摘抄到了下面。你只需要关注它是如何发送事件和注册监听者就好，其他细节不需要细究 + +```java +public abstract class AbstractApplicationContext extends ... { + private final Set> applicationListeners; + + public AbstractApplicationContext() { + this.applicationListeners = new LinkedHashSet(); + //... + } + + public void publishEvent(ApplicationEvent event) { + this.publishEvent(event, (ResolvableType)null); + } + + public void publishEvent(Object event) { + this.publishEvent(event, (ResolvableType)null); + } + + protected void publishEvent(Object event, ResolvableType eventType) { + //... + Object applicationEvent; + if (event instanceof ApplicationEvent) { + applicationEvent = (ApplicationEvent)event; + } else { + applicationEvent = new PayloadApplicationEvent(this, event); + if (eventType == null) { + eventType = ((PayloadApplicationEvent)applicationEvent).getResolvableTy + } + } + + if (this.earlyApplicationEvents != null) { + this.earlyApplicationEvents.add(applicationEvent); + } else { + this.getApplicationEventMulticaster().multicastEvent( + (ApplicationEvent)applicationEvent, eventType); + } + + if (this.parent != null) { + if (this.parent instanceof AbstractApplicationContext) { + ((AbstractApplicationContext)this.parent).publishEvent(event, eventType + } else { + this.parent.publishEvent(event); + } + } + } + + public void addApplicationListener(ApplicationListener listener) { + Assert.notNull(listener, "ApplicationListener must not be null"); + if (this.applicationEventMulticaster != null) { + this.applicationEventMulticaster.addApplicationListener(listener); + } else { + this.applicationListeners.add(listener); + } + } + + public Collection> getApplicationListeners() { + return this.applicationListeners; + } + + protected void registerListeners() { + Iterator var1 = this.getApplicationListeners().iterator(); + + while(var1.hasNext()) { + ApplicationListener listener = (ApplicationListener)var1.next(); t + } + + String[] listenerBeanNames = this.getBeanNamesForType(ApplicationListener.c + String[] var7 = listenerBeanNames; + int var3 = listenerBeanNames.length; + + for(int var4 = 0; var4 < var3; ++var4) { + String listenerBeanName = var7[var4]; + this.getApplicationEventMulticaster().addApplicationListenerBean(listene + } + + Set earlyEventsToProcess = this.earlyApplicationEvents; + this.earlyApplicationEvents = null; + if (earlyEventsToProcess != null) { + Iterator var9 = earlyEventsToProcess.iterator(); + + while(var9.hasNext()) { + ApplicationEvent earlyEvent = (ApplicationEvent)var9.next(); + this.getApplicationEventMulticaster().multicastEvent(earlyEvent); + } + } + } +} +``` + +从上面的代码中，我们发现，真正的消息发送，实际上是通过 ApplicationEventMulticaster 这个类来完成的。这个类的源码我只摘抄了最关键的一部分，也就是 multicastEvent() 这个消息发送函数。不过，它的代码也并不复杂，我就不多解释了。这里我稍微提示一下，它通过线程池，支持异步非阻塞、同步阻塞这两种类型的观察者模式。 + +借助 Spring 提供的观察者模式的骨架代码，如果我们要在 Spring 下实现某个事件的发送和监听，只需要做很少的工作，定义事件、定义监听器、往 ApplicationContext 中发送事件就可以了，剩下的工作都由 Spring 框架来完成。实际上，这也体现了 Spring 框架的扩展性，也就是在不需要修改任何代码的情况下，扩展新的事件和监听。 + + + +### **模板模式在** **Spring** 中的应用 + +我们来看下一下经常在面试中被问到的一个问题：请你说下 Spring Bean 的创建过程包含哪些主要的步骤。这其中就涉及模板模式。它也体现了 Spring 的扩展性。利用模板模式，Spring 能让用户定制 Bean 的创建过程。 + +Spring Bean 的创建过程，可以大致分为两大步：对象的创建和对象的初始化。 + +对象的创建是通过反射来动态生成对象，而不是 new 方法。不管是哪种方式，说白了，总归还是调用构造函数来生成对象，没有什么特殊的。 + +对象的初始化有两种实现方式。一种是在类中自定义一个初始化函数，并且通过配置文件，显式地告知 Spring，哪个函数是初始化函数。我举了一个例子解释一下。如下所示，在配置文件中，我们通过 init-method 属性来指定初始化函数。 + +```java +public class DemoClass { + //... + public void initDemo() { + //...初始化.. + } +} +``` + +```xml +// 配置：需要通过init-method显式地指定初始化方法 + +``` + +这种初始化方式有一个缺点，初始化函数并不固定，由用户随意定义，这就需要 Spring 通过反射，在运行时动态地调用这个初始化函数。而反射又会影响代码执行的性能，那有没有替代方案呢？ + +Spring 提供了另外一个定义初始化函数的方法，那就是让类实现 Initializingbean 接口。这个接口包含一个固定的初始化函数定义（afterPropertiesSet() 函数）。Spring 在初始化 Bean 的时候，可以直接通过 bean.afterPropertiesSet() 的方式，调用 Bean 对象上的 + +这个函数，而不需要使用反射来调用了。我举个例子解释一下，代码如下所示。 + +```java +public class DemoClass implements InitializingBean{ + @Override + public void afterPropertiesSet() throws Exception { + //...初始化... + } +} +``` + +```xml +// 配置：不需要显式地指定初始化方法 + +``` + +尽管这种实现方式不会用到反射，执行效率提高了，但业务代码（DemoClass）跟框架代码（InitializingBean）耦合在了一起。框架代码侵入到了业务代码中，替换框架的成本就变高了。所以，并不是太推荐这种写法。 + +实际上，Spring 针对对象的初始化过程，还做了进一步的细化，将它拆分成了三个小步骤：初始化前置操作、初始化、初始化后置操作。其中，中间的初始化操作就是我们刚刚讲的那部分，初始化的前置和后置操作，定义在接口 BeanPostProcessor 中。 + +BeanPostProcessor 的接口定义如下所示 + +```java +public interface BeanPostProcessor { + + @Nullable + default Object postProcessBeforeInitialization(Object bean, String beanName) throws BeansException { + return bean; + } + + @Nullable + default Object postProcessAfterInitialization(Object bean, String beanName) throws BeansException { + return bean; + } + +} +``` + +我们再来看下，如何通过 BeanPostProcessor 来定义初始化前置和后置操作？ + +我们只需要定义一个实现了 BeanPostProcessor 接口的处理器类，并在配置文件中像配置普通 Bean 一样去配置就可以了。Spring 中的 ApplicationContext 会自动检测在配置文件中实现了 BeanPostProcessor 接口的所有 Bean，并把它们注册到 BeanPostProcessor + +处理器列表中。在 Spring 容器创建 Bean 的过程中，Spring 会逐一去调用这些处理器。 + +通过上面的分析，我们基本上弄清楚了 Spring Bean 的整个生命周期（创建加销毁）。针对这个过程，我画了一张图，你可以结合着刚刚讲解一块看下 + +![](/Users/starfish/Documents/截图/截屏2025-01-02 14.37.01.png) + +不过，你可能会说，这里哪里用到了模板模式啊？模板模式不是需要定义一个包含模板方法的抽象模板类，以及定义子类实现模板方法吗？ + +实际上，这里的模板模式的实现，并不是标准的抽象类的实现方式，而是有点类似我们前面讲到的 Callback 回调的实现方式，也就是将要执行的函数封装成对象（比如，初始化方法封装成 InitializingBean 对象），传递给模板（BeanFactory）来执行 + + + +### 适配器模式在 **Spring** **中的应用** + +在 Spring MVC 中，定义一个 Controller 最常用的方式是，通过 @Controller 注解来标记某个类是 Controller 类，通过 @RequesMapping 注解来标记函数对应的 URL。不过，定义一个 Controller 远不止这一种方法。我们还可以通过让类实现 Controller 接口或者 Servlet 接口，来定义一个 Controller。针对这三种定义方式，我写了三段示例代码，如下所示： + +```java +// 方法一：通过@Controller、@RequestMapping来定义 +@Controller +public class DemoController { + @RequestMapping("/employname") + public ModelAndView getEmployeeName() { + ModelAndView model = new ModelAndView("Greeting"); + model.addObject("message", "Dinesh"); + return model; + } +} + +// 方法二：实现Controller接口 + xml配置文件:配置DemoController与URL的对应关系 +public class DemoController implements Controller { + @Override + public ModelAndView handleRequest(HttpServletRequest req, HttpServletRespon + ModelAndView model = new ModelAndView("Greeting"); + model.addObject("message", "Dinesh Madhwal"); + return model; + } +} + +// 方法三：实现Servlet接口 + xml配置文件:配置DemoController类与URL的对应关系 +public class DemoServlet extends HttpServlet { + @Override + protected void doGet(HttpServletRequest req, HttpServletResponse resp) throws + this.doPost(req, resp); + } + + @Override + protected void doPost(HttpServletRequest req, HttpServletResponse resp) throw + resp.getWriter().write("Hello World."); + } +} +``` + +在应用启动的时候，Spring 容器会加载这些 Controller 类，并且解析出 URL 对应的处理函数，封装成 Handler 对象，存储到 HandlerMapping 对象中。当有请求到来的时候，DispatcherServlet 从 HanderMapping 中，查找请求 URL 对应的 Handler，然后调用执行 Handler 对应的函数代码，最后将执行结果返回给客户端。 + +但是，不同方式定义的 Controller，其函数的定义（函数名、入参、返回值等）是不统一的。如上示例代码所示，方法一中的函数的定义很随意、不固定，方法二中的函数定义是handleRequest()、方法三中的函数定义是 service()（看似是定义了 doGet()、doPost()， + +实际上，这里用到了模板模式，Servlet 中的 service() 调用了 doGet() 或 doPost() 方法，DispatcherServlet 调用的是 service() 方法）。DispatcherServlet 需要根据不同类型的Controller，调用不同的函数。下面是具体的伪代码： + +```java +Handler handler = handlerMapping.get(URL); + if (handler instanceof Controller) { + ((Controller)handler).handleRequest(...); + } else if (handler instanceof Servlet) { + ((Servlet)handler).service(...); + } else if (hanlder 对应通过注解来定义的Controller) { + 反射调用方法... + } +``` + +从代码中我们可以看出，这种实现方式会有很多 if-else 分支判断，而且，如果要增加一个新的 Controller 的定义方法，我们就要在 DispatcherServlet 类代码中，对应地增加一段如上伪代码所示的 if 逻辑。这显然不符合开闭原则 + +实际上，我们可以利用是适配器模式对代码进行改造，让其满足开闭原则，能更好地支持扩赞。 + +适配器其中一个作用是“统一多个类的接口设计”。利用适配器模式，我们将不同方式定义的 Controller 类中的函数，适配为统一的函数定义。这样，我们就能在 DispatcherServlet 类代码中，移除掉 if-else 分支判断逻辑，调用统一的函数。 + +刚刚讲了大致的设计思路，我们再具体看下 Spring 的代码实现。 + +Spring 定义了统一的接口 HandlerAdapter，并且对每种 Controller 定义了对应的适配器类。这些适配器类包括：AnnotationMethodHandlerAdapter、SimpleControllerHandlerAdapter、SimpleServletHandlerAdapter 等。源码我贴到了 + +下面，你可以结合着看下 + +```java +public interface HandlerAdapter { + boolean supports(Object var1); + + ModelAndView handle(HttpServletRequest var1, HttpServletResponse var2, Object + + long getLastModified(HttpServletRequest var1, Object var2); +} + +// 对应实现Controller接口的Controller +public class SimpleControllerHandlerAdapter implements HandlerAdapter { + public SimpleControllerHandlerAdapter() { + } + + public boolean supports(Object handler) { + return handler instanceof Controller; + } + + public ModelAndView handle(HttpServletRequest request, HttpServletResponse re + return ((Controller)handler).handleRequest(request, response); + } + + public long getLastModified(HttpServletRequest request, Object handler) { + return handler instanceof LastModified ? ((LastModified)handler).getLastMod + } +} + +// 对应实现Servlet接口的Controller +public class SimpleServletHandlerAdapter implements HandlerAdapter { + public SimpleServletHandlerAdapter() { + } + + public boolean supports(Object handler) { + return handler instanceof Servlet; + } + + public ModelAndView handle(HttpServletRequest request, HttpServletResponse re + ((Servlet)handler).service(request, response); + return null; + } + + public long getLastModified(HttpServletRequest request, Object handler) { + return -1L; + } +} + +//AnnotationMethodHandlerAdapter对应通过注解实现的Controller， +//代码太多了，我就不贴在这里了 +``` + +在 DispatcherServlet 类中，我们就不需要区分对待不同的 Controller 对象了，统一调用 HandlerAdapter 的 handle() 函数就可以了。按照这个思路实现的伪代码如下所示。你看，这样就没有烦人的 if-else 逻辑了吧？ + +```java +// 之前的实现方式 +Handler handler = handlerMapping.get(URL); +if (handler instanceof Controller) { + ((Controller)handler).handleRequest(...); +} else if (handler instanceof Servlet) { + ((Servlet)handler).service(...); +} else if (hanlder 对应通过注解来定义的Controller) { + 反射调用方法... +} + +// 现在实现方式 +HandlerAdapter handlerAdapter = handlerMapping.get(URL); +handlerAdapter.handle(...); +``` + + + +### **策略模式在** **Spring** 中的应用 + +Spring AOP 是通过动态代理来实现的。具体到代码实现，Spring 支持两种动态代理实现方式，一种是 JDK 提供的动态代理实现方式，另一种是 Cglib 提供的动态代理实现方式。 + +前者需要被代理的类有抽象的接口定义，后者不需要。针对不同的被代理类，Spring 会在运行时动态地选择不同的动态代理实现方式。这个应用场景实际上就是策略模式的典型应用场景。 + +策略模式包含三部分，策略的定义、创建和使用。接下来，我们具体看下，这三个部分是如何体现在 Spring 源码中的。 + +在策略模式中，策略的定义这一部分很简单。我们只需要定义一个策略接口，让不同的策略类都实现这一个策略接口。对应到 Spring 源码，AopProxy 是策略接口，JdkDynamicAopProxy、CglibAopProxy 是两个实现了 AopProxy 接口的策略类。其中，AopProxy 接口的定义如下所示： + +```java +public interface AopProxy { + + Object getProxy(); + + Object getProxy(@Nullable ClassLoader classLoader); + +} +``` + +在策略模式中，策略的创建一般通过工厂方法来实现。对应到 Spring 源码，AopProxyFactory 是一个工厂类接口，DefaultAopProxyFactory 是一个默认的工厂类，用来创建 AopProxy 对象。两者的源码如下所示： + +```java +public interface AopProxyFactory { + AopProxy createAopProxy(AdvisedSupport var1) throws AopConfigException; +} + +public class DefaultAopProxyFactory implements AopProxyFactory, Serializable { + + private static final long serialVersionUID = 7930414337282325166L; + + + @Override + public AopProxy createAopProxy(AdvisedSupport config) throws AopConfigException { + if (!NativeDetector.inNativeImage() && + (config.isOptimize() || config.isProxyTargetClass() || hasNoUserSuppliedProxyInterfaces(config))) { + Class targetClass = config.getTargetClass(); + if (targetClass == null) { + throw new AopConfigException("TargetSource cannot determine target class: " + + "Either an interface or a target is required for proxy creation."); + } + if (targetClass.isInterface() || Proxy.isProxyClass(targetClass) || ClassUtils.isLambdaClass(targetClass)) { + return new JdkDynamicAopProxy(config); + } + return new ObjenesisCglibAopProxy(config); + } + else { + return new JdkDynamicAopProxy(config); + } + } + + /** + * 用来判断用哪个动态代理实现方式 + * Determine whether the supplied {@link AdvisedSupport} has only the + * {@link org.springframework.aop.SpringProxy} interface specified + * (or no proxy interfaces specified at all). + */ + private boolean hasNoUserSuppliedProxyInterfaces(AdvisedSupport config) { + Class[] ifcs = config.getProxiedInterfaces(); + return (ifcs.length == 0 || (ifcs.length == 1 && SpringProxy.class.isAssignableFrom(ifcs[0]))); + } + +} +``` + + + +### **组合模式在** **Spring** 中的应用 + +Spring Cache 提供了一套抽象的 Cache 接口。使用它我们能够 统一不同缓存实现（Redis、Google Guava…）的不同的访问方式。Spring 中针对不同缓存实现的不同缓存访问类，都依赖这个接口，比如：EhCacheCache、GuavaCache、NoOpCache、 + +RedisCache、JCacheCache、ConcurrentMapCache、CaffeineCache。Cache 接口的源码如下所示： + +```java +public interface Cache { + String getName(); + Object getNativeCache(); + Cache.ValueWrapper get(Object var1); + T get(Object var1, Class var2); + T get(Object var1, Callable var2); + void put(Object var1, Object var2); + Cache.ValueWrapper putIfAbsent(Object var1, Object var2); + void evict(Object var1); + void clear(); + + public static class ValueRetrievalException extends RuntimeException { + private final Object key; + + public ValueRetrievalException(Object key, Callable loader, Throwable ex) { + super(String.format("Value for key '%s' could not be loaded using '%s'", key, loader)); + this.key = key; + } + + public Object getKey() { + return this.key; + } + } + + public interface ValueWrapper { + Object get(); + } +} +``` + +在实际的开发中，一个项目有可能会用到多种不同的缓存，比如既用到 Google Guava 缓存，也用到 Redis 缓存。除此之外，同一个缓存实例，也可以根据业务的不同，分割成多个小的逻辑缓存单元（或者叫作命名空间）。 + +为了管理多个缓存，Spring 还提供了缓存管理功能。不过，它包含的功能很简单，主要有这样两部分：一个是根据缓存名字（创建 Cache 对象的时候要设置 name 属性）获取Cache 对象；另一个是获取管理器管理的所有缓存的名字列表。对应的 Spring 源码如下所示： + +```java +public interface CacheManager { + Cache getCache(String var1); + Collection getCacheNames(); +} +``` + +刚刚给出的是 CacheManager 接口的定义，那如何来实现这两个接口呢？实际上，这就要用到了我们之前讲过的组合模式。 + +组合模式主要应用在能表示成树形结构的一组数据上。 + +树中的结点分为叶子节点和中间节点两类。对应到 Spring 源码，EhCacheManager、SimpleCacheManager、NoOpCacheManager、RedisCacheManager 等表示叶子节点，CompositeCacheManager 表示中间节点。 + +叶子节点包含的是它所管理的 Cache 对象，中间节点包含的是其他 CacheManager 管理器，既可以是 CompositeCacheManager，也可以是具体的管理器，比如 EhCacheManager、RedisManager 等。 + +我把 CompositeCacheManger 的代码贴到了下面，你可以结合着讲解一块看下。其中，getCache()、getCacheNames() 两个函数的实现都用到了递归。这正是树形结构最能发挥优势的地方。 + +```java +public class CompositeCacheManager implements CacheManager, InitializingBean { + + private final List cacheManagers = new ArrayList<>(); + private boolean fallbackToNoOpCache = false; + + public CompositeCacheManager() { + } + + public CompositeCacheManager(CacheManager... cacheManagers) { + setCacheManagers(Arrays.asList(cacheManagers)); + } + + public void setCacheManagers(Collection cacheManagers) { + this.cacheManagers.addAll(cacheManagers); + } + + public void setFallbackToNoOpCache(boolean fallbackToNoOpCache) { + this.fallbackToNoOpCache = fallbackToNoOpCache; + } + + @Override + public void afterPropertiesSet() { + if (this.fallbackToNoOpCache) { + this.cacheManagers.add(new NoOpCacheManager()); + } + } + + + @Override + @Nullable + public Cache getCache(String name) { + for (CacheManager cacheManager : this.cacheManagers) { + Cache cache = cacheManager.getCache(name); + if (cache != null) { + return cache; + } + } + return null; + } + + @Override + public Collection getCacheNames() { + Set names = new LinkedHashSet<>(); + for (CacheManager manager : this.cacheManagers) { + names.addAll(manager.getCacheNames()); + } + return Collections.unmodifiableSet(names); + } + +} +``` + + + +### **装饰器模式在** **Spring** 中的应用 + +我们知道，缓存一般都是配合数据库来使用的。如果写缓存成功，但数据库事务回滚了，那缓存中就会有脏数据。为了解决这个问题，我们需要将缓存的写操作和数据库的写操作，放到同一个事务中，要么都成功，要么都失败。 + +实现这样一个功能，Spring 使用到了装饰器模式。TransactionAwareCacheDecorator 增加了对事务的支持，在事务提交、回滚的时候分别对 Cache 的数据进行处理。 + +TransactionAwareCacheDecorator 实现 Cache 接口，并且将所有的操作都委托给 targetCache 来实现，对其中的写操作添加了事务功能。这是典型的装饰器模式的应用场景和代码实现，我就不多作解释了。 + +```java +/* + * Copyright 2002-2020 the original author or authors. + * + * Licensed under the Apache License, Version 2.0 (the "License"); + * you may not use this file except in compliance with the License. + * You may obtain a copy of the License at + * + * https://www.apache.org/licenses/LICENSE-2.0 + * + * Unless required by applicable law or agreed to in writing, software + * distributed under the License is distributed on an "AS IS" BASIS, + * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. + * See the License for the specific language governing permissions and + * limitations under the License. + */ + +package org.springframework.cache.transaction; + +import java.util.concurrent.Callable; + +import org.springframework.cache.Cache; +import org.springframework.lang.Nullable; +import org.springframework.transaction.support.TransactionSynchronization; +import org.springframework.transaction.support.TransactionSynchronizationManager; +import org.springframework.util.Assert; + +/** + * Cache decorator which synchronizes its {@link #put}, {@link #evict} and + * {@link #clear} operations with Spring-managed transactions (through Spring's + * {@link TransactionSynchronizationManager}, performing the actual cache + * put/evict/clear operation only in the after-commit phase of a successful + * transaction. If no transaction is active, {@link #put}, {@link #evict} and + * {@link #clear} operations will be performed immediately, as usual. + * + *

Note: Use of immediate operations such as {@link #putIfAbsent} and + * {@link #evictIfPresent} cannot be deferred to the after-commit phase of a + * running transaction. Use these with care in a transactional environment. + * + * @author Juergen Hoeller + * @author Stephane Nicoll + * @author Stas Volsky + * @since 3.2 + * @see TransactionAwareCacheManagerProxy + */ +public class TransactionAwareCacheDecorator implements Cache { + + private final Cache targetCache; + + + /** + * Create a new TransactionAwareCache for the given target Cache. + * @param targetCache the target Cache to decorate + */ + public TransactionAwareCacheDecorator(Cache targetCache) { + Assert.notNull(targetCache, "Target Cache must not be null"); + this.targetCache = targetCache; + } + + + /** + * Return the target Cache that this Cache should delegate to. + */ + public Cache getTargetCache() { + return this.targetCache; + } + + @Override + public String getName() { + return this.targetCache.getName(); + } + + @Override + public Object getNativeCache() { + return this.targetCache.getNativeCache(); + } + + @Override + @Nullable + public ValueWrapper get(Object key) { + return this.targetCache.get(key); + } + + @Override + public T get(Object key, @Nullable Class type) { + return this.targetCache.get(key, type); + } + + @Override + @Nullable + public T get(Object key, Callable valueLoader) { + return this.targetCache.get(key, valueLoader); + } + + @Override + public void put(final Object key, @Nullable final Object value) { + if (TransactionSynchronizationManager.isSynchronizationActive()) { + TransactionSynchronizationManager.registerSynchronization(new TransactionSynchronization() { + @Override + public void afterCommit() { + TransactionAwareCacheDecorator.this.targetCache.put(key, value); + } + }); + } + else { + this.targetCache.put(key, value); + } + } + + @Override + @Nullable + public ValueWrapper putIfAbsent(Object key, @Nullable Object value) { + return this.targetCache.putIfAbsent(key, value); + } + + @Override + public void evict(final Object key) { + if (TransactionSynchronizationManager.isSynchronizationActive()) { + TransactionSynchronizationManager.registerSynchronization(new TransactionSynchronization() { + @Override + public void afterCommit() { + TransactionAwareCacheDecorator.this.targetCache.evict(key); + } + }); + } + else { + this.targetCache.evict(key); + } + } + + @Override + public boolean evictIfPresent(Object key) { + return this.targetCache.evictIfPresent(key); + } + + @Override + public void clear() { + if (TransactionSynchronizationManager.isSynchronizationActive()) { + TransactionSynchronizationManager.registerSynchronization(new TransactionSynchronization() { + @Override + public void afterCommit() { + targetCache.clear(); + } + }); + } + else { + this.targetCache.clear(); + } + } + + @Override + public boolean invalidate() { + return this.targetCache.invalidate(); + } + +} +``` + + + +### **工厂模式在** **Spring** 中的应用 + +在 Spring 中，工厂模式最经典的应用莫过于实现 IOC 容器，对应的 Spring 源码主要是 BeanFactory 类和 ApplicationContext 相关类（AbstractApplicationContext、ClassPathXmlApplicationContext、FileSystemXmlApplicationContext…）。 + +在 Spring 中，创建 Bean 的方式有很多种，比如纯构造函数、无参构造函数加setter 方法。我写了一个例子来说明这两种创建方式，代码如下所示： + +```java +public class Student { + private long id; + private String name; + + public Student(long id, String name) { + this.id = id; + this.name = name; + } + + public void setId(long id) { + this.id = id; + } + + public void setName(String name) { + this.name = name; + } +} +``` + +```xml +// 使用构造函数来创建Bean + + + + +// 使用无参构造函数+setter方法来创建Bean + + + + +``` + +实际上，除了这两种创建 Bean 的方式之外，我们还可以通过工厂方法来创建 Bean。还是刚刚这个例子，用这种方式来创建 Bean 的话就是下面这个样子： + +```java +public class StudentFactory { + private static Map students = new HashMap<>(); + static { + map.put(1, new Student(1, "Tom")); + map.put(2, new Student(2, "Jim")); + map.put(3, new Student(3, "Mary")); + } + + public static Student getStudent(long id) { + return students.get(id); + } +} +``` + +```xml + + + +``` + diff --git a/docs/design-pattern/Strategy-Pattern.md b/docs/design-pattern/Strategy-Pattern.md index a10a05a561..9abf29057d 100755 --- a/docs/design-pattern/Strategy-Pattern.md +++ b/docs/design-pattern/Strategy-Pattern.md @@ -1,4 +1,12 @@ -# 策略模式——略施小计就彻底消除了多重 if else +--- +title: 策略模式——略施小计就彻底消除了多重 if else +date: 2022-11-09 +tags: + - Design Patterns +categories: Design Patterns +--- + +![](https://cdn.pixabay.com/photo/2018/06/10/22/48/chess-3467512_1280.jpg) > 最近接手了一个新项目，有段按不同类型走不同检验逻辑的代码，将近小 10 个 `if -else` 判断，真正的“屎山”代码。 > diff --git a/docs/design-pattern/Summary.md b/docs/design-pattern/Summary.md new file mode 100755 index 0000000000..2d39a26e75 --- /dev/null +++ b/docs/design-pattern/Summary.md @@ -0,0 +1,248 @@ +## 一、创建型设计模式 + +创建型设计模式包括：单例模式、工厂模式、建造者模式、原型模式。它主要解决对象的创建问题，封装复杂的创建过程，解耦对象的创建代码和使用代码。 + +### **1.** 单例模式 + +单例模式用来创建全局唯一的对象。一个类只允许创建一个对象（或者叫实例），那这个类就是一个单例类，这种设计模式就叫作单例模式。单例有几种经典的实现方式，它们分别是：饿汉式、懒汉式、双重检测、静态内部类、枚举。尽管单例是一个很常用的设计模式，在实际的开发中，我们也确实经常用到它，但是，有些人认为单例是一种反模式（anti-pattern），并不推荐使用，主要的理由有以下几点： + +- 单例对 OOP 特性的支持不友好 +- 单例会隐藏类之间的依赖关系 +- 单例对代码的扩展性不友好 +- 单例对代码的可测试性不友好 +- 单例不支持有参数的构造函数 + +那有什么替代单例的解决方案呢？如果要完全解决这些问题，我们可能要从根上寻找其他方式来实现全局唯一类。比如，通过工厂模式、IOC 容器来保证全局唯一性。 + +有人把单例当作反模式，主张杜绝在项目中使用。我个人觉得这有点极端。模式本身没有对错，关键看你怎么用。如果单例类并没有后续扩展的需求，并且不依赖外部系统，那设计成单例类就没有太大问题。对于一些全局类，我们在其他地方 new 的话，还要在类之间传来传去，不如直接做成单例类，使用起来简洁方便。 + +### 2. **工厂模式** + +工厂模式包括简单工厂、工厂方法、抽象工厂这 3 种细分模式。其中，简单工厂和工厂方法比较常用，抽象工厂的应用场景比较特殊，所以很少用到，不是我们学习的重点。 + +工厂模式用来创建不同但是相关类型的对象（继承同一父类或者接口的一组子类），由给定的参数来决定创建哪种类型的对象。实际上，如果创建对象的逻辑并不复杂，那我们直接通过 new 来创建对象就可以了，不需要使用工厂模式。当创建逻辑比较复杂，是一个“大工 + +程”的时候，我们就考虑使用工厂模式，封装对象的创建过程，将对象的创建和使用相分离。 + +当每个对象的创建逻辑都比较简单的时候，我推荐使用简单工厂模式，将多个对象的创建逻辑放到一个工厂类中。当每个对象的创建逻辑都比较复杂的时候，为了避免设计一个过于庞大的工厂类，我们推荐使用工厂方法模式，将创建逻辑拆分得更细，每个对象的创建逻辑独 + +立到各自的工厂类中。 + +详细点说，工厂模式的作用有下面 4 个，这也是判断要不要使用工厂模式最本质的参考标准。 + +- 封装变化：创建逻辑有可能变化，封装成工厂类之后，创建逻辑的变更对调用者透明。 +- 代码复用： 创建代码抽离到独立的工厂类之后可以复用。 +- 隔离复杂性：封装复杂的创建逻辑，调用者无需了解如何创建对象。 +- 控制复杂度：将创建代码抽离出来，让原本的函数或类职责更单一，代码更简洁。 + +除此之外，我们还讲了工厂模式一个非常经典的应用场景：依赖注入框架，比如 Spring IOC、Google Guice，它用来集中创建、组装、管理对象，跟具体业务代码解耦，让程序员聚焦在业务代码的开发上。DI 框架已经成为了我们平时开发的必备框架。 + +### **3.** 建造者模式 + +建造者模式用来创建复杂对象，可以通过设置不同的可选参数，“定制化”地创建不同的对象。建造者模式的原理和实现比较简单，重点是掌握应用场景，避免过度使用。 + +如果一个类中有很多属性，为了避免构造函数的参数列表过长，影响代码的可读性和易用性，我们可以通过构造函数配合 set() 方法来解决。但是，如果存在下面情况中的任意一种，我们就要考虑使用建造者模式了。 + +- 我们把类的必填属性放到构造函数中，强制创建对象的时候就设置。如果必填的属性有很多，把这些必填属性都放到构造函数中设置，那构造函数就又会出现参数列表很长的问题。如果我们把必填属性通过 set() 方法设置，那校验这些必填属性是否已经填写的逻辑就无处安放了。 + +- 如果类的属性之间有一定的依赖关系或者约束条件，我们继续使用构造函数配合 set() 方法的设计思路，那这些依赖关系或约束条件的校验逻辑就无处安放了。 + +- 如果我们希望创建不可变对象，也就是说，对象在创建好之后，就不能再修改内部的属性值，要实现这个功能，我们就不能在类中暴露 set() 方法。构造函数配合 set() 方法来设置属性值的方式就不适用了。 + +### **4.** 原型模式 + +如果对象的创建成本比较大，而同一个类的不同对象之间差别不大（大部分字段都相同），在这种情况下，我们可以利用对已有对象（原型）进行复制（或者叫拷贝）的方式，来创建新对象，以达到节省创建时间的目的。这种基于原型来创建对象的方式就叫作原型模式。 + +原型模式有两种实现方法，深拷贝和浅拷贝。浅拷贝只会复制对象中基本数据类型数据和引用对象的内存地址，不会递归地复制引用对象，以及引用对象的引用对象……而深拷贝得到的是一份完完全全独立的对象。所以，深拷贝比起浅拷贝来说，更加耗时，更加耗内存空间。 + +如果要拷贝的对象是不可变对象，浅拷贝共享不可变对象是没问题的，但对于可变对象来说，浅拷贝得到的对象和原始对象会共享部分数据，就有可能出现数据被修改的风险，也就变得复杂多了。除非操作非常耗时，比较推荐使用浅拷贝，否则，没有充分的理由，不要为 + +了一点点的性能提升而使用浅拷贝。 + +## 二、结构型设计模式 + +结构型模式主要总结了一些类或对象组合在一起的经典结构，这些经典的结构可以解决特定应用场景的问题。结构型模式包括：代理模式、桥接模式、装饰器模式、适配器模式、门面模式、组合模式、享元模式。 + +### 1. **代理模式** + +代理模式在不改变原始类接口的条件下，为原始类定义一个代理类，主要目的是控制访问，而非加强功能，这是它跟装饰器模式最大的不同。一般情况下，我们让代理类和原始类实现同样的接口。但是，如果原始类并没有定义接口，并且原始类代码并不是我们开发维护的。 + +在这种情况下，我们可以通过让代理类继承原始类的方法来实现代理模式。 + +静态代理需要针对每个类都创建一个代理类，并且每个代理类中的代码都有点像模板式的“重复”代码，增加了维护成本和开发成本。对于静态代理存在的问题，我们可以通过动态代理来解决。我们不事先为每个原始类编写代理类，而是在运行的时候动态地创建原始类对应的代理类，然后在系统中用代理类替换掉原始类。 + +代理模式常用在业务系统中开发一些非功能性需求，比如：监控、统计、鉴权、限流、事务、幂等、日志。我们将这些附加功能与业务功能解耦，放到代理类统一处理，让程序员只需要关注业务方面的开发。除此之外，代理模式还可以用在 RPC、缓存等应用场景中。 + +### 2. **桥接模式** + +桥接模式的代码实现非常简单，但是理解起来稍微有点难度，并且应用场景也比较局限，所以，相对来说，桥接模式在实际的项目中并没有那么常用，你只需要简单了解，见到能认识就可以了，并不是我们学习的重点。 + +桥接模式有两种理解方式。第一种理解方式是“将抽象和实现解耦，让它们能独立开发”。 + +这种理解方式比较特别，应用场景也不多。另一种理解方式更加简单，等同于“组合优于继承”设计原则，这种理解方式更加通用，应用场景比较多。不管是哪种理解方式，它们的代码结构都是相同的，都是一种类之间的组合关系。 + +对于第一种理解方式，弄懂定义中“抽象”和“实现”两个概念，是理解它的关键。定义中的“抽象”，指的并非“抽象类”或“接口”，而是被抽象出来的一套“类库”，它只包含骨架代码，真正的业务逻辑需要委派给定义中的“实现”来完成。而定义中的“实现”，也并非“接口的实现类”，而是的一套独立的“类库”。“抽象”和“实现”独立开发，通过对象之间的组合关系组装在一起。 + +### **3.** 装饰器模式 + +装饰器模式主要解决继承关系过于复杂的问题，通过组合来替代继承，给原始类添加增强功能。这也是判断是否该用装饰器模式的一个重要的依据。除此之外，装饰器模式还有一个特点，那就是可以对原始类嵌套使用多个装饰器。为了满足这样的需求，在设计的时候，装饰 + +器类需要跟原始类继承相同的抽象类或者接口。 + +### 4. 适配器模式 + +代理模式、装饰器模式提供的都是跟原始类相同的接口，而适配器提供跟原始类不同的接口。适配器模式是用来做适配的，它将不兼容的接口转换为可兼容的接口，让原本由于接口不兼容而不能一起工作的类可以一起工作。 + +适配器模式有两种实现方式：类适配器和对象适配器。其中，类适配器使用继承关系来实现，对象适配器使用组合关系来实现。适配器模式是一种事后的补救策略，用来补救设计上的缺陷。应用这种模式算是“无奈之举”。如果在设计初期，我们就能规避接口不兼容的问题，那这种模式就无用武之地了。 + +在实际的开发中，什么情况下才会出现接口不兼容呢？我总结下了下面这 5 种场景： + +- 封装有缺陷的接口设计 +- 统一多个类的接口设计 +- 替换依赖的外部系统 +- 兼容老版本接口 +- 适配不同格式的数据 + +### 5. **门面模式** + +门面模式原理、实现都非常简单，应用场景比较明确。它通过封装细粒度的接口，提供组合各个细粒度接口的高层次接口，来提高接口的易用性，或者解决性能、分布式事务等问题。 + +### 6. 组合模式 + +组合模式跟我们之前讲的面向对象设计中的“组合关系（通过组合来组装两个类）”，完全是两码事。这里讲的“组合模式”，主要是用来处理树形结构数据。正因为其应用场景的特殊性，数据必须能表示成树形结构，这也导致了这种模式在实际的项目开发中并不那么常用。但是，一旦数据满足树形结构，应用这种模式就能发挥很大的作用，能让代码变得非常简洁。 + +组合模式的设计思路，与其说是一种设计模式，倒不如说是对业务场景的一种数据结构和算法的抽象。其中，数据可以表示成树这种数据结构，业务需求可以通过在树上的递归遍历算法来实现。组合模式，将一组对象组织成树形结构，将单个对象和组合对象都看作树中的节 + +点，以统一处理逻辑，并且它利用树形结构的特点，递归地处理每个子树，依次简化代码实现。 + +### **7.** 享元模式 + +所谓“享元”，顾名思义就是被共享的单元。享元模式的意图是复用对象，节省内存，前提是享元对象是不可变对象。具体来讲，当一个系统中存在大量重复对象的时候，我们就可以利用享元模式，将对象设计成享元，在内存中只保留一份实例，供多处代码引用，这样可以减少内存中对象的数量，以起到节省内存的目的。实际上，不仅仅相同对象可以设计成享元，对于相似对象，我们也可以将这些对象中相同的部分（字段），提取出来设计成享元，让这些大量相似对象引用这些享元。 + +## 三、行为型设计模式 + +我们知道，创建型设计模式主要解决“对象的创建”问题，结构型设计模式主要解决“类或对象的组合”问题，那行为型设计模式主要解决的就是“类或对象之间的交互”问题。行为型模式比较多，有 11 种，它们分别是：观察者模式、模板模式、策略模式、职责链模式、迭代器模式、状态模式、访问者模式、备忘录模式、命令模式、解释器模式、中介模式。 + +### **1.** 观察者模式 + +观察者模式将观察者和被观察者代码解耦。观察者模式的应用场景非常广泛，小到代码层面的解耦，大到架构层面的系统解耦，再或者一些产品的设计思路，都有这种模式的影子，比如，邮件订阅、RSS Feeds，本质上都是观察者模式。 + +不同的应用场景和需求下，这个模式也有截然不同的实现方式：有同步阻塞的实现方式，也有异步非阻塞的实现方式；有进程内的实现方式，也有跨进程的实现方式。同步阻塞是最经典的实现方式，主要是为了代码解耦；异步非阻塞除了能实现代码解耦之外，还能提高代码 + +的执行效率；进程间的观察者模式解耦更加彻底，一般是基于消息队列来实现，用来实现不同进程间的被观察者和观察者之间的交互。 + +框架的作用有隐藏实现细节，降低开发难度，实现代码复用，解耦业务与非业务代码，让程序员聚焦业务开发。针对异步非阻塞观察者模式，我们也可以将它抽象成 EventBus 框架来达到这样的效果。EventBus 翻译为“事件总线”，它提供了实现观察者模式的骨架代码。 + +我们可以基于此框架非常容易地在自己的业务场景中实现观察者模式，不需要从零开始开发。 + +### **2.** 模板模式 + +模板方法模式在一个方法中定义一个算法骨架，并将某些步骤推迟到子类中实现。模板方法模式可以让子类在不改变算法整体结构的情况下，重新定义算法中的某些步骤。这里的“算法”，我们可以理解为广义上的“业务逻辑”，并不特指数据结构和算法中的“算法”。这里的算法骨架就是“模板”，包含算法骨架的方法就是“模板方法”，这也是模板方法模式名字的由来。 + +模板模式有两大作用：复用和扩展。 + +其中复用指的是，所有的子类可以复用父类中提供的模板方法的代码。扩展指的是，框架通过模板模式提供功能扩展点，让框架用户可以在不修改框架源码的情况下，基于扩展点定制化框架的功能。 + +除此之外，还有回调。它跟模板模式具有相同的作用：代码复用和扩展。在一些框架、类库、组件等的设计中经常会用到，比如JdbcTemplate 就是用了回调。 + +相对于普通的函数调用，回调是一种双向调用关系。A 类事先注册某个函数 F 到 B 类，A 类在调用 B 类的 P 函数的时候，B 类反过来调用 A 类注册给它的 F 函数。这里的 F 函数就是“回调函数”。A 调用 B，B 反过来又调用 A，这种调用机制就叫作“回调”。 + +回调可以细分为同步回调和异步回调。从应用场景上来看，同步回调看起来更像模板模式，异步回调看起来更像观察者模式。回调跟模板模式的区别，更多的是在代码实现上，而非应用场景上。回调基于组合关系来实现，模板模式基于继承关系来实现。回调比模板模式更加 + +灵活。 + +### 3.策略模式 + +策略模式定义一族算法类，将每个算法分别封装起来，让它们可以互相替换。策略模式可以使算法的变化独立于使用它们的客户端（这里的客户端代指使用算法的代码）。策略模式用来解耦策略的定义、创建、使用。实际上，一个完整的策略模式就是由这三个部分组成的。 + +策略类的定义比较简单，包含一个策略接口和一组实现这个接口的策略类。策略的创建由工厂类来完成，封装策略创建的细节。策略模式包含一组策略可选，客户端代码选择使用哪个策略，有两种确定方法：编译时静态确定和运行时动态确定。其中，“运行时动态确定”才 + +是策略模式最典型的应用场景。 + +在实际的项目开发中，策略模式也比较常用。最常见的应用场景是，利用它来避免冗长的 if-else 或 switch 分支判断。不过，它的作用还不止如此。它也可以像模板模式那样，提供框架的扩展点等等。实际上，策略模式主要的作用还是解耦策略的定义、创建和使用，控制 + +代码的复杂度，让每个部分都不至于过于复杂、代码量过多。除此之外，对于复杂代码来说，策略模式还能让其满足开闭原则，添加新策略的时候，最小化、集中化代码改动，减少引入 bug 的风险。 + +### **4.** 职责链模式 + +在职责链模式中，多个处理器依次处理同一个请求。一个请求先经过 A 处理器处理，然后再把请求传递给 B 处理器，B 处理器处理完后再传递给 C 处理器，以此类推，形成一个链条。链条上的每个处理器各自承担各自的处理职责，所以叫作职责链模式。 + +在 GoF 的定义中，一旦某个处理器能处理这个请求，就不会继续将请求传递给后续的处理器了。当然，在实际的开发中，也存在对这个模式的变体，那就是请求不会中途终止传递，而是会被所有的处理器都处理一遍。 + +职责链模式常用在框架开发中，用来实现过滤器、拦截器功能，让框架的使用者在不需要修改框架源码的情况下，添加新的过滤、拦截功能。这也体现了对扩展开放、对修改关闭的设计原则。 + +### **5.** 迭代器模式 + +迭代器模式也叫游标模式，它用来遍历集合对象。这里说的“集合对象”，我们也可以叫“容器”“聚合对象”，实际上就是包含一组对象的对象，比如，数组、链表、树、图、跳表。迭代器模式主要作用是解耦容器代码和遍历代码。大部分编程语言都提供了现成的迭代器可以使用，我们不需要从零开始开发。 + +遍历集合一般有三种方式：for 循环、foreach 循环、迭代器遍历。后两种本质上属于一种，都可以看作迭代器遍历。相对于 for 循环遍历，利用迭代器来遍历有 3 个优势： + +- 迭代器模式封装集合内部的复杂数据结构，开发者不需要了解如何遍历，直接使用容器提供的迭代器即可； + +- 迭代器模式将集合对象的遍历操作从集合类中拆分出来，放到迭代器类中，让两者的职责更加单一； + +- 迭代器模式让添加新的遍历算法更加容易，更符合开闭原则。除此之外，因为迭代器都实现自相同的接口，在开发中，基于接口而非实现编程，替换迭代器也变得更加容易。 + +在通过迭代器来遍历集合元素的同时，增加或者删除集合中的元素，有可能会导致某个元素被重复遍历或遍历不到。针对这个问题，有两种比较干脆利索的解决方案，来避免出现这种不可预期的运行结果。一种是遍历的时候不允许增删元素，另一种是增删元素之后让遍历报 + +错。第一种解决方案比较难实现，因为很难确定迭代器使用结束的时间点。第二种解决方案更加合理，Java 语言就是采用的这种解决方案。增删元素之后，我们选择 fail-fast 解决方式，让遍历操作直接抛出运行时异常。 + +### **6.** 状态模式 + +状态模式一般用来实现状态机，而状态机常用在游戏、工作流引擎等系统开发中。状态机又叫有限状态机，它由 3 个部分组成：状态、事件、动作。其中，事件也称为转移条件。事件触发状态的转移及动作的执行。不过，动作不是必须的，也可能只转移状态，不执行任何 + +动作。 + +针对状态机，我们总结了三种实现方式。 + +- 第一种实现方式叫分支逻辑法。利用 if-else 或者 switch-case 分支逻辑，参照状态转移图，将每一个状态转移原模原样地直译成代码。对于简单的状态机来说，这种实现方式最简单、最直接，是首选。 + +- 第二种实现方式叫查表法。对于状态很多、状态转移比较复杂的状态机来说，查表法比较合适。通过二维数组来表示状态转移图，能极大地提高代码的可读性和可维护性。 + +- 第三种实现方式就是利用状态模式。对于状态并不多、状态转移也比较简单，但事件触发执行的动作包含的业务逻辑可能比较复杂的状态机来说，我们首选这种实现方式。 + +### **7.** 访问者模式 + +访问者模式允许一个或者多个操作应用到一组对象上，设计意图是解耦操作和对象本身，保持类职责单一、满足开闭原则以及应对代码的复杂性。 + +对于访问者模式，学习的主要难点在代码实现。而代码实现比较复杂的主要原因是，函数重载在大部分面向对象编程语言中是静态绑定的。也就是说，调用类的哪个重载函数，是在编译期间，由参数的声明类型决定的，而非运行时，根据参数的实际类型决定的。 + +正是因为代码实现难理解，所以，在项目中应用这种模式，会导致代码的可读性比较差。如果你的同事不了解这种设计模式，可能就会读不懂、维护不了你写的代码。所以，除非不得已，不要使用这种模式。 + +### 8. 备忘录模式 + +备忘录模式也叫快照模式，具体来说，就是在不违背封装原则的前提下，捕获一个对象的内部状态，并在该对象之外保存这个状态，以便之后恢复对象为先前的状态。这个模式的定义表达了两部分内容：一部分是，存储副本以便后期恢复；另一部分是，要在不违背封装原则 + +的前提下，进行对象的备份和恢复。 + +备忘录模式的应用场景也比较明确和有限，主要用来防丢失、撤销、恢复等。它跟平时我们常说的“备份”很相似。两者的主要区别在于，备忘录模式更侧重于代码的设计和实现，备份更侧重架构设计或产品设计。 + +对于大对象的备份来说，备份占用的存储空间会比较大，备份和恢复的耗时会比较长。针对这个问题，不同的业务场景有不同的处理方式。比如，只备份必要的恢复信息，结合最新的数据来恢复；再比如，全量备份和增量备份相结合，低频全量备份，高频增量备份，两者结合来做恢复。 + +### **9.** 命令模式 + +命令模式在平时工作中并不常用，你稍微了解一下就可以。 + +落实到编码实现，命令模式用到最核心的实现手段，就是将函数封装成对象。我们知道，在大部分编程语言中，函数是没法作为参数传递给其他函数的，也没法赋值给变量。借助命令模式，我们将函数封装成对象，这样就可以实现把函数像对象一样使用。 + +命令模式的主要作用和应用场景，是用来控制命令的执行，比如，异步、延迟、排队执行命令、撤销重做命令、存储命令、给命令记录日志等，这才是命令模式能发挥独一无二作用的地方。 + +### **10.** 解释器模式 + +解释器模式为某个语言定义它的语法（或者叫文法）表示，并定义一个解释器用来处理这个语法。实际上，这里的“语言”不仅仅指我们平时说的中、英、日、法等各种语言。从广义上来讲，只要是能承载信息的载体，我们都可以称之为“语言”，比如，古代的结绳记事、 + +盲文、哑语、摩斯密码等。 + +要想了解“语言”要表达的信息，我们就必须定义相应的语法规则。这样，书写者就可以根据语法规则来书写“句子”（专业点的叫法应该是“表达式”），阅读者根据语法规则来阅读“句子”，这样才能做到信息的正确传递。而我们要讲的解释器模式，其实就是用来实现根据语法规则解读“句子”的解释器。 + +解释器模式的代码实现比较灵活，没有固定的模板。我们前面说过，应用设计模式主要是应对代码的复杂性，解释器模式也不例外。它的代码实现的核心思想，就是将语法解析的工作拆分到各个小类中，以此来避免大而全的解析类。一般的做法是，将语法规则拆分一些小的 + +独立的单元，然后对每个单元进行解析，最终合并为对整个语法规则的解析。 + +### **11.** 中介模式 + +中介模式的设计思想跟中间层很像，通过引入中介这个中间层，将一组对象之间的交互关系（或者说依赖关系）从多对多（网状关系）转换为一对多（星状关系）。原来一个对象要跟 n 个对象交互，现在只需要跟一个中介对象交互，从而最小化对象之间的交互关系，降低了 + +代码的复杂度，提高了代码的可读性和可维护性。 + +观察者模式和中介模式都是为了实现参与者之间的解耦，简化交互关系。两者的不同在于应用场景上。在观察者模式的应用场景中，参与者之间的交互比较有条理，一般都是单向的，一个参与者只有一个身份，要么是观察者，要么是被观察者。而在中介模式的应用场景中，参与者之间的交互关系错综复杂，既可以是消息的发送者、也可以同时是消息的接收者。 diff --git a/docs/design-pattern/Template-Pattern.md b/docs/design-pattern/Template-Pattern.md index a1d7067fc8..036d55f88f 100644 --- a/docs/design-pattern/Template-Pattern.md +++ b/docs/design-pattern/Template-Pattern.md @@ -1,14 +1,20 @@ -# 模板方法模式——看看 JDK 和 Spring 是如何优雅复用代码的 +--- +title: 模板方法模式——看看 JDK 和 Spring 是如何优雅复用代码的 +date: 2022-11-09 +tags: + - Design Patterns +categories: Design Patterns +--- -> 文章收录在 GitHub [JavaKeeper](https://github.com/Jstarfish/JavaKeeper) ，N线互联网开发必备技能兵器谱 +![](https://images.unsplash.com/photo-1655892796775-c947f39f1106?w=1200&auto=format&fit=crop&q=60&ixlib=rb-4.0.3&ixid=M3wxMjA3fDB8MHxzZWFyY2h8MzV8fHRlbXBsYXRlfGVufDB8fDB8fHww) -## 前言 +> 模板，顾名思义，它是一个固定化、标准化的东西。 +> +> **模板方法模式**是一种行为设计模式， 它在超类中定义了一个算法的框架， 允许子类在不修改结构的情况下重写算法的特定步骤。 -模板，顾名思义，它是一个固定化、标准化的东西。 -**模板方法模式**是一种行为设计模式， 它在超类中定义了一个算法的框架， 允许子类在不修改结构的情况下重写算法的特定步骤。 -## 场景问题 +### 场景问题 程序员不愿多扯，上来先干两行代码 @@ -16,11 +22,11 @@ 假设我们是一家饮品店的师傅，起码需要以下两个手艺 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gigzsl1cnpj32gj0sk4ck.jpg) +![](https://static001.geekbang.org/infoq/19/196f4c041c71d63442c2c688051c893a.jpeg) 真简单哈，这么看，步骤大同小异，我的第一反应就是写个业务接口，不同的饮品实现其中的方法就行，像这样 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gih087fykdj31pk0u0nbj.jpg) +![img](https://static001.geekbang.org/infoq/a2/a226b8a9219cd7a29af2f3b626cd5fcb.jpeg) @@ -28,7 +34,7 @@ 灵机一动，不用接口了，用一个**抽象父类**，把步骤方法放在一个大的流程方法 `makingDrinks()` 中，且第一步和第三步，完全一样，没必要在子类实现，改进如下 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1giidk5vt5cj31pf0u0nal.jpg) +![img](https://static001.geekbang.org/infoq/21/2146409c43149828b8a12949daf5b0a4.jpeg) 再看下我们的设计，感觉还不错，现在用同一个 `makingDrinks()` 方法来处理咖啡和茶的制作，而且我们不希望子类覆盖这个方法，所以可以申明为 final，不同的制作步骤，我们希望子类来提供，必须在父类申明为抽象方法，而第一步和第三步我们不希望子类重写，所以我们声明为非抽象方法 @@ -105,7 +111,7 @@ public static void main(String[] args) { -## 认识模板方法 +### 认识模板方法 在阎宏博士的《JAVA与模式》一书中开头是这样描述模板方法（Template Method）模式的： @@ -117,7 +123,7 @@ public static void main(String[] args) { 模板方法模式是所有模式中最为常见的几个模式之一，是**基于继承**的代码复用的基本技术，我们再看下类图 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gih2dmwutxj31ug0u0h0i.jpg) +![img](https://static001.geekbang.org/infoq/b1/b114ec408fb0231529d8748618df9ed7.jpeg) 模板方法模式就是用来创建一个算法的模板，这个模板就是方法，该方法将算法定义成一组步骤，其中的任意步骤都可能是抽象的，由子类负责实现。这样可以**确保算法的结构保持不变，同时由子类提供部分实现**。 @@ -207,7 +213,7 @@ public class Coffee extends Drinks { 接着再去测试下代码，看看结果吧。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gih3og312yj315y07uta9.jpg) +![img](https://static001.geekbang.org/infoq/e6/e608360ad552adc44dab00293fddd671.jpeg) @@ -252,7 +258,7 @@ public static void main(String[] args) { } ``` -![](https://tva1.sinaimg.cn/large/007S8ZIlly1giha6rya5nj319006adhb.jpg) +![img](https://static001.geekbang.org/infoq/92/9241c28ee542321b3e6f4e2a2fbf805a.jpeg) 你可能会说，这个看着不像我们常规的模板方法，是的。我们看下比较器实现的步骤 @@ -301,7 +307,7 @@ public abstract class AbstractApplicationContext extends DefaultResourceLoader } // 两个抽象方法 @Override - public abstract ConfigurableListableBeanFactory getBeanFactory() throws IllegalStateException; + public abstract ConfigurableListableBeanFactory getBeanFactory() throws IllegalStateException; protected abstract void refreshBeanFactory() throws BeansException, IllegalStateException; @@ -329,26 +335,21 @@ public abstract class AbstractRefreshableWebApplicationContext extends …… { 看下大概的类图： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1giie97gicdj31c20u0hdt.jpg) +![img](https://static001.geekbang.org/infoq/13/1360f5528a2e86e5b0d0bf3a97b3c04b.jpeg) ## 小总结 -**优点**：1、封装不变部分，扩展可变部分。 2、提取公共代码，便于维护。 3、行为由父类控制，子类实现。 - -**缺点**：每一个不同的实现都需要一个子类来实现，导致类的个数增加，使得系统更加庞大。 - -**使用场景**： 1、有多个子类共有的方法，且逻辑相同。 2、重要的、复杂的方法，可以考虑作为模板方法。 - -**注意事项**：为防止恶意操作，一般模板方法都加上 final 关键词。 +- **优点**：1、封装不变部分，扩展可变部分。 2、提取公共代码，便于维护。 3、行为由父类控制，子类实现。 +- **缺点**：每一个不同的实现都需要一个子类来实现，导致类的个数增加，使得系统更加庞大。 +- **使用场景**： 1、有多个子类共有的方法，且逻辑相同。 2、重要的、复杂的方法，可以考虑作为模板方法。 +- **注意事项**：为防止恶意操作，一般模板方法都加上 final 关键词。 ## 参考： -《Head First 设计模式》、《研磨设计模式》 - -https://sourcemaking.com/design_patterns/template_method - -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20200907141047.png) \ No newline at end of file +- 《Head First 设计模式》 +- 《研磨设计模式》 +- https://sourcemaking.com/design_patterns/template_method diff --git a/docs/distribution/.DS_Store b/docs/distribution/.DS_Store index 175e80fa61..6321481ed7 100644 Binary files a/docs/distribution/.DS_Store and b/docs/distribution/.DS_Store differ diff --git a/docs/distribution/message-queue/.DS_Store b/docs/distribution/message-queue/.DS_Store index 029aeec7ab..6993dba05a 100644 Binary files a/docs/distribution/message-queue/.DS_Store and b/docs/distribution/message-queue/.DS_Store differ diff --git a/docs/distribution/message-queue/Kafka/Consumer Group Protocol.md b/docs/distribution/message-queue/Kafka/Consumer Group Protocol.md new file mode 100644 index 0000000000..6dbd1efa96 --- /dev/null +++ b/docs/distribution/message-queue/Kafka/Consumer Group Protocol.md @@ -0,0 +1,147 @@ +## Consumer Group Protocol + +Kafka separates storage from compute. Storage is handled by the brokers and compute is mainly handled by consumers or frameworks built on top of consumers (Kafka Streams, ksqlDB). Consumer groups play a key role in the effectiveness and scalability of Kafka consumers. + +### Kafka Consumer Group + +![kafka-consumer-group](https://images.ctfassets.net/gt6dp23g0g38/4YKWvDvHoX9Y4NzdPQZvo5/f1f3811e4e6098a45ba702fed62b6735/Kafka_Internals_064.png) + +To define a consumer group we just need to set the group.id in the consumer config. Once that is set, every new instance of that consumer will be added to the group. Then, when the consumer group subscribes to one or more topics, their partitions will be evenly distributed between the instances in the group. This allows for parallel processing of the data in those topics. + +The unit of parallelism is the partition. For a given consumer group, consumers can process more than one partition but a partition can only be processed by one consumer. If our group is subscribed to two topics and each one has two partitions then we can effectively use up to four consumers in the group. We could add a fifth but it would sit idle since partitions cannot be shared. + +The assignment of partitions to consumer group instances is dynamic. As consumers are added to the group, or when consumers fail or are removed from the group for some other reason, the workload will be rebalanced automatically. + +### Group Coordinator + +![group-coordinator](https://images.ctfassets.net/gt6dp23g0g38/6smQqDfuZgjNPFeB7iNHLb/d237de3390dcb0cada914c06f4142053/Kafka_Internals_065.png) + +The magic behind consumer groups is provided by the group coordinator. The group coordinator helps to distribute the data in the subscribed topics to the consumer group instances evenly and it keeps things balanced when group membership changes occur. The coordinator uses an internal Kafka topic to keep track of group metadata. + +In a typical Kafka cluster, there will be multiple group coordinators. This allows for multiple consumer groups to be managed efficiently. + +### Group Startup + +Let’s take a look at the steps involved in starting up a new consumer group. + +#### Step 1 – Find Group Coordinator + +![group-startup-find-group-coordinator](https://images.ctfassets.net/gt6dp23g0g38/4N3txDiCwLsYg502212Lx4/43a4f6797bb868f027cd87a6663fc84d/Kafka_Internals_066.png) + +When a consumer instance starts up it sends a FindCoordinator request that includes its group.id to any broker in the cluster. The broker will create a hash of the group.id and modulo that against the number of partitions in the internal __consumer_offsets topic. That determines the partition that all metadata events for this group will be written to. The broker that hosts the leader replica for that partition will take on the role of group coordinator for the new consumer group. The broker that received the FindCoordinator request will respond with the endpoint of the group coordinator. + +#### Step 2 – Members Join + +![group-startup-members-join](https://images.ctfassets.net/gt6dp23g0g38/3tDRpjViBVqd1UdRr7vT26/4ba46426533ebd6414eed5d4d7e43413/Kafka_Internals_067.png) + +Next, the consumers and the group coordinator begin a little logistical dance, starting with the consumers sending a JoinGroup request and passing their topic subscription information. The coordinator will choose one consumer, usually the first one to send the JoinGroup request, as the group leader. The coordinator will return a memberId to each consumer, but it will also return a list of all members and the subscription info to the group leader. The reason for this is so that the group leader can do the actual partition assignment using a configurable partition assignment strategy. + +#### Step 3 – Partitions Assigned + +![group-startup-partitions-assigned](https://images.ctfassets.net/gt6dp23g0g38/5AcaJ8KtM5YmmI9Ueomz25/2fcac2290d58d784f1522a41d8d48df2/Kafka_Internals_068.png) + +After the group leader receives the complete member list and subscription information, it will use its configured partitioner to assign the partitions in the subscription to the group members. With that done, the leader will send a SyncGroupRequest to the coordinator, passing in its memberId and the group assignments provided by its partitioner. The other consumers will make a similar request but will only pass their memberId. The coordinator will use the assignment information given to it by the group leader to return the actual assignments to each consumer. Now the consumers can begin their real work of consuming and processing data. + +### Range Partition Assignment Strategy + +![range-partition-assignment-strategies](https://images.ctfassets.net/gt6dp23g0g38/2I7BijMOpFeFxkdeyH5kFN/9f00009b876cf3339d6c646e53143cd8/Kafka_Internals_069.png) + +Now, let's look at some of the available assignment strategies. First up is the range assignment strategy. This strategy goes through each topic in the subscription and assigns each of the partitions to a consumer, starting at the first consumer. What this means is that the first partition of each topic will be assigned to the first consumer, the second partition of each topic will be assigned to the second consumer, and so on. If no single topic in the subscription has as many partitions as there are consumers, then some consumers will be idle. + +At first glance this might not seem like a very good strategy, but it has a very special purpose. When joining events from more than one topic the events need to be read by the same consumer. If events in two different topics are using the same key, they will be in the same partition of their respective topics, and with the range partitioner, they will be assigned to the same consumer. + +### Round Robin and Sticky Partition Assignment Strategies + +![round-robin-and-sticky-strategies](https://images.ctfassets.net/gt6dp23g0g38/4OL5b1FeAv3mSXM99a5IxA/2ea543db29d3d1a0b26cf57a312208ab/Kafka_Internals_070.png) + +Next, let’s look at the Round Robin strategy. With this strategy, all of the partitions of the subscription, regardless of topic, will be spread evenly across the available consumers. This results in fewer idle consumer instances and a higher degree of parallelism. + +A variant of Round Robin, called the Sticky Partition strategy, operates on the same principle but it makes a best effort at sticking to the previous assignment during a rebalance. This provides a faster, more efficient rebalance. + +### Tracking Partition Consumption + +![tracking-partition-consumption](https://images.ctfassets.net/gt6dp23g0g38/F1Nqrh5ElviKJKLuzO6gn/73a3f20420af1749bc74d2d7528cbf45/Kafka_Internals_071.png) + +In Kafka, keeping track of the progress of a consumer is relatively simple. A given partition is always assigned to a single consumer, and the events in that partition are always read by the consumer in offset order. So, the consumer only needs to keep track of the last offset it has consumed for each partition. To do this, the consumer will issue a CommitOffsetRequest to the group coordinator. The coordinator will then persist that information in its internal __consumer_offsets topic. + +### Determining Starting Offset to Consume + +![determining-starting-offset-to-consume](https://images.ctfassets.net/gt6dp23g0g38/aQyj65S4sBzKyCGHCSjtf/ec08539faaa40080361201e39ba5a761/Kafka_Internals_072.png) + +When a consumer group instance is restarted, it will send an OffsetFetchRequest to the group coordinator to retrieve the last committed offset for its assigned partition. Once it has the offset, it will resume the consumption from that point. If this consumer instance is starting for the very first time and there is no saved offset position for this consumer group, then the auto.offset.reset configuration will determine whether it begins consuming from the earliest offset or the latest. + +### Group Coordinator Failover + +![group-coordinator-failover](https://images.ctfassets.net/gt6dp23g0g38/3FRBXQAQvcGXxKezdXtOGK/9494607a1ea6c60a2aa3f527222fcb25/Kafka_Internals_073.png) + +The internal __consumer_offsets topic is replicated like any other Kafka topic. Also, recall that the group coordinator is the broker that hosts the leader replica of the __consumer_offsets partition assigned to this group. So if the group coordinator fails, a broker that is hosting one of the follower replicas of that partition will become the new group coordinator. Consumers will be notified of the new coordinator when they try to make a call to the old one, and then everything will continue as normal. + +### Consumer Group Rebalance Triggers + +![consumer-group-rebalance-triggers](https://images.ctfassets.net/gt6dp23g0g38/235g0BGQoTUrdzhrPVaJ6w/b11bae4c0ea05aeff38f8300c5386a97/Kafka_Internals_074.png) + +One of the key features of consumer groups is rebalancing. We’ll be discussing rebalances in more detail, but first let's consider some of the events that can trigger a rebalance: + +- An instance fails to send a heartbeat to the coordinator before the timeout and is removed from the group +- An instance has been added to the group +- Partitions have been added to a topic in the group’s subscription +- A group has a wildcard subscription and a new matching topic is created +- And, of course, initial group startup + +Next we’ll look at what happens when a rebalance occurs. + +### Consumer Group Rebalance Notification + +![consumer-group-rebalance-notification](https://images.ctfassets.net/gt6dp23g0g38/izCSKstOIQMZ8Blh7BCWg/8194eb9df3ff686cd62e1b1d7dda8c01/Kafka_Internals_075.png) + +The rebalance process begins with the coordinator notifying the consumer instances that a rebalance has begun. It does this by piggybacking on the HeartbeatResponse or the OffsetFetchResponse. Now the fun begins! + +### Stop-the-World Rebalance + +![stop-the-world-rebalance](https://images.ctfassets.net/gt6dp23g0g38/3AvvIpWKyXtRxH8g8Oev5j/d8255b0fa80975f2b0b0febe772c52f9/Kafka_Internals_076.png) + +The traditional rebalance process is rather involved. Once the consumers receive the rebalance notification from the coordinator, they will revoke their current partition assignments. If they have been maintaining any state associated with the data in their previously assigned partitions, they will also have to clean that up. Now they are basically like new consumers and will go through the same steps as a new consumer joining the group. + +They will send a JoinGroupRequest to the coordinator, followed by a SyncGroupRequest. The coordinator will respond accordingly, and the consumers will each have their new assignments. + +Any state that is required by the consumer would now have to be rebuilt from the data in the newly assigned partitions. This process, while effective, has some drawbacks. Let’s look at a couple of those now. + +### Stop-the-World Problem #1 – Rebuilding State + +![stop-the-world-problem-rebuilding-state](https://images.ctfassets.net/gt6dp23g0g38/75Mb2DDsnsQ1rzhovE93NF/f254f9bc114fc01f05b2c005ef5c2aff/Kafka_Internals_077.png) + +The first problem is the need to rebuild state. If a consumer application was maintaining state based on the events in the partition it had been assigned to, it may need to read all of the events in the partition to rebuild that state after the rebalance is complete. As you can see from our example, sometimes this work is being done even when it is not needed. If a consumer revokes its assignment to a particular partition and then is assigned that same partition during the rebalance, a significant amount of wasted processing may occur. + +### Stop-the-World Problem #2 – Paused Processing + +![stop-the-world-paused-processing](https://images.ctfassets.net/gt6dp23g0g38/a030ERMpe6aBI0q2rtRAM/44bd23b209e40d7f7543e83c6de3fea3/Kafka_Internals_078.png) + +The second problem is that we’re required to pause all processing while the rebalance is occurring, hence the name “Stop-the-world.” Since the partition assignments for all consumers are revoked at the beginning of the process, nothing can happen until the process completes and the partitions have been reassigned. In many cases, as in our example here, some consumers will keep some of the same partitions and could have, in theory, continued working with them while the rebalance was underway. + +Let’s see some of the improvements that have been made to deal with these problems. + +### Avoid Needless State Rebuild with StickyAssignor + +![avoid-needless-state-rebuild-stickyassignor](https://images.ctfassets.net/gt6dp23g0g38/184ENnaTGeHTXyToly3Oj5/2b939e740df21123c6cc1fa91bb80abc/Kafka_Internals_079.png) + +First, using the new StickyAssignor we can avoid unnecessary state rebuilding. The main difference with the StickyAssignor, is that the state cleanup is moved to a later step, after the reassignments are complete. That way if a consumer is reassigned the same partition it can just continue with its work and not clear or rebuild state. In our example, state would only need to be rebuilt for partition p2, which is assigned to the new consumer. + +### Avoid Pause with CooperativeStickyAssignor Step 1 + +![avoid-processing-pause-cooperativestickyassignor](https://images.ctfassets.net/gt6dp23g0g38/4hxCepzIy6fhVRFvg3LJjr/a09433afda0ce6cbaa560acf8e3daafa/Kafka_Internals_080.png) + +To solve the problem of paused processing, we introduced the CooperativeStickyAssignor. This assignor works in a two-step process. In the first step the determination is made as to which partition assignments need to be revoked. Those assignments are revoked at the end of the first rebalance step. The partitions that are not revoked can continue to be processed. + +### Avoid Pause with CooperativeStickyAssignor Step 2 + +![avoid-processing-pause-cooperativestickyassignor-2](https://images.ctfassets.net/gt6dp23g0g38/3rsYzgAy1qklrJzVCRQ74u/93f70ccd8442c10d8be32a56e5c64c45/Kafka_Internals_081.png) + +In the second rebalance step, the revoked partitions will be assigned. In our example, partition 2 was the only one revoked and it is assigned to the new consumer 3. In a more involved system, all of the consumers might have new partition assignments, but the fact remains that any partitions that did not need to move can continue to be processed without the world grinding to a halt. + +### Avoid Rebalance with Static Group Membership + +![avoid-rebalance-with-static-group-membership](https://images.ctfassets.net/gt6dp23g0g38/4nNPDs11L8OfiTtOfl7Ket/6b08a07f522090245224538c9f621c04/Kafka_Internals_082.png) + +As the saying goes, the fastest rebalance is the one that doesn’t happen. That’s the goal of static group membership. With static group membership each consumer instance is assigned a group.instance.id. Also, when a consumer instance leaves gracefully it will not send a LeaveGroup request to the coordinator, so no rebalance is started. When the same instance rejoins the group, the coordinator will recognize it and allow it to continue with its existing partition assignments. Again, no rebalance needed. + +Likewise, if a consumer instance fails but is restarted before its heartbeat interval has timed out, it will be able to continue with its existing assignments. \ No newline at end of file diff --git a/docs/distribution/message-queue/Kafka/Hello-Kafka.md b/docs/distribution/message-queue/Kafka/Hello-Kafka.md index f8e0517075..8219dd68cc 100644 --- a/docs/distribution/message-queue/Kafka/Hello-Kafka.md +++ b/docs/distribution/message-queue/Kafka/Hello-Kafka.md @@ -6,7 +6,9 @@ tags: categories: Kafka --- -![](https://images.pexels.com/photos/3747150/pexels-photo-3747150.jpeg?auto=compress&cs=tinysrgb&h=750&w=1260) +![](https://img.starfish.ink/mq/hello-kakfa-banner.png) + + ## 1. Kafka概述 @@ -22,26 +24,26 @@ Kafka 是一个**分布式**的基于**发布/订阅模式的消息队列**（Me #### 1.2.1 传统消息队列的应用场景 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh3hnbbzj1j316k0s4dkj.jpg) +![](https://img.starfish.ink/mq/mq-scenarios.png) #### 1.2.2 为什么需要消息队列 -1. **解耦**： 允许你独立的扩展或修改两边的处理过程，只要确保它们遵守同样的接口约束。 +1. **解耦**：允许你独立的扩展或修改两边的处理过程，只要确保它们遵守同样的接口约束。 2. **冗余**：消息队列把数据进行持久化直到它们已经被完全处理，通过这一方式规避了数据丢失风险。许多消息队列所采用的"插入-获取-删除"范式中，在把一个消息从队列中删除之前，需要你的处理系统明确的指出该消息已经被处理完毕，从而确保你的数据被安全的保存直到你使用完毕。 3. **扩展性**： 因为消息队列解耦了你的处理过程，所以增大消息入队和处理的频率是很容易的，只要另外增加处理过程即可。 4. **灵活性 & 峰值处理能力**： 在访问量剧增的情况下，应用仍然需要继续发挥作用，但是这样的突发流量并不常见。 如果为以能处理这类峰值访问为标准来投入资源随时待命无疑是巨大的浪费。使用消息队列能够使关键组件顶住突发的访问压力，而不会因为突发的超负荷的请求而完全崩溃。 -5. **可恢复性**： 系统的一部分组件失效时，不会影响到整个系统。消息队列降低了进程间的耦合度，所以即使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。 -6. **顺序保证**： 在大多使用场景下，数据处理的顺序都很重要。大部分消息队列本来就是排序的，并且能保证数据会按照特定的顺序来处理。（Kafka 保证一个 Partition 内的消息的有序性） -7. **缓冲**： 有助于控制和优化数据流经过系统的速度， 解决生产消息和消费消息的处理速度不一致的情况。 -8. **异步通信**： 很多时候，用户不想也不需要立即处理消息。消息队列提供了异步处理机制，允许用户把一个消息放入队列，但并不立即处理它。想向队列中放入多少消息就放多少，然后在需要的时候再去处理它们。 +5. **可恢复性**：系统的一部分组件失效时，不会影响到整个系统。消息队列降低了进程间的耦合度，所以即使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。 +6. **顺序保证**：在大多使用场景下，数据处理的顺序都很重要。大部分消息队列本来就是排序的，并且能保证数据会按照特定的顺序来处理。（Kafka 保证一个 Partition 内的消息的有序性） +7. **缓冲**：有助于控制和优化数据流经过系统的速度， 解决生产消息和消费消息的处理速度不一致的情况。 +8. **异步通信**：很多时候，用户不想也不需要立即处理消息。消息队列提供了异步处理机制，允许用户把一个消息放入队列，但并不立即处理它。想向队列中放入多少消息就放多少，然后在需要的时候再去处理它们。 #### 1.2.3 消息队列的两种模式 -- **点对点模式**（一对一，消费者主动拉取数据，消息收到后消息清除） +- **点对点模式**（一对一，消费者主动拉取数据，收到后消息清除） - 消息生产者生产消息发送到 Queue 中，然后消息消费者从 Queue 中取出并且消费消息。 消息被消费以后，queue 中不再有存储，所以消息消费者不可能消费到已经被消费的消息。 Queue 支持存在多个消费者，但是对一个消息而言，只会有一个消费者可以消费。 + 消息生产者生产消息发送到 Queue 中，然后消费者从 Queue 中取出并且消费消息。 消息被消费以后，queue 中不再有存储，所以消息消费者不可能消费到已经被消费的消息。 Queue 支持存在多个消费者，但是对一个消息而言，只会有一个消费者可以消费。 ![图片：mrbird.cc](https://img.starfish.ink/mq/mq-point2point.jpg) @@ -66,7 +68,7 @@ Kafka 是一个**分布式**的基于**发布/订阅模式的消息队列**（Me - Replica：副本，为保证集群中的某个节点发生故障时，该节点上的 partition 数据不丢失，且 kafka 仍然能够继续工作，kafka 提供了副本机制，一个 topic 的每个分区都有若干个副本， 一个 leader 和若干个 follower； - leader：每个分区多个副本的“主”，**生产者发送数据的对象，以及消费者消费数据的对象都是 leader**； - follower：每个分区多个副本中的“从”，实时从 leader 中同步数据，保持和 leader 数据的同步。leader 发生故障时，某个 follower 会成为新的 follower； -- Offset： kafka 的存储文件都是按照 `offset.kafka` 来命名，用 offset 做名字的好处是方便查找。例如你想找位于 2049 的位置，只要找到 2048.kafka 的文件即可。当然 the first offset 就是 00000000000.kafka。 +- offset： kafka 的存储文件都是按照 `offset.kafka` 来命名，用 offset 做名字的好处是方便查找。例如你想找位于 2049 的位置，只要找到 2048.kafka 的文件即可。当然 the first offset 就是 00000000000.kafka。 ------ @@ -74,6 +76,8 @@ Kafka 是一个**分布式**的基于**发布/订阅模式的消息队列**（Me ## 2. Hello Kafka +![overview-of-kafka-architecture](https://images.ctfassets.net/gt6dp23g0g38/4DA2zHan28tYNAV2c9Vd98/b9fca38c23e2b2d16a4c4de04ea6dd3f/Kafka_Internals_004.png) + ### 2.1 动起手来 [Quickstart]( ) @@ -113,21 +117,19 @@ Kafka 是一个分布式的流处理平台。是支持分区的（partition） - **Admin API** 允许管理和检查主题、brokes 和其他 Kafka 对象。（这个是新版本才有的） - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh3hpxk1e8j30tp0ozjtg.jpg) - Kafka 的客户端和服务器之间的通信是靠一个简单的，高性能的，与语言无关的 TCP 协议完成的。这个协议有不同的版本，并保持向后兼容旧版本。Kafka 不光提供了一个 Java 客户端，还有许多语言版本的客户端。 #### 主题和日志 主题是同一类别的消息记录（record）的集合。Kafka 的主题支持多用户订阅，也就是说，一个主题可以有零个，一个或多个消费者订阅写入的数据。对于每个主题，Kafka 集群都会维护一个分区日志，如下所示： -![图片来源：官方文档](https://tva1.sinaimg.cn/large/007S8ZIlly1gh3hqggk2wj30bk07f3yr.jpg) +![](https://img.starfish.ink/mq/log_anatomy.png) **每个分区是一个有序的，不可变的消息序列**，新的消息不断追加到 partition 的末尾。在每个 partition 中，每条消息都会被分配一个顺序的唯一标识，这个标识被称为 **offset**，即偏移量。**kafka 不能保证全局有序，只能保证分区内有序** 。 Kafka 集群保留所有发布的记录，不管这个记录有没有被消费过，**Kafka 提供可配置的保留策略去删除旧数据**(还有一种策略根据分区大小删除数据)。例如，如果将保留策略设置为两天，在数据发布后两天，它可用于消费，之后它将被丢弃以腾出空间。Kafka 的性能跟存储的数据量的大小无关（会持久化到硬盘）， 所以将数据存储很长一段时间是没有问题的。 -![图片来源：官方文档](https://tva1.sinaimg.cn/large/007S8ZIlly1gh3hqzopuqj31d90u0djc.jpg) +![](https://img.starfish.ink/mq/log_consumer.png) 事实上，在单个消费者层面上，每个消费者保存的唯一的元数据就是它所消费的数据日志文件的偏移量。偏移量是由消费者来控制的，通常情况下，消费者会在读取记录时线性的提高其偏移量。不过由于偏移量是由消费者控制，所以消费者可以将偏移量设置到任何位置，比如设置到以前的位置对数据进行重复消费，或者设置到最新位置来跳过一些数据。 @@ -151,7 +153,7 @@ Kafka 集群保留所有发布的记录，不管这个记录有没有被消费 **这是 kafka 用来实现一个 topic 消息的广播（发给所有的 consumer） 和单播（发给任意一个 consumer）的手段**。一个 topic 可以有多个 CG。 topic 的消息会复制 （不是真的复制，是概念上的）到所有的 CG，但每个 partion 只会把消息发给该 CG 中的一 个 consumer。如果需要实现广播，只要每个 consumer 有一个独立的 CG 就可以了。要实现单播只要所有的 consumer 在同一个 CG。用 CG 还可以将 consumer 进行自由的分组而不需要多次发送消息到不同的 topic； -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh3htbkk8uj30d607074q.jpg) +![](https://img.starfish.ink/mq/consumer-groups.png) **举个栗子：** diff --git a/docs/distribution/message-queue/Kafka/Kafka-API.md b/docs/distribution/message-queue/Kafka/Kafka-API.md index 66f0c1901d..9664098c37 100644 --- a/docs/distribution/message-queue/Kafka/Kafka-API.md +++ b/docs/distribution/message-queue/Kafka/Kafka-API.md @@ -1,3 +1,131 @@ + + +### 1. 生产者配置 + +在开始生产数据之前，需要配置生产者的一些基本属性。这些属性定义了生产者的行为，例如连接的 Kafka 集群地址、序列化器、分区策略等。 + +```java +Properties props = new Properties(); +props.put("bootstrap.servers", "localhost:9092"); +props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer"); +props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer"); +props.put("acks", "all"); // 配置确认机制 +props.put("retries", 0); // 配置重试次数 +props.put("batch.size", 16384); // 配置批量大小 +props.put("linger.ms", 1); // 配置延迟时间 +props.put("buffer.memory", 33554432); // 配置内存缓冲区大小 + +KafkaProducer producer = new KafkaProducer<>(props); +``` + +### 2. 发送数据 + +生产者创建并发送消息到指定的主题（Topic）。发送消息时，可以指定消息的键和值，键用于确定消息将被发送到哪个分区（Partition）。 + +```java +producer.send(new ProducerRecord<>("my-topic", "key", "value")); +``` + +### 3. 选择分区 + +Kafka 使用分区来提高吞吐量和并行处理能力。每个主题可以分为多个分区，消息被均匀地分布在这些分区中。生产者在发送消息时，会根据配置的分区策略选择目标分区。 + +#### 分区策略 + +- **无键分区策略**：如果消息没有指定键，Kafka 会使用轮询（Round-Robin）策略将消息分布到各个分区。 +- **有键分区策略**：如果消息指定了键，Kafka 会使用键的哈希值来确定目标分区。相同键的消息会被发送到相同的分区。 + +```java +producer.send(new ProducerRecord<>("my-topic", "key", "value")); +``` + +### 4. 消息序列化 + +在将消息发送到 Kafka 之前，生产者需要将消息的键和值序列化为字节数组。Kafka 提供了多种内置的序列化器，也可以自定义序列化器。 + +```java +props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer"); +props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer"); +``` + +### 5. 批量发送和缓冲 + +为了提高性能，Kafka 生产者会将多条消息批量发送到 Kafka Broker。生产者会在内存中维护一个缓冲区（Buffer），在满足以下任一条件时，将缓冲区中的消息批量发送： + +- 缓冲区满（达到 `batch.size` 配置的大小） +- 等待时间超过 `linger.ms` 配置的时间 + +### 6. 发送确认 + +Kafka 提供了多种确认机制（Acks）来确保消息成功发送到 Kafka Broker： + +- **acks=0**：生产者不等待任何确认，即“尽力而为”模式。 +- **acks=1**：生产者等待主副本（Leader）写入成功后返回确认。 +- **acks=all**：生产者等待所有副本（ISR）写入成功后返回确认，确保最高的数据可靠性。 + +```java +props.put("acks", "all"); +``` + +### 7. 错误处理和重试 + +在发送消息过程中，如果遇到临时性错误（如网络问题），生产者可以重试发送消息。重试次数由 `retries` 配置参数决定。 + +```java +props.put("retries", 3); +``` + +### 8. 消息发送过程示例 + +以下是一个完整的生产者示例，展示了从配置到发送消息的全过程： + +```java +import org.apache.kafka.clients.producer.KafkaProducer; +import org.apache.kafka.clients.producer.ProducerRecord; + +import java.util.Properties; + +public class SimpleProducer { + public static void main(String[] args) { + Properties props = new Properties(); + props.put("bootstrap.servers", "localhost:9092"); + props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer"); + props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer"); + props.put("acks", "all"); + props.put("retries", 3); + props.put("batch.size", 16384); + props.put("linger.ms", 1); + props.put("buffer.memory", 33554432); + + KafkaProducer producer = new KafkaProducer<>(props); + + for (int i = 0; i < 100; i++) { + producer.send(new ProducerRecord<>("my-topic", Integer.toString(i), "Message-" + i)); + } + + producer.close(); + } +} +``` + +### 9. Kafka 生产者工作流程总结 + +1. **初始化和配置**：创建生产者实例并配置相关参数。 +2. **发送消息**：生产者创建并发送消息到 Kafka。 +3. **选择分区**：根据分区策略确定目标分区。 +4. **消息序列化**：将消息的键和值序列化为字节数组。 +5. **批量发送和缓冲**：生产者在内存中缓冲消息，并批量发送到 Kafka Broker。 +6. **发送确认**：根据配置的确认机制，确保消息成功发送。 +7. **错误处理和重试**：在遇到临时性错误时，生产者重试发送消息。 + +通过这些步骤，Kafka 生产者确保消息高效、可靠地发送到 Kafka 集群中，并持久化到磁盘中。这些机制共同保证了 Kafka 的高性能和高吞吐量。 + + + + + + + ## 5. Kafka API（Java中的Kafka使用） ### 5.1 启动zk和kafka集群 @@ -134,6 +262,16 @@ producer.send（record).get() +> ### Kafka 生产者工作流程总结 +> +> 1. **初始化和配置**：创建生产者实例并配置相关参数。 +> 2. **发送消息**：生产者创建并发送消息到 Kafka。 +> 3. **选择分区**：根据分区策略确定目标分区。 +> 4. **消息序列化**：将消息的键和值序列化为字节数组。 +> 5. **批量发送和缓冲**：生产者在内存中缓冲消息，并批量发送到 Kafka Broker。 +> 6. **发送确认**：根据配置的确认机制，确保消息成功发送。 +> 7. **错误处理和重试**：在遇到临时性错误时，生产者重试发送消息。 + ### 5.4 创建消费者 Consumer 消费数据时的可靠性是很容易保证的，因为数据在 Kafka 中是持久化的，故 不用担心数据丢失问题。 由于 consumer 在消费过程中可能会出现断电宕机等故障，consumer 恢复后，需要从故 障前的位置的继续消费，所以 consumer 需要实时记录自己消费到了哪个 offset，以便故障恢 复后继续消费。 所以 offset 的维护是 Consumer 消费数据是必须考虑的问题。 diff --git a/docs/distribution/message-queue/Kafka/Kafka-Consumer.md b/docs/distribution/message-queue/Kafka/Kafka-Consumer.md index 2b483d5e07..6f554f165b 100644 --- a/docs/distribution/message-queue/Kafka/Kafka-Consumer.md +++ b/docs/distribution/message-queue/Kafka/Kafka-Consumer.md @@ -16,7 +16,11 @@ **2 消费者位置(consumer position)** -消费者在消费的过程中需要记录自己消费了多少数据，即消费位置信息。在Kafka中这个位置信息有个专门的术语：位移(offset)。很多消息引擎都把这部分信息保存在服务器端(broker端)。这样做的好处当然是实现简单，但会有三个主要的问题：1. broker从此变成有状态的，会影响伸缩性；2. 需要引入应答机制(acknowledgement)来确认消费成功。3. 由于要保存很多consumer的offset信息，必然引入复杂的数据结构，造成资源浪费。而Kafka选择了不同的方式：每个consumer group保存自己的位移信息，那么只需要简单的一个整数表示位置就够了；同时可以引入checkpoint机制定期持久化，简化了应答机制的实现。 +消费者在消费的过程中需要记录自己消费了多少数据，即消费位置信息。在Kafka中这个位置信息有个专门的术语：位移(offset)。很多消息引擎都把这部分信息保存在服务器端(broker端)。这样做的好处当然是实现简单，但会有三个主要的问题： + +1. broker从此变成有状态的，会影响伸缩性； +2. 需要引入应答机制(acknowledgement)来确认消费成功。 +3. 由于要保存很多consumer的offset信息，必然引入复杂的数据结构，造成资源浪费。而Kafka选择了不同的方式：每个consumer group保存自己的位移信息，那么只需要简单的一个整数表示位置就够了；同时可以引入checkpoint机制定期持久化，简化了应答机制的实现。 **3 位移管理(offset management)** @@ -24,7 +28,7 @@ Kafka默认是定期帮你自动提交位移的(enable.auto.commit = true)，你当然可以选择手动提交位移实现自己控制。另外kafka会定期把group消费情况保存起来，做成一个offset map，如下图所示： -![img](https://images2015.cnblogs.com/blog/735367/201612/735367-20161226175429711-638862783.png) +![](https://images2015.cnblogs.com/blog/735367/201612/735367-20161226175429711-638862783.png) 上图中表明了test-group这个组当前的消费情况。 diff --git a/docs/distribution/message-queue/Kafka/Kafka-Rebalancing.md b/docs/distribution/message-queue/Kafka/Kafka-Rebalancing.md new file mode 100755 index 0000000000..48d3899099 --- /dev/null +++ b/docs/distribution/message-queue/Kafka/Kafka-Rebalancing.md @@ -0,0 +1,15 @@ +![](https://img.starfish.ink/mq/kafka-rebalancing-banner.png) + + + + + + + + + + + + + +- https://www.verica.io/blog/understanding-kafkas-consumer-group-rebalancing/ \ No newline at end of file diff --git a/docs/distribution/message-queue/Kafka/Kafka-Version.md b/docs/distribution/message-queue/Kafka/Kafka-Version.md index 83525982f6..c74736e7e0 100644 --- a/docs/distribution/message-queue/Kafka/Kafka-Version.md +++ b/docs/distribution/message-queue/Kafka/Kafka-Version.md @@ -6,7 +6,7 @@ tags: categories: Kafka --- -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/kafka/glasses-g7ac23922c_1920.jpg) +![](https://img.starfish.ink/mq/kafka-version-banner.png) > 用 Kafka 的时候，其实大家都会有默认的共识，客户端和服务端版本号要尽量统一，因为不同版本之间的差异和功能其实差距还是挺大的，记得刚工作那会，我对 kafka 的命名就很迷惑，0.11.0.0 后来就升级到 1.0.1？这篇算是一个交代吧，祝好 @@ -14,19 +14,19 @@ categories: Kafka 截止到目前，Apache Kafka 已经到了 3.1 版本，我们看下之前的版本 -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/kafka/kafka-version.png) +![](https://img.starfish.ink/mq/kafka-version-name.png) 比如我们在官网上下载 Kafka 时，会看到这样的版本： -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/kafka/imprint.png) +![](https://img.starfish.ink/mq/kafka-version.png) Kafka 的版本命名，这么长一串，其实呢，前面的版本号是编译 Kafka 源代码的 Scala 编译器版本，真正的版本号其实是后边的 `3.1.0`， -> Kafka 服务器端的代码完全由 Scala 语言编写，Scala 同时支持面向对象编程和函数式编程，用 Scala 写成的源代码编译之后也是普通的“.class”文件，因此我们说 Scala 是 JVM 系的语言，它的很多设计思想都是为人称道的。 +> Apache Kafka 的服务端核心代码最初是用 Scala 编写的，但近年来，代码库中有越来越多的部分被重写为 Java。 -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/kafka/kafka-tags.png) +![](https://img.starfish.ink/mq/kafka-tags.png) 1.x 版本后，kafka 启用三位数的命名规则，从 tag 记录可以看到，之前的版本都是 `0.10.2.2` 、 `0.11.0.2` 这种，新的版本命名采用了 diff --git a/docs/distribution/message-queue/Kafka/Kafka-Workflow.md b/docs/distribution/message-queue/Kafka/Kafka-Workflow.md index e0564179fe..d719917dbe 100644 --- a/docs/distribution/message-queue/Kafka/Kafka-Workflow.md +++ b/docs/distribution/message-queue/Kafka/Kafka-Workflow.md @@ -1,18 +1,129 @@ -# Kafka 工作流程和存储机制分析 +--- +title: Kafka 工作流程和存储机制分析 +date: 2023-02-15 +tags: + - Kafka +categories: Kafka +--- -![](https://images.gitbook.cn/e49bc290-cf95-11e8-8388-bd48f25029c6) +![](https://img.starfish.ink/mq/kafka-workflow.jpg) -### 一、Kafka 文件存储机制 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh45cng275j30ny0bjwfr.jpg) -#### topic构成 +## Kafka 架构 + +![overview-of-kafka-architecture](https://images.ctfassets.net/gt6dp23g0g38/4DA2zHan28tYNAV2c9Vd98/b9fca38c23e2b2d16a4c4de04ea6dd3f/Kafka_Internals_004.png) + +Kafka 是一个数据流处理系统，它允许开发者实时地对新发生的事件做出反应。 + +Kafka 的架构由存储层和计算层组成。 + +存储层被设计为高效地存储数据，并且是一个分布式系统，这意味着如果你的存储需求随时间增长，你可以轻松地扩展系统以适应增长。 + +计算层由四个核心组件构成： + +1. **生产者（Producer）API**： + - 生产者 API 允许开发者将数据发送到 Kafka 主题。 +2. **消费者（Consumer）API**： + - 消费者 API 允许开发者从 Kafka 主题接收数据流。 +3. **流（Streams）API**： + - 流 API 提供了构建和运行流处理应用程序的能力，可以对数据进行复杂的转换和处理。 +4. **连接器（Connector）API**： + - 连接器 API 允许开发者将 Kafka 与外部系统如数据库连接起来，实现数据的自动导入和导出。 + + + + + +Kafka 官方定义是一个流处理系统，用于处理事件流（Event Stream），事件是对发生的某事的记录，同时提供了关于所发生事情的信息。 + +Kafka 记录（Kafka Record）是 Kafka 中传输和存储的基本单元。每条记录包含以下内容： + +- **主题（Topic）**：记录所属的主题。 +- **分区（Partition）**：记录存储的分区。 +- **偏移量（Offset）**：记录在分区中的位置。 +- **时间戳（Timestamp）**：记录的时间戳。 +- **键（Key）**：可选，用于分区策略。 +- **值（Value）**：实际的数据内容。 +- **头部（Headers）**：可选的元数据，用于附加信息。 + +![](/Users/starfish/oceanus/picBed/kafka/kafka-event-stream.png) + + + + + + + +### Record Schema + +In Kafka, the key and value are stored as byte arrays which means that clients can work with any type of data that can be serialized to bytes. A popular format among Kafka users is Avro, which is also supported by Confluent Schema Registry. + +When integrated with Schema Registry, the first byte of an event will be a magic byte which signifies that this event is using a schema in the Schema Registry. The next four bytes make up the schema ID that can be used to retrieve the schema from the registry, and the rest of the bytes contain the event itself. Schema Registry also supports Protobuf and JSON schema formats. + +![inline-pic-schema](https://images.ctfassets.net/gt6dp23g0g38/33K4H01OUsnYyR7z4dzRkj/d07131ca9752ba363792844e887c7f48/Kafka_Internals_006.png) + + + +### Topics **Kafka 中消息是以 topic 进行分类的**，生产者生产消息，消费者消费消息，都是面向 topic 的。 -在 Kafka 中，一个 topic 可以分为多个 partition，一个 partition 分为多个 **segment**，每个 segment 对应两个文件：.index 和 .log 文件 +在 Kafka 中，一个核心概念是主题（Topic）。主题是事件的仅追加（append-only）且不可变的日志。通常，相同类型或以某种方式相关的事件会被放入同一个主题中。Kafka 生产者将事件写入主题，而 Kafka 消费者从主题中读取事件。 + +![inline-pic-topic](https://images.ctfassets.net/gt6dp23g0g38/J2Y8oV2hoVWLv8u7sJ2v6/271fa3dde5d47e3a5980ad51fdd8b331/Kafka_Internals_007.png) + + + +### Topic 分区 + +![inline-pic-partition-2](https://images.ctfassets.net/gt6dp23g0g38/ODHQiu10QMZJ4bBbeQcvG/024159856d3361aaac482da28979acf6/Kafka_Internals_009.png) + +为了在 Kafka 中分配事件的存储和处理，Kafka 使用了分区的概念。一个主题由一个或多个分区组成，这些分区可以位于 Kafka 集群的不同节点上。 + +分区是 Kafka 事件存储的主要单元，尽管我们将在后面讨论的分层存储中，一些事件存储会从分区中移出。分区也是并行性的主要单元。事件可以通过同时写入多个分区来并行地生产到主题中。同样，消费者可以通过不同的消费者实例从不同的分区中读取来分散他们的工作负载。如果我们只使用一个分区，我们将只能有效地使用一个消费者实例。 + +在分区内部，每个事件都被赋予一个称为偏移量（offset）的唯一标识符。随着事件的添加，给定分区的偏移量将持续增长，而且偏移量从不重复使用。在 Kafka 中，偏移量有多种用途，其中包括消费者跟踪已处理的事件。 + -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh3ntjmvt8j31600mzac4.jpg) + + + +Kafka 将数据和元数据分别管理，这种设计有助于提高系统的灵活性和可扩展性。以下是 Kafka 如何分别管理数据和元数据的一些关键点： + +1. **数据管理**： + - Kafka 的数据层主要负责存储实际的消息事件。数据通常存储在主题（Topics）中，并且可以分布在多个分区（Partitions）上以实现并行处理和扩展性。 +2. **元数据管理**： + - 元数据包括关于 Kafka 集群的配置信息、主题的分区信息、副本（Replicas）的分配、消费者组（Consumer Groups）的状态等。这些信息通常由 Kafka 的控制平面（Control Plane）管理。 +3. **Zookeeper 的使用**： + - 在早期版本的 Kafka 中，Zookeeper 被用来存储和管理元数据。Zookeeper 作为一个协调服务，处理集群管理任务，如领导者选举、节点注册、负载均衡等。 +4. **Kafka 自身管理元数据**： + - 从 Kafka 2.8.0 版本开始，Kafka 引入了 KRaft（Kafka Raft Metadata）模式，允许 Kafka 自身管理元数据，而不再依赖 Zookeeper。 +5. **KRaft 协议**： + - KRaft 协议是 Kafka 用来处理元数据管理的共识协议，它借鉴了 Raft 算法来确保元数据的一致性和高可用性。 +6. **元数据的持久化**： + - Kafka 将元数据持久化存储在本地文件系统中，例如，主题配置信息存储在 `meta.properties` 文件中。 +7. **控制平面和数据平面的分离**： + - Kafka 的控制平面负责管理元数据和集群协调，而数据平面负责实际的消息存储和传输。这种分离允许 Kafka 更好地扩展和优化性能。 +8. **动态更新元数据**： + - Kafka 允许动态地更新元数据，如增加分区、修改副本因子等，而无需停止服务。 +9. **元数据的高可用性**： + - Kafka 的元数据管理设计确保了元数据的高可用性，即使在某些节点或组件失败的情况下，集群仍然可以正常运行。 + +通过分别管理数据和元数据，Kafka 能够提供更好的性能、灵活性和可维护性，同时也为复杂的分布式系统提供了强大的支持。 + + + + + + + +Kafka 将每个 Topic 划分为多个分区（Partition），每个分区在磁盘上对应一个日志文件（Log）。为了管理这些日志文件，Kafka 将每个分区的日志文件进一步分为多个段（Segment）。每个段包含一段时间内的消息，并且有两个文件：一个数据文件和一个索引文件。 + +- **数据文件**：存储实际的消息内容，文件扩展名为 `.log`。 +- **索引文件**：存储消息的偏移量和物理位置，用于快速定位消息，文件扩展名为 `.index`。 + +![](/Users/starfish/oceanus/picBed/kafka/kafka-topic.png) **topic 是逻辑上的概念，而 patition 是物理上的概念**，每个 patition 对应一个 log 文件，而 log 文件中存储的就是 producer 生产的数据，patition 生产的数据会被不断的添加到 log 文件的末端，且每条数据都有自己的 offset。 @@ -20,42 +131,252 @@ -> 问：Kafka 为什么要将 Topic 进行分区 -> -> 答：负载均衡+水平扩展 -> -> Topic 只是逻辑概念，面向的是 producer 和 consumer；而 Partition 则是物理概念。可以想象，如果 Topic 不进行分区，而将 Topic 内的消息存储于一个 broker，那么关于该 Topic 的所有读写请求都将由这一个 broker 处理，吞吐量很容易陷入瓶颈，这显然是不符合高吞吐量应用场景的。有了 Partition 概念以后，假设一个 Topic 被分为 10 个 Partitions，Kafka 会根据一定的算法将 10 个 Partition 尽可能均匀的分布到不同的 broker（服务器）上，当 producer 发布消息时，producer 客户端可以采用 `random`、`key-hash` 及 `轮询` 等算法选定目标 partition，若不指定，Kafka 也将根据一定算法将其置于某一分区上。Partiton 机制可以极大的提高吞吐量，并且使得系统具备良好的水平扩展能力。 -> -> 在创建 topic 时可以在 `$KAFKA_HOME/config/server.properties` 中指定这个 partition 的数量（如下所示），当然可以在 topic 创建之后去修改 partition 的数量。 -> -> ```properties -> # The default number of log partitions per topic. More partitions allow greater -> # parallelism for consumption, but this will also result in more files across -> # the brokers. -> num.partitions=3 -> ``` -> -> 在发送一条消息时，可以指定这个消息的 key，producer 根据这个 key 和 partition 机制来判断这个消息发送到哪个partition。partition 机制可以通过指定 producer 的 partition.class 这一参数来指定（即支持自定义），该 class 必须实现 kafka.producer.Partitioner 接口。 +### Kafka 为什么要将 Topic 进行分区？ + +答：负载均衡+水平扩展 + +Topic 只是逻辑概念，面向的是 producer 和 consumer；而 Partition 则是物理概念。可以想象，如果 Topic 不进行分区，而将 Topic 内的消息存储于一个 broker，那么关于该 Topic 的所有读写请求都将由这一个 broker 处理，吞吐量很容易陷入瓶颈，这显然是不符合高吞吐量应用场景的。有了 Partition 概念以后，假设一个 Topic 被分为 10 个 Partitions，Kafka 会根据一定的算法将 10 个 Partition 尽可能均匀的分布到不同的 broker（服务器）上，当 producer 发布消息时，producer 客户端可以采用 `random`、`key-hash` 及 `轮询` 等算法选定目标 partition，若不指定，Kafka 也将根据一定算法将其置于某一分区上。Partiton 机制可以极大的提高吞吐量，并且使得系统具备良好的水平扩展能力。 + +在创建 topic 时可以在 `$KAFKA_HOME/config/server.properties` 中指定这个 partition 的数量（如下所示），当然可以在 topic 创建之后去修改 partition 的数量。 + +```properties +# The default number of log partitions per topic. More partitions allow greater +# parallelism for consumption, but this will also result in more files across +# the brokers. +num.partitions=3 +``` + +在发送一条消息时，可以指定这个消息的 key，producer 根据这个 key 和 partition 机制来判断这个消息发送到哪个 partition。partition 机制可以通过指定 producer 的 partition.class 这一参数来指定（即支持自定义），该 class 必须实现 kafka.producer.Partitioner 接口。 + + + +## 三、Broker 保存消息 + +Kafka 集群中的功能分为数据平面和控制平面。控制平面负责管理集群中的所有元数据。数据平面处理我们写入和读取 Kafka 的实际数据。 + +![kafka-manages-data-and-metadata-separately](https://images.ctfassets.net/gt6dp23g0g38/6dIHZmyFufygLqoOZl9NK8/568033253444bede095afcea83924c44/Kafka_Internals_015.png) + + + +broker 内部 + +![inside-the-apache-kafka-broker](https://images.ctfassets.net/gt6dp23g0g38/39R8M25VXtbor8PP0Uv5Zh/1ed96b8c15b8c8ddf81f1e0ab02e5b77/Kafka_Internals_016.png) + +### 客户端请求的两种类型：生产请求和获取请求 + +客户端请求分为两类：生产请求和获取请求。生产请求是请求将一批数据写入指定的主题。获取请求是请求从 Kafka 主题中获取数据。这两种请求都经历许多相同的步骤。我们将首先了解生产请求的流程，然后再看看获取请求有何不同。 + +#### 生产请求流程 + +1. **记录分区**：生产者使用分区器决定数据写入哪个分区。 +2. **批次积累**：为了提高效率，生产者会将数据累积到批次中。 +3. **发送请求**：当批次满足时间或大小要求时，生产者将数据批次发送给分区的 Leader Broker。 +4. **确认机制**：生产者根据配置的确认机制（acks）等待 Broker 的响应。 + +#### 获取请求流程 + +1. **发送获取请求**：消费者指定主题、分区和偏移量，发送获取请求。 +2. **请求处理**：获取请求进入 Broker 的网络线程，被放入请求队列。 +3. **数据读取**：I/O 线程根据请求中的偏移量从日志文件中读取数据。 +4. **批量响应**：为了提高效率，消费者可以配置等待最小数据量或最大等待时间来返回响应。 + + + +#### 3.1 存储方式 + +物理上把 topic 分成一个或多个 partition（对应 server.properties 中的 num.partitions=3 配置），每个 partition 物理上对应一个文件夹（该文件夹存储该 patition 的所有消息和索引文件）。 + +![kafka-physical-storage](https://images.ctfassets.net/gt6dp23g0g38/6BStOsjiQRncUJUEXIeo1s/a38554930ab928132ec2244d53efa149/Kafka_Internals_022.png) + +#### 3.2 存储策略 + +无论消息是否被消费， kafka 都会保留所有消息。有两种策略可以删除旧数据： + +1. 基于时间： `log.retention.hours=168` + +2. 基于大小： `log.retention.bytes=1073741824` 需要注意的是，因为 Kafka 读取特定消息的时间复杂度为 $O(1)$，即与文件大小无关， 所以这里删除过期文件与提高 Kafka 性能无关。 + + + + + +## Kafka Data Replication + +In this module we’ll look at how the data plane handles data replication. Data replication is a critical feature of Kafka that allows it to provide high durability and availability. We enable replication at the topic level. When a new topic is created we can specify, explicitly or through defaults, how many replicas we want. Then each partition of that topic will be replicated that many times. This number is referred to as the replication factor. With a replication factor of N, in general, we can tolerate N-1 failures, without data loss, and while maintaining availability. + +数据平面如何处理数据复制。数据复制是 Kafka 的一个关键特性，它允许 Kafka 提供高持久性和可用性。我们在主题级别启用复制。当创建新主题时，我们可以明确指定或通过默认设置来指定我们想要的副本数量。然后，该主题的每个分区将被复制指定的次数。这个数字被称为复制因子。使用 N 作为复制因子，通常我们可以容忍 N-1 次故障，而不会丢失数据，同时保持可用性。 + +### Leader, Follower, and In-Sync Replica (ISR) List + +![leader-follower-isr-list](https://images.ctfassets.net/gt6dp23g0g38/4Llth82ZvCCBqcHfp7v0lH/60e6f507fdccce263d38b6d285e6b143/Kafka_Internals_030.png) + +一旦主题的所有分区副本被创建，每个分区的一个副本将被指定为领导者副本，持有该副本的代理将成为该分区的领导者。其余的副本将是追随者。生产者将写入领导者副本，追随者将获取数据以与领导者保持同步。消费者通常也从领导者副本获取数据，但它们可以配置为从追随者获取。 + +分区领导者以及所有与领导者同步的追随者将构成同步副本集（ISR）。在理想情况下，所有副本都将是 ISR 的一部分。 + +> Once the replicas for all the partitions in a topic are created, one replica of each partition will be designated as the leader replica and the broker that holds that replica will be the leader for that partition. The remaining replicas will be followers. Producers will write to the leader replica and the followers will fetch the data in order to keep in sync with the leader. Consumers also, generally, fetch from the leader replica, but they can be configured to fetch from followers. > -> +> The partition leader, along with all of the followers that have caught up with the leader, will be part of the in-sync replica set (ISR). In the ideal situation, all of the replicas will be part of the ISR. + +### Leader Epoch + +![leader-epoch](https://images.ctfassets.net/gt6dp23g0g38/1rHc9oqwn8DD94JIQckrXL/a36399e2acc2437810ddaa8a568307ca/Kafka_Internals_031.png) + +每个领导者都与一个独特的、单调递增的数字相关联，称为领导者纪元。纪元用于跟踪当这个副本是领导者时完成的工作，每当选出新领导者时，纪元会增加。领导者纪元对于诸如日志协调等事项非常重要，我们很快就会讨论。 + +> Each leader is associated with a unique, monotonically increasing number called the leader epoch. The epoch is used to keep track of what work was done while this replica was the leader and it will be increased whenever a new leader is elected. The leader epoch is very important for things like log reconciliation, which we’ll discuss shortly. + +### Follower Fetch Request + +![follower-fetch-request](https://images.ctfassets.net/gt6dp23g0g38/QMNcHw9rAoiFGXj4DnP9I/51ef0ec74b91b1f01a88f8fa3934b2f0/Kafka_Internals_032.png) + +每当领导者将其本地日志中的新数据附加时，追随者将向领导者发出获取请求，传入他们需要开始获取的偏移量。 + +> Whenever the leader appends new data into its local log, the followers will issue a fetch request to the leader, passing in the offset at which they need to begin fetching. + +### Follower Fetch Response + +![follower-fetch-response](https://images.ctfassets.net/gt6dp23g0g38/7kr6K36N4VF4D5F3gpY71h/10329b5e4b700afdb1aa28a46432fd44/Kafka_Internals_033.png) + +领导者将从指定偏移量开始的记录响应获取请求。获取响应还将包括每个记录的偏移量和当前领导者纪元。追随者然后将这些记录附加到他们自己的本地日志中 + +> The leader will respond to the fetch request with the records starting at the specified offset. The fetch response will also include the offset for each record and the current leader epoch. The followers will then append those records to their own local logs. + +### Committing Partition Offsets + +![committing-partition-offsets](https://images.ctfassets.net/gt6dp23g0g38/7ADIKF2poAYD0iE1p1hJNF/eff71842eed8637f50d888e27f962343/Kafka_Internals_034.png) + +一旦 ISR 中的所有追随者都获取到了特定的偏移量，到该偏移量为止的记录就被认为是已提交的，并且对消费者可用。这由高水位线指定。 + +领导者通过获取请求中发送的偏移值了解追随者获取的最高偏移量。例如，如果追随者向领导者发送一个获取请求，指定偏移量为 3，领导者知道这个追随者已经提交了所有到偏移量 3 的记录。一旦所有追随者都达到了偏移量 3，领导者将相应地推进高水位线。 + +> Once all of the followers in the ISR have fetched up to a particular offset, the records up to that offset are considered committed and are available for consumers. This is designated by the high watermark. + +> The leader is made aware of the highest offset fetched by the followers through the offset value sent in the fetch requests. For example, if a follower sends a fetch request to the leader that specifies offset 3, the leader knows that this follower has committed all records up to offset 3. Once all of the followers have reached offset 3, the leader will advance the high watermark accordingly. + +### Advancing the Follower High Watermark + +![advancing-the-follower-high-watermark](https://images.ctfassets.net/gt6dp23g0g38/2GtWQTnR5GwuDaUltAxEHM/50dd8e261231d98af4dcae5fc57bc41e/Kafka_Internals_035.png) + +反过来，领导者使用获取响应来通知追随者当前的高水位线。由于这个过程是异步的，追随者的高水位线通常会落后于领导者实际持有的高水位线。 + +> The leader, in turn, uses the fetch response to inform followers of the current high watermark. Because this process is asynchronous, the followers’ high watermark will typically lag behind the actual high watermark held by the leader. + +### Handling Leader Failure + +![handling-leader-failure](https://images.ctfassets.net/gt6dp23g0g38/4gmUY2HRzEEgtWX4aYO5RK/92c1cd987a80a083e0903ab21bb7a6e6/Kafka_Internals_036.png) + +如果领导者失败，或者由于其他原因我们需要选择一个新的领导者，ISR 中的一个代理将被选为新的领导者。领导者选举和通知受影响的追随者的过程由控制平面处理。数据平面重要的是在这个过程中没有数据丢失。这就是为什么新的领导者只能从 ISR 中选择，除非主题特别配置为允许选择不同步的副本。我们知道 ISR 中的所有副本都与最新的提交偏移量保持最新。 + +一旦选出新领导者，领导者纪元将增加，新领导者将开始接受生产请求。 + +> If a leader fails, or if for some other reason we need to choose a new leader, one of the brokers in the ISR will be chosen as the new leader. The process of leader election and notification of affected followers is handled by the control plane. The important thing for the data plane is that no data is lost in the process. That is why a new leader can only be selected from the ISR, unless the topic has been specifically configured to allow replicas that are not in sync to be selected. We know that all of the replicas in the ISR are up to date with the latest committed offset. + +Once a new leader is elected, the leader epoch will be incremented and the new leader will begin accepting produce requests. + +### Temporary Decreased High Watermark + +![temporary-decreased-high-watermark](https://images.ctfassets.net/gt6dp23g0g38/Kr5GipOTKKo9KojdSmREF/a230a16ec35d8887e91cff2ddeb29e00/Kafka_Internals_037.png) + +当新领导者当选时，其高水位线可能小于实际的高水位线。如果发生这种情况，任何偏移量在当前领导者的高水位线和实际高水位线之间的获取请求将触发可重试的 OFFSET_NOT_AVAILABLE 错误。消费者将继续尝试获取，直到高水位线更新，此时处理将正常继续。 + +> When a new leader is elected, its high watermark could be less than the actual high watermark. If this happens, any fetch requests for an offset that is between the current leader’s high watermark and the actual will trigger a retriable OFFSET_NOT_AVAILABLE error. The consumer will continue trying to fetch until the high watermark is updated, at which point processing will continue as normal. + +### Partition Replica Reconciliation + +![partition-replica-reconciliation](https://images.ctfassets.net/gt6dp23g0g38/1MCX2GxiBgktyO7kPgSBGu/f0e8800cd5c4d66ec23243795b5597f5/Kafka_Internals_038.png) + +在新领导者选举后立即，一些副本可能有未提交的记录与新领导者不同步。这就是为什么领导者的高水位线还不是当前的。它不能是，直到它知道每个追随者已经赶上到哪个偏移量。我们不能前进，直到这个问题得到解决。这是通过一个称为副本协调的过程完成的。协调的第一步是在不同步的追随者发送获取请求时开始的。在我们的示例中，请求显示追随者正在获取的偏移量高于其当前纪元的高水位线。 + +> Immediately after a new leader election, it is possible that some replicas may have uncommitted records that are out of sync with the new leader. This is why the leader's high watermark is not current yet. It can’t be until it knows the offset that each follower has caught up to. We can’t move forward until this is resolved. This is done through a process called replica reconciliation. The first step in reconciliation begins when the out-of-sync follower sends a fetch request. In our example, the request shows that the follower is fetching an offset that is higher than the high watermark for its current epoch. + +### Fetch Response Informs Follower of Divergence + +![partition-replica-reconciliation](https://images.ctfassets.net/gt6dp23g0g38/1MCX2GxiBgktyO7kPgSBGu/1087c6850f64d0e30a86f97f8ac6f77a/Kafka_Internals_039.png) + +当领导者收到获取请求时，它将检查自己的日志，并确定所请求的偏移量对于该纪元无效。然后，它将向追随者发送响应，告诉它该纪元应该以哪个偏移量结束。领导者让追随者执行清理工作。 +> When the leader receives the fetch request it will check it against its own log and determine that the offset being requested is not valid for that epoch. It will then send a response to the follower telling it what offset that epoch should end at. The leader leaves it to the follower to perform the cleanup. +### Follower Truncates Log to Match Leader Log -#### 消息存储原理 +![follower-truncates-log-to-match-leader-log](https://images.ctfassets.net/gt6dp23g0g38/2SLCk6ccSIlkvPjrKq2YCi/492556be995fa402bd06e20cc24a6964/Kafka_Internals_040.png) -由于生产者生产的消息会不断追加到 log 文件末尾，为防止 log 文件过大导致数据定位效率低下，Kafka 采取了**分片**和**索引**机制，将每个 partition 分为多个 segment。每个 segment 对应两个文件——`.index文件 `和 `.log文件`。这些文件位于一个文件夹下，该文件夹的命名规则为：`topic名称+分区序号`。 +追随者将使用获取响应中的信息来截断多余的数据，以便与领导者同步。 + +The follower will use the information in the fetch response to truncate the extraneous data so that it will be in sync with the leader. + +### Subsequent Fetch with Updated Offset and Epoch + +![subsequent-fetch-with-updated-offset-and-epoch](https://images.ctfassets.net/gt6dp23g0g38/aYcacWtuT1gnS6RCQRxaa/5b2760f264a6fd99b29c16a03d030b03/Kafka_Internals_041.png) + +现在，追随者可以再次发送获取请求，但这次使用正确的偏移量。 + +Now the follower can send that fetch request again, but this time with the correct offset. + +### Follower 102 Reconciled + +![follower-102-reconciled](https://images.ctfassets.net/gt6dp23g0g38/5rtqIUVT29SGB5vharEdcE/ed09090d7e99d57752e001dfc8758d56/Kafka_Internals_042.png) + +然后，领导者将响应从该偏移量开始的新记录，包括新的领导者纪元。 + +The leader will then respond with the new records since that offset includes the new leader epoch. + +### Follower 102 Acknowledges New Records + +![follower-102-acknowledges-new-records](https://images.ctfassets.net/gt6dp23g0g38/10rKaHrv3sJxZ9CxmYwL9w/b3a8d28f7b99a4b8cee79fe9a1b7697e/Kafka_Internals_043.png) + +当追随者再次获取时，它传递的偏移量将告知领导者它已经赶上，领导者将能够增加高水位线。此时，领导者和追随者已完全协调，但我们仍然处于副本不足的状态，因为并非所有副本都在 ISR 中。根据配置，我们可以在此状态下操作，但这当然不理想。 + +When the follower fetches again, the offset that it passes will inform the leader that it has caught up and the leader will be able to increase the high watermark. At this point the leader and follower are fully reconciled, but we are still in an under replicated state because not all of the replicas are in the ISR. Depending on configuration, we can operate in this state, but it’s certainly not ideal. + +### Follower 101 Rejoins the Cluster + +![follower-101-rejoins-the-cluster](https://images.ctfassets.net/gt6dp23g0g38/slWIzdKdFUuiEwK1BAG4E/cd88e602396e4bcdacad99487ea4387f/Kafka_Internals_044.png) + +过一段时间，希望不久，失败的副本代理将重新上线。然后，它将经历我们刚刚描述的相同协调过程。一旦完成协调并赶上新领导者，它将被重新添加到 ISR，我们将回到快乐的地方。 + +At some point, hopefully soon, the failed replica broker will come back online. It will then go through the same reconciliation process that we just described. Once it is done reconciling and is caught up with the new leader, it will be added back to the ISR and we will be back in our happy place. + +### Handling Failed or Slow Followers + +![handling-failed-or-slow-followers](https://images.ctfassets.net/gt6dp23g0g38/1T8pQOyW8YcUj64phgAYW5/c550c246504f246faab3f172f2f073a0/Kafka_Internals_045.png) + +显然，当领导者失败时，这是一个更大的问题，但我们也需要处理追随者失败以及运行缓慢的追随者。领导者监视其追随者的进度。如果自追随者上次完全赶上以来，经过了可配置的时间量，领导者将从同步副本集中移除该追随者。这允许领导者推进高水位线，以便消费者可以继续消费当前数据。如果追随者重新上线或以其他方式赶上领导者，那么它将被重新添加到 ISR。 + +Obviously when a leader fails, it’s a bigger deal, but we also need to handle follower failures as well as followers that are running slow. The leader monitors the progress of its followers. If a configurable amount of time elapses since a follower was last fully caught up, the leader will remove that follower from the in-sync replica set. This allows the leader to advance the high watermark so that consumers can continue consuming current data. If the follower comes back online or otherwise gets its act together and catches up to the leader, then it will be added back to the ISR. + +### Partition Leader Balancing + +![partition-leader-balancing](https://images.ctfassets.net/gt6dp23g0g38/6P0oOJdQ8gJkU0ib014amg/3074980c72714d158fea435866283388/Kafka_Internals_046.png) + +正如我们所看到的，包含领导者副本的代理比追随者副本做了更多的工作。因此，最好不要在单个代理上拥有不成比例的领导者副本数量。为了防止这种情况，Kafka 有首选副本的概念。创建主题时，每个分区的第一个副本被指定为首选副本。由于 Kafka 已经努力在可用代理之间均匀分配分区，这将通常导致领导者的良好平衡。 + +由于各种原因进行领导者选举时，领导者可能会出现在非首选副本上，这可能导致不平衡。因此，Kafka 会定期检查领导者副本是否不平衡。它使用可配置的阈值来确定这一点。如果确实发现不平衡，它将执行领导者重新平衡，以使领导者回到其首选副本上。 + +As we’ve seen, the broker containing the leader replica does a bit more work than the follower replicas. Because of this it’s best not to have a disproportionate number of leader replicas on a single broker. To prevent this Kafka has the concept of a preferred replica. When a topic is created, the first replica for each partition is designated as the preferred replica. Since Kafka is already making an effort to evenly distribute partitions across the available brokers, this will usually result in a good balance of leaders. + +As leader elections occur for various reasons, the leaders might end up on non-preferred replicas and this could lead to an imbalance. So, Kafka will periodically check to see if there is an imbalance in leader replicas. It uses a configurable threshold to make this determination. If it does find an imbalance it will perform a leader rebalance to get the leaders back on their preferred replicas. + + + +## 一、Kafka 文件存储机制 + +### 消息存储原理 + +由于生产者生产的消息会不断追加到 log 文件末尾，为防止 log 文件过大导致数据定位效率低下，Kafka 采取了**分片**和**索引**机制，将每个 partition 分为多个 segment。每个 segment 对应两个文件——`.index文件`和 `.log文件`。这些文件位于一个文件夹下，该文件夹的命名规则为：`topic名称+分区序号`。 如下，我们创建一个只有一个分区一个副本的 topic -``` +```sh > bin/kafka-topics.sh --create --bootstrap-server localhost:9092 --replication-factor 1 --partitions 1 --topic starfish ``` -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh3lsiywl1j31p804qdjk.jpg) +![](https://img.starfish.ink/mq/kafka-topic-create.png) 然后可以在 kafka-logs 目录（server.properties 默认配置）下看到会有个名为 starfish-0 的文件夹。如果，starfish 这个 topic 有三个分区，则其对应的文件夹为 starfish-0，starfish-1，starfish-2。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh3lw95aahj30oy0bm764.jpg) +![](https://img.starfish.ink/mq/kafka-topic-partition.png) 这些文件的含义如下： @@ -81,17 +402,17 @@ one one ``` -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh3md0mmslj31y40gcwqe.jpg) +![](https://img.starfish.ink/mq/kafka-console-producer.png) 查看 .log 文件下是否有数据 one -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh3mujbqwkj30zu082775.jpg) +![](https://img.starfish.ink/mq/0000log.png) 内容存在一些”乱码“，因为数据是经过序列化压缩的。 那么数据文件 .log 大小有限制吗，能保存多久时间？这些我们都可以通过 Kafka 目录下 `conf/server.properties` 配置文件修改： -``` +```properties # log文件存储时间，单位为小时，这里设置为1周 log.retention.hours=168 @@ -110,14 +431,12 @@ log.segment.bytes=1073741824 00000000000000239430.log ``` -- 每个分区是由多个 Segment 组成，当 Kafka 要写数据到一个 partition 时，它会写入到状态为 active 的segment 中。如果该 segment 被写满，则一个新的 segment 将会被新建，然后变成新的“active” segment -- 偏移量：分区中的每一条消息都会被分配的一个连续的id值，该值用于唯一标识分区中的每一条消息 -- 每个 Segment 中则保存了真实的消息数据。每个 Segment 对应于一个索引文件与一个日志文件。Segment 文件的生命周期是由 Kafka Server 的配置参数所决定的。比如说，`server.properties` 文件中的参数项`log.retention.hours=168` 就表示 7 天后删除老的消息文件 -- [稀松索引]：稀松索引可以加快速度，因为 index 不是为每条消息都存一条索引信息，而是每隔几条数据才存一条 index 信息，这样 index 文件其实很小。kafka在写入日志文件的时候，同时会写索引文件（.index和.timeindex）。默认情况下，有个参数 log.index.interval.bytes 限定了在日志文件写入多少数据，就要在索引文件写一条索引，默认是4KB，写4kb的数据然后在索引里写一条索引。 +- 每个分区是由多个 Segment 组成，当 Kafka 要写数据到一个 partition 时，它会写入到状态为 active 的 segment 中。如果该 segment 被写满，则一个新的 segment 将会被新建，然后变成新的“active” segment +- 偏移量：分区中的每一条消息都会被分配的一个连续的 id 值，该值用于唯一标识分区中的每一条消息 +- 每个 Segment 中则保存了真实的消息数据。每个 Segment 对应于一个索引文件与一个日志文件。Segment 文件的生命周期是由 Kafka Server 的配置参数所决定的。比如说，`server.properties` 文件中的参数项 `log.retention.hours=168` 就表示 7 天后删除老的消息文件 +- [稀松索引]：稀松索引可以加快速度，因为 index 不是为每条消息都存一条索引信息，而是每隔几条数据才存一条 index 信息，这样 index 文件其实很小。kafka 在写入日志文件的时候，同时会写索引文件（.index和.timeindex）。默认情况下，有个参数 `log.index.interval.bytes` 限定了在日志文件写入多少数据，就要在索引文件写一条索引，默认是 4KB，写 4kb 的数据然后在索引里写一条索引。 -举个栗子：00000000000000170410 的 “.index” 文件和 “.log” 文件的对应的关系，如下图 - -![](https://images.gitbook.cn/60eafc10-cc9b-11e8-b452-15eec1b99303) +举个栗子：00000000000000170410 的 “.index” 文件和 “.log” 文件的对应的关系，如下图![](/Users/starfish/oceanus/picBed/kafka/kafka-segment-log.png) > 问：为什么不能以 partition 作为存储单位？还要加个 segment？ > @@ -131,48 +450,37 @@ log.segment.bytes=1073741824 -下图展示了Kafka查找数据的过程： +消费者从分配到的分区中查找数据过程大概是这样的： -![img](https://tva1.sinaimg.cn/large/e6c9d24ely1h2siwqg97qj20t40iwq5a.jpg) +1. **定位段文件**：消费者根据要读取的消息的偏移量查找对应的段文件 +2. **使用索引文件查找物理位置**：当消费者请求某个偏移量的消息时，Kafka 会在索引文件中使用二分查找算法快速定位到包含该偏移量消息的日志段 +3. **顺序读取数据文件**：一旦找到消息的物理位置，消费者从段文件的对应位置开始顺序读取消息。顺序读取比随机读取更高效，因为它避免了磁盘的寻道时间。 -`.index文件` 存储大量的索引信息，`.log文件` 存储大量的数据，索引文件中的元数据指向对应数据文件中 message 的物理偏移地址。 +这套机制是建立在 offset 是有序的。索引文件被映射到内存中，所以查找的速度还是很快的。 -> 比如：要查找绝对offffset为7的Message： -> -> 1. 首先是用二分查找确定它是在哪个LogSegment中，自然是在第一个Segment中。 -> 2. 打开这个Segment的index文件，也是用二分查找找到offffset小于或者等于指定offffset的索引条目中最大的那个offset。自然offset为6的那个索引是我们要找的，通过索引文件我们知道offffset为6的Message在数据文件中的位置为9807。 -> -> 3. 打开数据文件，从位置为9807的那个地方开始顺序扫描直到找到offset为7的那条Message。 -> -> 这套机制是建立在offset是有序的。索引文件被映射到内存中，所以查找的速度还是很快的。 -> -> 一句话，Kafka的Message存储采用了分区(partition)，分段(LogSegment)和稀疏索引这几个手段来达到了高效性。 +一句话，Kafka 的 Message 存储采用了分区(partition)，分段(LogSegment)和稀疏索引这几个手段来达到了高效性。 -### 二、Kafka 生产过程 +## 二、Kafka 生产过程 -Kafka 生产者用于生产消息。通过前面的内容我们知道，Kafka 的 topic 可以有多个分区，那么生产者如何将这些数据可靠地发送到这些分区？生产者发送数据的不同的分区的依据是什么？针对这两个疑问，这节简单记录下。 +Kafka 生产者用于生产消息。通过前面的内容我们知道，Kafka 的 topic 可以有多个分区，那么生产者如何将这些数据可靠地发送到这些分区？生产者发送数据的不同的分区的依据是什么？ -#### 3.2.1 写入流程 +### 2.1 写入流程 producer 写入消息流程如下： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh45yc0vp8j30zz0gbdik.jpg) +![img](https://i0.wp.com/belowthemalt.com/wp-content/uploads/2020/11/kafkaproducerapi.png?resize=618%2C334&ssl=1) +![How to Make Kafka Producer/Consumer Production-Ready | by Shivanshu Goyal | The Startup | Medium](https://miro.medium.com/v2/resize:fit:1200/1*RQlk_aKjeTlwJn68llhX7A.png) -1. producer 先从 zookeeper 的 "/brokers/.../state"节点找到该 partition 的 leader -2. producer 将消息发送给该 leader -3. leader 将消息写入本地 log -4. followers 从 leader pull 消息，写入本地 log 后向 leader 发送 ACK -5. leader 收到所有 ISR 中的 replication 的 ACK 后，增加 HW（high watermark，最后 commit 的 offset）并向 producer 发送 ACK -#### 2.1 写入方式 +### 2.2 写入方式 producer 采用推（push） 模式将消息发布到 broker，每条消息都被追加（append） 到分区（patition） 中，属于顺序写磁盘（顺序写磁盘效率比随机写内存要高，保障 kafka 吞吐率）。 -#### 2.2 分区（Partition） +### 2.3 分区（Partition） 消息发送时都被发送到一个 topic，其本质就是一个目录，而 topic 是由一些 Partition Logs(分区日志)组成 @@ -199,7 +507,11 @@ public ProducerRecord (String topic, V value) 2. 没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition 数进行取余得到 partition 值； 3. 既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成一个整数（后面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余得到 partition 值，也就是常说的 round-robin 算法。 -#### 2.3 副本（Replication） + + + + +### 2.4 副本（Replication） Kafka 是有主题概念的，而每个主题又进一步划分成若干个分区。副本的概念实际上是在分区层级下定义的，每个分区配置有若干个副本。 @@ -209,13 +521,15 @@ Kafka 是有主题概念的，而每个主题又进一步划分成若干个分 为了提高消息的可靠性，Kafka 每个 topic 的 partition 有 N 个副本（replicas），其中 N（大于等于 1）是 topic 的复制因子（replica fator）的个数。**Kafka 通过多副本机制实现故障自动转移**，当 Kafka 集群中出现 broker 失效时，副本机制可保证服务可用。对于任何一个 partition，它的 N 个 replicas 中，其中一个 replica 为 leader，其他都为 follower，leader 负责处理 partition 的所有读写请求，follower 则负责被动地去复制 leader 上的数据。如下图所示，Kafka 集群中有 4 个 broker，某 topic 有 3 个 partition，且复制因子即副本个数也为 3： -![](https://images.gitbook.cn/616acd70-cf9b-11e8-8388-bd48f25029c6) +![kafka-data-replication](https://images.ctfassets.net/gt6dp23g0g38/HZjoaXOuEc1zteyMcoOww/1ebab125a11552f4e8b8d88e7850f0ad/Kafka_Internals_029.png) + +![partition-leader-balancing](https://images.ctfassets.net/gt6dp23g0g38/6P0oOJdQ8gJkU0ib014amg/3074980c72714d158fea435866283388/Kafka_Internals_046.png) 如果 leader 所在的 broker 发生故障或宕机，对应 partition 将因无 leader 而不能处理客户端请求，这时副本的作用就体现出来了：一个新 leader 将从 follower 中被选举出来并继续处理客户端的请求。 -#### 2.4 数据可靠性保证 +#### 2.5 数据可靠性保证 一个 partition 有多个副本（replicas），为了提高可靠性，这些副本分散在不同的 broker 上，由于带宽、读写性能、网络延迟等因素，同一时刻，这些副本的状态通常是不一致的：即 followers 与 leader 的状态不一致。 @@ -247,7 +561,9 @@ leader 维护了一个动态的 **in-sync replica set**(ISR)，意为和 leader 值得注意的是，倘若该副本后面慢慢地追上了 Leader 的进度，那么它是能够重新被加回 ISR 的。这也表明，ISR 是一个动态调整的集合，而非静态不变的。 -![](https://static001.geekbang.org/resource/image/df/e0/df4824e3ae53e7aebd03c38d8859aae0.png) +![leader-follower-isr-list](https://images.ctfassets.net/gt6dp23g0g38/4Llth82ZvCCBqcHfp7v0lH/60e6f507fdccce263d38b6d285e6b143/Kafka_Internals_030.png) + +![advancing-the-follower-high-watermark](https://images.ctfassets.net/gt6dp23g0g38/2GtWQTnR5GwuDaUltAxEHM/50dd8e261231d98af4dcae5fc57bc41e/Kafka_Internals_035.png) leader 发生故障之后，就会从 ISR 中选举新的 leader。（之前还有另一个参数，0.9 版本之后 `replica.lag.max.messages` 参数被移除了） @@ -279,7 +595,7 @@ leader 发生故障之后，就会从 ISR 中选举新的 leader。（之前还 由于我们并不能保证 Kafka 集群中每时每刻 follower 的长度都和 leader 一致（即数据同步是有时延的），那么当 leader 挂掉选举某个 follower 为新的 leader 的时候（原先挂掉的 leader 恢复了成为了 follower），可能会出现 leader 的数据比 follower 还少的情况。为了解决这种数据量不一致带来的混乱情况，Kafka 提出了以下概念： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh46fmpty5j31eq0hudfw.jpg) +![](https://img.starfish.ink/mq/kafka-leo-hw.png) - LEO（Log End Offset）：指的是每个副本最后一个offset； - HW（High Wather）：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。 @@ -308,7 +624,7 @@ Kafka 的 ISR 的管理最终都会反馈到 ZooKeeper 节点上，具体位置 -#### 2.5 Exactly Once 语义 +#### 2.6 Exactly Once 语义 将服务器的 ACK 级别设置为 -1，可以保证 Producer 到 Server 之间不会丢失数据，即 At Least Once 语义。相对的，将服务器 ACK 级别设置为 0，可以保证生产者每条消息只会被发送一次，即 At Most Once语义。 @@ -334,66 +650,11 @@ Kafka 的 ISR 的管理最终都会反馈到 ZooKeeper 节点上，具体位置 -#### 2.6 Kafka 事务 -Kafka 从 0.11 版本开始引入了事务支持。事务可以保证 Kafka 在 Exactly Once 语义的基础上，生产和消费可以跨分区和会话，要么全部成功，要么全部失败。 -##### 2.6.1 Producer事务 -为了了实现跨分区跨会话的事务，需要引入一个全局唯一的 TransactionID，并将 Producer 获得的 PID 和Transaction ID 绑定。这样当 Producer 重启后就可以通过正在进行的 TransactionID 获得原来的 PID。 - -为了管理 Transaction，Kafka 引入了一个新的组件 Transaction Coordinator。Producer 就是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。Transaction Coordinator 还负责将事务所有写入 Kafka 的一个内部 Topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态可以得到恢复，从而继续进行。 -设置事务型 Producer 的方法也很简单，满足两个要求即可： - -- 和幂等性 Producer 一样，开启 enable.idempotence = true。 -- 设置 Producer 端参数 transctional. id。最好为其设置一个有意义的名字。 - -此外，你还需要在 Producer 代码中做一些调整，如这段代码所示： - -```java -producer.initTransactions(); -try { - producer.beginTransaction(); - producer.send(record1); - producer.send(record2); - producer.commitTransaction(); -} catch (KafkaException e) { - producer.abortTransaction(); -} -``` - - - -##### 2.6.2 Consumer事务 - -对 Consumer 而言，事务的保证就会相对较弱，尤其是无法保证 Commit 的消息被准确消费。这是由于Consumer 可以通过 offset 访问任意信息，而且不同的 SegmentFile 生命周期不同，同一事务的消息可能会出现重启后被删除的情况。 - -> 在 Consumer 端，读取事务型 Producer 发送的消息也是需要一些变更的。修改起来也很简单，设置 isolation.level 参数的值即可。当前这个参数有两个取值： -> -> 1. read_uncommitted：这是默认值，表明 Consumer 能够读取到 Kafka 写入的任何消息，不论事务型 Producer 提交事务还是终止事务，其写入的消息都可以读取。很显然，如果你用了事务型 Producer，那么对应的 Consumer 就不要使用这个值。 -> 2. read_committed：表明 Consumer 只会读取事务型 Producer 成功提交事务写入的消息。当然了，它也能看到非事务型 Producer 写入的所有消息。 - - - - -### 三、Broker 保存消息 - -#### 3.1 存储方式 - -物理上把 topic 分成一个或多个 partition（对应 server.properties 中的 num.partitions=3 配置），每个 partition 物理上对应一个文件夹（该文件夹存储该 patition 的所有消息和索引文件）。 - -#### 3.2 存储策略 - -无论消息是否被消费， kafka 都会保留所有消息。有两种策略可以删除旧数据： - -1. 基于时间： `log.retention.hours=168` - -2. 基于大小： `log.retention.bytes=1073741824` 需要注意的是，因为 Kafka 读取特定消息的时间复杂度为 $O(1)$，即与文件大小无关， 所以这里删除过期文件与提高 Kafka 性能无关。 - - - -### 四、Kafka 消费过程 +## 四、Kafka 消费过程 **Kafka 消费者采用 pull 拉模式从 broker 中消费数据**。与之相对的 push（推）模式很难适应消费速率不同的消费者，因为消息发送速率是由 broker 决定的。它的目标是尽可能以最快速度传递消息，但是这样很容易造成 consumer 来不及处理消息。而 pull 模式则可以根据 consumer 的消费能力以适当的速率消费消息。 @@ -401,7 +662,7 @@ pull 模式不足之处是，如果 kafka 没有数据，消费者可能会陷 #### 4.1 消费者组 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh4aejp3muj31aq0om41k.jpg) +![](https://img.starfish.ink/mq/kafka-consume-group.png) **Consumer Group 是 Kafka 提供的可扩展且具有容错性的消费者机制**。 @@ -423,11 +684,11 @@ Kafka 有两种分配策略，一是 RoundRobin，一是 Range（新版本还有 RoundRobin 即轮询的意思，比如现在有一个三个消费者 ConsumerA、ConsumerB 和 ConsumerC 组成的消费者组，同时消费 TopicA 主题消息，TopicA 分为 7 个分区，如果采用 RoundRobin 分配策略，过程如下所示： -![图片：mrbird.cc](https://tva1.sinaimg.cn/large/007S8ZIlly1gh47iuetprj31es0ko74s.jpg) +![](https://img.starfish.ink/mq/QQ20200401-145222@2x.png) 这种轮询的方式应该很好理解。但如果消费者组消费多个主题的多个分区，会发生什么情况呢？比如现在有一个两个消费者 ConsumerA 和 ConsumerB 组成的消费者组，同时消费 TopicA 和 TopicB 主题消息，如果采用RoundRobin 分配策略，过程如下所示： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh4avsimvoj31ey0ladgc.jpg) +![](https://img.starfish.ink/mq/QQ20200401-150317@2x.png) > 注：TAP0 表示 TopicA Partition0 分区数据，以此类推。 @@ -443,11 +704,11 @@ Kafka 默认采用 Range 分配策略，Range 顾名思义就是按范围划分 比如现在有一个三个消费者 ConsumerA、ConsumerB 和 ConsumerC 组成的消费者组，同时消费 TopicA 主题消息，TopicA 分为 7 个分区，如果采用 Range 分配策略，过程如下所示： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh47xvny6fj31eo0kot93.jpg) +![](https://img.starfish.ink/mq/QQ20200401-152904@2x.png) 假如现在有一个两个消费者 ConsumerA 和 ConsumerB 组成的消费者组，同时消费 TopicA 和 TopicB 主题消息，如果采用 Range 分配策略，过程如下所示： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh47xrhr61j31fa0lamxi.jpg) +![](https://img.starfish.ink/mq/QQ20200401-153300@2x.png) Range 算法并不会把多个主题分区当成一个整体。 @@ -463,7 +724,7 @@ Range 算法并不会把多个主题分区当成一个整体。 Kafka 0.9 版本之前，consumer 默认将 offset 保存在 Zookeeper 中，从 0.9 版本开始，consumer 默认将 offset 保存在 Kafka 一个内置的 topic 中，该 topic 为 **_consumer_offsets**。 -> 将位移保存在 ZooKeeper 外部系统的做法，最显而易见的好处就是减少了 Kafka Broker 端的状态保存开销。现在比较流行的提法是将服务器节点做成无状态的，这样可以自由地扩缩容，实现超强的伸缩性。Kafka 最开始也是基于这样的考虑，才将 Consumer Group 位移保存在独立于 Kafka 集群之外的框架中。 +> 将位移保存在 ZooKeeper 外部系统的做法，最显而易见的好处就是减少了 Kafka Broker 端的状态保存开销。现在比较流行的做法是将服务器节点做成无状态的，这样可以自由地扩缩容，实现超强的伸缩性。Kafka 最开始也是基于这样的考虑，才将 Consumer Group 位移保存在独立于 Kafka 集群之外的框架中。 > > 不过，慢慢地人们发现了一个问题，即 ZooKeeper 这类元框架其实并不适合进行频繁的写更新，而 Consumer Group 的位移更新却是一个非常频繁的操作。这种大吞吐量的写操作会极大地拖慢 ZooKeeper 集群的性能，因此 Kafka 社区渐渐有了这样的共识：将 Consumer 位移保存在 ZooKeeper 中是不合适的做法。 @@ -480,7 +741,7 @@ one Math.abs(groupID.hashCode()) % numPartitions ``` -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh485ouy5aj31aq0u04qp.jpg) +![](https://img.starfish.ink/mq/kafka-consumer-offset.png) @@ -493,7 +754,7 @@ Math.abs(groupID.hashCode()) % numPartitions 一般有三种情况会触发再平衡： - 组成员数发生变更：consumer group 中的新增或删除某个 consumer，导致其所消费的分区需要分配到组内其他的 consumer上； -- 订阅主题发生变更：consumer 订阅的 topic 发生变化，比如订阅的 topic 采用的是正则表达式的形式，如 `test-*` 此时如果有一个新建了一个topic `test-user`，那么这个 topic 的所有分区也是会自动分配给当前的 consumer 的，此时就会发生再平衡； +- 订阅主题发生变更：consumer 订阅的 topic 发生变化，比如订阅的 topic 采用的是正则表达式的形式，如 `test-*` 此时如果有一个新建了一个 topic `test-user`，那么这个 topic 的所有分区也是会自动分配给当前的 consumer 的，此时就会发生再平衡； - 订阅主题的分区数发生变更：consumer 所订阅的 topic 发生了新增分区的行为，那么新增的分区就会分配给当前的 consumer，此时就会触发再平衡。 @@ -518,8 +779,54 @@ Kafka 提供的再平衡策略主要有三种：`Round Robin`，`Range` 和 `Sti + + +#### 2.7 Kafka 事务 + +Kafka 从 0.11 版本开始引入了事务支持。事务可以保证 Kafka 在 Exactly Once 语义的基础上，生产和消费可以跨分区和会话，要么全部成功，要么全部失败。 + +##### 2.6.1 Producer事务 + +为了了实现跨分区跨会话的事务，需要引入一个全局唯一的 TransactionID，并将 Producer 获得的 PID 和Transaction ID 绑定。这样当 Producer 重启后就可以通过正在进行的 TransactionID 获得原来的 PID。 + +为了管理 Transaction，Kafka 引入了一个新的组件 Transaction Coordinator。Producer 就是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。Transaction Coordinator 还负责将事务所有写入 Kafka 的一个内部 Topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态可以得到恢复，从而继续进行。 + +设置事务型 Producer 的方法也很简单，满足两个要求即可： + +- 和幂等性 Producer 一样，开启 enable.idempotence = true。 +- 设置 Producer 端参数 transctional. id。最好为其设置一个有意义的名字。 + +此外，你还需要在 Producer 代码中做一些调整，如这段代码所示： + +```java +producer.initTransactions(); +try { + producer.beginTransaction(); + producer.send(record1); + producer.send(record2); + producer.commitTransaction(); +} catch (KafkaException e) { + producer.abortTransaction(); +} +``` + + + +##### 2.6.2 Consumer事务 + +对 Consumer 而言，事务的保证就会相对较弱，尤其是无法保证 Commit 的消息被准确消费。这是由于Consumer 可以通过 offset 访问任意信息，而且不同的 SegmentFile 生命周期不同，同一事务的消息可能会出现重启后被删除的情况。 + +> 在 Consumer 端，读取事务型 Producer 发送的消息也是需要一些变更的。修改起来也很简单，设置 isolation.level 参数的值即可。当前这个参数有两个取值： +> +> 1. read_uncommitted：这是默认值，表明 Consumer 能够读取到 Kafka 写入的任何消息，不论事务型 Producer 提交事务还是终止事务，其写入的消息都可以读取。很显然，如果你用了事务型 Producer，那么对应的 Consumer 就不要使用这个值。 +> 2. read_committed：表明 Consumer 只会读取事务型 Producer 成功提交事务写入的消息。当然了，它也能看到非事务型 Producer 写入的所有消息。 + + + ## 参考与来源： +- https://developer.confluent.io/courses/architecture/get-started/ 文章配图均来自该教程 + - 尚硅谷Kafka教学 - 部分图片来源：mrbird.cc diff --git "a/docs/distribution/message-queue/Kafka/Kafka\351\253\230\346\225\210\350\257\273\345\206\231\346\225\260\346\215\256\347\232\204\345\216\237\345\233\240.md" "b/docs/distribution/message-queue/Kafka/Kafka\351\253\230\346\225\210\350\257\273\345\206\231\346\225\260\346\215\256\347\232\204\345\216\237\345\233\240.md" index 952208f3f9..f15468e716 100644 --- "a/docs/distribution/message-queue/Kafka/Kafka\351\253\230\346\225\210\350\257\273\345\206\231\346\225\260\346\215\256\347\232\204\345\216\237\345\233\240.md" +++ "b/docs/distribution/message-queue/Kafka/Kafka\351\253\230\346\225\210\350\257\273\345\206\231\346\225\260\346\215\256\347\232\204\345\216\237\345\233\240.md" @@ -1,8 +1,16 @@ -# Kafka 为什么能那么快 | Kafka高效读写数据的原因 +--- +title: Kafka 为什么能那么快 | Kafka高效读写数据的原因 +date: 2023-02-15 +tags: + - Kafka +categories: Kafka +--- + +![](https://picx.zhimg.com/v2-dbf838a540c98ea0d9bb324d94e339a1_720w.jpg?source=172ae18b) 无论 kafka 作为 MQ 也好，作为存储层也罢，无非就是两个功能（好简单的样子），一是 Producer 生产的数据存到 broker，二是 Consumer 从 broker 读取数据。那 Kafka 的快也就体现在读写两个方面了，下面我们就聊聊 Kafka 快的原因。 -![](https://img01.sogoucdn.com/app/a/100520093/e18d20c94006dfe0-20cbe3c7627c7e45-20667d70eb09be3df128e4c687167789.jpg) +![](https://pic4.zhimg.com/80/v2-227bec1fb110b479e704e92d88848497_1440w.webp) ### 1. 利用 Partition 实现并行处理 @@ -26,11 +34,11 @@ Topic 只是一个逻辑的概念。每个 Topic 都包含一个或多个 Partit > >硬盘内部主要部件为磁盘盘片、传动手臂、读写磁头和主轴马达。实际数据都是写在盘片上，读写主要是通过传动手臂上的读写磁头来完成。实际运行时，主轴让磁盘盘片转动，然后传动手臂可伸展让读取头在盘片上进行读写操作。磁盘物理结构如下图所示： > ->![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh71vfmov9j308c08c74b.jpg) +>![](https://pic2.zhimg.com/80/v2-bbc26468cf46832c18fdbc2b7d0ba6cd_1440w.webp) > >由于单一盘片容量有限，一般硬盘都有两张以上的盘片，每个盘片有两面，都可记录信息，所以一张盘片对应着两个磁头。盘片被分为许多扇形的区域，每个区域叫一个扇区。盘片表面上以盘片中心为圆心，不同半径的同心圆称为磁道，不同盘片相同半径的磁道所组成的圆柱称为柱面。磁道与柱面都是表示不同半径的圆，在许多场合，磁道和柱面可以互换使用。磁盘盘片垂直视角如下图所示： > ->![图片来源：commons.wikimedia.org](https://tva1.sinaimg.cn/large/007S8ZIlly1gh71uhvvykj30dc0dcgnx.jpg) +>![图片来源：commons.wikimedia.org](https://pic3.zhimg.com/80/v2-5e0ed70f0174e07126e8c477ef6a7812_1440w.webp) > >影响磁盘的关键因素是磁盘服务时间，即磁盘完成一个 I/O 请求所花费的时间，它由寻道时间、旋转延迟和数据传输时间三部分构成。 > @@ -46,7 +54,7 @@ Topic 只是一个逻辑的概念。每个 Topic 都包含一个或多个 Partit ### 2. 顺序写磁盘 -![图片来源：kafka.apache.org](https://tva1.sinaimg.cn/large/007S8ZIlly1gh71vl4e5kj30bk07f3yr.jpg) +![图片来源：kafka.apache.org](https://pic3.zhimg.com/80/v2-a8f1c2ea262c67dbbbe0022dedbb992e_1440w.webp) **Kafka 中每个分区是一个有序的，不可变的消息序列**，新的消息不断追加到 partition 的末尾，这个就是顺序写。 @@ -115,9 +123,7 @@ file.flush() 同时，还伴随着四次上下文切换，如下图所示 -![](https://static01.imgkr.com/temp/8fc510468c6e40ecbeca875aac22b536.png) - -![img](https://pic2.zhimg.com/80/v2-e3b554661358b18b3f36cc17f0b0c8c1_720w.jpg) +![](https://pic2.zhimg.com/80/v2-fdfe29d209918316409200f10cf63ebd_1440w.webp) 数据落盘通常都是非实时的，kafka 生产者数据持久化也是如此。Kafka 的数据**并不是实时的写入硬盘**，它充分利用了现代操作系统分页存储来利用内存提高 I/O 效率，就是上一节提到的 Page Cache。 @@ -131,7 +137,7 @@ file.flush() mmap 也有一个很明显的缺陷——不可靠，写到 mmap 中的数据并没有被真正的写到硬盘，操作系统会在程序主动调用 flush 的时候才把数据真正的写到硬盘。Kafka 提供了一个参数——`producer.type` 来控制是不是主动 flush；如果 Kafka 写入到 mmap 之后就立即 flush 然后再返回 Producer 叫同步(sync)；写入 mmap 之后立即返回 Producer 不调用 flush 就叫异步(async)，默认是 sync。 -![](https://static01.imgkr.com/temp/68b8af0326f94444b3bb9a41c8918ab2.png) +![](https://pic1.zhimg.com/80/v2-7b2d0b80328143322445f55f954144ec_1440w.webp) > 零拷贝（Zero-copy）技术指在计算机执行操作时，CPU 不需要先将数据从一个内存区域复制到另一个内存区域，从而可以减少上下文切换以及 CPU 的拷贝时间。 > @@ -167,7 +173,7 @@ Socket.send(buffer) Linux 2.4+ 内核通过 sendfile 系统调用，提供了零拷贝。数据通过 DMA 拷贝到内核态 Buffer 后，直接通过 DMA 拷贝到 NIC Buffer，无需 CPU 拷贝。这也是零拷贝这一说法的来源。除了减少数据拷贝外，因为整个读文件 - 网络发送由一个 sendfile 调用完成，整个过程只有两次上下文切换，因此大大提高了性能。 -![](https://static01.imgkr.com/temp/6753e5f7f2f7435687b6c3fb7c6d1eff.png) +![](https://pic4.zhimg.com/80/v2-fb5b1c0a4358a5c7608251c91e6b971b_1440w.webp) Kafka 在这里采用的方案是通过 NIO 的 `transferTo/transferFrom` 调用操作系统的 sendfile 实现零拷贝。总共发生 2 次内核数据拷贝、2 次上下文切换和一次系统调用，消除了 CPU 数据拷贝 @@ -214,8 +220,6 @@ Producer 可将数据压缩后发送给 broker，从而减少网络传输代价 从 3 个方面来看： -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/kafka/640) - - partition 并行处理 - 顺序写磁盘，充分利用磁盘特性 - 利用了现代操作系统分页存储 Page Cache 来利用内存提高 I/O 效率 diff --git a/docs/distribution/message-queue/readMQ.md b/docs/distribution/message-queue/readMQ.md index 86483ea4ed..a629092c5b 100644 --- a/docs/distribution/message-queue/readMQ.md +++ b/docs/distribution/message-queue/readMQ.md @@ -1,11 +1,7 @@

- -![img](../../_images/message-queue/mq_index.png) -
## MQ - [浅谈消息队列及常见的消息中间件](/message-queue/浅谈消息队列及常见的消息中间件.md) - diff --git "a/docs/distribution/message-queue/\346\265\205\350\260\210\346\266\210\346\201\257\351\230\237\345\210\227\345\217\212\345\270\270\350\247\201\347\232\204\346\266\210\346\201\257\344\270\255\351\227\264\344\273\266.md" "b/docs/distribution/message-queue/\346\265\205\350\260\210\346\266\210\346\201\257\351\230\237\345\210\227\345\217\212\345\270\270\350\247\201\347\232\204\346\266\210\346\201\257\344\270\255\351\227\264\344\273\266.md" index d6964f45c1..2706c0ca5b 100644 --- "a/docs/distribution/message-queue/\346\265\205\350\260\210\346\266\210\346\201\257\351\230\237\345\210\227\345\217\212\345\270\270\350\247\201\347\232\204\346\266\210\346\201\257\344\270\255\351\227\264\344\273\266.md" +++ "b/docs/distribution/message-queue/\346\265\205\350\260\210\346\266\210\346\201\257\351\230\237\345\210\227\345\217\212\345\270\270\350\247\201\347\232\204\346\266\210\346\201\257\344\270\255\351\227\264\344\273\266.md" @@ -1,14 +1,12 @@ # 浅谈消息队列及常见的消息中间件 -> - ## 前言 **消息队列** 已经逐渐成为企业应用系统 **内部通信** 的核心手段。它具有 **低耦合**、**可靠投递**、**广播**、**流量控制**、**最终一致性** 等一系列功能。 当前使用较多的 **消息队列** 有 `RabbitMQ`、`RocketMQ`、`ActiveMQ`、`Kafka`、`ZeroMQ`、`MetaMQ` 等，而部分**数据库** 如 `Redis`、`MySQL` 以及 `phxsql` 也可实现消息队列的功能。 -![img](../../_images/message-queue/mesage-what.png) +![img](https://p.ipic.vip/onjauh.png) @@ -16,7 +14,7 @@ **消息队列** 是指利用 **高效可靠** 的 **消息传递机制** 进行与平台无关的 **数据交流**，并基于**数据通信**来进行分布式系统的集成。 -![img](../../_images/message-queue/message-overview.png) +![img](https://p.ipic.vip/ajmwms.png) @@ -43,7 +41,7 @@ 消息队列的 **传递服务模型** 如下图所示： -![img](../../_images/message-queue/message-server-mode.png) +![img](https://p.ipic.vip/wzphkb.jpg) ## 4. 消息队列的的传输模式 @@ -53,7 +51,7 @@ 传统的点对点消息中间件通常由 **消息队列服务**、**消息传递服务**、**消息队列** 和 **消息应用程序接口** `API` 组成，其典型的结构如下图所示。 -![img](../../_images/message-queue/message-queue.png) +![img](https://p.ipic.vip/4ozrib.jpg) **特点：** @@ -63,7 +61,7 @@ **示意图如下所示：** -![img](../../_images/message-queue/message-queue-mode.png) +![img](https://p.ipic.vip/1qz68s.jpg) ### 4.2. 发布/订阅模型（Pub/Sub） @@ -73,7 +71,7 @@ 在这种情况下，在订阅者 **未连接时**，发布的消息将在订阅者 **重新连接** 时 **重新发布**，如下图所示： -![img](../../_images/message-queue/message-pubsub-mode.png) +![img](https://p.ipic.vip/u9dw6i.jpg) **特性：** @@ -101,7 +99,7 @@ 网站用户注册，注册成功后会过一会发送邮件确认或者短息。 -![img](../../_images/message-queue/message-user-1.png) +![img](https://p.ipic.vip/8gm3u2.jpg) ### 5.2. 系统解耦 @@ -121,7 +119,7 @@ **生产者/消费者** 模式，只需要关心消息是否 **送达队列**，至于谁希望订阅和需要消费，是 **下游** 的事情，无疑极大地减少了开发和联调的工作量。 -![img](../../_images/message-queue/message-user-2.png) +![img](https://p.ipic.vip/0u4rsc.png) ### 5.5. 流量削峰和流控 @@ -138,7 +136,7 @@ 1. 把消息队列当成可靠的 **消息暂存地**，进行一定程度的 **消息堆积**； 2. 定时进行消息投递，比如模拟 **用户秒杀** 访问，进行 **系统性能压测**。 -![img](../../_images/message-queue/message-user-3.png) +![img](https://p.ipic.vip/l1jd43.jpg) ### 5.6. 日志处理 @@ -148,7 +146,7 @@ 把日志进行集中收集，用于计算 `PV`、**用户行为分析** 等等。 -![img](../../_images/message-queue/message-user-4.png) +![img](https://p.ipic.vip/5zzqes.jpg) ### 5.7. 消息通讯 @@ -168,7 +166,7 @@ ### 6.3. 两种类型的区别 -![img](../../_images/message-queue/message-push-pull.png) +![img](https://p.ipic.vip/o2vb3o.jpg) ## 7. 消息队列技术对比 @@ -178,7 +176,7 @@ `ActiveMQ` 是由 `Apache` 出品，`ActiveMQ` 是一个完全支持`JMS1.1` 和 `J2EE 1.4` 规范的 `JMS Provider` 实现。它非常快速，支持 **多种语言的客户端** 和 **协议**，而且可以非常容易的嵌入到企业的应用环境中，并有许多高级功能。 -![img](../../_images/message-queue/message-acaticemq.png) +![img](https://p.ipic.vip/p4is7u.png) #### (a) 主要特性 @@ -218,7 +216,7 @@ `RabbitMQ` 于 `2007` 年发布，是一个在 `AMQP` (**高级消息队列协议**)基础上完成的，可复用的企业消息系统，是当前最主流的消息中间件之一。 -![img](../../_images/message-queue/message-rabbitmq.png) +![img](https://p.ipic.vip/djwqry.png) #### (a) 主要特性 @@ -259,7 +257,7 @@ #### (a) 主要特性 -![img](../../_images/message-queue/message-rocketmq.png) +![img](https://p.ipic.vip/9amnow.png) 1. 基于 **队列模型**：具有 **高性能**、**高可靠**、**高实时**、**分布式** 等特点； 2. `Producer`、`Consumer`、**队列** 都支持 **分布式**； @@ -302,7 +300,7 @@ -![img](../../_images/message-queue/message-kafka.png) +![img](https://p.ipic.vip/hs1qip.png) #### (a) 主要特性 diff --git a/docs/framework/.DS_Store b/docs/framework/.DS_Store index a2179ae715..b52aa4e0d6 100644 Binary files a/docs/framework/.DS_Store and b/docs/framework/.DS_Store differ diff --git a/docs/framework/SpringWebFlux/Reactive.md b/docs/framework/SpringWebFlux/Reactive.md index d2e100cfe7..df7bab0d13 100644 --- a/docs/framework/SpringWebFlux/Reactive.md +++ b/docs/framework/SpringWebFlux/Reactive.md @@ -1,3 +1,7 @@ +![](https://plus.unsplash.com/premium_photo-1661898205432-d648667b9c76?q=80&w=3131&auto=format&fit=crop&ixlib=rb-4.0.3&ixid=M3wxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8fA%3D%3D) + +> 原文：[《Reactive Programming 一种技术，各自表述》](https://cloud.tencent.com/developer/article/1532839) + ## 前言 作为一名 Java 开发人员，尤其是 Java 服务端工程师，对于 Reactive Programming 的概念似乎相对陌生。随着 Java 9 以及 Spring Framework 5 的相继发布，Reactive 技术逐渐开始被广大从业人员所注意，我作为其中一员，更渴望如何理解 Reactive Programming，以及它所带来的哪些显著的编程变化，更为重要的是，怎么将其用于实际生产环境，解决当前面临的问题。然而，随着时间的推移和了解的深入，我对 Reactive Programming 的热情逐渐被浇息，对它的未来保持谨慎乐观的态度。 @@ -436,7 +440,7 @@ Reactive Systems are: Responsive, Resilient, Elastic and Message Driven. > > > 参考地址：https://docs.spring.io/spring/docs/current/spring-framework-reference/web-reactive.html#webflux-why-reactive -相对于维基百科的定义，Spring 5 WebFlux 章节同样也提到了变化响应（reacting to change ） ，并且还说明非阻塞（non-blocking）就是 Reactive。同时，其定义的侧重点在响应通知方面，包括操作完成（operations complete）和数据可用（data becomes available）。Spring WebFlux 作为 Reactive Web 框架，天然支持非阻塞，不过早在 Servlet 3.1 规范时代皆以实现以上需求，其中包括 Servlet 3.1 非阻塞 API `ReadListener` 和`WriteListener`，以及 Servlet 3.0 所提供的异步上下文 `AsyncContext` 和事件监听 `AsyncListener`。这些 Servlet 特性正是为 Spring WebFlux 提供适配的以及，所以 Spring WebFlux 能完全兼容 Servlet 3.1 容器。难道 Reactive 仅是新包装的概念吗？或许就此下结论还为时尚早，不妨在了解一下 ReactiveX 的定义。 +相对于维基百科的定义，Spring 5 WebFlux 章节同样也提到了变化响应（reacting to change ） ，并且还说明非阻塞（non-blocking）就是 Reactive。同时，其定义的侧重点在响应通知方面，包括操作完成（operations complete）和数据可用（data becomes available）。Spring WebFlux 作为 Reactive Web 框架，天然支持非阻塞，不过早在 Servlet 3.1 规范时代皆以实现以上需求，其中包括 Servlet 3.1 非阻塞 API `ReadListener` 和`WriteListener`，以及 Servlet 3.0 所提供的异步上下文 `AsyncContext` 和事件监听 `AsyncListener`。这些 Servlet 特性正是为 Spring WebFlux 提供适配的，所以 Spring WebFlux 能完全兼容 Servlet 3.1 容器。难道 Reactive 仅是新包装的概念吗？或许就此下结论还为时尚早，不妨在了解一下 ReactiveX 的定义。 #### [ReactiveX](http://reactivex.io/intro.html) 中的定义 @@ -476,7 +480,7 @@ Reactive Systems are: Responsive, Resilient, Elastic and Message Driven. > 参考资料：https://docs.spring.io/spring/docs/current/spring-framework-reference/web-reactive.html#webflux-programming-models -Spring WebFlux提供了两种编程模型的选择： +Spring WebFlux 提供了两种编程模型的选择： - Annotated Controllers: 与Spring MVC一致，并基于spring-web模块中的相同注解。Spring MVC和WebFlux控制器都支持reactive (Reactor和RxJava)返回类型，因此，很难将它们区分开来，一个显著的区别是WebFlux也支持响应性的@RequestBody参数。 @@ -502,7 +506,6 @@ https://en.wikipedia.org/wiki/Imperative_programming - 流式（Streams） - 序列（Sequences） - 事件（Events） - https://gist.github.com/staltz/868e7e9bc2a7b8c1f754#what-is-reactive-programming 流是按时间顺序排列的一系列进行中的事件。 @@ -588,7 +591,7 @@ Reactive Programming 作为观察者模式（[Observer] 的延伸，不同于传 > https://github.com/reactive-streams/reactive-streams-jvm -Reactive Stream是JVM的面向流的库的标准和规范: +Reactive Stream是 JVM 的面向流的库的标准和规范: - 处理可能无限多的元素 - 按顺序 @@ -610,7 +613,7 @@ Processor：Publisher和Subscriber混合体 接口： -``` +```java public interface Publisher { public void subscribe(Subscriber s); } @@ -620,7 +623,7 @@ public interface Publisher { 接口： -``` +```java public interface Subscriber { public void onSubscribe(Subscription s); public void onNext(T t); @@ -643,7 +646,7 @@ onError：当数据流（Data Stream）执行错误时 接口： -``` +```java public interface Subscription { public void request(long n); public void cancel(); @@ -662,7 +665,7 @@ cancel：请求停止发送数据并且清除资源 接口： -``` +```java public interface Processor extends Subscriber, Publisher { } ``` diff --git a/docs/framework/SpringWebFlux/SpringWebFlux.md b/docs/framework/SpringWebFlux/SpringWebFlux.md index 4024aee509..b40b2582b8 100644 --- a/docs/framework/SpringWebFlux/SpringWebFlux.md +++ b/docs/framework/SpringWebFlux/SpringWebFlux.md @@ -1,10 +1,54 @@ -## 一、响应式编程 +--- +title: Spring WebFlux +date: 2023-05-23 +tags: + - Spring +categories: Spring +--- -> 或者叫 反应式编程 +![](https://miro.medium.com/v2/resize:fit:1228/format:webp/1*S_6ZOB75Uk-oLh8qVVuC8w.png) -这是微软为了应对 **高并发环境下** 的服务端编程，提出的一个实现 **异步编程** 的方案。 +> WebFlux 到底是个什么，主要用于解决什么问题，有什么优势和劣势 +> +> 哪些场景或者业务适用于 WebFlux + +![](https://img.starfish.ink/spring/springwebflux-banner.svg) + + + +传统的基于Servlet的Web框架，如 Spring MVC，在本质上都是阻塞和多线程的，每个连接都会使用一个线程。在请求处理的时候，会在线程池中拉取一个工作者( worker )线程来对请求进行处理。同时，请求线程是阻塞的，直到工作者线程提示它已经完成为止。 + +在 Spring5 中，引入了一个新的异步、非阻塞的WEB模块，就是Spring-WebFlux。该框架在很大程度上是基于Reactor项目的，能够解决Web应用和API中对更好的可扩展性的需求。 + +> 关于Reactor响应式编程的前置知识：看上一篇 + +要了解 WebFlux ，首先得知道什么是响应式编程，什么是 Reactice + +### Reactive Streams（响应式流） + +Reactive Streams 是 JVM 中面向流的库标准和规范： +一般由以下组成： +- 发布者：发布元素到订阅者 +- 订阅者：消费元素 +- 订阅：在发布者中，订阅被创建时，将与订阅者共享 +- 处理器：发布者与订阅者之间处理数据 + +特性 + +- 处理可能无限数量的元素 +- 按顺序处理 +- 组件之间异步传递 +- 强制性非阻塞背压（Backpressure） + + + +### Backpressure（背压） + +## 一、响应式编程 + +这是微软为了应对 **高并发环境下** 的服务端编程，提出的一个实现 **异步编程** 的方案。 > reactive programming is a declarative programming paradigm concerned with data streams and the propagation of change @@ -50,6 +94,8 @@ public static void main(String[] args) { ![外行人都能看懂的WebFlux，错过了血亏！_Java_07](https://img-blog.csdnimg.cn/img_convert/e65280d03d75299559d90138d99ebe65.png) + + ### 响应式编程->异步非阻塞 说到响应式编程就离不开异步非阻塞。 @@ -62,6 +108,12 @@ public static void main(String[] args) { +响应式编程打破了传统的同步阻塞式编程模型，基于响应式数据流和背压机制实现了异步非阻塞式的网络通信、数据访问和事件驱动架构，能够减轻服务器资源之间的竞争关系，从而提高服务的响应能力。 + +Spring 5 中内嵌了响应式 Web 框架、响应式数据访问、响应式消息通信等多种响应式组件，从而极大简化了响应式应用程序的开发过程和难度。 + +事实上，响应式编程的实施目前主要有两个障碍，一个是关系型数据访问，而另一个就是网络协议。 + ## 二、JDK9 Reactive 响应式流的规范早已经被提出了：里面提到了： @@ -76,7 +128,7 @@ public static void main(String[] args) { ![外行人都能看懂的WebFlux，错过了血亏！_Java_09](https://img-blog.csdnimg.cn/img_convert/d6b7836ff0350a86ef964bd835530feb.png) -Java 平台直到 JDK 9才提供了对于Reactive的完整支持，JDK9也定义了上述提到的四个接口，在java.util.concurrent包上 +Java 平台直到 JDK 9 才提供了对于Reactive的完整支持，JDK9也定义了上述提到的四个接口，在java.util.concurrent包上 ![外行人都能看懂的WebFlux，错过了血亏！_Java_10](https://img-blog.csdnimg.cn/img_convert/23db7b08f8181fcc75118e7ce5623cba.png) @@ -103,7 +155,7 @@ Java 平台直到 JDK 9才提供了对于Reactive的完整支持，JDK9也定义 ## 三、Hello WebFlux -WebFlux 是 Spring Framework5.0 中引入的一种新的反应式Web框架。通过Reactor项目实现Reactive Streams规范，完全异步和非阻塞框架。本身不会加快程序执行速度，但在高并发情况下借助异步IO能够以少量而稳定的线程处理更高的吞吐，规避文件IO/网络IO阻塞带来的线程堆积。 +WebFlux 是 Spring Framework5.0 中引入的一种新的反应式Web框架。通过Reactor项目实现 Reactive Streams规范，完全异步和非阻塞框架。本身不会加快程序执行速度，但在高并发情况下借助异步IO能够以少量而稳定的线程处理更高的吞吐，规避文件IO/网络IO阻塞带来的线程堆积。 #### WebFlux 的特性 @@ -142,8 +194,11 @@ Reactor是一个响应式流，它也有对应的发布者(Publisher )，Reactor - Spring WebFlux也支持响应式的Websocket服务端开发。 -2. 响应式Http客户端 此外，Spring WebFlux也提供了一个响应式的Http客户端API WebClient。它可以用函数式的方式异步非阻塞地发起Http请求并处理响应。其底层也是由Netty提供的异步支持。 +2. 响应式Http客户端 + + 此外，Spring WebFlux也提供了一个响应式的Http客户端API WebClient。它可以用函数式的方式异步非阻塞地发起Http请求并处理响应。其底层也是由Netty提供的异步支持。 我们可以把WebClient看做是响应式的RestTemplate，与后者相比，前者： + - 是非阻塞的，可以基于少量的线程处理更高的并发； - 可以使用Java 8 lambda表达式； - 支持异步的同时也可以支持同步的使用方式； @@ -153,6 +208,20 @@ Spring Framework 中包含的原始 Web 框架 Spring Web MVC 是专门为 Servl ![](https://img-blog.csdnimg.cn/img_convert/a07973cc0b1fc58382d8fefdfe5f1683.png) +- **编程模型**：Spring 5 web 模块包含了 Spring WebFlux 的 HTTP 抽象。类似 Servlet API , WebFlux 提供了 WebHandler API 去定义非阻塞 API 抽象接口。可以选择以下两种编程模型实现： + + - 注解控制层。和 MVC 保持一致，WebFlux 也支持响应性 @RequestBody 注解。 + + - 功能性端点。基于 lambda 轻量级编程模型，用来路由和处理请求的小工具。和上面最大的区别就是，这种模型，全程控制了请求 - 响应的生命流程 + +- **内嵌容器**：跟 Spring Boot 大框架一样启动应用，但 WebFlux 默认是通过 Netty 启动，并且自动设置了默认端口为 8080。另外还提供了对 Jetty、Undertow 等容器的支持。开发者自行在添加对应的容器 Starter 组件依赖，即可配置并使用对应内嵌容器实例。 + + 但是要注意，必须是 Servlet 3.1+ 容器，如 Tomcat、Jetty；或者非 Servlet 容器，如 Netty 和 Undertow。 + +- **Starter 组件**：Spring Boot Webflux 提供了很多 “开箱即用” 的 Starter 组件 + + + Spring WebFlux 是一个异步非阻塞式 IO 模型，通过少量的容器线程就可以支撑大量的并发访问。底层使用的是 Netty 容器，这点也和传统的 SpringMVC 不一样，SpringMVC 是基于 Servlet 的。 > 接口的响应时间并不会因为使用了 WebFlux 而缩短，服务端的处理结果还是得由 worker 线程处理完成之后再返回给前端。 @@ -213,8 +282,128 @@ https://subscription.packtpub.com/book/programming/9781788995979/5/ch05lvl1sec40 ![img](https://static.packt-cdn.com/products/9781788995979/graphics/d2af6e5b-5d26-448d-b54c-64b42d307736.png) + + + + +- Mono：实现发布者，并返回 0 或 1 个元素，即单对象。 + +- Flux：实现发布者，并返回 N 个元素，即 List 列表对象。 + + + +#### WebHandler + +```java +public interface WebHandler { + /** + * Handle the web server exchange. + * @param exchange the current server exchange + * @return {@code Mono} to indicate when request handling is complete + */ + Mono handle(ServerWebExchange exchange); +} +``` + +在这里，说明一下HttpHandler与WebHandler的区别，两者的设计目标不同。前者主要针对的是跨HTTP服务器，即付出最小的代价在各种不同的HTTP服务器上保证程序正常运行。于是我们在前面的章节中看到了为适配Reactor Netty而进行的ReactorHttpHandlerAdapter类相关实现。而后者则侧重于提供构建常用Web应用程序的基本功能。例如，我们可以在上面的WebHandler源码中看到handle方法传入的参数是ServerWebExchange类型的，通过这个类型参数，我们所定义的WebHandler组件不仅可以访问请求（ServerHttpRequest getRequest）和响应（ServerHttpResponse getResponse），也可以访问请求的属性（Map getAttributes）及会话的属性，还可以访问已解析的表单数据（Form data）、多部分数据（Multipart data）等。 + + + +#### DispatcherHandler + +```java +public class DispatcherHandler implements WebHandler, ApplicationContextAware { + @Nullable + private List handlerMappings; + + @Nullable + private List handlerAdapters; + + @Nullable + private List resultHandlers; + ... + @Override + public void setApplicationContext(ApplicationContext applicationContext) { + initStrategies(applicationContext); + } + protected void initStrategies(ApplicationContext context) { + Map mappingBeans = BeanFactoryUtils.beansOfTypeIncludingAncestors( + context, HandlerMapping.class, true, false); + + ArrayList mappings = new ArrayList<>(mappingBeans.values()); + AnnotationAwareOrderComparator.sort(mappings); + this.handlerMappings = Collections.unmodifiableList(mappings); + + Map adapterBeans = BeanFactoryUtils.beansOfTypeIncludingAncestors( + context, HandlerAdapter.class, true, false); + + this.handlerAdapters = new ArrayList<>(adapterBeans.values()); + AnnotationAwareOrderComparator.sort(this.handlerAdapters); + + Map beans = BeanFactoryUtils.beansOfTypeIncludingAncestors( + context, HandlerResultHandler.class, true, false); + + this.resultHandlers = new ArrayList<>(beans.values()); + AnnotationAwareOrderComparator.sort(this.resultHandlers); + } + ... +} +``` + +Spring WebFlux 为了适配我们在 Spring MVC 中养成的开发习惯，围绕熟知的Controller进行了相应的适配设计，其中有一个WebHandler实现类DispatcherHandler(如下代码所示)，是请求处理的调度中心，实际处理工作则由可配置的委托组件执行。该模型非常灵活，支持多种工作流程。 + +换句话说，DispatcherHandler就是HTTP请求相应处理器（handler）或控制器（controller）的中央调度程序。DispatcherHandler会从Spring Configuration中发现自己所需的组件，也就是它会从应用程序上下文中（application context）查找以下内容。 + +### 路由模式 + +Spring WebFlux包含一个轻量级的函数式编程模型，其中定义的函数可以对请求进行路由处理。请求也可以通过基于注解形式的路由模式进行处理。 + + + + + + + +### 原理 + +首先，WebFlux是Spring的响应式框架，基于Reactor和Netty。那底层原理应该包括它的异步非阻塞模型、Reactor库的使用、Netty的处理流程，以及和传统Servlet的区别。 + +#### 一、异步非阻塞 I/O 模型 + +1. **与传统 Servlet 的对比** + - Spring MVC：基于 Servlet 的同步阻塞模型，每个请求占用一个线程，线程在等待 I/O（如数据库操作）时会被阻塞，导致高并发场景下线程资源耗尽。 + - WebFlux：采用异步非阻塞 I/O，通过 Reactor 库和 Netty 的事件驱动机制，单线程可处理多个请求。线程仅在数据就绪时被唤醒处理，避免资源浪费。 +2. **事件循环（EventLoop）** + - WebFlux 默认使用 Netty 作为服务器，其核心是 EventLoop 线程池（BossGroup 和 WorkerGroup）。BossGroup 负责接收连接，WorkerGroup 处理 I/O 事件（如 HTTP 请求解析）。 + - 处理逻辑通过回调机制实现，例如在 Netty 的 `HttpServerHandle`中，当请求到达时触发 `onStateChange`方法，将请求交给 Reactor 的响应式流处理。 + +#### 二、响应式编程与 Reactor 库 + +1. **Reactive Streams 规范** + - WebFlux 基于 Reactive Streams 规范，通过 Publisher-Subscriber模型实现数据流的异步处理，支持**背压（Backpressure）**机制，防止生产者压垮消费者。 + - 核心类： + - **Flux**：处理 0-N 个元素的异步序列（如分页查询结果流）。 + - Mono：处理 0-1 个元素的异步序列（如单条数据库查询）。 +2. **线程切换与调度** + - 默认情况下，WebFlux 的请求处理在 Netty 的 I/O 线程中执行。若业务逻辑耗时较长（如 CPU 密集型操作），需通过 `publishOn` 或 `subscribeOn` 切换到自定义线程池，避免阻塞 I/O 线程。 + - 示例：使用 `Schedulers.elastic()` 或 `Schedulers.parallel()`管理线程池。 + +#### 三、核心处理流程 + +1. **请求处理链路** + - Netty 接收请求：Netty 的 `HttpServerOperations` 封装请求和响应对象，触发状态变更事件（如 `REQUEST_RECEIVED`）。 + - Handler 处理：请求通过 `ReactorHttpHandlerAdapter` 转发至 WebFlux 的 `DispatcherHandler`，匹配路由并调用 Controller 方法。 + - 响应式流传递：Controller 返回 `Flux`/`Mono`对象，数据流经过滤器链（如 `WebFilter`）后，由 Netty 异步写入响应。 +2. **背压实现** + - 当消费者处理速度慢于生产者时，通过 `Subscription.request(n)` 控制数据拉取速率。例如，数据库查询结果流分批推送，避免内存溢出 + + + + + ## References +- https://docs.spring.io/spring-framework/reference/web-reactive.html - [vivo互联网技术-深入剖析 Spring WebFlux](https://mp.weixin.qq.com/s?__biz=MzI4NjY4MTU5Nw==&mid=2247492039&idx=2&sn=eec30ff895a29e608fdafe78c626115d&chksm=ebdb9155dcac1843580ec28b8c31e334eb8aeb0a10573b5f3d4e7e8aaaec49893772399790a9&cur_album_id=1612326847164284932&scene=189#wechat_redirect) - http://www.dre.vanderbilt.edu/~schmidt/PDF/reactor-siemens.pdf - https://blog.51cto.com/u_12206475/3118309 diff --git a/docs/framework/SpringWebFlux/WebFlux.md b/docs/framework/SpringWebFlux/WebFlux.md new file mode 100644 index 0000000000..77a4942086 --- /dev/null +++ b/docs/framework/SpringWebFlux/WebFlux.md @@ -0,0 +1,163 @@ +\# 深入剖析 Spring WebFlux：响应式编程的利器 ![](https://miro.medium.com/v2/resize:fit:1228/format:webp/1*S_6ZOB75Uk-oLh8qVVuC8w.png) > WebFlux 是 Spring 生态中颠覆性的技术革新，它如何重新定义高并发场景下的服务端编程？ > 本文通过原理剖析+实战演示+性能对比，带你彻底掌握响应式编程范式 ![](https://img.starfish.ink/spring/springwebflux-banner.svg) + +## 一、传统阻塞模型的困境 + +在典型的 Spring MVC 应用中，每个 HTTP 请求都会从 Tomcat 线程池中获取一个工作线程： + +```java + // 伪代码： +class BlockingController { + @GetMapping("/data") + public Data getData() { + // 占用线程直至方法返回 + return service.blockingIO(); // 同步阻塞调用 + } +} +``` + +这种同步阻塞模型存在两大瓶颈： + +1. **线程资源耗尽**：当并发请求量超过线程池大小时，新请求必须等待 +2. **CPU闲置浪费**：线程在等待数据库响应时处于阻塞状态（通过 `jstack` 可观察到大量 `WAITING` 线程） + +## 二、WebFlux 的响应式革命 + +### 2.1 核心设计理念 + +```java +// 伪代码：WebFlux响应式模型 +class ReactiveController { + @GetMapping("/flux") + public Flux getStream() { // 立即返回流对象 + return service.reactiveIO(); // 异步非阻塞调用 + } +} +``` + +WebFlux 的核心创新体现在三个层面： + +| 维度 | 传统模型 | WebFlux模型 | +| ---------- | ---------------- | -------------------- | +| 线程模型 | 同步阻塞 | 异步非阻塞 | +| 资源利用率 | 每个请求独占线程 | 少量线程处理海量请求 | +| 背压支持 | 无 | 自动流量控制 | +| 适用场景 | CRUD密集型 | 高并发+流式处理 | + +### 2.2 架构演进 + +Spring 5 的模块化设计： + +![Spring架构](https://docs.spring.io/spring-framework/reference/images/spring-overview.png) + +关键组件解析： + +1. **Reactive Streams API**：标准化响应式编程接口（Publisher/Subscriber） +2. **Reactor 库**：Spring 官方响应式库（Mono/Flux） +3. **Netty/Undertow**：非阻塞式服务器支持 +4. **Router Functions**：函数式端点声明 + +### 2.3 线程模型对比 + +通过 VisualVM 监控线程状态： + +![线程状态对比](https://img-blog.csdnimg.cn/img_convert/0e3d1d17fccf3d1f7b4d1a8c4d4c4d5a.png) + +- **Tomcat 线程池**：大量线程处于 `TIMED_WAITING` 状态 +- **Netty EventLoop**：少量固定线程处理所有请求 + + + +## 三、深度解析 Reactor 编程模型 + +### 3.1 核心类型操作 + +```java +Flux.just("A", "B", "C") + .delayElements(Duration.ofMillis(100)) + .map(String::toLowerCase) + .flatMap(s -> queryFromDB(s)) + .subscribeOn(Schedulers.boundedElastic()) + .subscribe( + data -> log.info("Received: {}", data), + err -> log.error("Error: {}", err.getMessage()), + () -> log.info("Stream completed") + ); +``` + +常用操作符分类： + +| 类型 | 操作符 | +| -------- | ---------------------- | +| 创建 | just, create, generate | +| 转换 | map, flatMap, filter | +| 组合 | zip, merge, concat | +| 错误处理 | onErrorReturn, retry | +| 调度控制 | publishOn, subscribeOn | + +### 3.2 背压机制实战 + +```Java +Flux.range(1, 1000) + .onBackpressureBuffer(50) + .doOnNext(i -> log.debug("Emit: {}", i)) + .subscribe(new BaseSubscriber() { + @Override + protected void hookOnSubscribe(Subscription s) { + s.request(10); + } + + @Override + protected void hookOnNext(Integer value) { + process(value); + request(1); + } + }); +``` + +背压策略对比： + +| 策略 | 特点 | +| ------ | -------------- | +| BUFFER | 缓冲未处理元素 | +| DROP | 丢弃溢出元素 | +| LATEST | 只保留最新元素 | +| ERROR | 抛出异常 | + + + +## 四、WebFlux 内部机制揭秘 + +### 4.1 请求处理全流程 + +``` +Mermaid +``` + +### 4.2 核心组件协作 + +![处理流程](https://docs.spring.io/spring-framework/reference/images/spring-webflux-handling.png) + +1. **WebHandler API**：非阻塞式处理入口 +2. **ReactiveAdapterRegistry**：响应式类型转换 +3. **ResultHandler**：处理不同返回类型 + + + +## 六、最佳实践指南 + +### 6.1 适用场景建议 + +1. 网关代理等高并发端点 +2. 实时日志推送等流式API +3. 与Spring MVC 并存的混合架构 + + + +"响应式不是银弹，而是工具箱中的新武器" —— Rossen Stoyanchev + + + +## 附录：扩展阅读 + +- [Reactor 官方文档](https://www.wenxiaobai.com/chat/200006#) +- [WebFlux 性能调优指南](https://www.wenxiaobai.com/chat/200006#) \ No newline at end of file diff --git a/docs/interview/.DS_Store b/docs/interview/.DS_Store index e8ce757cd5..7685a105dd 100644 Binary files a/docs/interview/.DS_Store and b/docs/interview/.DS_Store differ diff --git a/docs/interview/Ability-FAQ.md b/docs/interview/Ability-FAQ.md new file mode 100644 index 0000000000..9fd7f3fa15 --- /dev/null +++ b/docs/interview/Ability-FAQ.md @@ -0,0 +1,2688 @@ +--- +title: 架构能力八股 +date: 2024-12-19 +tags: + - Java + - SystemDesign + - Architecture + - Microservices + - HighConcurrency + - Distributed + - Performance + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +> 技术二面一般是展现**系统设计能力**和**架构思维**的关键环节，从**设计模式**到**分布式架构**，从**高并发处理**到**业务场景设计**，每一项技术都考验着工程师的**实战经验**和**技术深度**。本文档将**最常考的技术二面题目**整理成**标准话术**，涵盖系统设计、架构演进、问题排查等核心领域，助你在技术二面中脱颖而出！ + +--- + +## 🗺️ 知识导航 + +### 🏷️ 核心知识分类 + +1. **🏗️ 设计模式与架构**：可插拔规则引擎、责任链模式、事件驱动架构、单例模式、工厂模式 +2. **🔧 项目实战与问题排查**：线上问题定位、性能调优、内存泄漏、死锁处理、故障恢复 +3. **💼 业务场景与系统设计**：秒杀系统、系统扩容、大促准备、任务调度、实时风控、多租户SaaS、智能推荐、日志收集、异地多活 +4. **⚡ 高并发系统设计**：50w QPS系统、电商大促、直播系统、社交APP、搜索引擎 +5. **🌊 分布式系统设计**：短链系统、邮件系统、即时通讯、秒杀系统、配置中心 +6. **🚀 性能优化与调优**：接口超时定位、CPU占用排查、死锁处理、第三方接口降级 +7. **🏛️ 架构思维与技术治理**：技术选型、微服务治理、容错设计、技术债务管理、监控体系 + +### 🔑 面试话术模板 + +| **问题类型** | **回答框架** | **关键要点** | **深入扩展** | +| ------------ | ----------------------------------- | ------------------ | ------------------ | +| **系统设计** | 需求分析→架构设计→技术选型→性能优化 | 架构合理性，扩展性 | 技术细节，最佳实践 | +| **问题排查** | 现象确认→定位思路→解决方案→预防措施 | 系统性思维，工具使用 | 根因分析，经验总结 | +| **架构演进** | 现状分析→演进策略→实施计划→风险控制 | 技术决策，团队协作 | 技术债务，持续改进 | +| **业务场景** | 场景分析→技术挑战→解决方案→效果验证 | 业务理解，技术实现 | 性能优化，监控告警 | + +--- + +## 🏗️ 一、设计模式与架构 + +> **核心思想**：设计模式是软件设计的经验总结，通过合理的模式选择可以提升代码的可维护性、可扩展性和复用性。 + +### 🎯 如何设计一个可插拔的规则引擎？ + +设计思路： + +- 核心采用 **策略模式/链式责任/规则表达式**，把规则以模块形式组织，支持动态加载。 +- 规则可以以脚本（Groovy、JS）、DSL、或预编译类的形式存储在数据库/配置中心，运行时装载并缓存。 +- 附加功能：规则版本管理、回滚、规则测试环境、并行评估引擎、规则隔离（sandbox）以防注入风险。 +- 性能优化：规则编译（避免每次解释）、缓存规则查询结果、对规则执行进行限时保护。 + 工程化要点是"可观测、可回滚、可审计"。 + **考察点：** 模块化设计、可插拔实现细节与安全考虑。 + **常见追问：** 为什么用脚本而不是硬编码？（答：脚本允许业务方动态调整规则，减少发布成本） + +### 🎯 如何用责任链模式设计订单审批流程？ + +可以把每个审批节点封装成一个处理器（Handler），Handler 实现统一接口并链式连接：每个 Handler 判断是否通过，若通过则传递给下一个 Handler，否则返回审批失败。优点是可动态插拔审批节点、可在运行时调整流程、易做权限与审核日志记录。注意异步审批/超时处理与补偿逻辑。 +**考察点：** 设计模式在业务建模中的应用能力。 +**常见追问：** 如何对审批节点做并行处理？（答：将并行节点拆成并发执行，最后做汇总决策） + +### 🎯 如何把事件驱动架构（EDA）落地到大项目？ + +实践要点： + +- 选择合适的消息中间件（Kafka/RabbitMQ），Kafka 常用于高吞吐与持久化场景。 +- **事件建模**（确定事件粒度、Schema、版本化），使用 schema registry 管控兼容性。 +- **幂等与消费侧安全**：消费者需设计幂等、去重与事务（Outbox pattern）。 +- **监控与追踪**：链路追踪、消费延迟监控、消息堆积报警。 +- **演化策略**：事件版本升级策略、灰度回放能力。 + 初始先从业务边界清晰、耦合高的场景切入（如订单/库存），逐步演化。 + **考察点：** EDA 的实践性考虑（schema、幂等、监控、回放）。 + **常见追问：** 如何回溯历史事件？（答：需要消息持久化并提供重放机制） + +### 🎯 单例模式在并发下如何正确实现？有坑么？ + +推荐做法： + +- 最简单且安全的方式是使用 **枚举单例**（Java 的枚举天生避免反序列化、反射问题）。 +- 另一常用方式是 **静态内部类**（懒加载且线程安全）。 +- 可用 **双重检查锁** + `volatile` 实现延迟加载，注意 `volatile` 防止指令重排序。 + 陷阱包括反射/序列化破坏单例、类加载器隔离导致单例多实例等。 + **考察点：** 并发下资源初始化与 Java 特性。 + **常见追问：** 为什么枚举单例最安全？（答：JVM 保证枚举只会被实例化一次，并防止反射创建新的实例） + +### 🎯 工厂模式如何扩展第三方支付接入？ + +采用抽象工厂或策略模式：定义统一的支付接口（创建订单、签名、回调验证），每个第三方支付实现该接口并注册到工厂中；工厂根据配置或参数返回对应实现。好处是新增支付渠道只需实现接口并配置即可，降低耦合。再加上配置化加载、熔断和限流等治理逻辑，最终构成可扩展的支付接入平台。 +**考察点：** 可扩展性、接口设计、注册/发现机制。 +**常见追问：** 如何做支付幂等？（答：订单号+幂等表/唯一索引或幂等 key） + +------ + +## 🔧 二、项目实战与问题排查 + +### 🎯 线上服务突然出现大量500错误，如何快速定位？ + +**应急响应流程**：快速止血 -> 定位根因 -> 修复问题 -> 复盘改进。 + +**立即行动**： + +1. **确认影响范围**： + - **监控大盘**：查看错误率、QPS、响应时间变化 + - **用户反馈**：客服渠道、社交媒体用户反馈情况 + - **业务影响**：核心功能是否受影响，影响用户量 + - **时间节点**：确认问题开始时间和发布时间关系 + +2. **快速止血措施**： + - **流量切换**：将流量切换到正常的机房或集群 + - **服务降级**：关闭非核心功能，保证核心链路 + - **限流熔断**：启用限流和熔断机制保护系统 + - **回滚考虑**：如果是新发布导致，考虑快速回滚 + +**问题定位步骤**： + +**第一层：应用层排查** + +```bash +# 1. 查看应用日志 +tail -f /var/log/app/error.log | grep ERROR + +# 2. 检查JVM状态 +jstat -gc -h10 1s +jmap -heap + +# 3. 线程堆栈分析 +jstack > thread_dump.log +``` + +**第二层：系统资源排查** + +```bash +# 1. 系统资源 +top -p # CPU和内存使用 +iostat -x 1 # 磁盘IO +netstat -i # 网络状况 + +# 2. 文件句柄 +lsof -p | wc -l # 打开文件数 +ulimit -n # 文件句柄限制 +``` + +**第三层：依赖服务排查** + +- **数据库**：慢查询日志、连接数、锁等待 +- **缓存**：Redis连接数、命中率、内存使用 +- **外部接口**：第三方API响应时间和错误率 +- **消息队列**：队列积压、消费延迟 + +**常见问题及处理**： + +**场景1：内存溢出（OOM）** + +``` +症状：500错误 + JVM重启 + GC频繁 +排查：jmap -dump + MAT分析内存泄漏 +处理：扩大堆内存 + 修复泄漏代码 +``` + +**场景2：数据库连接池耗尽** + +``` +症状：连接超时异常 + DB连接数达到上限 +排查：SHOW PROCESSLIST查看活跃连接 +处理：扩大连接池 + 优化慢查询 + 连接泄漏修复 +``` + +**场景3：外部依赖超时** + +``` +症状：接口超时 + 特定错误码 +排查：调用链分析 + 外部服务状态确认 +处理：增加超时时间 + 熔断降级 + 重试机制 +``` + +**恢复验证**： + +- **监控指标**：错误率恢复到正常水平 +- **业务验证**：核心功能正常，用户反馈减少 +- **性能验证**：响应时间、QPS恢复正常 +- **持续观察**：24小时持续监控确保稳定 + + **考察点：** 应急响应能力、问题定位思路、系统分析技能。 + **常见追问：** 如何预防类似问题？（答：监控完善+压测+灰度发布+故障演练） + +### 🎯 系统内存使用率持续上升，怎么排查内存泄漏？ + +**内存泄漏特征**：内存使用持续增长、Full GC频繁但内存不下降、最终导致OOM。 + +**排查工具和方法**： + +**第一步：监控分析** + +```bash +# 1. JVM内存监控 +jstat -gc -h10 5s # 观察GC情况 +jstat -gccapacity # 查看堆容量 + +# 2. 系统内存监控 +ps aux | grep java # 进程内存使用 +free -h # 系统内存情况 +``` + +**第二步：堆内存分析** + +```bash +# 1. 生成堆转储 +jmap -dump:live,format=b,file=heap.dump + +# 2. 查看堆内存分布 +jmap -histo | head -20 + +# 3. 强制GC观察 +jmap -gc +``` + +**第三步：MAT分析堆转储** + +- **Leak Suspects Report**：自动发现可能的内存泄漏 +- **Dominator Tree**：查看占用内存最大的对象 +- **Histogram**：按类统计对象数量和大小 +- **OQL查询**：编写查询语句分析特定对象 + +**常见内存泄漏模式**： + +**1. 集合类未清理** + +```java +// 问题代码 +private static Map cache = new HashMap<>(); + +public void addCache(String key, Object value) { + cache.put(key, value); // 只添加不清理 +} + +// 解决方案 +private static Map cache = new ConcurrentHashMap<>(); + +@Scheduled(fixedRate = 300000) // 5分钟清理一次 +public void cleanExpiredCache() { + cache.entrySet().removeIf(entry -> isExpired(entry)); +} +``` + +**2. ThreadLocal未清理** + +```java +// 问题代码 +private static ThreadLocal userContext = new ThreadLocal<>(); + +// 解决方案 +try { + userContext.set(user); + // 业务逻辑 +} finally { + userContext.remove(); // 必须清理 +} +``` + +**3. 监听器未移除** + +```java +// 问题代码：注册监听器但未移除 +eventBus.register(listener); + +// 解决方案：及时移除 +@PreDestroy +public void cleanup() { + eventBus.unregister(listener); +} +``` + +**4. 数据库连接泄漏** + +```java +// 问题代码 +Connection conn = dataSource.getConnection(); +// 业务逻辑但没有关闭连接 + +// 解决方案 +try (Connection conn = dataSource.getConnection()) { + // 业务逻辑 +} // 自动关闭连接 +``` + +**非堆内存泄漏排查**： + +**Metaspace泄漏**： + +```bash +# 监控Metaspace使用 +jstat -gc + +# 查看类加载情况 +jstat -class + +# 分析类加载器 +jcmd VM.classloader_stats +``` + +**直接内存泄漏**： + +```bash +# 监控直接内存（NIO Buffer） +jcmd VM.classloader_stats + +# 分析内存映射文件 +lsof -p | grep deleted +``` + +**代码层面预防措施**： + +```java +// 1. 使用弱引用缓存 +private static Map> cache = + new ConcurrentHashMap<>(); + +// 2. 定时清理机制 +@Scheduled(fixedRate = 60000) +public void cleanupCache() { + cache.entrySet().removeIf(entry -> + entry.getValue().get() == null); +} + +// 3. 大对象及时清理 +try { + List bigList = new ArrayList<>(); + // 处理逻辑 +} finally { + bigList.clear(); // 显式清理 + bigList = null; +} +``` + +**系统层面监控**： + +- **内存使用趋势**：持续监控内存使用率 +- **GC频率监控**：Full GC频率和耗时监控 +- **告警机制**：内存使用率超过80%时告警 +- **自动重启**：OOM时自动重启机制 + + **考察点：** 内存管理知识、问题排查能力、代码质量意识。 + **常见追问：** 如何在生产环境安全地生成堆转储？（答：使用-dump:live减少影响，选择低峰期执行） + +### 🎯 数据库查询突然变慢，如何快速优化？ + +**数据库性能问题排查流程**：监控确认 -> 定位慢查询 -> 分析执行计划 -> 优化实施 -> 效果验证。 + +**第一步：确认性能问题** + +```sql +-- 1. 查看当前活跃连接 +SHOW PROCESSLIST; + +-- 2. 查看数据库状态 +SHOW STATUS LIKE 'Threads%'; +SHOW STATUS LIKE 'Questions'; +SHOW STATUS LIKE 'Slow_queries'; + +-- 3. 查看锁等待情况 +SELECT * FROM information_schema.INNODB_LOCKS; +SELECT * FROM information_schema.INNODB_LOCK_WAITS; +``` + +**第二步：定位慢查询** + +```sql +-- 1. 开启慢查询日志 +SET GLOBAL slow_query_log = 'ON'; +SET GLOBAL long_query_time = 0.1; -- 0.1秒以上的查询 + +-- 2. 查看当前慢查询 +SELECT * FROM information_schema.PROCESSLIST +WHERE COMMAND != 'Sleep' AND TIME > 0.1; + +-- 3. 分析慢查询日志 +-- 使用mysqldumpslow分析日志文件 +mysqldumpslow -s t -t 10 /var/log/mysql/slow.log +``` + +**第三步：分析执行计划** + +```sql +-- 1. EXPLAIN分析 +EXPLAIN SELECT * FROM orders +WHERE user_id = 12345 AND order_date > '2024-01-01'; + +-- 2. 关注关键指标 +-- type: ALL(全表扫描)最差，index > range > ref > const最好 +-- key: 使用的索引 +-- rows: 预估扫描行数 +-- Extra: Using temporary、Using filesort等需要优化 +``` + +**常见问题及优化策略**： + +**场景1：缺少索引** + +```sql +-- 问题查询 +SELECT * FROM orders WHERE user_id = 12345 AND status = 'PAID'; +-- EXPLAIN显示：type=ALL, rows=1000000 + +-- 解决方案：创建复合索引 +CREATE INDEX idx_user_status ON orders(user_id, status); + +-- 验证效果 +EXPLAIN SELECT * FROM orders WHERE user_id = 12345 AND status = 'PAID'; +-- 优化后：type=ref, rows=100 +``` + +**场景2：索引失效** + +```sql +-- 问题查询：函数导致索引失效 +SELECT * FROM orders WHERE DATE(order_date) = '2024-01-01'; + +-- 解决方案：避免在索引列上使用函数 +SELECT * FROM orders +WHERE order_date >= '2024-01-01 00:00:00' +AND order_date < '2024-01-02 00:00:00'; +``` + +**场景3：锁等待问题** + +```sql +-- 1. 查找锁等待 +SELECT + r.trx_id waiting_trx_id, + r.trx_mysql_thread_id waiting_thread, + b.trx_id blocking_trx_id, + b.trx_mysql_thread_id blocking_thread +FROM information_schema.innodb_lock_waits w +INNER JOIN information_schema.innodb_trx b ON b.trx_id = w.blocking_trx_id +INNER JOIN information_schema.innodb_trx r ON r.trx_id = w.requesting_trx_id; + +-- 2. 分析死锁 +SHOW ENGINE INNODB STATUS; +``` + +**第四步：实施优化** + +**索引优化**： + +```sql +-- 1. 创建合适的索引 +CREATE INDEX idx_order_date ON orders(order_date); +CREATE INDEX idx_user_status_date ON orders(user_id, status, order_date); + +-- 2. 删除冗余索引 +DROP INDEX idx_redundant ON orders; + +-- 3. 覆盖索引优化 +CREATE INDEX idx_cover ON orders(user_id, order_date, status, amount); +``` + +**查询重写优化**： + +```sql +-- 优化前：子查询 +SELECT * FROM users +WHERE id IN (SELECT user_id FROM orders WHERE amount > 1000); + +-- 优化后：JOIN +SELECT DISTINCT u.* FROM users u +INNER JOIN orders o ON u.id = o.user_id +WHERE o.amount > 1000; + +-- 优化前：LIMIT深度分页 +SELECT * FROM orders ORDER BY id LIMIT 100000, 20; + +-- 优化后：游标分页 +SELECT * FROM orders WHERE id > 100000 ORDER BY id LIMIT 20; +``` + +**配置参数优化**： + +```sql +-- 1. 缓冲池大小（推荐70-80%物理内存） +SET GLOBAL innodb_buffer_pool_size = 8G; + +-- 2. 查询缓存 +SET GLOBAL query_cache_size = 256M; +SET GLOBAL query_cache_type = 1; + +-- 3. 连接数 +SET GLOBAL max_connections = 1000; + +-- 4. 临时表大小 +SET GLOBAL tmp_table_size = 256M; +SET GLOBAL max_heap_table_size = 256M; +``` + +**第五步：效果验证** + +```sql +-- 1. 再次EXPLAIN验证 +EXPLAIN SELECT * FROM orders WHERE user_id = 12345; + +-- 2. 性能对比 +-- 优化前：执行时间 500ms +-- 优化后：执行时间 50ms + +-- 3. 监控指标 +SHOW STATUS LIKE 'Handler_read%'; +SHOW STATUS LIKE 'Select%'; +``` + +**应急处理措施**： + +- **KILL慢查询**：KILL QUERY +- **增加连接数**：临时增加max_connections +- **读写分离**：将读请求路由到从库 +- **缓存预热**：将热点数据加载到缓存 + + **考察点：** 数据库优化能力、SQL调优技巧、性能分析思路。 + **常见追问：** 索引过多有什么问题？（答：影响写性能、占用存储空间、维护成本高） + +------ + + + +## 💼 三、业务场景与系统设计 + +> **核心思想**：业务场景设计题考察工程师将技术能力应用到具体业务场景的能力，需要深入理解业务需求，设计出既满足业务要求又具备良好技术架构的解决方案。 + +### 🎯 从零设计一个秒杀系统（可直接面试话术） + +**高层思路**：要兼顾高并发吞吐、低延迟、可用性、最终一致性与防刷。设计分为前端保护层、缓存层、异步队列与落库保证四个部分： + +1. **入口限流/防刷**：在 CDN/网关层做全量限流、用户级限流、验证码或签名机制（避免机器人）。 +2. **缓存预热**：在秒杀开始前把库存预热到 Redis，避免直接打 DB。 +3. **原子扣减**：使用 Redis Lua 脚本做库存判断与预扣，返回 token 给用户。Lua 保证判断与扣减原子性。 +4. **异步下单**：将下单请求放入 MQ，消费者异步落库并做最后库存确认与幂等处理（使用唯一索引或幂等表）。 +5. **最终一致性**：定期对库存做校验/对账，出现差异做补偿。 +6. **监控与回退**：监控队列长度、消费延迟、错误率，必要时快速降级或关闭秒杀。 + **关键保障**：Redis 原子操作避免大部分超卖，MQ 异步处理保证 DB 不被瞬时流量打垮，幂等设计保证消息重试安全。 + **实现细节与注意事项**：防刷、去重、用户限购、日志埋点、全链路追踪、回放与补偿。 + **考察点：** 从架构到细节的完整性以及对一致性/性能的权衡。 + +### 🎯 如何将系统从 1 万 TPS 扩展到 10 万 TPS？（面试话术） + +扩容分层次： + +- **无状态服务水平扩展**：保证服务无状态或把状态外置（Redis/DB），通过负载均衡扩容实例。 +- **拆分瓶颈**：使用异步 MQ 解耦、增加分区与消费者并行度、把 CPU 密集型部分优化或下沉到批处理。 +- **数据层分库分表**：水平拆分数据库与读写分离，热点表做缓存或 CQRS。 +- **缓存与 CDN**：尽可能把读请求命中缓存，减少数据库压力。 +- **连接池/网络优化**：减少同步阻塞、保持长连接并优化序列化（例如 Protobuf）。 +- **垂直/水平分割业务**：拆分单体服务到微服务，按流量和业务分片扩容。 + 关键是定位并解决系统瓶颈（CPU/IO/锁/GC/网络），并做好灰度、容量测试与回滚方案。 + **考察点：** 扩展策略与性能瓶颈识别能力。 + **常见追问：** 单点扩展中最容易忽视的问题？（答：数据库连接数、网络带宽与中间件并发限制） + +### 🎯 双 11 类型大促前如何准备（面试话术） + +主要工作：容量与容错准备、性能测试、依赖切换与降级策略、运维预案。具体： + +- **压测与容量评估**：按预估流量做分层压测（全链路），找并修复瓶颈。 +- **预热与缓存**：预先把热数据加载到缓存/CDN，避免冷启动。 +- **配置开关与灰度**：支持快速关闭非关键功能，分步骤放量。 +- **降级与熔断策略**：为非核心服务建立降级逻辑与回退数据。 +- **演练故障**：演练 DB/Redis/消息队列故障切换、回滚流程与补偿机制。 +- **监控与报警**：关键指标（QPS/RT/错误率/队列长度/DB slow）必须有实时告警与自动化处理脚本。 +- **人力准备**：运维、SRE、后端保障团队待命并有明确责任分工。 + **考察点：** 大促级别运维、压测与应急机制的成熟度。 + +### 🎯 如何设计一个高可用的分布式日志收集系统？ + +常见架构：日志采集 -> Fluentd/Logstash -> Kafka（缓冲）-> 消费者（索引到 Elasticsearch/Hadoop）-> 可视化（Kibana）。关键设计点： + +- **高可用收集**：采集层做本地缓冲和批量发送。 +- **可靠缓冲**：Kafka 做持久化缓冲，避免短时峰值丢失。 +- **索引与归档**：ES 用于快速检索，历史日志落到冷存储（HDFS）做归档。 +- **结构化与规范**：统一日志格式（JSON + schema），便于解析与搜索。 +- **管控 & 限流**：对日志流量做采样、限流以保护下游系统。 +- **权限与审计**：管理访问控制和审计日志，保证安全合规。 + **考察点：** 可观测性与大数据流处理设计能力。 + +### 🎯 如何实现异地多活（Active-Active）系统？ + +异地多活需要解决数据同步、冲突解决、全局流量路由与延迟问题： + +- **流量层**：采用全球负载均衡（DNS + Anycast + GSLB），根据用户地理/延迟路由到最近活跃数据中心。 +- **数据同步**：采用异步双向复制（跨 DC），并设计冲突解决策略（CRDT、业务级冲突检测或基于时间戳的合并）。 +- **一致性模型**：多数场景选择最终一致性，强一致场景需走中心化主写或 Paxos/Raft 跨域协议（复杂且性能差）。 +- **回退与演练**：必须有故障切换与回滚机制，以及跨 DC 的演练。 +- **监控 & 延迟容忍**：关注跨域延迟与队列积压，设计降级逻辑。 + 异地多活适用于对可用性要求极高的业务，但实现复杂、运维成本高，要按成本收益评估。 + **考察点：** 分布式系统的深层次挑战与工程化能力。 + +### 🎯 设计一个分布式任务调度系统 + +**业务需求分析**：支持大规模定时任务调度、高可用、动态调整、监控告警。 + +**核心功能模块**： + +1. **任务管理**：任务创建、编辑、删除、启停控制 +2. **调度引擎**：定时触发、依赖调度、失败重试 +3. **执行器管理**：多机器负载均衡、故障转移 +4. **监控告警**：任务状态监控、失败告警、性能统计 +5. **权限管理**：用户权限、操作审计 + +**系统架构设计**： + +**分层架构**： + +``` +前端控制台 -> API网关 -> 调度中心 -> 执行器集群 + ↓ + 数据存储层 +``` + +**调度中心设计**： + +```java +@Component +public class TaskScheduler { + + @Autowired + private TaskRepository taskRepository; + + @Autowired + private ExecutorRegistry executorRegistry; + + @Scheduled(fixedRate = 1000) // 每秒扫描一次 + public void scanAndTriggerTasks() { + List readyTasks = taskRepository.findReadyTasks(Instant.now()); + + for (Task task : readyTasks) { + try { + // 选择执行器 + Executor executor = selectExecutor(task); + + // 分发任务 + TaskExecution execution = TaskExecution.builder() + .taskId(task.getId()) + .executorId(executor.getId()) + .triggerTime(Instant.now()) + .status(ExecutionStatus.RUNNING) + .build(); + + // 异步执行 + CompletableFuture.supplyAsync(() -> { + return executor.execute(task); + }).whenComplete((result, ex) -> { + updateExecutionResult(execution, result, ex); + }); + + } catch (Exception e) { + log.error("任务调度失败: {}", task.getId(), e); + handleTaskFailure(task, e); + } + } + } + + private Executor selectExecutor(Task task) { + // 负载均衡策略：轮询、随机、最少活跃数 + List availableExecutors = executorRegistry.getAvailableExecutors(); + return loadBalancer.select(availableExecutors, task); + } +} +``` + +**执行器注册与心跳**： + +```java +@Service +public class ExecutorRegistry { + + private final Map executors = new ConcurrentHashMap<>(); + + public void registerExecutor(ExecutorInfo executor) { + executors.put(executor.getId(), executor); + log.info("执行器注册成功: {}", executor.getId()); + } + + @Scheduled(fixedRate = 10000) // 每10秒检查一次 + public void checkExecutorHealth() { + Iterator> iterator = executors.entrySet().iterator(); + + while (iterator.hasNext()) { + Map.Entry entry = iterator.next(); + ExecutorInfo executor = entry.getValue(); + + // 检查心跳超时（超过30秒） + if (Duration.between(executor.getLastHeartbeat(), Instant.now()).getSeconds() > 30) { + iterator.remove(); + log.warn("执行器下线: {}", executor.getId()); + + // 重新分配该执行器上的任务 + reassignTasks(executor.getId()); + } + } + } +} +``` + +**分布式锁防重复执行**： + +```java +@Service +public class DistributedTaskLock { + + @Autowired + private RedisTemplate redisTemplate; + + public boolean tryLock(String taskId, String instanceId, long timeoutSeconds) { + String lockKey = "task:lock:" + taskId; + String lockValue = instanceId + ":" + System.currentTimeMillis(); + + Boolean result = redisTemplate.opsForValue() + .setIfAbsent(lockKey, lockValue, Duration.ofSeconds(timeoutSeconds)); + + return Boolean.TRUE.equals(result); + } + + public void releaseLock(String taskId, String instanceId) { + String lockKey = "task:lock:" + taskId; + String lockValue = instanceId + ":" + System.currentTimeMillis(); + + String script = """ + if redis.call('get', KEYS[1]) == ARGV[1] then + return redis.call('del', KEYS[1]) + else + return 0 + end + """; + + redisTemplate.execute(RedisScript.of(script, Long.class), + Collections.singletonList(lockKey), lockValue); + } +} +``` + +**任务依赖调度**： + +```java +@Service +public class TaskDependencyResolver { + + public boolean canExecute(Task task) { + List dependencies = task.getDependencies(); + + for (TaskDependency dependency : dependencies) { + Task dependentTask = taskRepository.findById(dependency.getDependentTaskId()); + + // 检查依赖任务是否在指定时间窗口内成功执行 + TaskExecution lastExecution = getLastExecution(dependentTask.getId()); + + if (lastExecution == null || + lastExecution.getStatus() != ExecutionStatus.SUCCESS || + !isInTimeWindow(lastExecution, dependency.getTimeWindow())) { + return false; + } + } + + return true; + } + + private boolean isInTimeWindow(TaskExecution execution, TimeWindow window) { + Instant executionTime = execution.getEndTime(); + Instant windowStart = window.getStartTime(); + Instant windowEnd = window.getEndTime(); + + return executionTime.isAfter(windowStart) && executionTime.isBefore(windowEnd); + } +} +``` + +**监控与告警**： + +```java +@Component +public class TaskMonitor { + + @EventListener + public void handleTaskFailure(TaskFailureEvent event) { + Task task = event.getTask(); + + // 更新失败计数 + task.incrementFailureCount(); + + // 根据重试策略决定是否重试 + if (shouldRetry(task)) { + scheduleRetry(task); + } else { + // 发送告警 + alertService.sendAlert(AlertType.TASK_FAILURE, + "任务执行失败: " + task.getName(), task); + } + } + + @Scheduled(fixedRate = 60000) // 每分钟统计一次 + public void collectMetrics() { + TaskMetrics metrics = TaskMetrics.builder() + .totalTasks(taskRepository.count()) + .runningTasks(getRunningTaskCount()) + .successRate(calculateSuccessRate()) + .avgExecutionTime(calculateAvgExecutionTime()) + .timestamp(Instant.now()) + .build(); + + metricsRepository.save(metrics); + } +} +``` + + **考察点：** 分布式调度、高可用设计、负载均衡、监控告警。 + **常见追问：** 如何保证任务不丢失？（答：持久化存储+分布式锁+故障转移+补偿机制） + +### 🎯 设计一个实时风控系统 + +**业务场景分析**：金融、电商等场景的实时风险识别与控制，毫秒级响应。 + +**核心挑战**： + +1. **实时性要求**：毫秒级风险判断，不能影响用户体验 +2. **规则复杂性**：多维度规则组合，动态调整策略 +3. **高并发处理**：支持大规模并发风险评估 +4. **准确性保证**：降低误判率，平衡安全与体验 + +**系统架构设计**： + +**实时流处理架构**： + +``` +事件接入 -> 数据预处理 -> 规则引擎 -> 决策输出 -> 行动执行 + ↓ ↓ ↓ ↓ ↓ +消息队列 特征提取 规则缓存 决策记录 风控措施 +``` + +**规则引擎设计**： + +```java +@Component +public class RiskRuleEngine { + + @Autowired + private RuleRepository ruleRepository; + + @Autowired + private FeatureService featureService; + + public RiskAssessmentResult evaluate(RiskEvent event) { + // 1. 特征提取 + Map features = featureService.extractFeatures(event); + + // 2. 获取适用规则 + List applicableRules = getApplicableRules(event.getScenario()); + + // 3. 规则评估 + List ruleResults = new ArrayList<>(); + int totalScore = 0; + + for (RiskRule rule : applicableRules) { + RuleResult result = evaluateRule(rule, features); + ruleResults.add(result); + + if (result.isTriggered()) { + totalScore += rule.getScore(); + + // 如果是阻断规则，直接返回 + if (rule.getAction() == RuleAction.BLOCK) { + return RiskAssessmentResult.blocked(rule.getId(), result.getReason()); + } + } + } + + // 4. 决策逻辑 + RiskLevel riskLevel = calculateRiskLevel(totalScore); + RiskAction action = determineAction(riskLevel, event.getScenario()); + + return RiskAssessmentResult.builder() + .riskLevel(riskLevel) + .action(action) + .score(totalScore) + .ruleResults(ruleResults) + .evaluationTime(Instant.now()) + .build(); + } + + private RuleResult evaluateRule(RiskRule rule, Map features) { + try { + // 使用规则表达式引擎（如Aviator、MVEL） + Boolean result = ruleEvaluator.evaluate(rule.getExpression(), features); + + return RuleResult.builder() + .ruleId(rule.getId()) + .triggered(Boolean.TRUE.equals(result)) + .reason(rule.getDescription()) + .build(); + + } catch (Exception e) { + log.error("规则评估异常: {}", rule.getId(), e); + return RuleResult.failed(rule.getId(), e.getMessage()); + } + } +} +``` + +**特征工程服务**： + +```java +@Service +public class FeatureService { + + @Autowired + private RedisTemplate redisTemplate; + + public Map extractFeatures(RiskEvent event) { + Map features = new HashMap<>(); + + // 基础特征 + features.put("userId", event.getUserId()); + features.put("deviceId", event.getDeviceId()); + features.put("ip", event.getIpAddress()); + features.put("amount", event.getAmount()); + features.put("timestamp", event.getTimestamp()); + + // 统计特征（近期行为统计） + addStatisticalFeatures(features, event); + + // 设备指纹特征 + addDeviceFingerprintFeatures(features, event); + + // 地理位置特征 + addLocationFeatures(features, event); + + return features; + } + + private void addStatisticalFeatures(Map features, RiskEvent event) { + String userId = event.getUserId(); + String today = LocalDate.now().toString(); + + // 今日交易次数 + String dailyCountKey = "user:" + userId + ":daily:" + today + ":count"; + Long dailyCount = redisTemplate.opsForValue().increment(dailyCountKey); + redisTemplate.expire(dailyCountKey, Duration.ofDays(1)); + features.put("dailyTransactionCount", dailyCount); + + // 今日交易金额 + String dailyAmountKey = "user:" + userId + ":daily:" + today + ":amount"; + Double dailyAmount = redisTemplate.opsForValue() + .increment(dailyAmountKey, event.getAmount().doubleValue()); + redisTemplate.expire(dailyAmountKey, Duration.ofDays(1)); + features.put("dailyTransactionAmount", dailyAmount); + + // 最近1小时交易次数 + String hourlyCountKey = "user:" + userId + ":hourly:" + + LocalDateTime.now().truncatedTo(ChronoUnit.HOURS) + ":count"; + Long hourlyCount = redisTemplate.opsForValue().increment(hourlyCountKey); + redisTemplate.expire(hourlyCountKey, Duration.ofHours(1)); + features.put("hourlyTransactionCount", hourlyCount); + } +} +``` + +**实时决策缓存**： + +```java +@Service +public class RiskDecisionCache { + + @Autowired + private RedisTemplate redisTemplate; + + public void cacheDecision(String key, RiskAssessmentResult result) { + String cacheKey = "risk:decision:" + key; + String value = JsonUtils.toJson(result); + + // 缓存1小时 + redisTemplate.opsForValue().set(cacheKey, value, Duration.ofHours(1)); + } + + public RiskAssessmentResult getCachedDecision(String key) { + String cacheKey = "risk:decision:" + key; + String value = redisTemplate.opsForValue().get(cacheKey); + + if (value != null) { + return JsonUtils.fromJson(value, RiskAssessmentResult.class); + } + + return null; + } + + // 生成缓存key，考虑用户、设备、金额等因素 + public String generateCacheKey(RiskEvent event) { + return String.format("%s:%s:%s", + event.getUserId(), + event.getDeviceId(), + event.getScenario()); + } +} +``` + +**规则动态更新**： + +```java +@Service +public class RuleManagementService { + + @Autowired + private RuleRepository ruleRepository; + + @EventListener + public void handleRuleUpdate(RuleUpdateEvent event) { + RiskRule rule = event.getRule(); + + // 更新本地缓存 + ruleCache.put(rule.getId(), rule); + + // 通知其他节点更新 + applicationEventPublisher.publishEvent( + new RuleCacheRefreshEvent(rule.getId())); + + log.info("规则更新完成: {}", rule.getId()); + } + + @Async + public void validateRuleEffectiveness(String ruleId) { + // 分析规则效果 + RuleEffectivenessAnalysis analysis = analyzeRuleEffectiveness(ruleId); + + // 如果效果不佳，建议调整 + if (analysis.getFalsePositiveRate() > 0.1) { + alertService.sendAlert("规则误判率过高", ruleId); + } + } +} +``` + +**性能监控**： + +```java +@Component +public class RiskSystemMonitor { + + private final MeterRegistry meterRegistry; + private final Counter evaluationCounter; + private final Timer evaluationTimer; + + public RiskSystemMonitor(MeterRegistry meterRegistry) { + this.meterRegistry = meterRegistry; + this.evaluationCounter = Counter.builder("risk.evaluation.count") + .register(meterRegistry); + this.evaluationTimer = Timer.builder("risk.evaluation.duration") + .register(meterRegistry); + } + + public void recordEvaluation(RiskAssessmentResult result, Duration duration) { + evaluationCounter.increment( + Tags.of( + "action", result.getAction().name(), + "risk_level", result.getRiskLevel().name() + ) + ); + + evaluationTimer.record(duration); + + // 如果评估时间过长，记录告警 + if (duration.toMillis() > 100) { + log.warn("风控评估耗时过长: {}ms", duration.toMillis()); + } + } +} +``` + + **考察点：** 实时计算、规则引擎、特征工程、性能优化。 + **常见追问：** 如何平衡准确性和性能？（答：分层策略+缓存优化+异步处理+模型优化） + +### 🎯 设计一个多租户SaaS系统 + +**业务需求分析**：支持多个企业客户独立使用，数据隔离、资源共享、灵活计费。 + +**核心挑战**： + +1. **数据隔离**：确保租户间数据完全隔离 +2. **资源共享**：在保证隔离的前提下最大化资源利用 +3. **个性化定制**：支持租户个性化配置和扩展 +4. **弹性扩展**：随租户增长动态扩容 + +**多租户架构模式**： + +**1. 数据库隔离策略** + +```java +@Configuration +public class MultiTenantConfig { + + // 租户路由策略 + @Bean + public TenantResolver tenantResolver() { + return new HeaderTenantResolver(); // 从HTTP头获取租户ID + } + + // 数据源路由 + @Bean + public DataSource dataSource() { + MultiTenantDataSource dataSource = new MultiTenantDataSource(); + + // 为每个租户配置独立数据源 + dataSource.setDefaultTargetDataSource(createDataSource("default")); + + Map targetDataSources = new HashMap<>(); + targetDataSources.put("tenant1", createDataSource("tenant1")); + targetDataSources.put("tenant2", createDataSource("tenant2")); + dataSource.setTargetDataSources(targetDataSources); + + return dataSource; + } +} + +@Component +public class TenantContext { + private static final ThreadLocal TENANT_ID = new ThreadLocal<>(); + + public static void setTenantId(String tenantId) { + TENANT_ID.set(tenantId); + } + + public static String getTenantId() { + return TENANT_ID.get(); + } + + public static void clear() { + TENANT_ID.remove(); + } +} +``` + +**2. 租户拦截器** + +```java +@Component +public class TenantInterceptor implements HandlerInterceptor { + + @Override + public boolean preHandle(HttpServletRequest request, + HttpServletResponse response, + Object handler) throws Exception { + + String tenantId = extractTenantId(request); + + if (tenantId == null) { + response.setStatus(HttpStatus.BAD_REQUEST.value()); + response.getWriter().write("Missing tenant identifier"); + return false; + } + + // 验证租户有效性 + if (!tenantService.isValidTenant(tenantId)) { + response.setStatus(HttpStatus.FORBIDDEN.value()); + response.getWriter().write("Invalid tenant"); + return false; + } + + TenantContext.setTenantId(tenantId); + return true; + } + + @Override + public void afterCompletion(HttpServletRequest request, + HttpServletResponse response, + Object handler, Exception ex) { + TenantContext.clear(); + } + + private String extractTenantId(HttpServletRequest request) { + // 多种方式获取租户ID + String tenantId = request.getHeader("X-Tenant-ID"); + if (tenantId != null) return tenantId; + + // 从子域名获取 + String serverName = request.getServerName(); + if (serverName.contains(".")) { + return serverName.split("\\.")[0]; + } + + // 从URL路径获取 + String path = request.getRequestURI(); + if (path.startsWith("/tenant/")) { + return path.split("/")[2]; + } + + return null; + } +} +``` + +**3. 动态配置管理** + +```java +@Service +public class TenantConfigurationService { + + @Autowired + private RedisTemplate redisTemplate; + + public T getConfig(String tenantId, String configKey, Class type) { + String cacheKey = "tenant:config:" + tenantId + ":" + configKey; + Object cached = redisTemplate.opsForValue().get(cacheKey); + + if (cached != null) { + return type.cast(cached); + } + + // 从数据库加载配置 + TenantConfiguration config = configRepository.findByTenantIdAndKey(tenantId, configKey); + if (config != null) { + T value = JsonUtils.fromJson(config.getValue(), type); + // 缓存30分钟 + redisTemplate.opsForValue().set(cacheKey, value, Duration.ofMinutes(30)); + return value; + } + + // 返回默认配置 + return getDefaultConfig(configKey, type); + } + + public void updateConfig(String tenantId, String configKey, Object value) { + // 更新数据库 + TenantConfiguration config = TenantConfiguration.builder() + .tenantId(tenantId) + .configKey(configKey) + .value(JsonUtils.toJson(value)) + .updateTime(Instant.now()) + .build(); + configRepository.save(config); + + // 清除缓存 + String cacheKey = "tenant:config:" + tenantId + ":" + configKey; + redisTemplate.delete(cacheKey); + + // 通知其他节点刷新缓存 + eventPublisher.publishEvent(new ConfigUpdateEvent(tenantId, configKey)); + } +} +``` + +**4. 资源隔离与限制** + +```java +@Service +public class TenantResourceManager { + + @Autowired + private RedisTemplate redisTemplate; + + public boolean checkResourceLimit(String tenantId, ResourceType type, int requestAmount) { + TenantPlan plan = tenantService.getTenantPlan(tenantId); + ResourceLimit limit = plan.getResourceLimit(type); + + if (limit == null) { + return true; // 无限制 + } + + String usageKey = "tenant:usage:" + tenantId + ":" + type.name(); + + // 获取当前使用量 + String currentUsageStr = redisTemplate.opsForValue().get(usageKey); + int currentUsage = currentUsageStr != null ? Integer.parseInt(currentUsageStr) : 0; + + // 检查是否超限 + if (currentUsage + requestAmount > limit.getMaxAmount()) { + log.warn("租户资源超限: tenantId={}, type={}, current={}, limit={}", + tenantId, type, currentUsage, limit.getMaxAmount()); + return false; + } + + // 更新使用量 + redisTemplate.opsForValue().increment(usageKey, requestAmount); + redisTemplate.expire(usageKey, Duration.ofDays(1)); + + return true; + } + + @Scheduled(fixedRate = 3600000) // 每小时统计一次 + public void collectResourceUsage() { + List tenants = tenantService.getAllActiveTenants(); + + for (Tenant tenant : tenants) { + TenantUsageStats stats = calculateUsageStats(tenant.getId()); + usageStatsRepository.save(stats); + + // 检查是否接近限制 + checkUsageAlerts(tenant, stats); + } + } +} +``` + +**5. 计费系统集成** + +```java +@Service +public class TenantBillingService { + + public void recordUsage(String tenantId, UsageEvent event) { + // 记录使用事件 + UsageRecord record = UsageRecord.builder() + .tenantId(tenantId) + .eventType(event.getType()) + .quantity(event.getQuantity()) + .timestamp(Instant.now()) + .metadata(event.getMetadata()) + .build(); + + usageRecordRepository.save(record); + + // 实时计费 + if (isRealTimeBillingEnabled(tenantId)) { + calculateAndApplyCharges(tenantId, record); + } + } + + @Scheduled(cron = "0 0 2 * * ?") // 每天凌晨2点执行 + public void dailyBilling() { + List tenants = tenantService.getAllActiveTenants(); + + for (Tenant tenant : tenants) { + try { + BillingResult result = calculateDailyBilling(tenant.getId()); + generateInvoice(tenant, result); + + } catch (Exception e) { + log.error("租户计费失败: {}", tenant.getId(), e); + alertService.sendAlert("计费失败", tenant.getId()); + } + } + } +} +``` + + **考察点：** 多租户架构、数据隔离、资源管理、计费系统。 + **常见追问：** 如何处理租户数据迁移？（答：在线迁移+双写验证+灰度切换+回滚机制） + +### 🎯 设计一个智能推荐系统 + +**业务场景分析**：为用户提供个性化内容推荐，提升用户体验和业务转化率。 + +**推荐系统核心架构**： + +**1. 多路召回策略** + +```java +@Service +public class RecommendationEngine { + + public List recommend(String userId, int count) { + // 协同过滤召回 + List cfResults = + collaborativeFilteringService.recommend(userId, count * 2); + + // 内容相似召回 + List cbResults = + contentBasedService.recommend(userId, count * 2); + + // 深度学习召回 + List dlResults = + deepLearningService.recommend(userId, count * 2); + + // 热门内容召回 + List popularResults = + popularContentService.getPopularItems(count); + + // 结果融合与重排序 + return mergeAndRerank(Arrays.asList(cfResults, cbResults, dlResults, popularResults)); + } +} +``` + +**2. 实时特征工程** + +```java +@Service +public class FeatureEngineeringService { + + public UserFeatures extractUserFeatures(String userId) { + UserFeatures features = new UserFeatures(); + + // 基础画像特征 + UserProfile profile = userService.getUserProfile(userId); + features.setDemographics(profile.getDemographics()); + + // 实时行为特征 + features.setRecentClickCategories(getRecentClickCategories(userId)); + features.setSessionDuration(getCurrentSessionDuration(userId)); + features.setActiveTimeSlots(getActiveTimeSlots(userId)); + + // 统计特征 + features.setAvgSessionDuration(calculateAvgSessionDuration(userId)); + features.setClickThroughRate(calculateCTR(userId)); + features.setConversionRate(calculateConversionRate(userId)); + + return features; + } +} +``` + +**3. 冷启动处理** + +```java +@Service +public class ColdStartService { + + public List handleNewUser(String userId) { + UserProfile profile = userService.getUserProfile(userId); + + // 基于人口统计学特征推荐 + List demographicRecommendations = + demographicBasedRecommender.recommend(profile); + + // 热门内容推荐 + List popularRecommendations = + popularContentService.getPopularItems(20); + + // 探索性推荐（多样性） + List exploratoryRecommendations = + explorationService.getExploratoryItems(profile); + + return mergeWithDiversity( + demographicRecommendations, + popularRecommendations, + exploratoryRecommendations); + } +} +``` + +**4. A/B测试框架** + +```java +@Service +public class RecommendationABTestService { + + public List applyExperiment(String userId, + List recommendations) { + String experimentGroup = getExperimentGroup(userId); + + switch (experimentGroup) { + case "control": + return recommendations; + case "diversity_boost": + return enhanceDiversity(recommendations); + case "popularity_boost": + return boostPopularItems(recommendations); + case "personalized_rerank": + return personalizedRerank(userId, recommendations); + default: + return recommendations; + } + } + + @Scheduled(fixedRate = 3600000) // 每小时分析 + public void analyzeExperimentResults() { + Map results = calculateMetrics(); + + for (Map.Entry entry : results.entrySet()) { + if (entry.getValue().isStatisticallySignificant()) { + updateExperimentStrategy(entry.getKey(), entry.getValue()); + } + } + } +} +``` + +**考察点：** 推荐算法、特征工程、冷启动、A/B测试。 +**常见追问：** 如何解决推荐系统的马太效应？（答：多样性控制+探索性推荐+长尾内容提升） + +------ + + + +## ⚡ 四、高并发系统设计 + +> **核心思想**：高并发系统设计是技术面的重点，需要从架构设计、性能优化、容错处理等多个角度来保证系统在高并发场景下的稳定性和性能。 + +### 🎯 如何设计一个支持50w QPS的分布式系统？ + +**系统分析**：50w QPS意味着每秒处理50万次请求，这需要在架构、技术栈、存储、网络等多个层面进行优化。 + +**整体架构设计**： + +1. **负载均衡层**： + - **DNS负载均衡**：多地域部署，就近访问 + - **四层负载均衡**：LVS/HAProxy处理连接分发 + - **七层负载均衡**：Nginx/F5处理HTTP请求路由 + - **CDN**：静态资源缓存，减少源站压力 + +2. **网关层**： + - **API网关集群**：Spring Cloud Gateway/Kong水平扩展 + - **限流熔断**：令牌桶、滑动窗口、熔断器保护 + - **请求路由**：按业务、版本、用户等维度路由 + - **协议优化**：HTTP/2、gRPC提升传输效率 + +3. **服务层**： + - **微服务架构**：按业务域拆分，独立扩缩容 + - **无状态设计**：服务实例无状态，便于水平扩展 + - **异步处理**：非关键流程异步化，提升响应速度 + - **连接池**：数据库、Redis连接池复用 + +4. **存储层**： + - **分库分表**：MySQL按业务、用户维度分片 + - **读写分离**：主库写入，从库读取 + - **多级缓存**：本地缓存 + Redis + CDN + - **NoSQL**：MongoDB/Cassandra处理大数据量 + +**性能优化策略**： + +**并发处理优化**： + +``` +计算模型： +单机QPS = 1000（经验值） +需要实例数 = 50w / 1000 = 500台 +考虑冗余：500 * 1.5 = 750台 +``` + +**缓存策略**： + +- **多级缓存架构**：CDN(90%) -> Redis(9%) -> DB(1%) +- **热点数据预热**：定期将热点数据加载到缓存 +- **缓存雪崩防护**：过期时间随机化、多副本 +- **缓存更新策略**：写入数据库后异步更新缓存 + +**数据库优化**： + +- **连接池配置**：单实例100-200连接，总计5w-10w连接 +- **SQL优化**：索引优化、查询改写、预编译语句 +- **分片策略**：按用户ID哈希分片，保证数据均匀 +- **读写分离**：读操作分散到多个从库 + +**系统架构容量规划**： + +| 层级 | 组件 | 实例数量 | 单实例QPS | 总QPS | +| ------ | -------- | -------- | --------- | ----- | +| 接入层 | Nginx | 50台 | 20k | 100w | +| 网关层 | Gateway | 100台 | 10k | 100w | +| 服务层 | 业务服务 | 500台 | 1k | 50w | +| 缓存层 | Redis | 20台 | 50k | 100w | +| 数据层 | MySQL | 50台 | 2k | 10w | + +**监控与保障**： + +- **实时监控**：QPS、RT、错误率、系统资源 +- **自动扩缩容**：根据CPU、内存、QPS指标自动扩容 +- **链路追踪**：分布式链路追踪，快速定位性能瓶颈 +- **压力测试**：定期全链路压测，验证容量 + + **考察点：** 高并发架构设计、容量规划、性能优化、监控体系。 + **常见追问：** 如何识别系统瓶颈？（答：监控+压测+性能分析工具定位） + +### 🎯 电商大促时如何保证系统稳定性？ + +**大促特点**：流量瞬间暴增10-100倍、业务峰值集中、容错要求极高。 + +**稳定性保障体系**： + +1. **容量准备**： + - **流量预估**：基于历史数据和业务预期评估峰值流量 + - **压力测试**：全链路压测，找出性能瓶颈 + - **资源扩容**：提前3-5倍扩容关键资源 + - **基础设施**：CDN带宽、服务器、数据库等全面扩容 + +2. **架构优化**： + - **静态化**：商品详情、活动页面全部静态化 + - **页面缓存**：首页、列表页等高访问页面缓存 + - **API优化**：接口合并、批量查询、异步处理 + - **资源隔离**：大促流量与日常流量物理隔离 + +3. **限流降级策略**： + - **多级限流**：CDN限流、网关限流、服务限流 + - **业务降级**：非核心功能降级，优先保证下单支付 + - **熔断保护**：依赖服务异常时快速熔断 + - **排队机制**：超出处理能力时排队等待 + +**核心业务保护**： + +**下单链路优化**： + +``` +优化前：同步调用多个服务，RT=500ms +优化后：异步化+缓存预热，RT=50ms + +流程优化： +1. 库存预扣（Redis）-> 2ms +2. 订单入库（异步）-> 10ms +3. 支付调用（异步）-> 20ms +4. 其他服务（异步）-> 并行处理 +``` + +**支付链路保护**： + +- **支付渠道**：多支付通道并行，故障自动切换 +- **幂等性**：支付请求幂等处理，防止重复扣款 +- **异步化**：支付结果异步通知，避免阻塞 +- **补偿机制**：支付异常时自动补偿和对账 + +**数据库保护**： + +- **读写分离**：读请求全部走从库和缓存 +- **连接池**：严格控制数据库连接数 +- **慢查询优化**：提前优化所有慢查询 +- **分库分表**：热点表按用户维度分片 + +**缓存策略**： + +- **多级缓存**：CDN + Redis集群 + 本地缓存 +- **预热策略**：大促前预热所有热点数据 +- **缓存隔离**：不同业务使用不同Redis集群 +- **兜底策略**：缓存失效时的降级方案 + +**监控告警**： + +- **实时大盘**：QPS、RT、错误率、库存等核心指标 +- **分层监控**：CDN、网关、服务、数据库各层监控 +- **智能告警**：基于历史数据的异常检测 +- **自动恢复**：故障自动切换和恢复 + +**应急预案**： + +- **限流开关**：流量过大时快速限流 +- **降级开关**：一键降级非核心功能 +- **回滚预案**：代码快速回滚机制 +- **人员保障**：24小时值班和快速响应 + + **考察点：** 大促架构设计、稳定性保障、应急处理、监控体系。 + **常见追问：** 如何评估大促容量？（答：历史数据+业务预期+安全系数） + +### 🎯 如何设计一个支持百万并发的直播系统？ + +**直播系统特点**：实时性要求高、并发用户多、带宽消耗大、互动性强。 + +**整体架构设计**： + +1. **推流端**： + - **RTMP推流**：主播端使用RTMP协议推送视频流 + - **流媒体服务器**：Nginx-RTMP/SRS/Node Media Server接收流 + - **转码服务**：FFmpeg多码率转码，适配不同网络 + - **录制存储**：视频流录制到OSS，支持回放 + +2. **CDN分发**： + - **边缘节点**：全球部署CDN节点，就近分发 + - **智能调度**：根据网络质量动态选择最优节点 + - **协议适配**：支持RTMP、HLS、HTTP-FLV多种协议 + - **带宽优化**：码率自适应、预加载优化 + +3. **播放端**： + - **多协议支持**：Web端HLS、移动端RTMP + - **播放器优化**：缓冲策略、断线重连、画质切换 + - **延迟优化**：WebRTC低延迟直播 + - **弱网优化**：网络自适应、画质降级 + +4. **互动系统**： + - **弹幕系统**：WebSocket实时弹幕推送 + - **礼物系统**：异步处理礼物动画和扣费 + - **聊天室**：群聊消息分发和审核 + - **连麦系统**：WebRTC点对点连接 + +**高并发处理**： + +**CDN架构设计**： + +``` +三级CDN架构： +源站 -> 中心节点 -> 边缘节点 -> 用户 + +并发能力： +- 单边缘节点：1万并发 +- 需要节点数：100万 / 1万 = 100个节点 +- 考虑冗余：100 * 1.5 = 150个节点 +``` + +**流媒体服务器集群**： + +- **负载均衡**：一致性哈希分配主播到不同服务器 +- **热备切换**：主播流自动故障切换 +- **状态同步**：服务器间流状态实时同步 +- **弹性扩容**：根据在线人数自动扩容 + +**弹幕系统设计**： + +- **WebSocket集群**：支持百万并发连接 +- **消息分片**：按房间ID分片处理弹幕 +- **限流控制**：用户发送频率限制 +- **内容审核**：敏感词过滤、机器审核 + +**性能优化策略**： + +**网络优化**： + +- **预连接**：页面加载时预建立连接 +- **多路复用**：HTTP/2多路复用减少连接数 +- **压缩传输**：视频压缩、文本gzip压缩 +- **P2P加速**：用户间P2P分享减少带宽 + +**存储优化**： + +- **热点数据**：主播信息、房间状态缓存到Redis +- **视频存储**：多副本存储保证可靠性 +- **CDN回源**：智能回源策略减少源站压力 +- **数据分片**：按时间、房间维度分片存储 + +**实时性优化**： + +- **端到端延迟**：< 3秒（HLS）、< 1秒（WebRTC） +- **关键帧优化**：GOP设置、IDR帧间隔优化 +- **缓冲策略**：播放器缓冲区大小动态调整 +- **网络自适应**：根据网络状况调整码率 + +**监控与运维**： + +- **实时监控**：在线人数、带宽使用、推流质量 +- **质量监控**：卡顿率、延迟、画质等QoE指标 +- **告警机制**：推流中断、CDN异常自动告警 +- **故障恢复**：自动切换备用节点和回源路径 + + **考察点：** 流媒体架构、CDN设计、实时通信、高并发处理。 + **常见追问：** 如何降低直播延迟？（答：WebRTC+边缘计算+协议优化） + +------ + + + +## 🌊 四、分布式系统设计 + +> **核心思想**：分布式系统设计需要解决数据一致性、服务可用性、网络分区等核心问题，通过合理的架构设计和技术选型来保证系统的稳定性和可扩展性。 + +### 🎯 设计一个短链系统（类似 bit.ly），如何处理千万级 QPS？ + +> 我会用 ID→Base62 可逆编码生成短码，读路径优先走 CDN 与 Redis 缓存（边缘缓存 302），确保绝大多数请求不回源。持久化用分库分表的 MySQL 或 NoSQL 存储映射与元数据；统计用 Kafka 异步上报并由 Flink 写入 ClickHouse 做实时/离线分析。为支持千万级 QPS，关键措施是：边缘缓存优先、Redis Cluster + 本地缓存、无状态跳转服务水平扩展、多机房部署及热点预热与限流。安全方面加速防刷、URL 白名单与钓鱼检测。短码生成采用 Snowflake + Base62，避免写前冲突，支持自定义短码时通过 DB 唯一索引处理冲突。 + +**需求分析**：短链生成、原链跳转、统计分析、高并发、高可用。 + +**核心架构设计**： + +1. **短链生成服务**： + - **编码算法**：Base62（a-z, A-Z, 0-9）生成6-8位短码，支持约568亿个URL + - **ID生成**：使用分布式ID生成器（Snowflake）保证唯一性 + - **防冲突**：写入前检查唯一性，冲突时重新生成 + +2. **存储设计**： + - **缓存层**：Redis集群存储热点短链（短码->原URL） + - **持久化**：MySQL分库分表存储映射关系 + - **分片策略**：按短码hash分片，保证数据均匀分布 + +3. **高并发优化**： + - **读写分离**：写入走主库，查询优先走缓存和从库 + - **多级缓存**：CDN + Redis + 本地缓存，99%请求命中缓存 + - **异步化**：统计数据异步写入，避免影响主链路 + +4. **扩展性设计**： + - **水平扩展**：服务无状态，可根据流量动态扩容 + - **分库分表**：按业务或时间维度分片 + - **CDN加速**：静态资源和跳转页面CDN缓存 + +**完整架构流程**： + +``` +生成短链：客户端 -> 负载均衡 -> 短链服务 -> ID生成 -> 写DB&缓存 -> 返回短码 +访问短链：用户 -> CDN -> 负载均衡 -> 查询服务 -> Redis -> DB -> 302跳转 +``` + +**监控与容灾**：实时监控QPS、缓存命中率、DB性能，多机房部署保证高可用。 + **考察点：** 高并发架构设计、缓存策略、数据库设计、扩展性考虑。 + **常见追问：** 如何防止恶意刷短链？（答：限流+验证码+用户黑名单+URL白名单） + + + +### 🎯 设计一个邮件系统，支持亿级用户发送邮件 + +**系统架构分层**： + +1. **接入层**： + - **API网关**：统一接入、鉴权、限流、熔断 + - **负载均衡**：按用户分片路由到不同服务集群 + - **协议支持**：SMTP、IMAP、POP3、HTTP API + +2. **业务服务层**： + - **邮件发送服务**：处理邮件发送逻辑、格式校验、附件处理 + - **邮件存储服务**：邮件内容存储、索引、检索 + - **用户管理服务**：账号体系、权限管理、配额控制 + - **通知服务**：实时推送、邮件到达通知 + +3. **数据存储层**： + - **用户数据**：MySQL集群存储用户信息、联系人、配置 + - **邮件元数据**：分库分表存储邮件头信息、状态、关系 + - **邮件内容**：对象存储（S3/OSS）存储邮件正文和附件 + - **搜索引擎**：Elasticsearch提供全文检索 + +4. **消息队列**： + - **发送队列**：Kafka处理海量邮件发送任务 + - **优先级队列**：重要邮件优先处理 + - **延迟队列**：定时发送功能 + +**核心技术挑战**： + +**亿级用户存储**： + +- **水平分片**：按用户ID哈希分库分表 +- **冷热分离**：近期邮件放SSD，历史邮件放HDD +- **压缩存储**：邮件内容压缩，附件去重 + +**高并发处理**： + +``` +发送流程：用户请求 -> 参数校验 -> 反垃圾检测 -> 入队列 -> 异步发送 -> 状态回调 +接收流程：SMTP接收 -> 病毒扫描 -> 反垃圾 -> 存储 -> 索引 -> 推送通知 +``` + +**可靠性保证**： + +- **多副本存储**：邮件数据多地域备份 +- **消息可靠性**：队列持久化、重试机制、死信队列 +- **监控告警**：发送成功率、延迟、存储容量监控 + +**安全防护**： + +- **反垃圾邮件**：机器学习算法、黑名单、内容过滤 +- **数据加密**：传输加密（TLS）、存储加密 +- **权限控制**：细粒度权限、审计日志 + + **考察点：** 大规模系统架构、数据分片、消息队列、安全设计。 + **常见追问：** 如何保证邮件不丢失？（答：多副本+事务+补偿机制+监控） + +### 🎯 设计一个类似微信的即时通讯系统 + +**核心功能需求**：实时消息、群聊、在线状态、消息推送、文件传输。 + +**整体架构**： + +1. **连接层（Gateway）**： + - **长连接管理**：WebSocket/TCP维持用户连接 + - **负载均衡**：一致性哈希分配用户到Gateway节点 + - **心跳保活**：定期心跳检测连接状态 + - **连接状态同步**：Gateway间用户在线状态同步 + +2. **消息服务层**： + - **消息路由服务**：查找接收方网关，转发消息 + - **群聊服务**：群成员管理、消息扇出 + - **离线消息服务**：用户离线时消息暂存 + - **推送服务**：APNs/FCM移动端推送 + +3. **存储层**： + - **消息存储**：按会话分片存储到MySQL/Cassandra + - **用户关系**：Redis存储好友关系、群成员关系 + - **文件存储**：OSS存储图片、语音、视频文件 + +**核心设计要点**： + +**消息投递保证**： + +``` +发送流程： +客户端 -> Gateway -> 消息服务 -> 存储DB -> 查找接收方Gateway -> 推送接收方 +确认机制：发送确认(sent) -> 投递确认(delivered) -> 已读确认(read) +``` + +**群聊优化**： + +- **读扩散模式**：群消息存一份，用户读取时拉取 +- **写扩散模式**：每个群成员都存一份消息副本 +- **混合模式**：小群写扩散，大群读扩散 + +**高可用设计**： + +- **Gateway集群**：多实例无状态部署，故障自动切换 +- **数据多副本**：消息数据至少两副本存储 +- **异地部署**：多机房部署，就近接入 + +**消息同步**： + +- **增量同步**：基于消息序列号增量拉取 +- **离线消息**：用户上线后批量推送未读消息 +- **多端同步**：消息多端实时同步 + +**性能优化**： + +- **消息预加载**：客户端预加载历史消息 +- **压缩传输**：消息内容压缩传输 +- **CDN加速**：图片、文件通过CDN分发 + + **考察点：** 长连接管理、消息可靠性、分布式架构、性能优化。 + **常见追问：** 如何处理海量群聊消息？（答：分片存储+异步扇出+读写分离） + +### 🎯 设计一个分布式配置中心（类似Apollo） + +**核心功能**：配置管理、实时推送、权限控制、版本管理、灰度发布。 + +**系统架构设计**： + +1. **配置管理层**： + - **Portal服务**：Web管理界面，配置CRUD操作 + - **Admin服务**：配置管理核心服务，权限控制 + - **Config服务**：配置读取服务，面向客户端 + +2. **存储层**： + - **元数据存储**：MySQL存储配置项、应用信息、权限 + - **配置存储**：支持多种存储后端（MySQL/Redis/ETCD） + - **版本管理**：Git-like版本控制，支持回滚 + +3. **通知层**： + - **消息队列**：配置变更事件队列 + - **长连接推送**：HTTP长轮询/WebSocket推送变更 + - **客户端SDK**：配置缓存、自动更新、降级处理 + +**核心技术实现**： + +**配置推送机制**： + +``` +推送流程： +1. 管理员修改配置 -> Portal +2. 配置校验和持久化 -> Admin +3. 发布变更事件 -> MessageQueue +4. Config服务接收事件 -> 推送客户端 +5. 客户端更新本地缓存 -> 应用生效 +``` + +**客户端设计**： + +- **本地缓存**：配置项本地缓存，启动时预加载 +- **长轮询**：定期请求配置更新，有变更立即返回 +- **降级策略**：网络异常时使用本地缓存配置 +- **热更新**：配置变更自动刷新，无需重启应用 + +**高可用保证**： + +- **集群部署**：Config服务集群，客户端多实例连接 +- **数据备份**：配置数据多副本存储 +- **故障切换**：客户端自动切换到其他Config实例 +- **本地容灾**：客户端本地文件备份 + +**安全与权限**： + +- **多环境隔离**：dev/test/prod环境严格隔离 +- **权限控制**：基于角色的配置读写权限 +- **审计日志**：所有配置变更全程审计 +- **敏感信息加密**：密码等敏感配置加密存储 + +**管理功能**： + +- **版本管理**：配置版本控制，支持比较和回滚 +- **灰度发布**：配置变更灰度发布，降低影响面 +- **批量操作**：支持配置的批量导入导出 +- **实时监控**：配置推送成功率、客户端在线状态 + + **考察点：** 分布式系统设计、实时通信、高可用架构、权限设计。 + **常见追问：** 如何保证配置推送的可靠性？（答：重试机制+本地缓存+多副本） + + + +### 🎯 限流算法 + +限流算法是分布式系统中 “保护服务稳定性” 的核心手段，用于在流量超过服务承载能力时，通过 “合理丢弃 / 排队请求” 避免服务过载崩溃。 + +**常见限流算法（4 种核心）** + +| 算法 | 原理 | 优点 | 缺点 | +| ------------------------------ | -------------------------------------- | ------------------ | ------------------------ | +| **固定窗口（Fixed Window）** | 统计每个时间窗口内的请求数 | 实现简单 | 边界流量突刺问题 | +| **滑动窗口（Sliding Window）** | 将时间窗口细分成小格动态滑动 | 精度更高，平滑 | 实现稍复杂 | +| **令牌桶（Token Bucket）** | 按固定速率生成令牌，请求需拿令牌才执行 | 支持突发流量，灵活 | 实现复杂，需定时补充令牌 | +| **漏桶（Leaky Bucket）** | 请求流入桶中，按固定速率流出 | 控制输出速率稳定 | 不支持突发流量 | + +------ + + + +## 🚀 五、性能优化与调优 + +> **核心思想**：性能优化是系统稳定运行的关键，需要从代码层面、架构层面、运维层面等多个维度进行优化，通过监控和调优来提升系统性能。 + +### 🎯 线上接口偶发超时，你如何定位？ + +标准排查流程： + +1. 第一步，先明确超时的现象边界 —— 通过监控看是全接口还是某类接口、全机器还是某几台、随机时间还是高峰期，快速缩小排查范围； + +2. **查看调用链**：用 APM/调用链（SkyWalking/Zipkin）定位是自己服务慢还是依赖慢。 + +3. **抓取线程快照**：`jstack` 看是否有线程阻塞、死锁或大量 GC。 + + > **场景 1：自身服务慢**（如接口内耗时高）： + > + > - 抓线程快照：用 `jstack > stack.log` 多次抓取（间隔 5s，抓 3-5 次），分析是否有： + > - 大量线程处于 `BLOCKED` 状态（看 “waiting for monitor entry”，定位锁竞争，如全局锁、单例 Bean 的同步方法）； + > - 线程处于 `WAITING` 状态（看 “parking to wait for <0x...>”，定位线程池满、队列堆积，如核心线程数设置过小）； + > - 死锁：用 `jstack -l ` 直接检测，若有死锁，输出会明确标注 “Found 1 deadlock.”，并显示锁依赖链。 + > - 查 GC 日志：用 `jstat -gcutil 1000 10` 看 GC 情况，是否有频繁 Full GC（导致 STW 时间过长，如内存泄漏、堆内存设置过小）。 + > - 查代码日志：看接口内是否有 “隐性耗时操作”，如大对象序列化、循环调用 DB、未关闭的流。 + +4. **查看 DB & 外部依赖**：检查慢 SQL、外呼超时。 + +5. **网络监控**：排查网络丢包/延迟，检查网关与 LB。 + +6. **回放/复现**：在预发布或压力环境复现问题并定位。 + + 归根结底是"先定位慢链路，再深挖具体问题"。定位后讲清楚恢复与后续预防措施（限流、监控、熔断）。 + **考察点：** 系统化问题定位能力与沟通恢复方案。 + **常见追问：** 遇到死锁怎么办？（答：抓取线程堆栈，找到锁依赖链并调整加锁顺序或加超时） + +### 🎯 某服务 CPU 占 100%，如何排查？ + +1. **裸机/容器监控**：用 `top` 或容器监控看是哪个进程/线程。 +2. **jstack**：抓取线程堆栈，看是否在某个热点方法或死循环。 +3. **CPU profiler**（async-profiler）做采样分析，找出热点方法和系统调用。 +4. **检查 GC**：高 CPU 也可能是 GC 消耗（查看 GC 日志）。 +5. **业务回归**：判断是否近期部署变更引入性能回退，回滚验证。 + **考察点：** 性能分析工具的熟练度与快速定位能力。 + **常见追问：** async-profiler 用法简述？（答：采样模式低开销，能定位 Java 层热点和 JNI/syscall） + +### 🎯 线上死锁如何处理？ + +做法： + +1. 首先通过 **监控系统（如 Arthas、Prometheus、SkyWalking、Thread Dump）** 观察线程卡顿情况。 + +2. **抓取多次线程堆栈（jstack）** 确定死锁是否持续。 + + ``` + jstack -l > dump.log + ``` + +3. **分析锁持有者与等待者**，找到循环依赖链（jstack 会提示死锁信息）。 + +4. **临时恢复**：如果能快速确定单点锁可手工释放（慎用），或者重启受影响服务实例做短期恢复。 + +5. **根本修复**：统一加锁顺序、缩小锁粒度、使用 tryLock 超时处理或改为无锁算法。 + +6. **回顾与防范**：补充单元/集成测试模拟并发场景，避免再次发生。 + **考察点：** 从临时恢复到根本解决与防范的完整流程。 + **常见追问：** 如果无法重启怎么办？（答：尝试定位具体线程并做探测性 dump，若能释放锁再恢复；否则按 SLA 评估重启） + + + +### 🎯 系统内存使用率持续上升，怎么排查内存泄漏？ + +**内存泄漏特征**：内存使用持续增长、Full GC频繁但内存不下降、最终导致OOM。 + +**排查工具和方法**： + +**第一步：监控分析** + +```bash +# 1. JVM内存监控 +jstat -gc -h10 5s # 观察GC情况 +jstat -gccapacity # 查看堆容量 + +# 2. 系统内存监控 +ps aux | grep java # 进程内存使用 +free -h # 系统内存情况 +``` + +**第二步：堆内存分析** + +```bash +# 1. 生成堆转储 +jmap -dump:live,format=b,file=heap.dump + +# 2. 查看堆内存分布 +jmap -histo | head -20 + +# 3. 强制GC观察 +jmap -gc +``` + +**第三步：MAT分析堆转储** + +- **Leak Suspects Report**：自动发现可能的内存泄漏 +- **Dominator Tree**：查看占用内存最大的对象 +- **Histogram**：按类统计对象数量和大小 +- **OQL查询**：编写查询语句分析特定对象 + +**常见内存泄漏模式**： + +**1. 集合类未清理** + +```java +// 问题代码 +private static Map cache = new HashMap<>(); + +public void addCache(String key, Object value) { + cache.put(key, value); // 只添加不清理 +} + +// 解决方案 +private static Map cache = new ConcurrentHashMap<>(); + +@Scheduled(fixedRate = 300000) // 5分钟清理一次 +public void cleanExpiredCache() { + cache.entrySet().removeIf(entry -> isExpired(entry)); +} +``` + +**2. ThreadLocal未清理** + +```java +// 问题代码 +private static ThreadLocal userContext = new ThreadLocal<>(); + +// 解决方案 +try { + userContext.set(user); + // 业务逻辑 +} finally { + userContext.remove(); // 必须清理 +} +``` + + **考察点：** 内存管理知识、问题排查能力、代码质量意识。 + **常见追问：** 如何在生产环境安全地生成堆转储？（答：使用-dump:live减少影响，选择低峰期执行） + + + +### 🎯 线上 OOM（OutOfMemoryError）怎么排查和解决？ + +我线上确实排查过 OOM 问题。一般表现为接口响应变慢、Full GC 频繁、监控报警内存飙升、甚至进程直接被 Killed（OOMKilled）。 + 我通常分五步处理：**确认、定位、恢复、根因分析、防范优化**。 + +**排查与处理步骤** + +**① 确认 OOM 类型** + +首先看日志或报警信息，确定是哪类内存溢出。 + 常见 OOM 类型有： + +| 类型 | 原因 | 表现 | +| ------------------------------------ | ------------------ | ------------------------------- | +| `Java heap space` | Java 堆内存不足 | Full GC频繁、堆dump可见大量对象 | +| `GC overhead limit exceeded` | GC回收效果太差 | CPU飙高但内存回不去 | +| `Metaspace` | 类加载过多或未卸载 | 动态生成类、热加载、反射 | +| `Direct buffer memory` | NIO直接内存泄漏 | Netty、大文件、ByteBuffer | +| `unable to create new native thread` | 线程数超系统限制 | 线程池或无限创建线程 | +| `OutOfMemoryError: Map failed` | 映射文件过多 | MappedByteBuffer泄漏 | + +**② 定位堆内存泄漏原因** + +**✅ 工具手段：** + +- **jmap** 导出堆快照： + + ``` + jmap -dump:format=b,file=heap.bin + ``` + +- **jstat** 查看 GC 情况： + + ``` + jstat -gcutil 1000 10 + ``` + +- **MAT / VisualVM / Arthas heapdump** 打开分析： + + - 查看 **大对象（Dominator Tree）** + - 查找 **GC Roots 引用链** + - 判断是否是**内存泄漏（Leak）** 还是 **内存占用高（非泄漏）** + +**✅ 分析思路：** + +- 哪个类实例数量异常？ +- 哪些对象在 GC 后仍被引用？ +- 是否存在静态集合缓存未清理？ +- 是否有线程池、连接池、队列堆积？ + +**③ 短期恢复手段** + +- **扩容/重启实例**（快速恢复服务）； + +- 如果是容器环境，临时调高： + + ``` + -Xmx + -XX:MaxMetaspaceSize + ``` + +- 若是内存泄漏型问题 → 尽量导出堆后再重启； + +- 监控确认重启后内存曲线恢复正常。 + +**④ 根因修复** + +常见 OOM 根因及修复方向： + +| 问题类别 | 根因 | 解决方案 | +| ------------------ | ------------------------------------------ | ------------------------------------------------ | +| 缓存泄漏 | Map 缓存未清理 / 本地缓存未过期 | 使用 `ConcurrentHashMap` + TTL 或 Caffeine/Guava | +| 集合不断增长 | 未清理的 `List` / `Map` / 队列 | 控制队列大小、定期清理 | +| 线程泄漏 | `Executors.newCachedThreadPool()` 无界线程 | 改用 `ThreadPoolExecutor` + 有界队列 | +| 数据库/IO泄漏 | ResultSet/Stream 未关闭 | 使用 try-with-resources 或连接池 | +| ClassLoader泄漏 | 动态加载类未卸载（反射、热部署） | 控制类加载器生命周期 | +| 外部内存泄漏 | Netty、DirectBuffer 未释放 | 调用 `release()`、开启内存监控 | +| JSON/XML解析大对象 | 反序列化过大对象 | 控制输入流大小、分页处理 | + +**⑤ 防范与监控** + +| 措施 | 说明 | +| ------------ | ------------------------------------------------------ | +| JVM 监控 | 使用 Prometheus + Grafana 监控堆、GC、线程 | +| 定期 dump | 使用 Arthas / jcmd 自动定期 dump 栈快照 | +| 限制内存 | 合理配置 `-Xmx`, `-Xms`, `MaxMetaspaceSize` | +| 使用弱引用 | 对缓存对象使用 `WeakReference` / `SoftReference` | +| 压测提前发现 | JMeter / Gatling 模拟长时间高并发请求 | +| GC 日志分析 | 打开 `-Xlog:gc*` 或 `-XX:+PrintGCDetails` 观测内存波动 | + + + +### 🎯 数据库查询突然变慢，如何快速优化？ + +**数据库性能问题排查流程**：监控确认 -> 定位慢查询 -> 分析执行计划 -> 优化实施 -> 效果验证。 + +**第一步：确认性能问题** + +```sql +-- 1. 查看当前活跃连接 +SHOW PROCESSLIST; + +-- 2. 查看数据库状态 +SHOW STATUS LIKE 'Threads%'; +SHOW STATUS LIKE 'Questions'; +SHOW STATUS LIKE 'Slow_queries'; + +-- 3. 查看锁等待情况 +SELECT * FROM information_schema.INNODB_LOCKS; +SELECT * FROM information_schema.INNODB_LOCK_WAITS; +``` + +**第二步：定位慢查询** + +```sql +-- 1. 开启慢查询日志 +SET GLOBAL slow_query_log = 'ON'; +SET GLOBAL long_query_time = 0.1; -- 0.1秒以上的查询 + +-- 2. 查看当前慢查询 +SELECT * FROM information_schema.PROCESSLIST +WHERE COMMAND != 'Sleep' AND TIME > 0.1; + +-- 3. 分析慢查询日志 +-- 使用mysqldumpslow分析日志文件 +mysqldumpslow -s t -t 10 /var/log/mysql/slow.log +``` + +**第三步：分析执行计划** + +```sql +-- 1. EXPLAIN分析 +EXPLAIN SELECT * FROM orders +WHERE user_id = 12345 AND order_date > '2024-01-01'; + +-- 2. 关注关键指标 +-- type: ALL(全表扫描)最差，index > range > ref > const最好 +-- key: 使用的索引 +-- rows: 预估扫描行数 +-- Extra: Using temporary、Using filesort等需要优化 +``` + +**常见问题及优化策略**： + +**场景1：缺少索引** + +```sql +-- 问题查询 +SELECT * FROM orders WHERE user_id = 12345 AND status = 'PAID'; +-- EXPLAIN显示：type=ALL, rows=1000000 + +-- 解决方案：创建复合索引 +CREATE INDEX idx_user_status ON orders(user_id, status); + +-- 验证效果 +EXPLAIN SELECT * FROM orders WHERE user_id = 12345 AND status = 'PAID'; +-- 优化后：type=ref, rows=100 +``` + +**场景2：索引失效** + +```sql +-- 问题查询：函数导致索引失效 +SELECT * FROM orders WHERE DATE(order_date) = '2024-01-01'; + +-- 解决方案：避免在索引列上使用函数 +SELECT * FROM orders +WHERE order_date >= '2024-01-01 00:00:00' +AND order_date < '2024-01-02 00:00:00'; +``` + +**考察点：** 数据库优化能力、SQL调优技巧、性能分析思路。 +**常见追问：** 索引过多有什么问题？（答：影响写性能、占用存储空间、维护成本高） + + + +### 🎯 日志分析工具用了哪些？ + +在面试中被问到日志分析工具时，可以从以下几个方面进行回答：所用的工具、它们的主要功能、你是如何使用这些工具的，以及它们在你的项目中带来的具体好处。以下是一些常用的日志分析工具及其特点： + +**常用日志分析工具** + +1. **ELK Stack (Elasticsearch, Logstash, Kibana)** + - **Elasticsearch**: 一个强大的搜索引擎，用于存储和查询日志数据。 + - **Logstash**: 一个数据处理管道工具，用于收集、解析和存储日志数据。 + - **Kibana**: 一个数据可视化工具，用于展示和分析 Elasticsearch 中的数据。 + - **使用场景**: 大量日志数据的集中管理和实时分析。 + - **个人经验**: 可以提到如何设置 Logstash 管道、创建 Kibana 仪表盘来监控特定的日志模式或异常。 +2. **Graylog** + - **特点**: 基于 Elasticsearch 的日志管理工具，具有强大的日志聚合、搜索和分析功能。 + - **使用场景**: 实时日志监控和警报。 + - **个人经验**: 可以提到如何配置 Graylog 采集日志、设置警报规则，以及如何利用 Graylog 的搜索功能进行故障排除。 +3. **Splunk** + - **特点**: 商业化的日志管理和分析工具，提供强大的搜索、监控和可视化功能。 + - **使用场景**: 复杂的企业级日志分析和安全监控。 + - **个人经验**: 可以提到如何利用 Splunk 进行实时日志分析、创建报告和仪表盘，以及如何使用 Splunk 的机器学习功能进行异常检测。 +4. **Fluentd** + - **特点**: 一个开源的数据收集器，用于统一日志数据。 + - **使用场景**: 日志数据的收集和转发。 + - **个人经验**: 可以提到如何配置 Fluentd 插件、收集和转发日志到不同的存储系统（如 Elasticsearch、MongoDB）。 +5. **Loggly** + - **特点**: 基于云的日志管理和分析服务，提供实时日志监控和警报。 + - **使用场景**: 云环境中的日志管理。 + - **个人经验**: 可以提到如何将应用日志发送到 Loggly、配置日志搜索和警报，以及利用 Loggly 的仪表盘进行日志可视化。 +6. **Prometheus 和 Grafana** + - **特点**: Prometheus 用于监控和告警，Grafana 用于数据可视化。虽然主要用于度量和监控，但也可以用于日志分析。 + - **使用场景**: 系统和应用的监控。 + - **个人经验**: 可以提到如何配置 Prometheus 采集日志指标、设置警报规则，以及如何利用 Grafana 创建可视化面板。 + +我们使用 ELK Stack 来集中管理和分析日志数据。通过 Logstash 我们收集来自不同服务的日志，并将其存储在 Elasticsearch 中，然后使用 Kibana 创建了多个仪表盘来监控系统的健康状况和性能 + +------ + + + +## 🏛️ 六、架构思维与技术治理 + +> **核心思想**：架构思维是高级工程师的核心能力，需要从技术选型、系统治理、团队协作等多个角度来推动技术架构的演进和优化。 + +### 🎯 如何评估和选择技术架构方案？ + +**架构评估维度框架**： + +1. **功能性需求评估** + - **业务支撑能力**：能否满足核心业务场景 + - **扩展性要求**：未来业务增长的支撑能力 + - **集成能力**：与现有系统的兼容性 + +2. **非功能性需求评估** + - **性能指标**：QPS、RT、吞吐量是否满足预期 + - **可用性要求**：SLA指标、容灾恢复能力 + - **安全性标准**：数据保护、访问控制、审计能力 + +3. **技术可行性评估** + - **团队技术栈匹配度**：学习成本和实施风险 + - **生态成熟度**：社区支持、文档完善度、第三方工具 + - **运维复杂度**：部署、监控、故障排查的便利性 + +**决策评估方法**： + +``` +技术架构评估表： +方案A 方案B 方案C +功能完整性 8 7 9 +性能表现 7 9 6 +开发效率 9 6 7 +运维成本 6 8 9 +技术风险 8 5 7 +总分加权 7.6 7.0 7.6 +``` + +**架构决策记录（ADR）**： + +- **背景**：为什么需要做这个决策 +- **决策**：具体选择了什么方案 +- **理由**：选择的依据和权衡考虑 +- **后果**：预期的影响和风险 + + **考察点：** 架构思维、决策能力、风险评估。 + **常见追问：** 如何处理架构选型中的技术债务？（答：建立技术债务清单，定期评估和重构，平衡业务交付和技术质量） + +### 🎯 大型系统的微服务治理策略？ + +**微服务治理体系**： + +1. **服务拆分治理** + - **领域驱动设计（DDD）**：按业务边界拆分，确保高内聚低耦合 + - **数据库独立**：每个服务独立数据库，避免数据耦合 + - **API设计规范**：RESTful API设计，版本管理策略 + +2. **服务间通信治理** + - **同步调用**：HTTP/gRPC，适用于实时性要求高的场景 + - **异步消息**：MQ解耦，适用于最终一致性场景 + - **服务网格**：Istio/Linkerd统一管理服务间通信 + +3. **服务质量治理** + - **限流熔断**：Hystrix/Sentinel保护服务稳定性 + - **超时控制**：合理设置调用超时时间 + - **重试策略**：指数退避算法，避免雪崩效应 + +**治理工具与平台**： + +``` +服务治理技术栈： +服务注册发现：Eureka/Consul/Nacos +配置中心：Apollo/Nacos +API网关：Zuul/Gateway/Kong +链路追踪：Zipkin/Jaeger/SkyWalking +监控告警：Prometheus+Grafana +日志聚合：ELK/EFK Stack +``` + +**微服务演进路径**： + +- **第一阶段**：单体拆分，核心服务独立 +- **第二阶段**：服务治理基础设施建设 +- **第三阶段**：服务网格化，统一治理 +- **第四阶段**：智能化运维，自动化治理 + +**治理成功指标**： + +- **可用性提升**：单服务故障不影响整体系统 +- **部署效率**：部署频率和部署成功率 +- **故障恢复**：MTTR（平均恢复时间）指标 +- **开发效率**：功能交付周期缩短 + + **考察点：** 微服务架构设计、治理体系建设、技术选型能力。 + **常见追问：** 如何解决微服务的分布式事务问题？（答：Saga模式、TCC模式、最终一致性设计） + +### 🎯 如何设计容错性强的分布式系统？ + +**容错设计原则**： + +1. **故障隔离（Bulkhead Pattern）** + - **资源隔离**：线程池、连接池独立配置 + - **服务隔离**：关键服务与非关键服务分离部署 + - **数据隔离**：核心数据与辅助数据分库存储 + +2. **快速失败（Fail Fast）** + - **超时控制**：设置合理的调用超时时间 + - **健康检查**：定期检测依赖服务健康状态 + - **熔断机制**：Circuit Breaker模式自动断开故障服务 + +3. **优雅降级（Graceful Degradation）** + - **功能降级**：非核心功能在故障时自动关闭 + - **性能降级**：降低响应精度，保证核心功能可用 + - **服务降级**：返回缓存数据或默认值 + +**容错实现策略**： + +**多层次冗余设计**： + +``` +容错层次： +应用层：多实例部署、负载均衡 +服务层：限流熔断、降级机制 +数据层：主从复制、分片备份 +基础设施：多机房部署、异地容灾 +``` + +**故障恢复机制**： + +- **自动重试**：指数退避算法，避免重试风暴 +- **断路器**：半开状态探测，自动恢复服务调用 +- **负载转移**：故障实例自动摘除，流量转移 +- **数据补偿**：异步补偿机制，保证数据最终一致性 + +**监控与告警体系**： + +```java +// 分布式系统健康监控 +@Component +public class SystemHealthMonitor { + + @Autowired + private List healthIndicators; + + @Scheduled(fixedRate = 30000) // 30秒检查一次 + public void checkSystemHealth() { + for (HealthIndicator indicator : healthIndicators) { + Health health = indicator.health(); + if (health.getStatus() != Status.UP) { + alertService.sendAlert("系统组件异常", + indicator.getClass().getSimpleName()); + } + } + } +} +``` + +**容错测试与验证**： + +- **混沌工程**：Chaos Monkey随机故障注入测试 +- **故障演练**：定期进行故障切换演练 +- **压力测试**：验证系统在高负载下的容错能力 +- **恢复验证**：测试故障恢复的时间和完整性 + + **考察点：** 分布式系统设计、容错机制、故障处理能力。 + **常见追问：** 如何平衡系统的性能和容错性？（答：通过合理的监控指标和自适应机制，动态调整容错策略） + +### 🎯 如何进行技术债务管理和重构决策？ + +**技术债务识别与分类**： + +1. **代码质量债务** + - **代码异味**：重复代码、过长方法、复杂类结构 + - **设计缺陷**：紧耦合、缺乏抽象、违反设计原则 + - **测试缺失**：单元测试覆盖率低、缺少集成测试 + +2. **架构设计债务** + - **技术选型**：过时的技术栈、不合适的框架选择 + - **架构腐化**：模块边界模糊、依赖关系复杂 + - **性能债务**：未优化的查询、缓存策略不当 + +3. **文档和知识债务** + - **文档缺失**：API文档过时、设计文档不全 + - **知识孤岛**：关键知识集中在少数人手中 + - **运维债务**：部署复杂、监控不完善 + +**技术债务评估框架**： + +``` +债务评估矩阵： + 影响范围 修复成本 业务风险 优先级 +核心模块 高 中 高 P0 +边缘功能 低 低 低 P3 +基础组件 高 高 中 P1 +``` + +**重构决策原则**： + +- **业务价值驱动**：优先重构影响业务的核心模块 +- **风险可控**：分阶段重构，确保系统稳定性 +- **投入产出比**：评估重构成本与收益 +- **团队能力匹配**：考虑团队技术能力和时间投入 + +**重构实施策略**： + +```java +// 渐进式重构示例：Strangler Fig模式 +@Component +public class OrderService { + + @Autowired + private LegacyOrderService legacyService; + + @Autowired + private NewOrderService newService; + + @Value("${feature.new-order-service.enabled:false}") + private boolean newServiceEnabled; + + public OrderResult createOrder(OrderRequest request) { + if (newServiceEnabled && request.getUserId() % 10 == 0) { + // 10%流量使用新服务 + return newService.createOrder(request); + } else { + // 90%流量使用旧服务 + return legacyService.createOrder(request); + } + } +} +``` + +**技术债务管理流程**： + +1. **债务识别**：代码扫描工具（SonarQube）、人工Review +2. **影响评估**：业务影响、技术影响、团队效率影响 +3. **优先级排序**：债务价值矩阵、ROI分析 +4. **计划制定**：重构计划、时间安排、资源分配 +5. **执行跟踪**：进度监控、质量验证、效果评估 + + **考察点：** 技术管理能力、重构经验、风险控制意识。 + **常见追问：** 如何说服业务方投入时间做重构？（答：量化技术债务的业务影响，展示重构带来的长期价值） + +### 🎯 如何设计系统的监控和可观测性架构？ + +**可观测性三大支柱**： + +1. **Metrics（指标监控）** + - **系统指标**：CPU、内存、磁盘、网络使用率 + - **应用指标**：QPS、响应时间、错误率、业务指标 + - **基础设施指标**：数据库连接数、消息队列积压、缓存命中率 + +2. **Logging（日志记录）** + - **结构化日志**：JSON格式，便于解析和查询 + - **日志等级**：DEBUG、INFO、WARN、ERROR合理使用 + - **链路标识**：TraceId、SpanId关联分布式调用链路 + +3. **Tracing（链路追踪）** + - **分布式追踪**：跨服务调用链路跟踪 + - **性能分析**：调用耗时、瓶颈定位 + - **依赖关系**：服务拓扑图、依赖分析 + +**监控架构设计**： + +``` +数据采集层： +- 应用探针：APM Agent、Prometheus Exporter +- 基础设施：Node Exporter、cAdvisor +- 日志采集：Fluentd、Logstash、Filebeat + +数据存储层： +- 时序数据库：Prometheus、InfluxDB +- 日志存储：Elasticsearch、Loki +- 链路存储：Jaeger、Zipkin + +分析展示层： +- 可视化：Grafana、Kibana +- 告警：AlertManager、PagerDuty +- 分析：Jupyter、数据分析平台 +``` + +**监控指标设计**： + +```yaml +# 关键业务指标 +business_metrics: + - name: "user_registration_rate" + description: "用户注册成功率" + query: "sum(rate(user_register_success[5m])) / sum(rate(user_register_total[5m]))" + + - name: "order_payment_latency" + description: "订单支付延迟" + query: "histogram_quantile(0.95, payment_duration_seconds)" + +# 技术指标 +technical_metrics: + - name: "service_availability" + description: "服务可用性" + query: "up{job=\"my-service\"}" + + - name: "error_rate" + description: "错误率" + query: "sum(rate(http_requests_total{status=~\"5..\"}[5m])) / sum(rate(http_requests_total[5m]))" +``` + +**告警策略设计**： + +```java +// 智能告警减少噪音 +@Component +public class IntelligentAlerting { + + public boolean shouldAlert(MetricAlert alert) { + // 1. 检查是否在维护窗口 + if (isInMaintenanceWindow()) { + return false; + } + + // 2. 检查历史模式，避免重复告警 + if (isRecentlyAlerted(alert.getMetricName(), Duration.ofMinutes(30))) { + return false; + } + + // 3. 关联性分析，避免告警风暴 + if (hasRelatedActiveAlerts(alert)) { + return false; + } + + // 4. 动态阈值调整 + double dynamicThreshold = calculateDynamicThreshold(alert.getMetricName()); + if (alert.getValue() < dynamicThreshold) { + return false; + } + + return true; + } +} +``` + +**可观测性最佳实践**： + +- **SLI/SLO设计**：定义服务等级指标和目标 +- **错误预算**：基于SLO计算可接受的错误率 +- **渐进式监控**：从基础监控到高级分析 +- **自动化运维**：基于监控数据的自动处理 + + **考察点：** 监控体系设计、运维自动化、系统稳定性保障。 + **常见追问：** 如何设计有效的告警策略？（答：分级告警+智能降噪+业务关联+自动处理） + +------ + + + + + diff --git a/docs/interview/BigData-FAQ.md b/docs/interview/BigData-FAQ.md new file mode 100644 index 0000000000..47720f97f2 --- /dev/null +++ b/docs/interview/BigData-FAQ.md @@ -0,0 +1,2827 @@ +--- +title: 大数据技术栈核心面试八股文 +date: 2024-05-31 +tags: + - BigData + - Hadoop + - Spark + - Flink + - Hive + - Kafka + - Doris + - Kylin + - OLAP + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +> 大数据技术栈是现代互联网企业的技术基石，从**分布式存储**到**实时计算**，从**离线分析**到**流式处理**，每一项技术都承载着海量数据的处理挑战。本文档将**最常考的大数据知识点**整理成**标准话术**，涵盖Hadoop、Spark、Flink、Hive、Kafka等核心组件，助你在面试中游刃有余！ + +--- + +## 🗺️ 知识导航 + +### 🏷️ 核心知识分类 + +1. **🏗️ 分布式存储类**：HDFS架构、副本机制、NameNode、DataNode、块存储 +2. **⚡ 批计算框架**：MapReduce原理、Spark架构、RDD机制、内存计算 +3. **🌊 流计算框架**：Flink架构、Watermark、窗口函数、状态管理 +4. **📊 数据仓库技术**：Hive架构、SQL解析、分区分桶、存储格式、Kylin预计算 +5. **📈 OLAP数据库**：Apache Doris架构、数据模型、查询优化、实时分析 +6. **🚀 消息队列**：Kafka架构、分区副本、生产消费、性能优化 +7. **🔧 资源调度**：YARN架构、资源管理、任务调度、容器化 +8. **💼 实战场景题**：技术选型、架构设计、性能调优、故障处理 + +### 🔑 面试话术模板 + +| **问题类型** | **回答框架** | **关键要点** | **深入扩展** | +| ------------ | ----------------------------------- | ------------------ | ------------------ | +| **概念解释** | 定义→架构→核心机制→应用场景 | 准确定义，突出优势 | 底层原理，源码分析 | +| **对比分析** | 相同点→不同点→使用场景→选择建议 | 多维度对比 | 性能差异，实际应用 | +| **原理解析** | 背景→架构设计→执行流程→关键机制 | 图解流程 | 深层实现，调优要点 | +| **优化实践** | 问题现象→分析思路→解决方案→监控验证 | 实际案例 | 最佳实践，踩坑经验 | + +--- + +## 🏗️ 一、分布式存储类（HDFS核心） + +> **核心思想**：HDFS是Hadoop生态的存储基石，通过主从架构、副本机制、分块存储实现海量数据的可靠存储和高并发访问。 + +### 🎯 什么是HDFS？它的核心架构是什么？ + +**HDFS（Hadoop Distributed File System）是什么？** + +HDFS是Hadoop生态系统中的**分布式文件系统**，专为存储超大文件而设计。它通过**主从架构**实现数据的分布式存储，具有**高容错性、高吞吐量、流式数据访问**的特点。 + +**核心架构组件**： + +1. **NameNode（主节点）**： + - 存储文件系统的**元数据**（文件目录结构、文件属性、Block位置信息） + - 管理文件系统的**命名空间** + - 协调客户端对文件的访问 + - 维护**FSImage**（文件系统镜像）和**EditLog**（编辑日志） + +2. **DataNode（从节点）**： + - 存储实际的**数据块（Block）** + - 定期向NameNode发送**心跳**和**Block报告** + - 执行数据块的创建、删除、复制操作 + - 响应客户端的读写请求 + +3. **Secondary NameNode**： + - 定期合并FSImage和EditLog，减轻NameNode负担 + - **不是**NameNode的热备份，而是辅助节点 + +**核心特性**： +- **分块存储**：文件被切分成固定大小的Block（默认128MB），分布存储 +- **副本机制**：每个Block默认有3个副本，保证数据可靠性 +- **一写多读**：适合大文件的一次写入、多次读取场景 +- **流式访问**：优化顺序读取，不适合随机访问 + +### 🎯 HDFS的读写流程是怎样的？ + +**HDFS写入流程**： + +1. **客户端请求**：客户端调用FileSystem.create()创建文件 +2. **NameNode验证**：检查文件是否存在、权限是否满足 +3. **返回输出流**：NameNode返回FSDataOutputStream给客户端 +4. **申请Block**：客户端向NameNode申请新的Block和DataNode列表 +5. **建立管道**：客户端与第一个DataNode建立连接，形成DataNode管道 +6. **数据传输**：数据以packet为单位在管道中传输 +7. **确认机制**：每个DataNode接收数据后发送确认给前一个节点 +8. **关闭流**：写完后关闭输出流，通知NameNode写入完成 + +**HDFS读取流程**： + +1. **客户端请求**：调用FileSystem.open()打开文件 +2. **NameNode查询**：获取文件的Block列表和对应的DataNode位置 +3. **返回输入流**：NameNode返回FSDataInputStream给客户端 +4. **选择DataNode**：客户端选择最近的DataNode读取Block +5. **数据传输**：直接从DataNode读取数据到客户端 +6. **切换Block**：读完一个Block后自动切换到下一个Block +7. **关闭流**：读取完成后关闭输入流 + +**关键优化点**： +- **机架感知**：优先选择同机架的DataNode，减少网络传输 +- **本地读取**：如果客户端和DataNode在同一节点，直接本地读取 +- **缓存机制**：NameNode的元数据缓存在内存中，提升查询性能 + +### 🎯 HDFS的副本放置策略是什么？为什么这样设计？ + +**默认副本放置策略（3副本）**： + +1. **第一个副本**：放在客户端所在节点（如果客户端在集群外，随机选择） +2. **第二个副本**：放在不同机架的随机节点 +3. **第三个副本**：放在第二个副本同一机架的不同节点 + +**设计原理**： + +- **可靠性**：不同机架保证机架故障时数据不丢失 +- **性能**：同机架内有两个副本，读取时可就近访问 +- **网络带宽**：跨机架只有一次数据传输，节省网络带宽 + +**机架感知的重要性**： +``` +机架A: DataNode1, DataNode2 +机架B: DataNode3, DataNode4 + +副本放置： +- 第一副本：DataNode1（客户端节点） +- 第二副本：DataNode3（不同机架） +- 第三副本：DataNode4（与第二副本同机架） +``` + +**容错能力分析**： +- **节点故障**：任何单节点故障，剩余副本正常服务 +- **机架故障**：任何单机架故障，其他机架的副本继续服务 +- **网络分区**：机架间网络故障时，仍能保证数据访问 + +### 🎯 NameNode单点故障如何解决？ + +**问题背景**： +NameNode存储着整个文件系统的元数据，一旦宕机，整个HDFS集群不可用，是典型的单点故障问题。 + +**解决方案**： + +**1. Secondary NameNode（辅助方案）** +- 定期合并FSImage和EditLog +- NameNode故障后可手动恢复，但会有数据丢失 +- **不是真正的高可用方案** + +**2. NameNode HA（推荐方案）** + +**架构设计**： +- **Active NameNode**：提供正常服务 +- **Standby NameNode**：热备节点，实时同步元数据 +- **共享存储**：JournalNode集群或NFS，存储EditLog +- **ZooKeeper**：协调Active/Standby状态切换 +- **ZKFC**：ZooKeeper FailoverController，监控NameNode健康状态 + +**故障切换流程**： +1. ZKFC监控到Active NameNode故障 +2. 通过ZooKeeper协调，选举新的Active +3. Standby NameNode升级为Active +4. 客户端重新连接新的Active NameNode + +**数据同步机制**： +- EditLog写入共享存储（JournalNode） +- Standby NameNode实时读取EditLog更新内存中的元数据 +- 保证Active/Standby元数据一致性 + +**3. Federation（联邦架构）** +- 多个NameNode管理不同的命名空间 +- 水平扩展NameNode的处理能力 +- 每个NameNode独立，彼此故障不影响 + +--- + +## ⚡ 二、批计算框架（MapReduce & Spark） + +> **核心思想**：批计算框架是大数据处理的核心，从MapReduce的磁盘计算到Spark的内存计算，体现了大数据技术的演进历程。 + +### 🎯 MapReduce的工作原理是什么？ + +**MapReduce是什么？** + +MapReduce是一种**分布式计算模型**，将复杂的数据处理任务分解为**Map（映射）**和**Reduce（归约）**两个阶段，适合处理大规模数据集的批处理任务。 + +**核心工作流程**： + +**1. Input输入阶段** +- 输入数据被切分成多个InputSplit +- 每个Split由一个Map任务处理 +- 典型Split大小等于HDFS Block大小（128MB） + +**2. Map阶段** +- Map任务读取InputSplit中的数据 +- 执行用户自定义的map函数 +- 输出key-value对到本地磁盘 +- 进行分区（Partition）和排序（Sort） + +**3. Shuffle阶段**（核心且复杂） +- **Copy阶段**：Reduce任务从各个Map任务拷贝数据 +- **Sort阶段**：对拷贝来的数据进行合并排序 +- **Group阶段**：将相同key的value组合在一起 + +**4. Reduce阶段** +- Reduce任务处理分组后的数据 +- 执行用户自定义的reduce函数 +- 输出最终结果到HDFS + +**WordCount示例流程**： +``` +输入：hello world hello hadoop +Map输出：(hello,1), (world,1), (hello,1), (hadoop,1) +Shuffle后：(hello,[1,1]), (world,[1]), (hadoop,[1]) +Reduce输出：(hello,2), (world,1), (hadoop,1) +``` + +**关键机制**： +- **容错性**：任务失败自动重试，数据副本保证可靠性 +- **本地性**：优先在数据所在节点执行任务 +- **推测执行**：慢任务会启动备份任务，提升整体性能 + +### 🎯 Spark相比MapReduce有什么优势？ + +**Spark是什么？** + +Spark是基于**内存计算**的分布式计算框架，提供了比MapReduce更高的性能和更丰富的API，支持批处理、流处理、机器学习、图计算等多种计算场景。 + +**核心优势对比**： + +| 对比维度 | MapReduce | Spark | +|---------|-----------|-------| +| **计算模型** | 磁盘计算，Map-Reduce两阶段 | 内存计算，DAG多阶段 | +| **性能** | 中间结果落盘，I/O开销大 | 内存缓存，性能提升10-100倍 | +| **易用性** | 只有Map-Reduce API | 提供多种高级API（SQL、ML、Graph） | +| **容错机制** | 数据副本 + 任务重试 | RDD血统 + Checkpoint | +| **实时性** | 只支持批处理 | 支持流处理（Spark Streaming） | +| **内存管理** | 依赖OS内存管理 | 自主内存管理，统一内存模型 | + +**Spark架构优势**： + +**1. RDD（弹性分布式数据集）** +- **不可变**：一旦创建不可修改，保证数据一致性 +- **分区**：数据分布在集群的多个节点上 +- **容错**：通过血统（Lineage）实现故障恢复 +- **延迟计算**：只有Action操作才触发实际计算 + +**2. DAG（有向无环图）** +- 将复杂的计算流程表示为DAG +- 优化器自动优化执行计划 +- 避免不必要的磁盘I/O + +**3. 内存计算** +- 中间结果缓存在内存中 +- 大大减少磁盘I/O开销 +- 特别适合迭代计算（机器学习） + +**适用场景选择**： +- **MapReduce**：简单的ETL、大文件处理、对内存要求不高的场景 +- **Spark**：复杂分析、机器学习、实时处理、交互式查询 + +### 🎯 Spark的核心概念RDD是什么？ + +**RDD（Resilient Distributed Dataset）是什么？** + +RDD是Spark的**核心数据抽象**，代表一个不可变的、可分区的数据集合，分布在集群的多个节点上。它是Spark所有操作的基础。 + +**RDD的核心特性**： + +**1. 不可变性（Immutable）** +- RDD一旦创建就不能修改 +- 所有转换操作都会产生新的RDD +- 保证了数据的一致性和线程安全 + +**2. 分区性（Partitioned）** +- RDD的数据分布在多个分区中 +- 每个分区可以在不同的节点上并行处理 +- 分区数影响并行度 + +**3. 容错性（Fault-tolerant）** +- 通过血统（Lineage）记录RDD的依赖关系 +- 任何分区丢失都可以根据血统重新计算 +- 无需数据复制，节省存储空间 + +**4. 惰性计算（Lazy Evaluation）** +- Transformation操作不会立即执行 +- 只有遇到Action操作才会触发实际计算 +- 便于优化执行计划 + +**RDD操作类型**： + +**Transformation（转换操作）**： +- `map()`：对每个元素应用函数 +- `filter()`：过滤满足条件的元素 +- `flatMap()`：扁平化映射 +- `union()`：合并两个RDD +- `groupByKey()`：按key分组 +- `reduceByKey()`：按key归约 + +**Action（行动操作）**： +- `collect()`：收集所有元素到Driver +- `count()`：统计元素个数 +- `first()`：获取第一个元素 +- `save()`：保存到文件系统 +- `foreach()`：对每个元素执行操作 + +**RDD依赖关系**： + +**窄依赖（Narrow Dependency）**： +- 父RDD的每个分区只被子RDD的一个分区依赖 +- 支持pipeline优化 +- 故障恢复效率高 +- 例如：map、filter + +**宽依赖（Wide Dependency）**： +- 父RDD的每个分区被子RDD的多个分区依赖 +- 需要Shuffle操作 +- 故障恢复成本高 +- 例如：groupByKey、join + +### 🎯 Spark的内存管理机制是怎样的？ + +**Spark统一内存模型**： + +从Spark 1.6开始，引入了**统一内存管理**（Unified Memory Management），将内存分为两大区域： + +**1. 堆内内存（On-Heap Memory）** + +**Reserved Memory（保留内存）**： +- 固定300MB，用于系统内部对象 +- 不参与内存分配 + +**User Memory（用户内存）**： +- 占用（Heap - Reserved）* 0.25 = 25% +- 存储用户自定义数据结构 +- 不受Spark管理 + +**Unified Memory（统一内存）**： +- 占用（Heap - Reserved）* 0.75 = 75% +- 分为Storage Memory和Execution Memory + +**Storage Memory（存储内存）**： +- 用于缓存RDD、广播变量 +- 默认占Unified Memory的50% +- 可以借用Execution Memory + +**Execution Memory（执行内存）**： +- 用于Shuffle、Join、Sort等计算 +- 默认占Unified Memory的50% +- 可以借用Storage Memory（但有限制） + +**2. 堆外内存（Off-Heap Memory）** +- 通过`spark.memory.offHeap.enabled=true`开启 +- 避免GC影响，提升性能 +- 主要用于存储序列化的数据 + +**内存借用机制**： +- Execution可以借用Storage的空闲内存 +- Storage可以借用Execution的空闲内存 +- 但Storage借用的内存在Execution需要时必须释放 +- Execution借用的内存不会被强制释放 + +**内存管理优势**： +- **动态调整**：根据实际需求动态分配内存 +- **减少溢出**：避免固定分配导致的内存浪费 +- **提升性能**：统一管理减少内存碎片 + +--- + +## 🌊 三、流计算框架（Flink核心） + +> **核心思想**：Flink是新一代流计算引擎，以流为核心、批为特殊流的理念，提供低延迟、高吞吐、精确一次语义的流处理能力。 + +### 🎯 Flink的核心架构是什么？与Spark Streaming有什么区别？ + +**Flink是什么？** + +Apache Flink是一个**流优先**的分布式计算框架，支持有界和无界数据流的处理。它提供**低延迟、高吞吐量、Exactly-Once**语义的流处理能力。 + +**Flink核心架构**： + +**1. JobManager（作业管理器）** +- **JobMaster**：管理单个作业的生命周期 +- **ResourceManager**：管理集群资源分配 +- **Dispatcher**：提供REST接口接收作业提交 + +**2. TaskManager（任务管理器）** +- 实际执行任务的工作节点 +- 每个TaskManager包含多个Task Slot +- Task Slot是资源分配的基本单位 + +**3. Client（客户端）** +- 提交作业到集群 +- 编译用户程序生成JobGraph + +**Flink vs Spark Streaming 核心区别**： + +| 对比维度 | Flink | Spark Streaming | +|---------|-------|-----------------| +| **计算模型** | 真正的流计算（流为核心） | 微批处理（批为核心） | +| **延迟** | 毫秒级低延迟 | 秒级延迟 | +| **状态管理** | 原生流状态管理 | 基于RDD的状态管理 | +| **容错机制** | Checkpoint + 状态快照 | RDD血统恢复 | +| **窗口操作** | 灵活的窗口API | 基于批次的窗口 | +| **背压处理** | 动态背压控制 | 静态批处理调整 | + +**技术选型建议**： +- **低延迟要求**：选择Flink（毫秒级） +- **高吞吐批处理**：选择Spark（生态完整） +- **复杂状态管理**：选择Flink（原生支持） +- **机器学习场景**：选择Spark（MLlib完善） + +### 🎯 Flink的Watermark机制是什么？如何处理乱序数据？ + +**Watermark是什么？** + +Watermark是Flink中用于处理**乱序数据**和**事件时间窗口**的机制。它表示**某个时间戳之前的所有事件都已经到达**的标记。 + +**乱序数据的挑战**： +``` +理想情况：事件按时间戳顺序到达 +实际情况：网络延迟、系统故障导致乱序 +时间戳： 1, 2, 3, 4, 5 +到达顺序：1, 3, 2, 5, 4 +``` + +**Watermark工作原理**： + +**1. Watermark生成** +- **Periodic Watermark**：定期生成（默认200ms） +- **Punctuated Watermark**：根据特定事件生成 + +**2. Watermark传播** +- 从Source向下游传播 +- 多输入流取最小Watermark +- 保证全局时间推进 + +**3. 窗口触发** +- 当Watermark >= 窗口结束时间时触发窗口计算 +- 允许一定程度的延迟数据 + +**代码示例**： +```java +// 生成Watermark +stream.assignTimestampsAndWatermarks( + WatermarkStrategy + .forBoundedOutOfOrderness(Duration.ofSeconds(10)) + .withTimestampAssigner((event, timestamp) -> event.getTimestamp()) +); + +// 时间窗口 +stream.keyBy(Event::getUserId) + .window(TumblingEventTimeWindows.of(Time.minutes(5))) + .process(new WindowProcessFunction<>() { + // 窗口处理逻辑 + }); +``` + +**处理策略**： + +**1. 允许延迟（Allowed Lateness）** +```java +.window(TumblingEventTimeWindows.of(Time.minutes(5))) +.allowedLateness(Time.minutes(1)) // 允许1分钟延迟 +``` + +**2. 侧输出流（Side Output）** +```java +OutputTag lateDataTag = new OutputTag("late-data"){}; + +SingleOutputStreamOperator result = stream + .window(...) + .allowedLateness(Time.minutes(1)) + .sideOutputLateData(lateDataTag) + .process(...); + +// 获取延迟数据 +DataStream lateData = result.getSideOutput(lateDataTag); +``` + +**最佳实践**： +- 根据业务需求设置合理的延迟容忍度 +- 监控延迟数据比例，调整Watermark策略 +- 对于严格实时场景，使用处理时间窗口 + +### 🎯 Flink的状态管理是如何实现的？ + +**Flink状态管理概述**： + +状态是Flink流处理的核心功能，用于存储**中间计算结果**和**历史信息**，支持故障恢复和精确一次语义。 + +**状态分类**： + +**1. 按作用域分类** + +**Keyed State（键控状态）**： +- 与特定key相关的状态 +- 只能在KeyedStream上使用 +- 状态自动分区和分发 + +**Operator State（算子状态）**： +- 与算子实例绑定的状态 +- 每个算子并行实例维护自己的状态 +- 需要手动实现状态分发逻辑 + +**2. 按存储结构分类** + +**ValueState**：存储单个值 +```java +private ValueState countState; + +@Override +public void open(Configuration config) { + ValueStateDescriptor descriptor = + new ValueStateDescriptor<>("count", Integer.class); + countState = getRuntimeContext().getState(descriptor); +} +``` + +**ListState**：存储元素列表 +```java +private ListState eventListState; +``` + +**MapState**：存储Key-Value映射 +```java +private MapState mapState; +``` + +**ReducingState**：存储单个值，新值通过ReduceFunction合并 +```java +private ReducingState reducingState; +``` + +**AggregatingState**：类似ReducingState，但可以不同类型 +```java +private AggregatingState aggState; +``` + +**状态存储后端（State Backend）**： + +**1. MemoryStateBackend** +- 状态存储在JVM堆内存中 +- 适合状态较小的场景 +- 性能最好，但容量有限 + +**2. FsStateBackend** +- 状态存储在文件系统（HDFS/S3） +- 适合中等规模状态 +- 平衡性能和容量 + +**3. RocksDBStateBackend** +- 状态存储在本地RocksDB + 远程文件系统 +- 适合大状态场景 +- 支持增量checkpoint + +**Checkpoint机制**： + +**1. Checkpoint触发** +- JobManager定期触发Checkpoint +- 基于分布式快照算法（Chandy-Lamport） +- 保证状态一致性 + +**2. Checkpoint流程** +- JobManager向Source发送Checkpoint Barrier +- Barrier在数据流中传播 +- 算子收到Barrier时保存状态快照 +- 所有算子完成后Checkpoint成功 + +**3. 故障恢复** +- 从最近的Checkpoint恢复状态 +- 重播Checkpoint之后的数据 +- 保证Exactly-Once语义 + +**状态优化策略**： +- 合理选择State Backend +- 设置合适的Checkpoint间隔 +- 启用增量Checkpoint +- 清理过期状态（TTL） + +--- + +## 📊 四、数据仓库技术（Hive核心） + +> **核心思想**：Hive是Hadoop生态系统中的数据仓库软件，通过SQL接口简化大数据分析，是离线数据处理的核心组件。 + +### 🎯 Hive的架构原理是什么？SQL是如何转换为MapReduce的？ + +**Hive是什么？** + +Hive是基于Hadoop的**数据仓库软件**，提供**SQL接口**来查询存储在HDFS上的数据。它将SQL查询转换为MapReduce、Spark或Tez作业来执行。 + +**Hive核心架构**： + +**1. Hive Client（客户端）** +- **CLI**：命令行接口 +- **HiveServer2**：提供JDBC/ODBC接口 +- **Web Interface**：Web管理界面 + +**2. Hive Driver（驱动器）** +- **Compiler**：SQL编译器 +- **Optimizer**：查询优化器 +- **Executor**：执行引擎 + +**3. Hive MetaStore（元数据存储）** +- 存储表结构、分区信息、存储位置等元数据 +- 通常使用MySQL等关系数据库存储 +- 支持多个Hive实例共享元数据 + +**SQL转换MapReduce流程**： + +**1. 语法分析（Parse）** +- 使用Antlr将SQL解析为抽象语法树（AST） +- 检查语法错误 + +**2. 语义分析（Semantic Analysis）** +- 将AST转换为查询块（Query Block） +- 验证表、列是否存在 +- 类型检查和转换 + +**3. 逻辑计划生成** +- 生成逻辑执行计划 +- 包括操作符树结构 + +**4. 逻辑优化** +- **谓词下推**：将过滤条件尽早执行 +- **列裁剪**：只读取需要的列 +- **常量折叠**：预计算常量表达式 + +**5. 物理计划生成** +- 将逻辑计划转换为物理执行计划 +- 决定使用MapReduce/Spark/Tez + +**6. 物理优化** +- **MapJoin**：小表broadcast到大表所在节点 +- **分区裁剪**：只扫描相关分区 +- **索引使用**：利用索引加速查询 + +**示例SQL转换过程**： +```sql +SELECT dept, COUNT(*) +FROM employees +WHERE salary > 50000 +GROUP BY dept; +``` + +**转换为MapReduce**： +- **Map阶段**：过滤salary > 50000，输出(dept, 1) +- **Shuffle阶段**：按dept分组 +- **Reduce阶段**：统计每个dept的count + +### 🎯 Hive的存储格式有哪些？各有什么特点？ + +**Hive支持多种存储格式**，不同格式适用于不同的场景和性能需求。 + +**1. 行存储格式** + +**TextFile** +- 默认格式，纯文本存储 +- 人类可读，便于调试 +- 压缩率低，查询性能一般 +- 适合小数据量、临时表 + +**SequenceFile** +- Hadoop的二进制格式 +- 支持压缩和分割 +- 比TextFile性能好 +- 适合中间数据存储 + +**2. 列存储格式** + +**ORC（Optimized Row Columnar）** +- Hive专门优化的列式存储 +- **优势**： + - 高压缩率（可达70%） + - 内置索引（Min/Max/Bloom Filter） + - 支持向量化查询 + - ACID事务支持 +- **适用场景**：大数据分析、数仓查询 + +**Parquet** +- 通用的列式存储格式 +- **优势**： + - 跨平台兼容性好 + - 高效的编码和压缩 + - 嵌套数据支持好 + - 与Spark集成完善 +- **适用场景**：多引擎数据共享 + +**3. 混合存储格式** + +**Avro** +- 支持模式演化 +- 自描述数据格式 +- 适合数据交换场景 + +**存储格式性能对比**： + +| 格式 | 压缩率 | 查询性能 | 写入性能 | 兼容性 | 适用场景 | +|------|-------|---------|---------|--------|---------| +| TextFile | 低 | 低 | 高 | 最好 | 调试、临时数据 | +| ORC | 高 | 高 | 中 | Hive生态 | 数仓分析 | +| Parquet | 高 | 高 | 中 | 跨引擎 | 多引擎共享 | +| Avro | 中 | 中 | 高 | 好 | 数据交换 | + +**选择建议**： +- **数仓场景**：优先选择ORC +- **多引擎场景**：优先选择Parquet +- **实时写入**：考虑TextFile或Avro +- **存储成本敏感**：选择压缩率高的列式存储 + +### 🎯 Hive的分区和分桶机制是什么？如何优化查询？ + +**分区（Partition）机制**： + +分区是Hive中的**水平分割**技术，将表数据按照某个或多个列的值分割存储在不同的目录中。 + +**分区的优势**： +- **查询优化**：只扫描相关分区，避免全表扫描 +- **数据管理**：便于数据的增删改维护 +- **并行度提升**：不同分区可以并行处理 + +**分区类型**： + +**1. 静态分区** +```sql +-- 创建分区表 +CREATE TABLE sales_data ( + id INT, + product STRING, + amount DOUBLE +) PARTITIONED BY (year INT, month INT) +STORED AS ORC; + +-- 插入数据到指定分区 +INSERT INTO sales_data PARTITION(year=2024, month=1) +VALUES (1, 'phone', 1000.0); +``` + +**2. 动态分区** +```sql +-- 开启动态分区 +SET hive.exec.dynamic.partition=true; +SET hive.exec.dynamic.partition.mode=nonstrict; + +-- 动态分区插入 +INSERT INTO sales_data PARTITION(year, month) +SELECT id, product, amount, year, month FROM source_table; +``` + +**分桶（Bucket）机制**： + +分桶是对数据进行**hash分割**，将相同hash值的数据放在同一个文件中。 + +**分桶的优势**： +- **Join优化**：相同key的数据在同一个桶中，避免shuffle +- **抽样查询**：可以高效地进行数据抽样 +- **负载均衡**：数据均匀分布在各个文件中 + +**分桶示例**： +```sql +-- 创建分桶表 +CREATE TABLE user_data ( + id INT, + name STRING, + age INT +) CLUSTERED BY (id) INTO 10 BUCKETS +STORED AS ORC; + +-- 开启分桶 +SET hive.enforce.bucketing=true; +``` + +**查询优化策略**： + +**1. 分区裁剪（Partition Pruning）** +```sql +-- 好的查询：只扫描特定分区 +SELECT * FROM sales_data +WHERE year = 2024 AND month = 1; + +-- 差的查询：全表扫描 +SELECT * FROM sales_data +WHERE amount > 1000; +``` + +**2. 列裁剪（Column Pruning）** +```sql +-- 只查询需要的列 +SELECT id, product FROM sales_data +WHERE year = 2024; +``` + +**3. 谓词下推（Predicate Pushdown）** +- 将过滤条件下推到存储层 +- 减少数据传输量 + +**4. MapJoin优化** +```sql +-- 小表Join大表优化 +SET hive.auto.convert.join=true; +SET hive.mapjoin.smalltable.filesize=25000000; +``` + +**5. 向量化执行** +```sql +-- 开启向量化查询 +SET hive.vectorized.execution.enabled=true; +SET hive.vectorized.execution.reduce.enabled=true; +``` + +**分区设计最佳实践**： +- 选择**查询频繁**的列作为分区字段 +- 避免**分区过多**（建议<10000个） +- 分区大小控制在**256MB-1GB**之间 +- 使用**多级分区**提高查询效率 + +### 🎯 Apache Kylin是什么？如何实现OLAP预计算？ + +**Apache Kylin是什么？** + +Apache Kylin是一个**开源的分布式分析引擎**，专为超大数据集上的OLAP（联机分析处理）而设计。通过预计算技术，将多维分析查询的响应时间控制在亚秒级别。 + +**核心概念**： + +**1. Cube（数据立方体）** +- Kylin的核心概念，代表多维数据集 +- 包含维度（Dimension）和度量（Measure） +- 通过预计算生成所有可能的维度组合 + +**2. Cuboid** +- Cube的一个子集，代表特定维度组合的聚合数据 +- N个维度可以产生2^N个Cuboid +- Kylin会智能剪枝，减少不必要的Cuboid + +**3. Segment** +- Cube按时间分割的片段 +- 支持增量构建和查询 +- 便于数据管理和维护 + +**Kylin架构组件**： + +**1. Metadata Store** +- 存储Cube定义、Job信息等元数据 +- 通常使用HBase存储 + +**2. Cube Build Engine** +- 基于MapReduce或Spark构建Cube +- 支持全量构建和增量构建 + +**3. Query Engine** +- 接收SQL查询并转换为对预计算结果的查询 +- 支持标准SQL语法 + +**4. REST Server** +- 提供RESTful API +- 支持与BI工具集成 + +### 🎯 Kylin的Cube构建过程是怎样的？ + +**Cube构建概述**： + +Kylin通过预计算将复杂的OLAP查询转换为简单的索引查找，大大提升查询性能。 + +**构建步骤详解**： + +**1. 创建数据模型** +```sql +-- 定义维度表和事实表 +CREATE TABLE fact_sales ( + order_id BIGINT, + customer_id BIGINT, + product_id BIGINT, + order_date DATE, + sales_amount DECIMAL(10,2), + quantity INT +); + +CREATE TABLE dim_customer ( + customer_id BIGINT, + customer_name VARCHAR(100), + city VARCHAR(50), + region VARCHAR(50) +); +``` + +**2. 定义Cube** +```json +{ + "cube_name": "sales_cube", + "model_name": "sales_model", + "dimensions": [ + { + "name": "order_date", + "table": "fact_sales", + "column": "order_date" + }, + { + "name": "customer_city", + "table": "dim_customer", + "column": "city" + }, + { + "name": "customer_region", + "table": "dim_customer", + "column": "region" + } + ], + "measures": [ + { + "name": "total_sales", + "function": { + "expression": "SUM", + "parameter": { + "type": "column", + "value": "sales_amount" + } + } + }, + { + "name": "order_count", + "function": { + "expression": "COUNT_DISTINCT", + "parameter": { + "type": "column", + "value": "order_id" + } + } + } + ] +} +``` + +**3. Cube构建流程** + +**Step 1: 创建Flat Table** +- 将事实表和维度表Join成宽表 +- 包含所有维度和度量字段 + +**Step 2: 生成Cuboid** +``` +维度组合示例（3个维度）： +- [] (全部聚合) +- [date] +- [city] +- [region] +- [date, city] +- [date, region] +- [city, region] +- [date, city, region] +``` + +**Step 3: 分层构建** +- 基于MapReduce的分层聚合 +- 从最细粒度开始向上聚合 +- 利用已有结果计算更粗粒度的聚合 + +**Step 4: 存储结果** +- 将Cuboid结果存储到HBase +- 采用压缩和编码优化存储 + +**4. 构建优化策略** + +**智能剪枝**： +```json +{ + "aggregation_groups": [ + { + "includes": ["date", "city", "region"], + "select_rule": { + "hierarchy_dims": [["region", "city"]], + "mandatory_dims": ["date"], + "joint_dims": [["city", "region"]] + } + } + ] +} +``` + +**增量构建**： +```bash +# 构建增量Segment +curl -X PUT \ + http://kylin-server:7070/kylin/api/cubes/sales_cube/build \ + -H 'Content-Type: application/json' \ + -d '{ + "startTime": 1609459200000, + "endTime": 1609545600000, + "buildType": "BUILD" + }' +``` + +### 🎯 Kylin的查询优化和最佳实践？ + +**查询优化机制**： + +**1. 查询路由** + +**自动Cuboid匹配**： +```sql +-- 原始查询 +SELECT region, SUM(sales_amount) +FROM fact_sales f +JOIN dim_customer d ON f.customer_id = d.customer_id +WHERE order_date BETWEEN '2024-01-01' AND '2024-01-31' +GROUP BY region; + +-- Kylin自动路由到对应的Cuboid +-- 查询时间从分钟级别降到毫秒级别 +``` + +**2. 存储优化** + +**HBase表设计**： +``` +RowKey设计: [Cuboid_ID][维度值组合][时间戳] +列族设计: +- CF_M: 存储度量值 +- CF_D: 存储维度值（可选） +``` + +**压缩策略**： +- 使用字典编码压缩高基数维度 +- 对度量值使用适当的数据类型 +- 启用HBase压缩算法 + +**3. 性能调优参数** + +**构建参数优化**： +```properties +# MapReduce内存配置 +kylin.engine.mr.config-override.mapreduce.map.memory.mb=4096 +kylin.engine.mr.config-override.mapreduce.reduce.memory.mb=6144 + +# 分区数配置 +kylin.engine.mr.config-override.mapreduce.job.reduces=10 + +# 压缩配置 +kylin.engine.mr.config-override.mapreduce.output.compress=true +``` + +**查询参数优化**： +```properties +# 查询缓存 +kylin.query.cache-enabled=true +kylin.query.cache.threshold.duration=2000 + +# 超时设置 +kylin.query.timeout-seconds=300 + +# 结果集限制 +kylin.query.max-return-rows=1000000 +``` + +**4. 监控和维护** + +**Cube健康检查**： +```bash +# 查看Cube状态 +curl -X GET http://kylin-server:7070/kylin/api/cubes + +# 查看构建任务 +curl -X GET http://kylin-server:7070/kylin/api/jobs + +# 查看查询历史 +curl -X GET http://kylin-server:7070/kylin/api/query/history +``` + +**性能指标监控**： +- Cube构建时间和成功率 +- 查询响应时间分布 +- 存储空间使用情况 +- 命中率统计 + +**5. 最佳实践建议** + +**Cube设计原则**： +- 合理设计维度层次结构 +- 避免过多高基数维度 +- 使用聚合组优化Cuboid数量 +- 定期清理过期Segment + +**查询优化建议**： +```sql +-- 好的查询：使用预计算维度 +SELECT region, city, SUM(sales_amount) +FROM sales_cube_table +WHERE order_date >= '2024-01-01' +GROUP BY region, city; + +-- 差的查询：包含未预计算的维度 +SELECT customer_name, SUM(sales_amount) -- customer_name未包含在Cube中 +FROM fact_sales f +JOIN dim_customer d ON f.customer_id = d.customer_id +GROUP BY customer_name; +``` + +**运维管理**： +- 建立Cube构建监控告警 +- 定期评估Cube使用情况 +- 根据查询模式调整Cube设计 +- 制定数据保留和清理策略 + +**Kylin vs 其他OLAP方案对比**： + +| 特性 | Kylin | ClickHouse | Doris | +|------|-------|------------|-------| +| **预计算** | 是 | 否 | 否 | +| **查询延迟** | 亚秒级 | 毫秒级 | 毫秒级 | +| **存储开销** | 高（预计算） | 中等 | 中等 | +| **实时性** | 准实时 | 实时 | 实时 | +| **维度限制** | 有限制 | 无限制 | 无限制 | +| **适用场景** | 固定查询模式 | 灵活查询 | 混合负载 | + +--- + +## 📈 五、OLAP数据库 + +> **核心思想**：Apache Doris是高性能实时分析数据库，基于MPP架构设计，提供高并发、低延迟的OLAP查询能力，支持实时数据写入和复杂分析查询。 + +### 🎯 Apache Doris的核心架构是什么？ + +**Apache Doris是什么？** + +Apache Doris是一个**现代化的MPP分析数据库产品**，仅需亚秒级响应时间即可获得查询结果，有效地支持实时数据分析。主要面向OLAP场景，解决报表和多维分析的需求。 + +**核心架构组件**： + +**1. Frontend (FE)** +- **Master FE**：负责元数据管理、查询计划生成、系统协调 +- **Follower FE**：提供元数据读取服务，分担查询压力 +- **Observer FE**：只读副本，不参与选举，用于扩展查询能力 + +**2. Backend (BE)** +- 负责数据存储和查询执行 +- 每个BE节点存储数据的分片副本 +- 执行具体的计算任务 + +**3. Broker** +- 用于从外部系统导入数据 +- 支持HDFS、S3等存储系统 +- 可选组件，根据需要部署 + +**核心特性**： + +**MPP架构**： +- 大规模并行处理，查询任务分布在多个节点执行 +- 支持水平扩展，节点数量可达数百个 +- 自动数据分片和副本管理 + +**列式存储**： +- 采用列式存储格式，压缩率高 +- 支持向量化执行，SIMD加速 +- 针对分析查询优化的存储结构 + +**实时写入**： +- 支持高频实时数据写入 +- 数据写入后毫秒级可查 +- 支持批量和流式数据导入 + +### 🎯 Doris的数据模型有哪些？各适用什么场景？ + +**Doris数据模型概述**： + +Doris提供三种数据模型，分别适用于不同的业务场景和查询模式。 + +**1. Duplicate Model（明细模型）** + +**特点**： +- 保留数据的所有明细记录 +- 不进行任何聚合操作 +- 支持完整的数据查询 + +**适用场景**： +- 需要保留原始明细数据 +- 日志分析和用户行为分析 +- 需要灵活的数据查询 + +**建表示例**： +```sql +CREATE TABLE user_behavior ( + `user_id` LARGEINT NOT NULL COMMENT "用户ID", + `event_time` DATETIME NOT NULL COMMENT "事件时间", + `event_type` VARCHAR(32) NOT NULL COMMENT "事件类型", + `page_url` VARCHAR(512) COMMENT "页面URL", + `duration` INT COMMENT "停留时长" +) DUPLICATE KEY(`user_id`, `event_time`) +DISTRIBUTED BY HASH(`user_id`) BUCKETS 32 +PROPERTIES ( + "replication_num" = "3" +); +``` + +**2. Aggregate Model（聚合模型）** + +**特点**： +- 相同Key的数据会自动聚合 +- 支持SUM、MAX、MIN、REPLACE等聚合函数 +- 适合预聚合场景 + +**适用场景**： +- 指标统计分析 +- 实时报表和监控大盘 +- 需要预聚合的场景 + +**建表示例**： +```sql +CREATE TABLE sales_stats ( + `date` DATE NOT NULL COMMENT "日期", + `city` VARCHAR(32) NOT NULL COMMENT "城市", + `category` VARCHAR(64) NOT NULL COMMENT "商品类别", + `sales_amount` DECIMAL(15,2) SUM DEFAULT "0" COMMENT "销售额", + `order_count` BIGINT SUM DEFAULT "0" COMMENT "订单数", + `max_price` DECIMAL(10,2) MAX DEFAULT "0" COMMENT "最高价格" +) AGGREGATE KEY(`date`, `city`, `category`) +DISTRIBUTED BY HASH(`city`) BUCKETS 16 +PROPERTIES ( + "replication_num" = "3" +); +``` + +**3. Unique Model（主键模型）** + +**特点**： +- 支持主键约束，相同Key的数据会覆盖 +- 支持部分列更新 +- 类似传统数据库的UPSERT语义 + +**适用场景**： +- 用户画像数据 +- 订单状态更新 +- 需要数据去重的场景 + +**建表示例**： +```sql +CREATE TABLE user_profile ( + `user_id` LARGEINT NOT NULL COMMENT "用户ID", + `username` VARCHAR(64) COMMENT "用户名", + `age` INT COMMENT "年龄", + `city` VARCHAR(32) COMMENT "城市", + `last_login` DATETIME COMMENT "最后登录时间", + `total_amount` DECIMAL(15,2) COMMENT "总消费金额" +) UNIQUE KEY(`user_id`) +DISTRIBUTED BY HASH(`user_id`) BUCKETS 32 +PROPERTIES ( + "replication_num" = "3", + "enable_unique_key_merge_on_write" = "true" +); +``` + +**模型选择建议**： + +| 业务场景 | 推荐模型 | 原因 | +|---------|---------|------| +| 日志分析 | Duplicate | 需要保留完整明细 | +| 实时报表 | Aggregate | 自动聚合，查询快速 | +| 用户画像 | Unique | 支持数据更新 | +| 监控指标 | Aggregate | 预聚合，降低存储 | + +### 🎯 Doris的数据导入方式有哪些？ + +**Doris数据导入概述**： + +Doris提供多种数据导入方式，支持批量导入和实时导入，满足不同的数据接入需求。 + +**1. Stream Load（流式导入）** + +**特点**： +- 同步导入方式，提交后立即返回结果 +- 支持CSV、JSON格式 +- 适合小批量高频导入 + +**使用示例**： +```bash +# CSV数据导入 +curl -v --location-trusted -u user:password \ + -H "format: csv" \ + -H "column_separator:," \ + -T data.csv \ + http://fe_host:fe_http_port/api/db_name/table_name/_stream_load + +# JSON数据导入 +curl -v --location-trusted -u user:password \ + -H "format: json" \ + -T data.json \ + http://fe_host:fe_http_port/api/db_name/table_name/_stream_load +``` + +**2. Broker Load（离线导入）** + +**特点**： +- 异步导入方式，适合大批量数据 +- 支持从HDFS、S3等分布式存储导入 +- 具有容错和重试机制 + +**使用示例**： +```sql +-- 从HDFS导入数据 +LOAD LABEL db_name.label_name ( + DATA INFILE("hdfs://namenode:port/path/to/file.csv") + INTO TABLE table_name + COLUMNS TERMINATED BY "," + (col1, col2, col3) +) WITH BROKER "broker_name" ( + "username" = "hdfs_user", + "password" = "hdfs_password" +); +``` + +**3. Routine Load（例行导入）** + +**特点**： +- 持续消费Kafka数据流 +- 支持实时数据导入 +- 自动管理消费进度 + +**使用示例**： +```sql +-- 创建Routine Load任务 +CREATE ROUTINE LOAD db_name.job_name ON table_name +COLUMNS(col1, col2, col3) +PROPERTIES ( + "desired_concurrent_number"="3", + "max_batch_interval" = "20", + "max_batch_rows" = "300000" +) +FROM KAFKA ( + "kafka_broker_list" = "broker1:9092,broker2:9092", + "kafka_topic" = "topic_name", + "property.group.id" = "group_id" +); +``` + +**4. Insert Into（SQL导入）** + +**特点**： +- 标准SQL语法 +- 适合小量数据和测试 +- 支持从其他表导入 + +**使用示例**： +```sql +-- 直接插入数据 +INSERT INTO table_name VALUES +(1, 'name1', 100), +(2, 'name2', 200); + +-- 从其他表导入 +INSERT INTO target_table +SELECT col1, col2, col3 FROM source_table +WHERE condition; +``` + +**导入方式选择建议**： + +| 场景 | 推荐方式 | 数据量 | 实时性 | +|------|---------|-------|--------| +| 实时数据流 | Routine Load | 中等 | 秒级 | +| 批量ETL | Broker Load | 大量 | 分钟级 | +| 小批量同步 | Stream Load | 小量 | 实时 | +| 测试数据 | Insert Into | 很小 | 实时 | + +### 🎯 Doris的查询优化和性能调优策略？ + +**查询优化策略**： + +**1. 分区分桶优化** + +**分区设计**： +```sql +-- 按日期分区 +CREATE TABLE orders ( + `order_id` BIGINT, + `order_date` DATE, + `customer_id` BIGINT, + `amount` DECIMAL(10,2) +) DUPLICATE KEY(`order_id`) +PARTITION BY RANGE(`order_date`) ( + PARTITION p20240101 VALUES [('2024-01-01'), ('2024-01-02')), + PARTITION p20240102 VALUES [('2024-01-02'), ('2024-01-03')) +) +DISTRIBUTED BY HASH(`customer_id`) BUCKETS 32; +``` + +**分桶优化**： +- 选择高基数列作为分桶键 +- 分桶数建议为BE节点数的2-4倍 +- 避免数据倾斜 + +**2. 索引优化** + +**前缀索引**： +```sql +-- 建表时指定前缀索引长度 +CREATE TABLE user_data ( + `user_id` BIGINT, + `username` VARCHAR(64), + `email` VARCHAR(128) +) DUPLICATE KEY(`user_id`, `username`) +PROPERTIES ( + "short_key" = "2" -- 前缀索引包含前2列 +); +``` + +**BloomFilter索引**： +```sql +-- 为高基数列创建BloomFilter +ALTER TABLE table_name SET ("bloom_filter_columns" = "user_id,email"); +``` + +**3. 查询优化技巧** + +**列裁剪**： +```sql +-- 好的查询：只查询需要的列 +SELECT user_id, username FROM user_table +WHERE age > 18; + +-- 差的查询：查询所有列 +SELECT * FROM user_table WHERE age > 18; +``` + +**分区裁剪**： +```sql +-- 查询中包含分区字段 +SELECT * FROM orders +WHERE order_date = '2024-01-01' + AND customer_id = 12345; +``` + +**4. 系统参数调优** + +**FE配置优化**： +```properties +# FE内存配置 +JAVA_OPTS="-Xmx16g -XX:+UseG1GC" + +# 查询超时设置 +query_timeout = 300 + +# 并发控制 +max_conn_per_user = 100 +``` + +**BE配置优化**： +```properties +# BE内存配置 +mem_limit = 80% + +# 查询并发度 +scan_thread_nice_value = 1 +max_scan_key_num = 1024 + +# 存储配置 +default_num_rows_per_column_file_block = 1024 +``` + +**5. 物化视图优化** + +**创建物化视图**： +```sql +-- 为常用聚合查询创建物化视图 +CREATE MATERIALIZED VIEW sales_agg AS +SELECT + date_trunc(order_date, 'day') as order_day, + region, + SUM(amount) as total_amount, + COUNT(*) as order_count +FROM orders +GROUP BY order_day, region; +``` + +**性能监控**： +```sql +-- 查看查询profile +SET enable_profile = true; +SELECT * FROM table_name WHERE condition; +SHOW QUERY PROFILE; + +-- 查看执行计划 +EXPLAIN SELECT * FROM table_name WHERE condition; +``` + +### 🎯 主流OLAP数据库对比分析 + +**OLAP技术选型概述**： + +在大数据分析领域，选择合适的OLAP数据库至关重要。不同的OLAP解决方案在架构设计、性能特点、使用场景上各有优势。 + +**主流OLAP数据库分类**： + +**1. 预计算型OLAP** +- **Apache Kylin**：基于Cube预计算 +- **Apache Druid**：时序数据预聚合 + +**2. MPP架构OLAP** +- **Apache Doris**：实时OLAP数据库 +- **ClickHouse**：列式分析数据库 +- **Greenplum**：分布式数据仓库 + +**3. 存储计算分离型** +- **Presto/Trino**：分布式SQL查询引擎 +- **Apache Impala**：高性能SQL引擎 + +**详细对比分析**： + +| 对比维度 | Apache Doris | Apache Kylin | ClickHouse | Presto/Trino | Apache Druid | +|----------|-------------|--------------|------------|-------------|-------------| +| **架构类型** | MPP实时OLAP | 预计算OLAP | MPP列存 | 查询引擎 | 时序OLAP | +| **存储模式** | 列式存储 | 预计算Cube | 列式存储 | 存储计算分离 | 列式+时序 | +| **查询延迟** | 毫秒-秒级 | 亚秒级 | 毫秒级 | 秒-分钟级 | 毫秒级 | +| **数据写入** | 实时写入 | 批量构建 | 实时写入 | 只查询 | 实时摄取 | +| **扩展性** | 线性扩展 | 水平扩展 | 线性扩展 | 水平扩展 | 水平扩展 | +| **SQL兼容** | 标准SQL | 标准SQL | 类SQL | 标准SQL | JSON查询 | +| **学习成本** | 中等 | 较高 | 中等 | 较低 | 较高 | + +**核心技术特点对比**： + +**Apache Doris vs ClickHouse**： + +| 特性 | Apache Doris | ClickHouse | +|------|-------------|------------| +| **架构设计** | FE/BE分离架构 | 单一进程架构 | +| **数据模型** | 多种模型支持 | 表引擎丰富 | +| **并发处理** | 高并发OLAP | 高吞吐分析 | +| **运维复杂度** | 相对简单 | 配置复杂 | +| **生态集成** | Java生态 | C++生态 | +| **适用场景** | 实时报表、用户画像 | 日志分析、指标监控 | + +**Apache Kylin vs Druid**： + +| 特性 | Apache Kylin | Apache Druid | +|------|-------------|-------------| +| **预计算方式** | 多维Cube | 时序聚合 | +| **时间处理** | 离散时间 | 连续时序 | +| **维度支持** | 有限维度 | 灵活维度 | +| **实时性** | 准实时 | 实时 | +| **存储开销** | 较高 | 中等 | +| **适用场景** | 固定报表、BI分析 | 监控大屏、实时分析 | + +**技术选型决策树**： + +``` +数据分析需求 +├── 实时要求高（毫秒级） +│ ├── 时序数据为主 → Druid +│ ├── 复杂分析查询 → ClickHouse +│ └── 混合负载 → Doris +├── 查询模式固定 +│ ├── 多维分析 → Kylin +│ └── 时序分析 → Druid +├── 数据源多样化 +│ ├── 湖仓一体 → Trino +│ └── 传统数仓 → Greenplum +└── 开发资源有限 + ├── 运维简单 → Doris + └── 功能全面 → ClickHouse +``` + +**场景化选型建议**： + +**1. 实时报表场景** +``` +推荐方案：Apache Doris +理由： +- 支持实时数据写入和查询 +- 标准SQL，学习成本低 +- MPP架构，查询性能优秀 +- 支持多种数据模型 +``` + +**2. 日志分析场景** +``` +推荐方案：ClickHouse +理由： +- 极高的压缩比和查询性能 +- 丰富的表引擎和函数 +- 适合大量数据的聚合分析 +- 社区活跃，文档完善 +``` + +**3. 固定报表场景** +``` +推荐方案：Apache Kylin +理由： +- 预计算提供亚秒级查询 +- 适合固定的多维分析 +- 与BI工具集成良好 +- 查询性能稳定可预期 +``` + +**4. 时序监控场景** +``` +推荐方案：Apache Druid +理由： +- 专为时序数据设计 +- 支持实时数据摄取 +- 灵活的时间聚合 +- 适合监控和告警 +``` + +**5. 多数据源查询** +``` +推荐方案：Trino/Presto +理由： +- 支持多种数据源 +- 存储计算分离 +- 标准SQL接口 +- 灵活的查询优化 +``` + +**性能基准测试对比**： + +**查询性能对比**（基于TPC-H 100GB数据集）： + +| 查询类型 | Doris | ClickHouse | Kylin | Presto | +|---------|-------|------------|-------|--------| +| **简单聚合** | 0.5s | 0.2s | 0.1s | 2.0s | +| **复杂Join** | 3.0s | 2.5s | 0.5s | 8.0s | +| **多维分组** | 1.2s | 0.8s | 0.2s | 5.0s | +| **时序查询** | 2.0s | 1.0s | - | 6.0s | + +**存储压缩比对比**： + +| 数据库 | 压缩比 | 存储开销 | 查询性能 | +|--------|--------|----------|----------| +| **原始数据** | 1:1 | 100% | - | +| **Doris** | 5:1 | 20% | 高 | +| **ClickHouse** | 10:1 | 10% | 极高 | +| **Kylin** | 3:1 | 300%（预计算） | 极高 | +| **Druid** | 8:1 | 15% | 高 | + +**最佳实践总结**： + +**选型原则**： +1. **性能优先**：ClickHouse、Doris +2. **实时性优先**：Druid、Doris +3. **易用性优先**：Doris、Presto +4. **成本优先**：Kylin（查询模式固定时） +5. **生态兼容**：Presto（多数据源） + +**部署建议**： +- **小规模团队**：选择Doris或ClickHouse +- **大型企业**：可考虑多种方案组合 +- **云环境**：优先考虑托管服务 +- **混合云**：选择开源方案保持灵活性 + +**技术演进趋势**： +- **云原生化**：Serverless OLAP服务 +- **湖仓一体**：统一存储和计算 +- **AI融合**：智能查询优化 +- **实时化**：流批一体处理 + +--- + +## 🚀 六、消息队列（Kafka核心） + +> **核心思想**：Kafka是分布式流处理平台的基石，通过分布式、高吞吐、低延迟的消息传递，连接数据的生产者和消费者。 + +### 🎯 Kafka的核心架构是什么？如何保证高性能？ + +**Kafka是什么？** + +Apache Kafka是一个**分布式流处理平台**，提供高吞吐量、低延迟的消息发布订阅服务，广泛用于实时数据管道和流式应用。 + +**Kafka核心架构**： + +**1. Broker（服务节点）** +- Kafka集群中的服务器节点 +- 负责存储和转发消息 +- 通过ZooKeeper协调集群状态 + +**2. Topic（主题）** +- 消息的逻辑分类 +- 生产者发送消息到Topic +- 消费者从Topic订阅消息 + +**3. Partition（分区）** +- Topic的物理分割单位 +- 每个分区是一个有序的消息队列 +- 分区内消息有序，分区间无序 + +**4. Replica（副本）** +- 每个分区可以有多个副本 +- **Leader Replica**：处理读写请求 +- **Follower Replica**：从Leader同步数据 + +**5. Producer（生产者）** +- 发送消息到Kafka Topic +- 可以指定分区策略 + +**6. Consumer（消费者）** +- 从Kafka Topic消费消息 +- 可以组成Consumer Group + +**高性能设计原理**： + +**1. 顺序写入** +- 消息追加到日志文件末尾 +- 避免随机I/O，发挥磁盘顺序读写优势 +- 顺序写性能接近内存 + +**2. 零拷贝（Zero Copy）** +- 使用sendfile()系统调用 +- 数据直接从内核空间传输到网络 +- 避免用户空间和内核空间的数据拷贝 + +**3. 批量处理** +- 生产者批量发送消息 +- 减少网络请求次数 +- 提升整体吞吐量 + +**4. 分区并行** +- 多个分区并行读写 +- 提高并发处理能力 +- 支持水平扩展 + +**5. 页缓存利用** +- 依赖操作系统页缓存 +- 不在JVM堆中缓存数据 +- 避免GC影响性能 + +**6. 压缩** +- 支持多种压缩算法（Gzip、Snappy、LZ4、ZSTD） +- 减少网络传输和存储开销 + +**性能调优参数**： +```properties +# 批量大小 +batch.size=16384 +linger.ms=5 + +# 压缩 +compression.type=lz4 + +# 副本确认 +acks=1 + +# 缓冲区大小 +send.buffer.bytes=131072 +receive.buffer.bytes=131072 +``` + +### 🎯 Kafka如何保证消息的可靠性？ + +**可靠性挑战**： +在分布式环境下，网络故障、节点宕机、磁盘损坏等问题都可能导致消息丢失或重复，Kafka需要在性能和可靠性之间找到平衡。 + +**可靠性保证机制**： + +**1. 副本机制（Replication）** + +**ISR（In-Sync Replica）集合**： +- 包含Leader和同步的Follower副本 +- 只有ISR中的副本才能成为Leader +- 保证数据不丢失 + +**副本同步流程**： +- Producer发送消息到Leader +- Leader写入本地日志 +- Follower从Leader拉取消息 +- Follower写入本地日志并发送ACK给Leader + +**2. ACK确认机制** + +**acks=0**： +- 生产者不等待任何确认 +- 性能最高，可靠性最低 +- 可能丢失消息 + +**acks=1**： +- 等待Leader确认 +- 性能和可靠性的平衡 +- Leader故障可能丢失消息 + +**acks=-1/all**： +- 等待ISR中所有副本确认 +- 可靠性最高，性能最低 +- 配合`min.insync.replicas`使用 + +**3. 消息重试机制** + +```properties +# 生产者重试配置 +retries=Integer.MAX_VALUE +retry.backoff.ms=100 +request.timeout.ms=30000 +delivery.timeout.ms=120000 +``` + +**4. 幂等性保证** + +```properties +# 开启幂等性 +enable.idempotence=true +``` + +- 生产者会为每个消息分配唯一的Sequence ID +- Broker检测重复消息并丢弃 +- 保证消息不重复 + +**5. 事务支持** + +```java +// 事务生产者 +Properties props = new Properties(); +props.put("transactional.id", "my-transactional-id"); +props.put("enable.idempotence", true); + +KafkaProducer producer = new KafkaProducer<>(props); +producer.initTransactions(); + +try { + producer.beginTransaction(); + producer.send(new ProducerRecord<>("topic", "key", "value")); + producer.commitTransaction(); +} catch (Exception e) { + producer.abortTransaction(); +} +``` + +**6. 消费者可靠性** + +**手动提交Offset**： +```java +// 手动提交确保处理完成后再提交 +consumer.poll(Duration.ofMillis(1000)); +// 处理消息... +consumer.commitSync(); +``` + +**消费者组故障转移**： +- 消费者故障时，其他消费者接管分区 +- 通过心跳机制检测消费者状态 + +**可靠性配置最佳实践**： + +**高可靠性配置**： +```properties +# 生产者 +acks=all +retries=Integer.MAX_VALUE +enable.idempotence=true +min.insync.replicas=2 + +# 消费者 +enable.auto.commit=false +isolation.level=read_committed +``` + +**高性能配置**： +```properties +# 生产者 +acks=1 +batch.size=32768 +linger.ms=10 + +# 消费者 +enable.auto.commit=true +``` + +### 🎯 Kafka消费者组的工作原理是什么？ + +**Consumer Group是什么？** + +Consumer Group是Kafka中**消费者的逻辑分组**，同一个Consumer Group中的消费者协作消费Topic的消息，每个分区只能被组内一个消费者消费。 + +**核心工作原理**： + +**1. 分区分配策略** + +**Range分配策略（默认）**： +- 按分区范围分配给消费者 +- 可能导致分配不均衡 +- 适合分区数是消费者数倍数的情况 + +**RoundRobin分配策略**： +- 轮询方式分配分区给消费者 +- 分配更均衡 +- 适合消费者订阅相同Topic的情况 + +**Sticky分配策略**： +- 尽量保持分区分配的粘性 +- Rebalance时减少分区重新分配 +- 提高消费效率 + +**2. Coordinator协调机制** + +**Group Coordinator**： +- 每个Consumer Group对应一个Coordinator +- 负责管理组成员和分区分配 +- 处理心跳和提交Offset + +**工作流程**： +- 消费者加入Consumer Group +- Coordinator选举Group Leader +- Group Leader执行分区分配 +- Coordinator广播分配结果 + +**3. Rebalance机制** + +**触发条件**： +- 新消费者加入组 +- 消费者离开组（正常关闭或故障） +- Topic分区数变化 +- 消费者订阅的Topic变化 + +**Rebalance流程**： +``` +1. 消费者停止消费消息 +2. 消费者向Coordinator发送JoinGroup请求 +3. Coordinator收集所有消费者信息 +4. Coordinator选择Group Leader +5. Group Leader执行分区分配算法 +6. Coordinator广播分配结果 +7. 消费者根据分配结果开始消费 +``` + +**4. Offset管理** + +**自动提交**： +```properties +enable.auto.commit=true +auto.commit.interval.ms=5000 +``` + +**手动提交**： +```java +// 同步提交 +consumer.commitSync(); + +// 异步提交 +consumer.commitAsync((offsets, exception) -> { + if (exception != null) { + logger.error("Commit failed", exception); + } +}); +``` + +**5. 心跳机制** + +```properties +# 心跳间隔 +heartbeat.interval.ms=3000 + +# 会话超时 +session.timeout.ms=10000 + +# 最大拉取间隔 +max.poll.interval.ms=300000 +``` + +**消费者代码示例**： +```java +Properties props = new Properties(); +props.put("bootstrap.servers", "localhost:9092"); +props.put("group.id", "my-group"); +props.put("auto.offset.reset", "earliest"); +props.put("partition.assignment.strategy", + "org.apache.kafka.clients.consumer.StickyAssignor"); + +KafkaConsumer consumer = new KafkaConsumer<>(props); +consumer.subscribe(Arrays.asList("my-topic")); + +while (true) { + ConsumerRecords records = consumer.poll(Duration.ofMillis(1000)); + for (ConsumerRecord record : records) { + // 处理消息 + System.out.printf("offset = %d, key = %s, value = %s%n", + record.offset(), record.key(), record.value()); + } + consumer.commitAsync(); +} +``` + +**最佳实践**： +- 合理设置消费者数量（不超过分区数） +- 选择合适的分区分配策略 +- 监控Consumer Lag指标 +- 处理Rebalance异常情况 +- 合理设置心跳和会话超时参数 + +--- + +## 🔧 六、资源调度（YARN核心） + +> **核心思想**：YARN是Hadoop 2.0的资源管理框架，实现了计算与存储分离，支持多种计算框架在同一集群中运行。 + +### 🎯 YARN的架构原理是什么？与Hadoop 1.0相比有什么优势？ + +**YARN是什么？** + +YARN（Yet Another Resource Negotiator）是Hadoop 2.0引入的**资源管理框架**，负责集群资源的统一管理和调度，支持多种计算框架。 + +**YARN核心架构**： + +**1. ResourceManager（资源管理器）** +- 集群的全局资源管理者 +- **Scheduler**：负责资源分配，不监控应用状态 +- **ApplicationManager**：管理应用的生命周期 + +**2. NodeManager（节点管理器）** +- 单个节点的资源管理者 +- 监控节点资源使用情况 +- 管理Container的生命周期 +- 向ResourceManager汇报节点状态 + +**3. ApplicationMaster（应用管理器）** +- 每个应用有一个AM +- 向ResourceManager申请资源 +- 与NodeManager通信启动Container +- 监控任务执行状态 + +**4. Container（容器）** +- 资源分配的基本单位 +- 封装CPU、内存等资源 +- 在NodeManager上运行具体任务 + +**YARN工作流程**： + +``` +1. Client提交应用到ResourceManager +2. ResourceManager分配Container启动ApplicationMaster +3. ApplicationMaster向ResourceManager注册 +4. ApplicationMaster请求资源运行任务 +5. ResourceManager分配Container给ApplicationMaster +6. ApplicationMaster与NodeManager通信启动Container +7. Container运行具体任务 +8. ApplicationMaster监控任务进度 +9. 应用完成后ApplicationMaster注销 +``` + +**YARN vs Hadoop 1.0对比**： + +| 对比维度 | Hadoop 1.0 | YARN | +|---------|------------|------| +| **架构** | JobTracker + TaskTracker | ResourceManager + NodeManager + ApplicationMaster | +| **扩展性** | 4000节点瓶颈 | 万级节点支持 | +| **计算框架** | 仅支持MapReduce | 支持MapReduce、Spark、Storm等 | +| **资源利用率** | 静态资源分配 | 动态资源分配 | +| **容错性** | JobTracker单点故障 | ResourceManager HA | +| **多租户** | 不支持 | 支持资源隔离和配额管理 | + +**YARN优势**： + +**1. 资源利用率提升** +- 动态资源分配 +- 不同框架共享集群资源 +- 避免资源静态划分的浪费 + +**2. 扩展性增强** +- 分离资源管理和应用管理 +- 单个ResourceManager可管理数万节点 +- ApplicationMaster分散了JobTracker压力 + +**3. 多框架支持** +- 统一资源管理平台 +- MapReduce、Spark、Flink等都可运行 +- 避免重复建设集群 + +**4. 容错性改进** +- ResourceManager支持HA +- ApplicationMaster故障可重启 +- Container故障不影响其他任务 + +### 🎯 YARN的资源调度器有哪些？各有什么特点？ + +**YARN调度器概述**： + +YARN的调度器负责将集群资源分配给各个应用，不同的调度器采用不同的分配策略，适用于不同的应用场景。 + +**1. FIFO Scheduler（先进先出调度器）** + +**特点**： +- 按提交时间顺序分配资源 +- 简单易理解 +- 不支持优先级 + +**适用场景**： +- 小集群或测试环境 +- 单用户环境 +- 对公平性要求不高的场景 + +**配置示例**： +```xml + + yarn.resourcemanager.scheduler.class + org.apache.hadoop.yarn.server.resourcemanager.scheduler.fifo.FifoScheduler + +``` + +**2. Capacity Scheduler（容量调度器）** + +**核心特点**： +- **层次化队列**：支持多级队列嵌套 +- **容量保证**：每个队列有最小容量保证 +- **弹性资源**：队列可借用其他队列空闲资源 +- **多租户**：不同队列可配置不同用户和权限 + +**队列配置**： +```xml + + + yarn.scheduler.capacity.resource-calculator + org.apache.hadoop.yarn.util.resource.DominantResourceCalculator + + + + + yarn.scheduler.capacity.root.queues + production,development,urgent + + + + + yarn.scheduler.capacity.root.production.capacity + 60 + + + yarn.scheduler.capacity.root.development.capacity + 30 + + + yarn.scheduler.capacity.root.urgent.capacity + 10 + + + + + yarn.scheduler.capacity.root.production.maximum-capacity + 80 + +``` + +**适用场景**： +- 企业多部门共享集群 +- 需要资源隔离的场景 +- 有SLA要求的生产环境 + +**3. Fair Scheduler（公平调度器）** + +**核心特点**： +- **公平共享**：资源在活跃应用间公平分配 +- **抢占机制**：资源不足时可抢占其他应用资源 +- **权重支持**：不同队列可设置不同权重 +- **延迟调度**：支持数据本地性优化 + +**配置示例**： +```xml + + + yarn.resourcemanager.scheduler.class + org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler + + + + + yarn.scheduler.fair.allocation.file + ${HADOOP_CONF_DIR}/fair-scheduler.xml + +``` + +**fair-scheduler.xml配置**： +```xml + + + 10000 mb,10 vcores + 90000 mb,90 vcores + 3.0 + + + + 5000 mb,5 vcores + 50000 mb,50 vcores + 1.0 + + + + 60 + 0.5 + +``` + +**调度器对比**： + +| 特性 | FIFO | Capacity | Fair | +|------|------|----------|------| +| **公平性** | 无 | 队列内公平 | 全局公平 | +| **资源保证** | 无 | 容量保证 | 最小资源保证 | +| **抢占** | 不支持 | 不支持 | 支持 | +| **多租户** | 不支持 | 支持 | 支持 | +| **配置复杂度** | 简单 | 中等 | 复杂 | +| **适用场景** | 测试环境 | 企业生产 | 共享集群 | + +**选择建议**： +- **FIFO**：测试和开发环境 +- **Capacity**：多部门企业环境，需要严格资源隔离 +- **Fair**：共享集群环境，需要动态公平分配 + +**调度器优化策略**： +- 合理设置队列容量和权重 +- 启用资源抢占提高资源利用率 +- 配置适当的调度间隔 +- 监控队列资源使用情况 +- 根据业务特点调整参数 + +--- + +## 💼 七、实战场景题（项目经验） + +> **核心思想**：实战场景题是面试的重点，考察的是你在实际项目中运用大数据技术解决业务问题的能力。 + +### 🎯 如何设计一个实时数据处理架构？ + +**业务场景**： +假设要设计一个**电商实时推荐系统**，需要处理用户行为数据（点击、浏览、购买），实时更新用户画像和商品推荐。 + +**架构设计思路**： + +**1. 数据接入层** +``` +用户行为 → 埋点SDK → 消息队列(Kafka) → 实时处理 +``` + +**技术选型**： +- **数据收集**：Flume、Logstash、自研Agent +- **消息队列**：Kafka（高吞吐、低延迟） +- **数据格式**：Avro/JSON（结构化数据） + +**2. 实时计算层** +``` +Kafka → Flink/Spark Streaming → 实时特征计算 → 存储层 +``` + +**Flink实时处理示例**： +```java +// 用户行为流 +DataStream behaviorStream = env + .addSource(new FlinkKafkaConsumer<>("user-behavior", + new UserBehaviorSchema(), properties)) + .assignTimestampsAndWatermarks( + WatermarkStrategy.forBoundedOutOfOrderness(Duration.ofSeconds(10)) + .withTimestampAssigner((event, timestamp) -> event.getTimestamp())); + +// 实时特征计算 +DataStream userFeatures = behaviorStream + .keyBy(UserBehavior::getUserId) + .window(TumblingEventTimeWindows.of(Time.minutes(5))) + .aggregate(new UserFeatureAggregator()); + +// 输出到存储系统 +userFeatures.addSink(new RedisSink<>()); +``` + +**3. 存储层** +- **实时存储**：Redis/HBase（毫秒级读写） +- **离线存储**：HDFS/S3（历史数据存档） +- **OLAP存储**：ClickHouse/Druid（实时分析查询） + +**4. 服务层** +- **推荐服务**：基于实时特征的推荐算法 +- **A/B测试**：实时效果监控和策略调整 +- **API网关**：统一接口管理 + +**架构优化考虑**： + +**性能优化**： +- Kafka分区数 = 消费者并发度 +- Flink并行度根据数据量动态调整 +- Redis集群化部署，避免热点数据 + +**容错处理**： +- Kafka多副本保证数据不丢失 +- Flink Checkpoint机制保证exactly-once +- 多活部署避免单点故障 + +**扩展性设计**： +- 微服务架构，各组件独立扩展 +- 消息队列支持水平扩展 +- 存储分片策略支持数据增长 + +### 🎯 大数据平台的技术选型如何考虑？ + +**技术选型的考虑维度**： + +**1. 业务需求分析** + +**数据量级**： +- **TB级别**：单机或小集群可处理 +- **PB级别**：需要分布式大数据技术 +- **EB级别**：需要专业的大数据架构 + +**实时性要求**： +- **离线批处理**：T+1数据处理，选择Hadoop/Spark +- **准实时**：分钟级延迟，选择Spark Streaming +- **实时**：秒级延迟，选择Flink/Storm + +**查询模式**： +- **OLTP**：高并发事务，选择传统数据库 +- **OLAP**：复杂分析查询，选择数据仓库 +- **混合负载**：选择HTAP数据库 + +**2. 技术选型矩阵** + +**存储技术选型**： + +| 数据类型 | 结构化数据 | 半结构化数据 | 非结构化数据 | +|---------|-----------|-------------|-------------| +| **热数据** | MySQL/PostgreSQL | ElasticSearch | 对象存储+CDN | +| **温数据** | Hive/Presto | ElasticSearch | HDFS | +| **冷数据** | 数据湖(Delta Lake) | 数据湖 | 对象存储 | + +**计算框架选型**： + +| 场景 | 批处理 | 流处理 | 交互式查询 | 机器学习 | +|------|-------|-------|-----------|---------| +| **推荐方案** | Spark | Flink | Presto/Trino | Spark MLlib | +| **备选方案** | MapReduce | Kafka Streams | ClickHouse | TensorFlow on Spark | + +**3. 项目实践案例** + +**电商数据平台架构**： + +``` +数据源层： +- 业务数据库（MySQL） +- 埋点日志（Nginx/App） +- 第三方API数据 + +数据接入层： +- 离线：Sqoop/DataX（数据库） + Flume（日志） +- 实时：Kafka + Canal（binlog） + +数据存储层： +- 数据湖：HDFS（原始数据） +- 数据仓库：Hive（结构化数据） +- 实时存储：HBase/Cassandra + +数据计算层： +- 离线计算：Spark（ETL + 机器学习） +- 实时计算：Flink（实时指标计算） +- 即席查询：Presto（数据探索） + +数据服务层： +- API网关：Spring Cloud Gateway +- 缓存层：Redis Cluster +- 搜索引擎：ElasticSearch +``` + +**技术选型决策过程**： + +**Step 1：需求调研** +- 数据量评估：日增1TB，总量100TB +- 查询QPS：1000/s，延迟<200ms +- 用户规模：100万DAU + +**Step 2：POC验证** +- 搭建小规模测试环境 +- 压测验证性能指标 +- 评估开发和运维成本 + +**Step 3：架构设计** +- 考虑技术栈兼容性 +- 评估团队技术能力 +- 制定迁移和扩容方案 + +**选型最佳实践**： +- **优先选择成熟稳定的技术** +- **考虑团队技术栈和学习成本** +- **关注开源社区活跃度** +- **评估商业支持和服务** +- **制定技术演进路线图** + +### 🎯 如何处理数据倾斜问题？ + +**数据倾斜是什么？** + +数据倾斜是指在分布式计算中，**数据分布不均匀**，导致某些节点处理的数据量远大于其他节点，成为性能瓶颈。 + +**数据倾斜的表现**： +- 作业执行时间过长 +- 某些Task执行时间远超其他Task +- 内存溢出（OOM）错误 +- 集群资源利用率不均 + +**常见倾斜场景**： + +**1. Join倾斜** +```sql +-- 大表Join小表，某个key数据量巨大 +SELECT * +FROM big_table a +JOIN small_table b ON a.user_id = b.user_id +WHERE a.date = '2024-01-01' +``` + +**2. GroupBy倾斜** +```sql +-- 某个分组的数据量过大 +SELECT user_type, COUNT(*) +FROM user_behavior +WHERE date = '2024-01-01' +GROUP BY user_type +``` + +**3. 分区倾斜** +- 按日期分区，某些日期数据量特别大 +- Hash分区，某些key的hash值集中 + +**数据倾斜解决方案**： + +**1. 预处理阶段优化** + +**数据采样分析**： +```python +# Spark数据采样 +sample_df = df.sample(0.01) +skew_keys = sample_df.groupBy("key").count() \ + .orderBy(desc("count")).limit(10) +``` + +**过滤异常数据**： +```sql +-- 过滤null值和异常值 +SELECT * FROM table +WHERE key IS NOT NULL + AND key != 'unknown' + AND key != '' +``` + +**2. Join倾斜优化** + +**广播Join（Map-side Join）**： +```scala +// Spark广播小表 +val broadcast_small = spark.sparkContext.broadcast(small_table.collect()) +val result = big_table.map { row => + val small_data = broadcast_small.value + // Join逻辑 +} +``` + +**加盐技术（Salting）**： +```scala +// 大表加随机前缀 +val salted_big = big_table.map { row => + val salt = Random.nextInt(100) + (s"${salt}_${row.key}", row) +} + +// 小表扩展 +val expanded_small = small_table.flatMap { row => + (0 until 100).map(i => (s"${i}_${row.key}", row)) +} + +// Join后去除盐值 +val result = salted_big.join(expanded_small) + .map { case (salted_key, (big_row, small_row)) => + // 处理结果 + } +``` + +**两阶段聚合**： +```scala +// 第一阶段：局部聚合加随机后缀 +val stage1 = df.map { row => + val salt = Random.nextInt(100) + (s"${row.key}_${salt}", row.value) +}.reduceByKey(_ + _) + +// 第二阶段：全局聚合去掉后缀 +val stage2 = stage1.map { case (salted_key, value) => + val key = salted_key.split("_")(0) + (key, value) +}.reduceByKey(_ + _) +``` + +**3. 分区策略优化** + +**自定义分区器**： +```scala +class CustomPartitioner(partitions: Int) extends Partitioner { + override def numPartitions: Int = partitions + + override def getPartition(key: Any): Int = { + key match { + case hotKey if isHotKey(hotKey) => + // 热点数据分散到多个分区 + (hotKey.hashCode % (partitions / 2)).abs + case _ => + (key.hashCode % partitions).abs + } + } +} +``` + +**4. Hive中处理数据倾斜** + +**Map-side Join**： +```sql +-- 开启Map Join +SET hive.auto.convert.join=true; +SET hive.mapjoin.smalltable.filesize=25000000; +``` + +**分桶表Join**： +```sql +-- 创建分桶表避免倾斜 +CREATE TABLE bucketed_table ( + id INT, name STRING +) CLUSTERED BY (id) INTO 10 BUCKETS; +``` + +**动态分区**： +```sql +-- 使用动态分区均匀分布数据 +SET hive.exec.dynamic.partition=true; +SET hive.exec.dynamic.partition.mode=nonstrict; +``` + +**5. Flink中处理数据倾斜** + +**自定义分区函数**： +```java +// 自定义分区策略 +stream.partitionCustom(new Partitioner() { + @Override + public int partition(String key, int numPartitions) { + if (isHotKey(key)) { + // 热点数据随机分区 + return ThreadLocalRandom.current().nextInt(numPartitions); + } + return key.hashCode() % numPartitions; + } +}, keySelector); +``` + +**监控和预防**： +- 监控Task执行时间分布 +- 设置数据倾斜告警 +- 定期分析热点数据 +- 建立数据倾斜处理规范 + +### 🎯 大数据平台的监控体系如何建设？ + +**监控体系的重要性**： +大数据平台涉及多个组件，数据链路复杂，需要完善的监控体系保证系统稳定运行和及时发现问题。 + +**监控体系架构**： + +**1. 数据收集层** + +**系统监控**： +- **节点资源**：CPU、内存、磁盘、网络 +- **JVM指标**：堆内存、GC、线程数 +- **组件日志**：应用日志、错误日志 + +**业务监控**： +- **数据质量**：数据完整性、准确性、时效性 +- **任务执行**：作业成功率、执行时间、资源消耗 +- **数据流量**：吞吐量、延迟、积压 + +**监控工具选择**： +``` +系统监控：Prometheus + Node Exporter +应用监控：Micrometer + Prometheus +日志收集：ELK Stack (Elasticsearch + Logstash + Kibana) +链路追踪：Jaeger/Zipkin +``` + +**2. 监控指标设计** + +**基础设施监控**： +```yaml +# Prometheus监控配置示例 +groups: +- name: hadoop.rules + rules: + - alert: HDFSNameNodeDown + expr: up{job="namenode"} == 0 + for: 30s + labels: + severity: critical + annotations: + summary: "HDFS NameNode is down" + + - alert: DataNodeDiskUsage + expr: (node_filesystem_size_bytes - node_filesystem_free_bytes) / node_filesystem_size_bytes > 0.85 + for: 2m + labels: + severity: warning + annotations: + summary: "DataNode disk usage > 85%" +``` + +**应用层监控指标**： + +**Spark应用监控**： +```scala +// 自定义Metrics +val sparkConf = new SparkConf() +sparkConf.set("spark.sql.streaming.metricsEnabled", "true") +sparkConf.set("spark.metrics.conf.driver.source.jvm.class", + "org.apache.spark.metrics.source.JvmSource") + +// 业务指标 +val counter = SparkEnv.get.metricsSystem.counter("custom.records.processed") +counter.inc(recordCount) +``` + +**Flink应用监控**： +```java +// Flink自定义Metrics +public class MyMapFunction extends RichMapFunction { + private Counter counter; + + @Override + public void open(Configuration config) { + this.counter = getRuntimeContext() + .getMetricGroup() + .counter("records_processed"); + } + + @Override + public String map(String value) { + counter.inc(); + return value.toUpperCase(); + } +} +``` + +**3. 告警机制** + +**告警规则设计**： +```yaml +# AlertManager告警规则 +- alert: SparkJobFailure + expr: spark_job_status{status="failed"} > 0 + for: 0m + labels: + severity: critical + team: data-platform + annotations: + summary: "Spark job {{ $labels.job_name }} failed" + description: "Job has been failing for more than 0 minutes" + +- alert: KafkaConsumerLag + expr: kafka_consumer_lag_sum > 10000 + for: 5m + labels: + severity: warning + annotations: + summary: "Kafka consumer lag is high" +``` + +**告警渠道**： +- 企业微信/钉钉机器人 +- 邮件通知 +- 短信告警（严重故障） +- PagerDuty（海外） + +**4. 可视化监控大盘** + +**Grafana Dashboard设计**： + +**集群概览大盘**： +```json +{ + "dashboard": { + "title": "Big Data Platform Overview", + "panels": [ + { + "title": "HDFS Storage Usage", + "type": "stat", + "targets": [ + { + "expr": "hdfs_capacity_used_bytes / hdfs_capacity_total_bytes * 100" + } + ] + }, + { + "title": "YARN Resource Usage", + "type": "graph", + "targets": [ + { + "expr": "yarn_cluster_memory_used / yarn_cluster_memory_total * 100" + } + ] + } + ] + } +} +``` + +**实时任务监控大盘**： +- 任务运行状态统计 +- 数据处理吞吐量 +- 任务执行延迟 +- 错误率趋势 + +**5. 数据质量监控** + +**数据质量检查**： +```python +# 使用Great Expectations进行数据质量检查 +import great_expectations as ge + +df = ge.read_csv("data.csv") + +# 数据完整性检查 +df.expect_column_to_exist("user_id") +df.expect_column_values_to_not_be_null("user_id") + +# 数据准确性检查 +df.expect_column_values_to_be_between("age", min_value=0, max_value=120) + +# 数据一致性检查 +df.expect_column_values_to_be_in_set("status", ["active", "inactive"]) +``` + +**数据血缘监控**： +```python +# Apache Atlas数据血缘 +from pyatlas import Atlas + +client = Atlas("http://atlas-server:21000/", ("admin", "admin")) + +# 创建数据集实体 +dataset = { + "typeName": "DataSet", + "attributes": { + "name": "user_behavior", + "qualifiedName": "user_behavior@cluster1" + } +} + +# 创建处理过程实体 +process = { + "typeName": "Process", + "attributes": { + "name": "etl_user_behavior", + "inputs": [dataset], + "outputs": [processed_dataset] + } +} +``` + +**监控最佳实践**： +- **分层监控**：基础设施 → 组件 → 应用 → 业务 +- **异常检测**：基于机器学习的异常识别 +- **SLA定义**：明确服务等级协议 +- **故障预案**：建立标准化应急响应流程 +- **监控即代码**：监控配置版本化管理 + +--- + +## 🎯 大数据面试备战指南 + +### 💡 高频考点Top15 + +1. **🏗️ HDFS架构原理** - 分布式文件系统基础，副本机制和容错 +2. **⚡ MapReduce vs Spark** - 批计算框架对比，内存计算优势 +3. **🌊 Flink流处理** - 流计算引擎，Watermark和状态管理 +4. **📊 Hive数据仓库** - SQL转MapReduce，存储格式优化 +5. **📈 Apache Doris** - MPP架构，列式存储，实时OLAP分析 +6. **🎯 Apache Kylin** - OLAP预计算引擎，Cube构建，多维分析 +7. **🚀 Kafka消息队列** - 高性能消息系统，分区副本机制 +8. **🔧 YARN资源调度** - 集群资源管理，调度器对比 +9. **💾 数据倾斜处理** - 分布式计算常见问题和解决方案 +10. **🎯 技术选型** - 不同场景下的技术选择策略 +11. **📈 监控运维** - 大数据平台监控体系建设 +12. **⚙️ 性能调优** - 各组件的参数优化和最佳实践 +13. **🔐 数据安全** - Kerberos认证，权限管理 +14. **📦 容器化部署** - Docker、Kubernetes在大数据中的应用 +15. **☁️ 云原生架构** - 云上大数据解决方案 +16. **🤖 实时计算** - 流批一体化架构设计 +17. **💡 架构演进** - 从传统架构到现代数据湖架构 + +### 🎭 面试答题技巧 + +**📝 标准回答结构** +1. **背景介绍**（20秒） - 说明技术的应用背景和解决的问题 +2. **核心原理**（2分钟） - 深入讲解技术原理和关键机制 +3. **实践应用**（1分钟） - 结合实际项目说明如何使用 +4. **对比分析**（1分钟） - 与其他技术的对比优势 +5. **注意事项**（30秒） - 使用中的关键点和最佳实践 + +**🗣️ 表达话术模板** +- "在我们项目中，面临的主要挑战是..." +- "我们选择这个技术的原因是..." +- "从性能角度来看，这种方案的优势在于..." +- "在生产环境中，需要特别注意..." +- "相比于传统方案，新架构带来的收益是..." + +### 🚀 进阶加分点 + +- **架构设计能力**：能设计完整的大数据处理架构 +- **性能优化经验**：有具体的调优案例和效果数据 +- **故障处理能力**：能快速定位和解决线上问题 +- **技术深度**：了解底层原理和源码实现 +- **业务理解**：能结合业务场景选择合适的技术方案 +- **团队协作**：有跨团队合作的大数据项目经验 + +### 📚 延伸学习建议 + +- **官方文档**：各组件的官方文档是最权威的学习资料 +- **源码阅读**：深入理解核心组件的实现原理 +- **实战项目**：搭建完整的大数据处理链路 +- **技术博客**：关注知名公司的大数据技术分享 +- **开源贡献**：参与开源项目，提升技术影响力 + +--- + +## 🎉 总结 + +**大数据技术栈是现代企业数字化转型的核心基础设施**，掌握这些技术不仅是技术能力的体现，更是解决业务问题的重要手段。 + +**记住：面试官考察的不是死记硬背，而是你运用大数据技术解决实际业务问题的能力和思维方式。** + +**最后一句话**：*"实践出真知，项目见真章"* - 理论学习要与实际项目相结合，在实战中加深理解！ + +--- + +> 💌 **持续学习，拥抱变化！** +> 大数据技术日新月异，保持学习的热情，在技术的海洋中不断探索前行！ \ No newline at end of file diff --git a/docs/interview/Collections-FAQ.md b/docs/interview/Collections-FAQ.md deleted file mode 100644 index fa6cbcb2c5..0000000000 --- a/docs/interview/Collections-FAQ.md +++ /dev/null @@ -1,1878 +0,0 @@ -# 「直击面试」—— Java 集合，你肯定也会被问到这些 - -> 文章收录在 GitBook [JavaKeeper](https://github.com/Jstarfish/JavaKeeper) ，N线互联网开发必备技能兵器谱 - -作为一位小菜 ”一面面试官“，面试过程中，我肯定会问 Java 集合的内容，同时作为求职者，也肯定会被问到集合，所以整理下 Java 集合面试题 - -![](https://i02piccdn.sogoucdn.com/fe487f455e5b1eb6) - -> 说说常见的集合有哪些吧？ -> -> HashMap说一下，其中的Key需要重写hashCode()和equals()吗？ -> -> HashMap中key和value可以为null吗？允许几个为null呀？ -> -> HashMap线程安全吗?ConcurrentHashMap和hashTable有什么区别？ -> -> List和Set说一下，现在有一个ArrayList，对其中的所有元素按照某一属性大小排序，应该怎么做？ -> -> ArrayList 和 Vector 的区别 -> -> list 可以删除吗，遍历的时候可以删除吗，为什么 - -面向对象语言对事物的体现都是以对象的形式，所以为了方便对多个对象的操作，需要将对象进行存储，集合就是存储对象最常用的一种方式，也叫容器。 - -![](https://tva1.sinaimg.cn/large/00831rSTly1gdp03vldkkg30hv0gzwet.gif) - - - -从上面的集合框架图可以看到，Java 集合框架主要包括两种类型的容器 - -- 一种是集合（Collection），存储一个元素集合 -- 另一种是图（Map），存储键/值对映射。 - -Collection 接口又有 3 种子类型，List、Set 和 Queue，再下面是一些抽象类，最后是具体实现类，常用的有 ArrayList、LinkedList、HashSet、LinkedHashSet、HashMap、LinkedHashMap 等等。 - -集合框架是一个用来代表和操纵集合的统一架构。所有的集合框架都包含如下内容： - -- **接口**：是代表集合的抽象数据类型。例如 Collection、List、Set、Map 等。之所以定义多个接口，是为了以不同的方式操作集合对象 - -- **实现（类）**：是集合接口的具体实现。从本质上讲，它们是可重复使用的数据结构，例如：ArrayList、LinkedList、HashSet、HashMap。 - -- **算法**：是实现集合接口的对象里的方法执行的一些有用的计算，例如：搜索和排序。这些算法被称为多态，那是因为相同的方法可以在相似的接口上有着不同的实现。 - ------- - - - -## 说说常用的集合有哪些吧？ - -> Collection 有什么子接口、有哪些具体的实现 - -Map 接口和 Collection 接口是所有集合框架的父接口： - -1. Collection接口的子接口包括：Set、List、Queue -2. List是有序的允许有重复元素的 Collection，实现类主要有：ArrayList、LinkedList、Stack以及Vector等 -3. Set是一种不包含重复元素且无序的Collection，实现类主要有：HashSet、TreeSet、LinkedHashSet等 -4. Map没有继承Collection接口，Map提供key到value的映射。实现类主要有：HashMap、TreeMap、Hashtable、ConcurrentHashMap 以及 Properties 等 - - - -## ArrayList 和 Vector 的区别 - -相同点： - -- ArrayList 和 Vector 都是继承了相同的父类和实现了相同的接口（都实现了List，有序、允许重复和null） - - ```java - extends AbstractList - implements List, RandomAccess, Cloneable, java.io.Serializable - ``` - -- 底层都是数组（Object[]）实现的 - -- 初始默认长度都为**10** - -不同点： - -- 同步性：Vector 中的 public 方法多数添加了 synchronized 关键字、以确保方法同步、也即是 Vector 线程安全、ArrayList 线程不安全 - -- 性能：Vector 存在 synchronized 的锁等待情况、需要等待释放锁这个过程、所以性能相对较差 - -- 扩容大小：ArrayList 在底层数组不够用时在原来的基础上扩展 0.5 倍，Vector 默认是扩展 1 倍 - - 扩容机制，扩容方法其实就是新创建一个数组，然后将旧数组的元素都复制到新数组里面。其底层的扩容方法都在 **grow()** 中（基于JDK8） - - - ArrayList 的 grow()，在满足扩容条件时、ArrayList以**1.5** 倍的方式在扩容（oldCapacity >> **1** ，右移运算，相当于除以 2，结果为二分之一的 oldCapacity） - - ```java - private void grow(int minCapacity) { - // overflow-conscious code - int oldCapacity = elementData.length; - //newCapacity = oldCapacity + O.5*oldCapacity,此处扩容0.5倍 - int newCapacity = oldCapacity + (oldCapacity >> 1); - if (newCapacity - minCapacity < 0) - newCapacity = minCapacity; - if (newCapacity - MAX_ARRAY_SIZE > 0) - newCapacity = hugeCapacity(minCapacity); - // minCapacity is usually close to size, so this is a win: - elementData = Arrays.copyOf(elementData, newCapacity); - } - ``` - - - Vector 的 grow()，Vector 比 ArrayList多一个属性，扩展因子capacityIncrement，可以扩容大小。当扩容容量增量大于**0**时、新数组长度为原数组长度**+**扩容容量增量、否则新数组长度为原数组长度的**2**倍 - - ```java - private void grow(int minCapacity) { - // overflow-conscious code - int oldCapacity = elementData.length; - // - int newCapacity = oldCapacity + ((capacityIncrement > 0) ? - capacityIncrement : oldCapacity); - if (newCapacity - minCapacity < 0) - newCapacity = minCapacity; - if (newCapacity - MAX_ARRAY_SIZE > 0) - newCapacity = hugeCapacity(minCapacity); - elementData = Arrays.copyOf(elementData, newCapacity); - } - ``` - - - -## ArrayList 与 LinkedList 区别 - -- 是否保证线程安全： ArrayList 和 LinkedList 都是不同步的，也就是不保证线程安全； -- **底层数据结构**： Arraylist 底层使用的是 Object 数组；LinkedList 底层使用的是**双向循环链表**数据结构； -- **插入和删除是否受元素位置的影响：** - - **ArrayList 采用数组存储，所以插入和删除元素的时间复杂度受元素位置的影响。** 比如：执行 `add(E e)`方法的时候， ArrayList 会默认在将指定的元素追加到此列表的末尾，这种情况时间复杂度就是O(1)。但是如果要在指定位置 i 插入和删除元素的话（ `add(intindex,E element)`）时间复杂度就为 O(n-i)。因为在进行上述操作的时候集合中第 i 和第 i 个元素之后的(n-i)个元素都要执行向后位/向前移一位的操作。 - - **LinkedList 采用链表存储，所以插入，删除元素时间复杂度不受元素位置的影响，都是近似 $O(1)$，而数组为近似 $O(n)$。** - - ArrayList 一般应用于查询较多但插入以及删除较少情况，如果插入以及删除较多则建议使用 LinkedList -- **是否支持快速随机访问**： LinkedList 不支持高效的随机元素访问，而 ArrayList 实现了 RandomAccess 接口，所以有随机访问功能。快速随机访问就是通过元素的序号快速获取元素对象(对应于 `get(intindex)`方法)。 -- **内存空间占用**： ArrayList 的空间浪费主要体现在在 list 列表的结尾会预留一定的容量空间，而 LinkedList 的空间花费则体现在它的每一个元素都需要消耗比 ArrayList 更多的空间（因为要存放直接后继和直接前驱以及数据）。 - - - -高级工程师的我，可不得看看源码，具体分析下： - -- ArrayList 工作原理其实很简单，底层是动态数组，每次创建一个 ArrayList 实例时会分配一个初始容量（没有指定初始容量的话，默认是 10），以 add 方法为例，如果没有指定初始容量，当执行 add 方法，先判断当前数组是否为空，如果为空则给保存对象的数组分配一个最小容量，默认为 10。当添加大容量元素时，会先增加数组的大小，以提高添加的效率； - -- LinkedList 是有序并且支持元素重复的集合，底层是基于双向链表的，即每个节点既包含指向其后继的引用也包括指向其前驱的引用。链表无容量限制，但双向链表本身使用了更多空间，也需要额外的链表指针操作。按下标访问元素 `get(i)/set(i,e)` 要悲剧的遍历链表将指针移动到位(如果i>数组大小的一半，会从末尾移起)。插入、删除元素时修改前后节点的指针即可，但还是要遍历部分链表的指针才能移动到下标所指的位置，只有在链表两头的操作`add()`， `addFirst()`，`removeLast()`或用 `iterator()` 上的 `remove()` 能省掉指针的移动。此外 LinkedList 还实现了 Deque（继承自Queue接口）接口，可以当做队列使用。 - -不会囊括所有方法，只是为了学习，记录思想。 - -ArrayList 和 LinkedList 两者都实现了 List 接口 - -```java -public class ArrayList extends AbstractList - implements List, RandomAccess, Cloneable, java.io.Serializable{ -``` - -```java -public class LinkedList - extends AbstractSequentialList - implements List, Deque, Cloneable, java.io.Serializable -``` - -### 构造器 - -ArrayList 提供了 3 个构造器，①无参构造器 ②带初始容量构造器 ③参数为集合构造器 - -```java -public class ArrayList extends AbstractList - implements List, RandomAccess, Cloneable, java.io.Serializable{ - -public ArrayList(int initialCapacity) { - if (initialCapacity > 0) { - // 创建初始容量的数组 - this.elementData = new Object[initialCapacity]; - } else if (initialCapacity == 0) { - this.elementData = EMPTY_ELEMENTDATA; - } else { - throw new IllegalArgumentException("Illegal Capacity: "+initialCapacity); - } -} -public ArrayList() { - // 默认为空数组 - this.elementData = DEFAULTCAPACITY_EMPTY_ELEMENTDATA; -} - -public ArrayList(Collection c) { //...} -} -``` - -LinkedList 提供了 2 个构造器，因为基于链表，所以也就没有初始化大小，也没有扩容的机制，就是一直在前面或者后面插插插~~ - -```java -public LinkedList() { -} - -public LinkedList(Collection c) { - this(); - addAll(c); -} -// LinkedList 既然作为链表，那么肯定会有节点 -private static class Node { - E item; - Node next; - Node prev; - - Node(Node prev, E element, Node next) { - this.item = element; - this.next = next; - this.prev = prev; - } -} -``` - -### 插入 - -**ArrayList**: - -```java -public boolean add(E e) { - // 确保数组的容量，保证可以添加该元素 - ensureCapacityInternal(size + 1); // Increments modCount!! - // 将该元素放入数组中 - elementData[size++] = e; - return true; -} -private void ensureCapacityInternal(int minCapacity) { - // 如果数组是空的，那么会初始化该数组 - if (elementData == DEFAULTCAPACITY_EMPTY_ELEMENTDATA) { - // DEFAULT_CAPACITY 为 10,所以调用无参默认 ArrayList 构造方法初始化的话，默认的数组容量为 10 - minCapacity = Math.max(DEFAULT_CAPACITY, minCapacity); - } - - ensureExplicitCapacity(minCapacity); -} - -private void ensureExplicitCapacity(int minCapacity) { - modCount++; - - // 确保数组的容量，如果不够的话，调用 grow 方法扩容 - if (minCapacity - elementData.length > 0) - grow(minCapacity); -} -//扩容具体的方法 -private void grow(int minCapacity) { - // 当前数组的容量 - int oldCapacity = elementData.length; - // 新数组扩容为原来容量的 1.5 倍 - int newCapacity = oldCapacity + (oldCapacity >> 1); - // 如果新数组扩容容量还是比最少需要的容量还要小的话，就设置扩充容量为最小需要的容量 - if (newCapacity - minCapacity < 0) - newCapacity = minCapacity; - //判断新数组容量是否已经超出最大数组范围，MAX_ARRAY_SIZE = Integer.MAX_VALUE - 8 - if (newCapacity - MAX_ARRAY_SIZE > 0) - newCapacity = hugeCapacity(minCapacity); - // minCapacity is usually close to size, so this is a win: - // 复制元素到新的数组中 - elementData = Arrays.copyOf(elementData, newCapacity); -} -``` - -当然也可以插入指定位置，还有一个重载的方法 `add(int index, E element)` - -```java -public void add(int index, E element) { - // 判断 index 有没有超出索引的范围 - rangeCheckForAdd(index); - // 和之前的操作是一样的，都是保证数组的容量足够 - ensureCapacityInternal(size + 1); // Increments modCount!! - // 将指定位置及其后面数据向后移动一位 - System.arraycopy(elementData, index, elementData, index + 1, - size - index); - // 将该元素添加到指定的数组位置 - elementData[index] = element; - // ArrayList 的大小改变 - size++; -} -``` - -可以看到每次插入指定位置都要移动元素，效率较低。 - -再来看 **LinkedList** 的插入，也有插入末尾，插入指定位置两种，由于基于链表，肯定得先有个 Node - -```java -private static class Node { - E item; - Node next; - Node prev; - - Node(Node prev, E element, Node next) { - this.item = element; - this.next = next; - this.prev = prev; - } -} -``` - -```java -public boolean add(E e) { - // 直接往队尾加元素 - linkLast(e); - return true; -} - -void linkLast(E e) { - // 保存原来链表尾部节点，last 是全局变量，用来表示队尾元素 - final Node l = last; - // 为该元素 e 新建一个节点 - final Node newNode = new Node<>(l, e, null); - // 将新节点设为队尾 - last = newNode; - // 如果原来的队尾元素为空，那么说明原来的整个列表是空的，就把新节点赋值给头结点 - if (l == null) - first = newNode; - else - // 原来尾结点的后面为新生成的结点 - l.next = newNode; - // 节点数 +1 - size++; - modCount++; -} - -public void add(int index, E element) { - // 检查 index 有没有超出索引范围 - checkPositionIndex(index); - // 如果追加到尾部，那么就跟 add(E e) 一样了 - if (index == size) - linkLast(element); - else - // 否则就是插在其他位置 - linkBefore(element, node(index)); -} - -//linkBefore方法中调用了这个node方法，类似二分查找的优化 -Node node(int index) { - // assert isElementIndex(index); - // 如果 index 在前半段，从前往后遍历获取 node - if (index < (size >> 1)) { - Node x = first; - for (int i = 0; i < index; i++) - x = x.next; - return x; - } else { - // 如果 index 在后半段，从后往前遍历获取 node - Node x = last; - for (int i = size - 1; i > index; i--) - x = x.prev; - return x; - } -} - -void linkBefore(E e, Node succ) { - // assert succ != null; - // 保存 index 节点的前节点 - final Node pred = succ.prev; - // 新建一个目标节点 - final Node newNode = new Node<>(pred, e, succ); - succ.prev = newNode; - // 如果是在开头处插入的话 - if (pred == null) - first = newNode; - else - pred.next = newNode; - size++; - modCount++; -} -``` - -### 获取 - -**ArrayList** 的 get() 方法很简单，就是在数组中返回指定位置的元素即可，所以效率很高 - -```java -public E get(int index) { - // 检查 index 有没有超出索引的范围 - rangeCheck(index); - // 返回指定位置的元素 - return elementData(index); -} -``` - -**LinkedList** 的 get() 方法，就是在内部调用了上边看到的 node() 方法，判断在前半段还是在后半段，然后遍历得到即可。 - -```java -public E get(int index) { - checkElementIndex(index); - return node(index).item; -} -``` - ------- - - - -## Hash冲突及解决办法 - -解决哈希冲突的方法一般有：开放定址法、链地址法（拉链法）、再哈希法、建立公共溢出区等方法。 - -> - 开放定址法：从发生冲突的那个单元起，按照一定的次序，从哈希表中找到一个空闲的单元。然后把发生冲突的元素存入到该单元的一种方法。开放定址法需要的表长度要大于等于所需要存放的元素。 -> - 链接地址法（拉链法）：是将哈希值相同的元素构成一个同义词的单链表，并将单链表的头指针存放在哈希表的第i个单元中，查找、插入和删除主要在同义词链表中进行。（链表法适用于经常进行插入和删除的情况） -> - 再哈希法：就是同时构造多个不同的哈希函数： Hi = RHi(key) i= 1,2,3 … k; 当H1 = RH1(key) 发生冲突时，再用H2 = RH2(key) 进行计算，直到冲突不再产生，这种方法不易产生聚集，但是增加了计算时间 -> - 建立公共溢出区：将哈希表分为公共表和溢出表，当溢出发生时，将所有溢出数据统一放到溢出区 - - - -## HashMap的底层实现 - -> 什么时候会使用HashMap？他有什么特点？ -> -> 你知道HashMap的工作原理吗？ -> -> 你知道get和put的原理吗？equals()和hashCode()的都有什么作用？ -> -> 你知道hash的实现吗？为什么要这样实现？ -> -> 如果HashMap的大小超过了负载因子(load factor)定义的容量，怎么办？ - -HashMap 在 JDK 7 和 JDK8 中的实现方式略有不同。分开记录。 - -深入 HahsMap 之前，先要了解的概念 - -1. initialCapacity：初始容量。指的是 HashMap 集合初始化的时候自身的容量。可以在构造方法中指定；如果不指定的话，总容量默认值是 16 。需要注意的是初始容量必须是 2 的幂次方。（**1.7中，已知HashMap中将要存放的KV个数的时候，设置一个合理的初始化容量可以有效的提高性能**） - - ```java - static final int DEFAULT_INITIAL_CAPACITY = 1 << 4; // aka 16 - ``` - -2. size：当前 HashMap 中已经存储着的键值对数量，即 `HashMap.size()` 。 - -3. loadFactor：加载因子。所谓的加载因子就是 HashMap (当前的容量/总容量) 到达一定值的时候，HashMap 会实施扩容。加载因子也可以通过构造方法中指定，默认的值是 0.75 。举个例子，假设有一个 HashMap 的初始容量为 16 ，那么扩容的阀值就是 0.75 * 16 = 12 。也就是说，在你打算存入第 13 个值的时候，HashMap 会先执行扩容。 - -4. threshold：扩容阀值。即 扩容阀值 = HashMap 总容量 * 加载因子（默认是12）。当前 HashMap 的容量大于或等于扩容阀值的时候就会去执行扩容。扩容的容量为当前 HashMap 总容量的两倍。比如，当前 HashMap 的总容量为 16 ，那么扩容之后为 32 。 - -5. table：Entry 数组。我们都知道 HashMap 内部存储 key/value 是通过 Entry 这个介质来实现的。而 table 就是 Entry 数组。 - -### JDK1.7 实现 - -JDK1.7 中 HashMap 由 **数组+链表** 组成（**“链表散列”** 即数组和链表的结合体），数组是 HashMap 的主体，链表则是主要为了解决哈希冲突而存在的（HashMap 采用 **“拉链法也就是链地址法”** 解决冲突），如果定位到的数组位置不含链表（当前 entry 的 next 指向 null ），那么对于查找，添加等操作很快，仅需一次寻址即可；如果定位到的数组包含链表，对于添加操作，其时间复杂度依然为 $O(1)$，因为最新的 Entry 会插入链表头部，即需要简单改变引用链即可，而对于查找操作来讲，此时就需要遍历链表，然后通过 key 对象的 equals 方法逐一比对查找。 - -> 所谓 **“拉链法”** 就是将链表和数组相结合。也就是说创建一个链表数组，数组中每一格就是一个链表。若遇到哈希冲突，则将冲突的值加到链表中即可。 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdx45a2fbbj31dz0oaacx.jpg) - -#### 源码解析 - -##### 构造方法 - -《阿里巴巴 Java 开发手册》推荐集合初始化时，指定集合初始值大小。（说明：HashMap 使用HashMap(int initialCapacity) 初始化）建议原因： https://www.zhihu.com/question/314006228/answer/611170521 - -```java -// 默认的构造方法使用的都是默认的初始容量和加载因子 -// DEFAULT_INITIAL_CAPACITY = 16，DEFAULT_LOAD_FACTOR = 0.75f -public HashMap() { - this(DEFAULT_INITIAL_CAPACITY, DEFAULT_LOAD_FACTOR); -} - -// 可以指定初始容量，并且使用默认的加载因子 -public HashMap(int initialCapacity) { - this(initialCapacity, DEFAULT_LOAD_FACTOR); -} - -public HashMap(int initialCapacity, float loadFactor) { - // 对初始容量的值判断 - if (initialCapacity < 0) - throw new IllegalArgumentException("Illegal initial capacity: " + - initialCapacity); - if (initialCapacity > MAXIMUM_CAPACITY) - initialCapacity = MAXIMUM_CAPACITY; - if (loadFactor <= 0 || Float.isNaN(loadFactor)) - throw new IllegalArgumentException("Illegal load factor: " + - loadFactor); - // 设置加载因子 - this.loadFactor = loadFactor; - threshold = initialCapacity; - // 空方法 - init(); -} - -public HashMap(Map m) { - this(Math.max((int) (m.size() / DEFAULT_LOAD_FACTOR) + 1, - DEFAULT_INITIAL_CAPACITY), DEFAULT_LOAD_FACTOR); - inflateTable(threshold); - putAllForCreate(m); -} -``` - -HashMap 的前 3 个构造方法最后都会去调用 `HashMap(int initialCapacity, float loadFactor)` 。在其内部去设置初始容量和加载因子。而最后的 `init()` 是空方法，主要给子类实现，比如LinkedHashMap。 - -##### put() 方法 - -```java -public V put(K key, V value) { - // 如果 table 数组为空时先创建数组，并且设置扩容阀值 - if (table == EMPTY_TABLE) { - inflateTable(threshold); - } - // 如果 key 为空时，调用 putForNullKey 方法特殊处理 - if (key == null) - return putForNullKey(value); - // 计算 key 的哈希值 - int hash = hash(key); - // 根据计算出来的哈希值和当前数组的长度计算在数组中的索引 - int i = indexFor(hash, table.length); - // 先遍历该数组索引下的整条链表 - // 如果该 key 之前已经在 HashMap 中存储了的话，直接替换对应的 value 值即可 - for (Entry e = table[i]; e != null; e = e.next) { - Object k; - //先判断hash值是否一样，如果一样，再判断key是否一样，不同对象的hash值可能一样 - if (e.hash == hash && ((k = e.key) == key || key.equals(k))) { - V oldValue = e.value; - e.value = value; - e.recordAccess(this); - return oldValue; - } - } - - modCount++; - // 如果该 key 之前没有被存储过，那么就进入 addEntry 方法 - addEntry(hash, key, value, i); - return null; -} - -void addEntry(int hash, K key, V value, int bucketIndex) { - // 当前容量大于或等于扩容阀值的时候，会执行扩容 - if ((size >= threshold) && (null != table[bucketIndex])) { - // 扩容为原来容量的两倍 - resize(2 * table.length); - // 重新计算哈希值 - hash = (null != key) ? hash(key) : 0; - // 重新得到在新数组中的索引 - bucketIndex = indexFor(hash, table.length); - } - // 创建节点 - createEntry(hash, key, value, bucketIndex); -} - -//扩容，创建了一个新的数组，然后把数据全部复制过去，再把新数组的引用赋给 table -void resize(int newCapacity) { - Entry[] oldTable = table; //引用扩容前的Entry数组 - int oldCapacity = oldTable.length; - if (oldCapacity == MAXIMUM_CAPACITY) { //扩容前的数组大小如果已经达到最大(2^30)了 - threshold = Integer.MAX_VALUE; //修改阈值为int的最大值(2^31-1)，这样以后就不会扩容了 - return; - } - // 创建新的 entry 数组 - Entry[] newTable = new Entry[newCapacity]; - // 将旧 entry 数组中的数据复制到新 entry 数组中 - transfer(newTable, initHashSeedAsNeeded(newCapacity)); - // 将新数组的引用赋给 table - table = newTable; - // 计算新的扩容阀值 - threshold = (int)Math.min(newCapacity * loadFactor, MAXIMUM_CAPACITY + 1); -} - -void transfer(Entry[] newTable) { - Entry[] src = table; //src引用了旧的Entry数组 - int newCapacity = newTable.length; - for (int j = 0; j < src.length; j++) { //遍历旧的Entry数组 - Entry e = src[j]; //取得旧Entry数组的每个元素 - if (e != null) { - src[j] = null;//释放旧Entry数组的对象引用（for循环后，旧的Entry数组不再引用任何对象） - do { - Entry next = e.next; - int i = indexFor(e.hash, newCapacity); //！！重新计算每个元素在数组中的位置 - e.next = newTable[i]; //标记[1] - newTable[i] = e; //将元素放在数组上 - e = next; //访问下一个Entry链上的元素 - } while (e != null); - } - } -} - -void createEntry(int hash, K key, V value, int bucketIndex) { - // 取出table中下标为bucketIndex的Entry - Entry e = table[bucketIndex]; - // 利用key、value来构建新的Entry - // 并且之前存放在table[bucketIndex]处的Entry作为新Entry的next - // 把新创建的Entry放到table[bucketIndex]位置 - table[bucketIndex] = new Entry<>(hash, key, value, e); - // 当前 HashMap 的容量加 1 - size++; -} -``` - -最后的 `createEntry()` 方法就说明了当 hash 冲突时，采用的拉链法来解决 hash 冲突的，并且是把新元素插入到单链表的表头。 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdx45xr0x5j31hl0u0ncd.jpg) - -##### get() 方法 - -```java -public V get(Object key) { - // 如果 key 是空的，就调用 getForNullKey 方法特殊处理 - if (key == null) - return getForNullKey(); - // 获取 key 相对应的 entry - Entry entry = getEntry(key); - - return null == entry ? null : entry.getValue(); -} - -//找到对应 key 的数组索引，然后遍历链表查找即可 -final Entry getEntry(Object key) { - if (size == 0) { - return null; - } - // 计算 key 的哈希值 - int hash = (key == null) ? 0 : hash(key); - // 得到数组的索引，然后遍历链表，查看是否有相同 key 的 Entry - for (Entry e = table[indexFor(hash, table.length)]; - e != null; - e = e.next) { - Object k; - if (e.hash == hash && - ((k = e.key) == key || (key != null && key.equals(k)))) - return e; - } - // 没有的话，返回 null - return null; -} -``` - -### JDK1.8 实现 - -JDK 1.7 中，如果哈希碰撞过多，拉链过长，极端情况下，所有值都落入了同一个桶内，这就退化成了一个链表。通过 key 值查找要遍历链表，效率较低。 JDK1.8 在解决哈希冲突时有了较大的变化，**当链表长度大于阈值（默认为8）时，将链表转化为红黑树**，以减少搜索时间。 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdx468uknnj31650ogjth.jpg) - -TreeMap、TreeSet 以及 JDK1.8 之后的 HashMap 底层都用到了红黑树。红黑树就是为了解决二叉查找树的缺陷，因为二叉查找树在某些情况下会退化成一个线性结构。 - -#### 源码解析 - -##### 构造方法 - -JDK8 构造方法改动不是很大 - -```java -public HashMap() { - this.loadFactor = DEFAULT_LOAD_FACTOR; // all other fields defaulted -} - -public HashMap(int initialCapacity) { - this(initialCapacity, DEFAULT_LOAD_FACTOR); -} - -public HashMap(int initialCapacity, float loadFactor) { - if (initialCapacity < 0) - throw new IllegalArgumentException("Illegal initial capacity: " + - initialCapacity); - if (initialCapacity > MAXIMUM_CAPACITY) - initialCapacity = MAXIMUM_CAPACITY; - if (loadFactor <= 0 || Float.isNaN(loadFactor)) - throw new IllegalArgumentException("Illegal load factor: " + - loadFactor); - this.loadFactor = loadFactor; - this.threshold = tableSizeFor(initialCapacity); -} - -public HashMap(Map m) { - this.loadFactor = DEFAULT_LOAD_FACTOR; - putMapEntries(m, false); -} -``` - -##### 确定哈希桶数组索引位置（hash 函数的实现） - -```java -//方法一： -static final int hash(Object key) { //jdk1.8 & jdk1.7 - int h; - // h = key.hashCode() 为第一步 取hashCode值 - // h ^ (h >>> 16) 为第二步 高位参与运算 - return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16); -} -//方法二： -static int indexFor(int h, int length) { //jdk1.7的源码，jdk1.8没有提取这个方法，而是放在了其他方法中，比如 put 的p = tab[i = (n - 1) & hash] - return h & (length-1); //第三步 取模运算 -} -``` - -HashMap 定位数组索引位置，直接决定了 hash 方法的离散性能。Hash 算法本质上就是三步：**取key的hashCode值、高位运算、取模运算**。 - -![hash](https://tva1.sinaimg.cn/large/007S8ZIlly1gdwv5m4g4sj30ga09cdfy.jpg) - -> 为什么要这样呢？ - -### HashMap 的长度为什么是 2 的幂次方? - -目的当然是为了减少哈希碰撞，使 table 里的数据分布的更均匀。 - -1. HashMap 中桶数组的大小 length 总是 2 的幂，此时，`h & (table.length -1)` 等价于对 length 取模 `h%length`。但取模的计算效率没有位运算高，所以这是一个优化。假设 `h = 185`，`table.length-1 = 15(0x1111)`，其实散列真正生效的只是低 4bit 的有效位，所以很容易碰撞。 - - ![img](https://tva1.sinaimg.cn/large/007S8ZIlly1gdx46gac50j30m8037mxf.jpg) - -2. 图中的 hash 是由键的 hashCode 产生。计算余数时，由于 n 比较小，hash 只有低 4 位参与了计算，高位的计算可以认为是无效的。这样导致了计算结果只与低位信息有关，高位数据没发挥作用。为了处理这个缺陷，我们可以把上图中的 hash 高 4 位数据与低 4 位数据进行异或运算，即 `hash ^ (hash >>> 4)`。通过这种方式，让高位数据与低位数据进行异或，以此加大低位信息的随机性，变相的让高位数据参与到计算中。此时的计算过程如下： - - ![img](https://tva1.sinaimg.cn/large/007S8ZIlly1gdx46jwezjj30m804cjrw.jpg) - - 在 Java 中，hashCode 方法产生的 hash 是 int 类型，32 位宽。前16位为高位，后16位为低位，所以要右移16位，即 `hash ^ (hash >>> 16)` 。这样还增加了 hash 的复杂度，进而影响 hash 的分布性。 - -**HashMap 的长度为什么是 2 的幂次方？** - -为了能让 HashMap 存取高效，尽量减少碰撞，也就是要尽量把数据分配均匀，Hash值的范围是 -2147483648 到 2147483647，前后加起来有 40 亿的映射空间，只要哈希函数映射的比较均匀松散，一般应用是很难出现碰撞的，但一个问题是 40 亿的数组内存是放不下的。所以这个散列值是不能直接拿来用的。用之前需要先对数组长度取模运算，得到余数才能用来存放位置也就是对应的数组小标。这个数组下标的计算方法是 `(n-1)&hash`，n 代表数组长度。 - -这个算法应该如何设计呢？ - -我们首先可能会想到采用%取余的操作来实现。但是，重点来了。 - -**取余操作中如果除数是2的幂次则等价于其除数减一的与操作**，也就是说 `hash%length=hash&(length-1)`，但前提是 length 是 2 的 n 次方，并且采用 & 运算比 % 运算效率高，这也就解释了 HashMap 的长度为什么是 2 的幂次方。 - -##### get() 方法 - -```java -public V get(Object key) { - Node e; - return (e = getNode(hash(key), key)) == null ? null : e.value; -} - -final Node getNode(int hash, Object key) { - Node[] tab; Node first, e; int n; K k; - //定位键值对所在桶的位置 - if ((tab = table) != null && (n = tab.length) > 0 && - (first = tab[(n - 1) & hash]) != null) { - // 直接命中 - if (first.hash == hash && // always check first node - ((k = first.key) == key || (key != null && key.equals(k)))) - return first; - // 未命中 - if ((e = first.next) != null) { - // 如果 first 是 TreeNode 类型，则调用黑红树查找方法 - if (first instanceof TreeNode) - return ((TreeNode)first).getTreeNode(hash, key); - do { - // 在链表中查找 - if (e.hash == hash && - ((k = e.key) == key || (key != null && key.equals(k)))) - return e; - } while ((e = e.next) != null); - } - } - return null; -} -``` - -##### put() 方法 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdx470vyzej311c0u0120.jpg) - -```java -public V put(K key, V value) { - // 对key的hashCode()做hash - return putVal(hash(key), key, value, false, true); -} - -final V putVal(int hash, K key, V value, boolean onlyIfAbsent, - boolean evict) { - Node[] tab; Node p; int n, i; - // tab为空则创建 - if ((tab = table) == null || (n = tab.length) == 0) - n = (tab = resize()).length; - // 计算index，并对null做处理 - if ((p = tab[i = (n - 1) & hash]) == null) - tab[i] = newNode(hash, key, value, null); - else { - Node e; K k; - // 节点key存在，直接覆盖value - if (p.hash == hash && - ((k = p.key) == key || (key != null && key.equals(k)))) - e = p; - // 判断该链为红黑树 - else if (p instanceof TreeNode) - e = ((TreeNode)p).putTreeVal(this, tab, hash, key, value); - else { - //该链为链表 - for (int binCount = 0; ; ++binCount) { - if ((e = p.next) == null) { - p.next = newNode(hash, key, value, null); - //链表长度大于8转换为红黑树进行处理 - if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st - treeifyBin(tab, hash); - break; - } - //key已经存在直接覆盖value - if (e.hash == hash && - ((k = e.key) == key || (key != null && key.equals(k)))) - break; - p = e; - } - } - if (e != null) { // existing mapping for key - V oldValue = e.value; - if (!onlyIfAbsent || oldValue == null) - e.value = value; - afterNodeAccess(e); - return oldValue; - } - } - ++modCount; - // 超过最大容量 就扩容 - if (++size > threshold) - resize(); - afterNodeInsertion(evict); - return null; -} -``` - -> HashMap 的 put 方法的具体流程？ - -①.判断键值对数组table[i]是否为空或为null，否则执行resize()进行扩容； - -②.根据键值key计算hash值得到插入的数组索引i，如果table[i]==null，直接新建节点添加，转向⑥，如果table[i]不为空，转向③； - -③.判断table[i]的首个元素是否和key一样，如果相同直接覆盖value，否则转向④，这里的相同指的是hashCode以及equals； - -④.判断table[i] 是否为treeNode，即table[i] 是否是红黑树，如果是红黑树，则直接在树中插入键值对，否则转向⑤； - -⑤.遍历table[i]，判断链表长度是否大于8（还会判断数组长度是否大于等于64），大于8的话把链表转换为红黑树，在红黑树中执行插入操作，否则进行链表的插入操作；遍历过程中若发现key已经存在直接覆盖value即可； - -⑥.插入成功后，判断实际存在的键值对数量size是否超多了最大容量threshold，如果超过，进行扩容。 - -##### resize() 扩容 - -```java -final Node[] resize() { - Node[] oldTab = table; - int oldCap = (oldTab == null) ? 0 : oldTab.length; - int oldThr = threshold; - int newCap, newThr = 0; - if (oldCap > 0) { - // 超过最大值就不再扩充了，就只好随你碰撞了 - if (oldCap >= MAXIMUM_CAPACITY) { - //修改阈值为int的最大值(2^31-1)，这样以后就不会扩容了 - threshold = Integer.MAX_VALUE; - return oldTab; - } - // 没超过最大值，就扩充为原来的2倍 - else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY && - oldCap >= DEFAULT_INITIAL_CAPACITY) - newThr = oldThr << 1; // double threshold - } - else if (oldThr > 0) // initial capacity was placed in threshold - newCap = oldThr; - else { // zero initial threshold signifies using defaults - newCap = DEFAULT_INITIAL_CAPACITY; - newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY); - } - // 计算新的resize上限 - if (newThr == 0) { - float ft = (float)newCap * loadFactor; - newThr = (newCap < MAXIMUM_CAPACITY && ft < (float)MAXIMUM_CAPACITY ? - (int)ft : Integer.MAX_VALUE); - } - threshold = newThr; - // 开始复制到新的数组 - @SuppressWarnings({"rawtypes","unchecked"}) - Node[] newTab = (Node[])new Node[newCap]; - table = newTab; - // 把每个bucket都移动到新的buckets中 - if (oldTab != null) { - // 循环遍历旧的 table 数组 - for (int j = 0; j < oldCap; ++j) { - Node e; - if ((e = oldTab[j]) != null) { - oldTab[j] = null; - // 如果该桶只有一个元素，那么直接复制 - if (e.next == null) - newTab[e.hash & (newCap - 1)] = e; - // 如果是红黑树，那么对红黑树进行拆分 - else if (e instanceof TreeNode) - ((TreeNode)e).split(this, newTab, j, oldCap); - // 遍历链表，将原链表节点分成lo和hi两个链表 - // 其中 lo 表示在原来的桶位置，hi 表示在新的桶位置 - else { // preserve order 链表优化重hash的代码块 - Node loHead = null, loTail = null; - Node hiHead = null, hiTail = null; - Node next; - do { - // 原索引 - next = e.next; - if ((e.hash & oldCap) == 0) { - if (loTail == null) - loHead = e; - else - loTail.next = e; - loTail = e; - } - // 原索引+oldCap - else { - if (hiTail == null) - hiHead = e; - else - hiTail.next = e; - hiTail = e; - } - } while ((e = next) != null); - // 原索引放到bucket里 - if (loTail != null) { - loTail.next = null; - newTab[j] = loHead; - } - // 原索引+oldCap放到bucket里 - if (hiTail != null) { - hiTail.next = null; - newTab[j + oldCap] = hiHead; - } - } - } - } - } - return newTab; -} -``` - -### HashMap的扩容操作是怎么实现的？ - -1. 在 jdk1.8 中，resize 方法是在 HashMap 中的键值对大于阀值时或者初始化时，就调用 resize 方法进行扩容； -2. 每次扩展的时候，都是扩展 2 倍； -3. 扩展后 Node 对象的位置要么在原位置，要么移动到原偏移量两倍的位置。 - -在 `putVal()` 中，我们看到在这个函数里面使用到了2次 `resize()` 方法，`resize()` 方法表示在进行第一次初始化时会对其进行扩容，或者当该数组的实际大小大于其扩容阈值（第一次为0.75 * 16 = 12），这个时候在扩容的同时也会伴随的桶上面的元素进行重新分发，这也是JDK1.8版本的一个优化的地方，在1.7中，扩容之后需要重新去计算其Hash值，根据Hash值对其进行分发，但在1.8 版本中，则是根据在同一个桶的位置中进行判断(e.hash & oldCap)是否为0，重新进行hash分配后，该元素的位置要么停留在原始位置，要么移动到原始位置+增加的数组大小这个位置上 - - - -##### 链表树化 - -当桶中链表长度超过 TREEIFY_THRESHOLD（默认为8）时，就会调用 treeifyBin 方法进行树化操作。但此时并不一定会树化，因为在 treeifyBin 方法中还会判断 HashMap 的容量是否大于等于 64。如果容量大于等于 64，那么进行树化，否则优先进行扩容。 - -为什么树化还要判断整体容量是否大于 64 呢？ - -当桶数组容量比较小时，键值对节点 hash 的碰撞率可能会比较高，进而导致链表长度较长，从而导致查询效率低下。这时候我们有两种选择，一种是扩容，让哈希碰撞率低一些。另一种是树化，提高查询效率。 - -如果我们采用扩容，那么我们需要做的就是做一次链表数据的复制。而如果我们采用树化，那么我们需要将链表转化成红黑树。到这里，貌似没有什么太大的区别，但我们让场景继续延伸下去。当插入的数据越来越多，我们会发现需要转化成树的链表越来越多。 - -到了一定容量，我们就需要进行扩容了。这个时候我们有许多树化的红黑树，在扩容之时，我们需要将许多的红黑树拆分成链表，这是一个挺大的成本。而如果我们在容量小的时候就进行扩容，那么需要树化的链表就越少，我们扩容的成本也就越低。 - -接下来我们看看链表树化是怎么做的： - -```java -final void treeifyBin(Node[] tab, int hash) { - int n, index; Node e; - // 1. 容量小于 MIN_TREEIFY_CAPACITY，优先扩容 - if (tab == null || (n = tab.length) < MIN_TREEIFY_CAPACITY) - resize(); - // 2. 桶不为空，那么进行树化操作 - else if ((e = tab[index = (n - 1) & hash]) != null) { - TreeNode hd = null, tl = null; - // 2.1 先将链表转成 TreeNode 表示的双向链表 - do { - TreeNode p = replacementTreeNode(e, null); - if (tl == null) - hd = p; - else { - p.prev = tl; - tl.next = p; - } - tl = p; - } while ((e = e.next) != null); - // 2.2 将 TreeNode 表示的双向链表树化 - if ((tab[index] = hd) != null) - hd.treeify(tab); - } -} -``` - -我们可以看到链表树化的整体思路也比较清晰。首先将链表转成 TreeNode 表示的双向链表，之后再调用 `treeify()` 方法进行树化操作。那么我们继续看看 `treeify()` 方法的实现。 - -```java -final void treeify(Node[] tab) { - TreeNode root = null; - // 1. 遍历双向 TreeNode 链表，将 TreeNode 节点一个个插入 - for (TreeNode x = this, next; x != null; x = next) { - next = (TreeNode)x.next; - x.left = x.right = null; - // 2. 如果 root 节点为空，那么直接将 x 节点设置为根节点 - if (root == null) { - x.parent = null; - x.red = false; - root = x; - } - else { - K k = x.key; - int h = x.hash; - Class kc = null; - // 3. 如果 root 节点不为空，那么进行比较并在合适的地方插入 - for (TreeNode p = root;;) { - int dir, ph; - K pk = p.key; - // 4. 计算 dir 值，-1 表示要从左子树查找插入点，1表示从右子树 - if ((ph = p.hash) > h) - dir = -1; - else if (ph < h) - dir = 1; - else if ((kc == null && - (kc = comparableClassFor(k)) == null) || - (dir = compareComparables(kc, k, pk)) == 0) - dir = tieBreakOrder(k, pk); - - TreeNode xp = p; - // 5. 如果查找到一个 p 点，这个点是叶子节点 - // 那么这个就是插入位置 - if ((p = (dir <= 0) ? p.left : p.right) == null) { - x.parent = xp; - if (dir <= 0) - xp.left = x; - else - xp.right = x; - // 做插入后的动平衡 - root = balanceInsertion(root, x); - break; - } - } - } - } - // 6.将 root 节点移动到链表头 - moveRootToFront(tab, root); -} -``` - -从上面代码可以看到，treeify() 方法其实就是将双向 TreeNode 链表进一步树化成红黑树。其中大致的步骤为： - -- 遍历 TreeNode 双向链表，将 TreeNode 节点一个个插入 -- 如果 root 节点为空，那么表示红黑树现在为空，直接将该节点作为根节点。否则需要查找到合适的位置去插入 TreeNode 节点。 -- 通过比较与 root 节点的位置，不断寻找最合适的点。如果最终该节点的叶子节点为空，那么该节点 p 就是插入节点的父节点。接着，将 x 节点的 parent 引用指向 xp 节点，xp 节点的左子节点或右子节点指向 x 节点。 -- 接着，调用 balanceInsertion 做一次动态平衡。 -- 最后，调用 moveRootToFront 方法将 root 节点移动到链表头。 - -关于 balanceInsertion() 动平衡可以参考红黑树的插入动平衡，这里暂不深入讲解。最后我们继续看看 moveRootToFront 方法。 - -```java -static void moveRootToFront(Node[] tab, TreeNode root) { - int n; - if (root != null && tab != null && (n = tab.length) > 0) { - int index = (n - 1) & root.hash; - TreeNode first = (TreeNode)tab[index]; - // 如果插入红黑树的 root 节点不是链表的第一个元素 - // 那么将 root 节点取出来，插在 first 节点前面 - if (root != first) { - Node rn; - tab[index] = root; - TreeNode rp = root.prev; - // 下面的两个 if 语句，做的事情是将 root 节点取出来 - // 让 root 节点的前继指向其后继节点 - // 让 root 节点的后继指向其前继节点 - if ((rn = root.next) != null) - ((TreeNode)rn).prev = rp; - if (rp != null) - rp.next = rn; - // 这里直接让 root 节点插入到 first 节点前方 - if (first != null) - first.prev = root; - root.next = first; - root.prev = null; - } - assert checkInvariants(root); - } -} -``` - -##### 红黑树拆分 - -扩容后，普通节点需要重新映射，红黑树节点也不例外。按照一般的思路，我们可以先把红黑树转成链表，之后再重新映射链表即可。但因为红黑树插入的时候，TreeNode 保存了元素插入的顺序，所以直接可以按照插入顺序还原成链表。这样就避免了将红黑树转成链表后再进行哈希映射，无形中提高了效率。 - -```java -final void split(HashMap map, Node[] tab, int index, int bit) { - TreeNode b = this; - // Relink into lo and hi lists, preserving order - TreeNode loHead = null, loTail = null; - TreeNode hiHead = null, hiTail = null; - int lc = 0, hc = 0; - // 1. 将红黑树当成是一个 TreeNode 组成的双向链表 - // 按照链表扩容一样，分别放入 loHead 和 hiHead 开头的链表中 - for (TreeNode e = b, next; e != null; e = next) { - next = (TreeNode)e.next; - e.next = null; - // 1.1. 扩容后的位置不变，还是原来的位置，该节点放入 loHead 链表 - if ((e.hash & bit) == 0) { - if ((e.prev = loTail) == null) - loHead = e; - else - loTail.next = e; - loTail = e; - ++lc; - } - // 1.2 扩容后的位置改变了，放入 hiHead 链表 - else { - if ((e.prev = hiTail) == null) - hiHead = e; - else - hiTail.next = e; - hiTail = e; - ++hc; - } - } - // 2. 对 loHead 和 hiHead 进行树化或链表化 - if (loHead != null) { - // 2.1 如果链表长度小于阈值，那就链表化，否则树化 - if (lc <= UNTREEIFY_THRESHOLD) - tab[index] = loHead.untreeify(map); - else { - tab[index] = loHead; - if (hiHead != null) // (else is already treeified) - loHead.treeify(tab); - } - } - if (hiHead != null) { - if (hc <= UNTREEIFY_THRESHOLD) - tab[index + bit] = hiHead.untreeify(map); - else { - tab[index + bit] = hiHead; - if (loHead != null) - hiHead.treeify(tab); - } - } -} -``` - -从上面的代码我们知道红黑树的扩容也和链表的转移是一样的，不同的是其转化成 hiHead 和 loHead 之后，会根据链表长度选择拆分成链表还是继承维持红黑树的结构。 - -##### 红黑树链化 - -我们在说到红黑树拆分的时候说到，红黑树结构在扩容的时候如果长度低于阈值，那么就会将其转化成链表。其实现代码如下： - -```java -final Node untreeify(HashMap map) { - Node hd = null, tl = null; - for (Node q = this; q != null; q = q.next) { - Node p = map.replacementNode(q, null); - if (tl == null) - hd = p; - else - tl.next = p; - tl = p; - } - return hd; -} -``` - -因为红黑树中包含了插入元素的顺序，所以当我们将红黑树拆分成两个链表 hiHead 和 loHead 时，其还是保持着原来的顺序的。所以此时我们只需要循环遍历一遍，然后将 TreeNode 节点换成 Node 节点即可。 - - - -### 为什么JDK1.8中HashMap从头插入改成尾插入 - -JDK1.7中扩容时，每个元素的rehash之后，都会插入到新数组对应索引的链表头，所以这就导致原链表顺序为A->B->C，扩容之后，rehash之后的链表可能为C->B->A，元素的顺序发生了变化。在并发场景下，**扩容时**可能会出现循环链表的情况。而JDK1.8从头插入改成尾插入元素的顺序不变，避免出现循环链表的情况 - -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h38x7ejwejj20u00bjmxd.jpg) - -> 在扩容时，头插法会改变链表中元素原本的顺序，以至于在并发场景下导致链表成环的问题，而尾插法，在扩容时会保持链表元素原本的顺序，就不会出现链表成环的问题 -> -> ### 死循环执行步骤1 -> -> 死循环是因为并发 HashMap 扩容导致的，并发扩容的第一步，线程 T1 和线程 T2 要对 HashMap 进行扩容操作，此时 T1 和 T2 指向的是链表的头结点元素 A，而 T1 和 T2 的下一个节点，也就是 T1.next 和 T2.next 指向的是 B 节点，如下图所示： -> -> ![](https://tva1.sinaimg.cn/large/e6c9d24ely1h38x6z1svnj20ps0ingm2.jpg) -> -> ### 死循环执行步骤2 -> -> 死循环的第二步操作是，线程 T2 时间片用完进入休眠状态，而线程 T1 开始执行扩容操作，一直到线程 T1 扩容完成后，线程 T2 才被唤醒，扩容之后的场景如下图所示：图片从上图可知线程 T1 执行之后，因为是头插法，所以 HashMap 的顺序已经发生了改变，但线程 T2 对于发生的一切是不可知的，所以它的指向元素依然没变，如上图展示的那样，T2 指向的是 A 元素，T2.next 指向的节点是 B 元素。 -> -> ### 死循环执行步骤3 -> -> 当线程 T1 执行完，而线程 T2 恢复执行时，死循环就建立了，如下图所示： -> -> ![](https://tva1.sinaimg.cn/large/e6c9d24ely1h38x6gq48cj20rw0iwwew.jpg) -> -> 因为 T1 执行完扩容之后 B 节点的下一个节点是 A，而 T2 线程指向的首节点是 A，第二个节点是 B，这个顺序刚好和 T1 扩完容完之后的节点顺序是相反的。T1 执行完之后的顺序是 B 到 A，而 T2 的顺序是 A 到 B，这样 A 节点和 B 节点就形成死循环了，这就是 HashMap 死循环导致的原因。 - -### HashMap 为什么线程不安全 - -1. put 的时候导致的多线程数据不一致。 - 这个问题比较好想象，比如有两个线程 A 和 B，首先 A 希望插入一个 key-value 对到 HashMap 中，首先计算记录所要落到的桶的索引坐标，然后获取到该桶里面的链表头结点，此时线程 A 的时间片用完了，而此时线程 B 被调度得以执行，和线程 A 一样执行，只不过线程 B 成功将记录插到了桶里面，假设线程 A 插入的记录计算出来的桶索引和线程 B 要插入的记录计算出来的桶索引是一样的，那么当线程 B 成功插入之后，线程 A 再次被调度运行时，它依然持有过期的链表头但是它对此一无所知，以至于它认为它应该这样做，如此一来就覆盖了线程 B 插入的记录，这样线程 B 插入的记录就凭空消失了，造成了数据不一致的行为。 - -2. 另外一个比较明显的线程不安全的问题是 HashMap 的 get 操作可能因为 resize 而引起死循环（cpu100%），具体分析如下： - - 下面的代码是resize的核心内容： - -```java -void transfer(Entry[] newTable, boolean rehash) { - int newCapacity = newTable.length; - for (Entry e : table) { - - while(null != e) { - Entry next = e.next; - if (rehash) { - e.hash = null == e.key ? 0 : hash(e.key); - } - int i = indexFor(e.hash, newCapacity); - e.next = newTable[i]; - newTable[i] = e; - e = next; - } - } - } -``` - -具体原因如上题 - - - -### HashMap：JDK1.7 VS JDK1.8 - -JDK1.8主要解决或优化了以下问题： - -- resize 扩容优化 -- 引入了红黑树，目的是避免单条链表过长而影响查询效率 -- 解决了多线程死循环问题，但仍是非线程安全的，多线程时可能会造成数据丢失问题 - -| 不同 | JDK 1.7 | JDK 1.8 | -| ------------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | -| 存储结构 | 数组 + 链表 | 数组 + 链表 + 红黑树 | -| 初始化方式 | 单独函数：inflateTable() | 直接集成到了扩容函数resize()中 | -| hash值计算方式 | 扰动处理 = 9次扰动 = 4次位运算 + 5次异或运算 | 扰动处理 = 2次扰动 = 1次位运算 + 1次异或运算 | -| 存放数据的规则 | 无冲突时，存放数组；冲突时，存放链表 | 无冲突时，存放数组；冲突 & 链表长度 < 8：存放单链表；冲突 & 链表长度 > 8：树化并存放红黑树 | -| 插入数据方式 | 头插法（先将原位置的数据移到后1位，再插入数据到该位置） | 尾插法（直接插入到链表尾部/红黑树） | -| 扩容后存储位置的计算方式 | 全部按照原来方法进行计算（即hashCode ->> 扰动函数 ->> (h&length-1)） | 按照扩容后的规律计算（即扩容后的位置=原位置 or 原位置 + 旧容量 | - ------- - - - -## Hashtable - -Hashtable 和 HashMap 都是散列表，也是用”拉链法“实现的哈希表。保存数据和 JDK7 中的 HashMap 一样，是 Entity 对象，只是 Hashtable 中的几乎所有的 public 方法都是 synchronized 的，而有些方法也是在内部通过 synchronized 代码块来实现，效率肯定会降低。且 put() 方法不允许空值。 - - - -### HashMap 和 Hashtable 的区别 - -1. **线程是否安全：** HashMap 是非线程安全的，HashTable 是线程安全的；HashTable 内部的方法基本都经过 `synchronized` 修饰。（如果你要保证线程安全的话就使用 ConcurrentHashMap 吧！）； - -2. **效率：** 因为线程安全的问题，HashMap 要比 HashTable 效率高一点。另外，HashTable 基本被淘汰，不要在代码中使用它； - -3. **对Null key 和Null value的支持：** HashMap 中，null 可以作为键，这样的键只有一个，可以有一个或多个键所对应的值为 null。。但是在 HashTable 中 put 进的键值只要有一个 null，直接抛出 NullPointerException。 - -4. **初始容量大小和每次扩充容量大小的不同 ：** - - ① 创建时如果不指定容量初始值，Hashtable 默认的初始大小为11，之后每次扩充，容量变为原来的2n+1。HashMap 默认的初始化大小为16。之后每次扩充，容量变为原来的2倍。 - - ② 创建时如果给定了容量初始值，那么 Hashtable 会直接使用你给定的大小，而 HashMap 会将其扩充为2的幂次方大小。也就是说 HashMap 总是使用2的幂次方作为哈希表的大小,后面会介绍到为什么是2的幂次方。 - -5. **底层数据结构：** JDK1.8 以后的 HashMap 在解决哈希冲突时有了较大的变化，当链表长度大于阈值（默认为8）时，将链表转化为红黑树，以减少搜索时间。Hashtable 没有这样的机制。 - -6. HashMap的迭代器（`Iterator`）是fail-fast迭代器，但是 Hashtable的迭代器（`enumerator`）不是 fail-fast的。如果有其它线程对HashMap进行的添加/删除元素，将会抛出`ConcurrentModificationException`，但迭代器本身的`remove`方法移除元素则不会抛出异常。这条同样也是 Enumeration 和 Iterator 的区别。 - - - -#### 了解过 LinkedHashMap、TreeMap 吗 - -LinkedHashMap属于HashMap的子类，与HashMap的区别在于LinkedHashMap保存了记录插入的顺序。TreeMap 实现了 SortedMap接口，TreeMap 有能力对插入的记录根据 key 排序，默认按照升序排序，也可以自定义比较项，在使用 TreeMap 的时候，key 应当实现 Comparable。 - -> 虽然 LinkedHashMap 和 TreeMap 都可以保证某种顺序，但二者还是非常不同的。 -> -> - LinkedHashMap 通常提供的是遍历顺序符合插入顺序，它的实现是通过为条目（键值对）维护一个双向链表。注意，通过特定构造函数，我们可以创建反映访问顺序的实例，所谓的 put、get、compute 等，都算作“访问”。 -> - 对于 TreeMap，它的整体顺序是由键的顺序关系决定的，通过 Comparator 或 Comparable（自然顺序）来决定。 - -## ConcurrentHashMap - -HashMap 在多线程情况下，在 put 的时候，插入的元素超过了容量（由负载因子决定）的范围就会触发扩容操作，就是 resize，这个会重新将原数组的内容重新 hash 到新的扩容数组中，在多线程的环境下，存在同时其他的元素也在进行 put 操作，如果 hash 值相同，可能出现同时在同一数组下用链表表示，造成**闭环**，导致在 get 时会出现死循环，所以 HashMap 是线程不安全的。(可参考：https://www.jianshu.com/p/e2f75c8cce01） - -Hashtable，是线程安全的，它在所有涉及到多线程操作的都加上了 synchronized 关键字来锁住整个 table，这就意味着所有的线程都在竞争一把锁，在多线程的环境下，它是安全的，但是无疑是效率低下的。 - -### JDK1.7 实现 - -Hashtable 容器在竞争激烈的并发环境下表现出效率低下的原因，是因为所有访问 Hashtable 的线程都必须竞争同一把锁，那假如容器里有多把锁，每一把锁用于锁容器其中一部分数据，那么当多线程访问容器里不同数据段的数据时，线程间就不会存在锁竞争，这就是 ConcurrentHashMap 所使用的锁分段技术。 - -在 JDK1.7 版本中，ConcurrentHashMap 的数据结构是由一个 Segment 数组和多个 HashEntry 组成。Segment 数组的意义就是将一个大的 table 分割成多个小的 table 来进行加锁。每一个 Segment 元素存储的是 HashEntry 数组+链表，这个和 HashMap 的数据存储结构一样。 - -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/others/concurrenthashmap-1.7-segment.jpg) - -ConcurrentHashMap 类中包含两个静态内部类 HashEntry 和 Segment。 -HashEntry 用来封装映射表的键值对，Segment 用来充当锁的角色，每个 Segment 对象守护整个散列映射表的若干个桶。每个桶是由若干个 HashEntry 对象链接起来的链表。一个 ConcurrentHashMap 实例中包含由若干个 Segment 对象组成的数组。每个 Segment 守护着一个 HashEntry 数组里的元素，当对 HashEntry 数组的数据进行修改时，必须首先获得它对应的 Segment 锁。 - -#### Segment 类 - -Segment 类继承于 ReentrantLock 类，从而使得 Segment 对象能充当可重入锁的角色。一个 Segment 就是一个子哈希表，Segment 里维护了一个 HashEntry 数组，并发环境下，对于不同 Segment 的数据进行操作是不用考虑锁竞争的。 - -从源码可以看到，Segment 内部类和我们上边看到的 HashMap 很相似。也有负载因子，阈值等各种属性。 - -```java -static final class Segment extends ReentrantLock implements Serializable { - - static final int MAX_SCAN_RETRIES = - Runtime.getRuntime().availableProcessors() > 1 ? 64 : 1; - transient volatile HashEntry[] table; - transient int count; - transient int modCount; //记录修改次数 - transient int threshold; - final float loadFactor; - - Segment(float lf, int threshold, HashEntry[] tab) { - this.loadFactor = lf; - this.threshold = threshold; - this.table = tab; - } - - //put 方法会有加锁操作， - final V put(K key, int hash, V value, boolean onlyIfAbsent) { - HashEntry node = tryLock() ? null : - scanAndLockForPut(key, hash, value); - // ... - } - - @SuppressWarnings("unchecked") - private void rehash(HashEntry node) { - // ... - } - - private HashEntry scanAndLockForPut(K key, int hash, V value) { - //... - } - - private void scanAndLock(Object key, int hash) { - //... - } - - final V remove(Object key, int hash, Object value) { - //... - } - - final boolean replace(K key, int hash, V oldValue, V newValue) { - //... - } - - final V replace(K key, int hash, V value) { - //... - } - - final void clear() { - //... - } -} -``` - -#### HashEntry 类 - -HashEntry 是目前最小的逻辑处理单元。一个 ConcurrentHashMap 维护一个 Segment 数组，一个 Segment 维护一个 HashEntry 数组。 - -```java -static final class HashEntry { - final int hash; - final K key; - volatile V value; // value 为 volatie 类型，保证可见 - volatile HashEntry next; - //... -} -``` - -#### ConcurrentHashMap 类 - -默认的情况下，每个 ConcurrentHashMap 类会创建16个并发的 segment，每个 segment 里面包含多个 Hash表，每个 Hash 链都是由 HashEntry 节点组成的。 - -```java -public class ConcurrentHashMap extends AbstractMap - implements ConcurrentMap, Serializable { - //默认初始容量为 16，即初始默认为 16 个桶 - static final int DEFAULT_INITIAL_CAPACITY = 16; - static final float DEFAULT_LOAD_FACTOR = 0.75f; - //默认并发级别为 16。该值表示当前更新线程的估计数 - static final int DEFAULT_CONCURRENCY_LEVEL = 16; - - static final int MAXIMUM_CAPACITY = 1 << 30; - static final int MIN_SEGMENT_TABLE_CAPACITY = 2; - static final int MAX_SEGMENTS = 1 << 16; // slightly conservative - static final int RETRIES_BEFORE_LOCK = 2; - final int segmentMask; //段掩码,主要为了定位Segment - final int segmentShift; - final Segment[] segments; //主干就是这个分段锁数组 - - //构造器 - public ConcurrentHashMap(int initialCapacity, - float loadFactor, int concurrencyLevel) { - if (!(loadFactor > 0) || initialCapacity < 0 || concurrencyLevel <= 0) - throw new IllegalArgumentException(); - //MAX_SEGMENTS 为1<<16=65536，也就是最大并发数为65536 - if (concurrencyLevel > MAX_SEGMENTS) - concurrencyLevel = MAX_SEGMENTS; - // 2的sshif次方等于ssize，例:ssize=16,sshift=4;ssize=32,sshif=5 - int sshift = 0; - // ssize 为segments数组长度，根据concurrentLevel计算得出 - int ssize = 1; - while (ssize < concurrencyLevel) { - ++sshift; - ssize <<= 1; - } - this.segmentShift = 32 - sshift; - this.segmentMask = ssize - 1; - if (initialCapacity > MAXIMUM_CAPACITY) - initialCapacity = MAXIMUM_CAPACITY; - int c = initialCapacity / ssize; - if (c * ssize < initialCapacity) - ++c; - int cap = MIN_SEGMENT_TABLE_CAPACITY; - while (cap < c) - cap <<= 1; - // 创建segments数组并初始化第一个Segment，其余的Segment延迟初始化 - Segment s0 = - new Segment(loadFactor, (int)(cap * loadFactor), - (HashEntry[])new HashEntry[cap]); - Segment[] ss = (Segment[])new Segment[ssize]; - UNSAFE.putOrderedObject(ss, SBASE, s0); // ordered write of segments[0] - this.segments = ss; - } -} -``` - -#### put() 方法 - -1. **定位segment并确保定位的Segment已初始化** -2. **调用 Segment的 put 方法。** - -```java -public V put(K key, V value) { - Segment s; - //concurrentHashMap不允许key/value为空 - if (value == null) - throw new NullPointerException(); - //hash函数对key的hashCode重新散列，避免差劲的不合理的hashcode，保证散列均匀 - int hash = hash(key); - //返回的hash值无符号右移segmentShift位与段掩码进行位运算，定位segment - int j = (hash >>> segmentShift) & segmentMask; - if ((s = (Segment)UNSAFE.getObject // nonvolatile; recheck - (segments, (j << SSHIFT) + SBASE)) == null) // in ensureSegment - s = ensureSegment(j); - return s.put(key, hash, value, false); -} -``` - -#### get() 方法 - -**get方法无需加锁，由于其中涉及到的共享变量都使用volatile修饰，volatile可以保证内存可见性，所以不会读取到过期数据** - -```java -public V get(Object key) { - Segment s; // manually integrate access methods to reduce overhead - HashEntry[] tab; - int h = hash(key); - long u = (((h >>> segmentShift) & segmentMask) << SSHIFT) + SBASE; - if ((s = (Segment)UNSAFE.getObjectVolatile(segments, u)) != null && - (tab = s.table) != null) { - for (HashEntry e = (HashEntry) UNSAFE.getObjectVolatile - (tab, ((long)(((tab.length - 1) & h)) << TSHIFT) + TBASE); - e != null; e = e.next) { - K k; - if ((k = e.key) == key || (e.hash == h && key.equals(k))) - return e.value; - } - } - return null; -} -``` - -### JDK1.8 实现 - -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/others/concurrenthashmap-1.8.jpg) - -ConcurrentHashMap 在 JDK8 中进行了巨大改动，光是代码量就从1000多行增加到6000行！1.8 摒弃了`Segment`(锁段)的概念，采用了 `CAS + synchronized` 来保证并发的安全性。 - -可以看到，和 HashMap 1.8 的数据结构很像。底层数据结构改变为采用**数组+链表+红黑树**的数据形式。 - -#### 和HashMap1.8相同的一些地方 - -- 底层数据结构一致 -- HashMap初始化是在第一次put元素的时候进行的，而不是init -- HashMap的底层数组长度总是为2的整次幂 -- 默认树化的阈值为 8，而链表化的阈值为 6（当低于这个阈值时，红黑树转成链表） -- hash算法也很类似，但多了一步`& HASH_BITS`，该步是为了消除最高位上的负符号，hash的负在ConcurrentHashMap中有特殊意义表示在**扩容或者是树节点** - -```java -static final int HASH_BITS = 0x7fffffff; // usable bits of normal node hash - -static final int spread(int h) { - return (h ^ (h >>> 16)) & HASH_BITS; -} -``` - -#### 一些关键属性 - -```java -private static final int MAXIMUM_CAPACITY = 1 << 30; //数组最大大小 同HashMap - -private static final int DEFAULT_CAPACITY = 16;//数组默认大小 - -static final int MAX_ARRAY_SIZE = Integer.MAX_VALUE - 8; //数组可能最大值，需要与toArray（）相关方法关联 - -private static final int DEFAULT_CONCURRENCY_LEVEL = 16; //兼容旧版保留的值，默认线程并发度，类似信号量 - -private static final float LOAD_FACTOR = 0.75f;//默认map扩容比例，实际用(n << 1) - (n >>> 1)代替了更高效 - -static final int TREEIFY_THRESHOLD = 8; // 链表转树阀值，大于8时 - -static final int UNTREEIFY_THRESHOLD = 6; //树转链表阀值，小于等于6（tranfer时，lc、hc=0两个计数器分别++记录原bin、新binTreeNode数量，<=UNTREEIFY_THRESHOLD 则untreeify(lo)）。【仅在扩容tranfer时才可能树转链表】 - -static final int MIN_TREEIFY_CAPACITY = 64; - -private static final int MIN_TRANSFER_STRIDE = 16;//扩容转移时的最小数组分组大小 - -private static int RESIZE_STAMP_BITS = 16;//本类中没提供修改的方法 用来根据n生成位置一个类似时间戳的功能 - -private static final int MAX_RESIZERS = (1 << (32 - RESIZE_STAMP_BITS)) - 1; // 2^15-1，help resize的最大线程数 - -private static final int RESIZE_STAMP_SHIFT = 32 - RESIZE_STAMP_BITS; // 32-16=16，sizeCtl中记录size大小的偏移量 - -static final int MOVED = -1; // hash for forwarding nodes（forwarding nodes的hash值）、标示位 - -static final int TREEBIN = -2; // hash for roots of trees（树根节点的hash值） - -static final int RESERVED = -3; // ReservationNode的hash值 - -static final int HASH_BITS = 0x7fffffff; // 用在计算hash时进行安位与计算消除负hash - -static final int NCPU = Runtime.getRuntime().availableProcessors(); // 可用处理器数量 - -/* ---------------- Fields -------------- */ - -transient volatile Node[] table; //装载Node的数组，作为ConcurrentHashMap的数据容器，采用懒加载的方式，直到第一次插入数据的时候才会进行初始化操作，数组的大小总是为2的幂次方。 - -private transient volatile Node[] nextTable; //扩容时使用，平时为null，只有在扩容的时候才为非null - -/** -* 实际上保存的是hashmap中的元素个数 利用CAS锁进行更新但它并不用返回当前hashmap的元素个数 -*/ -private transient volatile long baseCount; - -/** -*该属性用来控制table数组的大小，根据是否初始化和是否正在扩容有几种情况： -*当值为负数时：如果为-1表示正在初始化，如果为-N则表示当前正有N-1个线程进行扩容操作； -*当值为正数时：如果当前数组为null的话表示table在初始化过程中，sizeCtl表示为需要新建数组的长度；若已经初始化了，表示当前数据容器（table数组）可用容量也可以理解成临界值（插入节点数超过了该临界值就需要扩容），具体指为数组的长度n 乘以 加载因子loadFactor；当值为0时，即数组长度为默认初始值。 -*/ -private transient volatile int sizeCtl; -``` - -#### put() 方法 - -1. 首先会判断 key、value是否为空，如果为空就抛异常！ -2. `spread()`方法获取hash，减小hash冲突 -3. 判断是否初始化table数组，没有的话调用`initTable()`方法进行初始化 -4. 判断是否能直接将新值插入到table数组中 -5. 判断当前是否在扩容，`MOVED`为-1说明当前ConcurrentHashMap正在进行扩容操作，正在扩容的话就进行协助扩容 -6. 当table[i]为链表的头结点，在链表中插入新值，通过synchronized (f)的方式进行加锁以实现线程安全性。 - 1. 在链表中如果找到了与待插入的键值对的key相同的节点，就直接覆盖 - 2. 如果没有找到的话，就直接将待插入的键值对追加到链表的末尾 -7. 当table[i]为红黑树的根节点，在红黑树中插入新值/覆盖旧值 -8. 根据当前节点个数进行调整，否需要转换成红黑树(个数大于等于8，就会调用`treeifyBin`方法将tabel[i]`第i个散列桶`拉链转换成红黑树) -9. 对当前容量大小进行检查，如果超过了临界值（实际大小*加载因子）就进行扩容 - -```java -final V putVal(K key, V value, boolean onlyIfAbsent) { - // key 和 value 均不允许为 null - if (key == null || value == null) throw new NullPointerException(); - // 根据 key 计算出 hash 值 - int hash = spread(key.hashCode()); - int binCount = 0; - for (Node[] tab = table;;) { - Node f; int n, i, fh; - // 判断是否需要进行初始化 - if (tab == null || (n = tab.length) == 0) - tab = initTable(); - // f 即为当前 key 定位出的 Node，如果为空表示当前位置可以写入数据，利用 CAS 尝试写入，失败则自旋保证成功 - else if ((f = tabAt(tab, i = (n - 1) & hash)) == null) { - if (casTabAt(tab, i, null, - new Node(hash, key, value, null))) - break; // no lock when adding to empty bin - } - // 如果当前位置的 hashcode == MOVED == -1,则需要进行扩容 - else if ((fh = f.hash) == MOVED) - tab = helpTransfer(tab, f); - // 如果都不满足，则利用 synchronized 锁写入数据 - else { - // 剩下情况又分两种，插入链表、插入红黑树 - V oldVal = null; - //采用同步内置锁实现并发控制 - synchronized (f) { - if (tabAt(tab, i) == f) { - // 如果 fh=f.hash >=0，当前为链表，在链表中插入新的键值对 - if (fh >= 0) { - binCount = 1; - //遍历链表，如果找到对应的 node 节点，修改 value,否则直接在链表尾部加入节点 - for (Node e = f;; ++binCount) { - K ek; - if (e.hash == hash && - ((ek = e.key) == key || - (ek != null && key.equals(ek)))) { - oldVal = e.val; - if (!onlyIfAbsent) - e.val = value; - break; - } - Node pred = e; - if ((e = e.next) == null) { - pred.next = new Node(hash, key, - value, null); - break; - } - } - } - // 当前为红黑树，将新的键值对插入到红黑树中 - else if (f instanceof TreeBin) { - Node p; - binCount = 2; - if ((p = ((TreeBin)f).putTreeVal(hash, key, - value)) != null) { - oldVal = p.val; - if (!onlyIfAbsent) - p.val = value; - } - } - } - } - // 插入完键值对后再根据实际大小看是否需要转换成红黑树 - if (binCount != 0) { - if (binCount >= TREEIFY_THRESHOLD) - treeifyBin(tab, i); - if (oldVal != null) - return oldVal; - break; - } - } - } - // 对当前容量大小进行检查，如果超过了临界值（实际大小*加载因子）就需要扩容 - addCount(1L, binCount); - return null; -} -``` - -我们可以发现 JDK8 中的实现也是**锁分离**的思想，只是锁住的是一个Node，而不是JDK7中的Segment，而锁住Node之前的操作是无锁的并且也是线程安全的，建立在之前提到的原子操作上。 - -#### get() 方法 - -get方法无需加锁，由于其中涉及到的共享变量都使用volatile修饰，volatile可以保证内存可见性，所以不会读取到过期数据 - -```java -public V get(Object key) { - Node[] tab; Node e, p; int n, eh; K ek; - int h = spread(key.hashCode()); - // 判断数组是否为空 - if ((tab = table) != null && (n = tab.length) > 0 && - (e = tabAt(tab, (n - 1) & h)) != null) { - // 判断node 节点第一个元素是不是要找的，如果是直接返回 - if ((eh = e.hash) == h) { - if ((ek = e.key) == key || (ek != null && key.equals(ek))) - return e.val; - } - // // hash小于0,说明是特殊节点（TreeBin或ForwardingNode）调用find - else if (eh < 0) - return (p = e.find(h, key)) != null ? p.val : null; - // 不是上面的情况,那就是链表了,遍历链表 - while ((e = e.next) != null) { - if (e.hash == h && - ((ek = e.key) == key || (ek != null && key.equals(ek)))) - return e.val; - } - } - return null; -} -``` - - - -### 两个对象值相同 (x.equals(y) == true)，但却可有不同的 hash code，这句话对不对? - -正确 - -如果此对象重写了equals方法，那么可能出现这两个对象的equals相同，而hashcode不同。因此可以说它是对的。 但是，如果此对象继承Object，没有重写equals方法，那么就使用Object的equals方法，Object对象的equals方法默认是用==实现的，那么如果equals相同，hashcode一定相同。 - -```java -public class EqualsTest { - public static void main(String[] args) { - A a = new A(); - B b = new B(); - System.out.println(a.equals(b)); //true - System.out.println(a.hashCode() + "," + b.hashCode()); //1086865489,452372241 - } -} - -class A { - @Override - public boolean equals(Object obj) { - return true; - } -} - -class B { -} - -``` - - - -### Hashtable 和 ConcurrentHashMap 的区别 - -ConcurrentHashMap 和 Hashtable 的区别主要体现在实现线程安全的方式上不同。 - -- **底层数据结构：** JDK1.7 的 ConcurrentHashMap 底层采用 **分段的数组+链表** 实现，JDK1.8 采用的数据结构和 HashMap1.8 的结构类似，**数组+链表/红黑二叉树**。Hashtable 和 JDK1.8 之前的 HashMap 的底层数据结构类似都是采用 **数组+链表** 的形式，数组是 HashMap 的主体，链表则是主要为了解决哈希冲突而存在的； -- **实现线程安全的方式（重要）** ： - - **在 JDK1.7 的时候，ConcurrentHashMap（分段锁）** 对整个桶数组进行了分割分段(Segment)，每一把锁只锁容器其中一部分数据，多线程访问容器里不同数据段的数据，就不会存在锁竞争，提高并发访问率。（默认分配16个Segment，比Hashtable效率提高16倍。） **到了 JDK1.8 的时候已经摒弃了Segment的概念，而是直接用 Node 数组+链表/红黑树的数据结构来实现，并发控制使用 synchronized 和 CAS 来操作。（JDK1.6以后 对 synchronized锁做了很多优化）** 整个看起来就像是优化过且线程安全的 HashMap，虽然在 JDK1.8 中还能看到 Segment 的数据结构，但是已经简化了属性，只是为了兼容旧版本； - - Hashtable(同一把锁) ：使用 synchronized 来保证线程安全，效率非常低下。当一个线程访问同步方法时，其他线程也访问同步方法，可能会进入阻塞或轮询状态，如使用 put 添加元素，另一个线程不能使用 put 添加元素，也不能使用 get，竞争越激烈效率越低。 - - - -## Java快速失败（fail-fast）和安全失败（fail-safe）区别 - -### 快速失败（fail—fast） - -在用迭代器遍历一个集合对象时，如果遍历过程中对集合对象的内容进行了修改（增加、删除、修改），则会抛出 `ConcurrentModificationException`。 - -原理：迭代器在遍历时直接访问集合中的内容，并且在遍历过程中使用一个 modCount 变量。集合在被遍历期间如果内容发生变化，就会改变 modCount 的值。每当迭代器使用 hashNext()/next() 遍历下一个元素之前，都会检测 modCount 变量是否为 expectedmodCount 值，是的话就返回遍历；否则抛出异常，终止遍历。 - -注意：这里异常的抛出条件是检测到 modCount！=expectedmodCount 这个条件。如果集合发生变化时修改modCount 值刚好又设置为了 expectedmodCount 值，则异常不会抛出。因此，不能依赖于这个异常是否抛出而进行并发操作的编程，这个异常只建议用于检测并发修改的 bug。 - -场景：`java.util` 包下的集合类都是快速失败的，不能在多线程下发生并发修改（迭代过程中被修改）。 - -### 安全失败（fail—safe） - -采用安全失败机制的集合容器，在遍历时不是直接在集合内容上访问的，而是先复制原有集合内容，在拷贝的集合上进行遍历。 - -原理：由于迭代时是对原集合的拷贝进行遍历，所以在遍历过程中对原集合所作的修改并不能被迭代器检测到，所以不会触发 `Concurrent Modification Exception`。 - -缺点：基于拷贝内容的优点是避免了 `Concurrent Modification Exception`，但同样地，迭代器并不能访问到修改后的内容，即：迭代器遍历的是开始遍历那一刻拿到的集合拷贝，在遍历期间原集合发生的修改迭代器是不知道的。 - -场景：`java.util.concurrent` 包下的容器都是安全失败，可以在多线程下并发使用，并发修改。 - -**快速失败和安全失败是对迭代器而言的**。 - -快速失败：当在迭代一个集合的时候，如果有另外一个线程在修改这个集合，就会抛出`ConcurrentModification`异常，`java.util` 下都是快速失败。 - -安全失败：在迭代时候会在集合二层做一个拷贝，所以在修改集合上层元素不会影响下层。在 `java.util.concurrent` 下都是安全失败 - - - -### 如何避免**fail-fast** ？ - -- 在单线程的遍历过程中，如果要进行 remove 操作，可以调用迭代器 ListIterator 的 remove 方法而不是集合类的 remove方法。看看 ArrayList 中迭代器的 remove 方法的源码，该方法不能指定元素删除，只能 remove 当前遍历元素。 - -```java -public void remove() { - if (lastRet < 0) - throw new IllegalStateException(); - checkForComodification(); - - try { - SubList.this.remove(lastRet); - cursor = lastRet; - lastRet = -1; - expectedModCount = ArrayList.this.modCount; // - } catch (IndexOutOfBoundsException ex) { - throw new ConcurrentModificationException(); - } -} -``` - -- 使用并发包(`java.util.concurrent`)中的类来代替 ArrayList 和 hashMap - - CopyOnWriterArrayList 代替 ArrayList - - ConcurrentHashMap 代替 HashMap - - - -## Iterator 和 Enumeration 区别 - -在 Java 集合中，我们通常都通过 “Iterator(迭代器)” 或 “Enumeration(枚举类)” 去遍历集合。 - -```java -public interface Enumeration { - boolean hasMoreElements(); - E nextElement(); -} -``` - -```java -public interface Iterator { - boolean hasNext(); - E next(); - void remove(); -} -``` - -- **函数接口不同**，Enumeration**只有2个函数接口。**通过Enumeration，我们只能读取集合的数据，而不能对数据进行修改。Iterator**只有3个函数接口。**Iterator除了能读取集合的数据之外，也能数据进行删除操作。 -- **Iterator支持 fail-fast机制，而Enumeration不支持**。Enumeration 是 JDK 1.0 添加的接口。使用到它的函数包括 Vector、Hashtable 等类，这些类都是 JDK 1.0中加入的，Enumeration 存在的目的就是为它们提供遍历接口。Enumeration 本身并没有支持同步，而在 Vector、Hashtable 实现 Enumeration 时，添加了同步。 - 而 Iterator 是 JDK 1.2 才添加的接口，它也是为了 HashMap、ArrayList 等集合提供遍历接口。Iterator 是支持 fail-fast 机制的：当多个线程对同一个集合的内容进行操作时，就可能会产生 fail-fast 事件 - - - -### Collection 和 Collections 的区别 - -- Collection 是集合类的上级接口, 继承与它的接口主要是 set 和 list。 - -- Collections 类是针对集合类的一个帮助类. 它提供一系列的静态方法对各种集合的搜索， 排序，线程安全化等操作。 - - - -## Comparable 和 Comparator 接口有何区别？ - -Java 中对集合对象或者数组对象排序，有两种实现方式： - -- 对象实现 Comparable 接口 - - - Comparable 在 `java.lang` 包下，是一个接口，内部只有一个方法 `compareTo()` - - ```java - public interface Comparable { - public int compareTo(T o); - } - ``` - - - Comparable 可以让实现它的类的对象进行比较，具体的比较规则是按照 compareTo 方法中的规则进行。这种顺序称为 **自然顺序**。 - - 实现了 Comparable 接口的 List 或则数组可以使用 `Collections.sort()` 或者 `Arrays.sort()` 方法进行排序 - -- 定义比较器，实现 Comparator接口 - - - Comparator 在 `java.util` 包下，也是一个接口，JDK 1.8 以前只有两个方法： - - ```java - public interface Comparator { - public int compare(T lhs, T rhs); - public boolean equals(Object object); - } - ``` - -**comparable 相当于内部比较器。comparator 相当于外部比较器** - -区别： - -- Comparator 位于 `java.util` 包下，而 Comparable 位于 `java.lang` 包下 - -- Comparable 接口的实现是在类的内部（如 String、Integer已经实现了 Comparable 接口，自己就可以完成比较大小操作），Comparator 接口的实现是在类的外部（可以理解为一个是自已完成比较，一个是外部程序实现比较） - -- 实现 Comparable 接口要重写 compareTo 方法, 在 compareTo 方法里面实现比较。一个已经实现Comparable 的类的对象或数据，可以通过 **Collections.sort(list) 或者 Arrays.sort(arr)**实现排序。通过 **Collections.sort(list,Collections.reverseOrder())** 对list进行倒序排列。 - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdzefrcjolj30ui0u0dm0.jpg) - -- 实现Comparator需要重写 compare 方法 - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdzefws30uj311s0t643v.jpg) - - - -## HashSet - -HashSet 是用来存储没有重复元素的集合类，并且它是无序的。HashSet 内部实现是基于 HashMap ，实现了 Set 接口。 - -从 HahSet 提供的构造器可以看出，除了最后一个 HashSet 的构造方法外，其他所有内部就是去创建一个 HashMap 。没有其他的操作。而最后一个构造方法不是 public 的，所以不对外公开。 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdzeqxhvj3j311s0ka787.jpg) - - - -### HashSet如何检查重复 - -HashSet 的底层其实就是 HashMap，只不过我们 **HashSet 是实现了 Set 接口并且把数据作为 K 值，而 V 值一直使用一个相同的虚值来保存**，HashMap的 K 值本身就不允许重复，并且在 HashMap 中如果 K/V 相同时，会用新的 V 覆盖掉旧的 V，然后返回旧的 V。 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdzeyvg5h0j311s0jen0n.jpg) - - - -### Iterater 和 ListIterator 之间有什么区别？ - -- 我们可以使用 Iterator来遍历 Set 和 List 集合，而 ListIterator 只能遍历List -- ListIterator有add方法，可以向List中添加对象，而Iterator不能 -- ListIterator和Iterator都有hasNext()和next()方法，可以实现顺序向后遍历，但是ListIterator有hasPrevious()和previous()方法，可以实现逆向（顺序向前）遍历。Iterator不可以 -- ListIterator可以定位当前索引的位置，nextIndex()和previousIndex()可以实现。Iterator没有此功能 -- 都可实现删除操作，但是 ListIterator可以实现对象的修改，set()方法可以实现。Iterator仅能遍历，不能修改 - - - - - - - -## References - -所有内容都是基于源码阅读和各种大佬之前总结的知识整理而来，输入并输出，奥利给。 - -- https://www.javatpoint.com/java-arraylist - -- https://www.runoob.com/java/java-collections.html - -- https://www.javazhiyin.com/21717.html - -- https://yuqirong.me/2018/01/31/LinkedList内部原理解析/ - -- https://youzhixueyuan.com/the-underlying-structure-and-principle-of-hashmap.html - -- 《HashMap源码详细分析》http://www.tianxiaobo.com/2018/01/18/HashMap-源码详细分析-JDK1-8/ - -- 《ConcurrentHashMap1.7源码分析》https://www.cnblogs.com/chengxiao/p/6842045.html - -- http://www.justdojava.com/2019/12/18/java-collection-15.1/ \ No newline at end of file diff --git a/docs/interview/Design-Pattern-FAQ.md b/docs/interview/Design-Pattern-FAQ.md index 8c5737bbcc..2cf2a695a6 100644 --- a/docs/interview/Design-Pattern-FAQ.md +++ b/docs/interview/Design-Pattern-FAQ.md @@ -1,313 +1,882 @@ -> 使用UML类图画出原型模式核心角色 +--- +title: 设计模式八股文 +date: 2024-08-31 +tags: + - 设计模式 + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +> 设计模式是Java开发者**必备的技能**，也是面试中**高频考点**。从经典的23种GoF设计模式到Spring框架中的模式应用，从单例模式的7种写法到代理模式的动态实现，每一个模式都承载着前辈的智慧结晶。掌握设计模式，让你的代码更优雅、更健壮、更具扩展性！ > -> 原型设计模式的深拷贝和浅拷贝是什么，并写出深拷贝的两种方式的源码(重写 clone 方法实现深拷贝、使用序列化来实现深拷贝 +> 设计模式面试要点： > -> 设计模式的七大原则 -> -> 在 Spring 框架中哪里使用到原型模式，并对源码进行分析 -> -> 介绍解释器设计模式是什么? +> - 设计原则（SOLID原则、迪米特法则、合成复用原则） +> - 创建型模式（单例、工厂、建造者、原型、抽象工厂） +> - 结构型模式（适配器、装饰器、代理、桥接、组合、外观、享元） +> - 行为型模式（观察者、策略、模板方法、责任链、状态、命令） +> - 实际应用（Spring中的模式、项目实战经验） + + + +## 🗺️ 知识导航 + +### 🏷️ 核心知识分类 + +1. **📏 设计原则**：SOLID原则、开闭原则、里氏替换原则、依赖倒置原则、单一职责原则 +2. **🏗️ 创建型模式**：单例模式、工厂模式、建造者模式、原型模式、抽象工厂模式 +3. **🔧 结构型模式**：适配器模式、装饰器模式、代理模式、桥接模式、组合模式、外观模式、享元模式 +4. **⚡ 行为型模式**：观察者模式、策略模式、模板方法模式、责任链模式、状态模式、命令模式、中介者模式 +5. **🌟 实际应用**：Spring中的设计模式、项目实战案例、最佳实践 + +### 🔑 面试话术模板 + +| **问题类型** | **回答框架** | **关键要点** | **深入扩展** | +| ------------ | ----------------------------------- | ------------------ | ------------------ | +| **概念解释** | 定义→目的→结构→应用 | 核心思想，解决问题 | 源码分析，实际项目 | +| **模式对比** | 相同点→不同点→使用场景→选择建议 | 多维度对比 | 性能差异，适用性 | +| **实现原理** | 背景→问题→解决方案→代码实现 | UML图，代码结构 | 源码实现，优缺点 | +| **应用实践** | 项目背景→遇到问题→选择模式→效果评估 | 实际案例 | 最佳实践，踩坑经验 | + +--- + +## 📏 一、设计原则（Design Principles） + +> **核心思想**：设计原则是设计模式的理论基础，指导我们写出高质量的代码，是所有设计模式遵循的基本准则。 + +### 🎯 什么是设计模式？你是否在你的代码里面使用过任何设计模式？ + +"设计模式是软件开发中经过验证的，用于解决特定环境下重复出现问题的解决方案： + +**设计模式的本质**： + +- 是一套被反复使用、多数人知晓的、经过分类的、代码设计经验的总结 +- 提供了一种统一的术语和概念，便于开发者之间的沟通 +- 提高代码的可重用性、可读性、可靠性和可维护性 + +**GoF 23种设计模式**： + +- 创建型模式（5种）：关注对象的创建 +- 结构型模式（7种）：关注类和对象的组合 +- 行为型模式（11种）：关注对象之间的通信 + +**在项目中的应用**： + +- 单例模式：配置管理器、数据库连接池 +- 工厂模式：对象创建、消息处理器选择 +- 观察者模式：事件处理、消息通知 +- 策略模式：支付方式选择、算法切换 + +设计模式不是万能的，要根据具体场景选择，避免过度设计。" + +### 🎯 请说说你了解的设计原则有哪些？ + +"设计原则是设计模式的理论基础，主要有SOLID五大原则： + +**SOLID原则**： + +**1. 单一职责原则（Single Responsibility Principle, SRP）**： + +- 一个类只应该有一个引起它变化的原因 +- 每个类只负责一项职责，降低代码复杂度 +- 例：User类只负责用户属性，UserService负责用户业务逻辑 + +**2. 开闭原则（Open-Closed Principle, OCP）**： + +- 对扩展开放，对修改关闭 +- 通过抽象和多态实现功能扩展而不修改现有代码 +- 例：策略模式中新增支付方式无需修改原有支付逻辑 + +**3. 里氏替换原则（Liskov Substitution Principle, LSP）**： +- 子类对象能够替换父类对象而不影响程序正确性 +- 子类必须能够完全替代父类，保持行为一致性 +- 例：Rectangle和Square的继承关系设计 +**4. 接口隔离原则（Interface Segregation Principle, ISP）**： -### 1. 什么是设计模式？你是否在你的代码里面使用过任何设计模式？ +- 客户端不应该依赖它不需要的接口 +- 使用多个专门的接口比使用单一的总接口要好 +- 例：将大接口拆分成多个小而专一的接口 -软件设计模式（Software Design Pattern），又称设计模式，是指在软件开发中，经过验证的，用于解决在特定环境下、重复出现的、特定问题的**解决方案**。 +**5. 依赖倒置原则（Dependency Inversion Principle, DIP）**： +- 高层模块不应该依赖低层模块，两者都应该依赖抽象 +- 抽象不应该依赖细节，细节应该依赖抽象 +- 例：控制器依赖Service接口而不是具体实现类 +**其他重要原则**： -### 2. 请列举出在 JDK 中几个常用的设计模式？ +- **合成复用原则**：优先使用对象组合而非类继承 +- **迪米特法则**：一个对象应该对其他对象保持最少的了解 -单例模式（Singleton pattern）用于 Runtime，Calendar 和其他的一些类中。 +这些原则指导我们设计出松耦合、高内聚、可扩展的代码。" -工厂模式（Factory pattern）被用于各种不可变的类如 Boolean，像 Boolean.valueOf -观察者模式（Observer pattern）被用于 Swing 和很多的事件监听中。 -装饰器设计模式（Decorator design pattern）被用于多个 Java IO 类中。 +### 🎯 你项目里用过哪些设计模式？具体是怎么用的？ +> 在广告归因和回传系统中，我主要用到了以下几类设计模式： +- **工厂模式（Factory Pattern）**：负责不同媒体渠道回传服务的实例创建，具体要走什么回传，是扣量还是高质量等等，是在入参就可以决定的； +- **策略模式（Strategy Pattern）**：负责不同媒体回传逻辑、验签算法和请求格式； +- **模板方法模式（Template Method）**：抽象出回传的公共流程； +- **责任链模式（Chain of Responsibility）**：对每个回传请求按规则依次校验； +- **单例模式（Singleton Pattern）**：保证配置类、客户端池等资源唯一； -### 3. Java 中什么叫单例设计模式？请用 Java 写出线程安全的单例模式 -单例模式重点在于在整个系统上共享一些创建时较耗资源的对象。整个应用中只维护一个特定类实例，它被所有组件共同使用。Java.lang.Runtime 是单例模式的经典例子。从 Java5 开始你可以使用枚举（enum）来实现线程安全的单例。 -### 单例模式的 7 种写法：懒汉 2 种，枚举，饿汉 2 种，静态内部类，双重校验锁（推荐）。 +### 🎯 什么是开闭原则？如何在代码中应用？ -- 懒汉式：懒加载，线程不安全 +"开闭原则是面向对象设计的核心原则，对扩展开放，对修改关闭： + +**核心思想**： + +- 当需求变化时，应该通过扩展现有代码来实现变化 +- 而不是修改现有的代码 +- 通过抽象化来实现开闭原则 + +**实现方式**： + +- 使用抽象类或接口来定义规范 +- 具体实现通过继承或实现来扩展功能 +- 依赖注入和多态来实现灵活的扩展 + +**代码示例**： ```java -public class Singleton -{ - private static Singleton singleton; +// 抽象支付接口 +interface PaymentStrategy { + void pay(double amount); +} - private Singleton() - { +// 具体支付实现 +class AlipayPayment implements PaymentStrategy { + public void pay(double amount) { + System.out.println("支付宝支付: " + amount); } +} - public static Singleton getInstance() - { - if (singleton == null) - singleton = new Singleton(); - return singleton; +class WechatPayment implements PaymentStrategy { + public void pay(double amount) { + System.out.println("微信支付: " + amount); } } -``` - -- 懒汉式线程安全版：同步效率低 -```java -public class Singleton -{ - private static Singleton singleton; +// 支付上下文 +class PaymentContext { + private PaymentStrategy strategy; - private Singleton() - { + public void setStrategy(PaymentStrategy strategy) { + this.strategy = strategy; } - public synchronized static Singleton getInstance() - { - if (singleton == null) - singleton = new Singleton(); - return singleton; + public void executePayment(double amount) { + strategy.pay(amount); } } ``` -- 饿汉式： +**新增银行卡支付时**： + +- 只需新增BankCardPayment类实现PaymentStrategy +- 无需修改PaymentContext或其他现有代码 +- 完美体现了对扩展开放，对修改关闭 + +开闭原则是设计模式的基石，策略模式、工厂模式等都体现了这一原则。" + +--- + +## 🏗️ 二、创建型模式（Object Creation） + +> **核心思想**：封装对象的创建过程，使系统独立于如何创建、组合和表示对象。 + + + +### 🎯 请列举出在 JDK 中几个常用的设计模式？ + +"JDK中大量使用了设计模式，这些模式的应用体现了优秀的软件设计： + +**创建型模式**： + +- 单例模式：Runtime类、Calendar类确保全局唯一实例 +- 工厂模式：Boolean.valueOf()、Integer.valueOf()等工厂方法 +- 建造者模式：StringBuilder、StringBuffer的链式调用 + +**结构型模式**： + +- 装饰器模式：Java IO流体系（BufferedReader装饰FileReader） +- 适配器模式：Arrays.asList()将数组适配为List +- 代理模式：动态代理机制（java.lang.reflect.Proxy） + +**行为型模式**： + +- 观察者模式：Swing/AWT事件机制、PropertyChangeSupport +- 策略模式：Collections.sort()的Comparator参数 +- 模板方法模式：AbstractList、AbstractMap等抽象类 +- 迭代器模式：Collection接口的iterator()方法 + +这些模式的应用让JDK的API设计更加灵活和可扩展。" -```java -public class Singleton -{ - private static Singleton singleton = new Singleton(); - private Singleton() - { - } - public static Singleton getInstance() - { - return singleton; +### 🎯 什么是单例模式？有哪些应用场景？请用 Java 写出线程安全的单例模式 + +"单例模式确保一个类只有一个实例，并提供全局访问点： + +**单例模式定义**： + +- 保证一个类仅有一个实例，并提供一个访问它的全局访问点 +- 控制实例数量，避免资源浪费和状态不一致 +- 延迟初始化，需要时才创建实例 + +**应用场景**： + +- 系统资源：数据库连接池、线程池、缓存管理器 +- 配置对象：应用程序配置、系统设置管理 +- 工具类：日志记录器、打印机管理器 +- 硬件接口：设备驱动程序（如打印机驱动） + +**优缺点分析**： + +- 优点：节约内存、避免重复创建、全局访问点 +- 缺点：违反单一职责、不利于测试、可能成为性能瓶颈" + +**💻 单例模式的7种实现方式**： + +**推荐程度排序：枚举 > 静态内部类 > 双重校验锁 > 饿汉式 > 懒汉式** + +**1. 懒汉式（线程不安全）**： + +```java +public class LazySingleton { + private static LazySingleton instance; + + private LazySingleton() {} + + public static LazySingleton getInstance() { + if (instance == null) { + instance = new LazySingleton(); // 多线程下可能创建多个实例 + } + return instance; } } ``` -- 饿汉式变种： +**2. 懒汉式（线程安全，同步效率低）**： ```java -public class Singleton -{ - private static Singleton singleton; - static - { - singleton = new Singleton(); +public class SynchronizedLazySingleton { + private static SynchronizedLazySingleton instance; + + private SynchronizedLazySingleton() {} + + public static synchronized SynchronizedLazySingleton getInstance() { + if (instance == null) { + instance = new SynchronizedLazySingleton(); + } + return instance; } +} +``` - private Singleton() - { - } +**3. 饿汉式（推荐）**： - public static Singleton getInstance() - { - return singleton; +```java +public class EagerSingleton { + private static final EagerSingleton INSTANCE = new EagerSingleton(); + + private EagerSingleton() {} + + public static EagerSingleton getInstance() { + return INSTANCE; } } ``` -- 静态内部类方式：利用 JVM 的加载机制，当使用到 SingletonHolder 才会进行初始化。 +**4. 饿汉式变种（静态代码块）**： ```java -public class Singleton -{ - private Singleton() - { +public class StaticBlockSingleton { + private static final StaticBlockSingleton INSTANCE; + + static { + INSTANCE = new StaticBlockSingleton(); } - - private static class SingletonHolder - { - private static final Singleton singleton = new Singleton(); + + private StaticBlockSingleton() {} + + public static StaticBlockSingleton getInstance() { + return INSTANCE; } +} +``` + +**5. 静态内部类（强烈推荐）**： - public static Singleton getInstance() - { - return SingletonHolder.singleton; +```java +public class InnerClassSingleton { + private InnerClassSingleton() {} + + // 静态内部类，JVM保证线程安全，懒加载 + private static class SingletonHolder { + private static final InnerClassSingleton INSTANCE = new InnerClassSingleton(); + } + + public static InnerClassSingleton getInstance() { + return SingletonHolder.INSTANCE; // 触发内部类加载 } } ``` -- 枚举： +**6. 枚举（最佳实现）**： ```java -public enum Singletons -{ +public enum EnumSingleton { INSTANCE; - // 此处表示单例对象里面的各种方法 - public void Method() - { + + // 可以添加其他方法 + public void doSomething() { + System.out.println("EnumSingleton doing something..."); + } + + public void anotherMethod() { + // 业务逻辑 } } + +// 使用方式 +// EnumSingleton.INSTANCE.doSomething(); ``` -- 双重校验锁： +**7. 双重校验锁（DCL，推荐）**： ```java -public class Singleton -{ - private volatile static Singleton singleton; - - private Singleton() - { - } - - public static Singleton getInstance() - { - if (singleton == null) - { - synchronized (Singleton.class) - { - if (singleton == null) - { - singleton = new Singleton(); +public class DoubleCheckedLockingSingleton { + // volatile防止指令重排序 + private volatile static DoubleCheckedLockingSingleton instance; + + private DoubleCheckedLockingSingleton() {} + + public static DoubleCheckedLockingSingleton getInstance() { + // 第一次检查，避免不必要的同步 + if (instance == null) { + synchronized (DoubleCheckedLockingSingleton.class) { + // 第二次检查，确保线程安全 + if (instance == null) { + instance = new DoubleCheckedLockingSingleton(); } } } - return singleton; + return instance; } } ``` +**💡 各种实现方式对比**： +| **实现方式** | **线程安全** | **懒加载** | **性能** | **推荐度** | **特点** | +| ------------ | ------------ | ---------- | -------- | ---------- | -------- | +| 懒汉式 | ❌ | ✅ | 高 | ⭐ | 最简单但不安全 | +| 同步懒汉式 | ✅ | ✅ | 低 | ⭐⭐ | 安全但效率低 | +| 饿汉式 | ✅ | ❌ | 高 | ⭐⭐⭐ | 简单安全，可能浪费内存 | +| 静态内部类 | ✅ | ✅ | 高 | ⭐⭐⭐⭐⭐ | 完美解决方案 | +| 枚举 | ✅ | ❌ | 高 | ⭐⭐⭐⭐⭐ | 最简洁，防反射和序列化 | +| 双重校验锁 | ✅ | ✅ | 高 | ⭐⭐⭐⭐ | 复杂但高效 | -### 4. 在 Java 中，什么叫观察者设计模式（observer design pattern ）？ -观察者模式是基于对象的状态变化和观察者的通讯，以便他们作出相应的操作。简单的例子就是一个天气系统，当天气变化时必须在展示给公众的视图中进行反映。这个视图对象是一个主体，而不同的视图是观察者。 +### 🎯 如何防止反射和序列化破坏单例？ + +"单例模式的两大威胁是反射和序列化，需要采取防护措施： + +**反射攻击演示**： + +```java +// 正常获取单例 +Singleton instance1 = Singleton.getInstance(); + +// 反射破坏单例 +Constructor constructor = Singleton.class.getDeclaredConstructor(); +constructor.setAccessible(true); +Singleton instance2 = constructor.newInstance(); + +System.out.println(instance1 == instance2); // false，单例被破坏 +``` + +**防御措施**： + +**方案1：构造函数防护** + +```java +public class AntiReflectionSingleton { + private static volatile AntiReflectionSingleton instance; + private static boolean initialized = false; + + private AntiReflectionSingleton() { + synchronized (AntiReflectionSingleton.class) { + if (initialized) { + throw new RuntimeException("单例已存在，禁止反射创建"); + } + initialized = true; + } + } +} +``` + +**方案2：枚举天然防御** + +```java +public enum EnumSingleton { + INSTANCE; + // JVM层面防止反射调用枚举构造器 +} +``` + + + +**序列化攻击演示**： + +```java +// 序列化破坏单例 +Singleton instance1 = Singleton.getInstance(); + +// 序列化 +ObjectOutputStream oos = new ObjectOutputStream(new FileOutputStream("singleton.ser")); +oos.writeObject(instance1); + +// 反序列化创建新实例 +ObjectInputStream ois = new ObjectInputStream(new FileInputStream("singleton.ser")); +Singleton instance2 = (Singleton) ois.readObject(); + +System.out.println(instance1 == instance2); // false，单例被破坏 +``` +**防御措施：实现readResolve方法** +```java +public class SerializationSafeSingleton implements Serializable { + private static final long serialVersionUID = 1L; + private static volatile SerializationSafeSingleton instance; + + private SerializationSafeSingleton() {} + + public static SerializationSafeSingleton getInstance() { + if (instance == null) { + synchronized (SerializationSafeSingleton.class) { + if (instance == null) { + instance = new SerializationSafeSingleton(); + } + } + } + return instance; + } + + // 关键：反序列化时返回已有实例 + private Object readResolve() { + return getInstance(); + } +} +``` -### 5. 使用工厂模式最主要的好处是什么？在哪里使用？ +**终极解决方案：枚举单例** -各模式的理解： -简单工厂：把对象的创建放到一个工厂类中，通过参数来创建不同的对象。 -工厂方法：每种产品由一种工厂来创建。（每次增加一个产品时，都需要增加一个具体类和对象实现工厂） -抽象工厂：对工厂方法的改进，一个产品族对应一个工厂 +```java +public enum UltimateSingleton { + INSTANCE; -面向接口编程：设计模式的一个重要原则是 针对接口编程，不要依赖实现类。工厂模式遵循了这一个原则。 -开闭原则（Open-Closed Principle,OCP） “Software entities should be open for extension,but closed for modification”。翻译过来就是：“软件实体应当对扩展开放，对修改关闭”。这句话说得略微有点专业，我们把它讲得更通俗一点，也就是：软件系统中包含的各种组件，例如模块（Modules）、类（Classes）以及功能（Functions）等等，应该在不修改现有代码的基础上，引入新功能。开闭原则中“开”，是指对于组件功能的扩展是开放的，是允许对其进行功能扩展的；开闭原则中“闭”，是指对于原有代码的修改是封闭的，即不应该修改原有的代码。 + public void doSomething() { + System.out.println("枚举单例天然防止反射和序列化攻击"); + } +} +``` -使用工厂的理由： -A.把对象的创建集中在一个地方(工厂中),在增加新的对象类型的时候,只需要改变工厂方法;否则在应用中四处散布对象创建逻辑,如果创建方法改变时则需要四处修改，维护量增加. -B.应用的场合是新的对象类型很可能经常被添加进来. -C.你所关心的仅仅是工厂方法返回的接口方法,不必关心实现细节 +枚举是实现单例的最佳方式：线程安全、懒加载、防反射、防序列化。" +**💡 单例模式最佳实践**： +1. **优先选择枚举**：代码简洁，天然安全 +2. **次选静态内部类**：懒加载+高性能 +3. **避免反射攻击**：构造器中添加检查 +4. **防序列化破坏**：实现readResolve方法 +5. **考虑实际需求**：是否真的需要全局唯一 -### 6. 举一个用 Java 实现的装饰模式(decorator design pattern) ？它是作用于对象层次还是类层次？ -装饰模式增加强了单个对象的能力。Java IO 到处都使用了装饰模式，典型例子就是 Buffered 系列类如 BufferedReader 和 BufferedWriter，它们增强了 Reader 和 Writer 对象，以实现提升性能的 Buffer 层次的读取和写入。 -动态地给一个对象增加一些额外的职责，就增加对象功能来说，装饰模式比生成子类实现更为灵活。装饰模式是一种对象结构型模式。装饰模式是一种用于替代继承的技术,使用对象之间的关联关系取代类之间的继承关系。在装饰模式中引入了装饰类，在装饰类中既可以调用待装饰的原有类的方法，还可以增加新的方法，以扩充原有类的功能。 -装饰原有对象、在不改变原有对象的情况下扩展增强新功能/新特征.。当不能采用继承的方式对系统进行扩展或者采用继承不利于系统扩展和维护时可以使用装饰模式。 +### 🎯 使用工厂模式最主要的好处是什么？在哪里使用？ +"工厂模式是创建型设计模式的核心，主要解决对象创建的复杂性： +**工厂模式的好处**： -### 7. 在 Java 中，为什么不允许从静态方法中访问非静态变量？ +- **解耦创建和使用**：客户端不需要知道具体对象的创建细节 +- **封装变化**：新增产品类型时，只需扩展工厂，无需修改客户端 +- **统一管理**：集中控制对象的创建逻辑，便于维护 +- **提高复用性**：相同的创建逻辑可以被多处复用 -Java 中不能从静态上下文访问非静态数据只是因为非静态变量是跟具体的对象实例关联的，而静态的却没有和任何实例关联。 +**应用场景**： +- **数据库连接**：根据配置创建不同数据库的连接 +- **日志框架**：根据级别创建不同的日志处理器 +- **UI组件**：根据操作系统创建对应的界面组件 +- **支付系统**：根据支付方式创建对应的支付处理器 +**JDK中的应用**： -### 8. 设计一个 ATM 机，请说出你的设计思路？ +- `Boolean.valueOf()`, `Integer.valueOf()`等工厂方法 +- `Calendar.getInstance()`获取日历实例 +- `NumberFormat.getInstance()`创建格式化器 -比如设计金融系统来说，必须知道它们应该在任何情况下都能够正常工作。不管是断电还是其他情况，ATM 应该保持正确的状态（事务） , 想想 加锁（locking）、事务（transaction）、错误条件（error condition）、边界条件（boundary condition） 等等。尽管你不能想到具体的设计，但如果你可以指出非功能性需求，提出一些问题，想到关于边界条件，这些都会是很好的。 +工厂模式让系统更加灵活，符合开闭原则。" + +### 🎯 简单工厂、工厂方法和抽象工厂的区别？ -### 9. 在 Java 中，什么时候用重载，什么时候用重写？ +"工厂模式有三种类型，复杂程度和应用场景各不相同： -如果你看到一个类的不同实现有着不同的方式来做同一件事，那么就应该用重写（overriding），而重载（overloading）是用不同的输入做同一件事。在 Java 中，重载的方法签名不同，而重写并不是。 +**简单工厂（Simple Factory）**： +- 一个工厂类根据参数创建不同产品 +- 违反开闭原则，新增产品需要修改工厂类 +- 适用于产品种类较少且稳定的场景 +**工厂方法（Factory Method）**： -### 10. 举例说明什么情况下会更倾向于使用抽象类而不是接口？ +- 每种产品对应一个具体工厂 +- 符合开闭原则，新增产品只需新增工厂 +- 适用于产品族较少但产品种类可能增加的场景 -接口和抽象类都遵循”面向接口而不是实现编码”设计原则，它可以增加代码的灵活性，可以适应不断变化的需求。下面有几个点可以帮助你回答这个问题： +**抽象工厂（Abstract Factory）**： -在 Java 中，你只能继承一个类，但可以实现多个接口。所以一旦你继承了一个类，你就失去了继承其他类的机会了。 +- 创建一系列相关的产品族 +- 适用于有多个产品族，每个产品族有多个产品的场景 +- 如：不同风格的UI组件（Windows风格、Mac风格） -接口通常被用来表示附属描述或行为如：Runnable、Clonable、Serializable 等等，因此当你使用抽象类来表示行为时，你的类就不能同时是 Runnable 和 Clonable(注：这里的意思是指如果把 Runnable 等实现为抽象类的情况)，因为在 Java 中你不能继承两个类，但当你使用接口时，你的类就可以同时拥有多个不同的行为。 +**选择建议**：简单工厂适合小项目，工厂方法适合中型项目，抽象工厂适合复杂的产品体系。" -在一些对时间要求比较高的应用中，倾向于使用抽象类，它会比接口稍快一点。 +**💻 代码示例对比**： -如果希望把一系列行为都规范在类继承层次内，并且可以更好地在同一个地方进行编码，那么抽象类是一个更好的选择。有时，接口和抽象类可以一起使用，接口中定义函数，而在抽象类中定义默认的实现。 +**简单工厂示例**： +```java +// 产品接口 +interface Product { + void use(); +} +// 具体产品 +class ProductA implements Product { + public void use() { System.out.println("使用产品A"); } +} +class ProductB implements Product { + public void use() { System.out.println("使用产品B"); } +} -### Spring 当中用到了哪些设计模式？ +// 简单工厂 +class SimpleFactory { + public static Product createProduct(String type) { + switch (type) { + case "A": return new ProductA(); + case "B": return new ProductB(); + default: throw new IllegalArgumentException("未知产品类型"); + } + } +} +``` -- 模板方法模式：例如 jdbcTemplate，通过封装固定的数据库访问比如获取 connection、获取 statement，关闭 connection、关闭 statement 等 - 然后将特殊的 SQL 操作交给用户自己实现。 -- 策略模式：Spring 在初始化对象的时候，可以选择单例或者原型模式。 -- 简单工厂：Spring 中的 BeanFactory 就是简单工厂模式的体现，根据传入一个唯一的标识来获得 bean 对象。 -- 工厂方法模式：一般情况下，应用程序有自己的工厂对象来创建 bean，如果将应用程序自己的工厂对象交给 Spring 管理， 那么 Spring 管理的就不是普通的 bean，而是工厂 Bean。 -- 单例模式：保证全局只有唯一一个对象。 -- 适配器模式：SpringAOP 的 Advice 有如下：BeforeAdvice、AfterAdvice、AfterAdvice，而需要将这些增强转为 aop 框架所需的 - 对应的拦截器 MethodBeforeAdviceInterceptor、AfterReturningAdviceInterceptor、ThrowsAdviceInterceptor。 -- 代理模式：Spring 的 Proxy 模式在 aop 中有体现，比如 JdkDynamicAopProxy 和 Cglib2AopProxy。 -- 装饰者模式：如 HttpServletRequestWrapper，自定义请求包装器包装请求，将字符编码转换的工作添加到 getParameter()方法中。 -- 观察者模式：如启动初始化 Spring 时的 ApplicationListener 监听器。 +**工厂方法示例**： +```java +// 抽象工厂 +interface Factory { + Product createProduct(); +} + +// 具体工厂 +class ProductAFactory implements Factory { + public Product createProduct() { + return new ProductA(); + } +} + +class ProductBFactory implements Factory { + public Product createProduct() { + return new ProductB(); + } +} +``` +**抽象工厂示例**： +```java +// 抽象工厂 +interface AbstractFactory { + ProductA createProductA(); + ProductB createProductB(); +} +// 具体工厂族 +class WindowsFactory implements AbstractFactory { + public ProductA createProductA() { return new WindowsProductA(); } + public ProductB createProductB() { return new WindowsProductB(); } +} + +class MacFactory implements AbstractFactory { + public ProductA createProductA() { return new MacProductA(); } + public ProductB createProductB() { return new MacProductB(); } +} +``` -### 在工作中遇到过哪些设计模式，是如何应用的 +--- -- 工厂模式（生产题型）。 -- 策略模式（进行判题）。 -- 模板方法模式（阅卷、判断题目信息是否正确，如条件 1,2,3，三个条件分别由子类实现）， -- 建造者模式（组装试卷生成器） -- 状态模式（根据试卷类型进行不同抽题） -- 适配器模式（适配其他微服务，类似防腐层） -- 外观模式（将一些使用较工具类封装简单一点） -- 代理模式（AOP 切面编程） -- 责任链模式（推送、日志等额外操作） -- 组合模式（无限层级的知识点） +## 🔧 三、结构型模式（Object Composition） +> **核心思想**：关注类和对象的组合，通过组合获得更强大的功能，解决如何将类或对象按某种布局组成更大的结构。 +### 🎯 什么是代理模式？有哪几种代理？ -### 简述一下你了解的 Java 设计模式（总结） +**代理模式（Proxy Pattern）** 是一种结构型设计模式，用于为目标对象提供一个代理对象，通过代理对象来控制对目标对象的访问。代理对象在客户端与目标对象之间起到中介的作用，可以对访问进行控制、增强或简化。 -标星号的为常用设计模式 +- **静态代理**：在编译阶段，代理类已经被定义好。 +- **动态代理** + - 在运行时动态生成代理类，而不需要手动编写代理类代码。 + - 动态代理通常基于 **Java 反射** 实现，最常用的两种动态代理技术是 **JDK 动态代理** 和 **CGLIB 动态代理**。 + + +### 🎯 静态代理和动态代理的区别？ + +| **对比维度** | **静态代理** | **动态代理** | +| ------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | +| **代理类生成时间** | 代理类在 **编译时** 已经生成，由开发者手动编写代理类。 | 代理类在 **运行时** 动态生成，不需要手动编写代理类。 | +| **实现方式** | 手动创建一个实现目标类接口的代理类，通过代理类调用目标对象的方法。 | 使用反射机制（如 `Proxy` 或 `CGLIB`）在运行时生成代理类。 | +| **目标类要求** | 目标类必须实现接口。 | **JDK 动态代理**：目标类必须实现接口。 **CGLIB 动态代理**：目标类无需实现接口，但不能是 `final` 类。 | +| **灵活性** | 灵活性较低，每个目标类都需要一个对应的代理类，代码量较大。 | 灵活性高，一个代理类可以代理多个目标对象。 | +| **性能** | 性能略优于动态代理（因为无需反射机制）。 | 性能略低于静态代理（因依赖反射）。 但在 CGLIB 中，性能接近静态代理。 | +| **实现难度** | 实现简单，但代码量较多，维护麻烦。 | 实现复杂，但代码量少，易于维护。 | +| **扩展性** | 扩展性差，新增目标类时需要新增代理类。 | 扩展性好，新增目标类时无需新增代理类，只需修改动态代理逻辑。 | + + + +### 🎯 JDK 动态代理和 CGLIB 动态代理的区别？ + +| **对比维度** | **JDK 动态代理** | **CGLIB 动态代理** | +| ------------------- | ------------------------------------------------------------ | ------------------------------------------------------------ | +| **实现方式** | 基于 **Java 反射机制** 和接口实现，使用 `java.lang.reflect.Proxy`。 | 基于 **字节码增强** 技术，使用第三方库（如 `CGLIB` 或 `ASM`）。 | +| **代理对象要求** | 目标类必须实现 **接口**。 | 目标类 **无需实现接口**，可以代理普通类。 | +| **继承限制** | 无需继承，直接代理接口即可。 | 目标类不能是 `final` 类，代理的方法也不能是 `final` 方法（因为无法被重写）。 | +| **性能** | 性能略低（因反射调用方法效率较低）。 | 性能较高（直接生成字节码，调用方法接近普通方法调用）。 | +| **代码依赖** | 无需依赖外部库，属于 JDK 原生功能。 | 需要引入 `CGLIB` 或其他字节码增强库（如 ASM）。 | +| **应用场景** | 目标类实现了接口时适用。 | 目标类未实现接口或需要对具体类进行代理时适用。 | +| **实现复杂度** | 简单，使用 `Proxy` 类和 `InvocationHandler` 接口生成代理对象。 | 复杂，需要处理字节码增强逻辑（通常通过工具库封装）。 | +| **Spring AOP 支持** | 默认情况下，Spring AOP 使用 JDK 动态代理（如果目标类实现了接口）。 | Spring 会使用 CGLIB 动态代理（如果目标类未实现接口）。 | + +### 🎯 举一个用 Java 实现的装饰模式(decorator design pattern) ？它是作用于对象层次还是类层次？ + +"装饰器模式动态地给对象添加新功能，是**对象层次**的扩展： + +**装饰器模式特点**： + +- **对象组合优于继承**：通过包装而非继承扩展功能 +- **运行时增强**：可以动态添加或撤销装饰 +- **层层嵌套**：多个装饰器可以层层包装 +- **透明性**：装饰后的对象与原对象有相同接口 + +**Java IO流的装饰器设计**： + +```java +// 基础组件 +InputStream fileStream = new FileInputStream("file.txt"); + +// 装饰器层层包装 +InputStream bufferedStream = new BufferedInputStream(fileStream); // 添加缓冲功能 +InputStream dataStream = new DataInputStream(bufferedStream); // 添加数据类型读取 + +// 等价于：new DataInputStream(new BufferedInputStream(new FileInputStream("file.txt"))); ``` -★单例模式：保证某个类只能有一个唯一实例，并提供一个全局的访问点。 -★简单工厂：一个工厂类根据传入的参数决定创建出那一种产品类的实例。 -工厂方法：定义一个创建对象的接口，让子类决定实例化那个类。 -抽象工厂：创建一组相关或依赖对象族，比如创建一组配套的汉堡可乐鸡翅。 -★建造者模式：封装一个复杂对象的构建过程，并可以按步骤构造，最后再build。 -★原型模式：通过复制现有的实例来创建新的实例，减少创建对象成本（字段需要复杂计算或者创建成本高）。 - -★适配器模式：将一个类的方法接口转换成我们希望的另外一个接口。 -★组合模式：将对象组合成树形结构以表示“部分-整体”的层次结构。（无限层级的知识点树） -★装饰模式：动态的给对象添加新的功能。 -★代理模式：为对象提供一个代理以增强对象内的方法。 -亨元（蝇量）模式：通过共享技术来有效的支持大量细粒度的对象（Integer中的少量缓存）。 -★外观模式：对外提供一个统一的方法，来访问子系统中的一群接口。 -桥接模式：将抽象部分和它的实现部分分离，使它们都可以独立的变化（比如插座和充电器，他们之间相插是固定的， -但是至于插座是插在220V还是110V，充电器是充手机还是pad可以自主选择）。 - -★模板方法模式：定义一个算法步骤，每个小步骤由子类各自实现。 -解释器模式：给定一个语言，定义它的文法的一种表示，并定义一个解释器。 -★策略模式：定义一系列算法，把他们封装起来，并且使它们可以相互替换。 -★状态模式：允许一个对象根据其内部状态改变而改变它的行为。 -★观察者模式：被观测的对象发生改变时通知它的所有观察者。 -备忘录模式：保存一个对象的某个状态，以便在适当的时候恢复对象。 -中介者模式：许多对象利用中介者来进行交互，将网状的对象关系变为星状的（最少知识原则）。 -命令模式：将命令请求封装为一个对象，可用于操作的撤销或重做。 -访问者模式：某种物体的使用方式是不一样的，将不同的使用方式交给访问者，而不是给这个物体。（例如对铜的使用，造币厂 -造硬币。雕刻厂造铜像，不应该把造硬币和造铜像的功能交给铜自己实现，这样才能解耦） -★责任链模式：避免请求发送者与接收者耦合在一起，让多个对象都有可能接收请求，将这些对象连接成一条链， -并且沿着这条链传递请求，直到有对象处理它为止。 -迭代器模式：一种遍历访问聚合对象中各个元素的方法，不暴露该对象的内部结构。 + +**作用层次**：装饰器模式作用于**对象层次**，而非类层次 + +- 不改变原有类的结构 +- 通过对象组合实现功能扩展 +- 比继承更加灵活，避免类爆炸 + +装饰器模式让功能扩展变得优雅而灵活。" + + + +--- + +## ⚡ 四、行为型模式（Object Interaction） + +> **核心思想**：关注对象之间的通信，负责对象间的有效沟通和职责委派，解决类或对象之间的交互问题。 + +### 🎯 在 Java 中，什么叫观察者设计模式（observer design pattern）？ + +观察者模式是基于对象的状态变化和观察者的通讯，以便他们作出相应的操作。简单的例子就是一个天气系统，当天气变化时必须在展示给公众的视图中进行反映。这个视图对象是一个主体，而不同的视图是观察者。 + + + +### 🎯 举一个用 Java 实现的装饰模式(decorator design pattern) ？它是作用于对象层次还是类层次？ + +"装饰器模式动态地给对象添加新功能，是**对象层次**的扩展： + +**装饰器模式特点**： + +- **对象组合优于继承**：通过包装而非继承扩展功能 +- **运行时增强**：可以动态添加或撤销装饰 +- **层层嵌套**：多个装饰器可以层层包装 +- **透明性**：装饰后的对象与原对象有相同接口 + +**Java IO流的装饰器设计**： + +```java +// 基础组件 +InputStream fileStream = new FileInputStream("file.txt"); + +// 装饰器层层包装 +InputStream bufferedStream = new BufferedInputStream(fileStream); // 添加缓冲功能 +InputStream dataStream = new DataInputStream(bufferedStream); // 添加数据类型读取 + +// 等价于：new DataInputStream(new BufferedInputStream(new FileInputStream("file.txt"))); ``` +**作用层次**：装饰器模式作用于**对象层次**，而非类层次 + +- 不改变原有类的结构 +- 通过对象组合实现功能扩展 +- 比继承更加灵活，避免类爆炸 + +装饰器模式让功能扩展变得优雅而灵活。" + + + +--- + +## 🌟 五、实际应用（Practical Application） + +> **核心思想**：设计模式在实际项目中的应用案例和最佳实践，包括Spring框架、项目实战经验和开发建议。 + +### 🎯 Spring 当中用到了哪些设计模式？ + +"Spring框架大量运用设计模式，体现了优秀的架构设计： + +**创建型模式**： + +- **单例模式**：Spring Bean默认为单例，确保全局唯一性 +- **工厂模式**：BeanFactory是工厂的抽象，ApplicationContext是具体工厂 +- **建造者模式**：BeanDefinitionBuilder用于构建复杂的Bean定义 +- **原型模式**：prototype作用域的Bean通过克隆创建 + +**结构型模式**： + +- **代理模式**：AOP的核心实现，JDK动态代理和CGLIB代理 +- **装饰器模式**：BeanWrapper装饰Bean，添加属性访问能力 +- **适配器模式**：HandlerAdapter适配不同类型的Controller +- **外观模式**：ApplicationContext提供统一的访问接口 + +**行为型模式**： + +- **模板方法模式**：JdbcTemplate、RestTemplate等模板类 +- **策略模式**：Bean实例化策略选择（单例vs原型） +- **观察者模式**：ApplicationEvent和ApplicationListener +- **责任链模式**：Filter链、Interceptor链的处理方式 + +Spring的设计模式应用体现了框架的灵活性和可扩展性。" + + + +### 🎯 在工作中遇到过哪些设计模式，是如何应用的 + +"在实际项目开发中，我经常使用以下设计模式： + +**业务场景应用**： + +- **策略模式**：支付方式选择（支付宝、微信、银行卡支付策略） +- **工厂模式**：消息处理器创建（短信、邮件、推送消息工厂） +- **模板方法模式**：业务流程框架（订单处理、审批流程模板） +- **责任链模式**：权限验证链、参数校验链、业务处理链 +- **观察者模式**：系统事件通知（用户注册后发送邮件、积分等） + +**系统设计应用**： + +- **单例模式**：配置管理器、缓存管理器、日志记录器 +- **建造者模式**：复杂查询条件构建、报表生成器 +- **适配器模式**：第三方服务接口适配、遗留系统集成 +- **代理模式**：AOP切面编程、性能监控、事务管理 +- **外观模式**：微服务聚合接口、复杂子系统封装 + +设计模式让代码更易维护、扩展和理解，是高质量代码的基石。” + + + +### 🎯 简述一下你了解的 Java 设计模式（总结） + +"GoF 23种设计模式按用途分为三大类，每类解决不同层面的问题： + +**⭐ 常用设计模式重点掌握**： + +**创建型模式（5种）**： + +- ⭐⭐⭐ **单例模式**：确保类只有一个实例，全局访问点 +- ⭐⭐⭐ **工厂方法**：定义创建对象接口，子类决定实例化类型 +- ⭐⭐ **建造者模式**：分步构造复杂对象，相同过程创建不同表示 +- ⭐⭐ **原型模式**：通过克隆创建对象，避免复杂初始化 +- ⭐ **抽象工厂**：创建相关对象族，无需指定具体类 + +**结构型模式（7种）**： + +- ⭐⭐⭐ **代理模式**：为对象提供代理，控制访问并增强功能 +- ⭐⭐⭐ **装饰模式**：动态添加对象功能，灵活扩展行为 +- ⭐⭐ **适配器模式**：转换接口，让不兼容类协同工作 +- ⭐⭐ **外观模式**：提供统一接口，简化子系统访问 +- ⭐ **组合模式**：树形结构，统一处理单个和组合对象 +- 桥接模式：分离抽象和实现，两者可独立变化 +- 享元模式：共享对象减少内存使用 + +**行为型模式（11种）**： + +- ⭐⭐⭐ **观察者模式**：对象间一对多依赖，状态变化通知所有观察者 +- ⭐⭐⭐ **策略模式**：定义算法族，封装并可相互替换 +- ⭐⭐ **模板方法**：定义算法骨架，子类实现具体步骤 +- ⭐⭐ **责任链模式**：请求沿链传递，直到有对象处理 +- ⭐ **状态模式**：对象内部状态改变时改变行为 +- 命令模式：请求封装为对象，支持撤销和重做 +- 访问者模式：分离算法与数据结构，便于添加新操作 +- 中介者模式：集中处理对象间复杂交互 +- 备忘录模式：保存对象状态，支持恢复 +- 解释器模式：为语言定义文法表示和解释器 +- 迭代器模式：顺序访问聚合对象元素 + +--- + +## 🎓 总结与最佳实践 + +设计模式不是银弹，但是优秀代码的重要组成部分。选择合适的模式，避免过度设计，在实际应用中不断练习和总结，才能真正掌握设计模式的精髓。记住：**设计模式是为了解决问题而存在的，不要为了使用模式而使用模式**。 + +### 🎯 学习设计模式的建议 + +1. **理解问题背景**：每个模式都是为了解决特定问题而产生的 +2. **掌握核心结构**：理解模式的组成部分和它们之间的关系 +3. **练习代码实现**：通过编写代码来加深理解 +4. **结合实际项目**：在真实项目中寻找应用场景 +5. **避免过度设计**：不要为了使用模式而使用模式 + +### 🎯 常见的设计误区 + +1. **模式万能论**：认为设计模式可以解决所有问题 +2. **过度抽象**：为简单问题引入复杂的模式 +3. **死记硬背**：只记住结构而不理解应用场景 +4. **盲目套用**：不考虑具体情况强行使用某种模式 + +### 🎯 面试重点提醒 + +- 重点掌握单例、工厂、代理、观察者、策略等常用模式 +- 理解设计原则，特别是开闭原则和单一职责原则 +- 能够结合Spring框架说明模式的实际应用 +- 准备1-2个项目中实际使用设计模式的案例 + +**最终目标**：让设计模式成为你编写高质量代码的有力工具！ + diff --git a/docs/interview/Elasticsearch-FAQ.md b/docs/interview/Elasticsearch-FAQ.md index 7a8af45e44..be389776fd 100644 --- a/docs/interview/Elasticsearch-FAQ.md +++ b/docs/interview/Elasticsearch-FAQ.md @@ -1,56 +1,154 @@ -目前的 ES 有 4个 节点、14个索引、236个分片、文档数 12 亿 +--- +title: Elasticsearch 核心面试八股文 +date: 2024-05-31 +tags: + - Elasticsearch + - Interview +categories: Interview +--- -写可以达到 2 万 +![](https://img.starfish.ink/common/faq-banner.png) -bulk 1000 左右 +> Elasticsearch是基于Lucene的**分布式搜索与分析引擎**，也是面试官考察**搜索技术栈**的重中之重。从基础概念到集群架构，从查询优化到性能调优，每一个知识点都可能成为面试的关键。本文档将**最常考的ES知识点**整理成**标准话术**，让你在面试中对答如流！ +--- +## 🗺️ 知识导航 -### 1、elasticsearch了解多少，说说你们公司es的集群架构，索引数据大小，分片有多少，以及一些调优手段 。 +### 🏷️ 核心知识分类 -`面试官` ：想了解应聘者之前公司接触的ES使用场景、规模，有没有做过比较大规模的索引设计、规划、调优。`解答` ：如实结合自己的实践场景回答即可。比如：ES集群架构13个节点，索引根据通道不同共20+索引，根据日期，每日递增20+，索引：10分片，每日递增1亿+数据，每个通道每天索引大小控制：150GB之内。 +1. **🔥 基础概念类**：索引、文档、分片、副本、倒排索引 +2. **📊 查询与索引原理**：查询DSL、分词器、Mapping、存储机制 +3. **🌐 集群与架构**：节点角色、选主机制、分片分配、故障转移 +4. **⚡ 性能优化类**：写入优化、查询优化、深分页、refresh机制 +5. **🔧 高级特性**：聚合分析、路由机制、批量操作、脚本查询 +6. **🚨 异常与故障处理**：脑裂问题、性能排查、内存优化、数据不均衡 +7. **💼 实战场景题**：日志分析、商品搜索、索引设计、数据清理 -仅索引层面调优手段： -#### 1.1、设计阶段调优 -- 1）根据业务增量需求，采取基于日期模板创建索引，通过roll over API滚动索引； -- 2）使用别名进行索引管理； -- 3）每天凌晨定时对索引做force_merge操作，以释放空间； -- 4）采取冷热分离机制，热数据存储到SSD，提高检索效率；冷数据定期进行shrink操作，以缩减存储； -- 5）采取curator进行索引的生命周期管理； -- 6）仅针对需要分词的字段，合理的设置分词器； -- 7）Mapping阶段充分结合各个字段的属性，是否需要检索、是否需要存储等。 …….. +### 🔑 面试话术模板 -#### 1.2、写入调优 +| **问题类型** | **回答框架** | **关键要点** | **深入扩展** | +| ------------ | ----------------------------------- | ------------------ | ------------------ | +| **概念解释** | 定义→特点→应用场景→示例 | 准确定义，突出特点 | 底层原理，源码分析 | +| **对比分析** | 相同点→不同点→使用场景→选择建议 | 多维度对比 | 性能差异，实际应用 | +| **原理解析** | 背景→实现机制→执行流程→注意事项 | 图解流程 | Lucene层面，JVM调优 | +| **优化实践** | 问题现象→分析思路→解决方案→监控验证 | 实际案例 | 最佳实践，踩坑经验 | -- 1）写入前副本数设置为0； -- 2）写入前关闭refresh_interval设置为-1，禁用刷新机制； -- 3）写入过程中：采取bulk批量写入； -- 4）写入后恢复副本数和刷新间隔； -- 5）尽量使用自动生成的id。 +--- -#### 1.3、查询调优 +## 🔥 一、基础概念类（ES核心） -- 1）禁用wildcard； -- 2）禁用批量terms（成百上千的场景）； -- 3）充分利用倒排索引机制，能keyword类型尽量keyword； -- 4）数据量大时候，可以先基于时间敲定索引再检索； -- 5）设置合理的路由机制。 +> **核心思想**：Elasticsearch是基于Lucene的分布式搜索引擎，通过倒排索引实现快速全文检索，通过分片和副本实现水平扩展和高可用。 -#### 1.4、其他调优 +### 🎯 什么是 Elasticsearch？它的核心应用场景是什么？ -部署调优，业务调优等。 +1. **Elasticsearch 是什么？** -上面的提及一部分，面试者就基本对你之前的实践或者运维经验有所评估了。 + Elasticsearch（ES）是基于 Lucene 的 **分布式搜索与分析引擎**。它通过 **倒排索引**（文本）与 **列式/树结构**（数值、地理、向量）实现 **高并发、低延迟** 的检索与聚合，支持 **水平扩展、自动分片与副本**、近实时(NRT)搜索。 + + 常用于： + + - 全文搜索（搜索引擎、日志检索） + - 实时数据分析（监控、报表） + - 大规模数据存储与快速查询（ELK：Elasticsearch + Logstash + Kibana） + + 一句话总结： Elasticsearch 就是“能存数据的搜索引擎”，特别适合**模糊查询、全文检索、实时分析**的场景。 + +2. **Elasticsearch 的特点** + + - **全文检索**：支持分词、倒排索引，能快速进行模糊搜索、关键词高亮等。 + + - **分布式**：天然支持水平扩展，数据分片存储，副本保证高可用。 + + - **近实时（NRT）**：数据写入后几乎能立即被搜索到（默认刷新间隔 1 秒）。 + + - **多种查询方式**：支持结构化查询（类似 SQL）、全文检索、聚合分析。 + + - **Schema 灵活**：字段可以动态添加，不需要固定表结构。 + + + +### 🎯 ES 和 MySQL 的区别？什么时候选用 ES？ + +| 对比维度 | Elasticsearch | 关系型数据库 (RDBMS) | +| ------------------ | --------------------------------------- | -------------------------------- | +| **数据模型** | 文档型（JSON 格式），索引 → 文档 → 字段 | 表格型（行、列、表） | +| **存储结构** | 倒排索引（适合搜索） | B+ 树（适合事务、范围查询） | +| **查询能力** | 全文检索、模糊匹配、聚合分析 | SQL 查询（精确匹配、复杂关联） | +| **扩展性** | 分布式架构，水平扩展方便 | 单机为主，分库分表扩展复杂 | +| **事务支持** | 不支持复杂事务（仅保证单文档原子性） | 支持 ACID 事务 | +| **场景适用** | 搜索引擎、日志分析、实时监控 | 金融交易、库存管理、强一致性系统 | +| **模式（Schema）** | 灵活 schema，可动态添加字段 | 严格 schema，结构需提前定义 | + +> Elasticsearch 是一个分布式的搜索和分析引擎，底层基于 Lucene，常用于全文检索和实时数据分析。 +> 和关系型数据库不同，ES 使用文档存储和倒排索引，更适合处理模糊搜索和大规模非结构化数据；而关系型数据库强调事务一致性和结构化查询，更适合业务系统的数据存储。 + + + +### 🎯 ES 中的索引（Index）、类型（Type，7.x 之后废弃）、文档（Document）、字段（Field）分别是什么？ + +- **Index**：类似“库”，由多个分片（Shard）组成。 + +- Type（类型，7.x 之后废弃）：在早期版本（6.x 及之前），一个索引可以有多个 **类型（Type）**，类似数据库中的 **表（Table）**。 + + - **作用**：不同类型的数据可以放在同一个索引里，每个类型有自己的 Mapping（字段定义）。 + - **为什么废弃**： + - ES 内部底层其实没有 “多表” 概念，所有 type 都是写在一个隐藏字段 `_type` 上。 + - 多个 type 共用一个倒排索引，容易导致 **字段冲突**（同名字段不同类型）。 + - 7.x 之后，一个索引只允许有一个 type（默认 `_doc`），8.x 完全移除。 + +- **Document**： + + **定义**：文档是 Elasticsearch 存储和检索的基本单位，相当于关系型数据库中的 **一行数据（Row）**。 + + **特点**： + + - 用 JSON 格式存储数据。 + - 每个文档都有一个 `_id`，用于唯一标识。 + - 文档属于某个索引。 + + ```json + { + "id": 1, + "name": "Alice", + "age": 25, + "city": "Beijing" + } + ``` -### 2、elasticsearch的倒排索引是什么 + 这是存放在 `users` 索引下的一个文档。 -`面试官` ：想了解你对基础概念的认知。`解答` ：通俗解释一下就可以。 +- **Field（字段）**: 字段就是文档中的一个 **键值对（Key-Value）**，相当于关系型数据库中的 **列（Column）**。 -传统的我们的检索是通过文章，逐个遍历找到对应关键词的位置。**而倒排索引，是通过分词策略，形成了词和文章的映射关系表，这种词典+映射表即为倒排索引**。有了倒排索引，就能实现`o（1）时间复杂度` 的效率检索文章了，极大的提高了检索效率。 + **特点**： -![在这里插入图片描述](https://user-gold-cdn.xitu.io/2019/1/22/16874bae6bd24813?imageView2/0/w/1280/h/960/format/webp/ignore-error/1) + - 每个字段可以有不同的数据类型（text、keyword、integer、date、boolean…）。 + + - 字段可以嵌套，比如： + + ```json + { + "user": { + "name": "Alice", + "age": 25 + } + } + ``` + + 这里 `user` 是一个对象字段，`user.name` 和 `user.age` 是子字段。 + + - **Mapping**：字段的数据类型和分词方式通过 Mapping 来定义。 + +- **Shard**：索引的水平切分单位，**Primary Shard** + **Replica Shard**；Replica 提供高可用与读扩展。 +- **NRT**：写入先进入内存并记录到 **translog**，刷新（refresh，默认 1s）后生成可搜索的 segment，故 **近实时**而非绝对实时。 + + + +### 🎯 倒排索引是什么？为什么 ES 查询快？ + +传统的我们的检索是通过文章，逐个遍历找到对应关键词的位置。**而倒排索引，是通过分词策略，形成了词和文章的映射关系表，这种词典+映射表即为倒排索引**。有了倒排索引，就能实现`o（1）时间复杂度` 的效率检索文章了，极大的提高了检索效率。![在这里插入图片描述](https://www3.nd.edu/~pbui/teaching/cse.30331.fa16/static/img/mapreduce-wordcount.png) 学术的解答方式： @@ -58,54 +156,452 @@ bulk 1000 左右 `加分项` ：倒排索引的底层实现是基于：FST（Finite State Transducer）数据结构。lucene从4+版本后开始大量使用的数据结构是FST。FST有两个优点： -- 1）空间占用小。通过对词典中单词前缀和后缀的重复利用，压缩了存储空间； -- 2）查询速度快。O(len(str))的查询时间复杂度。 +- 空间占用小。通过对词典中单词前缀和后缀的重复利用，压缩了存储空间； +- 查询速度快。O(len(str))的查询时间复杂度。 -### 3、elasticsearch 索引数据多了怎么办，如何调优，部署 +建索引时：文本经 **Analyzer（分词器：字符过滤→Tokenizer→Token 过滤）** 拆成 Term；建立 **Term→PostingList(DocID、位置、频率)** 的倒排表。查询时只需按 Term 直达候选 Doc，结合 **BM25** 等相关性模型打分，避免全表扫描。 -`面试官` ：想了解大数据量的运维能力。`解答` ：索引数据的规划，应在前期做好规划，正所谓“设计先行，编码在后”，这样才能有效的避免突如其来的数据激增导致集群处理能力不足引发的线上客户检索或者其他业务受到影响。如何调优，正如问题1所说，这里细化一下： +- 词典（Term Dictionary）用 **FST** 压缩；PostingList 支持 **跳表**/块压缩以加速跳转与节省内存/磁盘。 +- **高效的过滤上下文**（bool filter）可走 **bitset** 缓存，进一步减少候选集。 -#### 3.1 动态索引层面 -基于`模板+时间+rollover api滚动` 创建索引，举例：设计阶段定义：blog索引的模板格式为：blog_index_时间戳的形式，每天递增数据。 -这样做的好处：不至于数据量激增导致单个索引数据量非常大，接近于上线2的32次幂-1，索引存储达到了TB+甚至更大。 +### 🎯 什么是分片（Shard）和副本（Replica）？作用是什么？ -一旦单个索引很大，存储等各种风险也随之而来，所以要提前考虑+及早避免。 +> - **分片（Shard）** 是 Elasticsearch 的 **水平扩展机制**，把索引切分成多个小块，分布到不同节点，保证存储和计算能力能随着节点数扩展。 +> - **副本（Replica）** 是 Elasticsearch 的 **高可用和读扩展机制**，保证在节点宕机时数据不丢失，同时分担查询压力。 +> - 写入先到主分片，再复制到副本；查询可在主分片或副本执行。 -#### 3.2 存储层面 +分片是为了将数据分散到多个节点上，实现数据的分布式存储；副本用于提高系统的容错性和查询性能。 -`冷热数据分离存储` ，热数据（比如最近3天或者一周的数据），其余为冷数据。对于冷数据不会再写入新数据，可以考虑定期force_merge加shrink压缩操作，节省存储空间和检索效率。 +1. 分片（Shard） -#### 3.3 部署层面 +- **定义**： + - Elasticsearch 中的数据量可能非常大，单台机器无法存下，所以一个索引会被**切分成多个分片（Shard）**。 + - 每个分片本质上就是一个 **Lucene 索引（底层存储单元）**。 +- **类型**： + - **主分片（Primary Shard）**：存放原始数据，写入时必须先写入主分片。 + - **副本分片（Replica Shard）**：主分片的拷贝，用于 **容错 + 读请求负载均衡**。 +- **特点**： + - 分片在不同节点上分布，保证数据水平扩展。 + - 每个分片大小建议控制在 **10GB ~ 50GB** 之间，太大恢复和迁移慢，太小则分片数过多影响性能。 + - 索引在创建时可以设置分片数量（不可修改），副本数量可以动态调整。 -一旦之前没有规划，这里就属于应急策略。结合ES自身的支持动态扩展的特点，动态新增机器的方式可以缓解集群压力，注意：如果之前主节点等`规划合理` ，不需要重启集群也能完成动态新增的。 +------ + +2. 副本（Replica） + +- **定义**： + - Replica 是 Primary Shard 的完整拷贝。 + - 默认每个主分片有 **1 个副本**，可以通过 `number_of_replicas` 设置。 +- **作用**： + 1. **高可用**：如果某个节点宕机，副本可以提升为主分片，保证数据不丢。 + 2. **读负载均衡**：查询请求可以在主分片或副本分片上执行，从而分散查询压力。 +- **注意**： + - 写操作只会在 **主分片** 上执行，然后异步复制到副本。 + - 为了避免数据不一致，ES 保证**副本和主分片不在同一节点上**。 + +------ + +3. 写入流程 + + ① 客户端发送写请求到任意节点（协调节点）。 + + ② 协调节点根据 **路由算法**（默认使用 `_id` hash）找到目标主分片。 + + ③写入主分片成功后，主分片再把数据复制到对应的副本分片。 + + ④ 主分片和所有副本都确认后，写入成功。 + +------ + +4. 查询流程 + +​ ① 客户端发送查询请求到协调节点。 + +​ ② 协调节点把请求分发到主分片或副本分片。 + +​ ③ 各分片执行查询，返回结果到协调节点。 + +​ ④ 协调节点合并、排序后返回给客户端。 + +------ -### 4、elasticsearch是如何实现master选举的 +在创建索引时，可以指定分片数和副本数，示例： -`面试官` ：想了解ES集群的底层原理，不再只关注业务层面了。`解答` ：前置前提： +```json +PUT /my_index +{ + "settings": { + "number_of_shards": 5, + "number_of_replicas": 1 + } +} +``` + + + +## 📊 二、查询与索引原理（核心机制） + +> **核心思想**：理解ES的存储机制（倒排索引）、查询机制（Query DSL）、分词机制（Analyzer）和映射机制（Mapping）是掌握ES的关键。 + +- **查询方式**：[ES查询类型](#es-支持哪些查询方式) | [term vs match](#term-vs-matchmatch_phraseboolfilter-的区别与选型) +- **字段类型**：[text vs keyword](#text-与-keyword-有何区别如何两用) | [Mapping机制](#mapping映射是什么动态-mapping-和静态-mapping-有什么区别) +- **分词分析**：[分词器原理](#es-中的分词器analyzer是什么常见有哪些) | [全文搜索](#如何在-elasticsearch-中进行全文搜索) +- **存储检索**：[文档存储流程](#es-的文档是如何被存储和检索的) | [索引写入过程](#详细描述一下elasticsearch索引文档的过程) | [搜索过程](#详细描述一下elasticsearch搜索的过程) + +### 🎯 ES 支持哪些查询方式？ + +1. **Match 查询**：最常用的查询类型，全文搜索查询，会对输入的查询词进行分析（分词）。 + + ```json + { + "query": { + "match": { + "field_name": "search_value" + } + } + } + ``` + +2. **Term 查询**：精确查询，不进行分析。通常用于关键词或数字等不需要分词的字段。 + + ```json + { + "query": { + "term": { + "field_name": "exact_value" + } + } + } + ``` + +3. **Range 查询**：范围查询，用于查找某个范围内的数值、日期等。 + + ```json + { + "query": { + "range": { + "field_name": { + "gte": 10, + "lte": 20 + } + } + } + } + ``` + +4. **Bool 查询**：组合查询，支持 `must`（必须匹配）、`should`（应该匹配）、`must_not`（必须不匹配）等子查询的逻辑操作。 + + ```json + { + "query": { + "bool": { + "must": [ + { "match": { "field_name": "value1" } }, + { "range": { "date_field": { "gte": "2020-01-01" } } } + ] + } + } + } + ``` + +5. **Aggregations（聚合）**：用于数据统计和分析，如计数、求和、平均值、最大值、最小值等。 -- 1）只有候选主节点（master：true）的节点才能成为主节点。 -- 2）最小主节点数（min_master_nodes）的目的是防止脑裂。 + ```json + { + "aggs": { + "average_price": { + "avg": { + "field": "price" + } + } + } + } + ``` -这个我看了各种网上分析的版本和源码分析的书籍，云里雾里。核对了一下代码，核心入口为findMaster，选择主节点成功返回对应Master，否则返回null。选举流程大致描述如下： -- 第一步：确认候选主节点数达标，elasticsearch.yml设置的值discovery.zen.minimum_master_nodes； -- 第二步：比较：先判定是否具备master资格，具备候选主节点资格的优先返回；若两节点都为候选主节点，则id小的值会主节点。注意这里的id为string类型。 -题外话：获取节点id的方法。 +### 🎯 term vs match、match_phrase、bool、filter 的区别与选型？ +- **term**：不分词，精确匹配（适合 `keyword`/ID/码值）。 +- **match**：分词后查询（适合 `text` 全文检索）。 +- **match_phrase**：按词序匹配短语，依赖 position 信息（性能较 match 差）。 +- **bool**：组合查询（must/should/must_not/filter）。其中 **filter 不参与打分**、可缓存，适合条件筛选（如时间、状态）。 + 选型：**结构化精确条件走 filter/term，全文用 match/match_phrase**。 + + + +### 🎯 text 与 keyword 有何区别？如何两用？ + +- 话术：text 用于分词检索；keyword 用于精确匹配/聚合/排序。两用用 multi-fields。 +- 关键要点：中文分词 ik_max_word/ik_smart；高基数字段用 keyword 并开启 doc_values。 +- 示例 + +```json +PUT /blog +{ + "mappings": { + "properties": { + "title": { "type": "text", "fields": { "keyword": { "type": "keyword" } } }, + "tags": { "type": "keyword" } + } + } +} ``` -1GET /_cat/nodes?v&h=ip,port,heapPercent,heapMax,id,name2ip port heapPercent heapMax id name3127.0.0.1 9300 39 1.9gb Hk9w Hk9wFwU + +- 常见追问：为什么聚合要 keyword？避免分词与评分，走列式 doc_values。 + + + +### 🎯 如何在 Elasticsearch 中进行全文搜索？ + +使用 `match` 查询进行全文搜索。例如： + +```json +{ + "query": { + "match": { + "field_name": "search_text" + } + } +} ``` -### 5、详细描述一下Elasticsearch索引文档的过程 -`面试官` ：想了解ES的底层原理，不再只关注业务层面了。`解答` ：这里的索引文档应该理解为文档写入ES，创建索引的过程。文档写入包含：单文档写入和批量bulk写入，这里只解释一下：单文档写入流程。 + +### 🎯 ES 中的分词器（Analyzer）是什么？常见有哪些？ + +> **Analyzer（分词器）** 是 ES 用来把文本转换成倒排索引里的 token 的组件。 +> +> 它由 **字符过滤器 → 分词器 → 词项过滤器** 三部分组成。 +> +> 常见分词器有 **standard、simple、whitespace、stop、keyword、pattern、language analyzer**，中文常用 **IK 分词器**。 +> +> **选择分词器的关键**：写入和查询要用一致的分词方式，否则可能导致查不到结果。 + +分词器是 Elasticsearch 在建立倒排索引时，用来把 **文本切分成一个个词项（Term）** 的工具。 + +它决定了： + +- 文本如何分词（tokenizer 负责） +- 分词结果如何处理（character filter 和 token filter 负责） + +- **作用**： + - **写入时**：文档进入 ES，字段值会经过分词器，拆成若干词项，存入倒排索引。 + - **查询时**：用户的搜索关键词也会经过同样的分词器处理，然后去倒排索引里匹配。 + +👉 分词器的一致性非常重要：写入和查询时要用相同或兼容的分词方式，否则会出现“查不到”的情况。 + +**分词器的组成（3 部分）** + +1. **Character Filters（字符过滤器）**： + 在分词前先对文本做预处理，例如去掉 HTML 标签、替换符号等。 + - 例子：把 `Hello` 转换为 `Hello`。 +2. **Tokenizer（分词器）**： + 核心组件，决定如何切分文本成 token。 + - 例子：`"Hello World"` → `["Hello", "World"]`。 +3. **Token Filters（词项过滤器）**： + 对切出来的词项进一步处理，比如大小写转换、停用词过滤、词干还原等。 + - 例子：把 `["Running", "Runs"]` → `["run", "run"]`。 + +------ + +**常见的内置分词器（Analyzer）** + +- Standard Analyzer（默认分词器）：ES 默认分词器，基于 Unicode Text Segmentation。 + - 按词法规则拆分单词、小写化、去掉标点符号。 + - `"The QUICK brown-foxes."` → `["the", "quick", "brown", "foxes"]` + +- Simple Analyzer：只按照非字母字符拆分。 + - 全部转小写、不会去掉停用词。 + - `"Hello, WORLD!"` → `["hello", "world"]` + +- Whitespace Analyzer：仅仅按照空格拆分，不做大小写转换。 + - `"Hello World Test"` → `["Hello", "World", "Test"]` + + + +### 🎯 Mapping（映射）是什么？动态 mapping 和静态 mapping 有什么区别？ + +> **Mapping 就是索引的字段定义，类似数据库的表结构。** +> +> **动态 mapping**：字段自动识别，方便但有风险，适合快速开发。 +> +> **静态 mapping**：字段手动定义，安全可控，适合生产环境。 +> +> 通常生产环境推荐 **静态 mapping** 或 **动态模板 + 部分静态 mapping** 来平衡灵活性与可控性。 + +在 Elasticsearch 中，**Mapping 就是索引中字段的结构定义（类似关系型数据库中的表结构和字段类型约束）**。 + +它决定了： + +- 每个字段的数据类型（如 `text`、`keyword`、`integer`、`date`）。 +- 字段是否可被索引（`index: true/false`）。 +- 使用的分词器（analyzer）。 +- 是否存储原始值（`store`）。 + +👉 简单说：**Mapping 定义了文档中字段是如何存储和索引的。** + +------ + +**常见字段类型** + +- **字符串类型**： + - `text`：会分词，适合全文检索。 + - `keyword`：不分词，适合精确匹配（ID、标签、邮箱等）。 +- **数字类型**：`integer`、`long`、`double`、`float` 等。 +- **布尔类型**：`boolean`。 +- **日期类型**：`date`。 +- **复杂类型**：`object`、`nested`（专门用于嵌套对象）。 + +------ + +**动态 Mapping**：Elasticsearch 支持 **动态映射**，即插入文档时，如果字段不存在，会自动推断字段类型并添加到 mapping。 + +- **优点**： + + - 使用方便，不需要提前设计表结构。 + - 适合快速开发、探索数据结构。 + +- **缺点**： + + - 推断类型可能不准确（比如 `"123"` 可能被识别为 `long`，但其实是字符串）。 + - 一旦字段类型被确定，就不能修改。 + - 容易出现 mapping 爆炸（比如 JSON 动态字段过多）。 + + ```json + { "age": 25, "name": "Tom", "is_active": true } + ``` + + ES 会自动生成 mapping： + + ```json + { + "properties": { + "age": { "type": "long" }, + "name": { "type": "text", "fields": { "keyword": { "type": "keyword" } } }, + "is_active": { "type": "boolean" } + } + } + ``` + +**静态 Mapping**：用户在创建索引时，**手动指定 mapping 结构**，字段类型和配置不会依赖 ES 的自动推断。 + +- **优点**： + + - 类型更精确，避免 ES 自动推断错误。 + - 可指定 analyzer、index、store 等配置，更灵活。 + - 避免 mapping 爆炸问题。 + +- **缺点**： + + - 需要提前设计数据结构。 + - 灵活性不如动态 mapping。 + + ```json + PUT users + { + "mappings": { + "properties": { + "age": { "type": "integer" }, + "name": { "type": "keyword" }, + "created_at": { "type": "date", "format": "yyyy-MM-dd HH:mm:ss" } + } + } + } + ``` + + + +### 🎯 Mapping 有何讲究？text vs keyword、multi-fields、normalizer？ + +- **text**：分词，适合全文检索，不适合聚合/排序（除非启用 `fielddata`，但极耗内存，不推荐）。 +- **keyword**：不分词，适合精确匹配、聚合、排序；可配 **normalizer**（小写化、去空格）做规范化。 +- **multi-fields**：一个字段既要搜索又要聚合：`title` 映射为 `text`，同时加 `title.keyword` 为 `keyword`。 +- 尽量 **静态明确 mapping**，用 **dynamic_templates** 控制自动映射，避免误判类型（如数值被映射成 text）。 + + + +### 🎯 ES 的文档是如何被存储和检索的？ + +> **存储**：文档以 JSON 形式写入，根据 `_id` 路由到分片 → 分词器对 `text` 字段建立倒排索引，同时存储原始文档 `_source`，数据落到 Lucene 的 **segment** 文件。 +> +> **检索**：查询请求分发到各分片 → 分词匹配倒排索引 → 计算相关度 → 各分片返回结果 → 协调节点合并排序 → 返回最终结果。 +> +> **核心结构**：倒排索引（全文检索）、正排索引（聚合/排序）、段文件（存储单元）。 + +在 Elasticsearch 中，文档是 JSON 格式的，存储过程大致如下： + +**写入流程** + +1. **客户端写入文档**（JSON 对象）。 + + ```json + { "id": 1, "title": "Elasticsearch is great", "tag": "search" } + ``` + +2. **路由到分片**： + + - 根据文档的 `_id`（或指定的 routing 值），通过 **hash 算法**决定存储在哪个主分片（Primary Shard）上。 + - 复制到副本分片（Replica Shard）。 + +3. **倒排索引（Inverted Index）构建**： + + - 对 `text` 类型字段（如 `title`）执行 **分词（Analyzer）** → `["elasticsearch", "is", "great"]`。 + - 将每个词条写入倒排索引（Term Dictionary + Posting List）。 + - 对 `keyword`、`date`、`integer` 等字段存储为单值，直接写入索引结构。 + +4. **存储原始文档**： + + - ES 默认会在 `_source` 字段里存储原始 JSON 文档，便于后续返回和 reindex。 + - 底层基于 **Lucene**，存储在 **段（segment）** 文件中。 + +------ + +**文档是如何检索的？** + +**查询流程** + +1. **客户端发起查询请求**：可以是全文检索（match）、精确匹配（term）、聚合（aggregation）等。 +2. **路由到所有相关分片**：协调节点（coordinating node）将查询广播到目标索引的所有分片（主分片或副本分片）。 +3. **分片内执行搜索** + - 对 `text` 字段，先对查询字符串分词。 + - 例如：搜索 `"great elasticsearch"` → 分词成 `["great", "elasticsearch"]`。 + - 在倒排索引里找到包含这些词的文档 ID（docID）。 + - 计算每个文档的相关度（TF-IDF / BM25）。 +4. **合并结果** + - 各分片返回匹配结果和得分。 + - 协调节点合并、排序，取 Top N 返回给客户端。 + +**聚合流程** + +- 如果是 **聚合查询**（比如统计 tag 的数量），ES 会先在每个分片执行部分聚合，再由协调节点做最终合并。 + +------ + +**底层数据结构** + +- **倒排索引（Inverted Index）** + - 类似一本字典，记录“词 → 出现在哪些文档”。 + - 比如 `great → [doc1, doc5, doc7]`。 +- **正排索引（Stored Fields / Doc Values）** + - 记录“文档 → 字段值”，主要用于排序、聚合。 +- **段（Segment）** + - Lucene 的最小存储单元，写入时只能追加，不可修改。 + - 删除/更新文档实际上是打标记（deleted），通过 **merge** 过程清理。 + + + +### 🎯 详细描述一下Elasticsearch索引文档的过程 + +`面试官` ：想了解ES的底层原理，不再只关注业务层面了。 + +`解答` ：这里的索引文档应该理解为文档写入ES，创建索引的过程。文档写入包含：单文档写入和批量bulk写入，这里只解释一下：单文档写入流程。 记住官方文档中的这个图。 -![在这里插入图片描述](https://user-gold-cdn.xitu.io/2019/1/22/16874bae6bc42a99?imageView2/0/w/1280/h/960/format/webp/ignore-error/1) +![](https://img-blog.csdnimg.cn/20190119231620775.png) 第一步：客户写集群某节点写入数据，发送请求。（如果没有指定路由/协调节点，请求的节点扮演`路由节点` 的角色。） @@ -116,33 +612,2197 @@ bulk 1000 左右 如果面试官再问：第二步中的文档获取分片的过程？回答：借助路由算法获取，路由算法就是根据路由和文档id计算目标的分片id的过程。 ``` -1shard = hash(_routing) % (num_of_primary_shards) +shard = hash(_routing) % (num_of_primary_shards) ``` -### 6、详细描述一下Elasticsearch搜索的过程？ -`面试官` ：想了解ES搜索的底层原理，不再只关注业务层面了。`解答` ：搜索拆解为“query then fetch” 两个阶段。**query阶段的目的**：定位到位置，但不取。步骤拆解如下： -- 1）假设一个索引数据有5主+1副本 共10分片，一次请求会命中（主或者副本分片中）的一个。 -- 2）每个分片在本地进行查询，结果返回到本地有序的优先队列中。 -- 3）第2）步骤的结果发送到协调节点，协调节点产生一个全局的排序列表。 +### 🎯 详细描述一下Elasticsearch搜索的过程？ + +搜索拆解为“query then fetch” 两个阶段。**query阶段的目的**：定位到位置，但不取。步骤拆解如下： + +1. 假设一个索引数据有5主+1副本 共10分片，一次请求会命中（主或者副本分片中）的一个。 +2. 每个分片在本地进行查询，结果返回到本地有序的优先队列中。 +3. 第 2 步骤的结果发送到协调节点，协调节点产生一个全局的排序列表。 **fetch阶段的目的**：取数据。路由节点获取所有文档，返回给客户端。 -### 7、Elasticsearch在部署时，对Linux的设置有哪些优化方法 -`面试官` ：想了解对ES集群的运维能力。`解答` ： -- 1）关闭缓存swap; -- 2）堆内存设置为：Min（节点内存/2, 32GB）; -- 3)设置最大文件句柄数； -- 4）线程池+队列大小根据业务需要做调整； -- 5）磁盘存储raid方式——存储有条件使用RAID10，增加单节点性能以及避免单节点存储故障。 +### 🎯 **如何使用 Elasticsearch 进行日志分析？** + +可以使用 Elasticsearch 的聚合功能进行日志数据的分析，比如按日期统计日志数量、按日志级别聚合等。 + + + +### 🎯 Elasticsearch 中的 `bulk` 操作是什么？ + +`bulk` 操作用于批量插入、更新、删除文档，能够提高操作效率，减少单独请求的开销。 + + + +### 🎯 **Elasticsearch 中的聚合（Aggregation）是什么？如何使用？** + +聚合是 Elasticsearch 中进行数据统计和分析的功能，常见的聚合类型有 `avg`（平均值）、`sum`（总和）、`terms`（按值分组）等。 + +------ + + + +## 🌐 三、集群与架构（高可用） + +> **核心思想**：ES通过主从节点、分片副本、选主机制实现分布式集群的高可用，理解这些机制对生产环境运维至关重要。 + +- **节点角色**：[Master vs Data节点](#es-的-master-节点和-data-节点的区别) | [集群工作原理](#elasticsearch-的集群如何工作) +- **选主机制**：[集群选主原理](#集群选主的原理是什么) | [高可用保证](#怎么保证-elasticsearch-的高可用) +- **分片管理**：[分片规划](#分片如何规划与常见监控) | [分片恢复](#如果一个分片丢失了es-是如何恢复的) +- **数据流转**：[写入流程](#写入数据时es-的写入流程是怎样的) | [查询流程](#查询数据时es-的查询流程是怎样的) | [查询优化](#查询优化与-filter-的使用) +- **深分页问题**：[深分页原理](#深分页怎么做scroll-与-search_after-如何选择) + +### 🎯 Elasticsearch 的集群如何工作？ + +Elasticsearch 的集群由多个节点组成，这些节点通过网络进行通信，共同负责存储和处理数据。集群中的每个节点可以充当不同的角色，例如主节点、数据节点和协调节点。 + + + +### 🎯 ES 的 Master 节点和 Data 节点的区别？ + +在Elasticsearch集群中，Master节点和Data节点承担着不同的角色和职责： + +**Master节点**： + +- 主要负责集群层面的管理操作 +- 维护集群状态(Cluster State)的权威副本 +- 负责索引的创建、删除等元数据操作 +- 处理节点加入/离开集群的协调工作 +- 不存储数据，也不参与数据的CRUD操作 +- 通过选举产生主Master节点(Leader)，其他Master节点作为候选节点 + +**Data节点**： + +- 负责数据的实际存储和检索 +- 处理所有文档级别的CRUD操作 +- 执行搜索、聚合等数据查询请求 +- 参与索引的分片(Shard)分配和复制 +- 不参与集群管理决策 + + + +### 🎯 集群选主的原理是什么？ + +Elasticsearch集群的选主过程基于分布式一致性算法实现，主要流程如下： + +1. **发现阶段**： + - 节点启动时通过`discovery.seed_hosts`(7.x+)或`discovery.zen.ping.unicast.hosts`(7.x前)发现其他节点 + - 使用Zen Discovery模块进行节点间通信 +2. **选举触发条件**： + - 集群启动时 + - 当前主节点失效时(心跳超时) + - 网络分区导致无法联系主节点时 +3. **选举过程**： + - 符合条件(master eligible)的节点参与选举 + - 基于Bully算法变种实现： a) 每个节点向其他节点发送投票请求 b) 节点比较ID(默认按节点ID字典序)，ID"较大"的节点胜出 c) 获得多数票(N/2+1)的节点成为主节点 +4. **集群状态发布**： + - 新主节点生成新版本集群状态 + - 将集群状态发布给所有节点 + - 节点确认接收后完成主节点切换 + + + +### 🎯 分片如何规划与常见监控？ + +> 分片的规划要结合 **数据量、节点数和查询场景** 来决定。一般建议单分片控制在 10GB~50GB 之间，避免分片过多或过小。 +> 比如一个 1TB 的索引，如果单分片 40GB，大概需要 25 个主分片，加上副本就是 50 个分片，再平均分配到 10 个节点上比较合适。 +> +> 在监控方面，主要关注 **集群健康状态**（green/yellow/red）、**分片分配是否均衡**、**查询和写入延迟**、**JVM 内存和 GC**、**磁盘利用率**，以及分片大小是否合理。 +> +> 实际项目里，我会结合 **_cat/shards**、**_cluster/health** 和监控平台（比如 X-Pack Monitoring、Prometheus + Grafana）来实时监控这些指标，避免分片不均衡或者节点过载。 + +**一、分片如何规划** + +**1. 分片的基本原则** + +- **主分片数 (primary shards)** 决定索引的最大扩展能力。 +- **副本数 (replicas)** 提供高可用和并发查询能力。 +- 分片一旦建好，主分片数不能改（除非 reindex）。 + +------ + +**2. 规划思路** + +- **单分片大小建议**：10GB～50GB（Lucene 层面太大太小都不合适）。 +- **总分片数建议**：不要超过 `20 * 节点数`，否则集群管理开销大。 +- **计算方法**： + - 预估索引大小 ÷ 单分片大小 ≈ 主分片数。 + - 结合节点数和副本数做分配。 + +**例子**： + +- 预计一个索引 1TB 数据，每个分片 40GB。 +- 主分片数 = 1000GB ÷ 40GB ≈ 25。 +- 如果副本数 = 1，总分片数 = 50。 +- 假如有 10 个节点，那每个节点平均分配 5 个分片，比较均衡。 + +------ + +**3. 行业常见做法** + +- **日志类数据**：按天/月分索引，每个索引设置合适的分片数。 +- **商品库/电商数据**：索引相对稳定，可以按数据量规划固定分片数。 +- **冷热分离**：新数据用快盘+较多副本，老数据用慢盘+减少副本。 + +------ + +**二、常见监控指标** + +**1. 集群健康（Cluster Health）** + +- `green`：所有主分片和副本都正常。 +- `yellow`：主分片正常，但副本缺失（集群仍可用，但没有高可用保障）。 +- `red`：主分片不可用，数据丢失风险大。 + +👉 监控工具：`_cluster/health` API。 + +------ + +**2. 分片状态** + +- **未分配分片（unassigned shards）**：常见原因是节点不够，或者磁盘满了。 +- **分片迁移**：大规模 rebalancing 时，集群性能会抖动。 + +👉 监控工具：`_cat/shards`。 + +------ + +**3. 性能相关指标** + +- **分片大小**：是否过大（>50GB）或过小（<1GB）。 +- **查询延迟**：大部分发生在分片层面。 +- **索引速率**：写入吞吐是否均衡。 +- **段合并 (merge) 开销**：写入过快时可能导致大量段合并，影响性能。 + +------ + +**4. 资源相关指标** + +- **CPU 使用率**（查询/写入开销）。 +- **JVM 内存（Heap）**：GC 频率、Old GC 是否频繁。 +- **磁盘使用率**：是否超过 watermark（85% 默认）。 +- **线程池**：写入/搜索线程池是否饱和。 + + + +### 🎯 如果一个分片丢失了，ES 是如何恢复的？ + +“分片丢失时，主节点先把该分片标记为未分配，然后按‘就近可用’恢复：如果还有一份副本在且是 in-sync，就立即提升为主分片；其余副本通过‘对等恢复’（peer recovery）从新主分片拷贝 segment，再按序号回放 translog 补齐增量，达到全量一致。若主副本都没了，索引会变红，只能从快照仓库做 snapshot restore。为降低抖动，ES默认会延迟分配一会儿等丢失节点回来（index.unassigned.node_left.delayed_timeout），并受并发/带宽节流控制（node_concurrent_recoveries、indices.recovery.max_bytes_per_sec）。跨可用区还会结合分配感知（allocation awareness）避免把副本放进同一机架/可用区，从而提升容灾。” + + + +### 🎯 写入数据时，ES 的写入流程是怎样的？（Primary Shard、Replica Shard 协调过程） + +“客户端请求先到协调节点，按 routing（hash(*routing) % 主分片数）路由到主分片。主分片执行写入（校验/建模、写内存索引缓冲与 translog，分配 seq_no/primary term），再同步转发给所有 in-sync 副本执行同样写入，副本返回 ACK 后整体成功返回。写入后并不会立刻可搜，等 refresh（默认≈1s）或显式 refresh 才可见；flush 会把 translog 刷盘并生成 commit，merge 后台合并小段。”* + + + +### 🎯 查询数据时，ES 的查询流程是怎样的？（协调节点、分片查询、结果合并） + +查询是‘散—归并—取’两阶段。请求先到协调节点，按索引与路由挑出要查的分片；Query 阶段并行把查询下发到每个分片（主或任一副本），分片本地算分/排序出局部 topN 返回文档ID+排序值；协调节点全局归并得到最终 topN；Fetch 阶段再按这些ID到各分片取 *source/高亮/inner hits，拼装后返回。聚合会在分片先算局部桶/度量，最后在协调节点做 reduce 汇总。* + + + +### 🎯 查询优化与 filter 的使用？ + +- 话术 + - 尽量用 bool.filter（可缓存不计分）；裁剪 _source；只取需要字段；避免大 wildcard/regexp。 +- 关键要点 + - docvalue_fields/stored_fields；pre_filter_shard；合理路由减少 fan-out。 +- 示例 + +```json +GET idx/_search +{ + "_source": ["id","title"], + "query": { "bool": { "filter": [ { "term": { "status": "OK" } } ] } } +} +``` + +- 常见追问 + - query vs filter？filter 不计分可缓存；query 计分排序。 + + + +### 🎯 深分页怎么做？scroll 与 search_after 如何选择？ + +> ES 默认分页用 from+size，但超过 1w 条会有深分页问题，性能开销很大。 +> 如果是 **全量遍历导出数据**，适合用 **scroll API**，它会基于一个快照滚动查询。 +> 如果是 **在线业务场景需要实时翻页**，推荐用 **search_after**，通过上一页的排序值取下一页，性能更好。 +> 两者选择时要看业务场景：**离线导出用 scroll，实时分页用 search_after**。 + +**一、为什么会有深分页问题？** + +- ES 默认分页用 `from + size`，比如： + + ``` + GET /products/_search + { + "from": 10000, + "size": 10, + "query": { "match_all": {} } + } + ``` + +- 问题： + + - ES 会把 `from + size` 范围内的所有结果取出，再丢掉前 `from` 条。 + - 如果 `from` 很大（比如 100w），就会消耗大量 CPU、内存，严重影响性能。 + +- ES 默认限制：`index.max_result_window = 10000`，超过就报错。 + +------ + +**二、解决方案** + +**1. Scroll API** + +- **原理**：保持一个快照（snapshot），游标式滚动查询，适合 **全量遍历**。 +- **特点**： + - 快照固定，数据不会因新增/删除而变化。 + - 每次返回一批，游标往后移动。 + - 常用于 **数据导出**、**批量处理**。 +- **缺点**： + - 不适合实时场景（数据更新不会体现在快照中）。 + - 占用内存资源，需要及时清理 scroll 上下文。 + +**例子**： + +``` +# 初始化 scroll +GET /products/_search?scroll=1m +{ + "size": 1000, + "query": { "match_all": {} } +} + +# 后续使用 _scroll_id 拉取下一批 +GET /_search/scroll +{ + "scroll": "1m", + "scroll_id": "DnF1ZXJ5VGhlbkZldGNoBQAAAAAAAa==" +} +``` + +------ + +**2. search_after** + +- **原理**：基于上一页的“排序值”来取下一页。 +- **特点**： + - 不需要维护快照，性能比 scroll 更轻量。 + - 适合 **实时分页查询**，比如电商商品翻页。 + - 必须有 **唯一的排序字段**（通常用时间戳 + _id 作为 tie-breaker）。 +- **缺点**： + - 只能往后翻页，不能直接跳到第 N 页。 + +**例子**： + +``` +GET /products/_search +{ + "size": 10, + "query": { "match_all": {} }, + "sort": [ + { "price": "asc" }, + { "_id": "asc" } + ], + "search_after": [100, "doc123"] +} +``` + +这里 `100, "doc123"` 就是上一页最后一条文档的排序值。 + +------ + +**三、如何选择？** + +| 方式 | 适用场景 | 优点 | 缺点 | +| ------------ | -------------------- | -------------- | ------------------------ | +| from+size | 小数据分页（<1w 条） | 简单 | 深分页性能差 | +| scroll | 大规模导出、批处理 | 能遍历全量数据 | 不实时，占用内存 | +| search_after | 实时业务分页 | 高效、轻量 | 只能往后翻，不能随机跳页 | + +------ + + + +## ⚡ 四、性能优化类（高频重点） + +> **核心思想**：性能优化是ES面试的重中之重，涵盖写入优化、查询优化、深分页、缓存策略等多个方面，体现真实生产环境的技术水平。 + +- **写入优化**：[写入性能优化](#es-写入性能优化有哪些方式) | [批量操作优化](#写入为何近实时如何提吞吐) +- **查询优化**：[查询性能优化](#es-查询性能优化有哪些方式) | [深分页优化](#怎么优化-elasticsearch-的查询性能) +- **索引设计**：[日志数据设计](#es-如何设计索引来存储日志数据) | [索引数量问题](#索引数量过多会有什么问题) | [文档大小影响](#大量小文档-vs-少量大文档对性能有何影响) +- **核心机制**：[refresh/flush/merge](#refreshflushmerge-的区别它们各自解决什么问题) | [近实时原理](#es-为什么是近实时nrt搜索) | [部署优化](#elasticsearch在部署时对linux的设置有哪些优化方法) + +### 🎯 ES 写入性能优化有哪些方式？ + +“写入想快，先做对建模，再用批量、调‘刷新/副本/合并’，控制分片与路由，避免昂贵的脚本/管道。导入期关刷新和副本、走Bulk大批次并行；导入后恢复正常并用ILM做滚动与冷热分层，监控拒绝与合并就基本稳了。” + +**可落地清单（按优先级）** + +- 建模优化 + + - 字段类型精准：全文检索用 text，精确/聚合用 keyword（必要时 multi-fields）。 + + - 关闭不必要特性：对 keyword 关闭 norms；裁剪 *source（只保留必要字段）；避免 dynamic=true 导致字段爆炸。* + + - 高基数ID/标签直接 keyword；嵌套谨慎（nested 写成本高）。 + +- 批量写入 + + - Bulk 单批 5–15MB、并发 2–4 通道（BulkProcessor）；失败指数退避重试。 + + - 客户端做预处理/校验，少用 ingest pipeline 脚本（painless）做复杂逻辑。 + +- 刷新/副本/Translog（导入期与在线期分治） + + - 导入期：index.refresh_interval=-1、index.number_of_replicas=0、大 Bulk；导入完恢复如 1s 和 >=1 副本。 + + - Translog：默认 request 最稳；若追求吞吐可评估 index.translog.durability=async（有丢失风险）。 + + - wait_for_active_shards 设默认/较低，避免写阻塞。 + +- 合并与段（Segments） + + - 让合并在后台自然进行；仅对只读冷索引再考虑 forcemerge（小心耗时/IO）。 + + - 关注 index.merge.policy.* 与合并速率，避免小段过多。 + +- 分片与路由 + + - 分片数合理：单分片 10–50GB 参考；过多分片会拖慢写入与合并。 + + - 多租户/大业务用 _routing 降低 fan-out；大体量用 rollover + 别名切流。 + +- 资源与线程 + + - SSD/NVMe；堆 ≤ 32GB（留 Page Cache）；indices.memory.index_buffer_size 适当增大（如 10%–20%）。 + + - 关注 threadpool.write/bulk 队列与拒绝（rejected）；indices.recovery.max_bytes_per_sec 不要太低。 + +- 压缩与编解码 + - 写密集索引保持默认 codec；只读冷索引可用 index.codec=best_compression 降存储。 + +- OS/部署 + + - 关闭 swap、vm.max_map_count 足够、XFS/EXT4，磁盘与网卡不中断限速。 + + - 热温冷节点（ILM）+ 快照到对象存储，降低热区压力。 + +- 监控与压测 + + - 盯：bulk 吞吐/延迟、threadpool rejections、segments/merges、GC、refresh 时间、indexing_pressure。 + + - 预估写入峰值，压测后定批量与并发。 + + + +### 🎯 ES 查询性能优化有哪些方式？ + +> ES 查询优化，我的整体思路是：**先看索引结构是否合理，再优化查询语句本身，最后配合缓存和系统调优。** +> +> 在索引层面，重点是 **mapping 精准、分片数量合适、路由设计合理**； +> 在查询层面，**能用 filter 就不用 query**，**控制返回字段**，**分页避免 from+size 深度翻页**，多用 `search_after`； +> 高并发下要用 **缓存** 和 **预聚合**，避免复杂脚本和大范围扫描。 +> +> 最后，还需要结合 **慢查询监控、profile 分析** 去定位瓶颈。整体遵循「**索引设计优先 > 查询语句优化 > 缓存和系统层面**」这个顺序，就能保证查询性能。 + +1. **索引设计优化** + +- **Mapping优化** + - 字段类型精准：全文检索 `text + keyword`，精确查找只用 `keyword` + - 高基数字段避免聚合，可 `doc_values=false` 节省空间 + - 不需要评分的字段用 `keyword`，关闭 `norms` +- **分片设计** + - 单分片 **10~50GB**，分片过多会导致协调开销大 + - 多租户/大客户数据用 `_routing`，减少查询 fan-out +- **索引结构** + - 时间序列数据用 **ILM rollover**，只查必要时间段 + - **冷热分离**：历史数据放 warm/cold 节点 + +------ + +2. **查询语句优化** + +- **Filter vs Query** + + - 精确匹配用 **filter**（有缓存、无评分）：`term`、`range`、`bool.filter` + - 需要相关性评分才用 **query**：`match`、`multi_match` + + ``` + { + "bool": { + "filter": [{"term": {"status": "active"}}], + "must": [{"match": {"title": "elasticsearch"}}] + } + } + ``` + +- **返回字段控制** + + - 用 `_source_includes` / `_source_excludes` 只返回需要字段 + - 大文档场景用 `stored_fields` 替代 `_source` + - 统计类查询 `size=0`，避免返回 hits + +------ + +3. **分页优化** + +- 避免 `from + size` 深度分页（默认最大 `10000`） +- 大数据分页用 `search_after + sort`（推荐） +- 遍历历史数据用 `scroll`（7.x 之后推荐 `search_after`） + +------ + +4. **聚合性能优化** + +- 高基数聚合用 **composite aggregation**，避免 terms 爆炸 +- 聚合前先 **filter** 限制范围 +- 优先使用数值聚合，少用字符串 + +------ + +5. **缓存策略** + +- **查询缓存** + - filter 查询会自动缓存 + - 配置 `indices.queries.cache.size`（默认 10% 堆内存） +- **请求缓存** + - 完全相同请求可用 request cache，适合 dashboard 场景 + - `size=0` 的聚合查询容易命中缓存 + +------ + +6. **高级优化** + +- **Routing** + - 多租户场景用 `_routing`，减少全分片扫描 + - 大客户数据独立 routing key +- **字段优化** + - 不需要的字段 `enabled=false` + - 慎用 `nested`，查询成本高 +- **脚本优化** + - 避免 `script_score` 作用于大数据集 + - 用 **painless** 预编译脚本 + +------ + +7. **系统层面优化** + +- **硬件**：SSD、充足内存做 Page Cache，堆内存 ≤ 32GB +- **JVM**：推荐 G1GC，`swappiness=1`，避免 swap +- **监控**：慢查询日志、ES profile 分析，持续调优 + +------ + +**总结** + +- **查询前**：索引结构合理、mapping 精准、分片适量 +- **查询中**：filter 代替 query、控制返回、search_after 分页 +- **查询后**：监控慢查询、profile 分析、缓存命中率 + + + +### 🎯 ES 如何设计索引来存储**日志数据**？ + +日志数据典型的时间序列+大批量写入，核心是按时间滚动索引、冷热分离。用ILM自动rollover（按大小/时间），mapping设计timestamp+level+message结构，写入期关刷新提升吞吐，查询期用索引模板匹配时间范围。冷数据压缩+迁移到warm/cold节点，最老数据删除或快照到对象存储。 + + + +### 🎯 索引数量过多会有什么问题？ + +"索引数量过多主要三个问题：集群元数据爆炸拖慢Master节点，每个索引的分片增加协调开销，大量小索引浪费资源且查询低效。解决方案是合并相关索引、用别名+路由、ILM自动rollover控制数量，核心原则是'宁要几个大索引，不要成千上万小索引'。” + + + +### 🎯 大量小文档 vs. 少量大文档，对性能有何影响？ + +大量小文档会增加索引开销和merge压力，但查询精准；少量大文档减少索引开销但内存占用大、网络传输慢。选择策略看场景：高频精确查询用小文档+合理批量写入，大批量分析用大文档+*source裁剪。核心是平衡索引效率和查询需求，一般单文档1KB-1MB比较合适。* + + + +### 🎯 refresh、flush、merge 的区别？它们各自解决什么问题？ + +> "refresh让新写入数据可搜索，flush确保数据持久化到磁盘，merge合并小segment提升查询效率。refresh控制可见性（默认1秒），flush控制安全性（有translog保护），merge控制性能（后台自动）。实时性要求高调refresh频率，安全性要求高调flush策略，查询慢了关注merge状态。" + +**Refresh - 数据可见性** + +- 作用：内存数据 → 可搜索状态（仍在内存） + +- 默认：每1秒自动执行 + +- 调优： + + - 高写入场景：调到30s或关闭(-1) + + - 实时搜索：调到100ms或用?refresh=wait_for + + - 导入期关闭，完成后恢复 + +**Flush - 数据持久化** + +- 作用：内存segment + translog → 磁盘持久化 + +- 触发：translog达到512MB或30分钟 + +- 安全级别： + + - request：每次写入立即fsync（安全） + + - async：5秒间隔fsync（性能好） + +**Merge - 性能优化** + +- 作用：多个小segment → 大segment，物理删除已删文档 + +- 策略：后台自动执行，一般不需要手动干预 + +- 手动：只读索引可_forcemerge合并到1个segment + +**数据流转过程** + +``` +写入 → Memory Buffer + Translog +↓ Refresh（1s） +可搜索的Segment（内存） +↓ Flush（512MB/30min） +持久化Segment（磁盘） +↓ Merge（后台） +优化的大Segment +``` + +**场景配置** + +```json +// 高写入场景 +{"refresh_interval": "-1", "flush_threshold": "1gb"} + +// 实时搜索 +{"refresh_interval": "100ms", "translog.durability": "request"} + +// 查询优化 +{"refresh_interval": "30s", 完成后"_forcemerge"} +``` + +**监控要点** + +- Refresh：_cat/indices?h=pri.refresh.total_time + +- Flush：_cat/indices?h=pri.flush.total_time + +- Merge：_cat/segments查看segment数量和大小 + +**一句话记忆** + +Refresh控制何时可搜（默认1s），Flush控制何时安全（translog满了），Merge控制查询快慢（自动合并），根据读写场景调整三个参数的频率即可。 + + + +### 🎯 ES 为什么是“近实时（NRT）”搜索？ + +> Elasticsearch 是 **近实时搜索（NRT）**，因为： +> +> 1. 文档写入先进入内存 buffer，并记录在 translog； +> 2. 只有在 Lucene 执行 **refresh**（默认 1s 一次）后，内存数据才写入新的 segment 并对搜索可见； +> 3. 因此，写入后到能被检索之间存在 **约 1 秒的延迟**。 + +1. 什么是 NRT（Near Real-Time，近实时） + + Elasticsearch 不是严格的实时搜索，而是 **近实时搜索**： + + - 当你写入一个文档后，**不会立刻就能被搜索到**。 + + - 默认情况下，大约 **1 秒延迟** 后才可被检索。 + +------ + +2. 原因：Lucene 的段（Segment）机制 + + Elasticsearch 底层用 **Lucene** 来存储和检索数据。Lucene 的存储单元是 **segment** 文件，而 segment 是**只读不可修改**的，写入流程如下： + + 1. **写入内存缓冲区（Indexing Buffer）** + - 新文档先写入 ES 的内存 buffer。 + - 同时写一份到 **事务日志（translog）**，用于故障恢复。 + 2. **refresh 操作** + - Lucene 会定期（默认 1 秒）把内存 buffer 中的数据写入一个新的 segment 文件，并生成倒排索引，开放给搜索使用。 + - 只有在 refresh 之后，文档才会被检索到。 + 3. **flush 操作** + - 将内存数据 + translog 持久化到磁盘，生成新的 segment，并清空 translog。 + - flush 不是每秒都发生，而是按条件触发（如 translog 太大）。 + +------ + +3. NRT 的关键点 + + - **写入后马上可获取（get）**： + ES 写入文档后，可以立即通过 `_id` 来 **get**，因为它直接从内存和 translog 里拿数据。 + + - **写入后延迟可搜索**： + 需要等到下一次 **refresh**，文档才会出现在倒排索引里，从而能被搜索到。 + +​ 所以 ES 才被称为 **近实时**搜索系统（NRT），而不是严格实时（RT）。 + +------ + +4. 参数与调优 + +- `index.refresh_interval` + + - 默认 `1s`，表示每秒 refresh 一次。 + - 可以调大（如 `30s`），提高写入性能，降低搜索实时性。 + - 可以设为 `-1`，关闭自动 refresh（写入吞吐最大，但搜索不到新文档，直到手动 refresh）。 + +- 手动执行： + + ``` + POST /my_index/_refresh + ``` + +------ + + + +### 🎯 写入为何“近实时”？如何提吞吐？ + +- 话术 + - 写入→内存 buffer；refresh 暴露新 segment 可搜（默认 1s）；flush 持久化 translog+commit；merge 后台合并。批量写用 bulk，写多时临时调大 refresh_interval。 +- 关键要点 + - bulk 5–15MB/批、并发通道适中；写前 replicas=0、refresh=-1，写后恢复。 +- 示例 + +```properties +index.refresh_interval=1s # 批量导入临时 -1 +``` + +- 常见追问 + - 为什么不要频繁 refresh？小段太多影响检索与合并。 + + + +### 🎯 **怎么优化** **Elasticsearch** 的查询性能？ + +**优化分页查询** + +在 Elasticsearch 里面，也有两种可行的优化手段。 + +1. Scroll 和 Scroll Scan：这种方式适合一次性查询大量的数据，比如说导出数据之类的场景。这种用法更加接近你在别的语言或者中间件里面接触到的游标的概念。 + +2. Search After：也就是翻页，你在查询的时候需要在当次查询里面带上上一次查询中返回的 search_after 字段。 + +**增大刷新间隔** + +- 可以把 index.refresh_interval 调大一些 + +**优化不必要字段** + +**冷热分离** + +它的基本思路是同一个业务里面数据也有冷热之分。对于冷数据来说，可以考虑使用运行在廉价服务器上的 Elasticsearch 来存储；而对 + +于热数据来说，就可以使用运行在昂贵的高性能服务器上的 Elasticsearch。 + + + +### 🎯 Elasticsearch 索引数据多了怎么办，如何调优，部署 + +`面试官` ：想了解大数据量的运维能力。 + +`解答` ：索引数据的规划，应在前期做好规划，正所谓“设计先行，编码在后”，这样才能有效的避免突如其来的数据激增导致集群处理能力不足引发的线上客户检索或者其他业务受到影响。如何调优，正如问题1所说，这里细化一下： + +#### 3.1 动态索引层面 + +基于`模板+时间+rollover api滚动` 创建索引，举例：设计阶段定义：blog索引的模板格式为：blog_index_时间戳的形式，每天递增数据。 + +这样做的好处：不至于数据量激增导致单个索引数据量非常大，接近于上线2的32次幂-1，索引存储达到了TB+甚至更大。 + +一旦单个索引很大，存储等各种风险也随之而来，所以要提前考虑+及早避免。 + +#### 3.2 存储层面 + +`冷热数据分离存储` ，热数据（比如最近3天或者一周的数据），其余为冷数据。对于冷数据不会再写入新数据，可以考虑定期force_merge加shrink压缩操作，节省存储空间和检索效率。 + +#### 3.3 部署层面 + +一旦之前没有规划，这里就属于应急策略。结合ES自身的支持动态扩展的特点，动态新增机器的方式可以缓解集群压力，注意：如果之前主节点等`规划合理` ，不需要重启集群也能完成动态新增的。 + + + +### 🎯 怎么保证 Elasticsearch 的高可用？ + +Elasticsearch 的节点可以分成很多种角色，并且一个节点可以扮演多种角色。这里我列举几种主要的。 + +- 候选主节点（Master-eligible Node)：可以被选举为主节点的节点。主节点主要负责集群本身的管理，比如说创建索引。类似的还有仅投票节点（Voting-only Node），这类节点只参与主从选举，但是自身并不会被选举为主节点。 + +- 协调节点（Coordinating Node）：协调节点负责协调请求的处理过程。一个查询请求会被发送到协调节点上，协调节点确定数据节点，然后让数据节点执行查询，最后协调节点合并数据节点返回的结果集。大多数节点都会兼任这个角色。 + +- 数据节点（Data Node）：存储数据的节点。当协调节点发来查询请求的时候，也会执行查询并且把结果返回给协调节点。类似的还有热数据节点（Hot Data Node）、暖数据节点（Warm Data Node）、冷数据节点（Cold Data Node），你从名字就可以看出来，它们只是用于存储不同热度的数据。 + +**写入数据** + +1. 文档首先被写入到 Buffer 里面，这个是 Elasticsearch 自己的 Buffer。 +2. 定时刷新到 Page Cache 里面。这个过程叫做 refresh，默认是 1 秒钟执行一次。 +3. 刷新到磁盘中，这时候还会同步记录一个 Commit Point。 + +![ES 是如何写入一条数据的？_es写入数据-CSDN博客](https://i-blog.csdnimg.cn/blog_migrate/065a9dbf0202218c0bf71a2528607612.png) + +在写入到 Page Cache 之后会产生很多段（Segment），一个段里面包含了多个文档。文档只有写到了这里之后才可以被搜索到，因此从支持搜索的角度来说，Elasticsearch 是近实时的。 + +不断写入会不断产生段，而每一个段都要消耗 CPU、内存和文件句柄，所以需要考虑合并。 + +但是你也注意到了，这些段本身还在支持搜索，因此在合并段的时候，不能对已有的查询产生影响。 + +所以又有了合并段的过程，大概是 + +1. 已有的段不动。 +2. 创建一个新的段，把已有段的数据写过去，标记为删除的文档就不会写到段里面。 +3. 告知查询使用新的段。 +4. 等使用老的段的查询都结束了，直接删掉老的段。 + +那么查询怎么知道应该使用合并段了呢？这都依赖于一个统一的机制，就是 Commit Point。你可以理解成，它里面记录了哪些段是可用的。所以当合并段之后，产生一个新的 CommitPoint，里面有合并后的段，但是没有被合并的段，就相当于告知了查询使用新的段。 + +**Translog** + +实际上，Elasticsearch 在写入的时候，还要写入一个东西，也就是 Translog。直观来说，你可以把这个看成是 MySQL 里和 redo log 差不多的东西。也就是如果宕机了，Elasticsearch可以用 Translog 来恢复数据。 + +> MySQL 写入的时候，其实只是修改了内存里的值，然后记录了日志，也就是 binlog、redo log 和 undo log。 +> +> Elasticsearch写入的时候，也是写到了 Buffer 里，然后记录了 Translog。不同的是，Translog 是固定间隔刷新到磁盘上的，默认情况下是 5 秒。 + + + +Elasticsearch 高可用的核心是分片，并且每个分片都有主从之分。也就是说，万一主分片崩溃了，还可以使用从分片，从而保证了最基本的可用性。 + +而且 Elasticsearch 在写入数据的过程中，为了保证高性能，都是写到自己的 Buffer 里面，后面再刷新到磁盘上。所以为了降低数据丢失的风险，Elasticsearch 还额外写了一个 Translog，它就类似于 MySQL 里的 redo log。后面 Elasticsearch 崩溃之后，可以利用 Translog 来恢复数据。 + + + +### 🎯 Elasticsearch在部署时，对Linux的设置有哪些优化方法 + +`面试官` ：想了解对ES集群的运维能力。 + +`解答` ： + +- 关闭缓存swap; +- 堆内存设置为：Min（节点内存/2, 32GB）; +- 设置最大文件句柄数； +- 线程池+队列大小根据业务需要做调整； +- 磁盘存储raid方式——存储有条件使用RAID10，增加单节点性能以及避免单节点存储故障。 + + + +### 🎯 lucence内部结构是什么？ + +`面试官` ：想了解你的知识面的广度和深度。 + +`解答` ： + +![](https://img-blog.csdnimg.cn/20190119231637780.png) + +Lucene是有索引和搜索的两个过程，包含索引创建，索引，搜索三个要点。可以基于这个脉络展开一些。 + + + +## 🔧 五、高级特性（进阶） + +> **核心思想**：掌握ES的高级特性如聚合分析、路由机制、批量操作、脚本查询等，体现对ES深层原理的理解。 + +- **路由机制**：[Routing原理](#什么是-routing如何影响查询和写入) | [高可用实现](#es-如何实现高可用) +- **批量操作**：[Bulk API](#es-的批量操作bulk-api怎么用为什么比逐条写入快) | [分页机制](#es-如何实现分页深分页有什么问题如何优化) +- **聚合分析**：[聚合类型](#es-的聚合aggregation是什么常见聚合类型) | [数据关联](#什么是-parent-child-关系和-nested-类型) +- **脚本查询**：[Painless脚本](#es-的脚本查询painless-script是什么) + +### 🎯 什么是 Routing？如何影响查询和写入？ + +> **Routing 定义**：Routing 是文档到分片的路由机制，决定文档写在哪个分片上。 +> +> **写入影响**：写入时通过 `hash(routing) % 分片数` 决定目标分片，默认 routing 值是 `_id`，也可以自定义。 +> +> **查询影响**：如果不指定 routing，需要在所有分片上 scatter & gather 查询；如果指定 routing，可以直接路由到目标分片，性能更高。 +> +> **应用场景**：多租户、用户数据、订单等需要按逻辑分组的场景。 + +Routing（路由）是 **决定文档应该存储到哪个分片（Shard）** 的机制。 + +- 在 ES 中，一个索引会被分成多个主分片（Primary Shard）。 +- 当你写入一个文档时，ES 必须决定它落在哪个主分片。 +- Routing 的作用就是做这个映射。 + +默认情况下： + +``` +shard = hash(_routing) % number_of_primary_shards +``` + +其中： + +- `_routing` 默认值是文档的 `_id`； +- 也可以显式指定 `_routing` 字段，影响文档的分片归属。 + +------ + +**Routing 在 写入 时的影响** + +1. **决定分片位置** + + - 当写入文档时，ES 根据 `_routing` 值（默认 `_id`）计算出目标分片。 + - 文档只会被写入到一个主分片（以及它的副本分片）。 + +2. **自定义 routing** + + - 可以在写入时指定一个 routing 值，比如用户 ID。 + - 所有相同 routing 值的文档会落到同一个分片里。 + - 好处：查询时避免跨分片 scatter/gather，性能更高。 + + ```json + PUT /orders/_doc/1?routing=user123 + { + "order_id": 1, + "user": "user123", + "amount": 100 + } + ``` + +​ 这条订单文档会根据 `"user123"` 的 hash 值，落到某个固定分片上。 + +------ + +**Routing 在 查询 时的影响** + +1. **默认情况** + + - 如果不指定 routing，查询会广播到索引的所有分片，再合并结果。 + - 这种 **scatter & gather** 查询在分片很多时性能会下降。 + +2. **指定 routing** + + - 如果你知道文档的 routing 值，可以在查询时加上 `routing` 参数。 + - ES 就只会去那个分片查，大大减少分片间的查询开销。 + + ```json + GET /orders/_search?routing=user123 + { + "query": { + "term": { "user": "user123" } + } + } + ``` + +​ 这里的查询只会在存放 `user123` 文档的分片上执行，而不是全索引搜索。 + +------ + +**注意点** + +- **索引时 routing 值必须和查询时一致**： + 如果写入时用了 routing，查询时也必须带上相同的 routing，否则查不到。 +- **分片数固定**： + routing 是基于分片数取模计算的，因此分片数一旦确定就不能更改，否则路由会失效。 +- **适合场景**： + - 电商订单：用用户 ID 做 routing，可以把一个用户的所有订单放在同一个分片里。 + - 多租户系统：用租户 ID 做 routing，把不同租户数据隔离。 + + + +### 🎯 ES 如何实现高可用？ + +> - **ES 高可用依赖分片和副本机制**，主分片负责写入，副本分片保证数据冗余和读扩展。 +> - **Master 节点**负责集群管理，通过选主机制保证稳定运行。 +> - **自动故障转移**：主分片宕机时，副本分片自动提升为主分片。 +> - **生产实践**：多节点部署（至少 3 个 Master），每个主分片至少 1 个副本，配合跨集群复制/快照实现容灾。 + +Elasticsearch（ES）的高可用性主要体现在 **集群层面**，通过分片、副本、副本自动切换、集群选主等机制来保证在节点故障时系统仍能提供服务。 + +**1、核心机制** + +**分片（Shard）** + +- 每个索引的数据被拆分为多个 **主分片（Primary Shard）**。 +- 分片分布在不同节点上，避免单节点成为瓶颈。 + +**副本（Replica）** + +- 每个主分片可以配置多个副本分片。 +- **作用**： + - 容错：当主分片所在节点宕机时，副本可以升级为主分片； + - 读扩展：查询可以在副本分片上执行，提高并发查询能力。 + +**自动故障转移** + +- 如果某个节点宕机导致主分片不可用，ES 会自动从副本中选一个提升为主分片。 +- 确保索引始终保持读写可用。 + +**Master 节点** + +- **Master 节点**负责维护集群状态（分片分配、节点管理）。 +- 通过 **Zen Discovery** 或基于 **Raft**（8.0 之后引入）选主机制，保证集群有一个健康的 Master。 +- 建议部署 **3 个或以上 Master 节点**，避免脑裂。 + +--- + +**2、高可用的实现手段** + +1. **多节点部署** + - 至少 3 个节点：1 个 Master + 2 个 Data。 + - 生产环境推荐：3 个 Master（仅做集群管理）+ 多个 Data 节点（存储和查询）。 + +2. **副本机制** + - 每个主分片至少配置 1 个副本，保证节点故障时数据不丢失。 + - 主分片和副本分片不会分配在同一节点。 + +3. **分片重平衡** + - 节点新增/宕机时，ES 会自动将分片重新分配（Shards Reallocation），保证负载均衡。 + +4. **写入确认机制** + - ES 在写入时会等待主分片和副本分片都确认成功（可配置 `acks=all`），保证数据安全。 + +5. **跨机房/跨集群容灾** + - 使用 **跨集群复制（CCR, Cross-Cluster Replication）** 将索引实时同步到另一个集群，保证异地容灾。 + - 或者使用 **快照（Snapshot & Restore）** 将索引数据定期备份到远程存储（如 S3、HDFS）。 + + + +### 🎯 ES 的批量操作（Bulk API）怎么用？为什么比逐条写入快？ + +> **Bulk API 是批量写入接口**，通过在一次请求中提交多条写操作，减少了网络交互和分片路由开销。 +> +> **性能提升的原因**： +> +> 1. 减少网络请求次数； +> 2. 按分片分组批量写入，降低路由计算开销； +> 3. 批量写入磁盘，减少 fsync 次数。 +> +> **实践建议**：控制请求大小（5~15MB）、分批处理、使用 BulkProcessor 自动管理批量请求，并处理错误重试。 + +**什么是 Bulk API？** + +- **Bulk API** 是 Elasticsearch 提供的 **批量写入/更新/删除文档** 的接口。 +- 可以在一个请求中同时执行多条写操作，而不是逐条发请求。 + +--- + +**Bulk API 的请求格式** + +Bulk 请求是 **NDJSON（换行分隔 JSON）** 格式，由两部分组成： +1. **动作行**：指定操作类型（index、create、update、delete）、目标索引、文档 `_id` 等。 +2. **数据行**：实际的文档内容（仅在 index/create/update 时需要）。 + +示例： +```bash +POST /my_index/_bulk +{ "index": { "_id": "1" } } +{ "title": "Elasticsearch 入门", "author": "Tom" } +{ "index": { "_id": "2" } } +{ "title": "Elasticsearch 进阶", "author": "Jerry" } +{ "delete": { "_id": "3" } } +``` + +**为什么 Bulk API 比逐条写入快？** + +（1）减少网络开销 + +- 逐条写入：每个文档一次 HTTP 请求，网络开销大。 +- 批量写入：多个操作合并为一次请求，**降低 TCP/HTTP 握手和序列化成本**。 + +（2）优化分片路由 + +- 每次写入时，ES 都要通过 `hash(_routing) % 分片数` 定位分片。 +- Bulk API 会先解析所有文档的目标分片，然后按分片分组批量发送给对应节点，**避免频繁的分片路由开销**。 + +（3）并行写入优化 + +- 在每个节点上，Bulk 操作会将数据批量写入 **内存 buffer → translog → segment**，减少磁盘 IO。 +- 相比逐条写入，磁盘 fsync 次数更少，**写入效率显著提升**。 + +------ + +**使用 Bulk 的最佳实践** + +1. **控制单次请求大小** + + - 官方建议：每次 bulk 请求大小控制在 **5~15 MB**，避免请求过大导致 OOM 或 GC 压力。 + - 批量条数：通常 1000~5000 条一批，具体取决于文档大小。 + +2. **结合批处理工具** + + - Logstash、Beats、ES-Hadoop 等工具都支持 Bulk 写入。 + - Java 客户端有 `BulkProcessor`，可自动批量聚合请求。 + +3. **错误处理** + + - Bulk 是“部分成功”的：部分文档可能写入失败，需要检查返回结果中的 `errors` 字段并重试。 + + + +### 🎯 ES 如何实现分页？深分页有什么问题？如何优化？（scroll、search_after） + +> - ES 分页通过 `from + size` 实现，但深分页会导致性能问题，因为 ES 必须扫描并排序大量文档。 +> - **优化方案**： +> 1. **Scroll API** —— 适合全量数据导出，不适合实时分页。 +> 2. **search_after** —— 基于游标的方式，适合实时无限滚动。 +> 3. **PIT + search_after** —— 新版本中推荐的分页方式，既高效又保证一致性。 +> - 最佳实践：避免深分页，更多使用“滚动加载”而不是“跳页”。 + +**ES 如何实现分页？** + +Elasticsearch 默认提供类似 SQL 的分页语法： + +```json +GET /my_index/_search +{ + "from": 0, + "size": 10 +} +``` + +- `from`：跳过的文档数（偏移量）。 +- `size`：返回的文档数。 +- 例子：`from=0, size=10` 表示返回前 10 条；`from=100, size=10` 表示返回第 101~110 条。 + +------ + +**深分页问题** + +当使用较大 `from` 值时（例如 `from=100000`），会带来性能问题： + +1. **数据扫描开销大**：ES 需要先收集 `from + size` 条文档，再丢弃前 `from` 条。 + - 假设 `from=100000, size=10`，实际上 ES 会拉取 **100010 条**，再只返回最后 10 条。 +2. **内存与 CPU 消耗高**：所有候选文档排序后再丢弃，耗费大量堆内存（优先队列维护 topN）。 +3. **响应延迟大**：深分页请求可能导致查询非常慢，甚至引发集群性能下降。 + +------ + +**深分页优化方案** + +（1）Scroll API —— 大数据量全量遍历 + +- **适用场景**：导出、数据迁移、离线计算。 + +- **原理**：保持一个快照上下文，游标式批量拉取数据。 + +- **特点**： + + - 适合遍历 **全部数据**，不适合用户实时分页。 + - 快照会消耗资源，长时间保持 scroll 不推荐。 + +- 示例： + + ``` + GET /my_index/_search?scroll=1m + { + "size": 1000, + "query": { "match_all": {} } + } + ``` + +（2）search_after —— 基于游标的实时分页 + +- **适用场景**：实时分页、无限滚动（类似微博/朋友圈流式翻页）。 + +- **原理**：通过上一页最后一条文档的排序值，作为下一页的起点。 + +- **特点**： + + - 避免 `from+size` 扫描开销，不会丢弃前面文档。 + - 必须有 **唯一且稳定的排序字段**（如 `时间戳 + _id`）。 + +- 示例： + + ``` + GET /my_index/_search + { + "size": 10, + "query": { "match_all": {} }, + "sort": [ + { "timestamp": "asc" }, + { "_id": "asc" } + ], + "search_after": ["2025-08-14T12:00:00", "doc_123"] + } + ``` + +（3）其他优化手段 + +- **限制最大 from**：通过 `index.max_result_window`（默认 10000）限制深分页请求。 +- **使用 Point in Time（PIT）+ search_after**（ES 7.10+）： + - PIT 提供一致性的快照上下文，配合 `search_after` 实现高效、稳定分页。 +- **业务层优化**： + - **推荐“下拉加载更多”而不是“跳到第 N 页”**。 + - 缓存热点页数据，避免频繁查询深分页。 + + + +### 🎯 ES 的聚合（Aggregation）是什么？常见聚合类型？ + +> - **聚合是 ES 的数据分析功能，类似 SQL 的 GROUP BY/聚合函数。** +> - **常见类型**： +> 1. **Metric**：度量统计（avg、sum、min、max、cardinality）。 +> 2. **Bucket**：分桶分组（terms、range、histogram、date_histogram）。 +> 3. **Pipeline**：基于聚合结果再计算（derivative、moving_avg、cumulative_sum）。 +> 4. **Matrix**：多字段矩阵运算（matrix_stats）。 +> - 实际应用：报表统计、用户行为分析、日志分析等。 +> +> + +**什么是聚合？** + +- **聚合（Aggregation）** 是 Elasticsearch 提供的数据分析功能，类似 SQL 的 `GROUP BY`、`COUNT`、`SUM`。 +- 聚合可以在搜索的同时，对结果进行统计、分组、计算，用于实现数据分析和报表。 +- 查询结果包含两部分： + 1. **hits**：匹配的文档。 + 2. **aggregations**：聚合分析结果。 + +--- + +**聚合的分类** + +ES 聚合主要分为四大类： + +（1）Metric Aggregations —— 度量聚合 + +对字段值进行数学计算，常用于指标统计。 +- `min` / `max`：最小值、最大值 +- `sum`：求和 +- `avg`：平均值 +- `stats`：返回 count、min、max、avg、sum +- `extended_stats`：比 `stats` 更多，包括方差、标准差等 +- `cardinality`：去重计数（类似 SQL `COUNT(DISTINCT)`） + +示例： +```json +GET /sales/_search +{ + "size": 0, + "aggs": { + "avg_price": { "avg": { "field": "price" } } + } +} +``` + +（2）Bucket Aggregations —— 桶聚合 + +把文档分组到不同的“桶”里，类似 SQL 的 `GROUP BY`。 + +- `terms`：按字段值分组（类似 `GROUP BY category`）。 +- `range`：按数值范围分组（如 0~~100, 100~~200）。 +- `date_histogram`：按时间区间分组（按天、按月统计）。 +- `histogram`：按数值范围分组（固定间隔）。 + +示例： + +``` +GET /sales/_search +{ + "size": 0, + "aggs": { + "sales_by_category": { + "terms": { "field": "category.keyword" } + } + } +} +``` + +------ + +（3）Pipeline Aggregations —— 管道聚合 + +基于其他聚合结果再次计算，类似 SQL 的窗口函数。 + +- `derivative`：求导数（趋势变化）。 +- `moving_avg`：移动平均。 +- `cumulative_sum`：累计和。 +- `bucket_script`：对多个聚合结果进行计算。 + +------ + +（4）Matrix Aggregations —— 矩阵聚合 + +对多个字段做矩阵运算，常用于相关性分析。 + +- `matrix_stats`：多个字段的协方差、相关系数等。 + +------ + +**常见的聚合类型总结表** + +| 聚合类型 | 示例 | 类似 SQL | +| ----------------------------- | ---------------------- | --------------------------------------- | +| `avg` / `sum` / `min` / `max` | 平均值、求和、最大最小 | `AVG(price)` | +| `terms` | 按字段分组 | `GROUP BY category` | +| `date_histogram` | 按时间分组 | `GROUP BY DATE(created_at)` | +| `range` | 按区间分组 | `CASE WHEN price BETWEEN 0 AND 100 ...` | +| `cardinality` | 去重计数 | `COUNT(DISTINCT user_id)` | +| `cumulative_sum` | 累计值 | `SUM() OVER (ORDER BY ...)` | + +------ + + + +### 🎯 什么是 parent-child 关系和 nested 类型？ + +> **Nested 类型**：用于处理对象数组，避免扁平化引发的错误匹配；但更新开销大。 +> +> **Parent-Child 关系**：用于父子文档建模，子文档可独立存储和更新；但查询性能差一些。 +> +> **选择策略**： +> +> - 如果是对象数组内部字段匹配 → 用 `nested`。 +> - 如果是父子模型且子文档需独立更新 → 用 `parent-child`。 + +1. Parent-Child 关系 + +- **概念**：类似关系型数据库的一对多关系。父文档和子文档分别独立存储，但通过 `join` 字段建立关联。 +- **特点**： + - 子文档可以单独增删改，不需要修改父文档。 + - 查询时可以用 `has_child`、`has_parent`、`parent_id` 来做父子关联查询。 + - 必须指定 routing，让父子文档落在同一个分片，否则无法关联。 +- **优缺点**： + - 优点：子文档独立更新，存储灵活。 + - 缺点：查询时需要类似 join 的操作，性能较差。 +- **应用场景**：电商（商品-评论）、论坛（帖子-回复）、多租户系统（租户-用户）。 + +------ + +2. Nested 类型 + +- **概念**：一种特殊的对象数组类型，用来避免 Elasticsearch 默认“扁平化”存储带来的错误匹配。 +- **问题背景**：普通对象数组在查询时会被打散，可能把不同对象的字段组合错误（如查询 `name=Alice AND age=25`，可能返回 `name=Alice` 和 `age=25` 来自不同对象）。 +- **解决方案**：定义字段为 `nested` 类型，ES 会将数组里的每个对象存储为一个“隐藏文档”，保证内部字段的独立性。 +- **特点**： + - 优点：查询结果精确，避免字段错配。 + - 缺点：更新时需要整体替换整个 nested 字段，性能较差。 +- **应用场景**：用户和地址列表、订单和商品项等对象数组。 + +------ + +3. Parent-Child vs Nested 对比 + +| 特性 | Parent-Child | Nested | +| -------- | ------------------------------------ | -------------------------------------- | +| 关系模型 | 父子关系（类似数据库一对多） | 对象数组内部独立文档 | +| 存储方式 | 父子文档独立存储 | 每个嵌套对象变成隐藏文档 | +| 更新开销 | 子文档可独立更新，开销较低 | 更新需要整体重建，开销较大 | +| 查询性能 | join-like 查询，性能一般 | 查询比普通字段慢，但比 parent-child 快 | +| 适用场景 | 商品-评论、帖子-回复、多租户关系建模 | 地址列表、订单商品数组、用户偏好等 | + + + +### 🎯 ES 的脚本查询（Painless Script）是什么？ + +> **Painless Script 是 ES 内置的安全高效脚本语言，用来在查询、聚合、打分过程中做动态计算。** +> +> **常见用途**：自定义打分（script_score）、动态字段（script_fields）、聚合计算、复杂过滤。 +> +> **访问方式**：`doc`（推荐）、`_source`（性能差）、`params`（外部传参）。 +> +> **注意点**：脚本灵活但性能较差，建议只在必要时使用，并且结合参数化。 + +1. 什么是 Painless Script？ + +- **Painless** 是 Elasticsearch 默认的脚本语言，用于在查询或聚合过程中做动态计算。 +- 类似 SQL 中的表达式或函数，但它是嵌入在 ES 查询里的。 +- 特点是：**安全（sandbox）、高效、简洁**，比 Groovy 等脚本更快，且默认启用。 + +------ + +2. 使用场景 + +1. **动态计算字段** + 比如计算折扣价、加权分数： + + ``` + GET /products/_search + { + "query": { + "script_score": { + "query": { "match_all": {} }, + "script": { + "source": "doc['price'].value * params.factor", + "params": { "factor": 0.8 } + } + } + } + } + ``` + + → 在搜索时动态计算“打 8 折价格”。 + +2. **复杂排序** + 按多个字段动态排序，比如销量和点击率加权。 + +3. **过滤条件** + 可以写自定义逻辑，比如某个范围或复杂业务规则。 + +4. **聚合计算** + 在 Aggregation 里进行复杂的统计或自定义指标。 + +------ + +3. 常见的 Script 类型 + +- `script_score`：自定义打分，用于排序。 +- `script_fields`：生成新的字段输出。 +- `script` inside `aggs`：聚合计算时动态处理字段。 +- `script` inside `query`：自定义过滤逻辑。 + +------ + +4. Painless 脚本的访问方式 + +- **`doc['field'].value`**：最常用，访问倒排索引里的字段值（高效）。 +- **`_source['field']`**：访问原始文档 `_source` 字段（开销较大，不推荐频繁用）。 +- **params**：用户传入的参数，避免硬编码，提升可读性和性能。 + +------ + +5. 优缺点 + +- **优点**：灵活，能实现 SQL 无法表达的复杂逻辑。 + + + +## 🚨 六、异常与故障处理（运维必备） + +> **核心思想**：生产环境中的异常处理能力是高级工程师的标志，包括脑裂处理、性能排查、资源优化等关键技能。 + +- **集群故障**：[脑裂问题](#es-的脑裂问题是什么如何解决) | [查询慢排查](#如果-es-查询很慢你会怎么排查) +- **资源优化**：[内存优化](#es-节点内存使用过高如何优化) | [数据不均衡](#es-数据不均衡可能是什么原因) + +### 🎯 ES 的“脑裂”问题是什么？如何解决？ + +> 脑裂是指 Elasticsearch 集群由于网络分区或配置不当，出现多个主节点并存，导致数据不一致的问题。 +> +> 在 7.x 以前，需要手动设置 `discovery.zen.minimum_master_nodes = (N/2)+1` 来避免。 +> +> 在 7.x 以后，ES 内置了基于多数派的选举机制，推荐至少部署 3 个 master 节点来保证高可用。 + +**1. 什么是“脑裂”问题？** + +“脑裂”（Split-Brain）是分布式系统中的经典问题，在 Elasticsearch 中主要出现在 **集群主节点选举** 时。 + +- 在 ES 集群里，**主节点（Master Node）** 负责维护集群的元数据和分片分配。 +- 如果由于网络抖动、节点宕机等原因，导致集群内的节点互相失联，可能出现 **多个节点都认为自己是主节点** 的情况。 +- 结果： + - 集群出现多个“主节点”，分片分配混乱； + - 数据可能被写入不同的分支，导致 **数据丢失或不一致**。 + +这就是脑裂。 + +------ + +**2. 脑裂出现的原因** + +1. **网络分区**（最常见） + 主节点与部分节点失联，分区里的节点重新选举出一个“主”，就导致两个主并存。 +2. **最小主节点数（minimum_master_nodes）配置不当（7.x 前）** + 没有严格控制主节点选举的法定人数（quorum），导致小部分节点也能选出主。 +3. **集群规模小** + 如果只有 1 个或 2 个 master-eligible 节点，网络波动很容易导致误选。 + +------ + +**3. 解决办法** + +（1）7.x 以前（Zen Discovery） + +- **关键参数**：`discovery.zen.minimum_master_nodes` + +- 配置规则： + + ``` + minimum_master_nodes = (master_eligible_nodes / 2) + 1 + ``` + + 保证超过半数的节点才能选出主节点，避免小分区自立为王。 + +- 举例： + + - 如果有 3 个 master-eligible 节点 → `minimum_master_nodes = 2`。 + - 如果有 5 个 master-eligible 节点 → `minimum_master_nodes = 3`。 + +------ + +（2）7.x 之后（基于 Zen2 选举） + +- **引入基于 Raft 思想的选举机制**：自动保证多数派选主，不再需要手动配置 `minimum_master_nodes`。 +- **节点角色分离**：推荐部署 **3 个专用 master 节点**，保证选举稳定。 +- **稳定网络**：尽量避免跨机房部署 master 节点，否则容易因网络延迟导致脑裂。 + +------ + +**4. 最佳实践** + +1. **至少 3 个 master-eligible 节点**（奇数个最好），避免选举僵局。 +2. **主节点和数据节点分离**：生产环境里建议把 master 节点和 data 节点分开部署。 +3. **网络可靠性**：避免 master 节点跨机房，或者使用专用网络。 +4. **升级 ES 版本**：7.x+ 自动避免脑裂问题，不再依赖手动配置。 + + + +### 🎯 如果 ES 查询很慢，你会怎么排查？ + +> 先检查查询语句是否合理，比如是否走倒排索引，是否用了低效的通配符或脚本； +> +> 然后看索引和分片设计，是否分片过大或过多，字段类型是否合适； +> +> 再看集群层面，CPU/内存/GC/磁盘/网络是否存在瓶颈； +> +> 使用 Profile API、Slowlog、Hot Threads 等工具定位慢查询的具体原因； +> +> 针对问题优化，比如改查询语句、调整映射、冷热分离、增加节点或调整硬件。 + +**1. 查询语句本身的问题** + +- **是否走倒排索引**： + - 用 `term`/`match` 这种能利用倒排索引的查询。 + - 避免 `wildcard`（尤其是前缀模糊 `*abc`）、`regexp`、`script` 这类开销大的查询。 +- **字段类型是否合适**： + - `text` 字段用来分词，模糊查询效率高； + - `keyword` 字段用于精确匹配； + - 类型错了会导致查询全表扫描。 +- **排序字段是否有 doc_values**： + - 只有 keyword、数值、日期等字段默认有 `doc_values`，可以高效排序。 + - 如果在 `text` 上排序，会非常慢。 +- **聚合是否合理**： + - 在高基数字段（如 user_id）上做 terms 聚合，会很耗内存和 CPU。 + - 可以考虑用 `composite aggregation` 分页聚合，或者预聚合。 + +------ + +**2. 数据量和索引设计问题** + +- **分片数量是否合理**： + - 分片过多：查询需要跨太多分片，协调开销大。 + - 分片过少：单个分片数据量过大，查询压力集中。 + - 一般建议单分片大小控制在 10GB ~ 50GB。 +- **冷热数据分离**： + - 热数据放在性能好的节点，冷数据走 archive 或 ILM（Index Lifecycle Management）。 +- **是否存在 Nested 或 Parent-Child 结构**： + - 这类结构查询开销大，可能需要扁平化建模。 + +------ + +**3. 集群和硬件资源问题** + +- **CPU / 内存是否打满**：查询会被阻塞。 +- **JVM 配置是否合理**： + - 堆内存不要超过物理内存的 50%，且最大 32GB； + - GC 频繁会导致延迟。 +- **磁盘 I/O 和存储类型**： + - SSD 比 HDD 查询快很多。 +- **网络延迟**：节点间通信慢也会拖慢查询。 + +------ + +**4. 排查工具与手段** + +- **Profile API** + + ``` + GET /index/_search + { + "profile": true, + "query": { "match": { "title": "elasticsearch" } } + } + ``` + + → 可以看到查询的执行过程、耗时在哪个阶段。 + +- **Explain API** + + ``` + GET /index/_explain/1 + { + "query": { "match": { "title": "es" } } + } + ``` + + → 分析文档为什么能匹配，调试查询逻辑。 + +- **Hot Threads API** + + ``` + GET /_nodes/hot_threads + ``` + + → 查看 CPU/线程占用，排查是否卡在查询或 GC。 + +- **慢查询日志（Slowlog）** + + - ES 可以配置查询慢日志和索引慢日志，帮助定位具体的慢查询语句。 + +------ + +**5. 优化手段** + +- 语句优化：用 `term` / `match` 替换通配符，提前过滤范围条件。 +- 数据建模：冷热分离，必要时做数据冗余，换结构。 +- 硬件优化：换 SSD，增加节点，分片调整。 +- 查询层优化：缓存结果（query cache）、预聚合数据、减少返回字段 `_source`。 + + + +### 🎯 ES 节点内存使用过高，如何优化？ + +> Elasticsearch 内存使用过高通常有 JVM 堆配置不合理、fielddata 占用过大、分片设计不合理、查询聚合过重等原因。优化思路是从 **JVM 调整、索引设计、查询习惯、集群架构** 四个方向入手，比如合理配置堆内存、避免在 text 字段上聚合、使用 keyword + doc_values、限制 fielddata、冷热分离和合理分片。 + +**1. ES 内存为什么容易占用过高？** + +ES 是基于 Lucene 的搜索引擎，本质上是一个 **计算 + 存储混合负载** 的系统，内存消耗来自几个方面： + +1. **JVM 堆内存** + - 用于存储倒排索引缓存、fielddata、聚合数据、过滤器缓存等。 + - 如果堆分配不合理，容易 OOM 或频繁 GC。 +2. **JVM 堆外内存（Off-heap）** + - Lucene 使用 `mmap` 将倒排索引文件映射到内存，依赖操作系统的 **Page Cache**。 + - 聚合、排序时也会占用大量堆外内存。 +3. **缓存相关** + - **Fielddata Cache**（聚合、排序时加载的字段数据，容易爆内存）。 + - **Query Cache**、**Request Cache**（缓存查询结果）。 + +------ + +**2. 优化思路** + +从 **配置、索引设计、查询习惯、集群架构** 四个方面优化。 + +------ + +（1）JVM 配置优化 + +- **堆内存设置** + - 推荐设置为物理内存的 **50% 左右**，但不要超过 **32GB**（超过后会禁用压缩指针，反而效率低）。 + - 比如 64GB 内存的机器 → JVM 堆 30GB 左右即可。 +- **避免频繁 GC** + - 观察 `/_nodes/stats/jvm`，如果 Old GC 时间过长 → 内存不足或内存泄漏。 + +------ + +（2）索引和字段设计优化 + +- **禁用不必要的 `_source`、`_all` 字段**：减少存储和内存占用。 +- **合理选择字段类型** + - 用 `keyword` 存储精确值； + - 避免在高基数字段上使用 `fielddata`，可以预先建 `keyword` 字段，启用 `doc_values`。 +- **控制 mapping 的字段数量** + - 动态 mapping 可能生成成千上万个字段，导致内存暴涨。 + - 禁用 dynamic 或者严格控制。 + +------ + +（3）查询与聚合优化 + +- **避免在 `text` 字段上排序/聚合** + - 因为会触发 fielddata 加载，占用大量内存。 + - 替代方案：用 `keyword` 字段或开启 `doc_values`。 +- **限制聚合规模** + - `terms` 聚合在高基数字段上会爆内存，考虑 `composite aggregation` 分页聚合。 +- **减少返回结果集大小** + - 查询时指定 `_source` 的字段，而不是直接返回全文档。 +- **善用 Scroll / search_after** + - 避免深分页带来的内存和 CPU 消耗。 + +------ + +（4）集群和架构层面 + +- **冷热分离** + - 热数据放在内存和 SSD 资源好的节点； + - 冷数据用低成本节点存储，减少对内存的争用。 +- **增加节点 / 合理分片** + - 分片过大：内存压力集中； + - 分片过多：管理开销大。建议单分片 10~50GB。 +- **监控缓存使用情况** + - `GET /_nodes/stats/indices/fielddata?human` 查看 fielddata 占用； + - 可以通过 `indices.breaker.fielddata.limit` 限制 fielddata 占用，避免 OOM。 + +------ + +**3. 最佳实践总结** + +1. **JVM 堆不要超过 32GB**，设置为物理内存一半左右。 +2. **避免在 text 字段上做聚合/排序**，使用 keyword + doc_values。 +3. **控制 fielddata 内存使用**，必要时启用限制。 +4. **分片设计合理**，避免单分片过大或过多。 +5. **冷热数据分离**，减少对热节点内存的争用。 +6. **查询优化**：减少返回字段，避免深分页，控制聚合规模。 +7. **监控 + 慢查询日志**：结合 `_nodes/stats`、Slowlog 定位问题。 + + + +### 🎯 ES 数据不均衡，可能是什么原因？ + +> ES 数据不均衡通常由 **分片分配策略不合理（分片数、routing key 热点）、节点磁盘/角色限制、索引生命周期策略、集群扩容设计问题** 等原因导致。解决方法包括 **合理规划分片数量、优化 routing 策略、调整磁盘水位线、启用 rebalance、冷热分离优化** 等。如果业务数据分布不均，重点要检查是否使用了自定义 routing 导致“热点分片”。 + +**1. ES 数据不均衡的现象** + +- 某些节点磁盘、CPU、内存负载明显更高。 +- 分片分配到某些节点过多，而其他节点很空闲。 +- 查询路由大部分集中到某些节点，导致“热点”问题。 + +------ + +**2. 可能原因** + +（1）分片分配策略问题 + +1. **分片数量设计不合理** + - 单个索引分片数太少 → 无法均匀分配到所有节点。 + - 分片数太多 → 部分节点分配过多分片，负载不均。 +2. **路由（Routing）导致数据倾斜** + - ES 默认用 `_id` hash 路由到分片，但如果指定了自定义 routing key 且分布不均，会导致部分分片数据量过大，形成“热点分片”。 +3. **分片再平衡未触发** + - ES 有 `cluster.routing.allocation.*` 配置控制分片分配，如果参数设置不合理，可能阻止分片迁移。 + +------ + +（2）硬件或节点问题 + +1. **磁盘水位线** + - ES 默认有磁盘水位线（85%、90%），超过阈值的节点不会再分配分片，导致数据堆积到少数节点。 +2. **节点角色配置不均** + - 某些节点是 **data node**，而有些节点不是，分片只能分配到 data node 上，可能导致分布不均。 +3. **机器配置不一致** + - 部分节点 CPU、内存或磁盘小，ES 默认不会均衡考虑性能 → 数据集中到高配节点。 + +------ + +（3）集群操作导致 + +1. **手动分配分片** + - 运维手动分配过分片，打破了自动均衡策略。 +2. **索引生命周期管理（ILM）** + - 热-温-冷架构里，索引会迁移到不同节点（比如冷节点存储更多历史数据），导致冷热不均衡。 +3. **多索引大小差异过大** + - 某些索引数据量极大，占用了大部分节点空间，导致不均衡。 + +------ + +3. 解决方案 + +1. **检查分片设计** + + - 保证分片数量合理，一般单分片 10~50GB。 + - 避免索引分片数过少或过多。 + +2. **优化 Routing 策略** + + - 如果用自定义 routing，确保 key 分布均匀。 + - 可以使用 `shard=custom` 配合 **hash 算法**，避免热点。 + +3. **分片重新分配（Rebalance）** + + - 查看分片分布： + + ``` + GET /_cat/shards?v + ``` + + - 手动移动分片： + + ``` + POST /_cluster/reroute + { + "commands": [ + { + "move": { + "index": "my_index", + "shard": 0, + "from_node": "node1", + "to_node": "node2" + } + } + ] + } + ``` + +4. **检查磁盘水位配置** + + - 调整磁盘阈值： + + ``` + cluster.routing.allocation.disk.watermark.low: 70% + cluster.routing.allocation.disk.watermark.high: 85% + cluster.routing.allocation.disk.watermark.flood_stage: 95% + ``` + +5. **冷热分离设计合理化** + + - 热节点只存储活跃数据；冷节点承担更多历史索引，但避免过度集中。 + +6. **增加节点或扩容索引** + + - 如果数据量持续增长，可能需要新增 data node 或者调整分片数。 + +------ + + + +## 💼 七、实战场景题（项目经验） + +> **核心思想**：实战场景题考察的是你的项目经验和解决实际问题的能力，是面试官判断你技术水平的重要依据。 + +- **项目场景**：[项目实践经验](#你在项目里是怎么用-elasticsearch-的场景是什么) | [集群架构设计](#elasticsearch了解多少说说你们公司es的集群架构) +- **索引设计**：[日志索引设计](#如果存储日志数据如何设计索引) | [数据清理策略](#如果要删除过期数据怎么做) +- **数据处理**：[SQL Join实现](#如何在-es-中实现类似-sql-的-join-操作) | [删除操作原理](#elasticsearch-如何处理数据的删除操作) +- **技术选型**：[与其他技术对比分析](#elasticsearch-和-数据库的区别) | [应用场景分析](#elasticsearch-的应用场景) + +### 🎯 你在项目里是怎么用 Elasticsearch 的？场景是什么？ + +> 我们在项目里用 Elasticsearch 做 **商品检索**，规模大概 **10 亿商品**，分属于 **14 个行业**。为了提升性能，我们按行业建索引，避免单索引过大。 +> 在 Mapping 上，商品标题和描述用 `text`+中文分词器，品牌和类目用 `keyword`，价格、销量用数值型，支持范围过滤和排序。 +> 数据写入通过 **Kafka + Bulk API**，支持实时更新，同时控制 `refresh_interval` 优化写入性能。 +> 查询方面支持全文检索、条件过滤、聚合分析、排序，典型应用就是电商的搜索和筛选面板。 +> 在性能上，我们做了分片规划、冷热分离、缓存优化，深分页用 `search_after` 替代 `from+size`。 +> 整个集群有多节点，分片+副本保证了高可用，也能横向扩展。 + +**1. 背景与业务场景** + +我们项目有一个 **商品库**，规模在 **10 亿级别**，覆盖 **14 个行业**。业务上需要支持： + +- **多维度搜索**：比如按关键字、类目、品牌、价格区间、属性等。 +- **过滤与排序**：比如销量排序、价格升降序、上架时间、个性化推荐。 +- **聚合统计**：比如某个品类下的品牌分布、价格区间分布。 +- **高并发**：搜索请求量非常大，需要保证 **低延迟（<200ms）**。 + +------ + +**2. 为什么用 Elasticsearch** + +- 关系型数据库（MySQL）不适合做复杂搜索 + 聚合，查询会非常慢。 +- Elasticsearch 提供 **倒排索引、分布式存储、全文检索、多维聚合**，天然适合商品搜索这种场景。 +- 内置了 **高可用、扩展性**，能应对大规模数据量。 + +------ + +**3. 数据建模 & 索引设计** + +- **索引设计**：按 **行业维度**划分索引（14个 index），避免单索引过大，提升查询性能和可扩展性。 +- **Mapping 设计**： + - 商品标题、描述 → `text` 类型 + 中文分词器（ik_max_word / smart）。 + - 品牌、类目、属性（枚举型字段） → `keyword` 类型，支持聚合和过滤。 + - 价格、销量、评分 → `integer` / `float` 类型，支持范围查询与排序。 + - 上架时间 → `date` 类型。 +- **Routing**：默认按 `_id` 分配，也考虑过行业内的二级路由（如类目），以减少跨分片查询。 + +------ + +**4. 数据写入 & 更新** + +- 商品数据源来自 **数据库（MySQL）+ 消息队列（Kafka）**。 +- **全量导入**：使用 **批量 Bulk API**，并行分片写入。 +- **增量更新**：通过 Kafka 消息触发更新，ES 消费端批量写入。 +- **写入优化**： + - 使用 **bulk 批量写入**，避免单条写入开销。 + - 控制 **refresh_interval**（比如 30s），批量刷新，减少 segment 频繁生成。 + +------ + +**5. 查询场景** + +- **搜索**：`match`、`multi_match` 支持商品标题 + 描述搜索。 +- **过滤**：通过 `term`、`range` 精准过滤行业、类目、价格区间。 +- **聚合**：统计某个品类下的品牌分布、价格区间分布（用于商品筛选面板）。 +- **排序**：综合销量、价格、时间等字段；部分场景结合 **function_score** 动态打分。 + +------ + +**6. 性能优化** + +- **分片规划**：单索引 10 亿数据时，分片数量按磁盘与查询并发量规划，保证单分片数据 <50GB。 +- **冷热分离**：热节点存储最新在售商品，冷节点存储历史下架数据。 +- **缓存**：利用 **query cache、request cache**，对于高频查询做缓存。 +- **深分页优化**：避免 `from+size`，用 `search_after` 或 `scroll`。 +- **监控**：通过 Kibana + X-Pack 监控查询延时、分片分布、节点健康。 + +------ + +**7. 高可用 & 扩展** + +- **集群架构**：多节点，分片+副本机制保证高可用。 +- **副本分片**：1 个主分片 + 1 副本，支持读扩展和容灾。 +- **扩展性**：按行业独立索引，可以横向扩展集群，增加节点时只需重分配分片。 + + + +### 🎯 如果存储日志数据，如何设计索引？按天建索引还是按月建索引？为什么？ + +> 在日志场景下，通常会采用 **时间分区索引**。 +> 如果日志量大，我会 **按天建索引**，这样每个索引的数据量可控，查询性能高，删除旧数据也很方便。 +> 如果日志量比较小，可以考虑 **按月建索引**，避免产生太多小索引。 +> 我们一般还会结合 **ILM 策略**，在热节点存放近 7 天日志，冷节点存放历史日志，过期数据自动删除。这样既能保证查询性能，也能节省存储成本。 + +**日志数据索引设计思路** + +日志数据的特点： + +- **数据量大**（每天可能上亿条甚至更多）。 +- **只写不改**（日志一旦写入基本不会更新）。 +- **时间序列数据**（查询通常带有时间范围条件，比如近 1 小时、近 1 天、近 1 周）。 +- **冷热分离明显**（新日志查得多，旧日志查得少）。 + +所以日志场景下，**常用的方式是时间分区索引**： + +- `log-2025.08.19`（按天建索引） +- `log-2025.08`（按月建索引） + +------ + +**按天建索引 vs 按月建索引** + +**按天建索引** + +- **优点**： + 1. 单个索引数据量小，查询性能更好。 + 2. 管理灵活，可以方便地删除过期数据（比如保留 30 天日志）。 + 3. 分片分布均衡，避免超大索引导致分片过大。 +- **缺点**： + 1. 每天都会产生一个新索引，集群里索引数量会非常多（几百上千个）。 + 2. Elasticsearch 每个索引都有元数据开销（集群状态变大，内存占用上升）。 + 3. 如果日志量不大，按天建索引会导致很多小索引，资源利用率不高。 + +------ + +**按月建索引** + +- **优点**： + 1. 索引数量少，集群元数据压力小。 + 2. 适合日志量小的场景，避免太多小索引。 +- **缺点**： + 1. 单个索引可能非常大（几十亿条日志），分片过大导致查询慢、迁移困难。 + 2. 删除旧数据不灵活（只能整月删，无法做到精确到天）。 + 3. 查询时必须扫描很大的索引，性能差。 + +------ + +**最佳实践** + +- **日志量大（>千万/天）** → 建议 **按天建索引**（`log-YYYY.MM.dd`）。 +- **日志量较小（<百万/天）** → 可以 **按月建索引**，避免过多小索引。 +- **更优方案**：使用 **Index Lifecycle Management (ILM)** 策略 + - 在热节点保存最近 7 天索引（高性能 SSD）。 + - 冷节点存储历史日志（机械盘，降低成本）。 + - 超过 30 天直接删除索引。 +- **Rollup/合并索引**：对于长期保存但只需要统计用途的日志，可以用 rollup job，把旧日志压缩为汇总数据。 + + + +### 🎯 如何在 ES 中实现类似 SQL 的 join 操作？ + +> Elasticsearch 本身不支持像 SQL 那样的复杂 join，因为数据分布在不同分片上，性能成本很高。 +> 常见的替代方式有： +> +> - **冗余建模**：把需要 join 的字段直接冗余到一个文档里，性能最好，也是最推荐的。 +> - **nested 类型**：适合一对多的数组场景，比如商品的多个属性或评论。 +> - **parent-child 关系**：可以避免冗余，但查询性能会差一些，只适合更新频繁、数据量大的场景。 +> - 还有一种方式是在 **应用层做 join**，由业务系统做两次查询再拼接结果。 +> +> 实际项目里，如果日志、商品这种场景，我会优先用 **扁平化建模**，保证查询效率。 + +**1. 为什么 ES 不支持传统的 join？** + +- ES 是 **分布式文档存储**，数据被分片分散存储在不同节点上。 +- SQL 的 join 需要跨表匹配数据，在 ES 里会变成跨索引、跨分片的多次网络请求，性能极差。 +- 因此 ES 不推荐在查询阶段做 join，而是鼓励 **在建模阶段设计好数据结构**，避免 join。 + +------ + +**2. 替代 join 的常见方式** + +（1）**数据扁平化 / 冗余（Denormalization）** 👉 最推荐 + +- 把原来需要 join 的数据，直接冗余到一个文档里。 +- 例如：订单和用户信息 + - 在 RDBMS 里：`order` 表 join `user` 表。 + - 在 ES 里：把 `user_name`、`user_email` 冗余到 `order` 文档。 +- **优点**：查询快，天然避免 join。 +- **缺点**：数据冗余较多，更新用户信息时要更新多份数据。 + +------ + +（2）**Nested 类型**（一对多） + +- 适合文档里嵌套数组的场景，比如商品和商品评论。 +- `nested` 字段是独立的 Lucene 文档，但与父文档绑定在一起。 +- 查询时可以保证嵌套对象的独立性，避免“字段交叉”问题。 +- 用法：`nested query`。 +- **适合场景**： + - 一个商品有多个属性（key-value 形式）。 + - 一篇文章有多个评论。 + +------ + +（3）**Parent-Child 关系（join field）** + +- 类似关系型数据库的“一对多”。 +- 使用 `join` 类型字段定义 parent-child 关系。 +- 例如：一个 `blog` 文档（parent）和多个 `comment` 文档（child）。 +- 查询时可以： + - `has_child` 查询：找出有特定评论的文章。 + - `has_parent` 查询：找出属于某类文章的评论。 +- **优点**：避免数据冗余，更新 child 时不需要修改 parent。 +- **缺点**：查询性能差，join 操作消耗大；parent 和 child 必须在同一个 shard。 + +------ + +（4）**应用层 Join** + +- 在应用程序里自己执行两次查询，然后在内存里做关联。 +- **适合**：数据量不大，但偶尔需要 join 的场景。 +- **缺点**：需要两次查询，增加应用层逻辑。 + + + +### 🎯 **Elasticsearch 如何处理数据的删除操作？** + +Elasticsearch 使用的是软删除（soft delete），即标记文档为已删除，而不立即删除文档。最终的删除操作会通过段合并（segment merge）进行清理。 + + + +### 🎯 如果要删除过期数据，怎么做？（ILM、rollover） + +> 在 ES 里删除过期数据有几种方式： +> +> - 最简单的是手动删除索引，或者自己写定时任务每天删。 +> - 更好的方式是结合 **时间分区索引**，每天一个索引，到期直接删除整个索引，效率很高。 +> - 在生产环境里通常会用 **ILM 策略**，比如设置索引每天 rollover 一个新索引，保留 30 天后自动删除。这样整个流程全自动，避免人工干预。 +> +> 我在项目里会推荐 **rollover + ILM**，一方面保证单个索引不会太大，另一方面可以自动清理过期数据，做到冷热分离和存储节省。 + +**1. 手动删除索引** + +- 最简单粗暴的方式，直接 `DELETE /index_name`。 +- 缺点：需要自己写定时任务管理，人工成本高。 +- 适合：小规模测试环境，不推荐生产。 + +------ + +**2. 按时间分区建索引 + 定期删除** + +- 常见做法是日志按天建索引（`logs-2025.08.19`）。 +- 过期数据直接删除整个索引。 +- 优点：删除效率高（删除索引 = 元数据级别操作，秒级完成）。 +- 缺点：需要额外写定时任务。 + +------ + +**3. ILM（Index Lifecycle Management） 👉 推荐** + +- ES 提供的自动索引生命周期管理。 +- 可以定义索引的生命周期策略： + - **Hot**：新数据写入，高性能存储。 + - **Warm**：数据较旧，迁移到低性能节点。 + - **Cold**：更旧的数据，只读，放在冷存储。 + - **Delete**：到期后自动删除索引。 + +**示例策略**： + +``` +PUT _ilm/policy/logs_policy +{ + "policy": { + "phases": { + "hot": { + "actions": { + "rollover": { + "max_age": "1d", + "max_size": "50gb" + } + } + }, + "delete": { + "min_age": "30d", + "actions": { + "delete": {} + } + } + } + } +} +``` + +👉 表示每天 rollover 新索引，保留 30 天后自动删除。 + +------ + +**4. Rollover 索引** + +- 避免单个索引过大。 +- 索引命名通常带有 alias（别名）。 +- 当满足条件（大小/文档数/时间）时，自动 rollover 新索引。 +- 结合 ILM 使用效果最好： + - rollover 负责「切换新索引」。 + - ILM 负责「删除旧索引」。 + +**示例**： + +``` +POST /logs-write/_rollover +{ + "conditions": { + "max_age": "1d", + "max_size": "50gb" + } +} +``` + +👉 当索引达到 1 天或 50GB，就会自动创建新索引，并把写 alias 切换到新索引。 + + + + + +### 🎯 Elasticsearch 如何实现数据的高可用性？ + +通过副本（Replica）来实现数据的冗余存储，副本不仅提供容错能力，还可以用于分担查询负载。 + + + +### 🎯 **如何优化 Elasticsearch 的查询性能？** + +优化查询可以通过合理的索引设计、使用过滤器代替查询、减少 `wildcard` 和 `regexp` 查询的使用等方式实现。 + + + +### 🎯 **如何设计一个高效的 Elasticsearch 索引？** + +考虑索引的字段类型、分析器的选择、是否需要排序等。避免过多的字段、避免高基数字段、合理设置分片和副本数等。 + + + +### 🎯 Elasticsearch了解多少，说说你们公司es的集群架构，索引数据大小，分片有多少，以及一些调优手段 ？ + +`面试官` ：想了解应聘者之前公司接触的ES使用场景、规模，有没有做过比较大规模的索引设计、规划、调优。 + +`解答` ：如实结合自己的实践场景回答即可。比如：ES集群架构13个节点，索引根据通道不同共20+索引，根据日期，每日递增20+，索引：10分片，每日递增1亿+数据，每个通道每天索引大小控制：150GB之内。 + +仅索引层面调优手段： + +#### 1.1、设计阶段调优 + +- 根据业务增量需求，采取基于日期模板创建索引，通过roll over API滚动索引； +- 使用别名进行索引管理； +- 每天凌晨定时对索引做force_merge操作，以释放空间； +- 采取冷热分离机制，热数据存储到SSD，提高检索效率；冷数据定期进行shrink操作，以缩减存储； +- 采取curator进行索引的生命周期管理； +- 仅针对需要分词的字段，合理的设置分词器； +- Mapping阶段充分结合各个字段的属性，是否需要检索、是否需要存储等。 …….. + +#### 1.2、写入调优 + +- 写入前副本数设置为0； +- 写入前关闭refresh_interval设置为-1，禁用刷新机制； +- 写入过程中：采取bulk批量写入； +- 写入后恢复副本数和刷新间隔； +- 尽量使用自动生成的id。 + +#### 1.3、查询调优 + +- 禁用wildcard； +- 禁用批量terms（成百上千的场景）； +- 充分利用倒排索引机制，能keyword类型尽量keyword； +- 数据量大时候，可以先基于时间敲定索引再检索； +- 设置合理的路由机制。 + +#### 1.4、其他调优 + +部署调优，业务调优等。 + +上面的提及一部分，面试者就基本对你之前的实践或者运维经验有所评估了。 + + + + + + + + + +**搜索引擎原理** + +一次完整的搜索从用户输入要查询的关键词开始，比如想查找 Lucene 的相关学习资料，我们都会在 Google 或百度等搜索引擎中输入关键词，比如输入"Lucene ，全文检索框架"，之后系统根据用户输入的关键词返回相关信息。一次检索大致可分为四步： + +**第一步：查询分析** +正常情况下用户输入正确的查询，比如搜索"里约奥运会"这个关键词，用户输入正确完成一次搜索，但是搜索通常都是全开放的，任何的用户输入都是有可能的，很大一部分还是非常口语化和个性化的，有时候还会存在拼写错误，用户不小心把"淘宝"打成"涛宝"，这时候需要用自然语言处理技术来做拼写纠错等处理，以正确理解用户需求。 + +**第二步：分词技术** +这一步利用自然语言处理技术将用户输入的查询语句进行分词，如标准分词会把"lucene全文检索框架"分成 lucene | 全 | 文｜检｜索｜框｜架｜， IK分词会分成： lucene｜全文｜检索｜框架｜,还有简单分词等多种分词方法。 + +**第三步：关键词检索** +提交关键词后在倒排索引库中进行匹配，倒排索引就是关键词和文档之间的对应关系，就像给文档贴上标签。比如在文档集中含有 "lucene" 关键词的有文档1 、文档 6、文档9，含有 "全文检索" 关键词的有文档1 、文档6 那么做与运算，同时含有 "lucene" 和 "全文检索" 的文档就是文档1和文档6，在实际的搜索中会有更复杂的文档匹配模型。 + +**第四步：搜索排序** +对多个相关文档进行相关度计算、排序，返回给用户检索结果。 + +--- + +## 🎯 ES面试备战指南 + +### 💡 高频考点Top10 + +1. **🔥 倒排索引原理** - 必考概念，要能用大白话解释清楚 +2. **⚡ 分片和副本机制** - 高可用架构的核心，要理解分片如何提升性能 +3. **📊 写入和查询流程** - 体现对ES内部机制的掌握程度 +4. **🚨 脑裂问题** - 分布式系统经典问题，解决思路要清晰 +5. **⚙️ refresh/flush/merge** - 近实时搜索的底层原理 +6. **🔍 深分页优化** - scroll vs search_after的选择策略 +7. **💾 性能调优** - 写入和查询两方面的优化手段 +8. **🏗️ 索引设计** - Mapping设计、字段类型选择、分词器配置 +9. **📈 聚合分析** - 复杂数据统计场景的实现方式 +10. **💼 实际项目经验** - 能结合具体场景谈技术选型和架构设计 + +### 🎭 面试答题技巧 + +**📝 标准回答结构** +1. **概念定义**（30秒） - 用一句话说清楚是什么 +2. **核心特点**（1分钟） - 突出关键优势和机制 +3. **应用场景**（30秒） - 什么时候用，解决什么问题 +4. **具体示例**（1分钟） - 最好是自己项目的真实案例 +5. **注意事项**（30秒） - 体现深度思考和实战经验 + +**🗣️ 表达话术模板** +- "从我的项目经验来看..." +- "在生产环境中，我们通常会..." +- "这里有个需要注意的点是..." +- "相比于传统方案，ES的优势在于..." +- "在大规模数据场景下，推荐的做法是..." + +### 🚀 进阶加分点 + +- **底层原理**：能从Lucene层面解释ES的实现机制 +- **性能调优**：有具体的优化数据和效果对比 +- **架构设计**：能设计适合业务场景的ES集群方案 +- **故障处理**：有排查和解决线上ES问题的经验 +- **技术选型**：能准确分析ES与其他存储技术的适用场景 + +### 📚 延伸学习建议 + +- **官方文档**：ES官方Guide是最权威的学习资料 +- **实战练习**：搭建本地ES环境，动手验证各种配置 +- **源码阅读**：有余力可以研究ES核心模块的源码实现 +- **案例分析**：多看大厂的ES应用案例和最佳实践 +- **技术博客**：关注ES相关的技术博客和论坛讨论 + +--- + +## 🎉 总结 + +**Elasticsearch作为现代搜索技术栈的核心**，已经成为各大互联网公司的基础设施。掌握ES不仅是面试加分项，更是技术能力的重要体现。 + +**记住：面试官考察的不是你背了多少概念，而是你能否在实际项目中灵活运用ES解决业务问题。** -### 8、lucence内部结构是什么？ +**最后一句话**：*"纸上得来终觉浅，绝知此事要躬行"* - 再多的理论知识都不如亲手搭建一个ES集群来得深刻！ -`面试官` ：想了解你的知识面的广度和深度。`解答` ： +--- -![在这里插入图片描述](https://user-gold-cdn.xitu.io/2019/1/22/16874bae6bc27a47?imageView2/0/w/1280/h/960/format/webp/ignore-error/1) +> 💌 **坚持学习，持续成长！** +> 如果这份材料对你有帮助，记得在实际面试中结合自己的理解和经验来回答，让技术知识真正为你所用！ -Lucene是有索引和搜索的两个过程，包含索引创建，索引，搜索三个要点。可以基于这个脉络展开一些。 \ No newline at end of file diff --git a/docs/interview/GC-FAQ.md b/docs/interview/GC-FAQ.md deleted file mode 100755 index 2f2c662854..0000000000 --- a/docs/interview/GC-FAQ.md +++ /dev/null @@ -1,551 +0,0 @@ -> 《面试必备：GC 垃圾回收十大考点及图文详解》 - -Java 发展历史上出现过很多垃圾回收器，各有各的适应场景，很多网上的旧内容已经跟不上最新的变化。而且“Java 的内存布局以及 GC 原理”又是 Java 开发人员绕不开的话题，更是面试中常见的高频问题之一。 - -我们将详细介绍 Java 的内存布局，以及各种 GC 原理。这也就包括了经典面试考点：垃圾判断法、4 种 GC 算法、8 种垃圾回收器原理等内容。其中分代收集算法、ZGC 收集器我将重点介绍，最后会再加以实战，带你进行垃圾回收器练习。 - -学习之前，你可以看看以下十大考点，你是否能清晰作答？ - -Question 1：JVM 运行时内存布局分为哪些区域？它们之间又是怎样的关系？ -Question 2：JVM 内存布局中，哪些区域会产生 OOM？ -Question 3：总体看 JVM 把内存划分为“栈(stack)”与“堆(heap)”两大类，为何要这样设计？ -Question 4：如果 A 引用 B，B 又引用 A（发生了循环引用问题），这 2 个对象是否能被 GC回收？ -Question 5：说一说常用的 GC 算法及其优缺点 -Question 6：请以 Hotspot 为例，分析一下 GC 全过程（并指出其中 GC 算法的综合运用）。 -Question 7：CMS 收集器工作的整个流程主要分为哪几个阶段？ -Question 8：G1 垃圾收集器的原理是什么？ -Question 9：G1 垃圾收集器的运行过程，分为哪几个阶段？ -Question 10：ZGC 在 G1 基础上做了哪些改进？ - -希望学习后，你能对这方面的知识不再陌生，有所收获。 - - - -## JVM 运行时内存布局 - -### Question 1：JVM 运行时内存布局分为哪些区域？它们之间又是怎样的关系？ - -按 Java 8 [虚拟机规范](https://docs.oracle.com/javase/specs/jvms/se8/html/jvms-2.html#jvms-2.5)的原始表达：(jvm)Run-Time Data Areas，暂时翻译为“jvm 运行时内存布局”。从概念上大致分为以下 6 个（逻辑）区域，参考下图。 - -> 注：Method Area 中还有一个常量池区，图中未明确标出，所以图中就是 5 个区域。 - -![1.png](https://s0.lgstatic.com/i/image6/M00/56/29/Cgp9HWEsoWmAcdmIAAFBWAdWemc383.png) - -这 6 块区域按是否被线程共享，可以分为两大类：一类是每个线程所独享的（下图绿色部分），另一类是所有线程共享的（下图非绿色部分）。 - -![2.jpg](https://s0.lgstatic.com/i/image6/M00/56/26/Cgp9HWEsl86AWeQWAAArQmSxWbY367.jpg) - -**分类一：是每个线程所独享的** - -1. PC Register：也称为程序计数器， 记录每个线程当前执行的指令信。eg：当前执行到哪一条指令，下一条该取哪条指令。 - -2. JVM Stack：也称为虚拟机栈，记录每个栈帧（Frame）中的局部变量、方法返回地址等。注：这里出现了一个新名词“栈帧”，它的结构如下。 - - > 线程中每次有方法调用时，会创建 Frame，方法调用结束时 Frame 销毁。 - > - > ![3.jpg](https://s0.lgstatic.com/i/image6/M00/56/27/Cgp9HWEsmFmAQdtCAAAb3P-d7ws695.jpg) - -3. Native Method Stack：本地（原生）方法栈，顾名思义就是调用操作系统原生本地方法时，所需要的内存区域。 - -上述 3 类区域，生命周期与 Thread 相同，即： - -线程创建时，相应的区域分配内存； - -线程销毁时，释放相应内存。 - -**分类二：是所有线程共享的** - -1. Heap：即鼎鼎大名的堆内存区，也是 GC 垃圾回收的主站场，用于存放类的实例对象及 Arrays 实例等。 - （注：Heap 被所有线程共享，严格来说并不严谨。事实上，由于 TLAB 的存在，为了防止并发对象分配时，多个对象分配到同一块内存。heap 中的 TLAB 区域，在分配时，是被线程独占写入的。） - -2. Method Area：方法区，主要存放类结构、类成员定义、static 静态成员等。 - -3. Runtime Constant Pool：运行时常量池，比如字符串、int -128~127 范围的值等，它是 Method Area 中的一部分。 - -> Heap、Method Area 都是在虚拟机启动时创建，虚拟机退出时释放。 - -注：Method Area 区，虚拟机规范只是说必须要有，但是具体怎么实现（比如是否需要垃圾回收），交给具体的 JVM 实现去决定。逻辑上讲，它可视为 Heap 区的一部分，所以如果你看见类似下面的图，也不要觉得画错了。 - -![4.jpg](https://s0.lgstatic.com/i/image6/M01/56/2F/CioPOWEsmOWAdpluAAA5IldyRXs168.jpg) - -### Question 2：哪些区域会产生 OOM？ - -上述 6 个区域，除了 PC Register 区不会抛出 StackOverflowError 或 OutOfMemoryError，其它 5 个区域，当请求分配的内存不足时，均会抛出 OutOfMemoryError（即：OOM），其中 thread 独立的 JVM Stack 区及 Native Method Stack 区还会抛出 StackOverflowError。 - -**【堆外内存与堆内存】** - -最后，还有一类不受 JVM 虚拟机管控的内存区，这里也提一下，即堆外内存。可以通过 Unsafe 和 NIO 包下的 DirectByteBuffer 来操作堆外内存。如下图，虽然堆外内存不受 JVM 管控，但是堆内存中会持有对它的引用，以便进行 GC。 - -![5.jpg](https://s0.lgstatic.com/i/image6/M00/56/2F/CioPOWEsmWmAEapzAAALMHafOd4507.jpg) - -### Question 3：总体来看，JVM 把内存划分为“栈(stack)”与“堆(heap)”两大类，为何要这样设计？ - -个人理解，程序运行时，内存中的信息大致分为两类： - -跟程序执行逻辑相关的指令数据，这类数据通常不大，而且生命周期短； - -跟对象实例相关的数据，这类数据可能会很大，而且可以被多个线程长时间内反复共用，比如字符串常量、缓存对象这类。 - -将这两类特点不同的数据分开管理，体现了软件设计上“模块隔离”的思想。好比我们通常会把后端 service 与前端 website 解耦类似，也更便于内存管理。 - -#### GC 垃圾回收原理 - -##### 1.如何判断对象是垃圾？ - -**经典判断方法 1：引用计数法** - -![6.jpg](https://s0.lgstatic.com/i/image6/M01/56/27/Cgp9HWEsmeyANNc7AAA9QBsPYME826.jpg) - -思路很简单，但是如果出现循环引用，即 A 引用 B，B 又引用 A，这种情况下就不好办了。所以 JVM 中使用了另一种称为“可达性分析”的判断方法。 - -**经典判断方法 2：可达性分析** - -![7.jpg](https://s0.lgstatic.com/i/image6/M01/56/27/Cgp9HWEsmfyAEgFaAABA5PRUFiU013.jpg) - - - -### Question 4：如果 A 引用 B，B 又引用 A（发生了循环引用问题），这 2 个对象是否能被 GC回收？ - -关键不是在于 A、B 之间是否有引用，而是 A、B 是否可以一直向上追溯到 GC Roots。如果与 GC Roots 没有关联，则会被回收；否则，将继续存活。 - -![8.jpg](https://s0.lgstatic.com/i/image6/M01/56/27/Cgp9HWEsmkGAf7_pAAA0kOaBKyA839.jpg) - -上图是一个用“可达性分析”标记垃圾对象的示例图，灰色的对象表示不可达对象，将等待回收。 - -#### 2.哪些内存区域需要 GC ? - -![9.jpg](https://s0.lgstatic.com/i/image6/M01/56/27/Cgp9HWEsmlOABzEaAABLevaZD-w747.jpg) - -在刚刚一开始讲到的 JVM 内存布局中，我们知道了 thread 独享的区域：PC Regiester、JVM Stack、Native Method Stack，其生命周期都与线程相同（即与线程共生死），所以无需 GC。而线程共享的 Heap 区、Method Area 则是 GC 关注的重点对象。 - -#### 3.常用的 4 种 GC 算法 - -### Question 5：说一说常用的 GC 算法及其优缺点 - -![10.jpg](https://s0.lgstatic.com/i/image6/M00/56/27/Cgp9HWEsmp-AV969AAAXLK9JRog778.jpg) - -**1）mark-sweep 标记清除法** - -如上图，黑色区域表示待清理的垃圾对象，标记出来后直接清空。 - -- 优：简单快速； - -- 缺：产生很多内存碎片。 - -**2）mark-copy 标记复制法** - -![11.jpg](https://s0.lgstatic.com/i/image6/M00/56/30/CioPOWEsmsiAaFzWAAAZCCjflgw041.jpg) - -思路也很简单，将内存对半分，总是保留一块空着（上图中的右侧），将左侧存活的对象（浅灰色区域）复制到右侧，然后左侧全部清空。 - -- 优：避免了内存碎片问题； - -- 缺：内存浪费很严重，相当于只能使用 50% 的内存。 - -**3）mark-compact 标记-整理（也称标记-压缩）法** - -![12.jpg](https://s0.lgstatic.com/i/image6/M00/56/28/Cgp9HWEsmuuAVl1CAAAXeNiLceQ497.jpg) - -将垃圾对象清理掉后，同时将剩下的存活对象进行整理挪动（类似于 windows 的磁盘碎片整理），保证它们占用的空间连续。 - -- 优：节约了内存，并避免了内存碎片问题。 - -- 缺：整理过程会降低 GC 的效率。 - -上述三种算法，每种都有各自的优缺点，都不完美；在现代 JVM 中，往往是综合使用的。经过大量实际分析，发现内存中的对象，大致可以分为两类： - -- 有些生命周期很短，比如一些局部变量/临时对象； - -- 而另一些则会存活很久，典型的比如 websocket 长连接中的 connection 对象。如下图，纵向 y 轴可以理解分配内存的字节数，横向 x 轴理解为随着时间流逝（伴随着 GC）。 - - ![13.jpg](https://s0.lgstatic.com/i/image6/M00/56/30/CioPOWEsmxuAXJBzAAAXcpdwihU560.jpg) - - -可以发现大部分对象其实相当短命，很少有对象能在 GC 后活下来，因此诞生了分代的思想。 - -**4）generation-collect 分代收集算法** - -咱们以 Hotspot 为例（JDK 7）进行讲解，如下图所示，可以将内存分成了三大块：年青代（Young Genaration）、老年代（Old Generation）、永久代（Permanent Generation）。其中 Young Genaration 更是又细为分 eden、S0、S1 三个区。 - -![14.jpg](https://s0.lgstatic.com/i/image6/M00/56/28/Cgp9HWEsmzOALLLdAAAteML8kLI706.jpg) - -结合我们经常使用的一些 jvm 调优参数后，一些参数能影响的各区域内存大小值，示意图如下： - -![15.jpg](https://s0.lgstatic.com/i/image6/M01/56/28/Cgp9HWEsnDaANqB8AABT8uplhYI656.jpg) - -注：jdk8 开始，用 MetaSpace 区取代了 Perm 区（永久代），所以相应的 jvm 参数变成-XX:MetaspaceSize 及 -XX:MaxMetaspaceSize。 - - - -### Question 6：请以 Hotspot 为例，分析一下 GC 全过程（并指出其中 GC 算法的综合运用）。 - -刚开始时，对象分配在 eden 区，s0（即：from）及 s1（即：to）区几乎是空着。 - -![16.jpg](https://s0.lgstatic.com/i/image6/M01/56/28/Cgp9HWEsnHSAe44fAAAyBIlKU2g132.jpg) - -随着应用的运行，越来越多的对象被分配到 eden 区。 - -![17.jpg](https://s0.lgstatic.com/i/image6/M01/56/28/Cgp9HWEsnJCARKtWAAAyUE3yOd4626.jpg) - - -当 eden 区放不下时，就会发生 minor GC（也被称为 young GC）。 - -- 首先当然是要先标识出不可达垃圾对象（即下图中的黄色块）； - -- 然后将可达对象，移动到 s0 区（即：4个淡蓝色的方块挪到s0区）； - -- 然后将黄色的垃圾块清理掉，这一轮后 eden 区就成空的了。 - -注：这里其实已经综合运用了“【标记-清理eden】+【标记-复制 eden->s0】”算法。 - -![18.jpg](https://s0.lgstatic.com/i/image6/M01/56/30/CioPOWEsnOWAC91nAAA7mBY9r_U036.jpg) - -随着时间推移，eden 如果又满了，再次触发 minor GC，同样还是先做标记，这时 eden 和 s0 区可能都有垃圾对象了（下图中的黄色块）。 - -- 这时 s1（即：to）区是空的，s0 区和 eden 区的存活对象，将直接搬到 s1 区。 - -- 然后将 eden 和 s0 区的垃圾清理掉，这一轮 minor GC 后，eden 和 s0 区就变成了空的了。 - -![19.jpg](https://s0.lgstatic.com/i/image6/M01/56/28/Cgp9HWEsnRKAe-vTAAA4wqe0anE150.jpg) - -继续随着对象的不断分配，eden 空可能又满了，这时会重复刚才的 minor GC 过程。不过要注意的是： - -- 这时候 s0 是空的，所以 s0 与 s1 的角色其实会互换。即存活的对象，会从 eden 和 s1 区，向 s0 区移动。 - -- 然后再把 eden 和 s1 区中的垃圾清除，这一轮完成后，eden 与 s1 区变成空的，如下图。 - -![20.jpg](https://s0.lgstatic.com/i/image6/M01/56/31/CioPOWEsnTuATA-lAAA60jlAwtA023.jpg) - -**【代龄与晋升】** - -对于那些比较“长寿”的对象一直在 s0 与 s1 中挪来挪去，一来很占地方，而且也会造成一定开销，降低 gc 效率，于是有了“代龄(age)”及“晋升”。 - -对象在年青代的 3 个区（edge,s0,s1）之间，每次从一个区移到另一区，年龄 +1，在 young 区达到一定的年龄阈值后，将晋升到老年代。 - -下图中是 8，即挪动 8 次后，如果还活着，下次 minor GC 时，将移动到 Tenured 区。 - -![21.jpg](https://s0.lgstatic.com/i/image6/M01/56/28/Cgp9HWEsnXiAZiONAAA6qgCYUZc566.jpg) - -**【晋升的主要过程】** -下图是晋升的主要过程：对象先分配在年青代，经过多次 Young GC 后，如果对象还活着，晋升到老年代。 - -![22.jpg](https://s0.lgstatic.com/i/image6/M01/56/28/Cgp9HWEsnYuAPI_DAAAiMNdNNFI753.jpg) - -如果老年代，最终也放满了，就会发生 major GC（即 Full GC）。由于老年代的的对象通常会比较多，标记-清理-整理（压缩）的耗时通常也会比较长，会让应用出现卡顿的现象。这也就是为什么很多应用要优化，尽量避免或减少 Full GC 的原因。 - -![23.jpg](https://s0.lgstatic.com/i/image6/M00/56/28/Cgp9HWEsna-AYYftAAA5rifCKkc411.jpg) - - - -注：上面的过程主要来自 oracle 官网的资料，但是有一个细节官网没有提到：如果分配的新对象比较大，eden 区放不下，但是 old 区可以放下时，会直接分配到 old 区。 - -> 即没有晋升这一过程，直接到老年代了。 - - - -**【GC 流程图】** - -下图引自阿里出品的《码出高效-Java开发手册》一书，梳理了 GC 的主要过程。 - -![24.jpg](https://s0.lgstatic.com/i/image6/M00/56/28/Cgp9HWEsndeATQYWAABUVHtEAHE399.jpg) - - - -## 8 种垃圾回收器 - -不算上后面出现的神器 ZGC，历史上出现过 7 种经典的垃圾回收器。 - -![25.png](https://s0.lgstatic.com/i/image6/M00/56/29/Cgp9HWEsoXuAR2WEAAEJEJx1RMY327.png) - -这些回收器都是基于分代的，把 G1 除外，按回收的分代划分如下。 - -- 横线以上的 3 种：Serial、ParNew、Parellel Scavenge 都是回收年青代的； - -- 横线以下的 3 种：CMS、Serial Old、Parallel Old 都是回收老年代的。 - -接下来，我们将以上提到的 8 种垃圾回收器逐一讲解，其中 CMS、G1、ZGC 这三种收集器是面试考试重点，我也会着重讲解。 - -##### 1.Serial 收集器 - -单线程用标记-复制算法，快刀斩乱麻，单线程的好处避免上下文切换，早期的机器，大多是单核，也比较实用。但执行期间会发生 STW（Stop The World）。 - -##### 2.ParNew 收集器 - -是 Serial 的多线程版本，也同样会 STW，在多核机器上会更适用。 - -##### 3.Parallel Scavenge 收集器 - -ParNew 的升级版本，主要区别在于提供了两个参数： - --XX:MaxGCPauseMillis 最大垃圾回收停顿时间； - --XX:GCTimeRatio 垃圾回收时间与总时间占比。 - -通过这 2 个参数，可以适当控制回收的节奏，更关注于吞吐率，即总时间与垃圾回收时间的比例。 - -##### 4.Serial Old 收集器 - -因为老年代的对象通常比较多，占用的空间通常也会更大。如果采用复制算法，得留 50% 的空间用于复制，相当不划算；而且因为对象多，从一个区，复制到另一个区，耗时也会比较长。 - -所以老年代的收集，通常会采用“标记-整理”法。从名字就可以看出来，这是单线程（串行）的， 依然会有 STW。 - -##### 5.Parallel Old 收集器 - -一句话：Serial Old 的多线程版本。 - -##### 6.重点！CMS 收集器 - -全称：Concurrent Mark Sweep，从名字上看，就能猜出它是并发多线程的。这是 JDK 7 中广泛使用的收集器，有必要多说一下。 - -![26.jpg](https://s0.lgstatic.com/i/image6/M00/56/29/Cgp9HWEsoZSAEqicAABcDI3t_Mo844.jpg) - -### Question 7：CMS 收集器工作的整个流程主要分为哪几个阶段？ - -相对前面两个 Serial Old 收集器或 Parallel Old 收集器而言，这个明显要复杂多了，分为 4 个阶段： - -1. Inital Mark 初始标记：主要是标记GC Root开始的下级（注：仅下一级）对象，这个过程会STW，但是跟GC Root直接关联的下级对象不会很多，因此这个过程其实很快。 - -2. Concurrent Mark 并发标记：根据上一步的结果，继续向下标识所有关联的对象，直到这条链上的最尽头。这个过程是多线程的，虽然耗时理论上会比较长，但是其它工作线程并不会阻塞，没有 STW。 - -3. Remark 再标志：为啥还要再标记一次？因为第2步并没有阻塞其它工作线程，其它线程在标识过程中，很有可能会产生新的垃圾。 - -> 试想下，高铁上的垃圾清理员，从车厢一头开始吆喝“有需要扔垃圾的乘客，请把垃圾扔一下”，一边工作一边向前走，等走到车厢另一头时，刚才走过的位置上，可能又有乘客产生了新的空瓶垃圾。 -> 所以，要完全把这个车厢清理干净的话，她应该喊一下：所有乘客不要再扔垃圾了（STW），然后把新产生的垃圾收走。当然，因为刚才已经把收过一遍垃圾，所以这次收集新产生的垃圾，用不了多长时间（即 STW 时间不会很长）。 - -4. Concurrent Sweep 并行清理：这里使用多线程以“Mark Sweep-标记清理”算法，把垃圾清掉，其它工作线程仍然能继续支行，不会造成卡顿。 - -等等，刚才我们不是提到过“标记清理”法，会留下很多内存碎片吗？ - -确实，但是也没办法，如果换成“Mark Compact 标记-整理”法，把垃圾清理后，剩下的对象也顺便排整理，会导致这些对象的内存地址发生变化。别忘了，此时其他线程还在工作，如果引用的对象地址变了，就天下大乱了。 - -另外，由于这一步是并行处理，并不阻塞其它线程，所以还有一个副使用：在清理过程中，仍然可能会有新垃圾对象产生，只能等到下一轮 GC，才会被清理掉。 - -虽然仍不完美，但是从这 4 步的处理过程来看，以往收集器中最让人诟病的长时间 STW，通过上述设计，被分解成二次短暂的 STW。所以从总体效果上看，应用在 GC 期间卡顿的情况会大大改善，这也是 CMS 一度十分流行的重要原因。 - -##### 7.重点！G1 收集器 - -鉴于 CMS 的一些不足之外，比如：老年代内存碎片化，STW 时间虽然已经改善了很多，但是仍然有提升空间。G1 就横空出世了，它对于 heap 区的内存划思路很新颖，有点算法中分治法“分而治之”的味道。 - -> G1 的全称是 Garbage-First，为什么叫这个名字？呆会儿会详细说明。 - -### Question 8：G1 垃圾收集器的原理是什么？ - -如下图，G1 将 heap 内存区，划分为一个个大小相等（1-32M，2的 n 次方）、内存连续的 Region 区域，每个 region 都对应 Eden、Survivor 、Old、Humongous 四种角色之一，但是 region 与 region 之间不要求连续。 - -> 注：Humongous，简称 H 区是专用于存放超大对象的区域，通常 >= 1/2 Region Size，且只有 Full GC 阶段，才会回收 H 区，避免了频繁扫描、复制/移动大对象。 - -![27.jpg](https://s0.lgstatic.com/i/image6/M01/56/32/CioPOWEsoyiAPrJoAAAlpnfE74Y082.jpg) - - -所有的垃圾回收，都是基于 1 个个 region 的。JVM 内部知道，哪些 region 的对象最少（即该区域最空），总是会优先收集这些 region（因为对象少，内存相对较空，肯定快）。这就是 Garbage-First 得名的由来，G 即是 Garbage 的缩写，1 即 First。 - -##### 1）G1 Young GC - -young GC 前： - -![28.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEso1-ASR07AAAooj52DT8141.jpg) - -young GC 后： - -![29.jpg](https://s0.lgstatic.com/i/image6/M00/56/32/CioPOWEso26ATLb5AAAhJlGHuaA144.jpg) - -理论上讲，只要有一个 Empty Region（空区域），就可以进行垃圾回收。 - -![30.jpg](https://s0.lgstatic.com/i/image6/M00/56/32/CioPOWEso4CAQAEVAAAZ5lASmzU156.jpg) - - -由于 region 与 region 之间并不要求连续，而使用 G1 的场景通常是大内存，比如 64G 甚至更大，为了提高扫描根对象和标记的效率，G1 使用了二个新的辅助存储结构： - -- Remembered Sets：简称 RSets，用于根据每个 region 里的对象，是从哪指向过来的（即谁引用了我），每个 Region 都有独立的 RSets（Other Region -> Self Region）。 - -- Collection Sets ：简称 CSets，记录了等待回收的 Region 集合，GC 时这些 Region 中的对象会被回收（copied or moved）。 - -![31.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEso76AGea-AAAgqInKaYY726.jpg) - - -RSets 的引入，在 YGC 时，将年青代 Region 的 RSets 做为根对象，可以避免扫描老年代的 region，能大大减轻 GC 的负担。 - -> 注：在老年代收集 Mixed GC 时，RSets 记录了 Old->Old 的引用，也可以避免扫描所有 Old 区。 - -##### 2）Old Generation Collection（也称为 Mixed GC） - -### Question 9：G1 垃圾收集器的运行过程，分为哪几个阶段？ - -按 oracle 官网文档描述，分为 5 个阶段：Initial Mark(STW) -> Root Region Scan -> Cocurrent Marking -> Remark(STW) -> Copying/Cleanup(STW && Concurrent) - -> 注：也有很多文章会把 Root Region Scan 省略掉，合并到 Initial Mark 里，变成 4 个阶段。 - -![32.jpg](https://s0.lgstatic.com/i/image6/M00/56/32/CioPOWEspASAXxudAAAc8vriADo007.jpg) - -##### 阶段 1：存活对象的“初始标记”依赖于 Young GC，GC 日志中会记录成 young 字样。 - -``` -2019-06-09T15:24:37.086+0800: 500993.392: [GC pause (G1 Evacuation Pause) (young), 0.0493588 secs] - [Parallel Time: 41.9 ms, GC Workers: 8] - [GC Worker Start (ms): Min: 500993393.7, Avg: 500993393.7, Max: 500993393.7, Diff: 0.1] - [Ext Root Scanning (ms): Min: 1.5, Avg: 2.2, Max: 4.4, Diff: 2.8, Sum: 17.2] - [Update RS (ms): Min: 15.8, Avg: 18.1, Max: 18.9, Diff: 3.1, Sum: 144.8] - [Processed Buffers: Min: 110, Avg: 144.9, Max: 163, Diff: 53, Sum: 1159] - [Scan RS (ms): Min: 4.7, Avg: 5.0, Max: 5.1, Diff: 0.4, Sum: 39.7] - [Code Root Scanning (ms): Min: 0.0, Avg: 0.0, Max: 0.0, Diff: 0.0, Sum: 0.0] - [Object Copy (ms): Min: 16.4, Avg: 16.5, Max: 16.6, Diff: 0.2, Sum: 132.0] - [Termination (ms): Min: 0.0, Avg: 0.0, Max: 0.0, Diff: 0.0, Sum: 0.0] - [Termination Attempts: Min: 1, Avg: 4.9, Max: 7, Diff: 6, Sum: 39] - [GC Worker Other (ms): Min: 0.0, Avg: 0.0, Max: 0.1, Diff: 0.1, Sum: 0.3] - [GC Worker Total (ms): Min: 41.7, Avg: 41.8, Max: 41.8, Diff: 0.1, Sum: 334.1] - [GC Worker End (ms): Min: 500993435.5, Avg: 500993435.5, Max: 500993435.5, Diff: 0.0] - [Code Root Fixup: 0.0 ms] - [Code Root Purge: 0.0 ms] - [Clear CT: 0.2 ms] - [Other: 7.2 ms] - [Choose CSet: 0.0 ms] - [Ref Proc: 4.3 ms] - [Ref Enq: 0.1 ms] - [Redirty Cards: 0.1 ms] - [Humongous Register: 0.1 ms] - [Humongous Reclaim: 0.1 ms] - [Free CSet: 0.6 ms] - [Eden: 1340.0M(1340.0M)->0.0B(548.0M) Survivors: 40.0M->64.0M Heap: 2868.2M(12.0G)->1499.8M(12.0G)] - [Times: user=0.35 sys=0.00, real=0.05 secs] -``` - -![33.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEspKCAWO06AAAjPuht2jw948.jpg) - -##### 阶段 2：并发标记过程中，如果发现某些 region 全是空的，会被直接清除。 - -![34.jpg](https://s0.lgstatic.com/i/image6/M01/56/32/CioPOWEspL-AeIrMAAAZ0L4aFgU868.jpg) - -##### 阶段 3：进入重新标记阶段。 - -![35.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEspNCAShnGAAAs2sVtmIk851.jpg) - -##### 阶段 4：并发复制/清查阶段。 - -这个阶段，Young 区和 Old 区的对象有可能会被同时清理。GC 日志中，会记录为 mixed 字段，这也是 G1 的老年代收集，也称为 Mixed GC 的原因。 - -``` -2019-06-09T15:24:23.959+0800: 500980.265: [GC pause (G1 Evacuation Pause) (mixed), 0.0885388 secs] - [Parallel Time: 74.2 ms, GC Workers: 8] - [GC Worker Start (ms): Min: 500980270.6, Avg: 500980270.6, Max: 500980270.6, Diff: 0.1] - [Ext Root Scanning (ms): Min: 1.7, Avg: 2.2, Max: 4.1, Diff: 2.4, Sum: 17.3] - [Update RS (ms): Min: 11.7, Avg: 13.7, Max: 14.3, Diff: 2.6, Sum: 109.8] - [Processed Buffers: Min: 136, Avg: 141.5, Max: 152, Diff: 16, Sum: 1132] - [Scan RS (ms): Min: 42.5, Avg: 42.9, Max: 43.1, Diff: 0.5, Sum: 343.1] - [Code Root Scanning (ms): Min: 0.0, Avg: 0.0, Max: 0.0, Diff: 0.0, Sum: 0.1] - [Object Copy (ms): Min: 14.9, Avg: 15.2, Max: 15.4, Diff: 0.5, Sum: 121.7] - [Termination (ms): Min: 0.0, Avg: 0.0, Max: 0.0, Diff: 0.0, Sum: 0.1] - [Termination Attempts: Min: 1, Avg: 8.2, Max: 11, Diff: 10, Sum: 66] - [GC Worker Other (ms): Min: 0.0, Avg: 0.0, Max: 0.0, Diff: 0.0, Sum: 0.2] - [GC Worker Total (ms): Min: 74.0, Avg: 74.0, Max: 74.1, Diff: 0.1, Sum: 592.3] - [GC Worker End (ms): Min: 500980344.6, Avg: 500980344.6, Max: 500980344.6, Diff: 0.0] - [Code Root Fixup: 0.0 ms] - [Code Root Purge: 0.0 ms] - [Clear CT: 0.5 ms] - [Other: 13.9 ms] - [Choose CSet: 4.1 ms] - [Ref Proc: 1.8 ms] - [Ref Enq: 0.1 ms] - [Redirty Cards: 0.2 ms] - [Humongous Register: 0.1 ms] - [Humongous Reclaim: 0.1 ms] - [Free CSet: 5.6 ms] - [Eden: 584.0M(584.0M)->0.0B(576.0M) Survivors: 28.0M->36.0M Heap: 4749.3M(12.0G)->2930.0M(12.0G)] - [Times: user=0.61 sys=0.00, real=0.09 secs] -``` - -![36.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEspReALKoGAAAe7uQdsCU229.jpg) - -上图是，老年代收集完后的示意图。 - -通过这几个阶段的分析，虽然看上去很多阶段仍然会发生 STW，但是 G1 提供了一个预测模型，通过统计方法，根据历史数据来预测本次收集，需要选择多少个 Region 来回收，尽量满足用户的预期停顿值（-XX:MaxGCPauseMillis 参数可指定预期停顿值）。 - -> 注：如果 Mixed GC 仍然效果不理想，跟不上新对象分配内存的需求，会使用 Serial Old GC（Full GC）强制收集整个 Heap。 - -小结：与 CMS 相比，G1 有内存整理过程（标记-压缩），避免了内存碎片；STW 时间可控（能预测 GC 停顿时间）。 - -##### 8.重点！ZGC（截止目前史上最好的 GC 收集器） - -### Question 10：ZGC 在 G1 基础上做了哪些改进？ - -在 G1 的基础上，它做了如下 7 点改进（JDK 11 开始引入）。 - -##### 1）动态调整大小的 Region - -G1 中每个 Region 的大小是固定的，创建和销毁 Region，可以动态调整大小，内存使用更高效。 - -![37.jpg](https://s0.lgstatic.com/i/image6/M00/56/2A/Cgp9HWEspYeAXzknAAAIiMoiXjE128.jpg) - -##### 2）不分代，干掉了 RSets - -G1 中每个 Region 需要借助额外的 RSets 来记录“谁引用了我”，占用了额外的内存空间，每次对象移动时，RSets 也需要更新，会产生开销。 - -> ZGC 没有为止，没有实现分代机制，每次都是并发的对所有 region 进行回收，不象 G1 是增量回收，所以用不着 RSets。不分代的带来的可能性能下降，会用下面马上提到的 Colored Pointer && Load Barrier 来优化。 - -##### 3）带颜色的指针 Colored Pointer - -![38.jpg](https://s0.lgstatic.com/i/image6/M00/56/2A/Cgp9HWEspaqAZJgwAAAnVLyDuLg609.jpg) - -这里的指针类似 Java 中的引用，意为对某块虚拟内存的引用。ZGC 采用了64位指针（注：目前只支持 linux 64 位系统），将 42-45 这 4 个 bit 位置赋予了不同含义，即所谓的颜色标志位，也换为指针的 metadata。 - -- finalizable 位：仅 finalizer（类比 C++ 中的析构函数）可访问； - -- remap 位：指向对象当前（最新）的内存地址，参考下面提到的relocation； - -- marked0 && marked1 位：用于标志可达对象。 - -这 4 个标志位，同一时刻只会有 1 个位置是 1。每当指针对应的内存数据发生变化，比如内存被移动，颜色会发生变化。 - -##### 4）读屏障 Load Barrier - -传统 GC 做标记时，为了防止其他线程在标记期间修改对象，通常会简单的 STW。而 ZGC 有了 Colored Pointer 后，引入了所谓的“读屏障”。 - -当指针引用的内存正被移动时，指针上的颜色就会变化，ZGC 会先把指针更新成最新状态，然后再返回（你可以回想下 Java 中的 volatile 关键字，有异曲同工之妙）。这样仅读取该指针时，可能会略有开销，而不用将整个 heap STW。 - -##### 5）重定位 Relocation - -如下图，在标记过程中，先从 Roots 对象找到了直接关联的下级对象 1，2，4。 - -![39.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEspqWAAHS6AAAcoge7Pv8625.jpg) - -然后继续向下层标记，找到了 5，8 对象， 此时已经可以判定 3，6，7 为垃圾对象。 - -![40.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEsprCAZrtCAAAeqKPoHXw488.jpg) - -如果按常规思路，一般会将 8 从最右侧的 Region，移动或复制到中间的 Region，然后再将中间 Region 的 3 干掉，最后再对中间 Region 做压缩 compact 整理。 - -![41.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEspr6AMxziAAAeYmBBjoU744.jpg) - -但 ZGC 做得更高明，它直接将 4，5 复制到了一个空的新 Region 就完事了，然后中间的 2 个 Region 直接废弃，或理解为“释放”，作为下次回收的“新” Region。这样的好处是避免了中间 Region 的 compact 整理过程。 - -![42.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEspsuAFh42AAAsCgyJwEk919.jpg) - - -最后，指针重新调整为正确的指向（即：remap），而且上一阶段的 remap 与下一阶段的mark是混在一起处理的，相对更高效。 - -【 Remap 的流程图】 - -![43.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEsptuABwmwAAA8njSoyvA729.jpg) - -##### 6）多重映射 Multi-Mapping - -这个优化，说实话没完全看懂，只能谈下自己的理解（如果有误，欢迎指正)。虚拟内存与实际物理内存，OS 会维护一个映射关系，才能正常使用，如下图： - -![44.jpg](https://s0.lgstatic.com/i/image6/M00/56/33/CioPOWEspu-AMzsrAAAexu5Y-5Y191.jpg) - -zgc 的 64 位颜色指针，在解除映射关系时，代价较高（需要屏蔽额外的 42-45 的颜色标志位）。考虑到这 4 个标志位，同 1 时刻，只会有 1 位置成 1（如下图），另外 finalizable 标志位，永远不希望被解除映射绑定（可不用考虑映射问题）。 - -所以剩下 3 种颜色的虚拟内存，可以都映射到同1段物理内存。即映射复用，或者更通俗点讲，本来 3 种不同颜色的指针，哪怕 0-41 位完全相同，也需要映射到 3 段不同的物理内存，现在只需要映射到同 1 段物理内存即可。 - -![45.jpg](https://s0.lgstatic.com/i/image6/M01/56/33/CioPOWEspvuAPsezAAA3EnbGU_s779.jpg) - -![46.jpg](https://s0.lgstatic.com/i/image6/M01/56/33/CioPOWEspwaACvveAAB6uIWxwWM451.jpg) - -##### 7）支持 NUMA 架构 - -NUMA 是一种多核服务器的架构，简单来讲，一个多核服务器（比如 2core），每个 cpu 都有属于自己的存储器，会比访问另一个核的存储器会慢很多（类似于就近访问更快）。 - -相对之前的 GC 算法，ZGC 首次支持了 NUMA 架构，申请堆内存时，判断当前线程属是哪个CPU在执行，然后就近申请该 CPU 能使用的内存。 - -小结：革命性的 ZGC 经过上述一堆优化后，每次 GC 总体卡顿时间按官方说法<10ms。 - -> 注：启用 zgc，需要设置 -XX:+UnlockExperimentalVMOptions -XX:+UseZGC。 \ No newline at end of file diff --git a/docs/interview/JUC-FAQ.md b/docs/interview/JUC-FAQ.md index 5a5a5c11d4..ff3d890561 100644 --- a/docs/interview/JUC-FAQ.md +++ b/docs/interview/JUC-FAQ.md @@ -1,3 +1,16 @@ +--- +title: Java并发编程 +date: 2024-05-31 +tags: + - JUC + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +> Java并发编程是面试中**最具技术含量**的部分，也是区分初级和高级开发者的重要标准。从基础的线程创建到复杂的JMM内存模型，从synchronized关键字到Lock接口的实现原理，每一个知识点都可能成为面试官深挖的切入点。掌握并发编程，不仅是面试利器，更是高性能系统开发的基石。 +> > JUC 面试，围绕着这么几个方向准备 > > - 多线程的一些概念（进程、线程、并行、并发啥的，谈谈你对高并发的认识） @@ -13,27 +26,76 @@ > - atomic 类（atomic常用类，方法，到 CAS，或者 ABA问题） > - Fork/Join并行计算框架 > -> ![](https://tva1.sinaimg.cn/large/e6c9d24ely1h393a4lu91j21e80osgp7.jpg) +![](https://img.starfish.ink/common/juc-faq.png) + +## 🗺️ 知识导航 +### 🏷️ 核心知识分类 +1. **🧵 线程基础**：创建方式、生命周期、线程状态、线程安全、ThreadLocal、进程vs线程、并发vs并行 +2. **🔒 同步关键字**：synchronized原理、volatile特性、锁升级、偏向锁、轻量级锁、重量级锁 +3. **🏛️ 锁机制与AQS**：ReentrantLock、读写锁、AQS框架、公平锁vs非公平锁、死锁问题 +4. **⚛️ 原子操作与CAS**：CAS机制、ABA问题、AtomicInteger、LongAdder、无锁编程 +5. **🛠️ 并发工具类**：CountDownLatch、CyclicBarrier、Semaphore、Exchanger、线程间通信 +6. **🏊 线程池详解**：ThreadPoolExecutor七大参数、工作原理、拒绝策略、参数配置、性能优化 +7. **🧠 Java内存模型**：JMM规范、主内存vs工作内存、happen-before原则、内存屏障、三大特性 +8. **📦 并发容器**：ConcurrentHashMap、CopyOnWriteArrayList、BlockingQueue、同步容器vs并发容器 +9. **🚀 高级并发工具**：ForkJoinPool工作窃取、CompletableFuture异步编程、ThreadLocal原理 +10. **🎯 并发应用实践**：订票系统高并发、网站架构设计、无锁化编程、生产者消费者模式、最佳实践 +### 🔑 面试话术模板 -## 一、多线程开篇 +| **问题类型** | **回答框架** | **关键要点** | **深入扩展** | +| ------------ | ------------------- | ------------ | ----------------- | +| **机制原理** | 背景→实现→特点→应用 | 底层实现机制 | 源码分析、JVM层面 | +| **性能对比** | 场景→测试→数据→结论 | 量化性能差异 | 实际项目经验 | +| **并发问题** | 问题→原因→解决→预防 | 线程安全分析 | 最佳实践模式 | +| **工具选择** | 需求→特点→适用→示例 | 使用场景对比 | 源码实现原理 | -### 1、进程和线程？ +## 一、线程基础🧵 + +### 🎯 进程和线程？ 进程是程序的一次执行过程，是系统运行程序的基本单位，因此进程是动态的。系统运行一个程序即是一个进程从创建，运行到消亡的过程。 -线程是操作系统能够进行运算调度的最小单位，它被包含在进程之中，是进程中的实际运作单位。 +线程是进程中的一个执行单元。 + +线程是进程的子集，一个进程可以有很多线程，每条线程并行执行不同的任务。不同的进程使用不同的内存空间，而所有的线程共享一片相同的内存空间。 在 Java 中，当我们启动 main 函数时其实就是启动了一个 JVM 的进程，而 main 函数所在的线程就是这个进程中的一个线程，也称主线程。 -线程是进程的子集，一个进程可以有很多线程，每条线程并行执行不同的任务。不同的进程使用不同的内存空间，而所有的线程共享一片相同的内存空间。 +**为什么要用多线程而不是多进程？** + +- 线程更轻量，切换开销小，通信更高效。 +- 适合 I/O 密集型、CPU 密集型应用。 + +### 🎯 了解协程么？ -### 了解协程么？ +**协程是用户态的轻量级线程**，由程序主动控制切换（而非操作系统调度），**单线程可运行多个协程**，适合处理高并发、IO 密集型场景。 +*类比记忆*： + +- 线程是 “操作系统管理的工人”，协程是 “工人（线程）手下的临时工”—— 工人自己安排临时工干活，减少找老板（操作系统）调度的开销。 + +| **对比维度** | **协程** | **线程** | +| ------------ | ------------------------------------------- | ----------------------------------------- | +| **调度层** | 用户态（编程语言 / 框架控制） | 内核态（操作系统内核调度） | +| **创建成本** | 极低（纳秒级，内存消耗小） | 较高（毫秒级，需分配独立栈内存） | +| **适用场景** | IO 密集型（如网络请求、数据库操作） | CPU 密集型（如复杂计算） | +| **典型框架** | Kotlin 协程、Quarkus Vert.x、Spring WebFlux | 原生 Java 线程、线程池（ExecutorService） | + +**Java 中的协程支持** + +1. **现状**： + - Java 标准库目前**无原生协程支持**，需通过框架或语言扩展实现。 + - 主流方案： + - **Kotlin 协程**：通过 JVM 字节码与 Java 互操作（如在 Spring Boot 中混合使用）。 + - **Quarkus**：基于 SmallRye Mutiny 实现响应式编程，底层用协程优化 IO 操作。 + - **Loom 项目（实验性）**：JDK 19 引入轻量级线程（Virtual Threads），类似协程但由 JVM 管理调度。 +2. **未来趋势**： + - Loom 项目的虚拟线程可能在未来 JDK 版本中正式转正，成为 Java 协程的替代方案。 > **协程的目的** > @@ -41,10 +103,15 @@ > > 最常见的例子就是JDBC（它是同步阻塞的），这也是为什么很多人都说数据库是瓶颈的原因。这里的耗时其实是让CPU一直在等待I/O返回，说白了线程根本没有利用CPU去做运算，而是处于空转状态。而另外过多的线程，也会带来更多的ContextSwitch开销。 > -> 对于上述问题，现阶段行业里的比较流行的解决方案之一就是单线程加上异步回调。其代表派是node.js以及Java里的新秀Vert.x。 +> 对于上述问题，现阶段行业里的比较流行的解决方案之一就是单线程加上异步回调。其代表派是node.js以及Java里的Vert.x。 > > 而协程的目的就是当出现长时间的I/O操作时，通过让出目前的协程调度，执行下一个任务的方式，来消除ContextSwitch上的开销。 > +> 协程（Coroutine）是一种比线程更轻量的并发处理单元，主要特点是它们可以在一个线程内非阻塞地切换。协程与线程的区别在于： +> +> 1. **线程**由操作系统调度，切换需要系统调用（较高开销）。 +> 2. **协程**由应用程序自己调度，切换仅是函数调用（较低开销）。 +> > **协程的特点** > > 1. 线程的切换由操作系统负责调度，协程由用户自己进行调度，因此减少了上下文切换，提高了效率。 @@ -58,34 +125,54 @@ > > 由于协程的暂停完全由程序控制，发生在用户态上；而线程的阻塞状态是由操作系统内核来进行切换，发生在内核态上。 > 因此，协程的开销远远小于线程的开销，也就没有了ContextSwitch上的开销。 +> +> **1. 协程的核心概念** +> +> - **协作式调度**： +> 协程通过显式的 `yield` 或 `suspend` 语句让出执行权，而不是由操作系统抢占式调度。 +> - **共享线程**： +> 多个协程可以运行在同一个线程中，且它们共享该线程的栈空间。 +> +> **2. 协程的实现** +> +> 协程的实现可以基于以下机制： +> +> 1. **状态保存**：协程在挂起时会保存当前的执行状态，包括程序计数器和局部变量。 +> 2. **调度器**：负责管理协程的调度，比如哪个协程运行，哪个挂起。 +> 3. **栈帧管理**：协程通常以轻量的栈帧形式运行，其栈比线程栈更小，支持更高的并发量。 -### 2、说说并发与并行的区别? +### 🎯 说说并发与并行的区别? - **并发：** 同一时间段，多个任务都在执行 (单位时间内不一定同时执行)； - **并行：** 单位时间内，多个任务同时执行。 -![](https://tva1.sinaimg.cn/large/0081Kckwly1gkc43bnvvlj31wc0prabv.jpg) - - - -### 3、说下同步、异步、阻塞和非阻塞 - -#### 同步与异步 - -首先来解释同步和异步的概念，这两个概念与消息的通知机制有关。也就是**同步与异步主要是从消息通知机制角度来说的**。 -所谓同步就是一个任务的完成需要依赖另外一个任务时，只有等待被依赖的任务完成后，依赖的任务才能算完成，这是一种可靠的任务序列。 -所谓异步是不需要等待被依赖的任务完成，只是通知被依赖的任务要完成什么工作，依赖的任务也立即执行，只要自己完成了整个任务就算完成了。 +### 🎯 说下同步、异步、阻塞和非阻塞？ -异步的概念和同步相对。当一个同步调用发出后，调用者要一直等待返回消息（结果）通知后，才能进行后续的执行；当一个异步过程调用发出后，调用者不能立刻得到返回消息（结果）。实际处理这个调用的部件在完成后，通过状态、通知和回调来通知调用者 - -#### 阻塞和非阻塞 +同步和异步两个概念与消息的通知机制有关。也就是**同步与异步主要是从消息通知机制角度来说的**。 阻塞和非阻塞这两个概念与程序（线程）等待消息通知(无所谓同步或者异步)时的**状态**有关。也就是说**阻塞与非阻塞主要是程序（线程）等待消息通知时的状态角度来说的** +1. **同步（Sync）**：调用者需等待结果返回，全程 “亲自参与” 任务执行。 +2. **异步（Async）** + **调用者无需等待结果**，任务交予后台处理，通过回调 / 通知获取结果。 + *例：点外卖后无需一直等餐，配送完成会电话通知。* +3. **阻塞（Block）** + **线程发起请求后被挂起**，无法执行其他操作，直到结果返回。 + *例：单线程程序中，调用`InputStream.read()`时，线程会一直等待数据可读。* +4. **非阻塞（Non-Block）** + **线程发起请求后立即返回**，可继续执行其他任务（需轮询或回调处理结果）。 + *例：多线程程序中，调用`SocketChannel.read()`时，若数据不可读立即返回`-1`，线程可处理其他通道。* + +| **对比维度** | **同步 vs 异步** | **阻塞 vs 非阻塞** | +| ------------ | ------------------------------------------------------------ | -------------------------------------- | +| **核心区别** | **任务执行方式**：是否亲自处理 | **线程状态**：是否被挂起（能否干别的） | +| **典型场景** | - 同步：Servlet 单线程处理请求 - 异步：Spring `@Async` 注解 | - 阻塞：BIO 模型 - 非阻塞：NIO 模型 | +| **组合关系** | 可交叉组合，共 4 种模式： **同步阻塞（BIO）**、**同步非阻塞（NIO 轮询）**、 **异步阻塞（少见）**、**异步非阻塞（AIO）** | 无直接关联，需结合具体场景分析 | + 阻塞调用是指调用结果返回之前，当前线程会被挂起，一直处于等待消息通知，不能够执行其他业务。函数只有在得到结果之后才会返回 **有人也许会把阻塞调用和同步调用等同起来，实际上它们是不同的。** @@ -98,15 +185,25 @@ 所以同步的实现方式会有两种：同步阻塞、同步非阻塞；同理，异步也会有两种实现：异步阻塞、异步非阻塞 +> #### “BIO、NIO、AIO 分别属于哪种模型？” +> +> - **BIO（Blocking IO）** = 同步阻塞（最传统，线程易阻塞浪费资源）。 +> - **NIO（Non-Blocking IO）** = 同步非阻塞（通过选择器 Selector 实现线程非阻塞，需手动轮询结果）。 +> - **AIO（Asynchronous IO）** = 异步非阻塞（JDK 7 引入，后台自动完成 IO 操作，回调通知结果）。 + -### 4、什么是线程安全和线程不安全？ +### 🎯 什么是线程安全和线程不安全？ -通俗的说：加锁的就是是线程安全的，不加锁的就是是线程不安全的 +通俗的说：加锁的就是线程安全的，不加锁的就是线程不安全的 -**线程安全: 就是多线程访问时，采用了加锁机制，当一个线程访问该类的某个数据时，进行保护，其他线程不能进行访问，直到该线程读取完，其他线程才可使用。不会出现数据不一致或者数据污染**。 +**线程安全: **线程安全**指的是当多个线程同时访问某个共享资源或执行某个方法时，不会引发竞态条件（race condition）等问题。线程安全的代码确保多个线程能够**安全且正确地访问资源，即无论系统的调度如何，最终的结果总是符合预期 -一个线程安全的计数器类的同一个实例对象在被多个线程使用的情况下也不会出现计算失误。很显然你可以将**集合类分成两组，线程安全和非线程安全的**。 Vector 是用同步方法来实现线程安全的, 而和它相似的 ArrayList 不是线程安全的。 +> 如何实现线程安全： +> +> - **加锁机制**：常见的是通过使用锁（`synchronized`、`Lock` 等），确保同一时间只有一个线程能够访问共享资源。 +> - **原子操作**：使用原子性操作或工具类，如 Java 中的 `AtomicInteger`，可以确保线程间的操作是不可分割的，避免了竞态条件。 +> - **不可变对象**：如果数据本身是不可变的，那么它自然是线程安全的，因为任何线程都只能读取，而不会修改数据。 **线程不安全：就是不提供数据访问保护，有可能出现多个线程先后更改数据造成所得到的数据是脏数据** @@ -114,111 +211,203 @@ -### 5、什么是上下文切换? +### 🎯 哪些场景需要额外注意线程安全问题？ + +1. **共享资源访问**：当多个线程访问同一个可变对象或变量时，需要确保线程安全，防止数据不一致。 +2. 依赖时序的操作 +3. **可变对象的并发修改**：如果一个对象的状态可以被多个线程修改，需要同步访问以避免竞态条件。 +4. **集合的并发操作**：向集合添加、删除或修改元素时，如果集合是共享的，需要使用线程安全的集合类或同步机制。 +5. **静态字段和单例模式**：静态字段和单例实例可能被多个线程访问，需要特别注意初始化和访问的线程安全。 +6. **并发数据结构操作**：使用如`ConcurrentHashMap`等并发集合时，虽然提供了更好的线程安全性，但在某些复合操作上仍需注意同步。 +7. **资源池管理**：连接池、线程池等资源池的使用，需要确保资源的分配和释放是线程安全的。 +8. **锁的使用**：在使用锁（如`synchronized`或`ReentrantLock`）时，需要避免死锁、活锁和资源耗尽等问题。 +9. **原子操作**：对于需要原子性的操作，如计数器递增，需要使用原子变量类（如`AtomicInteger`）。 +10. **可见性问题**：确保一个线程对变量的修改对其他线程是可见的，可以通过 `volatile` 关键字或 `synchronized` 块来实现。 +11. **并发异常处理**：在处理异常时，需要确保资源的释放和状态的恢复不会影响线程安全。 +12. **发布-订阅模式**：在事件驱动的架构中，事件的发布和订阅需要同步，以避免事件处理的竞态条件。 + +在设计系统时，应该始终考虑到线程安全问题，并采用适当的同步机制和并发工具来避免这些问题。此外，编写单元测试和集成测试时，也应该考虑到多线程环境下的行为。 + -多线程编程中一般线程的个数都大于 CPU 核心的个数，而一个 CPU 核心在任意时刻只能被一个线程使用，为了让这些线程都能得到有效执行，CPU 采取的策略是为每个线程分配时间片并轮转的形式。当一个线程的时间片用完的时候就会重新处于就绪状态让给其他线程使用，这个过程就属于一次上下文切换。 -概括来说就是：当前任务在执行完 CPU 时间片切换到另一个任务之前会先保存自己的状态，以便下次再切换回这个任务时，可以再加载这个任务的状态。**任务从保存到再加载的过程就是一次上下文切换**。 +### 🎯 什么是上下文切换? -上下文切换通常是计算密集型的。也就是说，它需要相当可观的处理器时间，在每秒几十上百次的切换中，每次切换都需要纳秒量级的时间。所以，上下文切换对系统来说意味着消耗大量的 CPU 时间，事实上，可能是操作系统中时间消耗最大的操作。 +上下文切换（Context Switch）指的是 **CPU 从一个线程/进程切换到另一个线程/进程运行时**，保存当前执行状态并恢复另一个的执行状态的过程。 -Linux 相比与其他操作系统（包括其他类 Unix 系统）有很多的优点，其中有一项就是，其上下文切换和模式切换的时间消耗非常少。 +> 多线程编程中一般线程的个数都大于 CPU 核心的个数，而一个 CPU 核心在任意时刻只能被一个线程使用，为了让这些线程都能得到有效执行，CPU 采取的策略是为每个线程分配时间片并轮转的形式。当一个线程的时间片用完的时候就会重新处于就绪状态让给其他线程使用，这个过程就属于一次上下文切换。 +这里的“上下文”包括： +- 程序计数器（PC） +- 寄存器 +- 堆栈信息 +- 内存映射等 -### 6、什么是线程的上下文切换? +**为什么会发生？** -对于单核 CPU，CPU 在一个时刻只能运行一个线程，当在运行一个线程的过程中转去运行另外一个线程，这个叫做线程上下文切换(对于进程也是类似)。 +- 线程时间片耗尽（操作系统调度） +- 有更高优先级线程需要运行 +- 线程主动挂起（sleep、wait、IO 阻塞） +- 多核 CPU 上线程切换 -线程上下文切换过程中会记录程序计数器、**CPU** 寄存器的状态等数据。 +**成本与影响** -虽然多线程可以使得任务执行的效率得到提升，但是由于在线程切换时同 样会带来一定的开销代价，并且多个线程会导致系统资源占用的增加，所以在 进行多线程编程时要注意这些因素。 +- 上下文切换不是“免费”的： + - 保存/恢复寄存器和内存信息需要时间 + - 缓存失效（Cache Miss），降低 CPU 利用率 +- **过多的上下文切换会导致性能下降**，甚至“线程切换比工作还耗时”。 +**如何减少？** +- 使用线程池，避免频繁创建/销毁线程 +- 减少锁竞争（synchronized、ReentrantLock） +- 使用无锁数据结构（CAS、Atomic 类） +- 降低线程数量（通常 ≤ CPU 核心数 * 2） -### 7、用户线程和守护线程有什么区别? -当我们在 Java 程序中创建一个线程，它就被称为用户线程。将一个用户线程设置为守护线程的方法就是在调用 **start()**方法之前，调用对象的 setDamon(true)方法。一个守护线程是在后台执行并且不会阻止 JVM 终止的 线程，守护线程的作用是为其他线程的运行提供便利服务。当没有用户线程在 运行的时候，**JVM** 关闭程序并且退出。一个守护线程创建的子线程依然是守护线程。 + +### 🎯 用户线程和守护线程有什么区别? + +当我们在 Java 程序中创建一个线程，它就被称为用户线程。将一个用户线程设置为守护线程的方法就是在调用 **start()**方法之前，调用对象的 `setDamon(true)` 方法。一个守护线程是在后台执行并且不会阻止 JVM 终止的 线程，守护线程的作用是为其他线程的运行提供便利服务。当没有用户线程在 运行的时候，**JVM** 关闭程序并且退出。一个守护线程创建的子线程依然是守护线程。 守护线程的一个典型例子就是垃圾回收器。 -### 8、如何在 Windows 和 Linux 上查找哪个线程 cpu 利用率最高？ +### 🎯 说说线程的生命周期和状态? -windows上面用任务管理器看，linux下可以用 top 这个工具看。 +Java 线程在运行的生命周期中的指定时刻只可能处于下面 6 种不同状态的其中一个状态 -1. 找出 cpu 耗用厉害的进程pid， 终端执行top命令，然后按下shift+p 查找出cpu利用最厉害的pid号 -2. 根据上面第一步拿到的pid号，top -H -p pid 。然后按下shift+p，查找出cpu利用率最厉害的线程号，比如top -H -p 1328 -3. 将获取到的线程号转换成16进制，去百度转换一下就行 -4. 使用jstack工具将进程信息打印输出，jstack pid号 > /tmp/t.dat，比如jstack 31365 > /tmp/t.dat -5. 编辑/tmp/t.dat文件，查找线程号对应的信息 +Java 通过 `Thread.State` 枚举定义了线程的**6 种状态**（JDK 1.5 后），可通过 `getState()` 方法获取，需注意与生命周期阶段的对应关系： +| 状态名称 | **说明** | **对应生命周期阶段** | +| --------------- | ------------------------------------------------------------ | --------------------------- | +| `NEW` | 线程对象被创建（例如通过 `new Thread()`）之后，但在调用 `start()` 方法之前的初始状态 | 新建 | +| `RUNNABLE` | 线程调用了 `start()` 方法之后的状态。**这并不意味着线程正在CPU上执行，而是表示线程具备了运行的条件** | 就绪、运行 | +| `BLOCKED` | 阻塞状态，等待监视器锁（如 `synchronized` 锁）。 | 阻塞（同步阻塞） | +| `WAITING` | 无限等待状态，需其他线程显式唤醒（如调用 `wait()` 无超时参数）。 | 阻塞（主动阻塞 / 协作阻塞） | +| `TIMED_WAITING` | 限时等待状态，超时后自动唤醒（如 `wait(long ms)`、`sleep(long ms)`）。 | 阻塞（主动阻塞） | +| `TERMINATED` | 终止状态，线程执行完毕或异常结束（同生命周期的 “死亡”）。 | 死亡 | + +线程在生命周期中并不是固定处于某一个状态而是随着代码的执行在不同状态之间切换。 + +``` +┌─────────┐ start() ┌─────────────────┐ +│ NEW │ ───────────────→│ RUNNABLE │ +└─────────┘ └─────────────────┘ + ↗ ↘ + ↙ ↘ + CPU调度获取时间片 主动放弃CPU（yield()） + ↓ ↗ +┌─────────┐ run()完成 ┌─────────────────┐ +│TERMINATED←─────────────────│ RUNNING │ +└─────────┘ └─────────────────┘ + ↓ ↓ ↓ + ┌────┴────┐ ┌──┴────┐ ┌──┴────┐ + │ │ │ │ │ │ + ┌───────────▼───┐ ┌───▼─────────▼─┴───────▼────┐ + │ │ │ │ +┌─────────────────┐ ┌─────────────────┐ ┌───────────────────────┐ +│ BLOCKED │ │ WAITING │ │ TIMED_WAITING │ +│ (等待锁) │ │ (无限等待) │ │ (超时等待) │ +└─────────────────┘ └─────────────────┘ └───────────────────────┘ + ▲ ▲ ▲ + │ │ │ + │ │ │ +┌─────────────┴───┐ ┌─────────┴──────────────┐ ┌───┴──────────────────┐ +│获取synchronized │ │notify()/notifyAll() │ │时间到达或提前唤醒 │ +│锁 │ │join()线程结束 │ │notify()/notifyAll() │ +└─────────────────┘ └────────────────────────┘ └───────────────────────┘ +``` -### 9、说说线程的生命周期和状态? -Java 线程在运行的生命周期中的指定时刻只可能处于下面 6 种不同状态的其中一个状态（图源《Java 并发编程艺术》4.1.4 节）。 +### 🎯 一个线程两次调用 start() 方法会出现什么情况？谈谈线程的生命周期和状态转移 -![img](https://ask.qcloudimg.com/http-save/yehe-1104878/o9ndah1viz.png?imageView2/2/w/1620) +在 Java 中，线程对象一旦启动，不能再次启动。如果尝试对同一个线程对象调用两次 `start()` 方法，会抛出 `java.lang.IllegalThreadStateException` 异常。 -线程在生命周期中并不是固定处于某一个状态而是随着代码的执行在不同状态之间切换。Java 线程状态变迁如下图所示（图源《Java 并发编程艺术》4.1.4 节）： +- 当线程对象第一次调用 `start()` 时，线程从 **NEW 状态** 进入 **RUNNABLE 状态**，JVM 会为其创建对应的操作系统线程并执行 `run()` 方法。 -![img](https://ask.qcloudimg.com/http-save/yehe-1104878/f7epdyuln1.png?imageView2/2/w/1620) +- **若再次调用 `start()`，会抛出 `IllegalThreadStateException`**，因为线程状态已不再是 NEW。 -由上图可以看出：线程创建之后它将处于 **NEW（新建）** 状态，调用 `start()` 方法后开始运行，线程这时候处于 **READY（可运行）** 状态。可运行状态的线程获得了 CPU 时间片（timeslice）后就处于 **RUNNING（运行）** 状态。 + ```java + Thread t = new Thread(() -> System.out.println("Running")); + t.start(); // 第一次调用，正常启动 + t.start(); // 第二次调用，抛出 IllegalThreadStateException + ``` + **状态流转的关键限制** +- **NEW → RUNNABLE**：只能通过 **一次 `start()` 调用** 触发。 +- **RUNNABLE → 其他状态**：可通过锁竞争、等待 / 通知、超时等操作转换。 +- **TERMINATED**：一旦进入，无法回到其他状态（线程生命周期结束）。 -### 10、一个线程两次调用 start() 方法会出现什么情况？谈谈线程的生命周期和状态转移 -Java 的线程是不允许启动两次的，第二次调用必然会抛出 IllegalThreadStateException，这是一种运行时异常，多次调用 start 被认为是编程错误。 -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h37jypfe0bj20ye0503z7.jpg) +> #### 线程池如何复用线程？ +> +> 线程池通过 `execute(Runnable task)` 方法复用线程，其核心原理是： +> +> 1. **Worker 线程循环**：线程池中的工作线程（Worker）会持续从任务队列中获取任务并执行。 +> 2. **任务替换**：当一个任务执行完毕后，Worker 不会终止，而是继续执行下一个任务。 +> 3. **状态维护**：Worker 线程本身不会被重复 `start()`，而是通过 `run()` 方法的循环调用实现复用。 -关于线程生命周期的不同状态，在 Java 5 以后，线程状态被明确定义在其公共内部枚举类型 java.lang.Thread.State 中，分别是： -- 新建（NEW），表示线程被创建出来还没真正启动的状态，可以认为它是个 Java 内部状态。 -- 就绪（RUNNABLE），表示该线程已经在 JVM 中执行，当然由于执行需要计算资源，它可能是正在运行，也可能还在等待系统分配给它 CPU 片段，在就绪队列里面排队。 -- 在其他一些分析中，会额外区分一种状态 RUNNING，但是从 Java API 的角度，并不能表示出来。 -- 阻塞（BLOCKED），这个状态和同步非常相关，阻塞表示线程在等待 Monitor lock。比如，线程试图通过 synchronized 去获取某个锁，但是其他线程已经独占了，那么当前线程就会处于阻塞状态。 -- 等待（WAITING），表示正在等待其他线程采取某些操作。一个常见的场景是类似生产者消费者模式，发现任务条件尚未满足，就让当前消费者线程等待（wait），另外的生产者线程去准备任务数据，然后通过类似 notify 等动作，通知消费线程可以继续工作了。Thread.join() 也会令线程进入等待状态。 -- 计时等待（TIMED_WAIT），其进入条件和等待状态类似，但是调用的是存在超时条件的方法，比如 wait 或 join 等方法的指定超时版本，如下面示例： -```java -public final native void wait(long timeout) throws InterruptedException; -``` +### 🎯 说说 sleep() 方法和 wait() 方法区别和共同点? -- 终止（TERMINATED），不管是意外退出还是正常执行结束，线程已经完成使命，终止运行，也有人把这个状态叫作死亡。 +sleep () 和 wait () 的核心区别在于锁的处理机制： -在第二次调用 start() 方法的时候，线程可能处于终止或者其他（非 NEW）状态，但是不论如何，都是不可以再次启动的。 +1. **锁释放**：sleep () 不释放锁，wait () 释放锁并进入等待队列； +2. **唤醒方式**：sleep () 依赖时间或中断，wait () 依赖其他线程通知； +3. **使用场景**：sleep () 用于线程暂停，wait () 用于线程协作（wait 方法必须在 synchronized 保护的代码中使用）。 -### 11、说说 sleep() 方法和 wait() 方法区别和共同点? +- `wait ()`通常被用于线程间交互/通信（wait 方法必须在 synchronized 保护的代码中使用），sleep 通常被用于暂停执行。 +- `wait()` 方法被调用后，线程不会自动苏醒，需要别的线程调用同一个对象上的 `notify()` 或者 `notifyAll()` 方法。`sleep()` 方法执行完成后，线程会自动苏醒。或者可以使用 `wait(long timeout)` 超时后线程会自动苏醒。 -- 两者最主要的区别在于：**sleep 方法没有释放锁，而 wait 方法释放了锁** 。 -- 两者都可以暂停线程的执行。 -- wait 通常被用于线程间交互/通信，sleep 通常被用于暂停执行。 -- wait() 方法被调用后，线程不会自动苏醒，需要别的线程调用同一个对象上的 `notify()` 或者 `notifyAll()` 方法。`sleep()` 方法执行完成后，线程会自动苏醒。或者可以使用 `wait(long timeout)` 超时后线程会自动苏醒。 +> `Thread.yield()` 方法用于提示调度器当前线程愿意放弃对处理器的占用，并允许其他同优先级的线程运行。 +> +>yield() 方法和 sleep() 方法类似，也不会释放“锁标志”，区别在于，它没有参数，即 yield() 方法只是使当前线程重新回到可执行状态，所以执行 yield() 的线程有可能在进入到可执行状态后马上又被执行，另外 yield() 方法只能使同优先级或者高优先级的线程得到执行机会，这也和 sleep() 方法不同。 +> +> `Thread.join()` 方法用于等待当前线程执行完毕。它可以用于确保某个线程在另一个线程完成之前不会继续执行。 -**yield()** -yield() 方法和 sleep() 方法类似，也不会释放“锁标志”，区别在于，它没有参数，即 yield() 方法只是使当前线程重新回到可执行状态，所以执行 yield() 的线程有可能在进入到可执行状态后马上又被执行，另外 yield() 方法只能使同优先级或者高优先级的线程得到执行机会，这也和 sleep() 方法不同。 -**join()** -join() 方法会使当前线程等待调用 join() 方法的线程结束后才能继续执行 +### 🎯 为什么 wait () 必须在 synchronized 块中？ +- **原子性保障**：避免线程安全问题（如生产者修改队列后，消费者未及时感知）。 -### 为什么我们调用 start() 方法时会执行 run() 方法，为什么我们不能直接调用 run() 方法？ +- **JVM 实现机制**：锁对象的 `monitor` 记录等待线程，需通过 `synchronized` 获取锁后才能操作 `monitor` -new 一个 Thread，线程进入了新建状态；调用 start() 方法，会启动一个线程并使线程进入了就绪状态，当分配到时间片后就可以开始运行了。 start() 会执行线程的相应准备工作，然后自动执行 run() 方法的内容，这是真正的多线程工作。 而直接执行 run() 方法，会把 run 方法当成一个 main 线程下的普通方法去执行，并不会在某个线程中执行它，所以这并不是多线程工作。 + -**总结： 调用 start 方法方可启动线程并使线程进入就绪状态，而 run 方法只是 thread 的一个普通方法调用，还是在主线程里执行。** +### 🎯 为什么我们调用 start() 方法时会执行 run() 方法，为什么我们不能直接调用 run() 方法？ +调用 `start()` 方法最终会导致在新的执行路径上执行 `run()` 方法中的代码，这是 Java 实现多线程的标准方式。直接调用 `run()` 方法通常是一个错误，原因在于两者在行为、线程生命周期和底层执行机制上存在根本区别： +1. **`start()` 的本质：创建新执行流** + - **核心职责：** `start()` 方法是 `Thread` 类提供的，用于**请求 Java 虚拟机 (JVM) 启动一个新的操作系统线程（或映射到内核调度实体）**。 + - 底层机制：当调用 `start()`时： + - JVM底层会通过一个 `native` 方法（通常是 `start0()`）与操作系统交互，请求创建一个新的系统线程。 + - 这个新创建的系统线程获得独立的执行上下文（包括程序计数器、栈空间）。 + - **在操作系统准备好并调度这个新线程之后，由操作系统（或 JVM 线程调度器）自动调用该线程对象的 `run()` 方法。** + - **结果：** `run()` 方法中的代码会在一个**全新的、独立的执行线程**中运行，实现真正的并发或并行。 +2. **直接调用 `run()`：普通方法调用（非多线程）** + - **行为：** 直接调用 `run()` 方法，就像调用任何其他 Java 类的普通实例方法一样。 + - **执行上下文：** `run()` 方法会在**当前调用它的线程**中执行（例如，很可能是在 `main` 线程中执行）。 + - 结果： + - **不会创建新的线程！** + - `run()` 方法中的代码在当前线程的栈帧中同步执行（按顺序执行，阻塞当前线程）。 + - 完全丧失了多线程的意义，等同于单线程顺序执行。 -### Java 线程启动的几种方式 +> - **`start()` 是线程的 “出生证”，JVM 见它才开新线程；`run()` 是线程的 “工作内容”，直接调用只是普通方法**。 +> - **状态流转有规则，`NEW` 到 `RUNNABLE` 靠 `start()`，跳过它线程无法活**。 + + + +### 🎯 Java 线程启动的几种方式 ```java public static void main(String[] args) { @@ -243,213 +432,390 @@ public static void main(String[] args) { -### 进程间的通信方式 +### 🎯 如何正确停止线程？ + +通常情况下，我们不会手动停止一个线程，而是允许线程运行到结束，然后让它自然停止。但是依然会有许多特殊的情况需要我们提前停止线程，比如：用户突然关闭程序，或程序运行出错重启等。 -> https://www.cnblogs.com/xiaolincoding/p/13402297.html +在 Java 中，正确停止线程通常涉及到线程的协作和适当的关闭机制。由于Java没有提供直接停止线程的方法（如`stop()`方法已经被废弃，因为它太危险，容易造成数据不一致等问题），以下是一些常见的正确停止线程的方法： + +1. **使用标志位**：使用标志位是停止线程的常见方法。在这种方法中，线程会定期检查一个标志位，如果标志位指示线程应该停止，那么线程会自行结束。 + + ```java + private volatile boolean stopRunning = false; + + public void stopThread() { + this.stopRunning = true; + } + + public void run() { + while (!stopRunning) { + // 执行任务 + } + // 清理资源 + } + ``` -- 管道 -- 消息队列 -- 共享内存 -- 信号量 -- 信号 -- Socket +2. **中断状态（Interruption）**：使用线程的中断机制来优雅地停止线程。当需要停止线程时，调用`Thread.interrupt()`方法；在线程的执行过程中，检查中断状态，如果被中断，则退出。 + ```JAVA + // 在其他线程中调用此方法来中断线程 + thread.interrupt(); + + // 在目标线程中检查中断状态 + public void run() { + try { + while (!Thread.currentThread().isInterrupted()) { + // 执行任务 + } + } catch (InterruptedException e) { + // 线程被中断，可以选择重置中断状态或退出 + Thread.currentThread().interrupt(); + } finally { + // 清理资源 + } + } + ``` +3. **使用ExecutorService**：使用`ExecutorService`可以更容易地控制线程的生命周期。调用`shutdown()`方法开始关闭，调用`shutdownNow()`可以尝试立即停止所有正在执行的任务。 -### Java 多线程之间的通信方式 + ```java + ExecutorService executorService = Executors.newSingleThreadExecutor(); + Future future = executorService.submit(() -> { + // 执行任务 + }); + + // 请求关闭线程池，不再接受新任务，尝试完成已提交的任务 + executorService.shutdown(); + + // 尝试立即停止所有正在执行的任务列表，返回未完成的任务列表 + List notCompleted = executorService.shutdownNow(); + + // 等待线程池关闭，直到所有任务完成后 + executorService.awaitTermination(60, TimeUnit.SECONDS); + ``` -- 同步，同步是指多个线程通过 synchronized 关键字这种方式来实现线程间的通信。 + **使用 `Future.cancel()`**： `ExecutorService` 启动的话，也可以使用 `Future.cancel()` 方法来停止线程。 -- while 轮询的方式 -- wait/notify 机制 -- 信号量 +### 🎯 进程间的通信方式？ -- 管道通信：就是使用 java.io.PipedInputStream 和 java.io.PipedOutputStream进行通信 +进程间通信（Inter-Process Communication，IPC）是指在不同进程之间传递数据和信息的机制。不同操作系统提供了多种 IPC 方式，下面是常见的几种： +1. **管道（Pipe）** + - 无名管道（Anonymous Pipe）：单向通信，只能用于有亲缘关系的进程（父进程与子进程）。 -### Java 并发包提供了哪些并发工具类？ + - 有名管道（Named Pipe 或 FIFO）：在 Unix/Linux 系统中，可以使用 `mkfifo` 命令创建有名管道，支持双向通信。 -我们通常所说的并发包也就是 java.util.concurrent 及其子包，集中了 Java 并发的各种基础工具类，具体主要包括几个方面： +2. 消息队列（Message Queue） -- 提供了比 synchronized 更加高级的各种同步结构，包括 CountDownLatch、CyclicBarrier、Semaphore 等，可以实现更加丰富的多线程操作，比如利用 Semaphore 作为资源控制器，限制同时进行工作的线程数量。 -- 各种线程安全的容器，比如最常见的 ConcurrentHashMap、有序的 ConcunrrentSkipListMap，或者通过类似快照机制，实现线程安全的动态数组 CopyOnWriteArrayList 等。 -- 各种并发队列实现，如各种 BlockedQueue 实现，比较典型的 ArrayBlockingQueue、 SynchorousQueue 或针对特定场景的 PriorityBlockingQueue 等。 -- 强大的 Executor 框架，可以创建各种不同类型的线程池，调度任务运行等，绝大部分情况下，不再需要自己从头实现线程池和任务调度器。 + - **特点**：消息队列是存储在内核中的消息链表，允许进程通过发送和接收消息进行通信，支持有序的消息传递。 ------- + - **实现**：在 Unix/Linux 系统中，可以使用 `msgget`、`msgsnd`、`msgrcv` 等系统调用进行消息队列的创建和操作。 +3. 共享内存（Shared Memory） + - **特点**：多个进程可以直接访问同一块内存区域，是最快的 IPC 方式之一，但需要同步机制来避免数据竞争。 -## 二、同步机制篇 + - **实现**：在 Unix/Linux 系统中，可以使用 `shmget`、`shmat`、`shmdt`、`shmctl` 等系统调用进行共享内存的创建和管理。 -### Java 同步机制有哪些 +4. 信号（Signal） -1. synchronized 关键字，这个相信大家很了解，最好能理解其中的原理 + - **特点**：信号是一种异步通信机制，用于通知进程某个事件已经发生。常用于进程间的简单通知。 -2. Lock 接口及其实现类，如 ReentrantLock.ReadLock 和 ReentrantReadWriteLock.WriteLock + - **实现**：在 Unix/Linux 系统中，可以使用 `kill` 系统调用发送信号，使用 `signal` 或 `sigaction` 设置信号处理程序。 +5. 信号量（Semaphore） -3. 信号量（Semaphore）：是一种计数器，用来保护一个或者多个共享资源的访问，它是并发编程的一种基础工具，大多数编程语言都提供这个机制，这也是操作系统中经常提到的 -4. CountDownLatch：是 Java 语言提供的同步辅助类，在完成一组正在其他线程中执行的操作之前，他允许线程一直等待 -5. CyclicBarrier：也是 java 语言提供的同步辅助类，他允许多个线程在某一个集合点处进行相互等待； -6. Phaser：也是 java 语言提供的同步辅助类，他把并发任务分成多个阶段运行，在开始下一阶段之前，当前阶段中所有的线程都必须执行完成，JAVA7 才有的特性。 -7. Exchanger：他提供了两个线程之间的数据交换点。 + - **特点**：信号量是一种用于进程间同步的计数器，可以用来控制多个进程对共享资源的访问。 + - **实现**：在 Unix/Linux 系统中，可以使用 `semget`、`semop`、`semctl` 等系统调用进行信号量的创建和操作。 +6. 套接字（Socket） -### synchronized 关键字 + - **特点**：套接字是一种底层的网络通信机制，可以用于同一台机器上不同进程之间的通信，也可以用于不同机器上的进程之间的通信，支持双向通信。 -> synchoronized的底层是怎么实现的？ -> -> synchronized 使用的几种方式和区别？ -> -> synchronized说一下，有哪些实用形式？对类加锁时调用方法一定会加锁吗？ -> -> synrhronized 锁升级 + - **实现**：在 Unix/Linux 系统中，可以使用 `socket`、`bind`、`listen`、`accept`、`connect`、`send`、`recv` 等系统调用进行套接字编程。 -#### 使用 +7. 文件（File） -synrhronized 关键字简洁、清晰、语义明确，因此即使有了 Lock 接口，使用的还是非常广泛。其应用层的语义是可以把任何一个非null对象作为"锁"， + - **特点**：通过读写共享文件的方式进行通信，适用于数据量较大且不要求高实时性的场景。 -- 当 synchronized 作用在方法上时，锁住的便是对象实例（this）； -- 当作用在静态方法时锁住的便是对象对应的 Class 实例，因为 Class数据存在于永久代，因此静态方法锁相当于该类的一个全局锁； -- 当 synchronized 作用于某一个对象实例时，锁住的便是对应的代码块。 + - **实现**：在所有操作系统中，进程可以通过标准的文件读写操作进行通信。 -![img](https://tva1.sinaimg.cn/large/e6c9d24ely1h37kel6asrj20jg0bhta5.jpg) +8. 内存映射文件（Memory-Mapped File） + - **特点**：通过将文件映射到进程的地址空间，实现进程间的共享内存，适用于大数据量的共享。 + - **实现**：在 Unix/Linux 系统中，可以使用 `mmap` 系统调用创建内存映射文件。 -#### 原理 -在 HotSpot JVM实现中，锁有个专门的名字：**对象监视器**。 -在 JVM 中，对象在内存中的布局分为三块区域：**对象头、实例数据和对齐填充** +### 🎯 Java 多线程之间的通信方式？ -synchronized 用的锁是存在 Java 对象头里的。 +| **通信方式** | **核心机制** | **适用场景** | **关键类 / 方法** | +| -------------------- | -------------------------------------------- | ----------------------------------- | --------------------------------------- | +| 共享变量 | `volatile`/`synchronized` 保证可见性和原子性 | 简单状态通知和数据共享 | `volatile` 关键字、`synchronized` 块 | +| `wait()`/`notify()` | 对象监视器 + 等待 / 通知机制 | 条件等待和唤醒（如生产者 - 消费者） | `Object.wait()`、`Object.notify()` | +| `Lock` + `Condition` | 显式锁 + 多路等待队列 | 复杂同步逻辑（如多条件等待） | `ReentrantLock`、`Condition.await()` | +| `BlockingQueue` | 阻塞队列实现线程安全的入队 / 出队 | 生产者 - 消费者模型简化 | `ArrayBlockingQueue`、`put()`、`take()` | +| `CountDownLatch` | 倒计时等待多个线程完成 | 主线程等待子线程集合 | `CountDownLatch.await()`、`countDown()` | +| `CyclicBarrier` | 线程集合后同步执行 | 多轮协作（如多阶段计算） | `CyclicBarrier.await()` | +| `Exchanger` | 两个线程间数据交换 | 遗传算法、管道设计等一对一交换场景 | `Exchanger.exchange()` | -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h37khvlh20j20kl0bzjsg.jpg) -底层实现： -1. 进入时，执行 monitorenter，将计数器 +1，释放锁 monitorexit 时，计数器-1； -2. 当一个线程判断到计数器为 0 时，则当前锁空闲，可以占用；反之，当前线程进入等待状态。 +### 🎯 Java 同步机制有哪些？ -当执行 monitorenter 指令时，线程试图获取锁也就是获取 monitor(monitor对象存在于每个Java对象的对象头中，synchronized 锁便是通过这种方式获取锁的，也是为什么Java中任意对象可以作为锁的原因) 的持有权。当计数器为0则可以成功获取，获取后将锁计数器设为1也就是加1。相应的在执行 monitorexit 指令后，将锁计数器设为0，表明锁被释放。如果获取对象锁失败，那当前线程就要阻塞等待，直到锁被另外一个线程释放为止。 +1. `synchronized` 关键字，这个相信大家很了解，最好能理解其中的原理 -该关键字是一个几种锁的封装。 +2. `Lock` 接口及其实现类，如 ReentrantLock.ReadLock 和 ReentrantReadWriteLock.WriteLock -**synchronized 关键字底层原理属于 JVM 层面。** -**① synchronized 同步语句块的情况** +3. `Semaphore`：是一种计数器，用来保护一个或者多个共享资源的访问，它是并发编程的一种基础工具，大多数编程语言都提供这个机制，这也是操作系统中经常提到的 +4. `CountDownLatch`：是 Java 语言提供的同步辅助类，在完成一组正在其他线程中执行的操作之前，他允许线程一直等待 +5. `CyclicBarrier`：也是 java 语言提供的同步辅助类，他允许多个线程在某一个集合点处进行相互等待； +6. `Phaser`：也是 java 语言提供的同步辅助类，他把并发任务分成多个阶段运行，在开始下一阶段之前，当前阶段中所有的线程都必须执行完成，JAVA7 才有的特性。 +7. `Exchanger`：他提供了两个线程之间的数据交换点。 +8. `StampedLock` ：是一种改进的读写锁，提供了三种模式：写锁、悲观读锁和乐观读锁，适用于读多写少的场景。 -```java -public class SynchronizedDemo { - public void method() { - synchronized (this) { - System.out.println("synchronized 代码块"); - } - } -} -``` +------ -通过 JDK 自带的 javap 命令查看 SynchronizedDemo 类的相关字节码信息：首先切换到类的对应目录执行 `javac SynchronizedDemo.java` 命令生成编译后的 .class 文件，然后执行`javap -c -s -v -l SynchronizedDemo.class`。 -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h37klxaclmj20ph0hl0u2.jpg) -从上面我们可以看出： +## 二、同步关键字（并发控制）🔒 -**synchronized 同步语句块的实现使用的是 monitorenter 和 monitorexit 指令，其中 monitorenter 指令指向同步代码块的开始位置，monitorexit 指令则指明同步代码块的结束位置。** 当执行 monitorenter 指令时，线程试图获取锁也就是获取 monitor(monitor对象存在于每个 Java 对象的对象头中，synchronized 锁便是通过这种方式获取锁的，也是为什么 Java 中任意对象可以作为锁的原因) 的持有权。当计数器为0则可以成功获取，获取后将锁计数器设为1也就是加1。相应的在执行 monitorexit 指令后，将锁计数器设为0，表明锁被释放。如果获取对象锁失败，那当前线程就要阻塞等待，直到锁被另外一个线程释放为止。 +### 🎯 synchronized 关键字? -**② synchronized 修饰方法的的情况** +> "synchronized是Java最基础的同步机制，基于Monitor监视器实现： +> +> **实现原理**： +> +> - 同步代码块：使用monitorenter和monitorexit字节码指令 +> - 同步方法：使用ACC_SYNCHRONIZED访问标志 +> - 基于对象头的Mark Word存储锁信息 +> +> **锁升级过程**： +> +> 1. **偏向锁**：只有一个线程访问时，在对象头记录线程ID +> 2. **轻量级锁**：多线程竞争但无实际冲突，使用CAS操作 +> 3. **重量级锁**：存在真正竞争时，升级为Monitor锁，线程阻塞 +> +> **特点**： +> +> - 可重入性：同一线程可以多次获得同一把锁 +> - 不可中断：等待锁的线程不能被中断 +> - 非公平锁：无法保证等待时间最长的线程优先获得锁 +> +> JDK 6+的锁优化使synchronized性能大幅提升，在低竞争场景下甚至超过ReentrantLock。" -```java -public class SynchronizedDemo2 { - public synchronized void method() { - System.out.println("synchronized 方法"); - } -} -``` +**1. 底层实现原理** -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h37kn72fzzj20ob0bpgml.jpg) +`synchronized` 的底层实现基于 **JVM 监视器锁（Monitor）** 机制： -synchronized 修饰的方法并没有 monitorenter 指令和 monitorexit 指令，取得代之的确实是 ACC_SYNCHRONIZED 标识，该标识指明了该方法是一个同步方法，JVM 通过该 ACC_SYNCHRONIZED 访问标志来辨别一个方法是否声明为同步方法，从而执行相应的同步调用。 +- **同步代码块**：通过字节码指令 `monitorenter`（加锁）和 `monitorexit`（释放锁）实现 +- **同步方法**：通过方法访问标志 `ACC_SYNCHRONIZED` 隐式实现锁机制 +- **核心数据结构**：每个对象关联一个 Monitor（包含 Owner 线程、EntryList 阻塞队列、WaitSet 等待队列） -> synchronized 代码块是由一对儿 monitorenter/monitorexit 指令实现的，Monitor 对象是同步的基本实现[单元](https://docs.oracle.com/javase/specs/jls/se10/html/jls-8.html#d5e13622)。 +> 📌 **关键点**：所有 Java 对象天生自带 Monitor，这是 `synchronized` 能以任意对象作为锁的根本原因。 +> +> **synchronized 关键字底层原理属于 JVM 层面。** +> +> **① synchronized 同步语句块的情况** +> +> ```java +> public class SynchronizedDemo { +> public void method() { +> synchronized (this) { +> System.out.println("synchronized 代码块"); +> } +> } +> } +> ``` +> +> 通过 JDK 自带的 javap 命令查看 SynchronizedDemo 类的相关字节码信息：首先切换到类的对应目录执行 `javac SynchronizedDemo.java` 命令生成编译后的 .class 文件，然后执行`javap -c -s -v -l SynchronizedDemo.class`。 > -> 在 Java 6 之前，Monitor 的实现完全是依靠操作系统内部的互斥锁，因为需要进行用户态到内核态的切换，所以同步操作是一个无差别的重量级操作。 +> **synchronized 同步语句块的实现使用的是 monitorenter 和 monitorexit 指令，其中 monitorenter 指令指向同步代码块的开始位置，monitorexit 指令则指明同步代码块的结束位置。** 当执行 monitorenter 指令时，线程试图获取锁也就是获取 monitor(monitor对象存在于每个 Java 对象的对象头中，synchronized 锁便是通过这种方式获取锁的，也是为什么 Java 中任意对象可以作为锁的原因) 的持有权。当计数器为0则可以成功获取，获取后将锁计数器设为1也就是加1。相应的在执行 monitorexit 指令后，将锁计数器设为0，表明锁被释放。如果获取对象锁失败，那当前线程就要阻塞等待，直到锁被另外一个线程释放为止。 > -> 现代的（Oracle）JDK 中，JVM 对此进行了大刀阔斧地改进，提供了三种不同的 Monitor 实现，也就是常说的三种不同的锁：偏斜锁（Biased Locking）、轻量级锁和重量级锁，大大改进了其性能。 +> 1. 进入时，执行 monitorenter，将计数器 +1，释放锁 monitorexit 时，计数器-1； +> 2. 当一个线程判断到计数器为 0 时，则当前锁空闲，可以占用；反之，当前线程进入等待状态。 > -> 所谓锁的升级、降级，就是 JVM 优化 synchronized 运行的机制，当 JVM 检测到不同的竞争状况时，会自动切换到适合的锁实现，这种切换就是锁的升级、降级。 +> **② synchronized 修饰方法的的情况** > -> 当没有竞争出现时，默认会使用偏斜锁。JVM 会利用 CAS 操作（[compare and swap](https://en.wikipedia.org/wiki/Compare-and-swap)），在对象头上的 Mark Word 部分设置线程 ID，以表示这个对象偏向于当前线程，所以并不涉及真正的互斥锁。这样做的假设是基于在很多应用场景中，大部分对象生命周期中最多会被一个线程锁定，使用偏斜锁可以降低无竞争开销。 +> ```java +> public class SynchronizedDemo2 { +> public synchronized void method() { +> System.out.println("synchronized 方法"); +> } +> } +> ``` > -> 如果有另外的线程试图锁定某个已经被偏斜过的对象，JVM 就需要撤销（revoke）偏斜锁，并切换到轻量级锁实现。轻量级锁依赖 CAS 操作 Mark Word 来试图获取锁，如果重试成功，就使用普通的轻量级锁；否则，进一步升级为重量级锁。 +> synchronized 修饰的方法并没有 monitorenter 指令和 monitorexit 指令，取得代之的确实是 `ACC_SYNCHRONIZED` 标识，该标识指明了该方法是一个同步方法，JVM 通过该 ACC_SYNCHRONIZED 访问标志来辨别一个方法是否声明为同步方法，从而执行相应的同步调用。 > -> 我注意到有的观点认为 Java 不会进行锁降级。实际上据我所知，锁降级确实是会发生的，当 JVM 进入安全点（[SafePoint](http://blog.ragozin.info/2012/10/safepoints-in-hotspot-jvm.html)）的时候，会检查是否有闲置的 Monitor，然后试图进行降级。 +> **为什么方法的同步使用 `ACC_SYNCHRONIZED`？** +> +> 1. **简化字节码** +> - 同步方法的范围天然固定为整个方法体，直接用标志位表示更加简洁。 +> - 避免了显式插入指令的额外开销。 +> 2. **由 JVM 执行优化** +> - JVM 可以直接识别 `ACC_SYNCHRONIZED` 并在方法调用层面加锁，而无需用户手动控制。 +> - 更容易结合其他锁优化（如偏向锁、轻量级锁） + +**2. 使用方式与区别** + +| **使用方式** | **锁对象** | **作用范围** | **特点** | | +| ---------------- | ------------------------------- | ------------ | -------------------------- | ----------------------------- | +| **同步实例方法** | `this`（当前对象实例） | 整个方法体 | 影响同一对象的所有同步方法 | | +| **同步静态方法** | `Class` 对象（如 `User.class`） | 整个方法体 | 全局锁，影响所有实例的调用 | | +| **同步代码块** | 指定任意对象 | 代码块内部 | 锁粒度最小，性能最优 | `synchronized (lock) { ... }` | + +> ⚠️ **注意**：对类加锁（静态同步）时，**调用非静态方法不会加锁**（因为锁对象不同）： +> +> ```java +> class User { +> public static synchronized void staticMethod() {} // 锁User.class +> public synchronized void instanceMethod() {} // 锁this实例 +> } +> ``` + +**3. 对象头与 Monitor** + +- **对象头（Object Header）**： + 每个 Java 对象在内存中都有对象头，包含 **Mark Word** 和 **Klass Pointer**。 + - **Mark Word**：存储对象的哈希码、GC 分代年龄、锁状态等信息。 + - **Class Pointer**：指向对象所属类的元数据。 +- **Monitor（监视器）**： + 每个对象都关联一个 Monitor，本质是操作系统的互斥量（Mutex），包含： + - **Owner**：记录当前持有锁的线程。 + - **Entry List**：等待获取锁的线程队列。 + - **Wait Set**：调用 `wait()` 后阻塞的线程队列。 + +**4. 锁升级（JDK 1.6+ 优化）** + +JVM 为减少锁竞争的性能开销，引入了**锁升级机制**： +**无锁 → 偏向锁 → 轻量级锁 → 重量级锁**（状态不可逆） + +对象头中包含了锁标志位（Lock Word），用于表示对象的锁状态。 + +`Mark Word` 在锁的不同状态下会有不同的含义： + +- **无锁（Normal）**：存储对象的哈希值。指没有对资源进行锁定，所有的线程都能访问并修改同一个资源，但同时只有一个线程能修改成功。 + +- **偏向锁（Biased Lock）**：存储线程 ID，表示锁倾向于某个线程。 + + - **适用场景**：单线程多次获取同一锁。 + - **原理**：首次获取锁时，JVM 在对象头 Mark Word 中存储线程 ID（CAS 操作），后续该线程直接获取锁，无需同步开销。 + - **升级条件**：当其他线程尝试获取锁时，偏向锁失效，升级为轻量级锁。 + +- **轻量级锁（Lightweight Lock）**（也叫自旋锁）：存储指向锁记录的指针。 + + - **适用场景**：多线程交替执行，无锁竞争。 + - **原理**：线程获取锁时，JVM 在当前线程栈帧中创建锁记录（Lock Record），通过 CAS 将 Mark Word 指向锁记录。若成功则获取锁，失败则升级为重量级锁。 + - **特点**：未获取锁的线程**自旋等待**，避免线程阻塞和唤醒的开销。长时间的自旋操作是非常消耗资源的，一个线程持有锁，其他线程就只能在原地空耗CPU，执行不了任何有效的任务，这种现象叫做忙等（busy-waiting） + +- **重量级锁（Heavyweight Lock）**：存储指向 Monitor 对象的指针。 + + - **适用场景**：多线程竞争激烈。如果锁竞争情况严重，某个达到最大自旋次数的线程，会将轻量级锁升级为重量级锁（依然是CAS修改锁标志位，但不修改持有锁的线程ID）。当后续线程尝试获取锁时，发现被占用的锁是重量级锁，则直接将自己挂起（而不是忙等），等待将来被唤醒。 + + - **原理**：依赖操作系统的互斥量（Mutex），未获取锁的线程**进入内核态阻塞**，锁释放后需唤醒线程（性能开销大）。 + + - 重量级锁是指当有一个线程获取锁之后，其余所有等待获取该锁的线程都会处于阻塞状态。 + 简言之，就是所有的控制权都交给了操作系统，由操作系统来负责线程间的调度和线程的状态变更。而这样会出现频繁地对线程运行状态的切换，线程的挂起和唤醒，从而消耗大量的系统资源 -#### 锁升级 -在JDK 1.6后，Jvm为了提高锁的获取与释放效率对（synchronized ）进行了优化，引入了 偏向锁 和 轻量级锁 ，从此以后锁的状态就有了四种（无锁、偏向锁、轻量级锁、重量级锁） +### 🎯 volatile关键字？ -##### 无锁 +> 谈谈你对 volatile 的理解？ +> +> 你知道 volatile 底层的实现机制吗？ +> +> volatile 变量和 atomic 变量有什么不同？ +> +> volatile 的使用场景，你能举两个例子吗？ +> +> volatile 能使得一个非原子操作变成原子操作吗？ + +**volatile是什么？** -无锁是指没有对资源进行锁定，所有的线程都能访问并修改同一个资源，但同时只有一个线程能修改成功。 +在谈及线程安全时，常会说到一个变量——volatile。在《Java并发编程实战》一书中是这么定义volatile的——“Java语言提供了一种稍弱的同步机制，即volatile变量，用来确保将变量的更新操作通知到其他线程”。 -##### 偏向锁 +这句话说明了两点： -初次执行到synchronized代码块的时候，锁对象变成偏向锁（通过CAS修改对象头里的锁标志位），字面意思是“偏向于第一个获得它的线程”的锁。执行完同步代码块后，线程并不会主动释放偏向锁。当第二次到达同步代码块时，线程会判断此时持有锁的线程是否就是自己（持有锁的线程ID也在对象头里），如果是则正常往下执行。由于之前没有释放锁，这里也就不需要重新加锁。如果自始至终使用锁的线程只有一个，很明显偏向锁几乎没有额外开销，性能极高。 +1. volatile变量是一种同步机制； +2. volatile能够确保可见性。 -当一个线程访问同步代码块并获取锁时，会在 Mark Word 里存储锁偏向的线程 ID。在线程进入和退出同步块时不再通过 CAS 操作来加锁和解锁，而是检测 Mark Word 里是否存储着指向当前线程的偏向锁。轻量级锁的获取及释放依赖多次 CAS 原子指令，而偏向锁只需要在置换 ThreadID 的时候依赖一次 CAS 原子指令即可。 +这两点和我们探讨“volatile变量是否能够保证线程安全性”息息相关。 -##### 轻量级锁（自旋锁） +volatile 是 Java 虚拟机提供的轻量级的同步机制，保证了 Java 内存模型的两个特性，可见性、有序性（禁止指令重排）、不能保证原子性。 -一旦有第二个线程加入锁竞争，偏向锁就升级为轻量级锁（自旋锁），其他线程会通过自旋的形式尝试获取锁，线程不会阻塞，从而提高性能 +**场景**： -没有抢到锁的线程将自旋，即不停地循环判断锁是否能够被成功获取。获取锁的操作，其实就是通过CAS修改对象头里的锁标志位。先比较当前锁标志位是否为“释放”，如果是则将其设置为“锁定”，比较并设置是原子性发生的。这就算抢到锁了，然后线程将当前锁的持有者信息修改为自己。 +DCL 版本的单例模式就用到了volatile，因为 DCL 也不一定是线程安全的，`instance = new Singleton();`并不是一个原子操作，会分为 3 部分执行， -长时间的自旋操作是非常消耗资源的，一个线程持有锁，其他线程就只能在原地空耗CPU，执行不了任何有效的任务，这种现象叫做忙等（busy-waiting） +1. 给 instance 分配内存 +2. 调用 instance 的构造函数来初始化对象 +3. 将 instance 对象指向分配的内存空间（执行完这步 instance 就为非 null 了） -##### 重量级锁 +步骤 2 和 3 不存在数据依赖关系，如果虚拟机存在指令重排序优化，则步骤 2和 3 的顺序是无法确定的 -重量级锁显然，此忙等是有限度的（有个计数器记录自旋次数，默认允许循环10次，可以通过虚拟机参数更改）。如果锁竞争情况严重，某个达到最大自旋次数的线程，会将轻量级锁升级为重量级锁（依然是CAS修改锁标志位，但不修改持有锁的线程ID）。当后续线程尝试获取锁时，发现被占用的锁是重量级锁，则直接将自己挂起（而不是忙等），等待将来被唤醒。 +一句话：在需要保证原子性的场景，不要使用 volatile。 -重量级锁是指当有一个线程获取锁之后，其余所有等待获取该锁的线程都会处于阻塞状态。 -简言之，就是所有的控制权都交给了操作系统，由操作系统来负责线程间的调度和线程的状态变更。而这样会出现频繁地对线程运行状态的切换，线程的挂起和唤醒，从而消耗大量的系统资源 +### 🎯 volatile 底层的实现机制？ +volatile 可以保证线程可见性且提供了一定的有序性，但是无法保证原子性。在 JVM 底层是基于内存屏障实现的。 -### 谈谈 synchronized和 ReentrantLock 的区别 +- 当对非 volatile 变量进行读写的时候，每个线程先从内存拷贝变量到 CPU 缓存中。如果计算机有多个CPU，每个线程可能在不同的 CPU 上被处理，这意味着每个线程可以拷贝到不同的 CPU cache 中 +- 而声明变量是 volatile 的，JVM 保证了每次读变量都从内存中读，跳过 CPU cache 这一步，所以就不会有可见性问题 + - 对 volatile 变量进行写操作时，会在写操作后加一条 store 屏障指令，将工作内存中的共享变量刷新回主内存； + - 对 volatile 变量进行读操作时，会在写操作后加一条 load 屏障指令，从主内存中读取共享变量； -**① 两者都是可重入锁** +> 基于 **内存屏障指令**： +> +> 1. 写操作屏障 +> +> ```Asm +> StoreStoreBarrier +> volatile写操作 +> StoreLoadBarrier // 强制刷新到主存 +> ``` +> +> 2. 读操作屏障 +> +> ```Asm +> volatile读操作 +> LoadLoadBarrier +> LoadStoreBarrier // 禁止后续读写重排序 +> ``` +> +> **硬件级实现**： x86 平台使用 `lock` 前缀指令（如 `lock addl $0,0(%rsp)`）实现内存屏障效果。 -两者都是可重入锁。“可重入锁”概念是：自己可以再次获取自己的内部锁。比如一个线程获得了某个对象的锁，此时这个对象锁还没有释放，当其再次想要获取这个对象的锁的时候还是可以获取的，如果不可锁重入的话，就会造成死锁。同一个线程每次获取锁，锁的计数器都自增1，所以要等到锁的计数器下降为0时才能释放锁。 -**② synchronized 依赖于 JVM 而 ReentrantLock 依赖于 API** -synchronized 是依赖于 JVM 实现的，虚拟机团队在 JDK1.6 为 synchronized 关键字进行了很多优化，但是这些优化都是在虚拟机层面实现的，并没有直接暴露给我们。ReentrantLock 是 JDK 层面实现的（也就是 API 层面，需要 lock() 和 unlock() 方法配合 try/finally 语句块来完成），所以我们可以通过查看它的源代码，来看它是如何实现的。 +### 🎯 volatile 是线程安全的吗 -**③ ReentrantLock 比 synchronized 增加了一些高级功能** +**因为volatile不能保证变量操作的原子性，所以试图通过volatile来保证线程安全性是不靠谱的** -相比 synchronized，ReentrantLock 增加了一些高级功能。主要来说主要有三点：**①等待可中断；②可实现公平锁；③可实现选择性通知（锁可以绑定多个条件）** -- **ReentrantLock提供了一种能够中断等待锁的线程的机制**，通过 `lock.lockInterruptibly()` 来实现这个机制。也就是说正在等待的线程可以选择放弃等待，改为处理其他事情。 -- **ReentrantLock可以指定是公平锁还是非公平锁。而synchronized只能是非公平锁。所谓的公平锁就是先等待的线程先获得锁。** ReentrantLock 默认情况是非公平的，可以通过 ReentrantLock 类的 `ReentrantLock(boolean fair)` 构造方法来制定是否是公平的。 -- synchronized 关键字与 `wait()` 和 `notify()/notifyAll()` 方法相结合可以实现等待/通知机制，ReentrantLock 类当然也可以实现，但是需要借助于 Condition 接口与 `newCondition()` 方法。Condition 是 JDK1.5 之后才有的，它具有很好的灵活性，比如可以实现多路通知功能也就是在一个Lock对象中可以创建多个Condition实例（即对象监视器），**线程对象可以注册在指定的Condition中，从而可以有选择性的进行线程通知，在调度线程上更加灵活。 在使用notify()/notifyAll()方法进行通知时，被通知的线程是由 JVM 选择的，用ReentrantLock类结合Condition实例可以实现“选择性通知”** ，这个功能非常重要，而且是Condition接口默认提供的。而synchronized关键字就相当于整个Lock对象中只有一个Condition实例，所有的线程都注册在它一个身上。如果执行notifyAll()方法的话就会通知所有处于等待状态的线程这样会造成很大的效率问题，而Condition实例的signalAll()方法 只会唤醒注册在该Condition实例中的所有等待线程。 -如果你想使用上述功能，那么选择ReentrantLock是一个不错的选择。 +### 🎯 volatile 变量和 atomic 变量有什么不同？ -**④ 性能已不是选择标准** +| **特性** | **volatile** | **AtomicXXX** | +| ------------ | ------------------------ | ------------------ | +| **可见性** | ✅ 保证 | ✅ 保证 | +| **有序性** | ✅ 保证 | ✅ 保证 | +| **原子性** | ❌ 不保证（如 `count++`） | ✅ 保证（CAS 实现） | +| **底层实现** | 内存屏障 | CAS + volatile | +| **性能开销** | 低（无锁） | 中等（CAS 自旋） | +| **适用场景** | 状态标志、DCL 单例 | 计数器、累加操作 | -### 说说 synchronized 关键字和 volatile 关键字的区别 +### 🎯 synchronized 关键字和 volatile 关键字的区别? `synchronized` 关键字和 `volatile` 关键字是两个互补的存在，而不是对立的存在： @@ -458,15 +824,167 @@ synchronized 是依赖于 JVM 实现的，虚拟机团队在 JDK1.6 为 synchron - **volatile关键字能保证数据的可见性，但不能保证数据的原子性。synchronized关键字两者都能保证。** - **volatile关键字主要用于解决变量在多个线程之间的可见性，而 synchronized关键字解决的是多个线程之间访问资源的同步性。** +------ + + + +## 三、锁机制 🏛️ + +### 🎯 你知道哪几种锁？分别有什么特点？ + +根据分类标准我们把锁分为以下 7 大类别，分别是： + +- 偏向锁/轻量级锁/重量级锁：偏向锁/轻量级锁/重量级锁，这三种锁特指 synchronized 锁的状态，通过在对象头中的 mark word 来表明锁的状态。 +- 可重入锁/非可重入锁：可重入锁指的是线程当前已经持有这把锁了，能在不释放这把锁的情况下，再次获取这把锁 +- 共享锁/独占锁：共享锁指的是我们同一把锁可以被多个线程同时获得，而独占锁指的就是，这把锁只能同时被一个线程获得。我们的读写锁，就最好地诠释了共享锁和独占锁的理念。读写锁中的读锁，是共享锁，而写锁是独占锁。 +- 公平锁/非公平锁：公平锁的公平的含义在于如果线程现在拿不到这把锁，那么线程就都会进入等待，开始排队，在等待队列里等待时间长的线程会优先拿到这把锁，有先来先得的意思。而非公平锁就不那么“完美”了，它会在一定情况下，忽略掉已经在排队的线程，发生插队现象 +- 悲观锁/乐观锁：悲观锁假定并发冲突**一定会发生**，因此在操作共享数据前**先加锁**（独占资源）。乐观锁是假定并发冲突**很少发生**，操作共享数据时**不加锁**，在提交更新时检测是否发生冲突（通常通过版本号或 CAS 机制） +- 自旋锁/非自旋锁：自旋锁的理念是如果线程现在拿不到锁，并不直接陷入阻塞或者释放 CPU 资源，而是开始利用循环，不停地尝试获取锁，这个循环过程被形象地比喻为“自旋” +- 可中断锁/不可中断锁：synchronized 关键字修饰的锁代表的是不可中断锁，一旦线程申请了锁，就没有回头路了，只能等到拿到锁以后才能进行其他的逻辑处理。而我们的 ReentrantLock 是一种典型的可中断锁 + +| **锁类型** | **特点** | **典型实现** | **适用场景** | +| ---------- | -------------------- | ------------------------------- | ---------------- | +| 乐观锁 | 无锁，通过 CAS 更新 | `AtomicInteger`、数据库版本号 | 读多写少、冲突少 | +| 悲观锁 | 操作前加锁 | `synchronized`、`ReentrantLock` | 写多、竞争激烈 | +| 公平锁 | 按请求顺序获取锁 | `ReentrantLock(true)` | 防止线程饥饿 | +| 可重入锁 | 同一线程可重复加锁 | `synchronized`、`ReentrantLock` | 嵌套同步块 | +| 读写锁 | 读锁共享，写锁排他 | `ReentrantReadWriteLock` | 读多写少 | +| 偏向锁 | 单线程优化，无锁竞争 | JVM 对 `synchronized` 的优化 | 单线程场景 | +| 自旋锁 | 循环尝试获取锁 | CAS 操作 | 锁持有时间短 | + + + + +### 🎯 ReentrantLock (可重入锁) + +`ReentrantLock` 是 Java 并发包（`java.util.concurrent.locks`）中实现的**可重入显式锁**，功能上与 `synchronized` 类似，但提供更灵活的锁控制（如可中断锁、公平锁、条件变量）。 + +**核心特性**： + +1. **可重入性**：同一线程可多次获取同一把锁而不会死锁（通过内部计数器实现）。 + - 实现原理：锁内部维护一个**持有锁的线程标识**和**重入次数计数器**，线程再次获取锁时，计数器加 1，释放锁时计数器减 1，直至为 0 时真正释放锁。 +2. **显式锁管理**：需手动调用 `lock()` 和 `unlock()`（必须在 `finally` 块中释放）。 +3. **公平锁支持**：通过构造参数 `new ReentrantLock(true)` 实现线程按请求顺序获取锁。 +4. 灵活的锁获取方式： + - `lock()`：阻塞式获取锁。 + - `tryLock()`：非阻塞式尝试获取锁（立即返回结果）。 + - `tryLock(timeout, unit)`：带超时的获取锁。 + - `lockInterruptibly()`：可响应中断的获取锁。 +5. **条件变量（Condition）**：替代 `wait()`/`notify()`，支持多路等待队列（如生产者 - 消费者模型）。 + + + +### 🎯 ReetrantLock有用过吗，怎么实现重入的？ + +ReentrantLock 的可重入性是 AQS 很好的应用之一。在 ReentrantLock 里面，不管是公平锁还是非公平锁，都有一段逻辑。 + +公平锁： + +```java +// java.util.concurrent.locks.ReentrantLock.FairSync#tryAcquire + +if (c == 0) { + //在公平锁中，线程获取锁时会检查等待队列，只有当没有其他线程等待时，才会获取锁，这保证了线程按照请求的顺序获取锁。 + if (!hasQueuedPredecessors() && compareAndSetState(0, acquires)) { + setExclusiveOwnerThread(current); + return true; + } +} +else if (current == getExclusiveOwnerThread()) { + int nextc = c + acquires; + if (nextc < 0) + throw new Error("Maximum lock count exceeded"); + setState(nextc); + return true; +} +``` + +非公平锁： + +```java +// java.util.concurrent.locks.ReentrantLock.Sync#nonfairTryAcquire + +if (c == 0) { + if (compareAndSetState(0, acquires)){ + setExclusiveOwnerThread(current); + return true; + } +} +else if (current == getExclusiveOwnerThread()) { + int nextc = c + acquires; + if (nextc < 0) // overflow + throw new Error("Maximum lock count exceeded"); + setState(nextc); + return true; +} +``` + +从上面这两段都可以看到，有一个同步状态State来控制整体可重入的情况。State 是 volatile 修饰的，用于保证一定的可见性和有序性。 + +```java +// java.util.concurrent.locks.AbstractQueuedSynchronizer + +private volatile int state; +``` + +接下来看 State 这个字段主要的过程： + +1. State 初始化的时候为 0，表示没有任何线程持有锁。 +2. 当有线程持有该锁时，值就会在原来的基础上 +1，同一个线程多次获得锁是，就会多次 +1，这里就是可重入的概念。 +3. 解锁也是对这个字段 -1，一直到 0，此线程对锁释放。 + +还会通过 `getExclusiveOwnerThread()`、`setExclusiveOwnerThread(current)`进行当前线程的设置 + + + +### 🎯 谈谈 synchronized和 ReentrantLock 的区别？ + +| **特性** | **synchronized** | **ReentrantLock** | +| -------------- | ------------------------------------------------- | ------------------------------- | +| **锁类型** | 隐式锁（JVM 控制） | 显式锁（手动获取 / 释放） | +| **可重入性** | 支持 | 支持 | +| **公平性** | 非公平（无法设置） | 可通过构造方法设置公平 / 非公平 | +| **锁获取方式** | 阻塞式 | 支持阻塞、非阻塞、超时、可中断 | +| **线程通信** | 使用 `wait()`/`notify()` | 使用 `Condition` 对象 | +| **性能** | 早期版本性能较差，JDK 6+ 优化后接近 ReentrantLock | 优化后性能高，尤其在竞争激烈时 | +| **适用场景** | 简单场景（自动释放锁） | 复杂场景（需要灵活控制锁逻辑） | + +1. 两者都是可重入锁 + +2. synchronized 依赖于 JVM 而 ReentrantLock 依赖于 API + + synchronized 是依赖于 JVM 实现的，虚拟机团队在 JDK1.6 为 synchronized 关键字进行了很多优化，但是这些优化都是在虚拟机层面实现的，并没有直接暴露给我们。ReentrantLock 是 JDK 层面实现的（也就是 API 层面，需要 lock() 和 unlock() 方法配合 try/finally 语句块来完成），所以我们可以通过查看它的源代码，来看它是如何实现的。 + +3. ReentrantLock 比 synchronized 增加了一些高级功能。主要来说主要有三点：**①等待可中断；②可实现公平锁；③可实现选择性通知（锁可以绑定多个条件）** + + - **ReentrantLock提供了一种能够中断等待锁的线程的机制**，通过 `lock.lockInterruptibly()` 来实现这个机制。也就是说正在等待的线程可以选择放弃等待，改为处理其他事情。 + + - **ReentrantLock可以指定是公平锁还是非公平锁。而synchronized只能是非公平锁。所谓的公平锁就是先等待的线程先获得锁。** ReentrantLock 默认情况是非公平的，可以通过 ReentrantLock 类的 `ReentrantLock(boolean fair)` 构造方法来制定是否是公平的。 + + - synchronized 关键字与 `wait()` 和 `notify()/notifyAll()` 方法相结合可以实现等待/通知机制，ReentrantLock 类当然也可以实现，但是需要借助于 Condition 接口与 `newCondition()` 方法。Condition 是 JDK1.5 之后才有的，它具有很好的灵活性，比如可以实现多路通知功能也就是在一个Lock对象中可以创建多个Condition实例（即对象监视器），**线程对象可以注册在指定的Condition中，从而可以有选择性的进行线程通知，在调度线程上更加灵活。 在使用notify()/notifyAll()方法进行通知时，被通知的线程是由 JVM 选择的，用ReentrantLock类结合Condition实例可以实现“选择性通知”** ，这个功能非常重要，而且是Condition接口默认提供的。而synchronized关键字就相当于整个Lock对象中只有一个Condition实例，所有的线程都注册在它一个身上。如果执行notifyAll()方法的话就会通知所有处于等待状态的线程这样会造成很大的效率问题，而Condition实例的signalAll()方法 只会唤醒注册在该Condition实例中的所有等待线程。 + + + +### 🎯 读写锁 ReentrantReadWriteLock +"ReadWriteLock实现了读写分离，适用于读多写少的场景： -### 什么是线程死锁? 如何避免死锁? +**核心特点**： + +- **读锁共享**：多个线程可同时持有读锁 +- **写锁独占**：写锁与任何锁互斥 +- **锁降级**：持有写锁时可获取读锁 +- **不支持锁升级**：持有读锁时不能获取写锁” + + + +### 🎯 什么是线程死锁? 如何避免死锁? 线程死锁描述的是这样一种情况：多个线程同时被阻塞，它们中的一个或者全部都在等待某个资源被释放。由于线程被无限期地阻塞，因此程序不可能正常终止。 如下图所示，线程 A 持有资源 2，线程 B 持有资源 1，他们同时都想申请对方的资源，所以这两个线程就会互相等待而进入死锁状态。 -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h37kqcxuiuj20t60hqmyh.jpg) +![img](https://ask.qcloudimg.com/http-save/5876652/1t73ossag1.jpeg) 下面通过一个例子来说明线程死锁,代码模拟了上图的死锁的情况 (代码来源于《并发编程之美》)： @@ -527,7 +1045,7 @@ Thread[线程 2,5,main]waiting get resource1 -### 如何避免线程死锁? +### 🎯 如何避免线程死锁? 我上面说了产生死锁的四个必要条件，为了避免死锁，我们只要破坏产生死锁的四个条件中的其中一个就可以了。现在我们来挨个分析一下： @@ -574,15 +1092,13 @@ Process finished with exit code 0 -### 如何排查死锁 +### 🎯 如何排查死锁? 定位死锁最常见的方式就是利用 jstack 等工具获取线程栈，然后定位互相之间的依赖关系，进而找到死锁。如果是比较明显的死锁，往往 jstack 等就能直接定位，类似 JConsole 甚至可以在图形界面进行有限的死锁检测。 如果程序运行时发生了死锁，绝大多数情况下都是无法在线解决的，只能重启、修正程序本身问题。所以，代码开发阶段互相审查，或者利用工具进行预防性排查，往往也是很重要的。 - - -### 死锁预防 +#### 死锁预防 1. 以确定的顺序获得锁 @@ -594,264 +1110,312 @@ Process finished with exit code 0 -### 何谓悲观锁与乐观锁 +### 🎯 哲学家就餐问题？ -#### 悲观锁 - -总是假设最坏的情况，每次去拿数据的时候都认为别人会修改，所以每次在拿 数据的时候都会上锁，这样别人想拿这个数据就会阻塞直到它拿到锁(共享资 源每次只给一个线程使用，其它线程阻塞，用完后再把资源转让给其它线 程)。传统的关系型数据库里边就用到了很多这种锁机制，比如行锁，表锁 +> 这题我刚毕业那会，遇见过一次，笔试题 +> +> 哲学家就餐问题（The Dining Philosophers Problem）是计算机科学中经典的同步问题之一，由 Edsger Dijkstra 于 1965 年提出。问题描述如下： +> +> - 有五个哲学家围坐在圆桌旁，每个哲学家前面有一盘意大利面。 +> +> - 在每两位哲学家之间有一只叉子（共五只叉子）。 +> +> - 哲学家需要两只叉子才能吃意大利面。 +> +> - 哲学家可以进行两个动作：思考和吃饭。 +> +> - 当哲学家思考时，他们不占用任何叉子；当哲学家准备吃饭时，他们必须先拿起左右两边的叉子。 +> +> ![1226. 哲学家进餐- 力扣（LeetCode）](https://img.starfish.ink/algorithm/philosopher.jpeg) -等，读锁，写锁等，都是在做操作之前先上锁。Java 中 synchronized 和 ReentrantLock 等独占锁就是悲观锁思想的实现。 +问题的关键在于如何避免死锁（Deadlock），确保每个哲学家都有机会吃饭，同时也要避免资源饥饿（Starvation） -#### 乐观锁 +**解决方案** -总是假设最好的情况，每次去拿数据的时候都认为别人不会修改，所以不会上锁，但是在更新的时候会判断一下在此期间别人有没有去更新这个数据，可以使用版本号机制和 CAS 算法实现。乐观锁适用于多读的应用类型，这样可以提 高吞吐量，像数据库提供的类似于 **write_condition** 机制，其实都是提供的乐 观锁。在 Java 中 java.util.concurrent.atomic 包下面的原子变量类就是使用了 乐观锁的一种实现方式 **CAS** 实现的。 +对于这个问题我们该如何解决呢？有多种解决方案，这里我们讲讲其中的几种。前面我们讲过，要想解决死锁问题，只要破坏死锁四个必要条件的任何一个都可以。 -#### 两种锁的使用场景 +**1. 服务员检查** -从上面对两种锁的介绍，我们知道两种锁各有优缺点，不可认为一种好于另一 种，像**乐观锁适用于写比较少的情况下(多读场景)**，即冲突真的很少发生的 时候，这样可以省去了锁的开销，加大了系统的整个吞吐量。但如果是多写的情况，一般会经常产生冲突，这就会导致上层应用会不断的进行 retry，这样反倒是降低了性能，所以**一般多写的场景下用悲观锁就比较合适**。 +第一个解决方案就是引入服务员检查机制。比如我们引入一个服务员，当每次哲学家要吃饭时，他需要先询问服务员：我现在能否去拿筷子吃饭？此时，服务员先判断他拿筷子有没有发生死锁的可能，假如有的话，服务员会说：现在不允许你吃饭。这是一种解决方案。 +```java +import java.util.concurrent.Semaphore; +import java.util.concurrent.locks.Lock; +import java.util.concurrent.locks.ReentrantLock; +public class DiningPhilosophers { + private final Lock[] forks = new ReentrantLock[5]; + private final Semaphore waiter = new Semaphore(4); -### ReentrantLock (可重入锁) + public DiningPhilosophers() { + for (int i = 0; i < forks.length; i++) { + forks[i] = new ReentrantLock(); + } + } -> 何为可重入 + public void dine(int philosopher) throws InterruptedException { + waiter.acquire(); -可重入的意思是某一个线程是否可多次获得一个锁，**在继承的情况下，如果不是可重入的，那就形成死锁了，比如递归调用自己的时候;**，如果不能可重入，每次都获取锁不合适，比如 synchronized 就是可重入的，ReentrantLock也是可重入的 + int leftFork = philosopher; + int rightFork = (philosopher + 1) % 5; -可重入锁，也叫做递归锁，指的是同一线程外层函数获得锁之后 ，内层递归函数仍然有获取该锁的代码，但不受影响。 + forks[leftFork].lock(); + forks[rightFork].lock(); -当某个线程A已经持有了一个锁,当线程B尝试进入被这个锁保护的代码段的时候.就会被阻塞.而锁的操作粒度是”线程”,而不是调用.同一个线程再次进入同步代码的时候.可以使用自己已经获取到的锁,这就是可重入锁 + try { + eat(philosopher); + } finally { + forks[leftFork].unlock(); + forks[rightFork].unlock(); + waiter.release(); + } + } -> 为什么要可重入 + private void eat(int philosopher) throws InterruptedException { + System.out.println("Philosopher " + philosopher + " is eating"); + Thread.sleep(1000); // Simulate eating + System.out.println("Philosopher " + philosopher + " finished eating"); + } -如果线程A继续再次获得这个锁呢?比如一个方法是synchronized,递归调用自己,那么第一次已经获得了锁,第二次调用的时候还能进入吗? 直观上当然需要能进入.这就要求必须是可重入的.可重入锁又叫做递归锁，不然就死锁了。 + public static void main(String[] args) { + DiningPhilosophers dp = new DiningPhilosophers(); + for (int i = 0; i < 5; i++) { + final int philosopher = i; + new Thread(() -> { + try { + dp.dine(philosopher); + } catch (InterruptedException e) { + Thread.currentThread().interrupt(); + } + }).start(); + } + } +} -> 它实现方式是： +``` -**为每个锁关联一个获取计数器和一个所有者线程**，当计数值为 0 的时候，这个锁就没有被任何线程持有。当线程请求一个未被持有的锁时，JVM将记下锁的持有者，并且将获取计数值置为 1，如果同一个线程再次获取这个锁，计数值将递增，退出一次同步代码块，计算值递减，当计数值为 0 时，这个锁就被释放 ReentrantLock 里面有实现 +**2. 领导调节** +基于死锁**检测和恢复策略**，可以引入一个领导，这个领导进行定期巡视。如果他发现已经发生死锁了，就会剥夺某一个哲学家的筷子，让他放下。这样一来，由于这个人的牺牲，其他的哲学家就都可以吃饭了。这也是一种解决方案。 +**3. 改变一个哲学家拿筷子的顺序** -**`ReentrantLock` 类是唯一实现了`Lock的类`** ，它拥有与`synchronized` 相同的并发性和内存语义，但是添加了类似**锁投票**、**定时锁等候**和**可中断锁等候**的一些特性。此外，它还提供了在激烈争用情况下**更佳的性能**。（换句话说，当许多线程都想访问共享资源时，JVM 可以花更少的时候来调度线程，把更多时间用在执行线程上。） +我们还可以利用**死锁避免**策略，那就是从逻辑上去避免死锁的发生，比如改变其中一个哲学家拿筷子的顺序。我们可以让 4 个哲学家都先拿左边的筷子再拿右边的筷子，但是**有一名哲学家与他们相反，他是先拿右边的再拿左边的**，这样一来就不会出现循环等待同一边筷子的情况，也就不会发生死锁了。 -用sychronized修饰的方法或者语句块在代码执行完之后锁自动释放，而是用Lock需要我们**手动释放锁**，所以为了保证锁最终被释放(发生异常情况)，要把互斥区放在try内，释放锁放在finally内！！ +```java +import java.util.concurrent.locks.Lock; +import java.util.concurrent.locks.ReentrantLock; +public class DiningPhilosophers { + private final Lock[] forks = new ReentrantLock[5]; + public DiningPhilosophers() { + for (int i = 0; i < forks.length; i++) { + forks[i] = new ReentrantLock(); + } + } -### volatile关键字 - -> 谈谈你对 volatile 的理解？ -> -> 你知道 volatile 底层的实现机制吗？ -> -> volatile 变量和 atomic 变量有什么不同？ -> -> volatile 的使用场景，你能举两个例子吗？ -> -> volatile 能使得一个非原子操作变成原子操作吗？ - -#### volatile是什么？ - -在谈及线程安全时，常会说到一个变量——volatile。在《Java并发编程实战》一书中是这么定义volatile的——“Java语言提供了一种稍弱的同步机制，即volatile变量，用来确保将变量的更新操作通知到其他线程”。这句话说明了两点：①volatile变量是一种同步机制；②volatile能够确保可见性。这两点和我们探讨“volatile变量是否能够保证线程安全性”息息相关。 - -**理解** + public void dine(int philosopher) throws InterruptedException { + int leftFork = philosopher; + int rightFork = (philosopher + 1) % 5; -volatile 是 Java 虚拟机提供的轻量级的同步机制，保证了 Java 内存模型的两个特性，可见性、有序性（禁止指令重排）、不能保证原子性。 + if (philosopher % 2 == 0) { + forks[leftFork].lock(); + forks[rightFork].lock(); + } else { + forks[rightFork].lock(); + forks[leftFork].lock(); + } -**场景**： + try { + eat(philosopher); + } finally { + forks[leftFork].unlock(); + forks[rightFork].unlock(); + } + } -DCL 版本的单例模式就用到了volatile，因为 DCL 也不一定是线程安全的，`instance = new Singleton();`并不是一个原子操作，会分为 3 部分执行， + private void eat(int philosopher) throws InterruptedException { + System.out.println("Philosopher " + philosopher + " is eating"); + Thread.sleep(1000); // Simulate eating + System.out.println("Philosopher " + philosopher + " finished eating"); + } -1. 给 instance 分配内存 -2. 调用 instance 的构造函数来初始化对象 -3. 将 instance 对象指向分配的内存空间（执行完这步 instance 就为非 null 了） + public static void main(String[] args) { + DiningPhilosophers dp = new DiningPhilosophers(); + for (int i = 0; i < 5; i++) { + final int philosopher = i; + new Thread(() -> { + try { + dp.dine(philosopher); + } catch (InterruptedException e) { + Thread.currentThread().interrupt(); + } + }).start(); + } + } +} -步骤 2 和 3 不存在数据依赖关系，如果虚拟机存在指令重排序优化，则步骤 2和 3 的顺序是无法确定的 +``` -一句话：在需要保证原子性的场景，不要使用 volatile。 +### 🎯 何谓悲观锁与乐观锁? -#### **原理** +- **悲观锁** -volatile 可以保证线程可见性且提供了一定的有序性，但是无法保证原子性。在 JVM 底层是基于内存屏障实现的。 + 总是假设最坏的情况，每次去拿数据的时候都认为别人会修改，所以每次在拿 数据的时候都会上锁，这样别人想拿这个数据就会阻塞直到它拿到锁(共享资 源每次只给一个线程使用，其它线程阻塞，用完后再把资源转让给其它线程)。传统的关系型数据库里边就用到了很多这种锁机制，比如行锁，表锁等，读锁，写锁等，都是在做操作之前先上锁。Java 中 synchronized 和 ReentrantLock 等独占锁就是悲观锁思想的实现。 -- 当对非 volatile 变量进行读写的时候，每个线程先从内存拷贝变量到 CPU 缓存中。如果计算机有多个CPU，每个线程可能在不同的 CPU 上被处理，这意味着每个线程可以拷贝到不同的 CPU cache 中 -- 而声明变量是 volatile 的，JVM 保证了每次读变量都从内存中读，跳过 CPU cache 这一步，所以就不会有可见性问题 - - 对 volatile 变量进行写操作时，会在写操作后加一条 store 屏障指令，将工作内存中的共享变量刷新回主内存； - - 对 volatile 变量进行读操作时，会在写操作后加一条 load 屏障指令，从主内存中读取共享变量； +- **乐观锁** -> **可见性** -> -> 　　volatile能够保证字段的可见性：volatile变量，用来确保将变量的更新操作通知到其他线程。volatile变量不会被缓存在寄存器或者对其他处理器不可见的地方，因此在读取volatile类型的变量时总会返回最新写入的值。 -> -> 　　可见性和“线程如何对变量进行操作(取值、赋值等)”有关系： -> -> 　　我们要先明确一个**定律**：线程对变量的所有操作(取值、赋值等)都必须在工作内存（各线程独立拥有）中进行，而不能直接读写内存中的变量，各工作内存间也不能相互访问。对于volatile变量来说，由于它特殊的操作顺序性规定，看起来如同操作主内存一般，但实际上 volatile变量也是遵循这一定律的。 -> -> 　　关于主存与工作内存之间具体的交互协议（即一个变量如何从主存拷贝到工作内存、如何从工作内存同步到主存等实现细节），Java内存模型中定义了以下八种操作来完成： -> -> 　　　　lock:(锁定)，unlock(解锁)，read(读取)，load(载入)，use(试用)， assign(赋值)，store(存储)，write(写入)。 -> -> 　　volatile 对这八种操作有着两个特殊的限定，正因为有这些限定才让volatile修饰的变量有可见性以及可以禁止指令重排序 ： -> -> 　　　　① use动作之前必须要有read和load动作， 这三个动作必须是连续出现的。【表示：每次工作内存要使用volatile变量之前必须去主存中拿取最新的volatile变量】 -> -> 　　　　② assign动作之后必须跟着store和write动作，这三个动作必须是连续出现的。【表示: 每次工作内存改变了volatile变量的值，就必须把该值写回到主存中】 -> -> 　　有以上两条规则就能保证每个线程每次去拿volatile变量的时候，那个变量肯定是最新的， 其实也就相当于好多个线程用的是同一个内存，无工作内存和主存之分。而操作没有用volatile修饰的变量则不能保证每次都能获取到最新的变量值。 + 总是假设最好的情况，每次去拿数据的时候都认为别人不会修改，所以不会上锁，但是在更新的时候会判断一下在此期间别人有没有去更新这个数据，可以使用版本号机制和 CAS 算法实现。乐观锁适用于多读的应用类型，这样可以提 高吞吐量，像数据库提供的类似于 **write_condition** 机制，其实都是提供的乐 观锁。在 Java 中 `java.util.concurrent.atomic` 包下面的原子变量类就是使用了 乐观锁的一种实现方式 **CAS** 实现的。 +**两种锁的使用场景** +从上面对两种锁的介绍，我们知道两种锁各有优缺点，不可认为一种好于另一 种，像**乐观锁适用于写比较少的情况下(多读场景)**，即冲突真的很少发生的 时候，这样可以省去了锁的开销，加大了系统的整个吞吐量。但如果是多写的情况，一般会经常产生冲突，这就会导致上层应用会不断的进行 retry，这样反倒是降低了性能，所以**一般多写的场景下用悲观锁就比较合适**。 -### volatile 是线程安全的吗 -**因为volatile不能保证变量操作的原子性，所以试图通过volatile来保证线程安全性是不靠谱的** +### 🎯 对比公平和非公平的优缺点? +公平锁的优点在于各个线程公平平等，每个线程等待一段时间后，都有执行的机会，而它的缺点就在于整体执行速度更慢，吞吐量更小，相反非公平锁的优势就在于整体执行速度更快，吞吐量更大，但同时也可能产生线程饥饿问题，也就是说如果一直有线程插队，那么在等待队列中的线程可能长时间得不到运行 ------ -## 三、JMM篇 +## 四、原子操作与CAS（无锁编程）⚛️ -> 谈谈 Java 内存模型 -> -> 指令重排 +在编程中，具备原子性的操作被称为原子操作。原子操作是指一系列的操作，要么全部发生，要么全部不发生，不会出现执行一半就终止的情况。 + +> 下面我们举一个不具备原子性的例子，比如 i++ 这一行代码在 CPU 中执行时，可能会从一行代码变为以下的 3 个指令： > -> 内存屏障 +> - 第一个步骤是读取； +> - 第二个步骤是增加； +> - 第三个步骤是保存。 > -> 单核CPU有可见性问题吗 - -Java 虚拟机规范中试图定义一种「 **Java 内存模型**」来**屏蔽掉各种硬件和操作系统的内存访问差异**，以实现**让 Java 程序在各种平台下都能达到一致的内存访问效果** - -**JMM组成**： - -- 主内存：Java 内存模型规定了所有变量都存储在主内存中（此处的主内存与物理硬件的主内存 RAM 名字一样，两者可以互相类比，但此处仅是虚拟机内存的一部分）。 +> 这就说明 i++ 是不具备原子性的，同时也证明了 i++ 不是线程安全的 -- 工作内存：每条线程都有自己的工作内存，线程的工作内存中保存了该线程使用到的主内存中的共享变量的副本拷贝。**线程对变量的所有操作都必须在工作内存进行，而不能直接读写主内存中的变量**。**工作内存是 JMM 的一个抽象概念，并不真实存在**。 +Java 中的以下几种操作是具备原子性的，属于原子操作： -**特性**： +- 除了 long 和 double 之外的基本类型（int、byte、boolean、short、char、float）的读/写操作，都天然的具备原子性； +- 所有引用 reference 的读/写操作； +- 加了 volatile 后，所有变量的读/写操作（包含 long 和 double）。这也就意味着 long 和 double 加了 volatile 关键字之后，对它们的读写操作同样具备原子性； +- 在 java.concurrent.Atomic 包中的一部分类的一部分方法是具备原子性的，比如 AtomicInteger 的 incrementAndGet 方法。 -JMM 就是用来解决如上问题的。 **JMM是围绕着并发过程中如何处理可见性、原子性和有序性这 3 个 特征建立起来的** +> 在 Java 中，`long` 和 `double` 变量的原子性取决于具体的硬件和 JVM 实现，但通常情况下，对 `long` 和 `double` 类型变量的读和写操作不是原子的。这是因为 `long` 和 `double` 在 JVM 中占用 64 位，而在 32 位的 JVM 实现中，对 64 位的操作可能需要分两步进行：每次操作 32 位。因此，如果没有额外的同步措施，多个线程可能会看到部分更新的值，这会导致数据不一致。 +> +> **实际开发中**，目前各种平台下的主流虚拟机的实现中，几乎都会把 64 位数据的读写操作作为原子操作来对待，因此我们在编写代码时一般不需要为了避免读到“半个变量”而把 long 和 double 声明为 volatile 的 -- **可见性**：可见性是指当一个线程修改了共享变量的值，其他线程能够立即得知这个修改。Java 中的 volatile、synchronzied、final 都可以实现可见性 +**原子类的作用**和锁有类似之处，是为了保证并发情况下线程安全。不过原子类相比于锁，有一定的优势： -- **原子性**：即一个操作或者多个操作，要么全部执行并且执行的过程不会被任何因素打断，要么就都不执行。即使在多个线程一起执行的时候，一个操作一旦开始，就不会被其他线程所干扰。 +- 粒度更细：原子变量可以把竞争范围缩小到变量级别，通常情况下，锁的粒度都要大于原子变量的粒度。 +- 效率更高：除了高度竞争的情况之外，使用原子类的效率通常会比使用同步互斥锁的效率更高，因为原子类底层利用了 CAS 操作，不会阻塞线程。 -- **有序性**： +| 类型 | 具体类 | +| :--------------------------------- | :----------------------------------------------------------- | +| Atomic* 基本类型原子类 | AtomicInteger、AtomicLong、AtomicBoolean | +| Atomic*Array 数组类型原子类 | AtomicIntegerArray、AtomicLongArray、AtomicReferenceArray | +| Atomic*Reference 引用类型原子类 | AtomicReference、AtomicStampedReference、AtomicMarkableReference | +| Atomic*FieldUpdater 升级类型原子类 | AtomicIntegerfieldupdater、AtomicLongFieldUpdater、AtomicReferenceFieldUpdater | +| Adder 累加器 | LongAdder、DoubleAdder | +| Accumulator 积累器 | LongAccumulator、DoubleAccumulator | - 计算机在执行程序时，为了提高性能，编译器和处理器常常会对指令做重排，一般分为以下 3 种 - ![](https://tva1.sinaimg.cn/large/00831rSTly1gcrgrycnj0j31bs04k74y.jpg) - 单线程环境里确保程序最终执行结果和代码顺序执行的结果一致； +### 🎯 AtomicInteger 底层实现原理是什么？如何在自己的产品代码中应用 CAS 操作？ - 处理器在进行重排序时必须要考虑指令之间的**数据依赖性**； +> `AtomicInteger` 是基于 **CAS（Compare-And-Swap）+ volatile + Unsafe** 实现的。 +> 它内部维护了一个 `volatile int value`，保证可见性； +> 更新时通过 `Unsafe` 类的 `compareAndSwapInt` 方法执行 CAS 操作，只有在当前值等于期望值时才更新成功，否则自旋重试。 +> 这样就避免了加锁，实现了高效的线程安全。 +> +> 在业务代码中，我们也可以用 **CAS 思想**： +> 比如实现一个自增计数器，先读取旧值，再尝试用 CAS 更新，如果失败就重试，直到成功。 +> 不过手写 CAS 代码容易复杂，实际开发中一般用 JUC 提供的原子类（如 `AtomicInteger`、`AtomicLong`）或者 `LongAdder`。 - 多线程环境中线程交替执行，由于编译器优化重排的存在，两个线程中使用的变量能否保证一致性是无法确定的，结果无法预测 +**AtomicInteger 的底层原理** -> JMM 是不区分 JVM 到底是运行在单核处理器、多核处理器的，Java 内存模型是对 CPU 内存模型的抽象，这是一个 High-Level 的概念，与具体的 CPU 平台没啥关系 +1. **核心字段** + ```java + private volatile int value; + ``` + - 用 `volatile` 保证多线程下修改的可见性。 -### Java 内存模型中的 happen-before 是什么？ +2. **CAS 操作** -happens-before 先行发生，是 Java 内存模型中定义的两项操作之间的偏序关系，**如果操作 A 先行发生于操作 B，那么 A 的结果对 B 可见**。 + - 核心方法是 `compareAndSet(int expect, int update)`： -内存屏障是被插入两个 CPU 指令之间的一种指令，用来禁止处理器指令发生重排序（像屏障一样），从而保障**有序性**的。 + ```java + public final boolean compareAndSet(int expect, int update) { + return unsafe.compareAndSwapInt(this, valueOffset, expect, update); + } + ``` -Happen-before 关系，是 Java 内存模型中保证多线程操作可见性的机制，也是对早期语言规范中含糊的可见性概念的一个精确定义。 + - `Unsafe.compareAndSwapInt` 是一个 **JNI 调用**，最终会映射到 CPU 的 **CAS 指令**（如 x86 的 `cmpxchg`）。 -它的具体表现形式，包括但远不止是我们直觉中的 synchronized、volatile、lock 操作顺序等方面，例如： +3. **原理流程** -- 线程内执行的每个操作，都保证 happen-before 后面的操作，这就保证了基本的程序顺序规则，这是开发者在书写程序时的基本约定。 -- 对于 volatile 变量，对它的写操作，保证 happen-before 在随后对该变量的读取操作。 -- 对于一个锁的解锁操作，保证 happen-before 加锁操作。 -- 对象构建完成，保证 happen-before 于 finalizer 的开始动作。 -- 甚至是类似线程内部操作的完成，保证 happen-before 其他 Thread.join() 的线程等。 + - 读出当前值（expect）； + - 判断内存里的值是否等于 expect； + - 如果相等 → 更新为新值（update）； + - 如果不相等 → 更新失败，说明被其他线程修改过 → 重试。 -这些 happen-before 关系是存在着传递性的，如果满足 a happen-before b 和 b happen-before c，那么 a happen-before c 也成立。 +4. **自旋重试** -前面我一直用 happen-before，而不是简单说前后，是因为它不仅仅是对执行时间的保证，也包括对内存读、写操作顺序的保证。仅仅是时钟顺序上的先后，并不能保证线程交互的可见性。 + - CAS 是乐观锁，假设冲突少，大部分情况下会一次成功； + - 如果失败，就不断自旋尝试，直到更新成功。 +**CAS 的典型问题** +- **ABA 问题**：值从 A → B → A，CAS 检查时以为没变，但其实发生过变化。 + - 解决方案：`AtomicStampedReference` 或 `AtomicMarkableReference`（带版本号）。 +- **自旋开销**：并发高时可能频繁失败，自旋消耗 CPU。 +- **只能保证一个变量的原子性**：多个变量需要用 `AtomicReference` 或锁。 ------ + **在业务代码中的应用（CAS 思想）** +举几个常见场景： +1. **自定义原子计数器** + ```java + class MyAtomicCounter { + private volatile int value = 0; + private static final Unsafe unsafe = ...; + private static final long valueOffset = ...; + + public void increment() { + int oldValue; + do { + oldValue = value; + } while (!unsafe.compareAndSwapInt(this, valueOffset, oldValue, oldValue + 1)); + } + + public int get() { + return value; + } + } + ``` -## 四、Atomic~CAS篇 - -> CAS 知道吗，如何实现？ -> 讲一讲AtomicInteger，为什么要用 CAS 而不是 synchronized？ -> CAS 底层原理，谈谈你对 UnSafe 的理解？ -> AtomicInteger 的ABA问题，能说一下吗，原子更新引用知道吗？ -> CAS 有什么缺点吗？ 如何规避 ABA 问题？ - - - -### AtomicInteger 底层实现原理是什么？如何在自己的产品代码中应用 CAS 操作？ - -AtomicIntger 是对 int 类型的一个封装，提供原子性的访问和更新操作，其原子性操作的实现是基于 CAS（[compare-and-swap](https://en.wikipedia.org/wiki/Compare-and-swap)）技术。 - -所谓 CAS，表征的是一些列操作的集合，获取当前数值，进行一些运算，利用 CAS 指令试图进行更新。如果当前数值未变，代表没有其他线程进行并发修改，则成功更新。否则，可能出现不同的选择，要么进行重试，要么就返回一个成功或者失败的结果。 - -从 AtomicInteger 的内部属性可以看出，它依赖于 Unsafe 提供的一些底层能力，进行底层操作；以 volatile 的 value 字段，记录数值，以保证可见性。 - -```java -private static final jdk.internal.misc.Unsafe U = jdk.internal.misc.Unsafe.getUnsafe(); -private static final long VALUE = U.objectFieldOffset(AtomicInteger.class, "value"); -private volatile int value; -``` - -具体的原子操作细节，可以参考任意一个原子更新方法，比如下面的 getAndIncrement。 - -Unsafe 会利用 value 字段的内存地址偏移，直接完成操作。 - -```java -public final int getAndIncrement() { - return U.getAndAddInt(this, VALUE, 1); -} -``` - -因为 getAndIncrement 需要返归数值，所以需要添加失败重试逻辑。 - -```java -public final int getAndAddInt(Object o, long offset, int delta) { - int v; - do { - v = getIntVolatile(o, offset); - } while (!weakCompareAndSetInt(o, offset, v, v + delta)); - return v; -} -``` - -而类似 compareAndSet 这种返回 boolean 类型的函数，因为其返回值表现的就是成功与否，所以不需要重试。 - -```java -public final boolean compareAndSet(int expectedValue, int newValue) -``` - -CAS 是 Java 并发中所谓 lock-free 机制的基础。 - - - -Java 虚拟机又提供了一个轻量级的同步机制——volatile，但是 volatile 算是乞丐版的 synchronized，并不能保证原子性 ，所以，又增加了`java.util.concurrent.atomic`包， 这个包下提供了一系列原子类。 + 用 CAS 循环实现线程安全自增。 +2. **无锁队列 / 栈** + - 常用 CAS 更新头节点或尾节点，避免加锁； + - 典型实现：`ConcurrentLinkedQueue`。 -**Atomic**： +3. **乐观锁机制** -AtomicBoolean、AtomicInteger、tomicIntegerArray、AtomicReference、AtomicStampedReference + - 在业务场景（如数据库版本号控制）里，也可以用 CAS 思想：比较版本号是否一致，一致才更新，否则重试。 -常用方法： -addAndGet(int)、getAndIncrement()、compareAndSet(int, int) -**CAS**: +### 🎯 CAS 知道吗，如何实现？ - CAS：全称 `Compare and swap`，即**比较并交换**，它是一条 **CPU 同步原语**。 是一种硬件对并发的支持，针对多处理器操作而设计的一种特殊指令，用于管理对共享数据的并发访问。 - CAS 是一种无锁的非阻塞算法的实现。 @@ -861,13 +1425,27 @@ addAndGet(int)、getAndIncrement()、compareAndSet(int, int) - 要修改的更新值 B - 当且仅当 V 的值等于 A 时，CAS 通过原子方式用新值 B 来更新 V 的 值，否则不会执行任何操作（他的功能是判断内存某个位置的值是否为预期值，如果是则更改为新的值，这个过程是原子的。） - 缺点 - - 循环时间长，开销很大 - - 只能保证一个共享变量的原子操作 + - 自旋时间过长：由于单次 CAS 不一定能执行成功，所以 **CAS 往往是配合着循环来实现的**，有的时候甚至是死循环，不停地进行重试，直到线程竞争不激烈的时候，才能修改成功 + - 只能保证一个共享变量的原子操作：不能灵活控制线程安全的范围，我们不能针对多个共享变量同时进行 CAS 操作，因为这多个变量之间是独立的，简单的把原子操作组合到一起，并不具备原子性 - ABA 问题（用 AtomicReference 避免） -**Unsafe**： +### 🎯 CAS 底层原理，谈谈你对 UnSafe 的理解？ + +> "CAS（Compare and Swap）是一种硬件支持的原子操作： +> +> **基本原理**： +> +> - 包含3个操作数：内存值V、预期值A、更新值B +> - 当且仅当V==A时，才将V更新为B +> - CPU硬件保证整个操作的原子性 +> +> **优势与问题**： +> +> - 优势：无锁化，避免线程阻塞 +> - ABA问题：可用AtomicStampedReference解决 +> - 自旋开销：高竞争下可能CPU空转" CAS 并发原语体现在 Java 语言中的 `sum.misc.Unsafe` 类中的各个方法。调用 Unsafe 类中的 CAS 方法， JVM 会帮助我们实现出 CAS 汇编指令。 @@ -875,249 +1453,681 @@ CAS 并发原语体现在 Java 语言中的 `sum.misc.Unsafe` 类中的各个方 -## 五、线程池篇 +### 🎯 讲一讲AtomicInteger，为什么要用 CAS 而不是 synchronized？ -> 线程池原理，拒绝策略，核心线程数 -> -> 为什么要用线程池，优势是什么？ -> -> 线程池的工作原理，几个重要参数，给了具体几个参数分析线程池会怎么做，阻塞队列的作用是什么？ -> -> 说说几种常见的线程池及使用场景? -> -> 线程池的构造类的方法的 5 个参数的具体意义是什么 -> -> 按线程池内部机制，当提交新任务时，有哪些异常要考虑 -> -> 单机上一个线程池正在处理服务，如果忽然断电怎么办（正在处理和阻塞队列里的请求怎么处理）？ -> -> 生产上如何合理设置参数？ +1. **高效的线程安全**：CAS 能在多线程下提供线程安全的操作，而不需要像 `synchronized` 一样使用锁。CAS 的自旋机制在短时间内是非常高效的，因为大多数情况下操作会在几次尝试内成功。 +2. **无锁优化**：CAS 不会引发线程的阻塞和挂起，避免了线程在获取锁时的开销。这对于高并发场景特别重要，`AtomicInteger` 能在高并发场景下提供更好的性能表现。 +3. **避免锁的竞争和开销**：`synchronized` 在多线程竞争时，失败的线程会被挂起并等待唤醒，涉及到线程上下文切换，开销较大。而 CAS 通过乐观锁的思想，只在冲突发生时重试，避免了不必要的线程切换。 +**CAS 的问题：** +虽然 CAS 比 `synchronized` 更高效，但它也有一些缺点： -### 为什么要用线程池，优势是什么？ +- **ABA 问题**：CAS 会比较当前值是否等于期望值，但如果一个变量的值从 A 变为 B，再变回 A，CAS 会认为它没有改变，从而通过比较。为了解决这个问题，可以引入版本号。 +- **自旋开销**：如果线程不断尝试修改变量，但总是失败，自旋的开销会变得很高。在高竞争环境下，CAS 的性能优势可能会减小。 +- **只能保证一个变量的原子性**：CAS 只能操作单个变量，对于复杂的并发操作场景，仍然需要使用锁或其他同步机制。 -> **池化技术相比大家已经屡见不鲜了，线程池、数据库连接池、Http 连接池等等都是对这个思想的应用。池化技术的思想主要是为了减少每次获取资源的消耗，提高对资源的利用率。** -线程池是一种基于池化思想管理线程的工具。 -线程池解决的核心问题就是资源管理问题。在并发环境下，系统不能够确定在任意时刻中，有多少任务需要执行，有多少资源需要投入。这种不确定性将带来以下若干问题： +### 🎯 为什么高并发下 LongAdder 比 AtomicLong 效率更高？ -1. 频繁申请/销毁资源和调度资源，将带来额外的消耗，可能会非常巨大。 -2. 对资源无限申请缺少抑制手段，易引发系统资源耗尽的风险。 -3. 系统无法合理管理内部的资源分布，会降低系统的稳定性。 +> "LongAdder采用分段累加思想： +> +> **核心机制**： +> +> - **base变量**：竞争不激烈时直接累加 +> - **Cell[]数组**：竞争激烈时分散累加 +> - **hash分配**：线程按hash值分配到不同Cell +> +> **性能优势**：空间换时间，减少CAS竞争" -为解决资源分配这个问题，线程池采用了“池化”思想。 +LongAdder 引入了分段累加的概念，内部一共有两个参数参与计数：第一个叫作 base，它是一个变量，第二个是 Cell[] ，是一个数组。 +其中的 base 是用在竞争不激烈的情况下的，可以直接把累加结果改到 base 变量上。 +那么，当竞争激烈的时候，就要用到我们的 Cell[] 数组了。一旦竞争激烈，各个线程会分散累加到自己所对应的那个 Cell[] 数组的某一个对象中，而不会大家共用同一个。 -线程池做的工作主要是控制运行的线程数量，处理过程中将任务放入队列，然后在线程创建后启动这些任务，如果线程数量超过了最大数量，超出数量的线程排队等候，等其他线程执行完毕，再从队列中取出任务来执行。 +这样一来，LongAdder 会把不同线程对应到不同的 Cell 上进行修改，降低了冲突的概率，这是一种分段的理念，提高了并发性，这就和 Java 7 的 ConcurrentHashMap 的 16 个 Segment 的思想类似。 -主要优点： +竞争激烈的时候，LongAdder 会通过计算出每个线程的 hash 值来给线程分配到不同的 Cell 上去，每个 Cell 相当于是一个独立的计数器，这样一来就不会和其他的计数器干扰，Cell 之间并不存在竞争关系，所以在自加的过程中，就大大减少了刚才的 flush 和 refresh，以及降低了冲突的概率，这就是为什么 LongAdder 的吞吐量比 AtomicLong 大的原因，本质是空间换时间，因为它有多个计数器同时在工作，所以占用的内存也要相对更大一些。 -1. **降低资源消耗**：线程复用，通过重复利用已创建的线程减低线程创建和销毁造成的消耗 -2. **提高响应速度**：当任务到达时，任务可以不需要等到线程创建就能立即执行 -3. **提高线程的可管理性**：线程是稀缺资源，如果无限制的创建，不仅会消耗系统资源，还会降低系统的稳定性，使用线程池可以进行统一的分配，调优和监控。 -4. **提供更多更强大的功能**：线程池具备可拓展性，允许开发人员向其中增加更多的功能。比如延时定时线程池ScheduledThreadPoolExecutor，就允许任务延期执行或定期执行。 -### Java 并发类库提供的线程池有哪几种？ 分别有什么特点？ -常见的线程池的使用方式： +## 五、并发工具类（同步辅助）🛠️ -- newFixedThreadPool 创建一个指定工作线程数量的线程池 -- newSingleThreadExecutor 创建一个单线程化的Executor，它的特点在于工作线程数目被限制为 1，操作一个无界的工作队列，所以它保证了所有任务的都是被顺序执行，最多会有一个任务处于活动状态，并且不允许使用者改动线程池实例，因此可以避免其改变线程数目。 -- newCachedThreadPool 创建一个可缓存线程池，它会试图缓存线程并重用，当无缓存线程可用时，就会创建新的工作线程；如果线程闲置的时间超过 60 秒，则被终止并移出缓存；长时间闲置时，这种线程池，不会消耗什么资源。其内部使用 SynchronousQueue 作为工作队列。 -- newScheduledThreadPool 创建一个定长的线程池，而且支持定时的以及周期性的任务执行，支持定时及周期性任务执行 -- newWorkStealingPool Java8 新特性，使用目前机器上可用的处理器作为它的并行级别 +### 🎯 AQS 原理分析 +> AQS，全称 **AbstractQueuedSynchronizer**，是 JUC 包里并发工具类的核心基础框架。 +> +> 其原理可概括为： +> +> 1. **状态管理**：内部维护一个 **volatile 的 state 状态变量**，通过 **CAS 操作**保证修改的原子性。 +> 2. **队列设计**：使用一个 **FIFO 的双向队列（CLH 队列）**，管理等待线程。 +> +> 当线程尝试获取资源失败时，会进入队列并被 `LockSupport.park()` 挂起，等待被唤醒。 +> +> 释放资源时，会通过 CAS 修改 state 并唤醒队列中的下一个线程。 +> 3. **模板方法**：子类通过重写 `tryAcquire()`/`tryRelease()` 实现独占或共享锁。 +> 4. 核心机制： +> - 独占模式（如 `ReentrantLock`）：线程竞争失败则入队阻塞。 +> - 共享模式（如 `CountDownLatch`）：允许多线程同时访问。 +> 5. **应用场景**：锁、信号量、倒计时器等同步工具的基础。 +> +> 常见的 JUC 工具类，比如 `ReentrantLock`、`Semaphore`、`CountDownLatch`，底层都是基于 AQS 来实现的。 +> 所以 **AQS 的本质就是：用 state + CLH 队列 + CAS + LockSupport 来实现一套通用的同步器框架。** +AQS的全称为（AbstractQueuedSynchronizer），这个类在 `java.util.concurrent.locks` 包下面。 -### 线程池的几个重要参数 +AQS是一个用来构建锁和同步器的框架，使用AQS能简单且高效地构造出应用广泛的大量的同步器，比如我们提到的ReentrantLock，Semaphore，其他的诸如ReentrantReadWriteLock，SynchronousQueue，FutureTask 等等皆是基于 AQS 的。当然，我们自己也能利用 AQS 非常轻松容易地构造出符合我们自己需求的同步器。 -常用的构造线程池方法其实最后都是通过 **ThreadPoolExecutor** 实例来创建的，且该构造器有 7 大参数。 +**AQS核心思想是，如果被请求的共享资源空闲，则将当前请求资源的线程设置为有效的工作线程，并且将共享资源设置为锁定状态。如果被请求的共享资源被占用，那么就需要一套线程阻塞等待以及被唤醒时锁分配的机制，这个机制AQS是用CLH队列锁实现的，即将暂时获取不到锁的线程加入到队列中。** -```java -public ThreadPoolExecutor(int corePoolSize, - int maximumPoolSize, - long keepAliveTime, - TimeUnit unit, - BlockingQueue workQueue, - ThreadFactory threadFactory, - RejectedExecutionHandler handler) {//...} -``` +> CLH(Craig,Landin,and Hagersten)队列是一个虚拟的双向队列（虚拟的双向队列即不存在队列实例，仅存在结点之间的关联关系）。AQS 是将每条请求共享资源的线程封装成一个 CLH 锁队列的一个结点（Node）来实现锁的分配。 -- **corePoolSize：** 线程池中的常驻核心线程数 +看个 AQS(AbstractQueuedSynchronizer)原理图： - - 创建线程池后，当有请求任务进来之后，就会安排池中的线程去执行请求任务，近似理解为近日当值线程 - - 当线程池中的线程数目达到 corePoolSize 后，就会把到达的任务放到缓存队列中 +![image.png](https://blog-1300588375.cos.ap-chengdu.myqcloud.com/image_1624029202628.png) -- **maximumPoolSize：** 线程池最大线程数大小，该值必须大于等于 1 -- **keepAliveTime：** 线程池中非核心线程空闲的存活时间 - - 当前线程池数量超过 corePoolSize 时，当空闲时间达到 keepAliveTime 值时，非核心线程会被销毁直到只剩下 corePoolSize 个线程为止 +AQS 使用一个 int 成员变量来表示同步状态，通过内置的 FIFO 队列来完成获取资源线程的排队工作。AQS 使用 CAS 对该同步状态进行原子操作实现对其值的修改。 -- **unit：** keepAliveTime 的时间单位 +```java +private volatile int state;//共享变量，使用volatile修饰保证线程可见性 +``` -- **workQueue：** 存放任务的阻塞队列，被提交但尚未被执行的任务 +状态信息通过 protected 类型的 getState，setState，compareAndSetState 进行操作 -- **threadFactory：** 用于设置创建线程的工厂，可以给创建的线程设置有意义的名字，可方便排查问题 +```java +//返回同步状态的当前值 +protected final int getState() { + return state; +} + // 设置同步状态的值 +protected final void setState(int newState) { + state = newState; +} +//原子地（CAS操作）将同步状态值设置为给定值update如果当前同步状态的值等于expect（期望值） +protected final boolean compareAndSetState(int expect, int update) { + return unsafe.compareAndSwapInt(this, stateOffset, expect, update); +} +``` -- **handler：** 拒绝策略，表示当队列满了且工作线程大于等于线程池的最大线程数（maximumPoolSize）时如何来拒绝请求执行的线程的策略，主要有四种类型。 +> 而 state 的含义并不是一成不变的，它会**根据具体实现类的作用不同而表示不同的含义**。 +> +> 比如说在信号量里面，state 表示的是剩余**许可证的数量**。如果我们最开始把 state 设置为 10，这就代表许可证初始一共有 10 个，然后当某一个线程取走一个许可证之后，这个 state 就会变为 9，所以信号量的 state 相当于是一个内部计数器。 +> +> 再比如，在 CountDownLatch 工具类里面，state 表示的是**需要“倒数”的数量**。一开始我们假设把它设置为 5，当每次调用 CountDown 方法时，state 就会减 1，一直减到 0 的时候就代表这个门闩被放开。 +> +> 下面我们再来看一下 state 在 ReentrantLock 中是什么含义，在 ReentrantLock 中它表示的是**锁的占有情况**。最开始是 0，表示没有任何线程占有锁；如果 state 变成 1，则就代表这个锁已经被某一个线程所持有了。 - 等待队列也已经满了，再也塞不下新任务。同时，线程池中的 max 线程也达到了，无法继续为新任务服务，这时候我们就需要拒绝策略合理的处理这个问题了。 +**AQS 定义两种资源共享方式** - - AbortPolicy 直接抛出 RegectedExcutionException 异常阻止系统正常进行，**默认策略** - - DiscardPolicy 直接丢弃任务，不予任何处理也不抛出异常，如果允许任务丢失，这是最好的一种方案 - - DiscardOldestPolicy 抛弃队列中等待最久的任务，然后把当前任务加入队列中尝试再次提交当前任务 - - CallerRunsPolicy 交给线程池调用所在的线程进行处理，“调用者运行”的一种调节机制，该策略既不会抛弃任务，也不会抛出异常，而是将某些任务回退到调用者，从而降低新任务的流量 +- Exclusive（独占）：只有一个线程能执行，如 ReentrantLock。又可分为公平锁和非公平锁： - 以上内置拒绝策略均实现了 RejectExcutionHandler 接口 + - 公平锁：按照线程在队列中的排队顺序，先到者先拿到锁 + - 非公平锁：当线程要获取锁时，无视队列顺序直接去抢锁，谁抢到就是谁的 +- **Share**（共享）：多个线程可同时执行，如 Semaphore/CountDownLatch。Semaphore、CountDownLatch、 CyclicBarrier、ReadWriteLock。 +ReentrantReadWriteLock 可以看成是组合式，因为ReentrantReadWriteLock 也就是读写锁允许多个线程同时对某一资源进行读。 -### 线程池工作原理 +不同的自定义同步器争用共享资源的方式也不同。自定义同步器在实现时只需要实现共享资源 state 的获取与释放方式即可，至于具体线程等待队列的维护（如获取资源失败入队/唤醒出队等），AQS已经在顶层实现好了。 -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h37lndojxjj20u50d83zx.jpg) +**AQS底层使用了模板方法模式** -**线程池在内部实际上构建了一个生产者消费者模型，将线程和任务两者解耦，并不直接关联，从而良好的缓冲任务，复用线程**。线程池的运行主要分成两部分：**任务管理、线程管理**。任务管理部分充当生产者的角色，当任务提交后，线程池会判断该任务后续的流转： +同步器的设计是基于模板方法模式的，如果需要自定义同步器一般的方式是这样（模板方法模式很经典的一个应用）： -- 直接申请线程执行该任务； -- 缓冲到队列中等待线程执行； -- 拒绝该任务。 +1. 使用者继承AbstractQueuedSynchronizer并重写指定的方法。（这些重写方法很简单，无非是对于共享资源state的获取和释放） +2. 将AQS组合在自定义同步组件的实现中，并调用其模板方法，而这些模板方法会调用使用者重写的方法。 -线程管理部分是消费者，它们被统一维护在线程池内，根据任务请求进行线程的分配，当线程执行完任务后则会继续获取新的任务去执行，最终当线程获取不到任务的时候，线程就会被回收。 +这和我们以往通过实现接口的方式有很大区别，这是模板方法模式很经典的一个运用。 -流程： +**AQS使用了模板方法模式，自定义同步器时需要重写下面几个AQS提供的模板方法：** -1. 在创建线程池后，等待提交过来的任务请求 +``` +isHeldExclusively()//该线程是否正在独占资源。只有用到condition才需要去实现它。 +tryAcquire(int)//独占方式。尝试获取资源，成功则返回true，失败则返回false。 +tryRelease(int)//独占方式。尝试释放资源，成功则返回true，失败则返回false。 +tryAcquireShared(int)//共享方式。尝试获取资源。负数表示失败；0表示成功，但没有剩余可用资源；正数表示成功，且有剩余资源。 +tryReleaseShared(int)//共享方式。尝试释放资源，成功则返回true，失败则返回false。 +``` -2. 当调用 execute() 方法添加一个请求任务时，线程池会做如下判断： +默认情况下，每个方法都抛出 `UnsupportedOperationException`。 这些方法的实现必须是内部线程安全的，并且通常应该简短而不是阻塞。AQS类中的其他方法都是final ，所以无法被其他类使用，只有这几个方法可以被其他类使用。 - - 如果正在运行的线程数量小于 corePoolSize，那么马上创建线程运行这个任务 - - 如果正在运行的线程数量大于或等于 corePoolSize，那么将这个任务**放入队列** - - 如果这个时候队列满了且正在运行的线程数量还小于 maximumPoolSize，那么创建非核心线程立刻运行这个任务 - - 如果队列满了且正在运行的线程数量大于或等于 maximumPoolSize，那么线程池**会启动饱和拒绝策略来执行** +以ReentrantLock为例，state初始化为0，表示未锁定状态。A线程lock()时，会调用tryAcquire()独占该锁并将state+1。此后，其他线程再tryAcquire()时就会失败，直到A线程unlock()到state=0（即释放锁）为止，其它线程才有机会获取该锁。当然，释放锁之前，A线程自己是可以重复获取此锁的（state会累加），这就是可重入的概念。但要注意，获取多少次就要释放多么次，这样才能保证state是能回到零态的。 -3. 当一个线程完成任务时，它会从队列中取下一个任务来执行 +再以CountDownLatch以例，任务分为N个子线程去执行，state也初始化为N（注意N要与线程个数一致）。这N个子线程是并行执行的，每个子线程执行完后countDown()一次，state会CAS(Compare and Swap)减1。等到所有子线程都执行完后(即state=0)，会unpark()主调用线程，然后主调用线程就会从await()函数返回，继续后余动作。 -4. 当一个线程无事可做超过一定的时间（keepAliveTime）时，线程池会判断： +一般来说，自定义同步器要么是独占方法，要么是共享方式，他们也只需实现`tryAcquire-tryRelease`、`tryAcquireShared-tryReleaseShared`中的一种即可。但AQS也支持自定义同步器同时实现独占和共享两种方式，如`ReentrantReadWriteLock`。 - - 如果当前运行的线程数大于 corePoolSize，那么这个线程就被停掉 - - 所以线程池的所有任务完成后它**最终会收缩到 corePoolSize 的大小** +推荐两篇 AQS 原理和相关源码分析的文章： +- http://www.cnblogs.com/waterystone/p/4920797.html +- https://www.cnblogs.com/chengxiao/archive/2017/07/24/7141160.html +**1. 核心组成** -### 合理配置线程池你是如何考虑的？（创建多少个线程合适） +- **state**：`volatile int state`，表示资源状态（比如锁的占用次数）。 +- **CAS 修改 state**：通过 `Unsafe.compareAndSwapInt` 保证并发更新安全。 +- **CLH 队列**：一个 **双向链表**，失败的线程会被包装成 `Node` 挂到队尾。 +- **Node 状态**：`WAITING`、`SIGNAL` 等，用于协调线程挂起和唤醒。 -首先要考虑到 CPU 核心数，那么在 Java 中如何获取核心线程数？ +**2. 获取资源流程（acquire）** -可以使用 `Runtime.getRuntime().availableProcessor()` 方法来获取（可能不准确，作为参考） +1. 线程尝试通过 `tryAcquire()` 获取资源（由子类实现逻辑，比如独占/共享）。 +2. 如果成功，直接返回；失败就进入 CLH 队列。 +3. 在队列中会自旋判断前驱节点是否释放资源，没释放就会 `LockSupport.park()` 挂起。 -在确认了核心数后，再去判断是 CPU 密集型任务还是 IO 密集型任务： +**3. 释放资源流程（release）** -- **CPU 密集型任务**：CPU密集型也叫计算密集型，这种类型大部分状况下，CPU使用时间远高于I/O耗时。有许多计算要处理、许多逻辑判断，几乎没有I/O操作的任务就属于 CPU 密集型。 +1. 线程通过 `tryRelease()` 释放资源（由子类实现）。 +2. 修改 state 成功后，会唤醒队列的下一个节点。 +3. 被唤醒的线程重新尝试获取资源。 - CPU 密集任务只有在真正的多核 CPU 上才可能得到加速（通过多线程） +**4. 独占模式 vs 共享模式** - 而在单核 CPU 上，无论开几个模拟的多线程该任务都不可能得到加速，因为 CPU 总的运算能力就那些。 +- **独占模式**（Exclusive）：同一时刻只能一个线程获取（如 `ReentrantLock`）。 +- **共享模式**（Shared）：同一时刻可以有多个线程获取（如 `Semaphore`、`CountDownLatch`）。 - 如果是 CPU 密集型任务，频繁切换上下线程是不明智的，此时应该设置一个较小的线程数 +**5. 应用场景** - 一般公式：**CPU 核数 + 1 个线程的线程池** +- **ReentrantLock**：可重入锁，state 代表重入次数。 +- **CountDownLatch**：state 表示计数值，减到 0 时释放所有等待线程。 +- **Semaphore**：state 表示许可数，可以多个线程共享。 - 为什么 +1 呢？ - 《Java并发编程实战》一书中给出的原因是：**即使当计算（CPU）密集型的线程偶尔由于页缺失故障或者其他原因而暂停时，这个“额外”的线程也能确保 CPU 的时钟周期不会被浪费。** -- **IO 密集型任务**：与之相反，IO 密集型则是系统运行时，大部分时间都在进行 I/O 操作，CPU 占用率不高。比如像 MySQL 数据库、文件的读写、网络通信等任务，这类任务**不会特别消耗 CPU 资源，但是 IO 操作比较耗时，会占用比较多时间**。 +### 🎯 AQS 组件总结 - 在单线程上运行 IO 密集型的任务会导致浪费大量的 CPU 运算能力浪费在等待。 +“AQS 衍生的同步组件可分为： - 所以在 IO 密集型任务中使用多线程可以大大的加速程序运行，即使在单核 CPU 上，这种加速主要就是利用了被浪费调的阻塞时间。 +1. 独占模式： + - `ReentrantLock`：可重入锁，支持公平 / 非公平，手动控制加解锁。 + - `ReentrantReadWriteLock`：读写分离，读锁共享、写锁独占。 +2. 共享模式： + - `Semaphore`：信号量，控制并发线程数（如限流）。 + - `CountDownLatch`：倒计时门栓，一次性等待多线程完成。 + - `CyclicBarrier`：循环屏障，可重复使用，等待所有线程同步。 + 选择时需根据场景特性（互斥 / 共享、是否可重复、同步类型）合理选用，例如接口限流用 `Semaphore`，任务汇总用 `CountDownLatch`。” - IO 密集型时，大部分线程都阻塞，故需要多配置线程数： - 参考公式： CPU 核数/（1- 阻塞系数） 阻塞系数在 0.8~0.9 之间 - 比如 8 核 CPU：8/（1 -0.9）= 80个线程数 +### 🎯 AQS是如何唤醒下一个线程的？ +当需要阻塞或者唤醒一个线程的时候，AQS都是使用 LockSupport 这个工具类来完成的。 - 这个其实没有一个特别适用的公式，肯定适合自己的业务，美团给出了个**动态更新**的逻辑，可以看看 +AQS（AbstractQueuedSynchronizer）的核心功能之一是**线程的阻塞与唤醒**。当持有锁的线程释放资源后，AQS 需要精确地唤醒等待队列中的下一个线程，以确保同步逻辑的正确性。下面从源码角度深入分析这一过程： +一、唤醒线程的触发点 +AQS 唤醒线程主要发生在两种场景： -### 实现Runnable接口和Callable接口的区别 +1. **释放锁时**：独占模式下调用 `release()`，共享模式下调用 `releaseShared()`。 +2. **取消等待时**：当线程被中断或超时，会从队列中移除并尝试唤醒后继节点。 -`Runnable`自 Java 1.0 以来一直存在，但 `Callable`仅在 Java 1.5 中引入,目的就是为了来处理 `Runnable` 不支持的用例。**Runnable 接口**不会返回结果或抛出检查异常，但是**`Callable` 接口**可以。所以，如果任务不需要返回结果或抛出异常推荐使用 **Runnable 接口**，这样代码看起来会更加简洁。 +二、唤醒线程的核心方法：`unparkSuccessor()` -工具类 `Executors` 可以实现 `Runnable` 对象和 `Callable` 对象之间的相互转换。（`Executors.callable（Runnable task`）或 `Executors.callable（Runnable task，Object resule）`）。 +这是 AQS 唤醒线程的核心实现，其逻辑如下： ```java -Runnable.java -@FunctionalInterface -public interface Runnable { - /** - * 被线程执行，没有返回值也无法抛出异常 - */ - public abstract void run(); -} -Callable.java -@FunctionalInterface -public interface Callable { - /** - * 计算结果，或在无法这样做时抛出异常。 - * @return 计算得出的结果 - * @throws 如果无法计算结果，则抛出异常 - */ - V call() throws Exception; +private void unparkSuccessor(Node node) { + // 获取当前节点的等待状态 + int ws = node.waitStatus; + // 如果状态为 SIGNAL(-1) 或 CONDITION(-2) 或 PROPAGATE(-3)，尝试将其设为 0 + if (ws < 0) + compareAndSetWaitStatus(node, ws, 0); + + // 找到有效的后继节点（排除状态为 CANCELLED(1) 的节点） + Node s = node.next; + if (s == null || s.waitStatus > 0) { + s = null; + // 从尾部向前遍历，找到最靠前的有效节点 + for (Node t = tail; t != null && t != node; t = t.prev) { + if (t.waitStatus <= 0) + s = t; + } + } + + // 唤醒找到的有效后继节点 + if (s != null) + LockSupport.unpark(s.thread); } ``` -### 执行execute()方法和submit()方法的区别是什么呢？ +### 🎯 AQS 中独占锁和共享锁的操作流程大体描述一下 -1. **execute()方法用于提交不需要返回值的任务，所以无法判断任务是否被线程池执行成功与否；** -2. **submit()方法用于提交需要返回值的任务。线程池会返回一个 Future 类型的对象，通过这个 Future 对象可以判断任务是否执行成功**，并且可以通过 `Future` 的 `get()`方法来获取返回值，`get()`方法会阻塞当前线程直到任务完成，而使用 `get（long timeout，TimeUnit unit）`方法则会阻塞当前线程一段时间后立即返回，这时候有可能任务没有执行完。 +##### **独占锁与共享锁的区别** -我们以**`AbstractExecutorService`**接口中的一个 `submit` 方法为例子来看看源代码： +- **独占锁是持有锁的线程释放锁之后才会去唤醒下一个线程。** +- **共享锁是线程获取到锁后，就会去唤醒下一个线程，所以共享锁在获取锁和释放锁的时候都会调用doReleaseShared方法唤醒下一个线程，当然这会受共享线程数量的限制**。 -```java - public Future submit(Runnable task) { - if (task == null) throw new NullPointerException(); - RunnableFuture ftask = newTaskFor(task, null); - execute(ftask); - return ftask; - } -``` -上面方法调用的 `newTaskFor` 方法返回了一个 `FutureTask` 对象。 -```java - protected RunnableFuture newTaskFor(Runnable runnable, T value) { - return new FutureTask(runnable, value); - } -``` +### 🎯 countDownLatch/CycliBarries/Semaphore使用过吗 -我们再来看看`execute()`方法： +> 我在项目里用过 JUC 提供的并发工具类，比如： +> +> - **CountDownLatch**：适合一次性的任务协调，我用它来让主线程等待多个子任务完成，比如同时发起多个远程请求，等都返回再做汇总。 +> - **CyclicBarrier**：适合多线程阶段性同步，我用它做过分批数据处理，比如多个线程各自处理一段数据，等都处理完再统一进入下一步。 +> - **Semaphore**：主要用于限流，我用它限制同一时间并发访问的线程数，比如防止缓存击穿时过多请求同时打到数据库。 +> +> 这三者的区别在于：CountDownLatch 一次性、CyclicBarrier 可循环复用，而 Semaphore 更像是限流器。 + +#### CycliBarries + +**作用**：让一组线程互相等待，直到都到达屏障点后再一起执行。 + +**原理**：内部计数器递减，等到 0 时释放所有等待线程，并且可以 **重置（可循环使用）**。 + +**场景**： + +- 多线程分段计算，等所有线程算完阶段结果后，再汇总结果。 +- 比如并行计算矩阵，再合并。 ```java - public void execute(Runnable command) { - ... +public class CyclieBarrierDemo { + + public static void main(String[] args) { + // public CyclicBarrier(int parties, Runnable barrierAction) { + CyclicBarrier cyclicBarrier = new CyclicBarrier(7,()->{ + System.out.println("召唤神龙"); + }); + + for (int i = 1; i < 8; i++) { + final int temp = i; + new Thread(()->{ + System.out.println(Thread.currentThread().getName()+"收集到第"+temp+"颗龙珠"); + + try { + cyclicBarrier.await(); + } catch (InterruptedException e) { + e.printStackTrace(); + } catch (BrokenBarrierException e) { + e.printStackTrace(); + } + },String.valueOf(i)).start(); + } + } + +} +``` + + + +#### Semaphore + +![img](https://learn.lianglianglee.com/%e4%b8%93%e6%a0%8f/Java%20%e5%b9%b6%e5%8f%91%e7%bc%96%e7%a8%8b%2078%20%e8%ae%b2-%e5%ae%8c/assets/Cgq2xl5fiViAS1xOAADHimTjAp0576.png) + +信号量主要用于两个目的，一个是用于多个共享资源的互斥使用，另一个用于并发线程数的控制。 + +**作用**：控制并发线程数，类似一个「许可证池」。 + +**原理**：内部维护一个许可计数，线程调用 `acquire()` 获取许可，执行完后 `release()` 归还许可。 + +**场景**： + +- 限流，比如限制同一时间最多 10 个线程访问某接口。 +- 资源池控制，比如数据库连接池。 + +```java +/** + * @description: 模拟抢车位 + * @author: starfish + * @data: 2020-04-04 10:29 + **/ +public class SemaphoreDemo { + + public static void main(String[] args) { + + //模拟 3 个车位 + Semaphore semaphore = new Semaphore(3); + + //7 辆车去争抢 + for (int i = 0; i < 7; i++) { + new Thread(()->{ + try { + semaphore.acquire(); //抢到车位 + System.out.println(Thread.currentThread().getName()+"\t抢到车位"); + TimeUnit.SECONDS.sleep(3); + System.out.println(Thread.currentThread().getName()+"\t 停车 3 秒后离开"); + } catch (InterruptedException e) { + e.printStackTrace(); + }finally { + semaphore.release(); + } + System.out.println(Thread.currentThread().getName()+"\t抢到车位"); + },String.valueOf(i)).start(); + } + } +} +``` + +#### CountDownLatch + +> `CountDownLatch` 是一个基于 AQS（AbstractQueuedSynchronizer）的同步工具类，用来让一组线程等待其他线程完成操作。 +> 它内部维护了一个 `volatile state` 作为计数器，初始值由构造函数指定。 +> 每次调用 `countDown()` 就会让计数器减 1，当计数器减到 0 时，所有在 `await()` 上等待的线程都会被唤醒继续执行。 +> 常见场景是：主线程等待多个子任务执行完毕再继续，或者控制某些线程必须等到某个条件完成后才能执行。 + +**作用**：一个或多个线程等待其他线程完成操作。 + +**原理**：内部维护一个计数器，调用 `countDown()` 会让计数器减 1，减到 0 时所有 `await()` 的线程会被唤醒。 + +**场景**： + +- 主线程等待多个子线程执行完再汇总结果。 +- 模拟并发请求，等待多个任务都准备好再一起执行。 + +![img](https://learn.lianglianglee.com/%e4%b8%93%e6%a0%8f/Java%20%e5%b9%b6%e5%8f%91%e7%bc%96%e7%a8%8b%2078%20%e8%ae%b2-%e5%ae%8c/assets/Cgq2xl5h8oSAKLBQAABld2EcD7Q385.png) + + + + + +## 六、线程池详解（任务调度核心）🏊 + +> 线程池原理，拒绝策略，核心线程数 +> +> 为什么要用线程池，优势是什么？ +> +> 线程池的工作原理，几个重要参数，给了具体几个参数分析线程池会怎么做，阻塞队列的作用是什么？ +> +> 说说几种常见的线程池及使用场景? +> +> 线程池的构造类的方法的 5 个参数的具体意义是什么 +> +> 按线程池内部机制，当提交新任务时，有哪些异常要考虑 +> +> 单机上一个线程池正在处理服务，如果忽然断电怎么办（正在处理和阻塞队列里的请求怎么处理）？ +> +> 生产上如何合理设置参数？ + + + +### 🎯 为什么要用线程池，优势是什么？ + +> **池化技术相比大家已经屡见不鲜了，线程池、数据库连接池、Http 连接池等等都是对这个思想的应用。池化技术的思想主要是为了减少每次获取资源的消耗，提高对资源的利用率。** +> +> 如果每个任务都创建一个线程会带来哪些问题： +> +> 1. 第一点，反复创建线程系统开销比较大，每个线程创建和销毁都需要时间，如果任务比较简单，那么就有可能导致创建和销毁线程消耗的资源比线程执行任务本身消耗的资源还要大。 +> 2. 第二点，过多的线程会占用过多的内存等资源，还会带来过多的上下文切换，同时还会导致系统不稳定。 + +线程池是一种基于池化思想管理线程的工具。 + +线程池做的工作主要是控制运行的线程数量，处理过程中将任务放入队列，然后在线程创建后启动这些任务，如果线程数量超过了最大数量，超出数量的线程排队等候，等其他线程执行完毕，再从队列中取出任务来执行。 + +主要优点： + +1. **降低资源消耗**：线程复用，通过重复利用已创建的线程减低线程创建和销毁造成的消耗 +2. **提高响应速度**：当任务到达时，任务可以不需要等到线程创建就能立即执行 +3. **提高线程的可管理性**：线程是稀缺资源，如果无限制的创建，不仅会消耗系统资源，还会降低系统的稳定性，使用线程池可以进行统一的分配，调优和监控。 +4. **提供更多更强大的功能**：线程池具备可拓展性，允许开发人员向其中增加更多的功能。比如延时定时线程池ScheduledThreadPoolExecutor，就允许任务延期执行或定期执行。 + + + +### 🎯 Java 并发类库提供的线程池有哪几种？ 分别有什么特点？ + +- `FixedThreadPool`：固定线程数，无界队列，适合稳定负载； +- `SingleThreadExecutor`：单线程顺序执行，避免竞争； +- `CachedThreadPool`：动态创建线程，适合短任务；线程数不固定，可动态创建新线程（最大为 Integer.MAX_VALUE）。工作队列是 **SynchronousQueue（无存储能力）** +- `ScheduledThreadPool`：支持定时 / 周期任务；工作队列是 **DelayedWorkQueue**，按任务执行时间排序 +- `WorkStealingPool`（Java 8+）：基于 ForkJoinPool，利用工作窃取算法提升多核性能。内部使用 **双端队列（WorkQueue）**，任务按 LIFO 顺序执行。 + +实际开发中建议自定义 `ThreadPoolExecutor`，避免无界队列导致 OOM，根据任务类型（CPU/IO 密集）设置核心参数 + + + +### 🎯 线程池的几个重要参数？ + +常用的构造线程池方法其实最后都是通过 **ThreadPoolExecutor** 实例来创建的，且该构造器有 7 大参数。 + +```java +public ThreadPoolExecutor(int corePoolSize, + int maximumPoolSize, + long keepAliveTime, + TimeUnit unit, + BlockingQueue workQueue, + ThreadFactory threadFactory, + RejectedExecutionHandler handler) {//...} ``` +- **`corePoolSize`（核心线程数）** + + - 线程池初始创建时的线程数量，即使线程空闲也不会被销毁（除非设置 `allowCoreThreadTimeOut` 为 `true`） + - 创建线程池后，当有请求任务进来之后，就会安排池中的线程去执行请求任务，近似理解为近日当值线程 + - 当线程池中的线程数目达到 corePoolSize 后，就会把到达的任务放到缓存队列中 + +- **`maximumPoolSize`（最大线程数）**： 线程池允许创建的最大线程数量，必须 ≥ `corePoolSize`。 + +- **`keepAliveTime`（线程存活时间）**： 非核心线程（超过 `corePoolSize` 的线程）在空闲时的存活时间 + +- **`unit`（时间单位）**： `keepAliveTime` 的时间单位（如 `TimeUnit.SECONDS`、`MILLISECONDS`） + +- **`workQueue`（工作队列）**： 存储等待执行的任务，必须是 `BlockingQueue` 实现类 + +- **`threadFactory`（线程工厂）**：用于设置创建线程的工厂，可以给创建的线程设置有意义的名字，可方便排查问题 + +- **`handler`（拒绝策略）**：拒绝策略，表示当队列满了且工作线程大于等于线程池的最大线程数（maximumPoolSize）时如何来拒绝请求执行的线程的策略，主要有四种类型。 + + 等待队列也已经满了，再也塞不下新任务。同时，线程池中的 max 线程也达到了，无法继续为新任务服务，这时候我们就需要拒绝策略合理的处理这个问题了。 + + - AbortPolicy 直接抛出 RegectedExcutionException 异常阻止系统正常进行，**默认策略** + - DiscardPolicy 直接丢弃任务，不予任何处理也不抛出异常，如果允许任务丢失，这是最好的一种方案 + - DiscardOldestPolicy 抛弃队列中等待最久的任务，然后把当前任务加入队列中尝试再次提交当前任务 + - CallerRunsPolicy 交给线程池调用所在的线程进行处理，“调用者运行”的一种调节机制，该策略既不会抛弃任务，也不会抛出异常，而是将某些任务回退到调用者，从而降低新任务的流量 + + 以上内置拒绝策略均实现了 `RejectExcutionHandler` 接口 + + + +### 🎯 线程池工作原理？ + +![Java线程池实现原理及其在美团业务中的实践- 美团技术团队](https://p0.meituan.net/travelcube/77441586f6b312a54264e3fcf5eebe2663494.png) + +**线程池在内部实际上构建了一个生产者消费者模型，将线程和任务两者解耦，并不直接关联，从而良好的缓冲任务，复用线程**。线程池的运行主要分成两部分：**任务管理、线程管理**。 + +任务管理部分充当生产者的角色，当任务提交后（通过 `execute()` 或 `submit()` 方法提交任务），线程池会判断该任务后续的流转： + +- 直接申请线程执行该任务； +- 缓冲到队列中等待线程执行； +- 拒绝该任务。 + +线程管理部分是消费者角色，它们被统一维护在线程池内，根据任务请求进行线程的分配，当线程执行完任务后则会继续获取新的任务去执行，最终当线程获取不到任务的时候，线程就会被回收。 + +流程： + +1. 在创建线程池后，等待提交过来的任务请求 + +2. 当调用 execute() 方法添加一个请求任务时，线程池会做如下判断： + + - **判断核心线程数**：如果正在运行的线程数量小于 corePoolSize，那么马上创建线程运行这个任务（即使有空闲线程） + - 示例：核心线程数为 5，前 5 个任务会立即创建 5 个线程执行。 + - **判断工作队列**：如果正在运行的线程数量大于或等于 corePoolSize，任务进入 **工作队列（workQueue）** 等待 + - 若队列为 **无界队列**（如 `LinkedBlockingQueue`），任务会无限排队，`maximumPoolSize` 失效。 + - 若队列为 **有界队列**（如 `ArrayBlockingQueue`），队列满时进入下一步。 + - **判断最大线程数**：如果这个时候队列已满且线程数 < `maximumPoolSize`，**创建非核心线程执行任务** + - 示例：核心线程数 5，最大线程数 10，队列容量 100。当提交第 106 个任务时（前 5 个线程 + 100 个队列任务），创建第 6 个线程。 + - **触发拒绝策略**：如果队列满了且正在运行的线程数量大于或等于 maximumPoolSize，那么线程池**会启动饱和拒绝策略来执行** + - 若队列已满且线程数 ≥ `maximumPoolSize`，调用 `RejectedExecutionHandler` 处理任务。 + - 默认策略 `AbortPolicy` 直接抛异常，其他策略包括回退给调用者（`CallerRunsPolicy`）、丢弃最老任务（`DiscardOldestPolicy`）等。 + + ``` + 提交任务 → 线程数 < corePoolSize？→ 是：创建核心线程执行 + ↓ 否 + 队列未满？→ 是：入队等待 + ↓ 否 + 线程数 < maxPoolSize？→ 是：创建非核心线程执行 + ↓ 否 + 触发拒绝策略 + ``` + +3. 当一个线程完成任务时，它会从队列中取下一个任务来执行 + +4. 当一个线程无事可做超过一定的时间（keepAliveTime）时，线程池会判断： + + - 如果当前运行的线程数大于 corePoolSize，那么这个线程就被停掉 + - 所以线程池的所有任务完成后它**最终会收缩到 corePoolSize 的大小** + +>在线程池中，同一个线程可以从 BlockingQueue 中不断提取新任务来执行，其核心原理在于线程池对 Thread 进行了封装，并不是每次执行任务都会调用 Thread.start() 来创建新线程，而是让每个线程去执行一个“循环任务”，在这个“循环任务”中，不停地检查是否还有任务等待被执行，如果有则直接去执行这个任务，也就是调用任务的 run 方法，把 run 方法当作和普通方法一样的地位去调用，相当于把每个任务的 run() 方法串联了起来，所以线程数量并不增加。 + +## 🎯 线程生命周期管理 + +线程池中的线程通过 `Worker` 类封装，其生命周期如下： + +1. **Worker 初始化** + - `Worker` 继承 `AbstractQueuedSynchronizer`（AQS），实现锁机制，避免任务执行期间被中断。 + - 每个 `Worker` 持有一个 `Thread`，启动时执行 `runWorker()` 方法。 +2. **任务循环执行** + - `runWorker()`方法通过 `getTask()`从队列获取任务： + - 若为核心线程，`getTask()` 会阻塞等待（除非 `allowCoreThreadTimeOut=true`）。 + - 若非核心线程，`getTask()` 超时（`keepAliveTime`）后返回 `null`，线程终止。 +3. **线程回收** + - 当 `getTask()` 返回 `null` 时，`runWorker()` 退出循环，`Worker` 被移除，线程销毁。 + - 最终线程池收缩到 `corePoolSize` 大小（除非设置核心线程超时）。 + +#### **源码级机制解析** + +1. **线程池状态与线程数的原子管理** + + - 线程池使用一个 `AtomicInteger`变量 `ctl` 同时存储线程池状态和当前线程数： + + ```java + // ctl 的高 3 位表示状态，低 29 位表示线程数 + private final AtomicInteger ctl = new AtomicInteger(ctlOf(RUNNING, 0)); + ``` + + - 状态包括：`RUNNING`（接收新任务）、`SHUTDOWN`（不接收新任务但处理队列任务）、`STOP`（不接收新任务且不处理队列任务）等。 + +2. **任务窃取与阻塞唤醒** + + - 线程池使用 `ReentrantLock` 保护内部状态，通过 `Condition` 实现线程间通信。 + - 当队列为空时，线程通过 `notEmpty.await()` 阻塞；当有新任务入队时，通过 `notEmpty.signal()` 唤醒等待线程。 + +3. **动态调整线程数** + + - 线程池提供 `setCorePoolSize()` 和 `setMaximumPoolSize()` 方法动态调整参数，适应负载变化。 + + + +### 🎯 Java线程池，5核心、10最大、20队列，第6个任务来了是什么状态？第26个任务来了是什么状态？队列满了以后执行队列的任务是从队列头 or 队尾取？核心线程和非核心线程执行结束后，谁先执行队列里的任务？ + +**问题1：第6个任务的状态** + +当第6个任务到来时，假设前5个任务已经填满了核心线程，线程池的行为如下： + +1. 前5个任务由核心线程处理，核心线程数为 5。 +2. 第6个任务将被放入任务队列中，因为此时队列还没有满。 + +因此，第6个任务将处于等待状态，在任务队列中等待被执行。 + +**问题2：第26个任务的状态** + +当第26个任务到来时，假设前面的任务已经按照规则被处理过，线程池的行为如下： + +1. 核心线程处理了前5个任务。 +2. 任务队列大小为 20，因此第6到第25个任务会被放入队列中。 +3. 当第26个任务到来时，核心线程数为 5，任务队列已经满（20 个任务），此时当前线程数小于最大线程数（10），线程池将创建新的线程来处理任务。 + +因此，第26个任务将由新创建的线程（非核心线程）来处理。 + +- **第 31 个任务**（扩展分析）： + - 此时已创建 5 个核心线程 + 5 个非核心线程（达最大线程数 10） + - 队列已填满 20 个任务 + - 第 31 个任务会触发拒绝策略（默认抛出 RejectedExecutionException） + +**问题3：队列任务的取出顺序** + +Java 中的 `ThreadPoolExecutor` 默认使用 `LinkedBlockingQueue` 作为任务队列，这个队列是一个先进先出（FIFO）的队列。因此，当任务队列中的任务被取出执行时，是从队列头部取出。 + +**问题4：核心线程和非核心线程执行结束后，谁先执行队列里的任务？** + +核心线程与非核心线程在执行完当前任务后，获取队列任务的机制是相同的： + +- 两者都会从队列**头部**获取下一个任务执行 +- 线程池不区分核心线程和非核心线程的任务优先级 +- 非核心线程在空闲时间超过 keepAliveTime 后会被销毁，而核心线程默认会一直存活（可通过 allowCoreThreadTimeOut 参数修改） + +换句话说，线程池会尽量保持核心线程忙碌，并优先使用核心线程来处理任务。当核心线程忙碌时，非核心线程才会处理队列中的任务。 + +> 1. **第 6 个任务**：核心线程已满，任务进入队列（队列大小 = 1），线程数保持 5。 +> 2. **第 26 个任务**：队列已满（20/20），创建第 6 个线程（非核心）执行，线程数 = 6。 +> 3. **队列取出顺序**：默认 FIFO（从队列头部取），除非使用优先级队列。 +> 4. **线程优先级**：核心 / 非核心线程无优先级差异，先空闲的线程先获取任务，但非核心线程可能因超时被回收。 + + + +### 🎯 执行execute()方法和submit()方法的区别是什么呢？ + +1. **execute()方法用于提交不需要返回值的任务，所以无法判断任务是否被线程池执行成功与否；** +2. **submit()方法用于提交需要返回值的任务。线程池会返回一个 Future 类型的对象，通过这个 Future 对象可以判断任务是否执行成功**，并且可以通过 `Future` 的 `get()`方法来获取返回值，`get()`方法会阻塞当前线程直到任务完成，而使用 `get（long timeout，TimeUnit unit）`方法则会阻塞当前线程一段时间后立即返回，这时候有可能任务没有执行完。 + +我们以**`AbstractExecutorService`**接口中的一个 `submit` 方法为例子来看看源代码： + +```java +public Future submit(Runnable task) { + if (task == null) throw new NullPointerException(); + RunnableFuture ftask = newTaskFor(task, null); + execute(ftask); + return ftask; +} +``` + +上面方法调用的 `newTaskFor` 方法返回了一个 `FutureTask` 对象。 + +```java +protected RunnableFuture newTaskFor(Runnable runnable, T value) { + return new FutureTask(runnable, value); +} +``` + +我们再来看看`execute()`方法： + +```java +public void execute(Runnable command) { + ... +} +``` + + + +### 🎯 线程池常用的阻塞队列有哪些？ + +| **阻塞队列类型** | **存储结构** | **有界 / 无界** | **特点** | **适用场景** | +| ------------------------- | ------------------ | ----------------------------------------- | ------------------------------------------------------------ | ------------------------------------ | +| **ArrayBlockingQueue** | 数组 | 有界 | - 初始化时指定容量，满后插入操作阻塞 - 按 FIFO 顺序处理元素 - 支持公平 / 非公平锁（默认非公平） | 任务量可预估、需要控制内存占用的场景 | +| **LinkedBlockingQueue** | 链表 | 可选有界 / 无界（默认 Integer.MAX_VALUE） | - 无界时理论上可存储无限任务 - 按 FIFO 顺序处理元素 - 吞吐量高于 ArrayBlockingQueue | 任务量不确定、希望自动缓冲的场景 | +| **SynchronousQueue** | 不存储元素 | 无界（逻辑上） | - 不存储任何元素，插入操作必须等待消费者接收 - 适合任务与线程直接移交，无缓冲需求 | 要求任务立即执行、避免队列积压的场景 | +| **PriorityBlockingQueue** | 堆结构 | 无界 | - 按元素优先级排序（实现 `Comparable` 或自定义 `Comparator`） - 支持获取优先级最高的任务 | 任务有优先级差异的场景（如紧急任务） | +| **DelayQueue** | 优先队列（基于堆） | 无界 | - 元素需实现 `Delayed` 接口，按延迟时间排序 - 仅到期任务可被取出执行 | 定时任务、延迟执行场景（如超时处理） | + +- 对于 FixedThreadPool 和 SingleThreadExector 而言，它们使用的阻塞队列是容量为 Integer.MAX_VALUE 的 LinkedBlockingQueue，可以认为是无界队列 +- SynchronousQueue，对应的线程池是 CachedThreadPool。线程池 CachedThreadPool 的最大线程数是 Integer 的最大值，可以理解为线程数是可以无限扩展的 +- DelayedWorkQueue，它对应的线程池分别是 ScheduledThreadPool 和 SingleThreadScheduledExecutor，这两种线程池的最大特点就是可以延迟执行任务。DelayedWorkQueue 的特点是内部元素并不是按照放入的时间排序，而是会按照延迟的时间长短对任务进行排序，内部采用的是“堆”的数据结构 -### 如何创建线程池 -《阿里巴巴Java开发手册》中强制线程池不允许使用 Executors 去创建，而是通过 ThreadPoolExecutor 的方式，这样的处理方式让写的同学更加明确线程池的运行规则，规避资源耗尽的风险 +### 🎯 如何创建线程池？ +> 为什么不应该自动创建线程池？ + +创建线程池应直接使用 `ThreadPoolExecutor` 构造函数，避免 `Executors` 工厂方法的风险： + +1. **拒绝无界队列**：`FixedThreadPool` 默认使用无界队列，可能导致 OOM。 +2. **控制线程数**：`CachedThreadPool` 允许创建无限线程，可能耗尽资源。 +3. **自定义参数**：根据任务特性（CPU/IO 密集）设置核心线程数、队列类型（如有界队列）和拒绝策略（如 `CallerRunsPolicy`）。 +4. **监控与命名**：使用 `ThreadFactory` 命名线程，便于问题排查 + +> 《阿里巴巴Java开发手册》中强制线程池不允许使用 Executors 去创建，而是通过 ThreadPoolExecutor 的方式，这样的处理方式让写的同学更加明确线程池的运行规则，规避资源耗尽的风险 +> > Executors 返回线程池对象的弊端如下： > > - **FixedThreadPool 和 SingleThreadExecutor** ： 允许请求的队列长度为 Integer.MAX_VALUE ，可能堆积大量的请求，从而导致OOM。 @@ -1125,7 +2135,140 @@ public interface Callable { -### 当提交新任务时，异常如何处理? +### 🎯 合理配置线程池你是如何考虑的？（创建多少个线程合适） + +合理配置线程池的核心是确定线程数量，这需要结合任务类型、系统资源、硬件特性等多维度综合考量。 + +**一、线程池核心参数与线程数量的关系** + +线程池的关键参数中，**`corePoolSize`（核心线程数）** 是线程数量配置的核心，它决定了线程池的基础处理能力。而`maximumPoolSize`（最大线程数）则作为流量高峰时的补充，两者需配合队列大小共同调整。 + +**二、任务类型分类与线程数计算** + +根据任务的 IO 密集型、CPU 密集型特性，可采用不同的计算模型： + +1. **CPU 密集型任务（计算密集型）** + + - **特点**：任务主要消耗 CPU 资源（如加密、压缩、数学计算），几乎没有 IO 等待。 + + - 公式：`corePoolSize = CPU核心数 + 1` + + - 解释：CPU 核心数可通过`Runtime.getRuntime().availableProcessors()`获取，+1 是为了应对线程偶发的上下文切换开销，避免 CPU 空闲。 + + > 为什么 +1 呢？ + > + > 《Java并发编程实战》一书中给出的原因是：**即使当计算（CPU）密集型的线程偶尔由于页缺失故障或者其他原因而暂停时，这个“额外”的线程也能确保 CPU 的时钟周期不会被浪费。** + > + > 比如加密、解密、压缩、计算等一系列需要大量耗费 CPU 资源的任务，因为计算任务非常重，会占用大量的 CPU 资源，所以这时 CPU 的每个核心工作基本都是满负荷的，而我们又设置了过多的线程，每个线程都想去利用 CPU 资源来执行自己的任务，这就会造成不必要的上下文切换，此时线程数的增多并没有让性能提升，反而由于线程数量过多会导致性能下降。 + + - **示例**：4 核 CPU 的服务器，核心线程数设为 5。 + +2. **IO 密集型任务（读写 / 网络请求等）** + + IO 密集型则是系统运行时，大部分时间都在进行 I/O 操作，CPU 占用率不高。比如像 MySQL 数据库、文件的读写、网络通信等任务，这类任务**不会特别消耗 CPU 资源，但是 IO 操作比较耗时，会占用比较多时间**。 + + 在单线程上运行 IO 密集型的任务会导致浪费大量的 CPU 运算能力浪费在等待。 + + 所以在 IO 密集型任务中使用多线程可以大大的加速程序运行，即使在单核 CPU 上，这种加速主要就是利用了被浪费调的阻塞时间。 + + IO 密集型时，大部分线程都阻塞，故需要多配置线程数： + + IO 密集型任务： + + - **特点**：任务频繁等待 IO 操作（如数据库查询、文件读写、网络通信），CPU 利用率低。 + + - 公式：这个公式有很多种观点， + + - `CPU 核心数 × 2（IO 等待时线程可复用）` + - `CPU 核心数 × （1 + 平均IO等待时间/平均CPU处理时间）` + - `CPU 核心数 * (1 + 阻塞系数)` + - 解释：IO 等待时间越长，需要越多线程来 “切换执行” 以充分利用 CPU。 + + > 《Java并发编程实战》的作者 Brain Goetz 推荐的计算方法： + > + > ```undefined + > 线程数 = CPU 核心数 *（1+平均等待时间/平均工作时间） + > ``` + > + > 太少的线程数会使得程序整体性能降低，而过多的线程也会消耗内存等其他资源，所以如果想要更准确的话，可以进行压测，监控 JVM 的线程情况以及 CPU 的负载情况，根据实际情况衡量应该创建的线程数，合理并充分利用资源。 + + +3. **混合型任务（兼具 CPU 和 IO 操作）** + + - **方案 1**：拆分为独立线程池，分别处理 CPU 和 IO 任务（推荐）。 + + - **方案 2**：若无法拆分，按 IO 密集型任务计算，并通过监控调整。 + +**三、其他影响因素与实践策略** + +1. **系统资源限制** + + - **内存约束**：线程数过多会导致内存溢出（每个线程默认栈大小约 1MB）。 + + - **IO 资源**：如数据库连接数限制，线程数不应超过数据库最大连接数。 + +2. **任务队列大小** + + - 线程数需与队列容量配合： + - 若`corePoolSize`较小，队列可设为中等大小（如 100），应对流量波动； + - 若`corePoolSize`较大，队列可设为较小值（如 20），避免任务堆积。 + +3. **动态调整策略** + + - **自适应线程池**：通过监控 CPU 利用率、任务队列长度动态调整线程数（如使用`ScheduledExecutorService`定期检测）。 + + - **示例代码**： + + ```java + // 动态线程池实现示例（Spring Boot） + @Bean + public ThreadPoolTaskExecutor dynamicExecutor() { + ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor(); + executor.setCorePoolSize(8); + executor.setMaxPoolSize(32); + executor.setQueueCapacity(1000); + + // 开启监控自动调整 + executor.setAllowCoreThreadTimeOut(true); + executor.setKeepAliveSeconds(30); + + // 添加监控指标 + executor.setThreadPoolExecutor(new ThreadPoolExecutor( + ... // 参数同上 + ) { + protected void afterExecute(Runnable r, Throwable t) { + monitorAndAdjust(); // 监控回调 + } + }); + return executor; + } + + private void monitorAndAdjust() { + // 基于队列堆积情况调整 + if (queueSize > 800) { // 队列堆积警告阈值 + executor.setMaxPoolSize(Math.min(64, executor.getMaxPoolSize() + 4)); + } + else if (queueSize < 200 && executor.getMaxPoolSize() > 32) { + executor.setMaxPoolSize(executor.getMaxPoolSize() - 2); + } + } + ``` + +4. **压测与监控** + + - 压测验证：通过 JMeter 等工具模拟不同并发量，观察线程池的： + - 任务处理耗时（响应时间）； + - CPU、内存利用率； + - 队列堆积情况（是否触发拒绝策略）。 + +- 关键监控指标： + - `taskCount`（总任务数）、`completedTaskCount`（完成任务数）； + - 线程活跃数、队列剩余容量； + - 拒绝任务数（是否触发`RejectedExecutionHandler`）。 + + + +### 🎯 当提交新任务时，异常如何处理? 1. 在任务代码try/catch捕获异常 @@ -1173,299 +2316,228 @@ public interface Callable { ``` +------ -## 六、AQS篇 - -### 6.1. AQS 介绍 - -AQS的全称为（AbstractQueuedSynchronizer），这个类在java.util.concurrent.locks包下面。 - -AQS是一个用来构建锁和同步器的框架，使用AQS能简单且高效地构造出应用广泛的大量的同步器，比如我们提到的ReentrantLock，Semaphore，其他的诸如ReentrantReadWriteLock，SynchronousQueue，FutureTask 等等皆是基于 AQS 的。当然，我们自己也能利用 AQS 非常轻松容易地构造出符合我们自己需求的同步器。 - -### 6.2. AQS 原理分析 - -AQS 原理这部分参考了部分博客，在5.2节末尾放了链接。 - -> 在面试中被问到并发知识的时候，大多都会被问到“请你说一下自己对于AQS原理的理解”。下面给大家一个示例供大家参加，面试不是背题，大家一定要加入自己的思想，即使加入不了自己的思想也要保证自己能够通俗的讲出来而不是背出来。 - -下面大部分内容其实在AQS类注释上已经给出了，不过是英语看着比较吃力一点，感兴趣的话可以看看源码。 - -#### 6.2.1. AQS 原理概览 - -**AQS核心思想是，如果被请求的共享资源空闲，则将当前请求资源的线程设置为有效的工作线程，并且将共享资源设置为锁定状态。如果被请求的共享资源被占用，那么就需要一套线程阻塞等待以及被唤醒时锁分配的机制，这个机制AQS是用CLH队列锁实现的，即将暂时获取不到锁的线程加入到队列中。** - -> CLH(Craig,Landin,and Hagersten)队列是一个虚拟的双向队列（虚拟的双向队列即不存在队列实例，仅存在结点之间的关联关系）。AQS 是将每条请求共享资源的线程封装成一个 CLH 锁队列的一个结点（Node）来实现锁的分配。 - -看个 AQS(AbstractQueuedSynchronizer)原理图： - -![image.png](https://blog-1300588375.cos.ap-chengdu.myqcloud.com/image_1624029202628.png) - -AQS 使用一个 int 成员变量来表示同步状态，通过内置的 FIFO 队列来完成获取资源线程的排队工作。AQS 使用 CAS 对该同步状态进行原子操作实现对其值的修改。 - -```java -private volatile int state;//共享变量，使用volatile修饰保证线程可见性 -``` - -状态信息通过 protected 类型的 getState，setState，compareAndSetState 进行操作 - -```java -//返回同步状态的当前值 -protected final int getState() { - return state; -} - // 设置同步状态的值 -protected final void setState(int newState) { - state = newState; -} -//原子地（CAS操作）将同步状态值设置为给定值update如果当前同步状态的值等于expect（期望值） -protected final boolean compareAndSetState(int expect, int update) { - return unsafe.compareAndSwapInt(this, stateOffset, expect, update); -} -``` - -#### 6.2.2. AQS 对资源的共享方式 - -**AQS定义两种资源共享方式** - -- Exclusive - - （独占）：只有一个线程能执行，如 ReentrantLock。又可分为公平锁和非公平锁： - - - 公平锁：按照线程在队列中的排队顺序，先到者先拿到锁 - - 非公平锁：当线程要获取锁时，无视队列顺序直接去抢锁，谁抢到就是谁的 - -- **Share**（共享）：多个线程可同时执行，如 Semaphore/CountDownLatch。Semaphore、CountDownLatch、 CyclicBarrier、ReadWriteLock。 - -ReentrantReadWriteLock 可以看成是组合式，因为ReentrantReadWriteLock 也就是读写锁允许多个线程同时对某一资源进行读。 -不同的自定义同步器争用共享资源的方式也不同。自定义同步器在实现时只需要实现共享资源 state 的获取与释放方式即可，至于具体线程等待队列的维护（如获取资源失败入队/唤醒出队等），AQS已经在顶层实现好了。 +## 七、Java内存模型（JMM）🧠 -#### 6.2.3. AQS底层使用了模板方法模式 +> 指令重排 +> +> 内存屏障 +> +> 单核CPU有可见性问题吗 -同步器的设计是基于模板方法模式的，如果需要自定义同步器一般的方式是这样（模板方法模式很经典的一个应用）： +### 🎯 为什么需要 JMM（Java Memory Model，Java 内存模型）？ -1. 使用者继承AbstractQueuedSynchronizer并重写指定的方法。（这些重写方法很简单，无非是对于共享资源state的获取和释放） -2. 将AQS组合在自定义同步组件的实现中，并调用其模板方法，而这些模板方法会调用使用者重写的方法。 +> "JMM解决了跨平台的内存访问一致性问题： +> +> **解决的问题**： +> +> - 不同处理器内存模型差异 +> - 编译器优化导致的指令重排 +> - 多线程下的可见性、原子性、有序性 +> +> **组成**： +> +> - **主内存**：所有线程共享 +> - **工作内存**：每个线程私有" -这和我们以往通过实现接口的方式有很大区别，这是模板方法模式很经典的一个运用。 +为了理解 Java 内存模型的作用，我们首先就来回顾一下从 Java 代码到最终执行的 CPU 指令的大致流程： -**AQS使用了模板方法模式，自定义同步器时需要重写下面几个AQS提供的模板方法：** +- 最开始，我们编写的 Java 代码，是 *.java 文件； +- 在编译（包含词法分析、语义分析等步骤）后，在刚才的 *.java 文件之外，会多出一个新的 Java 字节码文件（*.class）； +- JVM 会分析刚才生成的字节码文件（*.class），并根据平台等因素，把字节码文件转化为具体平台上的**机器指令；** +- 机器指令则可以直接在 CPU 上运行，也就是最终的程序执行。 -``` -isHeldExclusively()//该线程是否正在独占资源。只有用到condition才需要去实现它。 -tryAcquire(int)//独占方式。尝试获取资源，成功则返回true，失败则返回false。 -tryRelease(int)//独占方式。尝试释放资源，成功则返回true，失败则返回false。 -tryAcquireShared(int)//共享方式。尝试获取资源。负数表示失败；0表示成功，但没有剩余可用资源；正数表示成功，且有剩余资源。 -tryReleaseShared(int)//共享方式。尝试释放资源，成功则返回true，失败则返回false。 -``` +所以程序最终执行的效果会依赖于具体的处理器，而不同的处理器的规则又不一样，不同的处理器之间可能差异很大，因此同样的一段代码，可能在处理器 A 上运行正常，而在处理器 B 上运行的结果却不一致。同理，在没有 JMM 之前，不同的 JVM 的实现，也会带来不一样的“翻译”结果。 -默认情况下，每个方法都抛出 `UnsupportedOperationException`。 这些方法的实现必须是内部线程安全的，并且通常应该简短而不是阻塞。AQS类中的其他方法都是final ，所以无法被其他类使用，只有这几个方法可以被其他类使用。 +所以 Java 非常需要一个标准，来让 Java 开发者、编译器工程师和 JVM 工程师能够达成一致。达成一致后，我们就可以很清楚的知道什么样的代码最终可以达到什么样的运行效果，让多线程运行结果可以预期，这个标准就是 JMM**，**这就是需要 JMM 的原因。 -以ReentrantLock为例，state初始化为0，表示未锁定状态。A线程lock()时，会调用tryAcquire()独占该锁并将state+1。此后，其他线程再tryAcquire()时就会失败，直到A线程unlock()到state=0（即释放锁）为止，其它线程才有机会获取该锁。当然，释放锁之前，A线程自己是可以重复获取此锁的（state会累加），这就是可重入的概念。但要注意，获取多少次就要释放多么次，这样才能保证state是能回到零态的。 +**Java 内存模型（Java Memory Model, JMM）** 是 Java 虚拟机规范中定义的一组规则，规定了 **多线程环境下如何访问共享变量**，以及 **线程之间如何通过内存进行通信**。 -再以CountDownLatch以例，任务分为N个子线程去执行，state也初始化为N（注意N要与线程个数一致）。这N个子线程是并行执行的，每个子线程执行完后countDown()一次，state会CAS(Compare and Swap)减1。等到所有子线程都执行完后(即state=0)，会unpark()主调用线程，然后主调用线程就会从await()函数返回，继续后余动作。 +换句话说：JMM 决定了一个线程写入的变量值，**何时、对哪些线程可见**。 -一般来说，自定义同步器要么是独占方法，要么是共享方式，他们也只需实现`tryAcquire-tryRelease`、`tryAcquireShared-tryReleaseShared`中的一种即可。但AQS也支持自定义同步器同时实现独占和共享两种方式，如`ReentrantReadWriteLock`。 -推荐两篇 AQS 原理和相关源码分析的文章： -- http://www.cnblogs.com/waterystone/p/4920797.html -- https://www.cnblogs.com/chengxiao/archive/2017/07/24/7141160.html +### 🎯 JMM三大特性 -### 6.3. AQS 组件总结 +| **特性** | **含义** | **实现方式** | +| ---------- | ------------------ | ---------------------- | +| **原子性** | 操作不可分割 | synchronized、Lock | +| **可见性** | 修改对其他线程可见 | volatile、synchronized | +| **有序性** | 禁止指令重排序 | volatile、synchronized | -- **Semaphore(信号量)-允许多个线程同时访问：** synchronized 和 ReentrantLock 都是一次只允许一个线程访问某个资源，Semaphore(信号量)可以指定多个线程同时访问某个资源。 -- **CountDownLatch （倒计时器）：** CountDownLatch是一个同步工具类，用来协调多个线程之间的同步。这个工具通常用来控制线程等待，它可以让某一个线程等待直到倒计时结束，再开始执行。 -- **CyclicBarrier(循环栅栏)：** CyclicBarrier 和 CountDownLatch 非常类似，它也可以实现线程间的技术等待，但是它的功能比 CountDownLatch 更加复杂和强大。主要应用场景和 CountDownLatch 类似。CyclicBarrier 的字面意思是可循环使用（Cyclic）的屏障（Barrier）。它要做的事情是，让一组线程到达一个屏障（也可以叫同步点）时被阻塞，直到最后一个线程到达屏障时，屏障才会开门，所有被屏障拦截的线程才会继续干活。CyclicBarrier默认的构造方法是 CyclicBarrier(int parties)，其参数表示屏障拦截的线程数量，每个线程调用await()方法告诉 CyclicBarrier 我已经到达了屏障，然后当前线程被阻塞。 +### 🎯 谈谈 Java 内存模型？ -### AQS是如何唤醒下一个线程的？ +Java 虚拟机规范中试图定义一种「 **Java 内存模型**」来**屏蔽掉各种硬件和操作系统的内存访问差异**，以实现**让 Java 程序在各种平台下都能达到一致的内存访问效果** -当需要阻塞或者唤醒一个线程的时候，AQS都是使用 LockSupport 这个工具类来完成的。 +**JMM组成**： +- 主内存：Java 内存模型规定了所有变量都存储在主内存中（此处的主内存与物理硬件的主内存 RAM 名字一样，两者可以互相类比，但此处仅是虚拟机内存的一部分）。 +- 工作内存：每条线程都有自己的工作内存，线程的工作内存中保存了该线程使用到的主内存中的共享变量的副本拷贝。**线程对变量的所有操作都必须在工作内存进行，而不能直接读写主内存中的变量**。**工作内存是 JMM 的一个抽象概念，并不真实存在**。 -### AQS 中独占锁和共享锁的操作流程大体描述一下 +> 线程之间不能直接访问对方的工作内存，只能通过 **主内存** 传递。 -##### **独占锁与共享锁的区别** +**特性**： -- **独占锁是持有锁的线程释放锁之后才会去唤醒下一个线程。** -- **共享锁是线程获取到锁后，就会去唤醒下一个线程，所以共享锁在获取锁和释放锁的时候都会调用doReleaseShared方法唤醒下一个线程，当然这会受共享线程数量的限制**。 +JMM 就是用来解决如上问题的。 **JMM是围绕着并发过程中如何处理可见性、原子性和有序性这 3 个 特征建立起来的** +- **可见性**：可见性是指当一个线程修改了共享变量的值，其他线程能够立即得知这个修改。 + - Java 中的 volatile、synchronzied、final 都可以实现可见性 -### ReetrantLock有用过吗，怎么实现重入的 +- **原子性**：操作是否可以“一次完成，不可分割”。 -ReentrantLock的可重入性是AQS很好的应用之一。在ReentrantLock里面，不管是公平锁还是非公平锁，都有一段逻辑。 + - `synchronized`、`Lock` 保证复合操作原子性；`AtomicInteger` 通过 CAS 保证。 -公平锁： +- **有序性**： -```java -// java.util.concurrent.locks.ReentrantLock.FairSync#tryAcquire + 计算机在执行程序时，为了提高性能，编译器和处理器常常会对指令做重排，一般分为以下 3 种 -if (c == 0) { - if (!hasQueuedPredecessors() && compareAndSetState(0, acquires)) { - setExclusiveOwnerThread(current); - return true; - } -} -else if (current == getExclusiveOwnerThread()) { - int nextc = c + acquires; - if (nextc < 0) - throw new Error("Maximum lock count exceeded"); - setState(nextc); - return true; -} -``` + ``` + 源代码 -> 编译器优化的重排 -> 指令并行的重排 -> 内存系统的重排 -> 最终执行指令 + ``` -非公平锁： + 单线程环境里确保程序最终执行结果和代码顺序执行的结果一致； -```java -// java.util.concurrent.locks.ReentrantLock.Sync#nonfairTryAcquire + 处理器在进行重排序时必须要考虑指令之间的**数据依赖性**； -if (c == 0) { - if (compareAndSetState(0, acquires)){ - setExclusiveOwnerThread(current); - return true; - } -} -else if (current == getExclusiveOwnerThread()) { - int nextc = c + acquires; - if (nextc < 0) // overflow - throw new Error("Maximum lock count exceeded"); - setState(nextc); - return true; -} -``` + 多线程环境中线程交替执行，由于编译器优化重排的存在，两个线程中使用的变量能否保证一致性是无法确定的，结果无法预测 -从上面这两段都可以看到，有一个同步状态State来控制整体可重入的情况。State是Volatile修饰的，用于保证一定的可见性和有序性。 + - `volatile` 禁止指令重排，`synchronized/Lock` 也能保证。 -```java -// java.util.concurrent.locks.AbstractQueuedSynchronizer +> JMM 是不区分 JVM 到底是运行在单核处理器、多核处理器的，Java 内存模型是对 CPU 内存模型的抽象，这是一个 High-Level 的概念，与具体的 CPU 平台没啥关系 -private volatile int state; -``` -接下来看State这个字段主要的过程： -1. State初始化的时候为0，表示没有任何线程持有锁。 -2. 当有线程持有该锁时，值就会在原来的基础上+1，同一个线程多次获得锁是，就会多次+1，这里就是可重入的概念。 -3. 解锁也是对这个字段-1，一直到0，此线程对锁释放。 +### 🎯 Java 内存模型（JMM）的底层规则？ -还会通过 `getExclusiveOwnerThread()`、`setExclusiveOwnerThread(current)`进行当前线程的设置 +**1.工作内存与主内存的隔离** +- **主内存**：所有线程共享的公共内存，存储对象实例和类静态变量。 +- **工作内存**：每个线程私有的内存，存储主内存变量的副本（线程对变量的操作必须在工作内存中进行）。 +- **问题**：线程 A 修改工作内存中的变量后，若未同步到主内存，线程 B 的工作内存可能仍持有旧值，导致可见性问题。 +**2. 变量操作的八大原子指令** -### countDownLatch/CycliBarries/Semaphore使用过吗 +JMM 定义了以下操作（需成对出现），用于规范主内存与工作内存的交互： -#### CycliBarries +| **指令** | **作用** | +| -------- | ------------------------------------------------------------ | +| `lock` | 锁定主内存变量，标识为线程独占（一个变量同一时刻只能被一个线程 `lock`）。 | +| `unlock` | 解锁主内存变量，允许其他线程 `lock`。 | +| `read` | 从主内存读取变量值到工作内存。 | +| `load` | 将 `read` 读取的值存入工作内存的变量副本。 | +| `use` | 将工作内存的变量副本值传递给线程的计算引擎（用于运算）。 | +| `assign` | 将计算引擎的结果赋值给工作内存的变量副本。 | +| `store` | 将工作内存的变量副本值传递到主内存，准备写入。 | +| `write` | 将 `store` 传递的值写入主内存的变量。 | -CycliBarries 的字面意思是可循环（cycli）使用的屏障（Barries）。它主要做的事情是，让一组线程达到一个屏障（也可以叫同步点）时被阻塞，知道最后一个线程到达屏障时，屏障才会开门，所有被屏障拦截的线程才会继续干活，线程进入屏障通过 CycliBarries 的 await() 方法。 -```java -public class CyclieBarrierDemo { - public static void main(String[] args) { - // public CyclicBarrier(int parties, Runnable barrierAction) { - CyclicBarrier cyclicBarrier = new CyclicBarrier(7,()->{ - System.out.println("召唤神龙"); - }); +### 🎯 Java 内存模型中的 happen-before 是什么？ - for (int i = 1; i < 8; i++) { - final int temp = i; - new Thread(()->{ - System.out.println(Thread.currentThread().getName()+"收集到第"+temp+"颗龙珠"); +> happen-before定义操作间的偏序关系： +> +> **核心规则**： +> +> - 程序次序规则：线程内按顺序执行 +> - 锁定规则：unlock happen-before lock +> - volatile规则：写 happen-before 读 +> - 传递性：A→B，B→C，则A→C" - try { - cyclicBarrier.await(); - } catch (InterruptedException e) { - e.printStackTrace(); - } catch (BrokenBarrierException e) { - e.printStackTrace(); - } - },String.valueOf(i)).start(); - } +happens-before 先行发生，是 Java 内存模型中定义的两项操作之间的偏序关系，**如果操作 A 先行发生于操作 B，那么 A 的结果对 B 可见**。 - } +内存屏障是被插入两个 CPU 指令之间的一种指令，用来禁止处理器指令发生重排序（像屏障一样），从而保障**有序性**的。 -} -``` +Happen-before 关系，是 Java 内存模型中保证多线程操作可见性的机制，也是对早期语言规范中含糊的可见性概念的一个精确定义。 +它的具体表现形式，包括但远不止是我们直觉中的 synchronized、volatile、lock 操作顺序等方面，例如： +- 线程内执行的每个操作，都保证 happen-before 后面的操作，这就保证了基本的程序顺序规则，这是开发者在书写程序时的基本约定。 +- 对于 volatile 变量，对它的写操作，保证 happen-before 在随后对该变量的读取操作。 +- 对于一个锁的解锁操作，保证 happen-before 加锁操作。 +- 对象构建完成，保证 happen-before 于 finalizer 的开始动作。 +- 甚至是类似线程内部操作的完成，保证 happen-before 其他 Thread.join() 的线程等。 -#### Semaphore +这些 happen-before 关系是存在着传递性的，如果满足 a happen-before b 和 b happen-before c，那么 a happen-before c 也成立。 -信号量主要用于两个目的，一个是用于多个共享资源的互斥使用，另一个用于并发线程数的控制。 +前面我一直用 happen-before，而不是简单说前后，是因为它不仅仅是对执行时间的保证，也包括对内存读、写操作顺序的保证。仅仅是时钟顺序上的先后，并不能保证线程交互的可见性。 -```java -/** - * @description: 模拟抢车位 - * @author: starfish - * @data: 2020-04-04 10:29 - **/ -public class SemaphoreDemo { +------ - public static void main(String[] args) { - //模拟 3 个车位 - Semaphore semaphore = new Semaphore(3); - //7 辆车去争抢 - for (int i = 0; i < 7; i++) { - new Thread(()->{ - try { - semaphore.acquire(); //抢到车位 - System.out.println(Thread.currentThread().getName()+"\t抢到车位"); - TimeUnit.SECONDS.sleep(3); - System.out.println(Thread.currentThread().getName()+"\t 停车 3 秒后离开"); - } catch (InterruptedException e) { - e.printStackTrace(); - }finally { - semaphore.release(); - } - System.out.println(Thread.currentThread().getName()+"\t抢到车位"); - },String.valueOf(i)).start(); - } - } -} -``` +## 八、并发容器（线程安全集合）📦 +### 🎯 Java 并发包提供了哪些并发工具类？ +我们通常所说的并发包也就是 `java.util.concurrent` 及其子包，集中了 Java 并发的各种基础工具类，具体主要包括几个方面： +- 提供了比 synchronized 更加高级的各种同步结构，包括 CountDownLatch、CyclicBarrier、Semaphore 等，可以实现更加丰富的多线程操作，比如利用 Semaphore 作为资源控制器，限制同时进行工作的线程数量。 +- 各种线程安全的容器，比如最常见的 ConcurrentHashMap、有序的 ConcunrrentSkipListMap，或者通过类似快照机制，实现线程安全的动态数组 CopyOnWriteArrayList 等。 +- 各种并发队列实现，如各种 BlockedQueue 实现，比较典型的 ArrayBlockingQueue、 SynchorousQueue 或针对特定场景的 PriorityBlockingQueue 等。 +- 强大的 Executor 框架，可以创建各种不同类型的线程池，调度任务运行等，绝大部分情况下，不再需要自己从头实现线程池和任务调度器。 -## 七、并发容器篇 -> Queue -> -> ConcurrentHashMap +### 🎯 ConcurrentHashMap？ + +**1. 为什么需要它？** + +- `HashMap` 在多线程下不安全，可能导致死循环、数据丢失。 +- `Hashtable` 虽然线程安全，但用 **synchronized 修饰整张表**，并发性能差。 +- `ConcurrentHashMap` 是 **线程安全、高性能** 的 HashMap 实现。 + +**2. JDK1.7 实现** -### 什么是 ConcurrentHashMap？ +- 采用 **分段锁（Segment）** 思想。 +- 整个 Map 分为若干个 Segment，每个 Segment 内部是一个小的 HashMap，操作时只锁住对应 Segment。 +- **优点**：并发度高（默认 16），多个线程可同时访问不同 Segment。 +- **缺点**：内存浪费，结构复杂。 -ConcurrentHashMap 是 Java 中的一个**线程安全且高效的HashMap实现**。平时涉及高并发如果要用map结构，那第一时间想到的就是它。相对于hashmap来说，ConcurrentHashMap就是线程安全的map，其中利用了锁分段的思想提高了并发度。 +**3. JDK1.8 实现（核心）** -那么它到底是如何实现线程安全的？ +- **去掉分段锁，改用 CAS + synchronized 锁粒度缩小到桶（Node）级别**。 +- 底层依然是 **数组 + 链表/红黑树**。 +- **插入过程 put()**： + 1. 用 CAS 尝试放置新节点，如果位置为空，直接成功。 + 2. 如果失败（位置有冲突），用 synchronized 锁住链表/树的头节点。 + 3. 链表长度 > 8 时转为红黑树，提高查找效率。 +- **扩容**：多线程协作扩容，线程安全，性能更高。 -JDK 1.6版本关键要素： +**4. 特点** -- segment继承了ReentrantLock充当锁的角色，为每一个segment提供了线程安全的保障； -- segment维护了哈希散列表的若干个桶，每个桶由HashEntry构成的链表。 +- 读操作基本无锁（volatile + CAS 保证可见性）。 +- 写操作用 synchronized，锁粒度小（桶级），不会阻塞全表。 +- 适合 **高并发场景下的缓存、计数器** 等。 -JDK1.8后，ConcurrentHashMap抛弃了原有的**Segment 分段锁，而采用了 CAS + synchronized 来保证并发安全性**。 -#### Java 中 ConcurrentHashMap 的并发度是什么？ -ConcurrentHashMap 把实际 map 划分成若干部分来实现它的可扩展性和线程安全。这种划分是使用并发度获得的，它是 ConcurrentHashMap 类构造函数的一个可选参数，默认值为 16，这样在多线程情况下就能避免争用。 +### 🎯 Java 中的同步集合与并发集合有什么区别？ -在 JDK8 后，它摒弃了 Segment（锁段）的概念，而是启用了一种全新的方式实现,利用 CAS 算法。同时加入了更多的辅助变量来提高并发度 +同步集合是通过**在集合的每个方法上使用同步锁（`synchronized`）**来确保线程安全的。Java 提供了一些同步集合类，例如： -#### Java 中的同步集合与并发集合有什么区别？ +- `Collections.synchronizedList(List list)`：返回一个线程安全的 `List` 实现。 +- `Collections.synchronizedMap(Map map)`：返回一个线程安全的 `Map` 实现。 -同步集合与并发集合都为多线程和并发提供了合适的线程安全的集合，不过并发集合的可扩展性更高。在 Java1.5 之前程序员们只有同步集合来用且在多线程并发的时候会导致争用，阻碍了系统的扩展性。Java5 介绍了并发集合像ConcurrentHashMap，不仅提供线程安全还用锁分离和内部分区等现代技术提高了可扩展性。 +这些同步集合类通过对所有操作加锁，来保证只有一个线程能够在同一时刻访问或修改集合。 -#### SynchronizedMap 和 ConcurrentHashMap 有什么区别？ +并发集合是 Java 5 引入的，它们是专门为高并发环境设计的，能够在多线程环境中提供更高效的操作。Java 提供了多个并发集合类： + +- **`ConcurrentHashMap`**：线程安全的哈希表，提供高效的并发读写操作。 +- **`CopyOnWriteArrayList`**：适用于读操作远远多于写操作的场景，它在修改时复制整个数组。 +- **`ConcurrentLinkedQueue`**：高效的无界非阻塞并发队列。 + +这些并发集合通过更加细粒度的锁（如分段锁或无锁算法）实现线程安全，避免了同步集合中的全局锁定问题。 + + + +### 🎯 SynchronizedMap 和 ConcurrentHashMap 有什么区别？ SynchronizedMap 一次锁住整张表来保证线程安全，所以每次只能有一个线程来访为 map。 @@ -1477,23 +2549,25 @@ ConcurrentHashMap 中则是一次锁住一个桶。ConcurrentHashMap 默认将 h 另外 ConcurrentHashMap 使用了一种不同的迭代方式。在这种迭代方式中，当 iterator 被创建后集合再发生改变就不再是抛出ConcurrentModificationException，取而代之的是在改变时 new 新的数据从而不影响原有的数据，iterator 完成后再将头指针替换为新的数据 ，这样 iterator线程可以使用原来老的数据，而写线程也可以并发的完成改变 -#### CopyOnWriteArrayList 是什么，可以用于什么应用场景？有哪些优缺点？ + + +### 🎯 CopyOnWriteArrayList 是什么，可以用于什么应用场景？有哪些优缺点？ CopyOnWriteArrayList 是一个并发容器。有很多人称它是线程安全的，我认为这句话不严谨，缺少一个前提条件，那就是非复合场景下操作它是线程安全的。 -CopyOnWriteArrayList(免锁容器)的好处之一是当多个迭代器同时遍历和修改这个列表时，不会抛出 ConcurrentModificationException。在CopyOnWriteArrayList 中，写入将导致创建整个底层数组的副本，而源数组将保留在原地，使得复制的数组在被修改时，读取操作可以安全地执行。 +CopyOnWriteArrayList(免锁容器)的好处之一是当多个迭代器同时遍历和修改这个列表时，不会抛出 ConcurrentModificationException。在 CopyOnWriteArrayList 中，写入将导致创建整个底层数组的副本，而源数组将保留在原地，使得复制的数组在被修改时，读取操作可以安全地执行。 -CopyOnWriteArrayList 的使用场景 +CopyOnWriteArrayList 的使用场景: 通过源码分析，我们看出它的优缺点比较明显，所以使用场景也就比较明显。就是合适读多写少的场景。 -CopyOnWriteArrayList 的缺点 +CopyOnWriteArrayList 的缺点： 1. 由于写操作的时候，需要拷贝数组，会消耗内存，如果原数组的内容比较多的情况下，可能导致 young gc 或者 full gc。 2. 不能用于实时读的场景，像拷贝数组、新增元素都需要时间，所以调用一个 set 操作后，读取到数据可能还是旧的，虽然CopyOnWriteArrayList 能做到最终一致性，但是还是没法满足实时性要求。 3. 由于实际使用中可能没法保证 CopyOnWriteArrayList 到底要放置多少数据，万一数据稍微有点多，每次 add/set 都要重新复制数组，这个代价实在太高昂了。在高性能的互联网应用中，这种操作分分钟引起故障。 -CopyOnWriteArrayList 的设计思想 +CopyOnWriteArrayList 的设计思想： 1. 读写分离，读和写分开 2. 最终一致性 @@ -1501,7 +2575,7 @@ CopyOnWriteArrayList 的设计思想 -#### 并发包中的 ConcurrentLinkedQueue 和 LinkedBlockingQueue 有什么区别？ +### 🎯 并发包中的 ConcurrentLinkedQueue 和 LinkedBlockingQueue 有什么区别？ 有时候我们把并发包下面的所有容器都习惯叫作并发容器，但是严格来讲，类似 ConcurrentLinkedQueue 这种“Concurrent*”容器，才是真正代表并发。 @@ -1520,7 +2594,7 @@ CopyOnWriteArrayList 的设计思想 -### 什么是阻塞队列？阻塞队列的实现原理是什么？如何使用阻塞队列来实现生产者-消费者模型？ +### 🎯 什么是阻塞队列？阻塞队列的实现原理是什么？如何使用阻塞队列来实现生产者-消费者模型？ > - 哪些队列是有界的，哪些是无界的？ > - 针对特定场景需求，如何选择合适的队列实现？ @@ -1553,7 +2627,7 @@ BlockingQueue 接口是 Queue 的子接口，它的主要用途并不是作为 -### 如何设计一个阻塞队列，都需要考虑哪些点 +### 🎯 如何设计一个阻塞队列，都需要考虑哪些点? > 要是让你用数组实现一个阻塞队列该怎么实现（ArrayBlockQueue） > @@ -1631,7 +2705,7 @@ public class CustomBlockQueue { -### 有哪些线程安全的非阻塞队列 +### 🎯 有哪些线程安全的非阻塞队列？ ConcurrentLinkedQueue是一个基于链接节点的无界线程安全队列，它采用先进先出的规则对节点进行排序，当我们添加一个元素的时候，它会添加到队列的尾部；当我们获取一个元素时，它会返回队列头部的元素。 @@ -1658,123 +2732,85 @@ public class ConcurrentLinkedQueue extends AbstractQueue -### ThreadLocal - -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h37m27dvxnj21hc0u0gnp.jpg) - -当使用 ThreadLocal 维护变量时，其为每个使用该变量的线程提供独立的变量副本，所以每一个线程都可以独立的改变自己的副本，而不会影响其他线程对应的副本。 - -ThreadLocal 内部实现机制： - -- 每个线程内部都会维护一个类似 HashMap 的对象，称为 ThreadLocalMap，里边会包含若干了 Entry（K-V 键值对），相应的线程被称为这些 Entry 的属主线程； -- Entry 的 Key 是一个 ThreadLocal 实例，Value 是一个线程特有对象。Entry 的作用即是：为其属主线程建立起一个 ThreadLocal 实例与一个线程特有对象之间的对应关系； -- Entry 对 Key 的引用是弱引用；Entry 对 Value 的引用是强引用。 +### 🎯 ThreadLocal 是什么？有哪些使用场景？ +> 比如有两个人去宝屋收集宝物，这两个共用一个袋子的话肯定会产生争执，但是给他们两个人每个人分配一个袋子的话就不会出现这样的问题。如果把这两个人比作线程的话，那么ThreadLocal就是用来避免这两个线程竞争的。 +> `ThreadLocal` 是 JDK 提供的一种线程本地变量，它为每个线程都维护了一份独立的副本，线程之间互不干扰。 +> 它的典型应用场景包括： +> +> - **保存用户会话信息**（如用户 ID、请求上下文） +> - **数据库连接、Session 管理**（避免频繁传参） +> - **日期格式化器**（如 `SimpleDateFormat` 线程不安全，可以用 ThreadLocal 保存每线程独立实例） +> +> 需要注意： +> +> - `ThreadLocal` 不是用来解决共享变量的并发问题，而是让变量在 **当前线程独享**。 +> - 使用后要注意 **内存泄漏风险**，尤其在线程池环境下，使用完需要调用 `remove()`。 -#### ThreadLocal 是什么？有哪些使用场景？ - -ThreadLocal 是一个本地线程副本变量工具类，在每个线程中都创建了一个 ThreadLocalMap 对象，简单说 ThreadLocal 就是一种以空间换时间的做法，每个线程可以访问自己内部 ThreadLocalMap 对象内的 value。通过这种方式，避免资源在多线程间共享。 - -原理：线程局部变量是局限于线程内部的变量，属于线程自身所有，不在多个线程间共享。Java提供ThreadLocal类来支持线程局部变量，是一种实现线程安全的方式。但是在管理环境下（如 web 服务器）使用线程局部变量的时候要特别小心，在这种情况下，工作线程的生命周期比任何应用变量的生命周期都要长。任何线程局部变量一旦在工作完成后没有释放，Java 应用就存在内存泄露的风险。 - -经典的使用场景是为每个线程分配一个 JDBC 连接 Connection。这样就可以保证每个线程的都在各自的 Connection 上进行数据库的操作，不会出现 A 线程关了 B线程正在使用的 Connection； 还有 Session 管理 等问题。 - - - -### ThreadLocal简介 - -通常情况下，我们创建的变量是可以被任何一个线程访问并修改的。**如果想实现每一个线程都有自己的专属本地变量该如何解决呢？** JDK中提供的`ThreadLocal`类正是为了解决这样的问题。 **ThreadLocal类主要解决的就是让每个线程绑定自己的值，可以将ThreadLocal类形象的比喻成存放数据的盒子，盒子中可以存储每个线程的私有数据。** +ThreadLocal 是 Java 提供的一个线程局部变量工具类，它允许我们创建只能被同一个线程读写的变量。ThreadLocal 提供了线程安全的共享变量，每个线程都可以独立地改变自己的副本，而不会影响其他线程的副本。 -**如果你创建了一个ThreadLocal变量，那么访问这个变量的每个线程都会有这个变量的本地副本，这也是ThreadLocal变量名的由来。他们可以使用 get（） 和 set（） 方法来获取默认值或将其值更改为当前线程所存的副本的值，从而避免了线程安全问题。** +**1. 基本原理** -再举个简单的例子： +- 每个线程内部有一个 `ThreadLocalMap`，类似一个以 `ThreadLocal` 对象为 key 的哈希表。 +- 当调用 `threadLocal.set(value)` 时，实际上是把 `value` 存入当前线程的 `ThreadLocalMap`。 +- `threadLocal.get()` 会从当前线程的 `ThreadLocalMap` 中取值。 +- 这样每个线程访问到的值，都是独立副本，互不影响。 -比如有两个人去宝屋收集宝物，这两个共用一个袋子的话肯定会产生争执，但是给他们两个人每个人分配一个袋子的话就不会出现这样的问题。如果把这两个人比作线程的话，那么ThreadLocal就是用来避免这两个线程竞争的。 +**2. 重要特点** -### ThreadLocal示例 +- **线程隔离**：每个线程有自己的副本，不会出现并发修改冲突。 +- **生命周期**：绑定在线程上，线程结束后才会释放。 +- **内存泄漏问题**： + - `ThreadLocalMap` 的 key 是 `ThreadLocal` 的弱引用，value 是强引用。 + - 如果 ThreadLocal 对象被回收了，而线程还活着，value 可能会泄漏。 + - 因此建议手动调用 `remove()` 清理。 -相信看了上面的解释，大家已经搞懂 ThreadLocal 类是个什么东西了。 +**3. 常见使用场景** -```java -import java.text.SimpleDateFormat; -import java.util.Random; +- **Web 开发**：存储用户信息、请求上下文，避免参数层层传递。 +- **数据库操作**：为每个线程维护独立的数据库连接或事务对象。 +- **工具类**：比如 `SimpleDateFormat`、`NumberFormat` 等非线程安全类的实例。 +- **日志跟踪**：在链路调用中保存 traceId，方便日志打印与追踪。 -public class ThreadLocalExample implements Runnable{ +> 使用场景： +> +> 1. 线程安全的单例模式： 在多线程环境下，可以使用 ThreadLocal 来实现线程安全的单例模式，每个线程都持有对象的一个副本。 +> 2. 存储用户身份信息： 在 Web 应用中，可以使用 ThreadLocal 来存储用户的登录信息或 Session 信息，使得这些信息在同一线程的不同方法中都可以访问，而不需要显式地传递参数。 +> 3. 数据库连接管理： 在某些数据库连接池的实现中，可以使用 ThreadLocal 来存储当前线程持有的数据库连接，确保事务中使用的是同一个连接。 +> 4. 解决线程安全问题： 在一些非线程安全的工具类中（如 SimpleDateFormat），可以使用 ThreadLocal 来为每个线程创建一个独立的实例，避免并发问题。 +> 5. 跨函数传递数据： 当某些数据需要在同一线程的多个方法中传递，但又不适合作为方法参数时，可以考虑使用 ThreadLocal。 +> 6. 全局存储线程内数据： 在一些复杂的系统中，可能需要在线程的整个生命周期内存储一些数据，ThreadLocal 提供了一种优雅的解决方案。 +> 7. 性能优化： 在一些需要频繁创建和销毁对象的场景，可以使用 ThreadLocal 来重用这些对象，减少创建和销毁的开销。 - // SimpleDateFormat 不是线程安全的，所以每个线程都要有自己独立的副本 - private static final ThreadLocal formatter = ThreadLocal.withInitial(() -> new SimpleDateFormat("yyyyMMdd HHmm")); - public static void main(String[] args) throws InterruptedException { - ThreadLocalExample obj = new ThreadLocalExample(); - for(int i=0 ; i<10; i++){ - Thread t = new Thread(obj, ""+i); - Thread.sleep(new Random().nextInt(1000)); - t.start(); - } - } - @Override - public void run() { - System.out.println("Thread Name= "+Thread.currentThread().getName()+" default Formatter = "+formatter.get().toPattern()); - try { - Thread.sleep(new Random().nextInt(1000)); - } catch (InterruptedException e) { - e.printStackTrace(); - } - //formatter pattern is changed here by thread, but it won't reflect to other threads - formatter.set(new SimpleDateFormat()); +### 🎯 ThreadLocal 是用来解决共享资源的多线程访问的问题吗？ - System.out.println("Thread Name= "+Thread.currentThread().getName()+" formatter = "+formatter.get().toPattern()); - } +不是，ThreadLocal 并不是用来解决共享资源的多线程访问问题的，而是用来解决线程间数据隔离的问题. -} -``` +虽然 ThreadLocal 确实可以用于解决多线程情况下的线程安全问题，但其资源并不是共享的，而是每个线程独享的。 -Output: +如果我们把放到 ThreadLocal 中的资源用 static 修饰，让它变成一个共享资源的话，那么即便使用了 ThreadLocal，同样也会有线程安全问题 -``` -Thread Name= 0 default Formatter = yyyyMMdd HHmm -Thread Name= 0 formatter = yy-M-d ah:mm -Thread Name= 1 default Formatter = yyyyMMdd HHmm -Thread Name= 2 default Formatter = yyyyMMdd HHmm -Thread Name= 1 formatter = yy-M-d ah:mm -Thread Name= 3 default Formatter = yyyyMMdd HHmm -Thread Name= 2 formatter = yy-M-d ah:mm -Thread Name= 4 default Formatter = yyyyMMdd HHmm -Thread Name= 3 formatter = yy-M-d ah:mm -Thread Name= 4 formatter = yy-M-d ah:mm -Thread Name= 5 default Formatter = yyyyMMdd HHmm -Thread Name= 5 formatter = yy-M-d ah:mm -Thread Name= 6 default Formatter = yyyyMMdd HHmm -Thread Name= 6 formatter = yy-M-d ah:mm -Thread Name= 7 default Formatter = yyyyMMdd HHmm -Thread Name= 7 formatter = yy-M-d ah:mm -Thread Name= 8 default Formatter = yyyyMMdd HHmm -Thread Name= 9 default Formatter = yyyyMMdd HHmm -Thread Name= 8 formatter = yy-M-d ah:mm -Thread Name= 9 formatter = yy-M-d ah:mm -``` +### 🎯 ThreadLocal原理？ -从输出中可以看出，Thread-0已经改变了formatter的值，但仍然是thread-2默认格式化程序与初始化值相同，其他线程也一样。 +> ThreadLocal 的核心是为每个线程维护一份独立的变量副本，实现线程隔离。 +> 实现原理是：每个 Thread 内部都有一个 ThreadLocalMap，存放以 ThreadLocal 实例为 key、具体值为 value 的数据。我们调用 set/get，其实就是往当前线程的 ThreadLocalMap 存取数据。 +> 这样同一个 ThreadLocal 在不同线程里查到的数据互不干扰，从而避免了线程安全问题。 +> 值得注意的是，ThreadLocalMap 的 key 是弱引用，如果没有及时调用 remove 清理，在使用线程池时容易导致内存泄漏，这是 ThreadLocal 使用上的一个坑。 -上面有一段代码用到了创建 `ThreadLocal` 变量的那段代码用到了 Java8 的知识，它等于下面这段代码，如果你写了下面这段代码的话，IDEA会提示你转换为Java8的格式(IDEA真的不错！)。因为ThreadLocal类在Java 8中扩展，使用一个新的方法`withInitial()`，将Supplier功能接口作为参数。 +当使用 ThreadLocal 维护变量时，其为每个使用该变量的线程提供独立的变量副本，所以每一个线程都可以独立的改变自己的副本，而不会影响其他线程对应的副本。 -``` - private static final ThreadLocal formatter = new ThreadLocal(){ - @Override - protected SimpleDateFormat initialValue() - { - return new SimpleDateFormat("yyyyMMdd HHmm"); - } - }; -``` +ThreadLocal 内部实现机制： -### ThreadLocal原理 +- 每个线程内部都会维护一个类似 HashMap 的对象，称为 ThreadLocalMap，里边会包含若干了 Entry（K-V 键值对），相应的线程被称为这些 Entry 的属主线程； +- Entry 的 Key 是一个 ThreadLocal 实例，Value 是一个线程特有对象。Entry 的作用即是：为其属主线程建立起一个 ThreadLocal 实例与一个线程特有对象之间的对应关系； +- Entry 对 Key 的引用是弱引用；Entry 对 Value 的引用是强引用。 从 `Thread`类源代码入手。 -``` +```java public class Thread implements Runnable { ...... //与此线程有关的ThreadLocal值。由ThreadLocal类维护 @@ -1790,7 +2826,7 @@ ThreadLocal.ThreadLocalMap inheritableThreadLocals = null; `ThreadLocal`类的`set()`方法 -``` +```java public void set(T value) { Thread t = Thread.currentThread(); ThreadLocalMap map = getMap(t); @@ -1808,7 +2844,7 @@ ThreadLocal.ThreadLocalMap inheritableThreadLocals = null; **每个Thread中都具备一个ThreadLocalMap，而ThreadLocalMap可以存储以ThreadLocal为key ，Object 对象为 value的键值对。** -``` +```java ThreadLocalMap(ThreadLocal firstKey, Object firstValue) { ...... } @@ -1816,13 +2852,17 @@ ThreadLocalMap(ThreadLocal firstKey, Object firstValue) { 比如我们在同一个线程中声明了两个 `ThreadLocal` 对象的话，会使用 `Thread`内部都是使用仅有那个`ThreadLocalMap` 存放数据的，`ThreadLocalMap`的 key 就是 `ThreadLocal`对象，value 就是 `ThreadLocal` 对象调用`set`方法设置的值。 -![ThreadLocal数据结构](https://tva1.sinaimg.cn/large/007S8ZIlly1gjloyg3doij30me0n9402.jpg) - `ThreadLocalMap`是`ThreadLocal`的静态内部类。 -![ThreadLocal内部类](https://tva1.sinaimg.cn/large/007S8ZIlly1gjlp3bpjwyj30k908cq4k.jpg) -### ThreadLocal 内存泄露问题 + +### 🎯 什么是线程局部变量？ + +线程局部变量是局限于线程内部的变量，属于线程自身所有，不在多个线程间共享。Java 提供 ThreadLocal 类来支持线程局部变量，是一种实现线程安全的方式。但是在管理环境下（如 web 服务器）使用线程局部变量的时候要特别小心，在这种情况下，工作线程的生命周期比任何应用变量的生命周期都要长。任何线程局部变量一旦在工作完成后没有释放，Java 应用就存在内存泄露的风险。 + + + +### 🎯 ThreadLocal 内存泄露问题? `ThreadLocalMap` 中使用的 key 为 `ThreadLocal` 的弱引用，而 value 是强引用。所以，如果 `ThreadLocal` 没有被外部强引用的情况下，在垃圾回收的时候，key 会被清理掉，而 value 不会被清理掉。这样一来，`ThreadLocalMap` 中就会出现key为null的Entry。假如我们不做任何措施的话，value 永远无法被GC 回收，这个时候就可能会产生内存泄露。ThreadLocalMap实现中已经考虑了这种情况，在调用 `set()`、`get()`、`remove()` 方法的时候，会清理掉 key 为 null 的记录。使用完 `ThreadLocal`方法后 最好手动调用`remove()`方法 @@ -1840,33 +2880,378 @@ static class Entry extends WeakReference> { -#### 什么是线程局部变量？ +### 🎯 ThreadLocalMap 的 Entry 为什么 key 用弱引用，而 value 却是强引用？ -线程局部变量是局限于线程内部的变量，属于线程自身所有，不在多个线程间共享。Java 提供 ThreadLocal 类来支持线程局部变量，是一种实现线程安全的方式。但是在管理环境下（如 web 服务器）使用线程局部变量的时候要特别小心，在这种情况下，工作线程的生命周期比任何应用变量的生命周期都要长。任何线程局部变量一旦在工作完成后没有释放，Java 应用就存在内存泄露的风险。 +> ThreadLocalMap 的 key 用弱引用是为了避免 ThreadLocal 对象本身无法被回收，特别是在线程池里，否则会造成严重内存泄漏。而 value 用强引用是因为它承载业务数据，必须保证线程生命周期内数据可用。如果 value 也设成弱引用，可能在 GC 时被提前回收，导致业务逻辑拿不到数据。不过这种设计也带来了隐患：当 key 被 GC 回收后，value 仍然强引用存在，形成内存泄漏，所以正确的使用姿势是用完 ThreadLocal 后调用 remove()。 -#### ThreadLocal造成内存泄漏的原因？ +**ThreadLocalMap 的 Entry 设计** -`ThreadLocalMap` 中使用的 key 为 `ThreadLocal` 的弱引用，而 value 是强引用。所以，如果 `ThreadLocal` 没有被外部强引用的情况下，在垃圾回收的时候，key 会被清理掉，而 value 不会被清理掉。这样一来，`ThreadLocalMap` 中就会出现key为null的Entry。假如我们不做任何措施的话，value 永远无法被GC 回收，这个时候就可能会产生内存泄露。ThreadLocalMap实现中已经考虑了这种情况，在调用 `set()`、`get()`、`remove()` 方法的时候，会清理掉 key 为 null 的记录。使用完 `ThreadLocal`方法后 最好手动调用`remove()`方法 +在 `ThreadLocalMap` 里，`Entry` 的定义大致是这样的： + +```java +static class Entry extends WeakReference> { + Object value; + Entry(ThreadLocal k, Object v) { + super(k); + value = v; + } +} +``` + +也就是说： + +- **key（ThreadLocal 对象）** → 弱引用 +- **value（实际存储的对象）** → 强引用 + +**为什么 key 是弱引用？** + +1. **避免内存泄漏** + - 如果 key 是强引用，即使业务代码不再持有 `ThreadLocal` 对象，Map 里的引用仍然会让它无法被 GC 回收。 + - 设置成 **弱引用**，只要外部不再持有 ThreadLocal 对象，GC 就可以回收 key。 +2. **线程池场景下更重要** + - 线程池里的线程不会销毁，它们持有的 `ThreadLocalMap` 生命周期往往很长。 + - 如果 key 是强引用，会导致 key 和 value 一直存活，造成严重内存泄漏。 + +**为什么 value 是强引用？** + +1. **存储的业务数据需要正常使用** + - value 一般是我们真正要存的数据，比如用户信息、事务上下文。 + - 如果也用弱引用，GC 会在内存紧张时随时回收，业务代码再去 `get()` 时可能直接拿不到值，违背了 ThreadLocal 的设计初衷。 +2. **避免数据过早丢失** + - ThreadLocal 的设计目标是“为线程保存变量副本”。 + - 如果 value 也弱引用，那存进去的数据没法保证生命周期，会让 ThreadLocal 失去意义。 + +------ + + + +## 九、高级并发工具 🚀 + +### 🎯 什么是 ForkJoinPool？它与传统的线程池有什么区别？ + +**什么是 ForkJoinPool？** + +- **ForkJoinPool** 是 JDK7 引入的 **并行任务执行框架**，属于 `java.util.concurrent` 包。 +- 适合执行 **递归拆分的大任务**： + - **Fork（分治）**：把大任务拆分成多个小任务。 + - **Join（合并）**：把多个子任务的结果合并，形成最终结果。 +- 底层使用 **工作窃取算法（Work-Stealing）**： + - 每个线程维护一个双端队列，优先处理自己的任务。 + - 空闲时会“窃取”其他线程队列尾部的任务，提高 CPU 利用率。 + +👉 使用场景：**大任务拆小任务、递归计算、并行数据处理**（比如数组求和、分治排序）。 + +| 特性 | 传统线程池（ThreadPoolExecutor） | ForkJoinPool | +| ------------ | ---------------------------------- | --------------------------------------- | +| **设计目标** | 执行一批独立的、互不依赖的任务 | 递归分治的大任务，结果需要合并 | +| **任务拆分** | 提交 Runnable/Callable，不支持拆分 | 支持 Fork（拆分）和 Join（合并） | +| **队列模型** | 任务队列，线程从队列取任务 | 每个线程一个双端队列，支持工作窃取 | +| **执行模式** | 通常 FIFO 执行 | 支持 LIFO（自己队列）+ FIFO（窃取队列） | +| **适用场景** | Web 请求、异步任务、并发控制 | 大规模计算任务，CPU 密集型 | + +### 🎯 ForkJoinPool 的工作原理是什么？ + +ForkJoinPool 的核心工作原理是工作窃取（work-stealing）算法。每个工作线程都有一个双端队列（deque），线程从头部取任务执行。当某个线程完成了自己的任务队列后，它可以从其他线程的队列尾部窃取任务执行，从而保持高效的并行处理。 + +工作窃取算法可以最大限度地保持工作线程的忙碌，减少空闲线程的数量，提高 CPU 使用率。 + +### 🎯 如何使用 ForkJoinPool 来并行处理任务？ + +使用 ForkJoinPool 需要继承 `RecursiveTask` 或 `RecursiveAction` 类，并实现 `compute()` 方法。`RecursiveTask` 用于有返回值的任务，`RecursiveAction` 用于没有返回值的任务。下面是一个简单的示例： + +```java +import java.util.concurrent.RecursiveTask; +import java.util.concurrent.ForkJoinPool; + +public class SumTask extends RecursiveTask { + private final int[] arr; + private final int start; + private final int end; + private static final int THRESHOLD = 10; + + public SumTask(int[] arr, int start, int end) { + this.arr = arr; + this.start = start; + this.end = end; + } + + @Override + protected Integer compute() { + if (end - start <= THRESHOLD) { + int sum = 0; + for (int i = start; i < end; i++) { + sum += arr[i]; + } + return sum; + } else { + int mid = (start + end) / 2; + SumTask leftTask = new SumTask(arr, start, mid); + SumTask rightTask = new SumTask(arr, mid, end); + leftTask.fork(); + return rightTask.compute() + leftTask.join(); + } + } + + public static void main(String[] args) { + ForkJoinPool pool = new ForkJoinPool(); + int[] arr = new int[100]; + for (int i = 0; i < arr.length; i++) { + arr[i] = i; + } + SumTask task = new SumTask(arr, 0, arr.length); + int result = pool.invoke(task); + System.out.println("Sum: " + result); + } +} +``` + +### 🎯 什么是 `fork()` 和 `join()` 方法？ + +- `fork()` 方法：将任务拆分并放入队列中，使其他工作线程可以从队列中窃取并执行。 +- `join()` 方法：等待子任务完成并获取其结果。 + +在上述示例中，`leftTask.fork()` 将左半部分任务放入队列，而 `rightTask.compute()` 直接计算右半部分任务。随后，`leftTask.join()` 等待左半部分任务完成并获取结果。 + +### 🎯 解释一下 ForkJoinPool 的 `invoke()` 方法和 `submit()` 方法的区别。 + +- `invoke()` 方法：同步调用，提交任务并等待任务完成，返回任务结果。 +- `submit()` 方法：异步调用，提交任务但不等待任务完成，返回一个 `ForkJoinTask` 对象，可以通过这个对象的 `get()` 方法获取任务结果。 + +### 🎯 在 ForkJoinPool 中，如何处理异常？ + +在 ForkJoinPool 中执行任务时，如果任务抛出异常，异常会被封装在 `ExecutionException` 中。可以在调用 `join()` 或 `invoke()` 时捕获和处理异常。 + +```java +public class ExceptionHandlingTask extends RecursiveTask { + private final int[] arr; + private final int start; + private final int end; + + public ExceptionHandlingTask(int[] arr, int start, int end) { + this.arr = arr; + this.start = start; + this.end = end; + } + + @Override + protected Integer compute() { + if (start == end) { + throw new RuntimeException("Exception in task"); + } + return arr[start]; + } + + public static void main(String[] args) { + ForkJoinPool pool = new ForkJoinPool(); + int[] arr = new int[1]; + ExceptionHandlingTask task = new ExceptionHandlingTask(arr, 0, 0); + try { + int result = pool.invoke(task); + System.out.println("Result: " + result); + } catch (RuntimeException e) { + System.out.println("Exception: " + e.getMessage()); + } catch (ExecutionException e) { + System.out.println("ExecutionException: " + e.getCause().getMessage()); + } catch (InterruptedException e) { + e.printStackTrace(); + } + } +} +``` + +### 🎯 什么是 RecursiveTask 和 RecursiveAction？ +- `RecursiveTask`：用于有返回值的并行任务。必须实现 `compute()` 方法，并返回计算结果。 +- `RecursiveAction`：用于没有返回值的并行任务。必须实现 `compute()` 方法，但不返回结果。 +### 🎯 ForkJoinPool 的并行度（parallelism level）是什么？ -### ThreadLocalMap的enrty的key为什么要设置成弱引用 +ForkJoinPool 的并行度指的是可同时运行的工作线程数。可以在创建 ForkJoinPool 时指定并行度： -将Entry的Key设置成弱引用，在配合线程池使用的情况下可能会有内存泄露的风险。之设计成弱引用的目的是为了更好地对ThreadLocal进行回收，当我们在代码中将ThreadLocal的强引用置为null后，这时候Entry中的ThreadLocal理应被回收了，但是如果Entry的key被设置成强引用则该ThreadLocal就不能被回收，这就是将其设置成弱引用的目的。 +```java +ForkJoinPool pool = new ForkJoinPool(4); // 并行度为 4 +``` + +并行度通常设置为 CPU 核心数，以充分利用多核处理器的计算能力。 + +### 🎯 ForkJoinPool 如何避免任务窃取导致的死锁？ +ForkJoinPool 通过任务窃取和任务分解来避免死锁。工作线程在等待其他线程完成任务时，会主动窃取其他线程的任务以保持忙碌状态。此外，ForkJoinPool 使用工作窃取算法，尽可能将任务分散到各个线程的队列中，减少任务窃取导致的资源争用，从而降低死锁的可能性。 -**弱引用介绍：** -> 如果一个对象只具有弱引用，那就类似于**可有可无的生活用品**。弱引用与软引用的区别在于：只具有弱引用的对象拥有更短暂的生命周期。在垃圾回收器线程扫描它 所管辖的内存区域的过程中，一旦发现了只具有弱引用的对象，不管当前内存空间足够与否，都会回收它的内存。不过，由于垃圾回收器是一个优先级很低的线程， 因此不一定会很快发现那些只具有弱引用的对象。 +### 🎯 CompletableFuture? + +> `CompletableFuture` 是 JDK 1.8 引入的一个异步编程工具类，它在 `Future` 的基础上增强了功能： +> +> 1. 可以主动完成（complete），不只是被动等待； +> 2. 支持链式调用（如 thenApply、thenAccept、thenCompose），让异步任务像“流”一样组合； +> 3. 支持并行计算（allOf、anyOf 等），方便多个任务聚合； +> 4. 支持异常处理（exceptionally、handle），更健壮。 > -> 弱引用可以和一个引用队列（ReferenceQueue）联合使用，如果弱引用所引用的对象被垃圾回收，Java虚拟机就会把这个弱引用加入到与之关联的引用队列中。 +> 它常用于 **异步调用、并行任务调度、提升系统吞吐** 的场景。 + +CompletableFuture 是 Java 8 引入的异步编程工具，它在 Future 基础上增强了异步任务的编排能力，支持链式调用、组合多个异步任务、异常处理等功能。通过 CompletableFuture，我们可以更优雅地处理异步操作，避免 Future.get () 的阻塞问题，实现非阻塞的异步编程，大幅提升代码可读性和并发处理效率。 + +**1. CompletableFuture 的核心特性** + +CompletableFuture 实现了 Future 和 CompletionStage 接口，相比传统 Future 具有以下优势： + +- 支持链式调用，可将多个异步操作串联起来 +- 提供丰富的组合方法，能并行或串行组合多个 CompletableFuture +- 内置异常处理机制，无需 try-catch 包裹 +- 可主动完成任务（complete ()/completeExceptionally ()） +- 支持非阻塞回调，避免阻塞等待 + +**2. 基本使用方式** + +**（1）创建 CompletableFuture** + +```java +// 1. 立即完成的CompletableFuture +CompletableFuture completedFuture = CompletableFuture.completedFuture("Hello"); + +// 2. 异步执行Runnable（无返回值） +CompletableFuture runAsyncFuture = CompletableFuture.runAsync(() -> { + // 执行异步任务 + System.out.println("异步执行Runnable"); +}); + +// 3. 异步执行Supplier（有返回值） +CompletableFuture supplyAsyncFuture = CompletableFuture.supplyAsync(() -> { + // 执行异步任务并返回结果 + return "异步执行Supplier的结果"; +}); +``` + +默认使用 ForkJoinPool.commonPool ()，也可指定自定义线程池： + +```java +ExecutorService executor = Executors.newFixedThreadPool(5); +CompletableFuture customPoolFuture = CompletableFuture.supplyAsync(() -> { + return "使用自定义线程池"; +}, executor); +``` + +**（2）链式操作** + +通过 thenApply ()、thenAccept ()、thenRun () 等方法实现链式调用： + +```java +CompletableFuture future = CompletableFuture.supplyAsync(() -> "Hello") + // 对结果进行转换（有返回值） + .thenApply(s -> s + " World") + // 消费结果（无返回值） + .thenAccept(s -> System.out.println("结果：" + s)) + // 执行后续操作（无输入无输出） + .thenRun(() -> System.out.println("链式操作完成")); +``` +**（3）组合多个异步任务** +- 并行执行，都完成后处理结果： -## 八、其他问题 +```java +CompletableFuture future1 = CompletableFuture.supplyAsync(() -> "任务1结果"); +CompletableFuture future2 = CompletableFuture.supplyAsync(() -> "任务2结果"); + +// 两个任务都完成后，组合结果 +CompletableFuture combinedFuture = future1.thenCombine(future2, + (result1, result2) -> result1 + " + " + result2); +``` + +- 取第一个完成的任务结果： + +```java +CompletableFuture future3 = CompletableFuture.supplyAsync(() -> { + try { Thread.sleep(100); } catch (InterruptedException e) {} + return "任务3"; +}); + +CompletableFuture future4 = CompletableFuture.supplyAsync(() -> { + try { Thread.sleep(50); } catch (InterruptedException e) {} + return "任务4"; +}); + +// 取先完成的任务结果 +CompletableFuture firstCompleted = CompletableFuture.anyOf(future3, future4); +``` + +**（4）异常处理** + +```java +CompletableFuture exceptionFuture = CompletableFuture.supplyAsync(() -> { + if (true) { + throw new RuntimeException("任务执行失败"); + } + return "正常结果"; +}) +// 异常处理（类似try-catch） +.exceptionally(ex -> { + System.out.println("捕获异常：" + ex.getMessage()); + return "默认结果"; +}) +// 无论成功失败都会执行（类似finally） +.whenComplete((result, ex) -> { + if (ex == null) { + System.out.println("执行成功，结果：" + result); + } else { + System.out.println("执行失败，异常：" + ex.getMessage()); + } +}); +``` + +**3. 常用核心方法分类** + +| 方法类型 | 常用方法 | 作用 | +| -------- | ------------------------------- | -------------------------------- | +| 转换 | thenApply(), thenApplyAsync() | 对前一个任务的结果进行转换 | +| 消费 | thenAccept(), thenAcceptAsync() | 消费前一个任务的结果，无返回值 | +| 执行 | thenRun(), thenRunAsync() | 前一个任务完成后执行，无输入输出 | +| 组合 | thenCombine(), allOf(), anyOf() | 组合多个 CompletableFuture | +| 异常 | exceptionally(), whenComplete() | 处理异常或最终操作 | + +**4. 实际应用场景** -### 网站的高并发，大流量访问怎么解决? +- **异步接口调用**：并行调用多个外部接口，汇总结果 +- **任务拆分**：将复杂任务拆分为多个子任务并行执行，提高效率 +- **非阻塞 IO**：配合 NIO 实现高效的 IO 操作 +- **事件驱动编程**：基于回调的事件处理机制 + +**5. 注意事项** + +- **线程池管理**：避免过度使用默认线程池，高并发场景建议使用自定义线程池 +- **内存泄漏**：长时间未完成的 CompletableFuture 可能导致内存泄漏 +- **异常传播**：链式操作中异常会向后传播，需合理设置异常处理 +- **阻塞问题**：get () 和 join () 方法会阻塞当前线程，尽量使用非阻塞回调 + +CompletableFuture 极大地简化了 Java 异步编程，通过其丰富的 API 可以灵活地处理各种异步场景，是现代 Java 并发编程中不可或缺的工具。相比传统的 Future 和线程池组合，它能写出更简洁、更易维护的异步代码。 + + + +## 十、并发应用实践 + +### 🎯 高并发网站架构设计 + +> "高并发网站需要从多个维度优化： +> +> **前端优化**： +> +> - HTML 静态化：减少动态内容生成 +> - CDN 加速：就近访问，减少延迟 +> - 图片服务分离：减轻 Web 服务器 I/O 负载 +> +> **应用层优化**： +> +> - 负载均衡：分发请求到多台服务器 +> - 连接池：复用数据库连接 +> - 缓存机制：多级缓存减少数据库访问 +> +> **数据层优化**： +> +> - 读写分离：主库写，从库读 +> - 分库分表：水平拆分减少单表压力 +> - 索引优化：提高查询效率" 1. HTML 页面静态化 @@ -1915,7 +3300,16 @@ static class Entry extends WeakReference> { -### 订票系统，某车次只有一张火车票，假定有 **1w** 个人同 时打开 **12306** 网站来订票，如何解决并发问题?(可扩展 到任何高并发网站要考虑的并发读写问题)。 +### 🎯 订票系统，某车次只有一张火车票，假定有 **1w** 个人同 时打开 **12306** 网站来订票，如何解决并发问题?(可扩展 到任何高并发网站要考虑的并发读写问题)。 + +> "这是典型的高并发读写问题，既要保证 1w 人能同时看到有票（可读性），又要保证只有一个人能买到票（排他性）： +> +> **解决方案**： +> +> 1. **数据库乐观锁**：利用版本号或时间戳，避免锁表影响性能 +> 2. **分布式锁**：Redis 实现，保证分布式环境下的原子性 +> 3. **消息队列**：请求排队处理，削峰填谷 +> 4. **库存预扣**：先扣库存再处理业务，避免超卖" 不但要保证 1w 个人能同时看到有票(数据的可读性)，还要保证最终只能 由一个人买到票(数据的排他性)。 @@ -1925,7 +3319,9 @@ static class Entry extends WeakReference> { -### 如果不用锁机制如何实现共享数据访问。(不要用锁，不要用 **sychronized** 块或者方法，也不要直接使用 **jdk** 提供的线程安全 的数据结构，需要自己实现一个类来保证多个线程同时读写这个类 中的共享数据是线程安全的，怎么办?) +### 🎯 如果不用锁机制如何实现共享数据访问？ + +> 不要用锁，不要用 **sychronized** 块或者方法，也不要直接使用 **jdk** 提供的线程安全 的数据结构，需要自己实现一个类来保证多个线程同时读写这个类 中的共享数据是线程安全的，怎么办? 无锁化编程的常用方法:硬件**CPU**同步原语CAS(Compare and Swap)，如无锁栈，无锁队列(ConcurrentLinkedQueue)等等。现在 几乎所有的 CPU 指令都支持 CAS 的原子操作，X86 下对应的是 CMPXCHG 汇 编指令，处理器执行 CMPXCHG 指令是一个原子性操作。有了这个原子操作， 我们就可以用其来实现各种无锁(lock free)的数据结构。 @@ -1937,7 +3333,35 @@ CAS 实现了区别于 sychronized 同步锁的一种乐观锁，当多个线程 -### 写出 **3** 条你遵循的多线程最佳实践。 +### 🎯 如何在 Windows 和 Linux 上查找哪个线程 cpu 利用率最高？ + +windows上面用任务管理器看，linux下可以用 top 这个工具看。 + +1. 找出 cpu 耗用厉害的进程pid， 终端执行top命令，然后按下shift+p 查找出cpu利用最厉害的pid号 +2. 根据上面第一步拿到的pid号，top -H -p pid 。然后按下shift+p，查找出cpu利用率最厉害的线程号，比如top -H -p 1328 +3. 将获取到的线程号转换成16进制，去百度转换一下就行 +4. 使用jstack工具将进程信息打印输出，jstack pid号 > /tmp/t.dat，比如jstack 31365 > /tmp/t.dat +5. 编辑/tmp/t.dat文件，查找线程号对应的信息 + + + +### 🎯 Java有哪几种实现生产者消费者模式的方法？ + +1. **使用`wait()`和`notify()`方法**： + + - 利用Java的同步机制，生产者在缓冲区满时调用`wait()`挂起，消费者在缓冲区空时调用`wait()`挂起。相应地，生产者在放入商品后调用`notifyAll()`唤醒消费者，消费者在取出商品后调用`notifyAll()`唤醒生产者。 + +2. **使用`ReentrantLock`和`Condition`**： + + - `ReentrantLock`提供了更灵活的锁机制，`Condition`可以用来替代`wait()`和`notify()`，提供更细粒度的控制。 + +3. **使用`BlockingQueue`**： + + - `java.util.concurrent.BlockingQueue`是一个线程安全的队列，其已经实现了生产者-消费者模式。当队列为满时，`put()`操作将阻塞；当队列为空时，`take()`操作将阻塞。 + + + +### 🎯 写出 **3** 条你遵循的多线程最佳实践 1. 给线程起个有意义的名字。 @@ -1947,4 +3371,141 @@ CAS 实现了区别于 sychronized 同步锁的一种乐观锁，当多个线程 3. 多用同步辅助类，少用 **wait** 和 **notify** 。 4. 多用并发容器，少用同步容器。 - 如果下一次你需要用到 map，你应该首先想到用 ConcurrentHashMap。 \ No newline at end of file + 如果下一次你需要用到 map，你应该首先想到用 ConcurrentHashMap。 + +------ + + + +## 并发编程最佳实践总结 + +### 🎯 设计原则 + +1. **安全性优先**：确保数据一致性，避免竞态条件 +2. **性能兼顾**：在保证正确性前提下优化并发度 +3. **可维护性**：代码清晰，便于理解和调试 +4. **故障恢复**：考虑异常情况和系统故障 + +### 🎯 实践经验 + +1. **线程命名**：给线程起有意义的名字，便于问题排查 +2. **锁粒度**：优先使用同步块而非同步方法，缩小锁范围 +3. **工具选择**：多用并发容器，少用同步容器 +4. **异常处理**：完善的异常处理和日志记录 +5. **监控告警**：建立完整的监控体系 + +### 🎯 性能优化 + +1. **无锁化**：优先使用 CAS 和原子类 +2. **读写分离**：读多写少场景使用 CopyOnWriteArrayList +3. **分段锁**：减少锁竞争，提高并发度 +4. **异步处理**：使用线程池和消息队列 +5. **缓存机制**：多级缓存减少 I/O 操作 + +**记住：并发编程的核心是在保证正确性的前提下，提高系统的并发处理能力！** + + + +## 🔥 高频面试题快速回顾 + +### 💡 基础概念类 + +| **问题** | **核心答案** | **关键点** | +| ---------- | ------------------------ | --------------------------------------- | +| 进程vs线程 | 资源分配 vs 调度单位 | 内存隔离、通信方式、创建开销 | +| 并发vs并行 | 时间段内 vs 同一时刻 | 逻辑概念 vs 物理概念 | +| 线程状态 | 6种状态及转换 | NEW→RUNNABLE→BLOCKED/WAITING→TERMINATED | +| 线程安全 | 多线程访问共享资源正确性 | 加锁、原子操作、不可变对象 | + +### 🔒 同步机制类 + +| **问题** | **核心答案** | **关键点** | +| ----------------- | ---------------------- | --------------------------------- | +| synchronized原理 | Monitor机制，锁升级 | monitorenter/exit、偏向→轻量→重量 | +| volatile作用 | 可见性+有序性 | 内存屏障、禁止重排、不保证原子性 | +| ReentrantLock特性 | 显式锁，公平性，可中断 | vs synchronized对比表 | +| AQS框架 | 状态管理+队列+模板方法 | state、CLH队列、独占/共享模式 | + +### 🛠️ 并发工具类 + +| **问题** | **核心答案** | **关键点** | +| -------------- | ------------------ | ------------------------ | +| CountDownLatch | 倒计时门栓，一次性 | 主线程等待多个子线程完成 | +| CyclicBarrier | 循环屏障，可重用 | 多线程相互等待，同步执行 | +| Semaphore | 信号量，控制并发数 | 限流、资源池管理 | +| ThreadLocal | 线程局部变量 | ThreadLocalMap、内存泄漏 | + +### 🏊 线程池类 + +| **问题** | **核心答案** | **关键点** | +| -------- | ----------------------------------- | -------------------------- | +| 七大参数 | 核心、最大、存活时间等 | corePoolSize最重要 | +| 工作原理 | 核心→队列→非核心→拒绝 | 任务提交流程图 | +| 参数配置 | CPU密集型+1，IO密集型×(1+等待/处理) | 结合任务特性配置 | +| 拒绝策略 | 4种策略及适用场景 | Abort、CallerRuns、Discard | + +### ⚛️ 原子操作类 + +| **问题** | **核心答案** | **关键点** | +| ------------- | -------------------- | -------------------------- | +| CAS机制 | 比较并交换，硬件保证 | V、A、B三个操作数 | +| AtomicInteger | 基于CAS的无锁实现 | 自旋重试、性能优势 | +| ABA问题 | 值变化无法感知 | AtomicStampedReference解决 | +| LongAdder优势 | 分段累加减少竞争 | base+Cell[]、空间换时间 | + +### 📦 并发容器类 + +| **问题** | **核心答案** | **关键点** | +| -------------------- | --------------------- | ----------------------- | +| ConcurrentHashMap | 1.7分段锁→1.8CAS+sync | Segment→Node数组+红黑树 | +| CopyOnWriteArrayList | 写时复制，读多写少 | 读无锁、写复制数组 | +| 同步vs并发容器 | 全局锁 vs 细粒度锁 | fail-fast vs 弱一致性 | +| BlockingQueue | 阻塞队列，生产消费 | put/take自动阻塞 | + +### 🧠 JMM类 + +| **问题** | **核心答案** | **关键点** | +| ------------- | ---------------------- | ---------------------------- | +| JMM作用 | 跨平台内存一致性 | 主内存+工作内存模型 | +| 三大特性 | 原子性、可见性、有序性 | 各自实现方式 | +| happen-before | 操作间偏序关系 | 程序次序、锁定、volatile规则 | +| 内存屏障 | 禁止指令重排 | LoadLoad、StoreStore等 | + +--- + +## 🎯 面试突击技巧 + +### 📝 万能回答框架 + +1. **背景阐述** (10秒)：简述问题背景和重要性 +2. **核心原理** (30秒)：讲清楚底层实现机制 +3. **关键特点** (20秒)：对比优缺点和适用场景 +4. **实践经验** (20秒)：结合项目经验或最佳实践 + +### 🔥 加分回答技巧 + +- **源码引用**：适当提及关键源码实现 +- **性能数据**：给出具体的性能对比数据 +- **实战经验**：结合实际项目中的使用经验 +- **问题延伸**：主动提及相关的深层问题 + +### ⚠️ 常见面试陷阱 + +- **概念混淆**：synchronized vs ReentrantLock选择 +- **性能误区**：盲目认为无锁一定比有锁快 +- **使用错误**：volatile不能保证原子性 +- **内存泄漏**：ThreadLocal使用后不清理 + +记住这个口诀：**理论扎实、实践丰富、思路清晰、表达准确**！ + +--- + +> 💡 **最终提醒**： +> +> 1. **循序渐进**：从基础概念到高级应用 +> 2. **结合实践**：每个知识点都举具体使用场景 +> 3. **源码分析**：适当提及关键源码实现 +> 4. **性能对比**：说明不同方案的优缺点 +> 5. **问题解决**：展示解决并发问题的思路 + +**并发编程面试，重在理解原理，贵在实战经验！** 🚀 \ No newline at end of file diff --git a/docs/interview/JVM-FAQ.md b/docs/interview/JVM-FAQ.md index 65b00bfd41..fb9c1afa53 100644 --- a/docs/interview/JVM-FAQ.md +++ b/docs/interview/JVM-FAQ.md @@ -1,40 +1,156 @@ -请谈谈你对 OOM 的认识？ - -> GC 垃圾回收算法和垃圾收集器的关系？分别是什么请你谈谈？ -> -> 怎么查看服务器默认的垃圾收集器是哪个？生产上如何配置垃圾收集器的？谈谈你对垃圾收集器的理解？ -> -> G1 垃圾收集器？ +--- +title: 手撕 JVM 面试 +date: 2024-05-31 +tags: + - JVM + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +> 为啥 java 不用 360 进行垃圾回收？ 哈哈哈哈~ > -> 生产环境服务器变慢，诊断思路和性能评估谈谈？ +> 开玩笑，言归正传。 背诵一下G1 垃圾回收方法类的第 108 行？ > -> 假如生产环境出现 CPU 占用过高，请谈谈你的分析思路和定位 +> 。。。。。。。。。。。。。。。。。。。 +## 🗺️ 知识导航 +### 🏷️ 核心知识分类 -## 一、类加载子系统 +1. **📦 类加载机制**：类加载过程、双亲委派模型、自定义类加载器 +2. 🧠 **JVM内存模型**：运行时数据区、内存分配、内存溢出、内存泄漏 +3. **🗑️ 垃圾回收机制**：GC算法、垃圾收集器、GC调优、内存分配策略 +4. **🔧 JVM调优实战**：JVM参数、性能监控、问题诊断、调优策略 +5. **⚡ 性能优化**：内存优化、GC优化、代码优化、最佳实践 -### 1、类加载机制？类加载过程 -Java 语言是一种具有动态性的解释型语言，类(Class)只有被加载到 JVM 后才能运行。当运行指定程序时，JVM 会将编译生成的 .class 文件按照需求和一定的规则加载到内存中，并组织成为一个完整的 Java 应用程序。这个加载过程是由类加载器完成，具体来说，就是由 ClassLoader 和它的子类来实现的。类加载器本身也是一个类，其实质是把类文件从硬盘读取到内存中。 + +## 一、类加载机制 + +### 🎯 类加载机制？类加载过程 + +Java 程序运行前，`.java` 文件会被编译成 `.class` 字节码文件，JVM 要执行类里的代码，就必须先把类加载到内存。 + 这个过程由 **类加载器（ClassLoader）** 来完成，具体来说，就是由 ClassLoader 和它的子类来实现的。类加载器本身也是一个类，其实质是把类文件从硬盘读取到内存中。 类的加载方式分为**隐式加载和显示加载**。隐式加载指的是程序在使用 new 等方式创建对象时，会隐式地调用类的加载器把对应的类 加载到 JVM 中。显示加载指的是通过直接调用 `class.forName()` 方法来把所需的类加载到 JVM 中。 -任何一个工程项目都是由许多类组成的，当程序启动时，只把需要的类加载到 JVM 中，其他类只有被使用到的时候才会被加载，采用这种方法一方面可以加快加载速度，另一方面可以节约程序运行时对内存的开销。此外，在 Java 语言中，每个类或接口都对应一个 .class 文件，这些文件可以被看成是一个个可以被动态加载的单元，因此当只有部分类被修改时，只需要重新编译变化的类即可， 而不需要重新编译所有文件，因此加快了编译速度。 +- **类加载器的作用**：负责把 `.class` 文件字节码加载到 JVM 内存，并在内存中生成 `java.lang.Class` 对象，供后续使用。 Java 虚拟机把描述类的数据从 Class 文件加载到内存，并对数据进行校验、转换解析和初始化，最终形成可以被虚拟机直接使用的 Java 类型，这就是虚拟机的加载机制。 类从被加载到虚拟机内存中开始，到卸载出内存为止，它的整个生命周期包括：**加载、验证、准备、解析、初始化、使用和卸载**七个阶段。(验证、准备和解析又统称为连接，为了支持Java语言的**运行时绑定**，所以**解析阶段也可以是在初始化之后进行的**。以上顺序都只是说开始的顺序，实际过程中是交叉的混合式进行的，加载过程中可能就已经开始验证了) -![jvm-class-load](https://tva1.sinaimg.cn/large/0082zybply1gbnxhplvkrj30yi0d60ty.jpg) +![jvm-class-load](https://img.starfish.ink/jvm/jvm-class-load.png) + +> ##### 1. **加载（Loading）** +> +> - 核心任务： +> 1. 通过全限定名获取类的二进制字节流（来源包括JAR、网络、动态生成等） +> 2. 将字节流转换为方法区的运行时数据结构。 +> 3. 在堆中生成 `java.lang.Class`对象，作为访问入口 +> - 自定义加载器：可重写 `findClass()`方法实现从非标准来源加载类（如网络）。 +> +> ##### 2. **验证（Verification）** +> +> - 确保字节流符合JVM规范且无害： +> - 文件格式验证：检查魔数（`0xCAFEBABE`）、版本号等。 +> - 元数据验证：检查语义（如是否继承final类）。 +> - 字节码验证：分析程序逻辑（如类型转换有效性）。 +> - 符号引用验证：确认符号引用可解析（如类、方法是否存在）。 +> - 可关闭：生产环境可通过 `-Xverify:none` 跳过部分验证。 +> +> ##### 3. **准备（Preparation）** +> +> - 为**静态变量（类变量）**分配内存并设置初始值： +> - 默认零值：如 `int` 为0，`boolean` 为false，引用类型为 null。 +> - Final常量例外：若变量被 `final static` 修饰，则直接赋代码中的初始值。 +> - 内存分配位置：JDK7+后静态变量存储在堆中而非方法区。 +> +> ##### 4. **解析（Resolution）** +> +> - 将常量池中的符号引用转换为直接引用（内存地址或偏移量）： +> +> - 符号引用：类、方法、字段的描述字符串（如 `java/lang/Object`）。 +> +> - 符号引用：编译时生成的抽象描述，包含类/接口全限定名、字段/方法名称及描述符。例如，`java/lang/String.length:()I` 表示 `String.length()` 方法的符号引用。 +> - 特点：与内存布局无关，仅通过符号定位目标，未加载时无法确定实际地址。 +> +> - 直接引用：指向目标的内存地址或偏移量，如方法在方法表中的索引或字段在对象中的偏移。 +> +> 转换时机： +> +> - **静态解析**：类加载的解析阶段（如 `invokestatic` 调用静态方法）。 +> - **动态解析**：运行时根据实际对象类型确定（如 `invokevirtual` 实现多态） +> +> - 动态绑定：部分解析可能在初始化后执行（如接口方法调用）。 +> +> ##### 5. **初始化（Initialization）** +> +> - 执行类构造器 `()`方法（由编译器自动生成）： +> - 内容：合并静态变量赋值和静态代码块语句，按代码顺序执行。 +> - 线程安全：JVM保证 `()`在多线程下仅执行一次。 +> - **父类优先**：子类初始化前确保父类已初始化 + + + +### 🎯 符号引用是什么？ + +符号引用就是 **字节码层面的抽象标识**，比如类名 `"com/example/Test"`、方法名 `"doSomething()V"`。在解析阶段，JVM 会把这些符号解析成具体的 **内存地址或偏移量**（直接引用）。 + +- 符号引用存在于： + - 类的常量池 + - 方法符号引用 + - 字段符号引用 + + + +### 🎯 触发初始化的条件（主动引用） +以下情况会触发类的初始化阶段 ： +1. **创建实例**：通过 `new` 关键字实例化对象。 +2. 访问静态成员：访问类的静态变量（非 `final`）或调用静态方法（包括反射调用 `Class.forName()`）。 + - 例外：若静态变量是 final 常量（如 `final static int a=1`），不会触发初始化。 +3. **反射调用**：使用 `java.lang.reflect` 包的方法对类进行反射调用。 +4. **子类初始化**：初始化子类时，若父类未初始化，则优先初始化父类。 +5. **主类启动**：执行包含 `main()` 方法的类（JVM 启动时的入口类）。 +6. **动态语言支持**：通过 `java.lang.invoke.MethodHandle` 动态调用时。 -### 2、什么是类加载器，类加载器有哪些？这些类加载器都加载哪些文件？ +**被动引用示例（不触发初始化）** + +- 通过子类引用父类的静态字段（仅初始化父类）。 +- 通过数组定义引用类（如 `ClassA[] arr = new ClassA[10]`） +- 访问类的 `final static` 常量（编译期已放入常量池） + +### 🎯 类卸载条件 + +1. 所有实例已被GC回收。 +2. 无任何地方引用该类的`Class`对象。 +3. 加载该类的类加载器实例已被GC。 + +- **注意**：由启动类加载器加载的类（如核心类）永不卸载 + + + +### 🎯 **静态变量何时赋值？** + +非final变量在初始化阶段赋值，final常量在准备阶段赋值 + + + +### 🎯 什么是类加载器，类加载器有哪些？这些类加载器都加载哪些文件？ + +类加载器（ClassLoader）是 JVM 的核心组件，负责将 `.class` 文件的二进制数据加载到内存中，并在堆中生成对应的 `java.lang.Class` 对象，作为访问类元数据的入口。其核心功能包括： + +1. **定位并读取字节码文件**（如从本地文件、网络、JAR 包等来源）。 +2. **验证字节码合法性**（如文件格式、语义检查等）。 +3. **分配内存并初始化默认值**（如静态变量的零值）。 +4. **解析符号引用为直接引用**（内存地址或偏移量）。 +5. **执行类的初始化逻辑**（如静态代码块） -类加载器就是做上边提到的类加载过程的一个东西~ -类加载器的任务是根据一个类的全限定名来读取此类的二进制字节流到 JVM 中，然后转换为一个与目标类对应的 java.lang.Class 对象实例 ##### 启动类加载器（引导类加载器，Bootstrap ClassLoader） @@ -62,57 +178,111 @@ Java 虚拟机把描述类的数据从 Class 文件加载到内存，并对数 ##### 用户自定义类加载器 -在 Java 的日常应用程序开发中，类的加载几乎是由 3 种类加载器相互配合执行的，在必要时，我们还可以自定义类加载器，来定制类的加载方式 +- 继承 `ClassLoader`，可以自定义类加载逻辑，比如从网络/数据库加载类。 -### 3、为什么要自定义类加载器？ - -- 隔离加载类 -- 修改类加载的方式 -- 扩展加载源（可以从数据库、云端等指定来源加载类） -- 防止源码泄露（Java 代码容易被反编译，如果加密后，自定义加载器加载类的时候就可以先解密，再加载） +### 🎯 什么是双亲委派机制？它有啥优势？ +Java 虚拟机对 class 文件采用的是**按需加载**的方式，也就是说当需要使用该类的时候才会将它的 class 文件加载到内存生成 class 对象。而且加载某个类的 class 文件时，Java 虚拟机采用的是双亲委派模式，即把请求交给父类处理，它是一种任务委派模式。 +简单说就是当类加载器（Class-Loader）试图加载某个类型的时候，除非父加载器找不到相应类型，否则尽量将这个任务代理给当前加载器的父加载器去做。使用委派模型的目的是避免重复加载 Java 类型。 -### 4、多线程的情况下，类的加载为什么不会出现重复加载的情况？ +- **核心原则**：类加载器收到加载请求时，优先委派父类加载器完成加载，若父类无法加载，则由自身尝试加载。 +- **意义**：避免重复加载，保证核心类安全（如防止自定义`java.lang.String`覆盖系统类） -双亲委派 +![](https://img.starfish.ink/jvm/classloader.png) +> **工作过程** +> +> 1. 当某个类加载器收到 `loadClass("java.lang.String")` 请求： +> - 它会先交给 **父加载器** 去处理。 +> 2. 父加载器继续向上委托，直到顶层 **Bootstrap ClassLoader**。 +> 3. Bootstrap 找到 `rt.jar` 中的 `java.lang.String`，就加载返回。 +> 4. 如果父加载器都找不到，才会由子加载器自己去尝试。 +> +> **优势** +> +> - **避免类的重复加载**，JVM 中区分不同类，不仅仅是根据类名，相同的 class 文件被不同的 ClassLoader 加载就属于两个不同的类（比如，Java中的Object类，无论哪一个类加载器要加载这个类，最终都是委派给处于模型最顶端的启动类加载器进行加载，如果不采用双亲委派模型，由各个类加载器自己去加载的话，系统中会存在多种不同的 Object 类） +> - **保护程序安全，防止核心 API 被随意篡改**，避免用户自己编写的类动态替换 Java 的一些核心类，比如我们自定义类：`java.lang.String` -### 5、自定义了一个String，那么会加载哪个String？ -针对 java.*开头的类，jvm 的实现中已经保证了必须由 bootstrp 来加载 +### 🎯 为什么要自定义类加载器？ +- 隔离加载类 +- 修改类加载的方式 +- 扩展加载源（可以从数据库、云端等指定来源加载类） +- 防止源码泄露（Java 代码容易被反编译，如果加密后，自定义加载器加载类的时候就可以先解密，再加载） -### 6、什么是双亲委派机制？它有啥优势？ -![img](https://tva1.sinaimg.cn/large/0082zybply1gbo5vegwfuj30rs0lv45n.jpg) +### 🎯 自定义了一个String，那么会加载哪个String？ -Java 虚拟机对 class 文件采用的是**按需加载**的方式，也就是说当需要使用该类的时候才会将它的 class 文件加载到内存生成 class 对象。而且加载某个类的 class 文件时，Java 虚拟机采用的是双亲委派模式，即把请求交给父类处理，它是一种任务委派模式。 +| **场景** | **能否加载自定义`String`** | **原因** | +| ---------------------- | -------------------------- | ----------------------------------------------------------- | +| 包名为`java.lang` | ❌ 不能 | 双亲委派机制优先加载系统类，且JVM安全机制禁止篡改核心包 | +| 包名非`java.lang` | ✅ 能 | 应用类加载器直接加载用户类路径下的自定义类，与系统类无冲突 | +| 自定义类加载器打破委派 | ✅ 能（但类型不同） | 绕过双亲委派直接加载，但JVM认为自定义类与系统类是独立存在的 | -简单说就是当类加载器（Class-Loader）试图加载某个类型的时候，除非父加载器找不到相应类型，否则尽量将这个任务代理给当前加载器的父加载器去做。使用委派模型的目的是避免重复加载 Java 类型。 +- JVM会阻止用户定义以`java.lang`开头的包名，直接抛出`SecurityException: Prohibited package name: java.lang`，避免核心类被篡改 +- 若自定义`String`类的包名不同（如`com.example.String`），应用程序类加载器（AppClassLoader）会直接加载它，不会与系统`String`冲突。 +- 使用时需明确指定全限定类名（如`com.example.String str = new com.example.String()`） -> **工作过程** +> 如果你自定义了一个 `String` 类型的数据，那么系统会加载哪个 `String` 取决于几个因素： > -> - 如果一个类加载器收到了类加载请求，它并不会自己先去加载，而是把这个请求委托给父类的加载器去执行； -> - 如果父类加载器还存在其父类加载器，则进一步向上委托，依次递归，请求最终将到达顶层的启动类加载器； -> - 如果父类加载器可以完成类加载任务，就成功返回，倘若父类加载器无法完成此加载任务，子加载器才会尝试自己去加载，这就是双亲委派模式 +> 1. **作用域（Scope）**： +> - 如果自定义的 `String` 位于局部作用域内（例如一个方法内部），那么这个局部变量将会被优先使用。 +> - 如果自定义的 `String` 位于类的成员变量或者全局变量，那么在该类或全局范围内会优先使用这个自定义的 `String`。 +> 2. **类加载顺序**： +> - 如果你在某个类中自定义了一个名为 `String` 的类型，这个自定义的类型会在该类的上下文中被优先加载。 +> - 通常来说，标准库中的 `java.lang.String` 会在默认情况下被加载使用，但如果你定义了一个同名类且在当前作用域内，这个自定义的类会覆盖标准库中的类。 +> 3. **包的使用**： +> - 如果你的自定义 `String` 类型在某个特定的包中，而标准库的 `java.lang.String` 是在 `java.lang` 包中，那么在不明确指定包名的情况下，当前作用域内的类型会优先被加载。 +> - 可以通过完全限定名（Fully Qualified Name）来区分，例如使用 `java.lang.String` 来确保使用的是标准库中的 `String`。 > -> **优势** +> 以下是一个示例来说明作用域和类加载的情况： +> +> ```JAVA +> public class MyClass { +> // 自定义的String类 +> public static class String { +> public void print() { +> System.out.println("This is my custom String class."); +> } +> } +> +> public static void main(String[] args) { +> // 使用自定义的String类 +> String myString = new String(); +> myString.print(); // 输出: This is my custom String class. +> +> // 使用标准库的String类 +> java.lang.String standardString = new java.lang.String("Hello, World!"); +> System.out.println(standardString); // 输出: Hello, World! +> } +> } +> ``` +> +> 在这个示例中： +> +> - `mypackage.MyClass.String` 是自定义的 `String` 类，并在 `main` 方法中优先使用。 +> - `java.lang.String` 是标准库中的 `String` 类，通过完全限定名确保其正确加载。 +> +> 综上所述，系统会加载哪个 `String`，取决于你的自定义 `String` 在代码中的定义位置和使用范围。如果你明确指定了完全限定名，那么系统会准确加载你指定的那个 `String` 类。 +> +> 针对 java.*开头的类，jvm 的实现中已经保证了必须由 bootstrp 来加载 > -> - **避免类的重复加载**，JVM 中区分不同类，不仅仅是根据类名，相同的 class 文件被不同的 ClassLoader 加载就属于两个不同的类（比如，Java中的Object类，无论哪一个类加载器要加载这个类，最终都是委派给处于模型最顶端的启动类加载器进行加载，如果不采用双亲委派模型，由各个类加载器自己去加载的话，系统中会存在多种不同的 Object 类） -> - **保护程序安全，防止核心 API 被随意篡改**，避免用户自己编写的类动态替换 Java 的一些核心类，比如我们自定义类：`java.lang.String` -### 在多线程的情况下，类的加载为什么不会出现重复加载的情况？ +### 🎯 多线程的情况下，类的加载为什么不会出现重复加载的情况？ + +双亲委派 **三个类加载器的关系，不是父子关系，是组合关系。** -看看类加载器的加载类的方法loadClass +看看类加载器的加载类的方法 loadClass ```java protected Class loadClass(String name, boolean resolve) @@ -171,24 +341,81 @@ protected Class loadClass(String name, boolean resolve) -### 7、可以打破双亲委派机制吗？ +### 🎯 可以打破双亲委派机制吗？ - 双亲委派模型并不是一个强制性的约束模型，而是 Java 设计者推荐给开发者的类加载器实现方式，可以“被破坏”，只要我们自定义类加载器，**重写 `loadClass()` 方法**，指定新的加载逻辑就破坏了，重写 `findClass()` 方法不会破坏双亲委派。 + - 双亲委派模型有一个问题：顶层 ClassLoader，无法加载底层 ClassLoader 的类。典型例子 JNDI、JDBC，所以加入了线程上下文类加载器（Thread Context ClassLoader），可以通过 `Thread.setContextClassLoaser()`设置该类加载器，然后顶层 ClassLoader 再使用 `Thread.getContextClassLoader()` 获得底层的 ClassLoader 进行加载。 -- Tomcat 中使用了自定 ClassLoader，并且也破坏了双亲委托机制。每个应用使用 WebAppClassloader 进行单独加载，他首先使用 WebAppClassloader 进行类加载，如果加载不了再委托父加载器去加载，这样可以保证每个应用中的类不冲突。每个 tomcat 中可以部署多个项目，每个项目中存在很多相同的 class 文件（很多相同的jar包），他们加载到 jvm 中可以做到互不干扰。 + +- Tomcat 中使用了自定义 ClassLoader，并且也破坏了双亲委托机制。每个应用使用 WebAppClassloader 进行单独加载，他首先使用 WebAppClassloader 进行类加载，如果加载不了再委托父加载器去加载，这样可以保证每个应用中的类不冲突。每个 tomcat 中可以部署多个项目，每个项目中存在很多相同的 class 文件（很多相同的jar包），他们加载到 jvm 中可以做到互不干扰。 + + > Tomcat 为每个 Web 应用创建独立的 `WebAppClassLoader`，确保不同应用中同名类（如不同版本的 `commons-lang`）互不干扰。例如： + > + > - **应用 A** 使用 `commons-lang-2.0.jar`，由 `WebAppClassLoaderA` 加载。 + > - **应用 B** 使用 `commons-lang-3.0.jar`，由 `WebAppClassLoaderB` 加载。 即使类名相同，两个应用中的类也会被 JVM 视为不同的类 + - 利用破坏双亲委派来实现**代码热替换**（每次修改类文件，不需要重启服务）。因为一个 Class 只能被一个 ClassLoader 加载一次，否则会报 `java.lang.LinkageError`。当我们想要实现代码热部署时，可以每次都 new 一个自定义的 ClassLoader 来加载新的 Class文件。JSP 的实现动态修改就是使用此特性实现。 +### 🎯 i++ 和 i=i+1在字节码文件上怎么实现及区别？ + +**i++** 的字节码（使用 `javap -c` 查看）： + +``` +0: iconst_0 // 将 0 压入操作数栈 +1: istore_1 // 将栈顶的值（0）存储到局部变量 1（i） +2: iinc 1, 1 // i 递增 1（相当于 i++） +5: return +``` + +**i = i + 1** 的字节码： + +``` +0: iconst_0 // 将 0 压入操作数栈 +1: istore_1 // 将栈顶的值（0）存储到局部变量 1（i） +2: iload_1 // 将局部变量 1（i）加载到操作数栈 +3: iconst_1 // 将常量 1 推入操作数栈 +4: iadd // 栈顶两个数相加（i + 1） +5: istore_1 // 将结果存储到局部变量 1（i） +6: return +``` + +**字节码差异**： + +- `i++` 通过 **`iinc`** 指令直接修改局部变量 `i` 的值，而 `i = i + 1` 需要先加载变量 `i` 到栈中，再加上 1，最后将结果存储回 `i`。因此，`i++` 相比 `i = i + 1` 更为简洁，直接修改变量，而 `i = i + 1` 需要额外的加法和栈操作。 + +**效率差异**： + +- **`i++`** 的字节码更高效，使用 **`iinc`** 指令直接增加局部变量的值，不需要进行加法运算。 +- **`i = i + 1`** 的字节码则需要进行 **加载、加法、存储** 三步操作，涉及到更多的指令和操作数栈。 + +**可读性差异**： + +- `i++` 更符合编程习惯和语法逻辑，它明确表示这是一个递增操作，并且在执行后会返回 `i` 的旧值。 +- `i = i + 1` 更为直观，表达了 `i` 增加的过程，但它是一个赋值操作，语义上更清晰一些。 + + + ------ -## 二、内存结构 +## 二、JVM内存模型 -### 8、Java 内存结构？| JVM 内存区域的划分 +### 🎯 Java 内存结构？| JVM 内存区域的划分 -![1.png](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xbsrx0bj20ku09474n.jpg) +> JVM内存结构主要分为以下几个部分： +> +> | 区域类型 | 包含区域 | 作用 | 是否会 OOM（内存溢出） | +> | -------------- | -------------------------------------- | ------------------------------------------ | ------------------------- | +> | **线程共享区** | 堆（Heap） | 存储对象实例、数组，GC 主要回收区域 | 会（对象过多时） | +> | | 方法区（Method Area） | 存储类信息、常量、静态变量、字节码等 | 会（类过多 / 常量过大时） | +> | **线程私有区** | 虚拟机栈（VM Stack） | 存储方法调用的栈帧（局部变量、操作数栈等） | 会（栈深度过大时） | +> | | 本地方法栈（Native Stack） | 支持 native 方法调用（如 C 语言方法） | 会 | +> | | 程序计数器（Program Counter Register） | 记录当前线程执行的字节码指令地址 | 不会（内存固定） | + +![1.png](https://img.starfish.ink/jvm/jvm-framework.png) 通常可以把 JVM 内存区域分为下面几个方面，其中，有的区域是以线程为单位，而有的区域则是整个 JVM 进程唯一的。 @@ -214,12 +441,12 @@ protected Class loadClass(String name, boolean resolve) > - 直接内存（Direct Memory）区域， Direct Buffer 所直接分配的内存，也是个容易出现问题的地方。尽管，在 JVM 工程师的眼中，并不认为它是 JVM 内部内存的一部分，也并未体现 JVM 内存模型中。 > - JVM 本身是个本地程序，还需要其他的内存去完成各种基本任务，比如，JIT Compiler 在运行时对热点方法进行编译，就会将编译后的方法储存在 Code Cache 里面；GC 等功能需要运行在本地线程之中，类似部分都需要占用内存空间。这些是实现 JVM JIT 等功能的需要，但规范中并不涉及。 +> +> ![JVM Overview](https://abiasforaction.net/wp-content/uploads/2020/12/xJVM_Overview.png,qx60851.pagespeed.ic.yS2Huqqhjz.webp) - - -### 9、1.7和1.8中jvm内存结构的区别 +### 🎯 1.7 和 1.8 中 jvm 内存结构的区别 在 Java8 中，永久代被移除，被一个称为元空间的区域代替，元空间的本质和永久代类似，都是方法区的实现。 @@ -227,17 +454,45 @@ protected Class loadClass(String name, boolean resolve) 因此，默认情况下，元空间的大小仅受本地内存限制。类的元数据放入 natice memory，字符串池和类的静态变量放入堆中。 -![img](https://tva1.sinaimg.cn/large/007S8ZIlly1gfwrx0a1jqj30ol0ck754.jpg) - +![](https://dl-harmonyos.51cto.com/images/202212/d37207e632cd193510c4713b1db551924c2d36.png) -### 10、JVM 堆内部结构？ | JVM 堆内存为什么要分成新生代，老年代，持久代 -![](https://static001.geekbang.org/resource/image/72/89/721e97abc93449fbdb4c071f7b3b5289.png) +### 🎯 JVM 堆内部结构？ | JVM 堆内存为什么要分成新生代，老年代，持久代 -1. 新生代 +> 堆内存是JVM中最大的一块内存区域，主要用于存储对象实例： +> +> ``` +> ┌─────────────────────────────────────────────────────────────┐ +> │ 堆内存结构 │ +> ├─────────────────────────────────────────────────────────────┤ +> │ 新生代(Young Generation) - 1/3堆空间 │ +> │ ┌─────────────┐ ┌─────────────┐ ┌─────────────────────┐ │ +> │ │ Eden区 │ │ Survivor0 │ │ Survivor1 │ │ +> │ │ (8/10) │ │ (1/10) │ │ (1/10) │ │ +> │ └─────────────┘ └─────────────┘ └─────────────────────┘ │ +> ├─────────────────────────────────────────────────────────────┤ +> │ 老年代(Old Generation) - 2/3堆空间 │ +> │ ┌─────────────────────────────────────────────────────────┐ │ +> │ │ │ │ +> │ │ │ │ +> │ └─────────────────────────────────────────────────────────┘ │ +> └─────────────────────────────────────────────────────────────┘ +> ``` +> +> **新生代特点**： +> +> - **Eden区**：新创建的对象首先分配在这里 +> - **Survivor区**：经过Minor GC后存活的对象会被移动到Survivor区 +> - **比例**：Eden:S0:S1 = 8:1:1 +> +> **老年代特点**： +> +> - 存储经过多次Minor GC后仍然存活的对象 +> - 大对象直接进入老年代 +> - 触发Major GC/Full GC - 新生代是大部分对象创建和销毁的区域，在通常的 Java 应用中，绝大部分对象生命周期都是很短暂的。其内部又分为 Eden 区域，作为对象初始分配的区域；两个 Survivor，有时候也叫 from、to 区域，被用来放置从 Minor GC 中保留下来的对象。 +1. 新生代：新生代是大部分对象创建和销毁的区域，在通常的 Java 应用中，绝大部分对象生命周期都是很短暂的。其内部又分为 Eden 区域，作为对象初始分配的区域；两个 Survivor，有时候也叫 from、to 区域，被用来放置从 Minor GC 中保留下来的对象。 - JVM 会随意选取一个 Survivor 区域作为“to”，然后会在 GC 过程中进行区域间拷贝，也就是将 Eden 中存活下来的对象和 from 区域的对象，拷贝到这个“to”区域。这种设计主要是为了防止内存的碎片化，并进一步清理无用对象。 @@ -245,13 +500,10 @@ protected Class loadClass(String name, boolean resolve) ![](https://static001.geekbang.org/resource/image/f5/bd/f546839e98ea5d43b595235849b0f2bd.png) - 2. 老年代 - - 放置长生命周期的对象，通常都是从 Survivor 区域拷贝过来的对象。当然，也有特殊情况，我们知道普通的对象会被分配在 TLAB 上；如果对象较大，JVM 会试图直接分配在 Eden 其他位置上；如果对象太大，完全无法在新生代找到足够长的连续空闲空间，JVM 就会直接分配到老年代。 +2. 老年代：放置长生命周期的对象，通常都是从 Survivor 区域拷贝过来的对象。当然，也有特殊情况，我们知道普通的对象会被分配在 TLAB 上；如果对象较大，JVM 会试图直接分配在 Eden 其他位置上；如果对象太大，完全无法在新生代找到足够长的连续空闲空间，JVM 就会直接分配到老年代。 - 3. 永久代 +3. 永久代：这部分就是早期 Hotspot JVM 的方法区实现方式了，储存 Java 类元数据、常量池、Intern 字符串缓存，在 JDK 8 之后就不存在永久代这块儿了。 - 这部分就是早期 Hotspot JVM 的方法区实现方式了，储存 Java 类元数据、常量池、Intern 字符串缓存，在 JDK 8 之后就不存在永久代这块儿了。 #### 一些参数的配置 @@ -267,45 +519,217 @@ protected Class loadClass(String name, boolean resolve) -### 11、Java 对象是不是都创建在堆上的呢？ +### 🎯 方法区存储什么内容？ + +方法区存储的是类级别的数据，包括： + +1. **类信息**： + - 类的完整名称 + - 类的直接父类 + - 类的修饰符 + - 类的接口列表 + +2. **字段信息**： + - 字段名称 + - 字段类型 + - 字段修饰符 + +3. **方法信息**： + - 方法名称 + - 方法返回类型 + - 方法参数 + - 方法修饰符 + - 方法的字节码 + +4. **常量池**： + - 字符串常量 + - 数字常量 + - 类和接口的符号引用 + +5. **静态变量**： + - 类变量（static修饰的变量） + +**JDK版本变化**： + +- **JDK 1.7之前**：方法区称为"永久代"(PermGen) +- **JDK 1.8之后**：方法区称为"元空间"(Metaspace)，使用本地内存 + + + +### 🎯 栈帧的内部结构? + +在 Java 中，**虚拟机栈**（JVM Stack）是 JVM 内存模型的一个重要组成部分，它用于存储方法调用的相关信息，如局部变量、操作数栈、方法调用的返回地址等。每个线程在执行时都会有一个独立的虚拟机栈，确保多线程间的数据隔离。 + +- **每个线程都有自己的虚拟机栈**，栈是按照方法调用来组织的。 +- 栈中的数据是 **方法调用栈帧**（Stack Frame），每个栈帧表示一个方法的执行。 +- 方法在执行时，JVM 会为每个方法分配一个栈帧，每当方法调用时会将栈帧压入栈中，方法返回时会将栈帧弹出。 + +每个**栈帧**（Stack Frame）中存储着： + +- **局部变量表**：存储方法的局部变量（基本类型、对象引用、returnAddress 类型），容量在编译期确定（如 `int a=1` 占用 1 个槽位，`long b=2` 占用 2 个槽位）。 +- **操作数栈**：执行字节码指令时的临时数据栈（如 `a+b` 运算时，需先将 a、b 入栈，再执行加法指令）。 +- **动态链接**：指向方法区中该方法的符号引用（将符号引用转为直接引用，支持多态）。 +- **方法返回地址**：方法执行完毕后，返回调用者的指令地址（如正常返回的 pc 计数器值，或异常处理的地址）。 +- 一些附加信息 -我注意到有一些观点，认为通过[逃逸分析](https://en.wikipedia.org/wiki/Escape_analysis)，JVM 会在栈上分配那些不会逃逸的对象，这在理论上是可行的，但是取决于 JVM 设计者的选择。据我所知，Oracle Hotspot JVM 中并未这么做，这一点在逃逸分析相关的[文档](https://docs.oracle.com/javase/8/docs/technotes/guides/vm/performance-enhancements-7.html#escapeAnalysis)里已经说明，所以可以明确所有的对象实例都是创建在堆上。 +![图片](https://mmbiz.qpic.cn/mmbiz_jpg/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29fMr12sicgr3HIgRFtFRY8IAcDvwP6orNRRIojrn3edcS3h2ibblgAgQg/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) -- 目前很多书籍还是基于 JDK 7 以前的版本，JDK 已经发生了很大变化，Intern 字符串的缓存和静态变量曾经都被分配在永久代上，而永久代已经被元数据区取代。但是，Intern 字符串缓存和静态变量并不是被转移到元数据区，而是直接在堆上分配，所以这一点同样符合前面一点的结论：对象实例都是分配在堆上。 +### 🎯 方法返回地址什么时候回收？ +方法返回地址存储在栈帧中，其回收与 **栈帧出栈** 同步： +- 当方法正常执行完毕（遇到 `return` 指令）或异常终止（未被捕获的异常导致方法退出）时，当前栈帧会从虚拟机栈中弹出。 +- 栈帧出栈后，其包含的 “方法返回地址”“局部变量表”“操作数栈” 等数据会被自动回收（无需 GC 参与，属于线程私有内存的自动释放）。 -### Java new 一个对象的过程发生了什么 -java在new一个对象的时候，会先查看对象所属的类有没有被加载到内存，如果没有的话，就会先通过类的全限定名来加载。加载并初始化类完成后，再进行对象的创建工作。 -我们先假设是第一次使用该类，这样的话new一个对象就可以分为两个过程：加载并初始化类和创建对象 +### 🎯 程序计数器什么时候为空? + +程序计数器的作用是 **记录当前线程执行的字节码指令地址**（如下一条要执行的指令位置），其 “为空” 的场景只有一种： + +- **当线程执行的是 native 方法时**（如调用 `System.currentTimeMillis()` 等本地方法），由于 native 方法由非 Java 语言实现（如 C/C++），其执行不受 JVM 字节码指令控制，此时程序计数器的值为 **undefined**（可理解为 “空”）。 + +其他场景（执行 Java 方法时），程序计数器始终存储有效指令地址（即使方法阻塞，计数器也会保留当前位置，线程唤醒后可继续执行）。 + + + +### 🎯 Java 对象是不是都创建在堆上的呢？ + +> JVM 的一些高级优化技术，例如逃逸分析（Escape Analysis），可以使对象在栈上分配内存，而不是堆上。逃逸分析可以判断对象的作用域，如果确定对象不会逃逸出方法（即对象仅在方法内部使用），JVM 可以选择将对象分配在栈上。这种优化减少了垃圾回收的负担，并提高了性能。 +> +> 通过[逃逸分析](https://en.wikipedia.org/wiki/Escape_analysis)，JVM 会在栈上分配那些不会逃逸的对象，这在理论上是可行的，但是取决于 JVM 设计者的选择。 + +在 Java 中，并不是所有对象都严格创建在堆上，尽管大部分情况下确实如此。具体来说： + +1. **普通对象：通常创建在堆上** + - Java 中通过 `new` 关键字创建的对象（比如 `new MyClass()`），以及通过反射、序列化等机制创建的对象，默认分配在堆上。 + + - 堆是 JVM 中用来存储对象实例和数组的区域，所有线程共享。 + +2. 栈上分配对象（逃逸分析 & 标量替换优化） + - 在某些情况下，JVM 可以通过优化技术将原本应该在堆上分配的对象转移到栈上分配。这种优化是通过**逃逸分析（Escape Analysis）**实现的。 + - 如果 JVM 确定某个对象不会在当前方法之外被访问（不会逃逸当前线程），那么它可能会将该对象分配在栈上。 + - 如果对象分配在栈上，当方法执行完毕，栈帧出栈时，对象会自动销毁，不需要垃圾回收。 + +3. **标量替换** + - 如果逃逸分析进一步确定一个对象的成员变量可以直接用基本数据类型代替，则 JVM 可能会将对象“拆分”为一组标量变量，而根本不创建对象。这种情况下，对象实际上并没有被显式分配在堆或栈上。 + +4. **方法区中的特殊对象** + + - **类对象**：每个类的 `Class` 对象是存储在**方法区**中的，用于反射和类元数据。 + + - **字符串池**：字符串字面量（如 `"hello"`）存储在堆外的字符串常量池（Java 7 开始字符串常量池在堆中）。 + +5. **直接内存中的对象** + - 通过 `ByteBuffer.allocateDirect()` 分配的直接内存区域（Direct Memory）不在堆上，而是使用操作系统的内存。 + +**结论** + +虽然大部分 Java 对象创建在堆上，但由于 JVM 的优化（如逃逸分析、标量替换）和一些特定机制（如字符串常量池、直接内存），并非所有对象都严格创建在堆上。是否在堆上分配，具体取决于对象的生命周期、作用域以及 JVM 的运行时优化策略。 + + + +### 🎯 Java new 一个对象的过程发生了什么？ + +Java 在 new 一个对象的时候，会先查看对象所属的类有没有被加载到内存，如果没有的话，就会先通过类的全限定名来加载。加载并初始化类完成后，再进行对象的创建工作。 + +我们先假设是第一次使用该类，这样的话 new 一个对象就可以分为两个过程：**加载并初始化类和创建对象** 加载过程就是 ClassLoader 那一套：加载-验证-准备-解析-初始化 -然后创建对象 +**一、类加载与初始化（首次使用类时触发）** + +1. **类加载检查** + + - **触发条件**：首次使用类（如 `new`、反射调用等），检查是否已加载类元数据。 + + - 加载流程： + - **加载（Loading）**：通过类加载器（如 `AppClassLoader`）从磁盘、网络等来源读取 `.class` 字节流。 + - **验证（Verification）**：检查字节码合法性（如魔数 `0xCAFEBABE`）。 + - **准备（Preparation）**：为静态变量分配内存并赋零值（如 `static int` 初始化为 0）。 + - **解析（Resolution）**：将符号引用转为直接引用（如方法地址）。 + - **初始化（Initialization）**：执行 `()` 方法，合并静态代码块和静态变量赋值。 + +2. **类加载的懒加载特性** + + - **延迟加载**：类仅在首次主动使用时加载，避免启动时加载所有类。 + + ```java + public class MyClass { + static { System.out.println("类已初始化"); } + } + public class Test { + public static void main(String[] args) { + // 首次 new 时触发类加载和初始化 + MyClass obj = new MyClass(); // 输出："类已初始化" + } + } + ``` + + +**二、对象实例化阶段** + +1. **分配堆内存** + + - 内存分配方式： + - **指针碰撞（Bump the Pointer）**：适用于规整内存（如 `Serial` 收集器），通过移动指针分配连续内存。 + - **空闲列表（Free List）**：适用于碎片化内存（如 `CMS` 收集器），维护可用内存块列表。 + + - 线程安全机制： + - **CAS + 重试**：通过原子操作避免多线程竞争。 + - **TLAB（Thread Local Allocation Buffer）**：为每个线程预分配私有内存区域，减少锁竞争。 + +2. **初始化零值** + + - JVM 将对象内存区域初始化为零值： + - 基本类型：`int` → `0`，`boolean` → `false`。 + - 引用类型：初始化为 `null`。 + + - **意义**：确保未显式赋值的字段可直接使用。 + +3. **设置对象头（Object Header）** -1. 在堆区分配对象需要的内存 + - **Mark Word**：存储哈希码、GC 分代年龄、锁状态（如偏向锁标记）。 - 分配的内存包括本类和父类的所有实例变量，但不包括任何静态变量 + - **类型指针（Class Pointer）**：指向方法区中的类元数据（`Class` 对象），表示该对象是哪个类的实例。 -2. 对所有实例变量赋默认值 + - **数组长度**（仅数组对象）：记录数组长度。 - 将方法区内对实例变量的定义拷贝一份到堆区，然后赋默认值 +4. **执行 `()` 方法** -3. 执行实例初始化代码 + - 初始化顺序： + 1. **父类构造方法**：递归调用父类构造方法（隐式调用 `super()`）。 + 2. **实例变量初始化**：按代码顺序执行字段赋值和实例代码块。 + 3. **构造方法体**：执行用户编写的构造逻辑。 - 初始化顺序是先初始化父类再初始化子类，初始化时先执行实例代码块然后是构造方法 + ```java + public class Parent { + public Parent() { System.out.println("Parent构造方法"); } + } + public class Child extends Parent { + private int x = initX(); // 实例变量初始化 + { System.out.println("Child实例代码块"); } // 实例代码块 + public Child() { + System.out.println("Child构造方法"); + } + private int initX() { + System.out.println("初始化x"); + return 10; + } + } + // 输出顺序： + // Parent构造方法 → 初始化x → Child实例代码块 → Child构造方法 + ``` -4. 如果有类似于Child c = new Child()形式的c引用的话，在栈区定义Child类型引用变量c，然后将堆区对象的地址赋值给它 +5. **返回对象引用**：构造完成后，栈帧中引用变量（如 `obj`）指向堆内存地址。 -### 12、请谈谈你对 OOM 的认识 | 哪些区域可能发生 OutOfMemoryError？ +### 🎯 请谈谈你对 OOM 的认识 | 哪些区域可能发生 OutOfMemoryError？ OOM 如果通俗点儿说，就是 JVM 内存不够用了，javadoc 中对[OutOfMemoryError](https://docs.oracle.com/javase/9/docs/api/java/lang/OutOfMemoryError.html)的解释是，没有空闲内存，并且垃圾收集器也无法提供更多内存。 -这里面隐含着一层意思是，在抛出 OutOfMemoryError 之前，通常垃圾收集器会被触发，尽其所能去清理出空间，例如： +这里面隐含着一层意思是，在抛出 OutOfMemoryError 之前，通常垃圾收集器会被触发，尽其所能去清理出空间 当然，也不是在任何情况下垃圾收集器都会被触发的，比如，我们去分配一个超大对象，类似一个超大数组超过堆的最大值，JVM 可以判断出垃圾收集并不能解决这个问题，所以直接抛出 OutOfMemoryError。 @@ -319,7 +743,7 @@ OOM 如果通俗点儿说，就是 JVM 内存不够用了，javadoc 中对[OutOf -### 13、内存泄露和内存溢出的区别？ +### 🎯 内存泄露和内存溢出的区别？ - 内存泄露 memory leak，是指程序在申请内存后，无法释放已申请的内存空间，一次内存泄露危害可以忽略，但内存泄露堆积后果很严重，无论多少内存，迟早会被占光。 @@ -327,26 +751,97 @@ OOM 如果通俗点儿说，就是 JVM 内存不够用了，javadoc 中对[OutOf memory leak 最终会导致 out of memory！ +内存泄漏是内存溢出的常见诱因，但内存溢出也可能由非泄漏因素（如数据量过大）直接引发 + + + +### 🎯 内存泄漏时，如何定位问题代码? + +在 Java 中，内存泄漏通常指的是对象被不再需要但仍被引用，从而无法被垃圾回收器回收的情况。要定位和修复内存泄漏，通常需要以下几个步骤： + +1. **确认内存泄漏** + + - **表现**：应用程序在长时间运行后会出现性能下降，内存占用不断增加，GC（垃圾回收）频繁但无法回收足够的内存。 + + - 工具：可以使用以下工具来确认内存泄漏： + - **JVM日志**：启用 GC 日志 (`-Xlog:gc*`)，检查垃圾回收的情况，尤其是 Full GC 频繁且回收的内存不多时。 + - **Heap Dump**：通过 `-XX:+HeapDumpOnOutOfMemoryError` 生成堆转储文件，或者使用 `jmap` 工具手动生成堆转储。 + +2. **分析堆转储（Heap Dump）** + + - **Heap Dump 分析工具**： + - **Eclipse MAT** (Memory Analyzer Tool)：可以加载堆转储文件，生成泄漏分析报告，显示哪些对象占用了最多内存，以及哪些对象没有被回收。 + - **VisualVM**：这是一个 Java 性能分析工具，支持堆转储的加载与分析，并能够查看对象引用链，帮助定位导致泄漏的对象。 + - **YourKit**、**JProfiler**：这些是商业性能分析工具，功能更全面，支持实时监控、堆分析、内存泄漏检测等。 + + - **分析堆转储时的关键点**： + - 查找长时间存在的对象（例如常驻内存的单例或缓存），查看其引用链。 + - 找到不再需要但仍被引用的对象，分析其引用路径。 + - 查看某些特定类实例的数量是否异常增长。 + +3. **使用分析工具进行动态分析** + + - **VisualVM**：通过 `VisualVM` 可以在运行时监控堆使用情况，分析类的实例数量，查看垃圾回收日志，甚至进行堆转储。 + + - **JProfiler** 或 **YourKit**：这些工具不仅提供堆分析，还能够在运行时实时显示内存分配、对象实例化情况及引用关系，帮助快速定位内存泄漏。 + +4. **分析代码和日志** + + - 检查哪些对象没有正确地释放或清理，例如： + - **缓存/集合**：使用了 `HashMap`、`ArrayList` 等数据结构，但没有及时清理过期数据，导致大量对象无法回收。 + - **监听器**：事件监听器没有取消注册，导致对象无法被垃圾回收。 + - **ThreadLocal**：如果没有正确清理 `ThreadLocal` 变量，也可能导致内存泄漏，特别是在线程池中。 + - **数据库连接、文件句柄、网络连接等资源**：没有正确关闭，导致资源泄漏。 + + - **日志调试**：通过启用调试日志、使用日志记录对象的创建和释放情况，帮助找出未正确释放的资源。 + +5. **GC 根分析（GC Roots）** + + - 通过分析对象的 GC 根，可以找到哪些对象被引用着但不再被使用。 + + - **引用链分析**：可以借助工具查看哪些对象通过引用链未被回收，特别是常见的 "单例模式"、"静态变量" 等可能会引起问题。 + +6. **避免常见内存泄漏问题** + + - **缓存问题**：如果使用缓存，如 `HashMap`、`WeakHashMap` 等，要确保缓存数据定期清理，避免无限制增加内存占用。 + + - **Listener / Observer 相关问题**：注册的事件监听器或观察者未取消注册，导致对象无法被回收。 + + - **ThreadLocal**：在多线程环境下，使用完 `ThreadLocal` 后，要调用 `remove()` 方法清理线程本地变量。 + - **数据库连接池**：确保数据库连接池设置合理，避免因连接池过度增长导致内存泄漏。 -### 内存泄漏时，如何定位问题代码 +7. **压力测试** + - 使用 **JMeter** 或 **Gatling** 等压力测试工具模拟高并发场景，观察应用程序在长时间高负载下的内存使用情况。通过监控堆内存、GC 日志等，帮助捕捉内存泄漏的迹象。 -Java 的内存泄漏问题比较难以定位，下面针对一些常见的内存泄漏场景做介绍： +8. **代码审查** + - 定期进行代码审查，特别是对资源管理（如数据库连接、IO流等）和大对象（如大型集合、缓存）的处理，确保资源在使用完后正确释放。 -1. 持续在堆上创建对象而不释放。例如，持续不断的往一个列表中添加对象，而不对列表清空。这种问题，通常可以给程序运行时添加 JVM 参数`-Xmx` 指定一个较小的运行堆大小，这样可以比较容易的发现这类问题。 -2. 不正确的使用静态对象。因为 static 关键字修饰的对象的生命周期与 Java 程序的运行周期是一致的，所以垃圾回收机制无法回收静态变量引用的对象。所以，发生内存泄漏问题时，我们要着重分析所有的静态变量。 -3. 对大 String 对象调用 `String.intern()` 方法，该方法会从字符串常量池中查询当前字符串是否存在，若不存在就会将当前字符串放入常量池中。而在 jdk6 之前，字符串常量存储在 `PermGen` 区的，但是默认情况下 `PermGen` 区比较小，所以较大的字符串调用此方法，很容易会触发内存溢出问题。 -4. 打开的输入流、连接没有正确关闭。由于这些资源需要对应的内存维护状态，因此不关闭会导致这些内存无法释放。 +9. **常见内存泄漏示例** -Java 的内存泄漏定位一般是比较困难的，需要使用到很多的实践经验和调试技巧。下面是一些比较通用的方法： + - 缓存泄漏： -- 可以添加 `-verbose:gc` 启动参数来输出 GC 日志。通过分析这些日志，可以知道每次 GC 后内存是否有增加，如果在缓慢的增加，那就有可能是内存泄漏了（当然也需要结合当前的负载）。如果无法添加这个启动参数，也可以使用jstat来查看实时的gc日志。如果有条件运行的化可以考虑使用jvisualvm图形化的观察，不过要是线上的化一般没这个条件。 -- 当通过dump出堆内存，然后使用jvisualvm查看分析，一般能够分析出内存中大量存在的对象以及它的类型等。我们可以通过添加-XX:+HeapDumpOnOutOfMemoryError启动参数来自动保存发生OOM时的内存dump。 -- 当确定出大对象，或者大量存在的实例类型以后，我们就需要去review代码，从实际的代码入手来定位到真正发生泄漏的代码。 + ```java + // 缓存对象没有过期清理 + private static Map cache = new HashMap<>(); + public void addToCache(String key, Object value) { + cache.put(key, value); // 长时间占用内存 + } + ``` + - 监听器未移除： + ```java + public void addListener(MyListener listener) { + eventSource.addListener(listener); // 忘记移除 + } + ``` -### 15、什么情况下会发生栈内存溢出? +定位 Java 中的内存泄漏需要通过一系列工具和方法进行分析，从确认内存泄漏开始，逐步使用堆转储、GC 日志分析、动态监控工具等手段，最终找出泄漏的根源，并根据分析结果修复代码中的内存管理问题。 + + + +### 🎯 什么情况下会发生栈内存溢出? - 栈是线程私有的，他的生命周期与线程相同，每个方法在执行的时候都会创建一个栈帧，用来存储局部变量表，操作数栈，动态链接，方法出口等信息。局部变量表又包含基本数据类型，对象引用类型 - 如果线程请求的栈深度大于虚拟机所允许的最大深度，将抛出StackOverflowError异常，方法递归调用产生这种结果。 @@ -355,7 +850,7 @@ Java 的内存泄漏定位一般是比较困难的，需要使用到很多的实 -### 16、如何监控和诊断 JVM 堆内和堆外内存使用？ +### 🎯 如何监控和诊断 JVM 堆内和堆外内存使用？ 了解 JVM 内存的方法有很多，具体能力范围也有区别，简单总结如下： @@ -368,87 +863,168 @@ Java 的内存泄漏定位一般是比较困难的，需要使用到很多的实 - 如果你使用的是 Tomcat、Weblogic 等 Java EE 服务器，这些服务器同样提供了内存管理相关的功能。 - 另外，从某种程度上来说，GC 日志等输出，同样包含着丰富的信息。 -这里有一个相对特殊的部分，就是是堆外内存中的直接内存，前面的工具基本不适用，可以使用 JDK 自带的 Native Memory Tracking（NMT）特性，它会从 JVM 本地内存分配的角度进行解读。 +这里有一个相对特殊的部分，就是堆外内存中的直接内存，前面的工具基本不适用，可以使用 JDK 自带的 Native Memory Tracking（NMT）特性，它会从 JVM 本地内存分配的角度进行解读。 -### java new一个对象的过程中发生了什么 +### 🎯 String 字符串存放位置？ -java在new一个对象的时候，会先查看对象所属的类有没有被加载到内存，如果没有的话，就会先通过类的全限定名来加载。加载并初始化类完成后，再进行对象的创建工作。 +在 Java 中，`String` 类型的特殊之处在于它可能会在两种位置存放： -1. 类加载过程（第一次使用该类） 加载-验证-准备-解析-初始化（为静态变量赋值、执行static 代码块） -2. 创建对象 - 1. 在堆区间分配对象需要的内存（分配的内存包括本类和父类的所有实例变量，但不包括任何静态变量） - 2. **对所有实例变量赋默认值**（将方法区内对实例变量的定义拷贝一份到堆区，然后赋默认值） - 3. **执行实例初始化代码**（初始化顺序是先初始化父类再初始化子类，初始化时先执行实例代码块然后是构造方法） - 4. **如果有类似于Child c = new Child()形式的c引用的话，在栈区定义Child类型引用变量c，然后将堆区对象的地址赋值给它** +1. **字符串常量池（String Pool）**： + - 在 Java 中，所有的字符串常量（即直接通过双引号声明的字符串字面量）都会存放在字符串常量池中。字符串常量池是位于堆内存中的一块特殊的存储区域。 + - 当程序中多次使用相同的字符串字面量时，Java虚拟机（JVM）会首先在字符串常量池中查找是否存在该字符串。如果存在，就复用已有的字符串引用，而不是重新创建一个新的字符串对象，这样可以节省内存空间。 +2. **堆内存（Heap）**： + - 通过`new`关键字创建的字符串对象，或者通过字符串连接操作符（`+`）动态生成的字符串，会存放在Java堆内存中。 + - 堆内存是Java中存放对象实例的地方，包括通过构造函数创建的`String`对象。 +以下是两种情况的示例： +**字符串常量池示例**： -### String 字符串存放位置（常量池） +```java +String str1 = "Hello, World!"; +String str2 = "Hello, World!"; -在Java中只要是new的信息都会在堆上开辟一个新的空间,为了解决这个问题,JVM中才出现了字符串常量池的概念。但是只有直接用 ""修饰的字符,才会被加入到常量池中,当再次用 ""创建的时候,会首先从常量池中去获取。 -字符串常量池存在于运行时常量池中。也就存在于方法区中。 +// str1和str2可能指向字符串常量池中的同一个对象 +``` -使用相同的字符序列而不是使用new关键字创建的两个字符串会创建指向Java字符串常量池中的同一个字符串的指针。 +**堆内存示例**： ```java -String s = new String("abc"); //创建了几个对象 +String str1 = new String("Hello, World!"); +String str2 = new String("Hello, World!"); + +// str1和str2指向堆内存中的不同对象，即使字符串内容相同 ``` -创建了两个对象； +**注意**： -- 第一个对象是"abc"字符串存储在常量池中； -- 第二个对象是创建在Heap中的String对象；这里的s是放在栈里面的指向了Heap堆中的String对象。 +- 在 Java 7 及以后的版本中，字符串常量池被移动到了堆内存中，而不是方法区。这是为了提高 JVM 的性能和减少内存碎片。 +- 字符串常量池和堆内存中的字符串对象可能通过内部的`offset`和`count`字段来共享char数组，这是通过Java的字符串共享机制实现的。 +- 当使用`String.intern()`方法时，可以将一个字符串对象放入字符串常量池中。如果字符串已经存在于池中的，`intern()`方法返回的是池中字符串的引用。 ```java -String s1 = new String("s1") ; -String s2 = new String("s1") ; //创建了几个对象 +String str1 = new String("Hello, World!"); +String str2 = str1.intern(); + +// str1和str2现在指向字符串常量池中的同一个对象 ``` -三个； -- 第一个是编译期就已经创建在常量池中创建的"s1"，因为创建一个之后常量池中就会有，不再创建，直接指向； -- 后面两个是运行期使用new创建在堆上的s1和s2； +### 🎯 深拷贝和浅拷贝 + +> 浅拷贝只复制对象的基本类型字段和引用地址，引用对象共享；而深拷贝会递归复制引用对象，完全独立。浅拷贝性能好但容易产生引用共享问题，深拷贝内存开销大但安全。实际开发中，如果对象比较简单可以用浅拷贝；如果涉及复杂引用，通常会实现深拷贝，比如序列化的方式。 +简单来讲就是复制、克隆。 +**浅拷贝（Shallow Copy）** -### 深拷贝和浅拷贝 +- **定义**：创建一个新的对象，但是**只复制基本数据类型的值**，而引用类型只复制引用地址，不复制引用对象本身。 -简单来讲就是复制、克隆。 +- **特点**： -```java -Person p=new Person(“张三”); -``` + - 对象本身是新的，但里面的引用变量和原对象指向的是同一块内存。 + - 修改引用对象会互相影响。 + + ```java + class Person implements Cloneable { + String name; + int age; + Address addr; + public Object clone() throws CloneNotSupportedException { + return super.clone(); // 默认是浅拷贝 + } + } + ``` + + 这里 `addr` 是浅拷贝的，两个对象共享同一个地址对象。 -浅拷贝就是对对象中的数据成员进行简单赋值，如果存在动态成员或者指针就会报错。深拷贝就是对对象中存在的动态成员或指针重新开辟内存空间。 +**深拷贝（Deep Copy）** + +- **定义**：不仅复制对象本身，还会**复制对象中的所有引用对象**，实现真正的独立。 +- **特点**： + - 拷贝后的对象与原对象完全隔离。 + - 修改其中一个对象的引用属性，不会影响另一个对象。 +- **实现方式**： + 1. 手动重写 `clone()` 方法，逐层拷贝引用对象。 + 2. 通过 **序列化/反序列化** 实现。 + 3. 借助三方工具（如 Apache Commons Lang 的 `SerializationUtils.clone()`）。 + + + +### 🎯 总体来看，JVM 把内存划分为“栈(stack)”与“堆(heap)”两大类，为何要这样设计？ + +个人理解，程序运行时，内存中的信息大致分为两类： + +跟程序执行逻辑相关的指令数据，这类数据通常不大，而且生命周期短； + +跟对象实例相关的数据，这类数据可能会很大，而且可以被多个线程长时间内反复共用，比如字符串常量、缓存对象这类。 + +将这两类特点不同的数据分开管理，体现了软件设计上“模块隔离”的思想。好比我们通常会把后端 service 与前端 website 解耦类似，也更便于内存管理。 + +- **性能和效率**：栈内存的分配和释放速度快，非常适合方法调用和局部变量的管理，而堆内存虽然管理复杂，但适合管理生命周期长、需要动态分配的对象。通过将内存分为栈和堆，JVM能够在不同场景下优化内存管理。 + +- **安全性**：栈内存由每个线程独立拥有，保证了线程间的数据隔离，避免了数据竞争和安全问题。堆内存虽然是共享的，但通过同步机制可以确保线程安全。 + +- **灵活性**：堆内存允许动态分配和释放，适应了Java语言中大量使用对象的特点，同时垃圾回收机制能够自动管理内存，减少了开发者手动管理内存的负担。 ------ -## 三、GC +## 三、垃圾回收机制 -### 谈下 Java 的内存管理和垃圾回收 +### 🎯 谈下 Java 的内存管理和垃圾回收 内存管理就是内存的生命周期管理，包括内存的申请、压缩、回收等操作。 Java 的内存管理就是 GC，JVM 的 GC 模块不仅管理内存的回收，也负责内存的分配和压缩整理。 -Java 程序的指令都运行在 JVM 上，而且我们的程序代码并不需要去分配内存和释放内存（例如 C/C++ 里需要使用的 malloc/free），那么这些操作自然是由JVM帮我们搞定的。 +Java 程序的指令都运行在 JVM 上，而且我们的程序代码并不需要去分配内存和释放内存（例如 C/C++ 里需要使用的 malloc/free），那么这些操作自然是由 JVM 帮我们搞定的。 JVM 在我们创建 Java 对象的时候去分配新内存，并使用 GC 算法，根据对象的存活时间，在对象不使用之后，自动执行对象的内存回收操作。 -### 17、简述垃圾回收机制 +### 🎯 简述垃圾回收机制 + +> Java 的垃圾回收机制通过 **可达性分析**来判断对象是否存活，常用的算法有标记-清除、标记-整理、复制算法，结合分代收集提升效率。常见的收集器有 Serial、Parallel、CMS 和 G1。GC 的核心目标是 **在尽量减少停顿的情况下回收无用对象，避免 OOM**。 程序在运行的时候，为了提高性能，大部分数据都是会加载到内存中进行运算的，有些数据是需要常驻内存中的，但是有些数据，用过之后便不会再需要了，我们称这部分数据为垃圾数据。 -为了防止内存被使用完，我们需要将这些垃圾数据进行回收，即需要将这部分内存空间进行释放。不同于 C++ 需要自行释放内存的机制，Java 虚拟机（JVM）提供了一种自动回收内存的机制，它是低优先级的，在正常情况下是不会执行的，只有在虚拟机空闲或者当 前堆内存不足时，才会触发执行，扫面那些没有被任何引用的对象， 并将它们添加到要回收的集合中，进行回收。 +为了防止内存被使用完，我们需要将这些垃圾数据进行回收，即需要将这部分内存空间进行释放。不同于 C++ 需要自行释放内存的机制，Java 虚拟机（JVM）提供了一种自动回收内存的机制，它是低优先级的，在正常情况下是不会执行的，只有在虚拟机空闲或者当前堆内存不足时，才会触发执行，扫描那些没有被任何引用的对象， 并将它们添加到要回收的集合中，进行回收。 + +**1. 为什么需要 GC？** + +- Java 使用 **自动内存管理**，不需要手动 `free`。 +- GC 的目标是 **回收不再使用的对象**，避免内存泄漏和 OOM。 + +**2. 如何判断对象是否可回收？** +1. **引用计数法**（缺点：循环引用无法解决，Java 基本不用）。 +2. **可达性分析（Reachability Analysis）**（Java 采用）： + - 以 **GC Roots**（如虚拟机栈中的引用、静态变量、JNI引用）为起点， + - 通过引用链遍历能到达的对象都是存活的，无法到达的才会被回收。 +**3. 常见的垃圾回收算法** -### 18、JVM 垃圾回收的时候如何确定垃圾？ +- **标记-清除（Mark-Sweep）**：标记可达对象，清除不可达对象；但会产生碎片。 +- **标记-整理（Mark-Compact）**：标记后把存活对象压缩到一边，避免碎片。 +- **复制算法（Copying）**：把对象分两块内存，每次只用一块，存活对象复制到另一块，效率高；常用于年轻代。 +- **分代收集（Generational GC）**：根据对象存活时间划分 **年轻代 / 老年代**，采用不同算法： + - 年轻代（短命对象多）：复制算法 + - 老年代（长命对象多）：标记-清除 / 标记-整理 + +**4. 常见垃圾收集器** + +- **Serial**：单线程，适合小内存。 +- **Parallel（吞吐量优先）**：多线程，适合后台任务。 +- **CMS（并发低停顿）**：并发回收，降低 STW（Stop The World）。 +- **G1（面向大堆内存）**：区域化内存管理，预测停顿时间。 + + + +### 🎯 JVM 垃圾回收的时候如何确定垃圾？ 自动垃圾收集的前提是清楚哪些内存可以被释放，内存中不再使用的空间就是垃圾 @@ -456,32 +1032,28 @@ JVM 在我们创建 Java 对象的时候去分配新内存，并使用 GC 算法 - 引用计数法：引用计数算法，顾名思义，就是为对象添加一个引用计数，用于记录对象被引用的情况，如果计数为 0，即表示对象可回收。有循环引用问题 - ![6.jpg](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xlnrayhj20ev07ymxn.jpg) + ![Reference Counting](https://img.starfish.ink/jvm/Reference-Counting.png) - 可达性分析：将对象及其引用关系看作一个图，选定活动的对象作为 GC Roots，然后跟踪引用链条，如果一个对象和 GC Roots 之间不可达，也就是不存在引用链条，那么即可认为是可回收对象 - ![7.jpg](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xlswkv6j20hj084mxs.jpg) + ![Tracing Garbage Collectors](https://img.starfish.ink/jvm/Tracing-Garbage-Collectors.png) -### 19、引用计数法的缺点，除了循环引用，说一到两个 +### 🎯 引用计数法的缺点，除了循环引用，说一到两个? -1. 引用计数的增减开销在一些情况下会比较大，比如一些根引用的指针更新非常频繁，此时这种开销是不能忽视的（在每次赋值操作的时候都要做相当大的计算，尤其这里面还有递归调用） -2. 对象引用计数器本身是需要空间的，而计数器要占用多少位也是一个问题 -3. 一个致命缺陷是循环引用，就是， objA引用了objB，objB也引用了objA，但是除此之外，再没有其他的地方引用这两个对象了，这两个对象的引用计数就都是1。这种情况下，这两个对象是不能被回收的。如下图所示： +1. **额外的性能开销**：每个对象都需要维护一个引用计数器，每次对象被引用或释放时，都要对计数器进行增减操作。这会带来频繁的内存读写开销，尤其在高频次对象交互的场景（如复杂数据结构操作、多线程环境）中，可能成为性能瓶颈。例如，在一个链表遍历过程中，每个节点的引用计数都会被频繁修改，累积的开销会影响整体效率。 +2. **计数器溢出风险**：对象引用计数器本身是需要空间的，而计数器要占用多少位也是一个问题 +3. 一个致命缺陷是循环引用，就是， objA引用了objB，objB也引用了objA，但是除此之外，再没有其他的地方引用这两个对象了，这两个对象的引用计数就都是1。这种情况下，这两个对象是不能被回收的。 -### 20、你知道什么是 GC Roots 吗？GC Roots 如何确定，那些对象可以作为 GC Roots? +### 🎯 你知道什么是 GC Roots 吗？GC Roots 如何确定，哪些对象可以作为 GC Roots? 为了解决引用计数法的循环引用问题，Java 使用了可达性分析的方法 可达性算法的原理是以一系列叫做 **GC Root** 的对象为起点出发，引出它们指向的下一个节点，再以下个节点为起点，引出此节点指向的下一个结点。。。（这样通过 GC Root 串成的一条线就叫引用链），直到所有的结点都遍历完毕，如果相关对象不在任意一个以 **GC Root** 为起点的引用链中，则这些对象会被判断为「垃圾」,会被 GC 回收。 -![img](https://tva1.sinaimg.cn/large/007S8ZIlly1gjl6bl1kifj30jk0b60t0.jpg) - - - **哪些对象可以作为 GC Root 呢，有以下几类** - 虚拟机栈（栈帧中的本地变量表）中引用的对象 @@ -492,126 +1064,194 @@ JVM 在我们创建 Java 对象的时候去分配新内存，并使用 GC 算法 - 所有被同步锁（synchronized 关键字）持有的对象 - 反映 Java 虚拟机内部情况的 JMXBean、JVMTI 中注册的回调、本地代码缓存 +在实际运行过程中，JVM 会通过维护一张全局的引用表来管理 GC Roots。这个表包含了所有活动线程、静态变量、常量引用和 JNI 全局引用等。垃圾回收器在进行标记阶段时，会遍历这个全局引用表，标记从 GC Roots 开始的所有可达对象。 -### 哪些内存区域需要 GC ? -![9.jpg](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xon2wplj20m80ccjs9.jpg) +### 🎯 哪些内存区域需要 GC ? - thread 独享的区域：PC Regiester、JVM Stack、Native Method Stack，其生命周期都与线程相同（即与线程共生死），所以无需 GC。而线程共享的 Heap 区、Method Area 则是 GC 关注的重点对象 +Thread 独享的区域：PC Regiester、JVM Stack、Native Method Stack，其生命周期都与线程相同（即与线程共生死），所以无需 GC。而线程共享的 Heap 区、Method Area 则是 GC 关注的重点对象 -### 对象的死亡过程 +### 🎯 对象的死亡过程? -1. 第一次标记 +在 Java 中，对象被垃圾回收器（Garbage Collector, GC）判定为“死亡”并回收内存的过程，涉及 **两次标记** 和潜在的 **自救机会**（通过 `finalize()` 方法） -​ 对象在进行可达性分析后发现没有与 GC Roots 相连接的引用链，那它将会被第一次标记。 +**一、第一次标记：可达性分析** -2. 第二次标记 +1. **触发条件**：当 JVM 开始垃圾回收时，首先通过 **可达性分析算法（Reachability Analysis）** 判断对象是否存活。 - 假如对象没有覆盖 finalize 方法，或者 finalize 方法已经被虚拟机调用过，那么不执行 finalize 方法。 - 如果有必要执行 finalize 方法，那么该对象将会被放置在一个名为 F-Queue 的队列之中，并在稍后由一条由虚拟机自动建立的、低调度优先级的 Finalizer 线程去执行它们的 finalize 方法。 - - finalize 方法是对象逃脱死亡命运的最后一次机会，稍后收集器将对 F-Queue 中的对象进行第二次小规模的标记，如果对象要在 finalize 中成功拯救自己，只要重新与引用链上的任何一个对象建立关联即可。 - 如果对象这时候还没有逃脱，那基本上它就真的要被回收了。 - - - -### 说一说常用的 GC 算法及其优缺点 +2. **GC Roots 的引用链** + - GC Roots 对象包括： + - 虚拟机栈（栈帧中的局部变量表）引用的对象。 + - 方法区中静态变量引用的对象。 + - 方法区中常量引用的对象（如字符串常量池）。 + - JNI（Java Native Interface）引用的本地方法栈对象。 + + - **遍历过程**：从 GC Roots 出发，递归遍历所有引用链。未被遍历到的对象即为不可达对象。 + +3. **第一次标记结果** -1. mark-sweep 标记清除法 + - **存活对象**：与 GC Roots 存在引用链，继续保留。 -![10.jpg](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xqqbokzj20iu0ad0sy.jpg) + - **待回收对象**：不可达，被标记为“可回收”，进入第二次标记阶段。 -​ 如上图，黑色区域表示待清理的垃圾对象，标记出来后直接清空。 +**二、第二次标记：finalize() 方法的自救机会** -​ 优：简单快速； +1. **筛选条件** -​ 缺：产生很多内存碎片。 + - 若对象未覆盖 `finalize()` 方法，或 `finalize()` 已被调用过，则直接判定为死亡，无需进入队列。 -2. mark-copy 标记复制法 + - 若对象覆盖了 `finalize()` 且未被调用过，则将其加入 **F-Queue 队列**，进入自救流程。 - ![11.jpg](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xr30rtbj20j90ao0sz.jpg) +2. **F-Queue 与 Finalizer 线程** - 思路也很简单，将内存对半分，总是保留一块空着（上图中的右侧），将左侧存活的对象（浅灰色区域）复制到右侧，然后左侧全部清空。 + - **F-Queue**：一个低优先级的队列，存放待执行 `finalize()` 的对象。 - 优：避免了内存碎片问题； + - Finalizer 线程：JVM 创建的守护线程，负责异步执行队列中对象的 `finalize()` 方法。 + - **注意**：`finalize()` 的执行不保证完成（如线程优先级低或方法死循环）。 - 缺：内存浪费很严重，相当于只能使用 50% 的内存。 +3. **自救机制** -3. mark-compact 标记-整理（也称标记-压缩）法 + 在 `finalize()` 方法中，对象可通过重新与 GC Roots 引用链建立关联来自救： - ![12.jpg](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xrqf5wrj20j30ak74i.jpg) + ```java + public class Zombie { + private static Zombie SAVE_HOOK; + + @Override + protected void finalize() throws Throwable { + super.finalize(); + System.out.println("finalize() 执行，对象自救"); + SAVE_HOOK = this; // 重新建立与 GC Roots 的关联 + } + + public static void main(String[] args) throws Exception { + SAVE_HOOK = new Zombie(); + SAVE_HOOK = null; // 断开引用，触发 GC + System.gc(); + Thread.sleep(500); // 等待 Finalizer 线程执行 finalize() + if (SAVE_HOOK != null) { + System.out.println("对象存活"); + } else { + System.out.println("对象被回收"); + } + } + } + + + ----- 输出结果 + finalize() 执行，对象自救 + 对象存活 + ``` - 将垃圾对象清理掉后，同时将剩下的存活对象进行整理挪动（类似于 windows 的磁盘碎片整理），保证它们占用的空间连续。 +- 关键点： + - 对象通过 `finalize()` 将 `this` 赋值给静态变量 `SAVE_HOOK`，重新建立与 GC Roots 的引用链。 + - 自救仅生效一次，第二次 GC 时对象仍会被回收。 - 优：节约了内存，并避免了内存碎片问题。 +**三、对象回收的最终判定** - 缺：整理过程会降低 GC 的效率。 +1. **第二次标记结果** - 上述三种算法，每种都有各自的优缺点，都不完美；在现代 JVM 中，往往是综合使用的。经过大量实际分析，发现内存中的对象，大致可以分为两类： + - **自救成功**：对象重新与引用链关联，移出待回收集合。 - - 有些生命周期很短，比如一些局部变量/临时对象； + - **自救失败**：对象仍不可达，被标记为“死亡”，等待内存回收。 - - 而另一些则会存活很久，典型的比如 websocket 长连接中的 connection 对象。如下图，纵向 y 轴可以理解分配内存的字节数，横向 x 轴理解为随着时间流逝（伴随着 GC）。 +2. **回收内存** - ![13.jpg](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xsg6a9mj20km0e9mxm.jpg) + 根据垃圾收集算法（如标记-清除、复制、标记-整理等），将死亡对象的内存回收。 - 可以发现大部分对象其实相当短命，很少有对象能在 GC 后活下来，因此诞生了分代的思想。 - 4. generation-collect 分代收集算法 - 以 Hotspot 为例（JDK 7）进行讲解，如下图所示，可以将内存分成了三大块：年青代（Young Genaration）、老年代（Old Generation）、永久代（Permanent Generation）。其中 Young Genaration 更是又细为分 eden、S0、S1 三个区。 +### 🎯 说一说常用的 GC 算法及其优缺点 - ![14.jpg](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xttbmrgj20ns072dg9.jpg) +垃圾回收（Garbage Collection, GC）是自动内存管理的关键部分，用于回收不再使用的对象，防止内存泄漏。以下是一些常用的 GC 算法及其优缺点： - 结合我们经常使用的一些 jvm 调优参数后，一些参数能影响的各区域内存大小值，示意图如下： +| 算法 | 思路 | 优点 | 缺点 | +| ----------------------------------- | ------------------------------------------------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | +| 标记-清除（Mark-Sweep） | ![10.jpg](https://s0.lgstatic.com/i/image6/M00/56/27/Cgp9HWEsmp-AV969AAAXLK9JRog778.jpg)黑色区域表示待清理的垃圾对象，标记出来后直接清空 | 简单易懂。
不需要移动对象，保留了对象的原始引用。 | 效率问题：标记和清除过程可能产生较长的停顿时间（Stop-the-World）。
内存碎片：清除后内存中可能会有大量碎片，影响后续内存分配 | +| 标记-整理（Mark-Compact） | ![12.jpg](https://s0.lgstatic.com/i/image6/M00/56/28/Cgp9HWEsmuuAVl1CAAAXeNiLceQ497.jpg)将垃圾对象清理掉后，同时将剩下的存活对象进行整理挪动（类似于 windows 的磁盘碎片整理)，保证它们占用的空间连续 | 解决了内存碎片问题，通过整理阶段移动对象，减少内存碎片。 | 效率问题：整理阶段可能需要移动对象，增加GC的开销。 移动对象可能导致额外的开销，因为需要更新所有指向移动对象的引用。 | +| 复制（Copying） | ![11.jpg](https://s0.lgstatic.com/i/image6/M00/56/30/CioPOWEsmsiAaFzWAAAZCCjflgw041.jpg)将内存对半分，总是保留一块空着（上图中的右侧），将左侧存活的对象（浅灰色区域)复制到右侧，然后左侧全部清空 | 简单且高效，特别适合新生代GC。 没有内存碎片问题，因为复制算法通过复制存活对象到另一个空间来避免碎片。 | 空间利用率低：只使用堆的一半（或者根据算法不同，使用的比例不同）。 复制过程可能产生短暂的停顿。 | +| 分代收集（Generational Collection） | ![14.jpg](https://s0.lgstatic.com/i/image6/M00/56/28/Cgp9HWEsmzOALLLdAAAteML8kLI706.jpg) | 基于弱分代假设（大部分对象都是朝生夕死的），通过将对象分配到不同的代来优化GC性能。 新生代使用复制算法，老年代使用标记-清除或标记-整理算法。 | 对于长寿命的对象，如果频繁晋升到老年代，可能会增加老年代的GC压力。 需要维护多个数据结构来区分不同代的对象。 | - ![15.jpg](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xtyg6xyj20u00jnq43.jpg) +每种GC算法都有其适用场景和限制。选择合适的GC算法取决于应用程序的具体需求，包括对延迟的敏感度、堆内存的大小、对象的生命周期特性等因素。现代 JVM 通常提供了多种 GC 算法，允许开发者根据需要选择或调整。 - 注：jdk8 开始，用 MetaSpace 区取代了 Perm 区（永久代），所以相应的 jvm 参数变成-XX:MetaspaceSize 及 -XX:MaxMetaspaceSize。 - +### 🎯 JVM中一次完整的GC流程是怎样的，对象如何晋升到老年代 -### 21、JVM中一次完整的GC流程是怎样的，对象如何晋升到老年代 +**思路：** 先描述一下Java堆内存划分，再解释 Minor GC，Major GC，full GC，描述它们之间转化流程。 -**思路：** 先描述一下Java堆内存划分，再解释Minor GC，Major GC，full GC，描述它们之间转化流程。 +- Java堆 = 新生代 + 老年代 -- Java堆 = 老年代 + 新生代 - 新生代 = Eden + S0 + S1 + - 当 Eden 区的空间满了， Java虚拟机会触发一次 Minor GC，以收集新生代的垃圾，存活下来的对象，则会转移到 Survivor区。 + - **大对象**（需要大量连续内存空间的Java对象，如那种很长的字符串）**直接进入老年态**； + - 如果对象在 Eden 出生，并经过第一次 Minor GC 后仍然存活，并且被 Survivor 容纳的话，年龄设为 1，每熬过一次 Minor GC，年龄+1，**若年龄超过一定限制（15），则被晋升到老年态**。即**长期存活的对象进入老年态**。 + + > s0 与 s1 的角色其实会互换，来回移动 + > + > 注：这里其实已经综合运用了“【标记-清理eden】+【标记-复制 eden->s0】”算法。 + - 老年代满了而**无法容纳更多的对象**，Minor GC 之后通常就会进行Full GC，Full GC 清理整个内存堆 – **包括年轻代和年老代**。 + - Major GC **发生在老年代的GC**，**清理老年区**，经常会伴随至少一次Minor GC，**比Minor GC慢10倍以上**。 -![阿里出品的《码出高效-Java开发手册》一书，梳理了 GC 的主要过程](https://tva1.sinaimg.cn/large/e6c9d24ely1h32xxpdtbnj20j90hg756.jpg) +![img](https://static001.infoq.cn/resource/image/e6/69/e663bd3043c6b3465edc1e7313671d69.png) + + +### 🎯 GC分代年龄为什么最大为15？ +> 在 hotspot 虚拟机中，对象在堆内存中的存储布局可以划分为三部分：**对象头，实例数据，对齐填充**。 +> HotSpot虚拟机对象的对象头部包含两类信息 +> +> - 用于存储对象自身的运行时数据，如HashCode，GC的分代年龄，锁状态标志，线程持有的锁，偏向线程ID，偏向时间戳等。这部数据的长度在32位和64位的虚拟机中分别为32比特和64比特，官方称为“Mark word”。 +> - 另一种是类型指针，即对象指向它的类型元数据的指针，Java通过这个指针确定该对象是哪个类的实例。但是并不是所有的虚拟机实现都必须在对象数据上保留类型指针，换句话说，查找对象的元数据信息不一定要经过对象本身。 +> +> 在32位的HotSpot虚拟机中，如对象未被同步锁锁定的状态下，Mark Word的32个比特存储空间中的25个比特用于存储对象的HashCode，**4个比特存储对象分代年龄**，2个比特存储锁标志位，一个比特固定为0. +> +> **因为Object Header采用4个bit位来保存年龄，4个bit位能表示的最大数就是15！** -### 22、GC分代年龄为什么最大为15？ +在 JVM 的实现中，尤其是 HotSpot 虚拟机中，分代年龄的最大值是 15。这是由 JVM 的设计和垃圾收集器的实现所决定的，主要原因如下： -在 hotspot 虚拟机中，对象在堆内存中的存储布局可以划分为三部分：**对象头，实例数据，对齐填充**。 -HotSpot虚拟机对象的对象头部包含两类信息 +**标记字段的位数限制**： -- 用于存储对象自身的运行时数据，如HashCode，GC的分代年龄，锁状态标志，线程持有的锁，偏向线程ID，偏向时间戳等。这部数据的长度在32位和64位的虚拟机中分别为32比特和64比特，官方称为“Mark word”。 -- 另一种是类型指针，即对象指向它的类型元数据的指针，Java通过这个指针确定该对象是哪个类的实例。但是并不是所有的虚拟机实现都必须在对象数据上保留类型指针，换句话说，查找对象的元数据信息不一定要经过对象本身。 +- 在 HotSpot VM 中，对象头的 Mark Word 里存储了对象的年龄信息。对象头的 Mark Word 是一个 32 位或者 64 位的字段 (取决于 JVM 的运行模式)。 +- 为了高效地存储和管理对象的年龄，JVM 为年龄字段分配了 4 位。这意味着对象年龄的范围是 0 到 15，即最大为 15。 -在32位的HotSpot虚拟机中，如对象未被同步锁锁定的状态下，Mark Word的32个比特存储空间中的25个比特用于存储对象的HashCode，**4个比特存储对象分代年龄**，2个比特存储锁标志位，一个比特固定为0. +**合理的晋升策略**： -![](https://ewr1.vultrobjects.com/imgur4/000/015/073/822_628_2c6.png) +- 在分代垃圾收集策略中，大多数对象在年轻代创建，并且很快变得不可达而被回收。少数存活较长的对象会逐渐晋升到老年代。 +- 通过设定最大年龄为 15，可以确保在适当的时间点将长期存活的对象晋升到老年代，减少年轻代的负担。 +- 这一设计是基于常见的对象生命周期分布 (即大部分对象短命，少数对象长寿) 而进行的优化。 -![](https://ewr1.vultrobjects.com/imgur4/000/015/073/823_160_bff.png) +**性能和效率**： -**因为Object Header采用4个bit位来保存年龄，4个bit位能表示的最大数就是15！** +- 使用 4 位来表示对象年龄，使得垃圾收集器能够高效地处理和管理对象的晋升逻辑。 +- 限制年龄最大为 15 简化了垃圾收集器的实现，并且足以区分短命对象和长命对象，从而优化垃圾收集的性能。 -### 23、你知道哪几种垃圾收集器，各自的优缺点，重点讲下cms和G1，包括原理，流程，优缺点。 +### 🎯 你知道哪几种垃圾收集器，各自的优缺点，重点讲下cms和G1，包括原理，流程，优缺点。 + +> GC 垃圾回收算法和垃圾收集器的关系？分别是什么请你谈谈？ > 实际上，垃圾收集器（GC，Garbage Collector）是和具体 JVM 实现紧密相关的，不同厂商（IBM、Oracle），不同版本的 JVM，提供的选择也不同。 +> +> 不算上后面出现的神器 ZGC，历史上出现过 7 种经典的垃圾回收器。 +> +> ![25.png](https://s0.lgstatic.com/i/image6/M00/56/29/Cgp9HWEsoXuAR2WEAAEJEJx1RMY327.png) +> +> 这些回收器都是基于分代的，把 G1 除外，按回收的分代划分如下。 +> +> - 横线以上的 3 种：Serial、ParNew、Parellel Scavenge 都是回收年轻代的； +> +> - 横线以下的 3 种：CMS、Serial Old、Parallel Old 都是回收老年代的。 **思路：** 一定要记住典型的垃圾收集器，尤其 cms 和 G1，它们的原理与区别，涉及的垃圾回收算法。 @@ -631,10 +1271,22 @@ HotSpot虚拟机对象的对象头部包含两类信息 - **G1收集器：** 一种兼顾吞吐量和停顿时间的 GC 实现，是 Oracle JDK 9 以后的默认 GC 选项。 - G1 GC 仍然存在着年代的概念，但是其内存结构并不是简单的条带式划分，而是类似棋盘的一个个 region。Region 之间是复制算法，但整体上实际可看作是标记 - 整理（Mark-Compact）算法，可以有效地避免内存碎片，尤其是当 Java 堆非常大的时候，G1 的优势更加明显。 + G1 GC 仍然存在着年代的概念，但是其内存结构并不是简单的条带式划分，而是类似棋盘的一个个 Region。Region 之间是复制算法，但整体上实际可看作是标记 - 整理（Mark-Compact）算法，可以有效地避免内存碎片，尤其是当 Java 堆非常大的时候，G1 的优势更加明显。 标记整理算法实现，**运作流程主要包括以下：初始标记，并发标记，最终标记，筛选标记**。不会产生空间碎片，可以精确地控制停顿。 + ![Garbage Collector Type](https://www.perfmatrix.com/wp-content/uploads/2019/02/Garbage-Collector-Type.png) + +- **Z Garbage Collector (ZGC)**（Z 垃圾回收器）：ZGC 是 **低延迟垃圾回收器**，它的设计目标是将垃圾回收的停顿时间控制在毫秒级别。ZGC 是一种并行、并发、分代的垃圾回收器，特别适合需要低停顿和大堆内存的应用。 + + **适用场景**：适用于要求极低延迟和大内存的应用，如大数据处理、高频交易等。 + + 特点： + + - 设计目标是 **低延迟**。 + - 适合非常大的堆内存（例如超过几百 GB）。 + - 默认配置：`-XX:+UseZGC`（从 JDK 15 开始支持） + #### b、CMS 收集器和 G1 收集器的区别： @@ -650,46 +1302,14 @@ HotSpot虚拟机对象的对象头部包含两类信息 - G1 GC 仍然存在着年代的概念，但是其内存结构并不是简单的条带式划分，而是类似棋盘的一个个 region。Region 之间是复制算法，但整体上实际可看作是标记 - 整理（Mark-Compact）算法，可以有效地避免内存碎片，尤其是当 Java 堆非常大的时候，G1 的优势更加明显。G1 吞吐量和停顿表现都非常不错，并且仍然在不断地完善，与此同时 CMS 已经在 JDK 9 中被标记为废弃（deprecated），所以 G1 GC 值得你深入掌握。 - CMS 收集器是使用“标记-清除”算法进行的垃圾回收，容易产生内存碎片 -> 如果你有关注目前尚处于开发中的 JDK 11，你会发现，JDK 又增加了两种全新的 GC 方式，分别是： +> JDK 又增加了两种全新的 GC 方式，分别是： > > - [Epsilon GC](http://openjdk.java.net/jeps/318)，简单说就是个不做垃圾收集的 GC，似乎有点奇怪，有的情况下，例如在进行性能测试的时候，可能需要明确判断 GC 本身产生了多大的开销，这就是其典型应用场景。 > - [ZGC](http://openjdk.java.net/jeps/333)，这是 Oracle 开源出来的一个超级 GC 实现，具备令人惊讶的扩展能力，比如支持 T bytes 级别的堆大小，并且保证绝大部分情况下，延迟都不会超过 10 ms。虽然目前还处于实验阶段，仅支持 Linux 64 位的平台，但其已经表现出的能力和潜力都非常令人期待。 -### 详细说⼀下CMS垃圾回收算法回收过程？4个阶段 - -![截屏2020-10-08 下午4.23.52](http://berrywong.com/group1/M00/00/01/wKgABF9-5X-EZjhuAAAAAD18VMY902.png) - -**1）初始化标记** - -这个阶段只会标记GC Root对象，会产生短暂的STW，初始化标记后其他用户线程可以恢复运行（初始标记的目标是标记所有的根对象，包括根对象直接引用的对象，以及被年轻代中所有存活对象所引用的对象（老年代单独回收）） - -![54201932.png](https://tva1.sinaimg.cn/large/e6c9d24ely1h32y0qzi0mj21eg0u00vk.jpg) - -**2）并发标记** - -在此阶段，CMS GC 遍历老年代，标记所有的存活对象，从前一阶段“Initial Mark”找到的根对象开始算起。“并发标记”阶段，就是与应用程序同时运行，不用暂停的阶段。请注意，并非所有老年代中存活的对象都在此阶段被标记，因为在标记过程中对象的引用关系还在发生变化。 - -![80365661.png](https://tva1.sinaimg.cn/large/e6c9d24ely1h32y0yz2spj21f30u0goy.jpg) - -在上面的示意图中，“当前处理的对象”的一个引用就被应用线程给断开了，即这个部分的对象关系发生了变化 - -**3）重新标记** - -重新标记阶段用户线程会短暂STW，因为上一个阶段中，用户线程和GC线程是同时执行的，在这期间用户线程可能会导致一些对象地址的移动，重新标记阶段会修正这些对象的地址信息。 - -**4）并发清除** - -并发清除阶段会采用会将之前阶段标记的垃圾对象进行清除，期间可以和用户线程并发执行。 - -**5）并发重置** - -此阶段与应用程序并发执行，重置 CMS 算法相关的内部数据，为下一次 GC 循环做准备。 - - - -### **Minor GC（小型 GC）** +### 🎯 **Minor GC（小型 GC）** 收集年轻代内存的 GC 事件称为 Minor GC。关于 Minor GC 事件，我们需要了解一些相关的内容： @@ -701,7 +1321,7 @@ HotSpot虚拟机对象的对象头部包含两类信息 -### Minor GC 和 Full GC 触发条件 +### 🎯 Minor GC 和 Full GC 触发条件 我们知道，除了 Minor GC 外，另外两种 GC 事件则是： @@ -710,11 +1330,11 @@ HotSpot虚拟机对象的对象头部包含两类信息 -### 什么时候会触发 Full GC ? +### 🎯 什么时候会触发 Full GC ? 1. `System.gc()` 方法的调用 - 此方法的调用是建议 JVM 进行 Full GC，虽然只是建议而非一定，但很多情况下它会触发 Full GC，从而增加Full GC 的频率，也即增加了间歇性停顿的次数。强烈影响系建议能不使用此方法就别使用，让虚拟机自己去管理它的内存，可通过通过 -XX:+ DisableExplicitGC 来禁止 RMI 调用 System.gc。 + 此方法的调用是建议 JVM 进行 Full GC，虽然只是建议而非一定，但很多情况下它会触发 Full GC，从而增加Full GC 的频率，也即增加了间歇性停顿的次数。强烈影响系建议能不使用此方法就别使用，让虚拟机自己去管理它的内存，可通过 -XX:+ DisableExplicitGC 来禁止 RMI 调用 System.gc。 2. 老年代空间不足 @@ -726,9 +1346,12 @@ HotSpot虚拟机对象的对象头部包含两类信息 5. Metaspace（元空间）在空间不足时会进行扩容，当扩容到了-XX:MetaspaceSize 参数的指定值时，也会触发FGC +6. G1 收集器的 Mixed GC 触发条件满足时，会对老年代和部分新生代进行回收，本质上也属于 Full GC 的范畴。当老年代占用空间达到阈值（默认 45%），就会触发混合回收来控制内存使用。 + + -### System.gc() 和 Runtime.gc() 会做什么事情 +### 🎯 System.gc() 和 Runtime.gc() 会做什么事情 `java.lang.System.gc()` 只是 `java.lang.Runtime.getRuntime().gc()` 的简写，两者的行为没有任何不同 @@ -736,7 +1359,7 @@ HotSpot虚拟机对象的对象头部包含两类信息 -### SafePoint 是什么 +### 🎯 SafePoint 是什么 比如 GC 的时候必须要等到 Java 线程都进入到 safepoint 的时候 VMThread 才能开始 执行 GC， @@ -747,7 +1370,16 @@ HotSpot虚拟机对象的对象头部包含两类信息 -### 你们用的是什么 GC，都有哪些配置 +### 🎯 你们用的是什么 GC，都有哪些配置 + +``` +APP_OPTS:-Xms6656m -Xmx6656m -XX:MetaspaceSize=512m -XX:MaxMetaspaceSize=1024m -XX:+UseG1GC -XX:+HeapDumpOnOutOfMemoryError +-XX:HeapDumpPath=/home/Logs/***Heap.hprof +-verbose:gc -Xloggc:/home/Logs/gc.log +-XX:+PrintGC -XX:+PrintGCDateStamps -XX:+PrintGCDetails -XX:+PrintHeapAtGC +-Dprofiler.thread.pool.enable=true -Dprofiler.thread.pool.spring.enable=true +-Dprofiler.thread.pool.reject-handler.enable=true -Dprofiler.jdbc.druid.poolmetric=true +``` ``` xxx 143 1 54 Jun07 ? 1-13:05:06 /opt/local/jdk/bin/java -Djava.util.logging.config.file=/opt/local/tomcat/conf/logging.properties -Djava.util.logging.manager=org.apache.juli.ClassLoaderLogManager -server -Xmn1024m -Xms22938M -Xmx22938M -XX:PermSize=512m -XX:MaxPermSize=512m -XX:ParallelGCThreads=3 -XX:+UseConcMarkSweepGC -XX:+UseCMSInitiatingOccupancyOnly -XX:CMSInitiatingOccupancyFraction=80 -XX:+CMSScavengeBeforeRemark -XX:SoftRefLRUPolicyMSPerMB=0 -XX:ParallelGCThreads=3 -Xss1m -XX:+PrintGCDateStamps -XX:+PrintGCDetails -Xloggc:/opt/logs/gc.log -verbose:gc -XX:+DisableExplicitGC -Dsun.rmi.transport.tcp.maxConnectionThreads=400 -XX:+ParallelRefProcEnabled -XX:+PrintTenuringDistribution -Dsun.rmi.transport.tcp.handshakeTimeout=2000 -Xdebug -Xrunjdwp:transport=dt_socket,address=22062,server=y,suspend=n -Dcom.sun.management.snmp.port=18328 -Dcom.sun.management.snmp.interface=0.0.0.0 -Dcom.sun.management.snmp.acl=false -javaagent:/opt/opbin/service_control/script/jmx_prometheus_javaagent-0.13.0.jar=9999:/opt/opbin/service_control/script/config.yaml -Djdk.tls.ephemeralDHKeySize=2048 -Djava.protocol.handler.pkgs=org.apache.catalina.webresources -Dignore.endorsed.dirs= -classpath /opt/local/tomcat/bin/bootstrap.jar:/opt/local/tomcat/bin/tomcat-juli.jar -Dcatalina.base=/opt/local/tomcat -Dcatalina.home=/opt/local/tomcat -Djava.io.tmpdir=/opt/local/tomcat/temp org.apache.catalina.startup.Bootstrap start start @@ -755,7 +1387,136 @@ xxx 143 1 54 Jun07 ? 1-13:05:06 /opt/local/jdk/bin/java -Djava -### Java 11 的 ZGC 和 Java12 的 Shenandoah 了解过吗 +### 🎯 讲一讲 G1？ + +> G1 是 Java 9 之后默认的垃圾收集器，主要设计目标是 **可预测停顿时间**，非常适合大内存低延迟应用。 +> +> 它的核心机制是把堆划分为大量大小相等的 Region，逻辑上分代但物理上打散，这样可以避免内存碎片。 +> +> 回收策略上，除了常规的 Young GC，它会在老年代达到阈值后执行并发标记，接着进行 Mixed GC——既清理新生代，也挑选垃圾比例高的老年代 Region，分多次执行，避免长时间停顿。 +> +> 技术上，G1 通过 **Remembered Set** 追踪跨 Region 引用，结合停顿预测模型，尽量在用户设定的目标时间内完成 GC。 +> +> 相比 CMS，G1 的优势是避免碎片化、停顿可控；缺点是吞吐量略低，并且 Humongous 对象会带来额外开销。 +> +> 如果让我一句话总结：**G1 通过 Region 化内存管理 + 并发标记 + Mixed GC，在保证高回收效率的同时，把停顿控制在用户期望的范围内。** + +G1 垃圾回收器（Garbage First，简称 G1 GC）是目前 HotSpot JVM 中 **面向服务端、注重低延迟与大堆内存场景** 的一款重要垃圾收集器。它的核心目标是：**在尽可能保证高吞吐量的同时，提供可预测的停顿时间**。 + +**1. 内存布局：Region 化** + +- G1 将堆划分为大量大小相等的 **Region**（1M ~ 32M，2 的次幂）。 +- 逻辑上还是分代（年轻代、老年代），但物理上是分散的 Region。 +- 特殊 **Humongous Region** 用于大对象（> ½ Region 大小），连续分配几个 Region。![img](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjmCXRrxZFopVpaiUcBrJLO9UNj6OBq0ee2OeodaeNxp4sWg1eU4CpvT2gIdm0oUoS8T4cVtJ0K9kHSjNCOf8G8fQ8XjvZck1mldVzCbF0quXd3IvGU7C_6dLY82meiX1SiHYguVZagwGQV/s1600/G1Regions.jpg) + +优势：避免大对象导致碎片化，内存利用更灵活。 + +------ + +**2. 分代与回收策略** + +- **新生代 GC（Young GC）** + - Stop-The-World，复制 Eden → Survivor / Old。 + - 依赖 **Remembered Set** 处理跨代引用。 +- **并发标记** + - 触发条件：老年代占比达到 `InitiatingHeapOccupancyPercent`。 + - 四个阶段：初始标记（STW）、并发标记、重新标记（STW）、筛选回收集。 +- **Mixed GC** + - 在并发标记后触发，不仅清理新生代，还挑选部分老年代 Region（垃圾比例高的）。 + - 分多次执行，避免 Full GC。 +- **Full GC** + - 当 Mixed GC 也跟不上时，触发单线程 Full GC，性能极差，需尽量避免。 + +------ + +**3. Remembered Set（RSet）** + +- 每个 Region 维护一个 RSet，记录哪些其他 Region 指向自己。 +- 避免每次扫描整个堆来处理跨代引用。 +- 本质基于 **Card Table**，增量维护。 + +👉 代价：写屏障会带来额外开销，但换来了 GC 的高效。 + +------ + +**4. 停顿时间模型（Pause Prediction Model）** + +- G1 最大的亮点：**可预测停顿**。 +- JVM 会维护每个 Region 的 **存活对象比例**，并估算清理它的成本。 +- GC 时选择“垃圾最多、回收收益最高”的 Region（Garbage First）。 +- 用户可通过 `-XX:MaxGCPauseMillis` 指定停顿目标，G1 会尽量满足。 + +**5. 优缺点** + +✅ 优点： + +- 适合大内存（> 4G），低延迟应用。 +- 避免碎片化，全堆压缩。 +- Mixed GC 灵活，避免长时间 Full GC。 +- 自动调优，用户只需设定停顿目标。 + +❌ 缺点： + +- 吞吐量不如 Parallel GC（为低延迟牺牲部分吞吐）。 +- Humongous 对象处理成本高。 +- 维护 RSet 带来额外 CPU 开销。 + +**运行过程** + +1. **Young GC**（新生代满时触发） + - Stop-The-World，复制 Eden → Survivor / Old。 + - 依赖 **Remembered Set** 处理跨代引用。 +2. **并发标记**（老年代达到阈值时触发） + - 初始标记：STW，标记 GC Roots 直接可达对象。 + - 并发标记：应用线程并行，标记整个堆。 + - 重新标记：STW，修正并发期间的变化。 + - 筛选回收集：计算各 Region 垃圾比例。 +3. **Mixed GC** + - 回收新生代 + 部分老年代 Region。 + - 分多次执行，避免一次性长时间停顿。 +4. **Full GC**（极端情况） + - G1 调度失败时会触发单线程 Full GC，开销很大。 + + + +> 你可以思考下 region 设计有什么副作用？ +> +> 例如，region 大小和大对象很难保证一致，这会导致空间的浪费。不知道你有没有注意到，我的示意图中有的区域是 Humongous 颜色，但没有用名称标记，这是为了表示，特别大的对象是可能占用超过一个 region 的。并且，region 太小不合适，会令你在分配大对象时更难找到连续空间，这是一个长久存在的情况，请参考[OpenJDK 社区的讨论](http://mail.openjdk.java.net/pipermail/hotspot-gc-use/2017-November/002726.html)。这本质也可以看作是 JVM 的 bug，尽管解决办法也非常简单，直接设置较大的 region 大小，参数如下： +> +> ``` +> -XX:G1HeapRegionSize=M +> ``` +> +> 从 GC 算法的角度，G1 选择的是复合算法，可以简化理解为： +> +> - 在新生代，G1 采用的仍然是并行的复制算法，所以同样会发生 Stop-The-World 的暂停。 +> - 在老年代，大部分情况下都是并发标记，而整理（Compact）则是和新生代 GC 时捎带进行，并且不是整体性的整理，而是增量进行的。 +> +> 习惯上人们喜欢把新生代 GC（Young GC）叫作 Minor GC，老年代 GC 叫作 Major GC，区别于整体性的 Full GC。但是现代 GC 中，这种概念已经不再准确，对于 G1 来说： +> +> - Minor GC 仍然存在，虽然具体过程会有区别，会涉及 Remembered Set 等相关处理。 +> - 老年代回收，则是依靠 Mixed GC。并发标记结束后，JVM 就有足够的信息进行垃圾收集，Mixed GC 不仅同时会清理 Eden、Survivor 区域，而且还会清理部分 Old 区域。可以通过设置下面的参数，指定触发阈值，并且设定最多被包含在一次 Mixed GC 中的 region 比例。 +> +> ```sh +> –XX:G1MixedGCLiveThresholdPercent +> –XX:G1OldCSetRegionThresholdPercent +> ``` +> +> 从 G1 内部运行的角度，下面的示意图描述了 G1 正常运行时的状态流转变化，当然，在发生逃逸失败等情况下，就会触发 Full GC。![](https://learn.lianglianglee.com/%E4%B8%93%E6%A0%8F/Java%20%E6%A0%B8%E5%BF%83%E6%8A%80%E6%9C%AF%E9%9D%A2%E8%AF%95%E7%B2%BE%E8%AE%B2/assets/47dddbd91ad0e0adbd164632eb9facec-20221127201847-p5gmfe2.png) +> +> G1 相关概念非常多，有一个重点就是 **Remembered Set**，用于记录和维护 region 之间对象的引用关系。为什么需要这么做呢？试想，新生代 GC 是复制算法，也就是说，类似对象从 Eden 或者 Survivor 到 to 区域的“移动”，其实是“复制”，本质上是一个新的对象。在这个过程中，需要必须保证老年代到新生代的跨区引用仍然有效。下面的示意图说明了相关设计。 +> +> 主要用于解决分代垃圾收集器中的跨代引用问题 +> +> ![img](data:image/png;base64,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) +> +> G1 的很多开销都是源自 Remembered Set，例如，它通常约占用 Heap 大小的 20% 或更高，这可是非常可观的比例。并且，我们进行对象复制的时候，因为需要扫描和更改 Card Table 的信息，这个速度影响了复制的速度，进而影响暂停时间。 + + + + + +### 🎯 Java 11 的 ZGC 和 Java12 的 Shenandoah 了解过吗 ZGC 即 Z Garbage Collector（Z 垃圾收集器，Z 有 Zero 的意思，主要作者是 Oracle 的 Per Liden），这是一款低停顿、高并发，基于小堆块（region）、不分代的增量压缩式垃圾收集器，平均 GC 耗时不到 2 毫秒，最坏情况下的暂停时间也不超过 10 毫秒。 @@ -773,20 +1534,80 @@ ZGC 即 Z Garbage Collector（Z 垃圾收集器，Z 有 Zero 的意思，主要 +### 🎯 ZGC 在 G1 基础上做了哪些改进？ + +在 G1 的基础上，它做了如下 7 点改进（JDK 11 开始引入） + +1. 动态调整大小的 Region + + ![ZGC](https://img.starfish.ink/jvm/ZGC.png) + +2. 不分代，干掉了 RSets + + G1 中每个 Region 需要借助额外的 RSets 来记录“谁引用了我”，占用了额外的内存空间，每次对象移动时，RSets 也需要更新，会产生开销。 + +3. 带颜色的指针 Colored Pointer + + ![](https://img.starfish.ink/jvm/cc38abc5ba683cf300bdd6e89f426212.png) + + 这里的指针类似 Java 中的引用，意为对某块虚拟内存的引用。ZGC 采用了64位指针（注：目前只支持 linux 64 位系统），将 42-45 这 4 个 bit 位置赋予了不同含义，即所谓的颜色标志位，也换为指针的 metadata。 + + - finalizable 位：仅 finalizer（类比 C++ 中的析构函数）可访问； + + - remap 位：指向对象当前（最新）的内存地址，参考下面提到的relocation； + + - marked0 && marked1 位：用于标志可达对象。 + + 这 4 个标志位，同一时刻只会有 1 个位置是 1。每当指针对应的内存数据发生变化，比如内存被移动，颜色会发生变化。 + +4. 读屏障 Load Barrier + + 传统 GC 做标记时，为了防止其他线程在标记期间修改对象，通常会简单的 STW。而 ZGC 有了 Colored Pointer 后，引入了所谓的“读屏障”。 + + 当指针引用的内存正被移动时，指针上的颜色就会变化，ZGC 会先把指针更新成最新状态，然后再返回（你可以回想下 Java 中的 volatile 关键字，有异曲同工之妙）。这样仅读取该指针时，可能会略有开销，而不用将整个 heap STW。 + +5. 重定位 Relocation + + 如下图，在标记过程中，先从 Roots 对象找到了直接关联的下级对象 1，2，4。 + + ![39.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEspqWAAHS6AAAcoge7Pv8625.jpg) + + 然后继续向下层标记，找到了 5，8 对象， 此时已经可以判定 3，6，7 为垃圾对象。 + + ![40.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEsprCAZrtCAAAeqKPoHXw488.jpg) + + 如果按常规思路，一般会将 8 从最右侧的 Region，移动或复制到中间的 Region，然后再将中间 Region 的 3 干掉，最后再对中间 Region 做压缩 compact 整理。 + + ![41.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEspr6AMxziAAAeYmBBjoU744.jpg) + + 但 ZGC 做得更高明，它直接将 4，5 复制到了一个空的新 Region 就完事了，然后中间的 2 个 Region 直接废弃，或理解为“释放”，作为下次回收的“新” Region。这样的好处是避免了中间 Region 的 compact 整理过程。 + + ![42.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEspsuAFh42AAAsCgyJwEk919.jpg) + + + 最后，指针重新调整为正确的指向（即：remap），而且上一阶段的 remap 与下一阶段的mark是混在一起处理的，相对更高效。 + + 【 Remap 的流程图】 + + ![43.jpg](https://s0.lgstatic.com/i/image6/M01/56/2A/Cgp9HWEsptuABwmwAAA8njSoyvA729.jpg) + +6. 多重映射 Multi-Mapping + +7. 支持 NUMA 架构 + + + ## 四、监控和调优 -### 说说你知道的几种主要的 JVM 参数 +### 🎯 说说你知道的几种主要的 JVM 参数 **思路：** 可以说一下堆栈配置相关的，垃圾收集器相关的，还有一下辅助信息相关的。 -**我的答案：** - #### 1）堆栈配置相关 ``` java -Xmx3550m -Xms3550m -Xmn2g -Xss128k -XX:MaxPermSize=16m -XX:NewRatio=4 -XX:SurvivorRatio=4 -XX:MaxTenuringThreshold=0 -复制代码 ``` **-Xmx3550m：** 最大堆大小为3550m。 @@ -830,7 +1651,6 @@ java -Xmx3550m -Xms3550m -Xmn2g -Xss128k ``` -XX:+PrintGC -XX:+PrintGCDetails -复制代码 ``` **-XX:+PrintGC 输出形式:** @@ -843,7 +1663,7 @@ java -Xmx3550m -Xms3550m -Xmn2g -Xss128k -### 你平时工作用过的 JVM 常用基本配置参数有哪些？ +### 🎯 你平时工作用过的 JVM 常用基本配置参数有哪些？ ``` # 设置堆内存 @@ -867,84 +1687,33 @@ java -Xmx3550m -Xms3550m -Xmn2g -Xss128k -### 你说你做过 JVM 调优和参数配置，请问如何盘点查看 JVM 系统默认值 - -#### JVM参数类型 - -- 标配参数 - - - -version (java -version) - - -help (java -help) - - java -showversion - -- X 参数（了解） - - - -Xint 解释执行 +### 🎯 你说你做过 JVM 调优和参数配置，请问如何盘点查看 JVM 系统默认值？ - - -Xcomp 第一次使用就编译成本地代码 +**JVM参数类型** - - -Xmixed 混合模式 +| **类型** | **示例** | **作用** | | +| ------------ | --------------------- | --------------------------------------------- | ------------------------------------------------ | +| **标配参数** | `-version`, `-help` | 所有 JVM 必须实现的通用功能，无性能影响 | | +| **X 参数** | `-Xint`, `-Xcomp` | 控制 JVM 运行模式（解释、编译、混合） | | +| **XX 参数** | `-XX:+PrintGCDetails` | 调优核心参数，分为 **Boolean** 和 **KV 类型** | -xx:+ 或者 - 某个属性值（+表示开启，- 表示关闭） | -- xx参数 +**常用工具** - - Boolean 类型 - - - 公式： -xx:+ 或者 - 某个属性值（+表示开启，- 表示关闭） - - - Case - - - 是否打印GC收集细节 - - - -XX:+PrintGCDetails - - -XX:- PrintGCDetails - - 添加如下参数后，重新查看，发现是 + 号了 - - ![](https://tva1.sinaimg.cn/large/00831rSTly1gdebrx25moj31170u042c.jpg) - - - 是否使用串行垃圾回收器 - - - -XX:-UseSerialGC - - -XX:+UseSerialGC - - - KV 设值类型 - - - 公式 -XX:属性key=属性 value - - - Case: - - - -XX:MetaspaceSize=128m - - - -xx:MaxTenuringThreshold=15 - - - 我们常见的 -Xms和 -Xmx 也属于 KV 设值类型 - - - -Xms 等价于 -XX:InitialHeapSize - - -Xmx 等价于 -XX:MaxHeapSize - - ![](https://tva1.sinaimg.cn/large/00831rSTly1gdecj9d7z3j310202qdgb.jpg) - - - jinfo 举例，如何查看当前运行程序的配置 - - - jps -l - - jinfo -flag [配置项] 进程编号 - - jinfo **-flags** 1981(打印所有) - - jinfo -flag PrintGCDetails 1981 - - jinfo -flag MetaspaceSize 2044 +- **`jinfo`**：查看或修改运行中 JVM 的参数。 +- **`java` 命令参数**：直接打印默认或修改后的参数。 +- **Runtime API**：通过 Java 代码获取内存信息 这些都是命令级别的查看，我们如何在程序运行中查看 ```java - long totalMemory = Runtime.getRuntime().totalMemory(); - long maxMemory = Runtime.getRuntime().maxMemory(); - - System.out.println("total_memory(-xms)="+totalMemory+"字节，" +(totalMemory/(double)1024/1024)+"MB"); - System.out.println("max_memory(-xmx)="+maxMemory+"字节，" +(maxMemory/(double)1024/1024)+"MB"); +long totalMemory = Runtime.getRuntime().totalMemory(); +long maxMemory = Runtime.getRuntime().maxMemory(); -} +System.out.println("total_memory(-xms)="+totalMemory+"字节，" +(totalMemory/(double)1024/1024)+"MB"); +System.out.println("max_memory(-xmx)="+maxMemory+"字节，" +(maxMemory/(double)1024/1024)+"MB"); ``` -### 盘点家底查看 JVM 默认值 +### 🎯 盘点家底查看 JVM 默认值 - -XX:+PrintFlagsInitial @@ -970,67 +1739,70 @@ java -Xmx3550m -Xms3550m -Xmn2g -Xss128k - 打印命令行参数 - java -XX:+PrintCommondLineFlags -version - 可以方便的看到垃圾回收器 - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehf1e54soj31e006qjz6.jpg) - -参数不懂，推荐直接去看官网， -https://docs.oracle.com/javacomponents/jrockit-hotspot/migration-guide/cloptions.htm#JRHMG127 +### 有没有遇到过oom的问题？线上怎么排查的？ -https://docs.oracle.com/javase/8/docs/technotes/tools/unix/java.html#BGBCIEFC +我们的排查流程一般是分几步： -https://docs.oracle.com/javase/8/ +1. **先确认 OOM 类型** + - 堆内存不足（Java heap space） + - 元空间不足（Metaspace） + - 直接内存不足（Direct buffer memory） + - 线程无法创建（unable to create new native thread） + 不同类型的 OOM，对应的排查思路不一样。 +2. **收集现场信息** + - 开启 `-XX:+HeapDumpOnOutOfMemoryError`，让 JVM 在 OOM 时自动生成 `heap dump` 文件。 + - 收集 GC 日志（`-Xloggc`），确认是内存泄漏还是配置不合理。 +3. **分析 Dump 文件** + - 用 **MAT（Memory Analyzer Tool）** 或 **VisualVM** 打开 `heap dump`，看哪些对象占用内存最多。 + - 结合 `dominator tree` 分析是否存在引用链未释放。 +4. **定位代码问题** + - 如果是内存泄漏，通常是 **集合类持有过多对象（Map/Queue 没清理）**，或者 **缓存没有淘汰策略**。 + - 如果是元空间 OOM，可能是动态生成类太多（如反射、CGLIB 代理）。 + - 如果是 DirectMemory，通常是 Netty/ByteBuffer 没释放。 +5. **优化措施** + - 调整 JVM 参数（堆大小、元空间大小、直接内存大小）。 + - 增加对象回收策略（比如缓存加 LRU）。 + - 避免无界队列，控制线程池大小。 + - 必要时进行代码重构。 -Java SE Tools Reference for UNIX](https://docs.oracle.com/javase/8/docs/technotes/tools/unix/index.html) - -### 能写几个 OOM 代码不 +### 🎯 能写几个 OOM 代码不？ - java.lang.StackOverflowError - - ```java - public class StackOverflowErrorDemo { - - public static void main(String[] args) { - stackoverflowError(); - } - - private static void stackoverflowError() { - stackoverflowError(); - } + ```java + public class StackOverflowErrorDemo { + + public static void main(String[] args) { + stackoverflowError(); } - ``` + + private static void stackoverflowError() { + stackoverflowError(); + } + } + ``` - java.lang.OutOfMemoryError: Java heap space - new个大对象,就会出现 -- java.lang.OutOfMemoryError: GC overhead limit exceeded (GC上头，哈哈) - - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehmrz0dvaj311w0muk0e.jpg) - -- java.lang.OutOfMemoryError: Direct buffer memory - - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehn18eix6j31a00m2wup.jpg) - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehn52fphnj31as0lidyh.jpg) - -- java.lang.OutOfMemoryError: unable to create new native thread - - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehn7osaz1j31940kc4c8.jpg) - -- java.lang.OutOfMemoryError：Metaspace - - - http://openjdk.java.net/jeps/122 - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehnc3d4g3j319e0msguj.jpg) - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehndijxo8j31920madt6.jpg) - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehmmia4gaj30xw0gudid.jpg) - + ```java + //JVM参数：-Xmx12m + static final int SIZE = 2 * 1024 * 1024; + + public static void main(String[] a) { + int[] i = new int[SIZE]; + } + ``` + -### 谈谈你的 GC 调优思路？ +### 🎯 谈谈你的 GC 调优思路？ > 谈到调优，这一定是针对特定场景、特定目的的事情， 对于 GC 调优来说，首先就需要清楚调优的目标是什么？从性能的角度看，通常关注三个方面，**内存占用**（footprint）、**延时**（latency）和**吞吐量**（throughput），大多数情况下调优会侧重于其中一个或者两个方面的目标，很少有情况可以兼顾三个不同的角度。当然，除了上面通常的三个方面，也可能需要考虑其他 GC 相关的场景，例如，OOM 也可能与不合理的 GC 相关参数有关；或者，应用启动速度方面的需求，GC 也会是个考虑的方面。 > @@ -1044,16 +1816,127 @@ Java SE Tools Reference for UNIX](https://docs.oracle.com/javase/8/docs/technote > - 这里需要思考，选择的 GC 类型是否符合我们的应用特征，如果是，具体问题表现在哪里，是 Minor GC 过长，还是 Mixed GC 等出现异常停顿情况；如果不是，考虑切换到什么类型，如 CMS 和 G1 都是更侧重于低延迟的 GC 选项。 > - 通过分析确定具体调整的参数或者软硬件配置。 > - 验证是否达到调优目标，如果达到目标，即可以考虑结束调优；否则，重复完成分析、调整、验证这个过程。 +> + +一、调优核心目标与基本原则 + +1. **核心目标** + - 延迟优化：减少GC导致的STW时间（如Young GC < 50ms，Full GC < 1s） + - 吞吐量提升：确保GC时间占比低于5%（如GC吞吐量 > 95%） + - **内存利用率**：减少内存碎片，避免OOM和频繁扩容 +2. **基本原则** + - 先诊断后调优：通过GC日志和监控工具定位问题，避免盲目调整参数 + - 代码优先原则：优化对象分配模式（如减少大对象、避免内存泄漏）比参数调整更有效 + - 场景适配：根据应用类型选择GC算法（低延迟选G1/ZGC，高吞吐选Parallel GC） + +二、调优方法论与实施步骤 + +1. **数据采集与问题定位** + + - 监控工具： + - `jstat -gcutil `：实时查看各代内存使用率及GC次数/耗时 + - `jmap -histo`：分析堆内存对象分布，定位大对象或内存泄漏 + - GC日志分析：通过 `-Xlog:gc*` 生成日志，使用GCeasy或G1Viewer解析 + + - 关键指标： + - Young GC频率：高于10秒/次需优化新生代分配 + - 晋升速率：若单次Young GC后老年代增长>5%，需调整年龄阈值 + +2. **内存模型优化** + + - 分代策略调整： + - 新生代扩容：若Young GC频繁（如<30秒/次），增大 `-Xmn`（不超过堆的60%） + - Survivor区平衡：通过 `-XX:SurvivorRatio` 调整Eden与Survivor比例（默认8:1:1），避免动态年龄判定过早触发 + + - 大对象控制： + - 设置 `-XX:PretenureSizeThreshold=4M`，避免大对象直接进入老年代引发碎片 + +3. **GC算法选择与参数调优** + + | **GC类型** | **适用场景** | **调优参数示例** | **优化目标** | + | ------------ | ----------------------- | ------------------------------------------------------------ | ---------------- | + | **G1** | 低延迟、大堆内存（>8G） | `-XX:MaxGCPauseMillis=200`（目标停顿时间）`-XX:InitiatingHeapOccupancyPercent=45`（并发标记阈值） 5 | 减少Mixed GC频率 | + | **Parallel** | 批处理、高吞吐量 | `-XX:ParallelGCThreads=CPU核数`（并行线程数）`-XX:GCTimeRatio=9`（GC/应用时间比） 5 | 最大化吞吐量 | + | **ZGC** | 超低延迟（<10ms） | `-XX:ZAllocationSpikeTolerance=5`（分配速率容忍度）`-Xmx32G`（堆≤32G） | 亚秒级停顿 | + +4. **关键参数调优策略** + + - 晋升阈值优化：降低 `-XX:MaxTenuringThreshold` （默认15→5），加速长生命周期对象进入老年代 + + - 堆稳定性保障：设置 `-Xms=-Xmx` 避免堆动态扩容，配合 `-XX:+AlwaysPreTouch` 预分配物理内存 + + - 元空间控制： 限制 `-XX:MaxMetaspaceSize=512M` ，防止类加载器泄漏导致Full GC + +5. **代码级优化** + + - **对象池化**：复用高频率创建对象（如数据库连接、线程） + + - 软引用控制：通过 SoftReference 缓存大对象，在内存紧张时优先释放 + + - **并发数据结构**：使用`ConcurrentHashMap`替代`synchronized`集合，减少锁竞争导致的临时对象激增 + +三、调优效果验证与持续监控 + +1. AB测试验证： + + - 对比调优前后的GC暂停时间分布（如P99延迟下降30%） + - 监控吞吐量变化（如QPS提升20%+） +2. 监控体系构建： -### 怎么打出线程栈信息。 + - **时序数据库**：Prometheus采集`jvm_gc_pause_seconds`指标 -**思路：** 可以说一下jps，top ，jstack这几个命令，再配合一次排查线上问题进行解答。 + - 告警规则：Full GC次数>1次/小时或STW时间>1秒触发告警 -**我的答案：** +四、典型场景调优案例 -- 输入jps，获得进程号。 +> 案例1：电商秒杀系统（低延迟场景） +> +> - **问题**：高峰期Young GC暂停时间从50ms飙升至200ms +> +> - 调优： +> +> 1. 切换至G1回收器，设置`MaxGCPauseMillis=100` +> 2. 增大Eden区（`-Xmn=4G`），降低动态年龄判定触发频率 +> 3. 代码优化：预加载热点商品数据至堆外缓存 +> +> - 效果：Young GC平均暂停时间降至80ms，Full GC完全消除 +> +> +> +> 案例2：大数据计算引擎（高吞吐场景） +> +> - **问题**：Full GC导致每小时任务超时 +> - 调优： +> 1. 采用Parallel GC，设置`-XX:GCTimeRatio=19`（GC时间占比≤5%） +> 2. 限制大对象分配：`PretenureSizeThreshold=8M` +> 3. 启用`-XX:+UseLargePages`减少TLB缺失 +> - 效果：任务完成时间缩短40%，CPU利用率提升15% + +五、调优工具推荐 + +| **工具类型** | **推荐工具** | **核心功能** | +| ------------ | -------------------- | --------------------------------- | +| 日志分析 | GCeasy、G1Viewer | 可视化GC暂停分布、内存泄漏检测 9 | +| 实时监控 | Prometheus + Grafana | 可视化JVM内存、GC频率与耗时趋势 8 | +| 堆内存分析 | Eclipse MAT | 对象引用链分析，定位内存泄漏 7 | + +总结：调优需避免的误区 + +1. **参数过度调整**：如盲目设置`-Xmx=物理内存80%`导致系统Swap +2. 忽略代码优化：90%的GC问题源于代码缺陷而非参数配置 +3. 算法选择错配：在32G以上堆内存使用CMS导致并发模式失败 + +通过系统化的数据采集、场景化参数调整和代码级优化，可显著提升应用性能。建议结合具体业务特征选择调优路径，并通过持续监控验证长期效果。 + + + +### 🎯 怎么打出线程栈信息。 + +**思路：** 可以说一下 jps，top ，jstack这几个命令，再配合一次排查线上问题进行解答。 + +- 输入 jps，获得进程号。 - top -Hp pid 获取本进程中所有线程的CPU耗时性能 - jstack pid命令查看当前java进程的堆栈状态 - 或者 jstack -l > /tmp/output.txt 把堆栈信息打到一个txt文件。 @@ -1061,54 +1944,286 @@ Java SE Tools Reference for UNIX](https://docs.oracle.com/javase/8/docs/technote +### 🎯 如何查看JVM的内存使用情况? + +> JVM 内存可以通过 JDK 自带工具（jstat、jmap、jcmd）在命令行查看，也可以用 jconsole、visualvm 图形化分析。如果线上系统，我会用 Arthas 或结合 Prometheus + Grafana 做实时监控。在代码里，还可以通过 JMX 的 MemoryMXBean 获取堆内存使用情况。 + +一、命令行工具 + +1. **`jps` + `jstat` 组合** + - **功能**：快速定位 Java 进程并监控内存与 GC 状态。 + - **操作步骤**： + 1. 查看 Java 进程 ID：`jps -l` + 2. 监控堆内存使用（示例 PID=1234）：`jstat -gc 1234 1s 5 # 每1秒刷新，共5次` + - 输出关键字段： + - `EC/EU`：Eden 区容量/使用量 + - `OC/OU`：老年代容量/使用量 + - `YGC/YGCT`：Young GC 次数/耗时 + - `FGC/FGCT`：Full GC 次数/耗时 + - **适用场景**：实时监控内存分配与回收效率 + +2. **`jmap` 堆内存分析** + + - **功能**：生成堆转储文件或直接查看内存分布。 + + - 常用命令： + - 查看堆内存配置：`jmap -heap 1234` + - 生成堆转储文件（用于后续分析内存泄漏）：`jmap -dump:format=b,file=heap.hprof 1234` + - 统计对象直方图：`jmap -histo 1234 | head -20 # 显示前20个占用内存最多的类` + - **适用场景**：排查内存溢出或对象分布异常 + +3. **`jinfo` 参数查看** + - **功能**：查看或修改运行中 JVM 的参数。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehofhsuglj31a20ka116.jpg) + - 示例： + ```bash + jinfo -flags 1234 # 显示所有参数 + jinfo -flag MaxHeapSize 1234 # 查看堆最大内存 + ``` + - **适用场景**：验证内存参数配置是否生效 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehohen24lj31f20n2du8.jpg) +### 🎯 怎么查看服务器默认的垃圾收集器是哪个？生产上如何配置垃圾收集器？谈谈你对垃圾收集器的理解？ + +```sh +java -XX:+PrintCommandLineFlags -version +``` + +使用 G1 垃圾收集 + +```sh +java -XX:+UseG1GC -jar yourapp.jar +``` + +垃圾收集器是JVM用来自动管理内存的重要组成部分。它们的主要任务是识别和回收不再使用的对象，释放内存资源。以下是对垃圾收集器的一些关键理解： + +1. **自动化内存管理**：自动化内存管理减少了内存泄漏和野指针的风险。 +2. **性能影响**：不同的垃圾收集器对应用程序性能的影响不同。选择合适的垃圾收集器可以显著提高应用程序性能。 +3. **算法多样性**：存在多种垃圾收集算法，每种算法都有其特定的使用场景和优缺点。 +4. **与应用程序特性匹配**：选择垃圾收集器时，需要考虑应用程序的特性，如对象生命周期、响应时间要求、吞吐量需求等。 +5. **资源消耗**：垃圾收集器可能会消耗额外的CPU资源来执行垃圾回收任务。 +6. **内存分配策略**：垃圾收集器通常与特定的内存分配策略（如TLAB）结合使用，以优化内存分配性能。 +7. **并发与增量收集**：现代垃圾收集器通常支持并发或增量收集，以减少GC引起的应用程序停顿。 +8. **可配置性**：大多数垃圾收集器都可以通过JVM参数进行配置，以适应不同的性能需求。 +9. **持续发展**：垃圾收集器和算法随着JVM的更新而不断发展，新的垃圾收集器（如ZGC、Shenandoah等）提供了更低的延迟和更好的性能。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1geholtp9p9j31bu0i8dsm.jpg) +通过合理选择和配置垃圾收集器，可以显著提高Java应用程序的性能和稳定性。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehop8c2u8j30uu0kgk46.jpg) +### 🎯 生产环境服务器变慢，诊断思路和性能评估谈谈？ +诊断思路 +1. **初步排查** + - **确认问题**：确认问题的存在和范围。检查是否所有服务变慢还是只有特定的服务。 + - **收集信息**：从用户反馈、日志、监控系统中收集详细的症状描述和时间信息。 +2. **硬件资源检查** + - **CPU 使用率**：检查 CPU 使用率是否过高，是否存在 CPU 瓶颈。 + - **内存使用**：检查内存使用情况，是否存在内存泄漏或不合理的内存占用。 + - **磁盘 I/O**：检查磁盘 I/O 是否成为瓶颈，是否有大量的读写操作。 + - **网络流量**：检查网络带宽和延迟，是否存在网络瓶颈。 +3. **系统级别检查** + - **系统日志**：查看操作系统日志（如 `/var/log/syslog` 或 `/var/log/messages`），检查是否有硬件故障、驱动问题等。 + - **资源使用**：使用 `top`、`htop`、`vmstat`、`iostat` 等工具查看实时资源使用情况。 + - **进程检查**：查看是否有异常进程占用大量资源。 +4. **应用级别检查** + - **应用日志**：检查应用日志，查看是否有异常错误、超时或其他提示信息。 + - **线程和堆栈**：检查应用的线程和堆栈信息，使用工具如 `jstack` 查看 Java 应用的线程状态。 + - **垃圾回收**：如果是 Java 应用，检查垃圾回收日志，查看是否存在频繁的 GC 停顿。 + - **数据库性能**：检查数据库性能，查看是否存在慢查询、大量锁等待等问题。 +5. **网络检查** + - **网络延迟**：使用 `ping`、`traceroute` 等工具检查网络延迟和路径。 + - **带宽占用**：使用 `iftop`、`netstat` 等工具查看网络带宽占用情况。 +6. **外部依赖** + - **第三方服务**：检查依赖的第三方服务是否正常运行，是否存在响应缓慢的问题。 + - **API 调用**：检查外部 API 调用的响应时间，是否存在延迟。 +**性能评估** +1. **基准测试** + - **负载测试**：使用工具如 `JMeter`、`Gatling` 对应用进行负载测试，评估其在高负载下的表现。 + - **压力测试**：模拟高并发用户访问，评估应用的最大承载能力。 +2. **性能监控** + - **监控工具**：使用监控工具如 Prometheus、Grafana、Nagios、Zabbix 等，对服务器的 CPU、内存、磁盘 I/O、网络等进行持续监控。 + - **应用性能监控**：使用 APM 工具如 New Relic、AppDynamics、Dynatrace 等，监控应用的性能指标，如响应时间、错误率、吞吐量等。 +3. **日志分析** + - **集中日志管理**：使用 ELK（Elasticsearch, Logstash, Kibana）或 Splunk 等工具集中管理和分析日志。 + - **日志分析**：分析应用日志和系统日志，查找异常和错误信息。 +4. **性能优化** + - **代码优化**：分析应用代码，查找性能瓶颈，如低效算法、频繁的 I/O 操作等。 + - **数据库优化**：优化数据库查询，添加索引、优化 SQL 语句、调整数据库配置等。 + - **缓存策略**：使用缓存（如 Redis、Memcached）减轻数据库压力，提升响应速度。 + - **负载均衡**：使用负载均衡（如 Nginx、HAProxy）分发流量，减轻单点压力。 + - **集群和分布式**：将应用部署在集群或分布式环境中，提高系统的扩展性和可靠性。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehptemx4oj31520js47e.jpg) +诊断服务器变慢需要系统的方法，从硬件资源、系统级别、应用级别、网络和外部依赖等多个方面进行排查。性能评估则需要通过基准测试、性能监控、日志分析等手段全面了解系统性能，并通过优化代码、数据库、缓存策略等措施提升系统性能。定期的性能评估和优化可以帮助维护系统的稳定性和高效性。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gehps6jzcsj31go0mok5q.jpg) +### 🎯 假设生产环境出现 CPU占用过高，请谈谈你的分析思路和定位 +生产环境中 CPU 占用过高是常见的性能问题，需要结合系统工具和 Java 诊断工具逐步定位，我的分析思路通常分为 "快速定位 - 分层拆解 - 精准溯源" 三个阶段，结合实际案例可以这样展开： +" 遇到 CPU 占用过高的问题，我会按照‘从系统到应用，从进程到代码’的顺序逐层排查，确保定位精准： +1. **第一步：快速锁定目标进程**登录服务器后，先用`top`命令查看整体 CPU 使用情况（关注 % user、% sys、% idle 指标），找到 CPU 占比异常的 Java 进程（通常是 PID 对应的进程 % CPU 持续超过 80%）。比如之前处理过一个订单服务，top 显示其进程 CPU 长期维持在 150%（2 核机器），明显异常。 + 若要更细致，可用`pidstat -p [pid] 1 5`观察进程的 CPU 使用趋势，区分是用户态（% usr）还是内核态（% sys）占用高：用户态高可能是应用代码问题（如循环计算），内核态高可能是线程切换频繁或系统调用过多。 -### 7.怎么查看服务器默认的垃圾收集器是哪个？生产上如何配置垃圾收集器？谈谈你对垃圾收集器的理解？ +2. **第二步：定位异常线程**确定进程后，用`top -H -p [pid]`查看该进程内的线程 CPU 占用，找到 % CPU 高的线程 ID（LWP 列），并转换为 16 进制（如`printf "%x\n" 1234`），因为 jstack 日志中的线程 ID 是 16 进制。 + 接着用`jstack [pid] > stack.log`导出线程栈，在日志中搜索转换后的 16 进制 ID，分析线程状态： + - 若线程处于`RUNNABLE`且栈信息显示在执行某段业务代码（如循环处理、复杂计算），可能是代码逻辑导致的 CPU 密集型操作 + - 若大量线程处于`BLOCKED`或`WAITING`，可能是锁竞争激烈（如 synchronized 块过大），导致线程频繁上下文切换消耗 CPU + - 若发现多个`GC Thread`或`VM Thread`占用高，可能是频繁 GC 导致（需结合 jstat 进一步验证） + 我曾遇到过一个案例：jstack 显示多个线程卡在`HashMap.put()`，结合代码发现是在高并发下使用了非线程安全的 HashMap，导致死循环（扩容时的链表成环），CPU 瞬间飙升到 100%。 +3. **第三步：结合业务代码溯源**根据线程栈中的类名和方法名（如`com.xxx.service.OrderService.calculatePrice()`），定位到具体代码逻辑： -### 9.生产环境服务器变慢，诊断思路和性能评估谈谈？ + - 检查是否有死循环、递归调用失控等问题 + - 分析是否有大量重复计算、正则表达式频繁编译等 CPU 密集型操作 + - 排查是否使用了低效的数据结构（如 ArrayList 在大数据量下频繁扩容） + - 确认是否有第三方库存在性能问题（如 JSON 序列化效率低） -### 10.假设生产环境出现 CPU占用过高，请谈谈你的分析思路和定位 +4. **辅助验证手段** + - 用`jstat -gcutil [pid] 1000 10`查看 GC 情况，若 YGC 频繁或 GC 耗时过长（如 STW 超过 100ms），可能是内存问题间接导致 CPU 高 + - 结合 APM 工具（如 SkyWalking）的调用链，查看是否有高频调用的接口存在性能瓶颈 + - 对于容器化部署，需确认容器的 CPU 配额（如 cgroups 限制）是否合理，避免资源争用 +比如之前处理的一个商品搜索服务 CPU 过高问题，最终定位是 lucene 索引查询时的正则匹配逻辑过于复杂，在高并发下每次查询消耗大量 CPU，优化为前缀匹配后，CPU 使用率从 90% 降至 30%。 -### 11. 对于JDK 自带的JVM 监控和性能分析工具用过哪些？你是怎么用的？ +总结来说，CPU 过高的排查核心是 "缩小范围，精准定位"—— 从系统到进程，从线程到代码，每个环节都用数据（监控指标、日志）验证假设，避免经验主义判断。” -- jconsole 直接在jdk/bin目录下点击jconsole.exe即可启动 -- VisualVM jdk/bin目录下面jvisualvm.exe -https://www.cnblogs.com/ityouknow/p/6437037.html +### 🎯 如何检测 jvm 的各项指标？ + +> 对于JDK 自带的JVM 监控和性能分析工具用过哪些？你是怎么用的？ + +**1、JMX（Java Management Extensions）**： + +- JMX是Java平台的内置管理框架，用于监控和管理Java应用程序。通过JMX，可以获取JVM的运行时数据，包括内存使用情况、线程信息、垃圾回收统计等。 + + > **使用 JConsole 监控 JVM** + > + > 1. 启动 JConsole： + > - JConsole 是 JDK 自带的图形化工具，用于监控 JVM 的各种指标。 + > - 你可以在命令行中输入 `jconsole` 启动 JConsole。 + > 2. 连接到 JVM： + > - 在 JConsole 的连接窗口中选择本地进程或远程进程，然后点击连接。 + > 3. 查看性能指标： + > - 在 JConsole 中，你可以查看内存使用情况、线程活动、类加载、MBean 等 + > + > 也可以通过编程方式使用 JMX 访问 JVM 的性能指标 + > + > ```java + > public class JMXExample { + > public static void main(String[] args) throws Exception { + > MBeanServerConnection mBeanServer = ManagementFactory.getPlatformMBeanServer(); + > ObjectName memoryMXBeanName = new ObjectName(ManagementFactory.MEMORY_MXBEAN_NAME); + > MemoryMXBean memoryMXBean = ManagementFactory.newPlatformMXBeanProxy(mBeanServer, memoryMXBeanName.toString(), MemoryMXBean.class); + > + > // 获取堆内存使用情况 + > MemoryUsage heapMemoryUsage = memoryMXBean.getHeapMemoryUsage(); + > System.out.println("Heap Memory Usage: " + heapMemoryUsage); + > + > // 获取非堆内存使用情况 + > MemoryUsage nonHeapMemoryUsage = memoryMXBean.getNonHeapMemoryUsage(); + > System.out.println("Non-Heap Memory Usage: " + nonHeapMemoryUsage); + > } + > } + > ``` + +- 可以使用JMX Exporter将JVM的监控指标暴露给Prometheus进行采集和监控 + + **2、使用 Java 命令行工具** + +- `jstat` 是一个命令行工具，用于监控 JVM 的各种性能指标，如垃圾回收、类加载等 +- `jmap` 用于生成堆转储文件（heap dump）和查看堆内存的详细信息 +- `jstack` 用于生成线程快照（thread dump），可以帮助诊断线程死锁和高 CPU 使用问题 + +**3、使用第三方监控工具** + +- VisualVM 是一个强大的图形化工具，用于监控和分析 JVM 的性能。它可以监控内存使用情况、线程活动、垃圾回收等 + +- Prometheus 是一个开源监控系统，Grafana 是一个开源的时序数据可视化工具。结合使用这两个工具可以实现对 JVM 的高级监控和可视化。 + +4、使用 Spring Boot Actuator (如果使用 Spring Boot) + + + +## 🎯 高频面试题汇总 + +### 核心必考题（⭐⭐⭐） + +1. **说说JVM的内存结构？** +2. **堆内存的结构是怎样的？** +3. **什么是垃圾回收？为什么要进行垃圾回收？** +4. **如何判断对象是否可以被回收？** +5. **常见的垃圾回收算法有哪些？** +6. **分代垃圾回收是如何工作的？** +7. **类加载的完整过程是怎样的？** +8. **什么是双亲委派模型？为什么要使用双亲委派？** + +### 进阶深入题（⭐⭐） + +9. **对象在堆内存中是如何分配的？** +10. **什么是内存溢出？常见的OOM有哪些？** +11. **什么是内存泄漏？如何排查？** +12. **常见的垃圾收集器有哪些？各有什么特点？** +13. **如何自定义类加载器？** +14. **常用的JVM参数有哪些？** +15. **如何监控JVM性能？** +16. **JVM调优的目标是什么？如何调优？** + +### 应用实践题（⭐） + +17. **如何优化JVM内存使用？** +18. **如何优化垃圾回收性能？** +19. **如何排查JVM性能问题？** +20. **生产环境JVM调优的最佳实践？** +21. **JVM内存模型与Java内存模型的区别？** +22. **如何分析堆转储文件？** + +--- + +## 📝 面试话术模板 + +### 回答框架 + +``` +1. 概念定义（30秒） + - 简要说明是什么 + +2. 核心原理（60秒） + - 底层实现机制 + - 关键数据结构 + +3. 特性分析（30秒） + - 优缺点对比 + - 使用场景 + +4. 实战应用（30秒） + - 什么情况下使用 + - 注意事项 + +5. 深入扩展（可选） + - 源码细节 + - 性能优化 + - 最佳实践 +``` +### 关键话术 +- **JVM内存结构**："JVM内存主要分为堆内存、方法区、虚拟机栈等，其中堆内存是GC的主要区域..." +- **垃圾回收**："垃圾回收通过可达性分析算法判断对象是否存活，使用分代收集算法提高效率..." +- **类加载**："类加载分为加载、验证、准备、解析、初始化五个阶段，使用双亲委派模型保证安全性..." +- **性能调优**："JVM调优需要先分析性能瓶颈，然后选择合适的垃圾收集器和参数，最后验证调优效果..." diff --git a/docs/interview/Java-Basics-FAQ.md b/docs/interview/Java-Basics-FAQ.md index 25a8793c29..6a277da6b0 100644 --- a/docs/interview/Java-Basics-FAQ.md +++ b/docs/interview/Java-Basics-FAQ.md @@ -1,535 +1,4817 @@ -### JDK和JRE、 JVM +--- +title: Java 基础八股文 +date: 2024-08-31 +tags: + - Java + - Interview +categories: Interview +--- -- JDK（Java Development Kit）是 Java 开发工具包，包括了 Java 运行环境 JRE、Java 工具和 Java 基础类库。 +![](https://img.starfish.ink/common/faq-banner.png) -- JRE（Java Runtime Environment）是运行 Java 程序所必须的环境的集合，包含 JVM 标准实现及 Java 核心类库。 +> Java基础是所有Java开发者的**根基**，也是面试官考察的**重中之重**。从面向对象三大特性到泛型擦除机制，从异常处理到反射原理，每一个知识点都可能成为面试的关键。本文档将**最常考的Java基础**整理成**标准话术**，让你在面试中对答如流！ -- JVM（Java Virtual Machine）是 Java 虚拟机的缩写，是整个 Java 实现跨平台的最核心的部分，能够运行以Java 语言写作的软件程序。 +### 🔥 为什么Java基础如此重要？ +- **📈 面试必考**：95%的Java岗都会深挖基础 +- **🧠 思维体现**：体现你对Java语言的深度理解 +- **💼 工作基础**：日常开发中无处不在的核心概念 +- **🎓 进阶前提**：框架、中间件都建立在基础之上 +--- -### Class 和 Object 的区别 +## 🗺️ 知识导航 -Class这个Java类保存的是一个Java类的元信息，一般在反射中使用。可以通过Class类型来获取其他类型的元数据（metadata），比如字段，属性，构造器，方法等等，可以获取并调用。 +### 🏷️ 核心知识分类 -Object类，是所有Java类的根。它包括Class类。 +1. **🔥 面向对象编程**：封装、继承、多态、抽象类、接口、内部类 +2. **📊 数据类型体系**：基本类型、包装类、自动装箱拆箱、类型转换 +3. **🔤 字符串处理**：String、StringBuilder、StringBuffer、字符串常量池 +4. **⚠️ 异常处理机制**：异常体系、try-catch-finally、异常传播、自定义异常 +5. **🎯 泛型机制**：泛型语法、类型擦除、通配符、泛型边界 +6. **🪞 反射机制**：Class对象、动态代理、注解处理、反射性能 +7. **🔗 Java引用类型**：强引用、软引用、弱引用、虚引用、WeakHashMap、ThreadLocal原理 +8. **📁 IO流体系**：字节流、字符流、缓冲流、NIO基础 +9. **🆕 Java新特性**：Lambda表达式、Stream API、Optional、函数式接口 -> 类是对象的模板，对象是类的具体实例，对象依据类而产生 +### 🔑 面试话术模板 -### 对比 Exception 和 Error，另外，运行时异常与一般异常有什么区别？ +| **问题类型** | **回答框架** | **关键要点** | **深入扩展** | +| ------------ | ----------------------------------- | ------------------ | ------------------ | +| **概念解释** | 定义→特点→应用场景→示例 | 准确定义，突出特点 | 底层原理，源码分析 | +| **对比分析** | 相同点→不同点→使用场景→选择建议 | 多维度对比 | 性能差异，实际应用 | +| **原理解析** | 背景→实现机制→执行流程→注意事项 | 图解流程 | 源码实现，JVM层面 | +| **应用实践** | 问题场景→解决方案→代码实现→优化建议 | 实际案例 | 最佳实践，踩坑经验 | -Exception 和 Error 都是继承了 Throwable 类，在 Java 中只有 Throwable 类型的实例才可以被抛出（throw）或者捕获（catch），它是异常处理机制的基本组成类型。 +--- -Exception 和 Error 体现了 Java 平台设计者对不同异常情况的分类。Exception 是程序正常运行中，可以预料的意外情况，可能并且应该被捕获，进行相应处理。 +## 🔥 一、面向对象编程（OOP核心） -Error 是指在正常情况下，不大可能出现的情况，绝大部分的 Error 都会导致程序（比如 JVM 自身）处于非正常的、不可恢复状态。既然是非正常情况，所以不便于也不需要捕获，常见的比如 OutOfMemoryError 之类，都是 Error 的子类。 +> **核心思想**：将现实世界的事物抽象为对象，通过类和对象来组织代码，实现高内聚、低耦合的程序设计。 -Exception 又分为**可检查**（checked）异常和**不检查**（unchecked）异常，可检查异常在源代码里必须显式地进行捕获处理，这是编译期检查的一部分。前面我介绍的不可查的 Error，是 Throwable 不是 Exception。 +### 🎯 JDK、JRE、JVM的区别？ -不检查异常就是所谓的运行时异常，类似 NullPointerException、ArrayIndexOutOfBoundsException 之类，通常是可以编码避免的逻辑错误，具体根据需要来判断是否需要捕获，并不会在编译期强制要求。 +"JDK、JRE、JVM是Java技术体系的三个核心组件： +**JVM（Java Virtual Machine）**： +- Java虚拟机，是整个Java实现跨平台的最核心部分 +- 负责字节码的解释执行，提供内存管理、垃圾回收等功能 +- 不同操作系统有对应的JVM实现，但对上层透明 -### 类和对象的区别 +**JRE（Java Runtime Environment）**： -类是一类物体的共同特性的抽象.对象是类的一个实例. +- Java运行时环境，包含JVM和Java核心类库 +- 是运行Java程序所必需的最小环境 +- 包括JVM标准实现及Java基础类库（如java.lang、java.util等） -通俗的说:把某一类物品共有的特征,或者属性组装起来就是一个类. 能够具体到物品或者个体就是对象. +**JDK（Java Development Kit）**： +- Java开发工具包，包含JRE以及开发工具 +- 提供编译器javac、调试器jdb、文档生成器javadoc等 +- 开发Java程序必须安装JDK，而运行Java程序只需JRE +简单说：JDK包含JRE，JRE包含JVM，开发用JDK，运行用JRE，执行靠JVM。" -### 你是如何理解面向对象的 +**💻 代码示例**： -在我理解,面向对象是一种“万物皆对象”的编程思想 - -面向对象 ( Object Oriented ) 是将现实问题构建关系，然后抽象成 **类 ( class )**，给类定义属性和方法后，再将类实例化成 **实例 ( instance )** ，通过访问实例的属性和调用方法来进行使用。 +```java +public class JavaEnvironmentDemo { + + public static void main(String[] args) { + // 获取Java环境信息 + System.out.println("=== Java Environment Info ==="); + + // JVM相关信息 + System.out.println("JVM Name: " + System.getProperty("java.vm.name")); + System.out.println("JVM Version: " + System.getProperty("java.vm.version")); + System.out.println("JVM Vendor: " + System.getProperty("java.vm.vendor")); + + // JRE相关信息 + System.out.println("Java Version: " + System.getProperty("java.version")); + System.out.println("Java Home: " + System.getProperty("java.home")); + + // 运行时环境信息 + Runtime runtime = Runtime.getRuntime(); + System.out.println("Available Processors: " + runtime.availableProcessors()); + System.out.println("Max Memory: " + runtime.maxMemory() / 1024 / 1024 + " MB"); + System.out.println("Total Memory: " + runtime.totalMemory() / 1024 / 1024 + " MB"); + System.out.println("Free Memory: " + runtime.freeMemory() / 1024 / 1024 + " MB"); + + // 操作系统信息 + System.out.println("OS Name: " + System.getProperty("os.name")); + System.out.println("OS Version: " + System.getProperty("os.version")); + System.out.println("OS Architecture: " + System.getProperty("os.arch")); + + // Class Path信息 + System.out.println("Class Path: " + System.getProperty("java.class.path")); + } +} -类具有三个基本特征：封装、继承、多态 +/* + * JDK、JRE、JVM的层次关系： + * + * ┌─────────────── JDK ───────────────┐ + * │ ┌─────────── JRE ──────────┐ │ + * │ │ ┌─── JVM ───┐ │ │ + * │ │ │ │ │ │ + * │ │ │ 字节码 │ Java核心 │ 开发 │ + * │ │ │ 执行引擎 │ 类库 │ 工具 │ + * │ │ │ 内存管理 │ (rt.jar) │ │ + * │ │ │ 垃圾回收 │ │ │ + * │ │ └───────────┘ │ │ + * │ └─────────────────────────┘ │ + * └───────────────────────────────────┘ + * + * 开发工具包括： + * - javac: 编译器 + * - java: 运行器 + * - javadoc: 文档生成 + * - jar: 打包工具 + * - jdb: 调试器 + * - jconsole: 监控工具 + */ +``` +### 🎯 Class和Object的区别？ +"Class和Object有本质区别： -### 构造方法和普通方法的区别 +**Class（类）**： -构造函数的方法名和类型相同、没有返回值类型、不能写 return，是给对象初始化用的，创建对象的时候就会初始化，执行唯一的一次构造方法，系统会默认添加一个无参的构造方法 +- 是对象的模板或蓝图，定义了对象的属性和行为 +- 在Java中有两重含义：一是我们定义的Java类，二是java.lang.Class类 +- java.lang.Class保存了Java类的元信息，主要用于反射操作 +- 通过Class可以获取类的字段、方法、构造器等元数据 -普通方法是对象调用才能执行，可被多次调用。 +**Object（对象）**： -**构造器Constructor是否可被override** +- 是类的具体实例，是类在内存中的具体表现 +- java.lang.Object是所有Java类的根父类，包括Class类本身 +- 提供了基础方法如equals()、hashCode()、toString()等 -构造器Constructor不能被继承，因此不能重写Override，但可以被重载Overload。 +**关系总结**：类是对象的模板，对象是类的实例；Class类用于反射获取类信息，Object类是所有类的基类。" +**💻 代码示例**： +```java +import java.lang.reflect.*; + +public class ClassObjectDemo { + + public static void main(String[] args) throws Exception { + // 1. 演示Class和Object的关系 + demonstrateClassObjectRelation(); + + // 2. Class类的使用（反射） + demonstrateClassUsage(); + + // 3. Object类的方法 + demonstrateObjectMethods(); + } + + // Class和Object关系演示 + public static void demonstrateClassObjectRelation() { + System.out.println("=== Class and Object Relation ==="); + + // 创建Student对象 + Student student1 = new Student("Alice", 20); + Student student2 = new Student("Bob", 22); + + // 获取Class对象的三种方式 + Class clazz1 = student1.getClass(); // 通过对象 + Class clazz2 = Student.class; // 通过类字面量 + try { + Class clazz3 = Class.forName("Student"); // 通过类名 + System.out.println("All Class objects are same: " + + (clazz1 == clazz2 && clazz2 == clazz3)); + } catch (ClassNotFoundException e) { + e.printStackTrace(); + } + + // Class对象的信息 + System.out.println("Class name: " + clazz1.getName()); + System.out.println("Simple name: " + clazz1.getSimpleName()); + System.out.println("Package: " + clazz1.getPackage()); + + // Object的基本信息 + System.out.println("student1 class: " + student1.getClass().getSimpleName()); + System.out.println("student1 hash: " + student1.hashCode()); + System.out.println("student1 string: " + student1.toString()); + } + + // Class类的反射使用 + public static void demonstrateClassUsage() { + System.out.println("\n=== Class Usage (Reflection) ==="); + + try { + Class studentClass = Student.class; + + // 获取构造器 + Constructor[] constructors = studentClass.getConstructors(); + System.out.println("Constructors count: " + constructors.length); + + // 获取字段 + Field[] fields = studentClass.getDeclaredFields(); + System.out.println("Fields:"); + for (Field field : fields) { + System.out.println(" " + field.getType().getSimpleName() + " " + field.getName()); + } + + // 获取方法 + Method[] methods = studentClass.getDeclaredMethods(); + System.out.println("Methods:"); + for (Method method : methods) { + System.out.println(" " + method.getName() + "()"); + } + + // 通过反射创建对象 + Constructor constructor = studentClass.getConstructor(String.class, int.class); + Object studentObj = constructor.newInstance("Charlie", 21); + System.out.println("Created by reflection: " + studentObj); + + } catch (Exception e) { + e.printStackTrace(); + } + } + + // Object类方法演示 + public static void demonstrateObjectMethods() { + System.out.println("\n=== Object Methods ==="); + + Student s1 = new Student("David", 23); + Student s2 = new Student("David", 23); + Student s3 = s1; + + // equals方法 + System.out.println("s1.equals(s2): " + s1.equals(s2)); // true（重写了equals） + System.out.println("s1.equals(s3): " + s1.equals(s3)); // true + System.out.println("s1 == s3: " + (s1 == s3)); // true（同一对象） + + // hashCode方法 + System.out.println("s1.hashCode(): " + s1.hashCode()); + System.out.println("s2.hashCode(): " + s2.hashCode()); + System.out.println("HashCodes equal: " + (s1.hashCode() == s2.hashCode())); + + // toString方法 + System.out.println("s1.toString(): " + s1.toString()); + + // getClass方法 + System.out.println("s1.getClass(): " + s1.getClass()); + + // 演示Object其他方法 + try { + // wait/notify需要在synchronized块中 + synchronized (s1) { + System.out.println("Object methods like wait/notify require synchronization"); + } + } catch (Exception e) { + e.printStackTrace(); + } + } +} -### 作用域public，private，protected，以及不写时的区别 +// 示例学生类 +class Student { + private String name; + private int age; + + public Student(String name, int age) { + this.name = name; + this.age = age; + } + + // 重写Object的方法 + @Override + public boolean equals(Object obj) { + if (this == obj) return true; + if (obj == null || getClass() != obj.getClass()) return false; + Student student = (Student) obj; + return age == student.age && java.util.Objects.equals(name, student.name); + } + + @Override + public int hashCode() { + return java.util.Objects.hash(name, age); + } + + @Override + public String toString() { + return "Student{name='" + name + "', age=" + age + "}"; + } + + // getter方法 + public String getName() { return name; } + public int getAge() { return age; } +} +``` - 这四个作用域的可见范围如下表所示。 +### 🎯 请解释面向对象的三大特性 - 说明：如果在修饰的元素上面没有写任何访问修饰符，则表示 default 。 +"面向对象编程有三大核心特性：**封装、继承、多态**。 -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20200929182248.png) +**封装（Encapsulation）**：将数据和操作数据的方法绑定在一起，通过访问修饰符控制外部对内部数据的访问，隐藏实现细节，只暴露必要的接口。这样可以保护数据安全，降低模块间耦合度。 +**继承（Inheritance）**：子类可以继承父类的属性和方法，实现代码复用。Java支持单继承，一个类只能继承一个父类，但可以通过接口实现多重继承的效果。继承体现了'is-a'的关系。 +**多态（Polymorphism）**：同一个接口可以有多种不同的实现方式，在运行时动态决定调用哪个具体实现。Java中多态通过方法重写和接口实现来体现，运行时绑定确保调用正确的方法。" -### Integer与 int 的区别 +**💻 代码示例**： -int 是 Java 提供的 8 种原始数据类型之一。Java 为每个原始类型提供了**封装类**，Integer 是 Java 为 int 提供的封装类。**int的默认值为0，而Integer的默认值为null**，即Integer可以区分出未赋值和值为0的区别，int则无法表达出未赋值的情况，例如，要想表达出没有参加考试和考试成绩为0的区别，则只能使用Integer。在JSP开发中，Integer的默认为null，所以用el表达式在文本框中显示时，值为空白字符串，而int默认的默认值为0，所以用el表达式在文本框中显示时，结果为0，所以，**int不适合作为web层的表单数据的类型**。 +```java +// 封装示例 +public class Account { + private double balance; // 私有字段，外部不能直接访问 + + public void deposit(double amount) { // 公共方法，提供安全的操作接口 + if (amount > 0) { + balance += amount; + } + } + + public double getBalance() { // getter方法，控制数据访问 + return balance; + } +} +// 继承示例 +class Animal { + protected String name; + + public void eat() { + System.out.println(name + " is eating"); + } +} +class Dog extends Animal { // 继承Animal类 + public void bark() { // 子类特有方法 + System.out.println(name + " is barking"); + } + + @Override + public void eat() { // 方法重写 + System.out.println(name + " is eating dog food"); + } +} -### int float short double long char 占字节数？ +// 多态示例 +interface Shape { + double getArea(); +} -java实现了平台无关，所以所有的基本数据类型字长和机器字长无关，即32位和64位一样，但是引用（地址）与机器字长有关。 +class Circle implements Shape { + private double radius; + + public Circle(double radius) { + this.radius = radius; + } + + @Override + public double getArea() { + return Math.PI * radius * radius; + } +} -| 数据类型 | 32位计算机 | 64位计算机 | 取值范围 | -| -------- | ---------- | ---------- | --------------------------------- | -| byte | 1 | 1 | -128~127 | -| char | 2 | 2 | | -| short | 2 | 2 | (-2)的15次方 ~ (2的15次方) - 1 | -| int | 4 | 4 | (-2)的31次方 ~ (2的31次方) - 1 | -| long | 8 | 8 | 即 (-2)的63次方 ~ (2的63次方) - 1 | -| float | 4 | 4 | | -| double | 8 | 8 | | -| 引用 | 4 | 8 | | +class Rectangle implements Shape { + private double width, height; + + public Rectangle(double width, double height) { + this.width = width; + this.height = height; + } + + @Override + public double getArea() { + return width * height; + } +} +// 多态的使用 +public class PolymorphismDemo { + public static void printArea(Shape shape) { // 参数类型是接口 + System.out.println("Area: " + shape.getArea()); // 运行时动态绑定 + } + + public static void main(String[] args) { + Shape circle = new Circle(5); + Shape rectangle = new Rectangle(4, 6); + + printArea(circle); // 输出圆的面积 + printArea(rectangle); // 输出矩形的面积 + } +} +``` +### 🎯 Overload和Override的区别？ + +> "Overload（重载）和Override（重写）是Java面向对象的两个重要概念： +> +> **Overload（方法重载）**： +> +> - 同一个类中多个方法名相同，但参数不同 +> - 编译时多态（静态多态），编译器根据参数决定调用哪个方法 +> - 参数必须不同：类型、个数、顺序至少一项不同 +> - 返回值类型可以相同也可以不同，但不能仅凭返回值区分 +> - 访问修饰符可以不同 +> +> **Override（方法重写）**： +> +> - 子类重新实现父类的方法 +> - 运行时多态（动态多态），根据实际对象类型决定调用哪个方法 +> - 方法签名必须完全相同：方法名、参数列表、返回值类型 +> - 访问修饰符不能更严格，但可以更宽松 +> - 不能重写static、final、private方法 +> +> **核心区别**： +> +> - 重载是水平扩展（同类多方法），重写是垂直扩展（继承层次） +> - 重载在编译时确定，重写在运行时确定 +> - 重载体现了接口的灵活性，重写体现了多态性 +> +> 记忆技巧：Overload添加功能，Override改变功能。" + +**💻 代码示例**： -### 基本类型和包装类型的区别 +```java +public class OverloadOverrideDemo { + + public static void main(String[] args) { + // 演示方法重载 + Calculator calc = new Calculator(); + calc.demonstrateOverload(); + + System.out.println(); + + // 演示方法重写 + Animal animal = new Dog(); + animal.makeSound(); // 运行时多态 + + // 演示重写的访问控制 + demonstrateOverrideAccessControl(); + + // 演示重载的编译时解析 + demonstrateOverloadResolution(); + } + + public static void demonstrateOverrideAccessControl() { + System.out.println("=== Override访问控制演示 ==="); + + Parent parent = new Child(); + parent.protectedMethod(); // 调用子类重写的方法 + parent.publicMethod(); // 调用子类重写的方法 + } + + public static void demonstrateOverloadResolution() { + System.out.println("\n=== Overload解析演示 ==="); + + OverloadExample example = new OverloadExample(); + + // 编译时就确定调用哪个方法 + example.process(10); // 调用process(int) + example.process(10L); // 调用process(long) + example.process("hello"); // 调用process(String) + example.process(10, 20); // 调用process(int, int) + example.process(10.5); // 调用process(double) + + // 自动类型提升 + byte b = 10; + example.process(b); // byte -> int，调用process(int) + + short s = 20; + example.process(s); // short -> int，调用process(int) + + char c = 'A'; + example.process(c); // char -> int，调用process(int) + } +} -- 包装类型可以为 null，而基本类型不可以（它使得包装类型可以应用于 POJO 中，而基本类型则不行） +// 方法重载示例 +class Calculator { + + public void demonstrateOverload() { + System.out.println("=== 方法重载演示 ==="); + + // 同名方法，不同参数 + System.out.println("add(2, 3) = " + add(2, 3)); + System.out.println("add(2.5, 3.7) = " + add(2.5, 3.7)); + System.out.println("add(1, 2, 3) = " + add(1, 2, 3)); + System.out.println("add(\"Hello\", \"World\") = " + add("Hello", "World")); + + // 可变参数重载 + System.out.println("sum() = " + sum()); + System.out.println("sum(1) = " + sum(1)); + System.out.println("sum(1,2,3,4,5) = " + sum(1, 2, 3, 4, 5)); + } + + // 重载方法1：两个int参数 + public int add(int a, int b) { + System.out.println("调用了add(int, int)"); + return a + b; + } + + // 重载方法2：两个double参数 + public double add(double a, double b) { + System.out.println("调用了add(double, double)"); + return a + b; + } + + // 重载方法3：三个int参数 + public int add(int a, int b, int c) { + System.out.println("调用了add(int, int, int)"); + return a + b + c; + } + + // 重载方法4：两个String参数 + public String add(String a, String b) { + System.out.println("调用了add(String, String)"); + return a + b; + } + + // 重载方法5：参数顺序不同 + public String format(String format, int value) { + System.out.println("调用了format(String, int)"); + return String.format(format, value); + } + + public String format(int value, String suffix) { + System.out.println("调用了format(int, String)"); + return value + suffix; + } + + // 可变参数重载 + public int sum(int... numbers) { + System.out.println("调用了sum(int...)，参数个数: " + numbers.length); + int result = 0; + for (int num : numbers) { + result += num; + } + return result; + } + + // 注意：这种重载会导致歧义，编译错误 + // public int sum(int[] numbers) { ... } // 与可变参数冲突 +} - 和 POJO 类似的，还有数据传输对象 DTO（Data Transfer Object，泛指用于展示层与服务层之间的数据传输对象）、视图对象 VO（View Object，把某个页面的数据封装起来）、持久化对象 PO（Persistant Object，可以看成是与数据库中的表映射的 Java 对象）。 +// 重载解析示例 +class OverloadExample { + + public void process(int value) { + System.out.println("处理int: " + value); + } + + public void process(long value) { + System.out.println("处理long: " + value); + } + + public void process(double value) { + System.out.println("处理double: " + value); + } + + public void process(String value) { + System.out.println("处理String: " + value); + } + + public void process(int a, int b) { + System.out.println("处理两个int: " + a + ", " + b); + } + + // 重载与继承的交互 + public void process(Object obj) { + System.out.println("处理Object: " + obj); + } + + public void process(Number num) { + System.out.println("处理Number: " + num); + } +} - 那为什么 POJO 的属性必须要用包装类型呢？ +// 方法重写示例 +abstract class Animal { + protected String name; + + public Animal(String name) { + this.name = name; + } + + // 抽象方法，强制子类重写 + public abstract void makeSound(); + + // 普通方法，可以被重写 + public void eat() { + System.out.println(name + " is eating"); + } + + // final方法，不能被重写 + public final void sleep() { + System.out.println(name + " is sleeping"); + } + + // static方法，不能被重写（但可以被隐藏） + public static void species() { + System.out.println("This is an animal"); + } +} - 《阿里巴巴 Java 开发手册》上有详细的说明，我们来大声朗读一下（预备，起）。 +class Dog extends Animal { + + public Dog() { + super("Dog"); + } + + // 重写抽象方法 + @Override + public void makeSound() { + System.out.println(name + " barks: Woof! Woof!"); + } + + // 重写普通方法 + @Override + public void eat() { + System.out.println(name + " eats dog food"); + } + + // 隐藏父类的static方法（不是重写） + public static void species() { + System.out.println("This is a dog"); + } + + // 子类特有的方法 + public void fetch() { + System.out.println(name + " fetches the ball"); + } + + // 重写Object类的方法 + @Override + public String toString() { + return "Dog{name='" + name + "'}"; + } + + @Override + public boolean equals(Object obj) { + if (this == obj) return true; + if (obj == null || getClass() != obj.getClass()) return false; + Dog dog = (Dog) obj; + return name.equals(dog.name); + } + + @Override + public int hashCode() { + return name.hashCode(); + } +} -> 数据库的查询结果可能是 null，如果使用基本类型的话，因为要自动拆箱（将包装类型转为基本类型，比如说把 Integer 对象转换成 int 值），就会抛出 `NullPointerException` 的异常。 +// 访问控制与重写 +class Parent { + protected void protectedMethod() { + System.out.println("Parent protected method"); + } + + public void publicMethod() { + System.out.println("Parent public method"); + } + + // private方法不能被重写 + private void privateMethod() { + System.out.println("Parent private method"); + } +} -1. 包装类型可用于泛型，而基本类型不可以 +class Child extends Parent { + + // 重写protected方法，可以改为public（访问权限放宽） + @Override + public void protectedMethod() { + System.out.println("Child overridden protected method (now public)"); + } + + // 重写public方法，访问权限保持不变 + @Override + public void publicMethod() { + System.out.println("Child overridden public method"); + super.publicMethod(); // 调用父类方法 + } + + // 这不是重写，而是子类的新方法 + public void privateMethod() { + System.out.println("Child's own private method"); + } +} -```java -List list = new ArrayList<>(); // 提示 Syntax error, insert "Dimensions" to complete ReferenceType -List list = new ArrayList<>(); +/* + * Overload vs Override 对比总结： + * + * ┌─────────────┬─────────────────┬─────────────────┐ + * │ 特性 │ Overload │ Override │ + * ├─────────────┼─────────────────┼─────────────────┤ + * │ 发生位置 │ 同一类内 │ 继承关系中 │ + * │ 方法名 │ 相同 │ 相同 │ + * │ 参数列表 │ 必须不同 │ 必须相同 │ + * │ 返回值类型 │ 可以不同 │ 必须相同 │ + * │ 访问修饰符 │ 可以不同 │ 不能更严格 │ + * │ 解析时机 │ 编译时 │ 运行时 │ + * │ 多态类型 │ 静态多态 │ 动态多态 │ + * │ 继承要求 │ 无 │ 必须 │ + * └─────────────┴─────────────────┴─────────────────┘ + * + * 重要规则： + * 1. 重载：参数不同（类型、个数、顺序），编译时确定 + * 2. 重写：签名相同，运行时确定，体现多态性 + * 3. @Override注解帮助编译器检查重写的正确性 + * 4. 重写遵循"里氏替换原则"：子类可以替换父类 + */ ``` -为什么呢？因为Java中的泛型是通过编译时的类型擦除来完成的，当泛型被类型擦除后都变成Object类型。但是Object类型不能指代像int，double这样的基本类型只能指代Integer，Double这样的引用类型。 +### 🎯 你是如何理解面向对象的？ + +> "面向对象（OOP）是一种'万物皆对象'的编程思想： +> +> **核心理念**：将现实问题构建关系，然后抽象成类（class），给类定义属性和方法后，再将类实例化成实例（instance），通过访问实例的属性和调用方法来进行使用。 +> +> **四大特征**： +> +> - **封装**：隐藏内部实现，只暴露必要接口 +> - **继承**：子类继承父类特性，实现代码复用 +> - **多态**：同一接口多种实现，运行时动态绑定 +> - **抽象**：提取共同特征，忽略具体细节 +> +> **设计原则**： +> +> - **单一职责**：一个类只做一件事 +> - **开闭原则**：对扩展开放，对修改关闭 +> - **里氏替换**：子类不破坏父类契约 +> - **接口隔离**：多个专用接口优于单一臃肿接口 +> - **依赖倒置**：依赖抽象而非实现 +> +> 面向对象让代码更模块化、可维护、可扩展，是现代软件开发的基础思想。" + +**💻 代码示例**： -2. 基本类型比包装类型更高效 - - 基本类型在栈中直接存储的具体数值，而包装类型则存储的是堆中的引用。 - -![img](https://p1-jj.byteimg.com/tos-cn-i-t2oaga2asx/gold-user-assets/2019/9/29/16d7a5686ac8c66b~tplv-t2oaga2asx-zoom-in-crop-mark:1304:0:0:0.awebp) +```java +// 面向对象设计示例：电商系统 +public class OOPDemo { + + public static void main(String[] args) { + // 演示面向对象的四大特性 + demonstrateOOPFeatures(); + + // 演示设计原则 + demonstrateDesignPrinciples(); + } + + public static void demonstrateOOPFeatures() { + System.out.println("=== OOP Features Demo ==="); + + // 1. 封装：通过私有字段和公共方法控制访问 + Account account = new Account(1000.0); + account.deposit(500.0); // 通过方法安全地操作数据 + account.withdraw(200.0); + System.out.println("Account balance: " + account.getBalance()); + + // 2. 继承：子类继承父类特性 + VIPAccount vipAccount = new VIPAccount(2000.0, 0.02); + vipAccount.deposit(1000.0); + System.out.println("VIP account balance: " + vipAccount.getBalance()); + + // 3. 多态：统一接口，不同实现 + PaymentProcessor processor = new PaymentProcessor(); + + Payment creditCard = new CreditCardPayment(); + Payment alipay = new AlipayPayment(); + Payment wechat = new WechatPayment(); + + processor.processPayment(creditCard, 100.0); + processor.processPayment(alipay, 100.0); + processor.processPayment(wechat, 100.0); + + // 4. 抽象：抽取共同特征 + System.out.println("\nAbstraction: All payments implement Payment interface"); + } + + public static void demonstrateDesignPrinciples() { + System.out.println("\n=== Design Principles Demo ==="); + + // 单一职责原则：每个类只负责一个功能 + OrderService orderService = new OrderService(); + PaymentService paymentService = new PaymentService(); + NotificationService notificationService = new NotificationService(); + + // 依赖倒置原则：依赖抽象而非具体实现 + Order order = new Order("ORDER001", 299.0); + orderService.createOrder(order); + paymentService.processPayment(order.getAmount()); + notificationService.sendNotification("Order created successfully"); + } +} +// 1. 封装示例 +class Account { + private double balance; // 私有字段，外部无法直接访问 + + public Account(double initialBalance) { + this.balance = Math.max(0, initialBalance); // 构造时验证 + } + + // 公共方法提供受控访问 + public void deposit(double amount) { + if (amount > 0) { + balance += amount; + System.out.println("Deposited: " + amount); + } + } + + public boolean withdraw(double amount) { + if (amount > 0 && amount <= balance) { + balance -= amount; + System.out.println("Withdrawn: " + amount); + return true; + } + System.out.println("Insufficient funds"); + return false; + } + + public double getBalance() { + return balance; + } + + protected void setBalance(double balance) { // 受保护的方法供子类使用 + this.balance = balance; + } +} +// 2. 继承示例 +class VIPAccount extends Account { + private double interestRate; + + public VIPAccount(double initialBalance, double interestRate) { + super(initialBalance); // 调用父类构造器 + this.interestRate = interestRate; + } + + // 重写父类方法 + @Override + public void deposit(double amount) { + super.deposit(amount); // 调用父类方法 + double interest = amount * interestRate; + super.deposit(interest); // 额外的利息 + System.out.println("Interest added: " + interest); + } + + // 子类特有方法 + public double getInterestRate() { + return interestRate; + } +} -很显然，相比较于基本类型而言，包装类型需要占用更多的内存空间。假如没有基本类型的话，对于数值这类经常使用到的数据来说，每次都要通过 new 一个包装类型就显得非常笨重。 +// 3. 多态示例 - 抽象接口 +interface Payment { + void pay(double amount); + String getPaymentMethod(); +} -3. 两个包装类型的值可以相同，但却不相等 +// 具体实现类 +class CreditCardPayment implements Payment { + @Override + public void pay(double amount) { + System.out.println("Paid $" + amount + " by Credit Card"); + } + + @Override + public String getPaymentMethod() { + return "Credit Card"; + } +} -4. 自动装箱和自动拆箱 +class AlipayPayment implements Payment { + @Override + public void pay(double amount) { + System.out.println("Paid $" + amount + " by Alipay"); + } + + @Override + public String getPaymentMethod() { + return "Alipay"; + } +} - 既然有了基本类型和包装类型，肯定有些时候要在它们之间进行转换。把基本类型转换成包装类型的过程叫做装箱（boxing）。反之，把包装类型转换成基本类型的过程叫做拆箱（unboxing） +class WechatPayment implements Payment { + @Override + public void pay(double amount) { + System.out.println("Paid $" + amount + " by WeChat Pay"); + } + + @Override + public String getPaymentMethod() { + return "WeChat Pay"; + } +} +// 多态使用 +class PaymentProcessor { + public void processPayment(Payment payment, double amount) { + System.out.println("Processing payment via " + payment.getPaymentMethod()); + payment.pay(amount); // 运行时动态绑定 + } +} +// 设计原则示例：单一职责 +class Order { + private String orderId; + private double amount; + + public Order(String orderId, double amount) { + this.orderId = orderId; + this.amount = amount; + } + + public String getOrderId() { return orderId; } + public double getAmount() { return amount; } +} -### &和&&的区别 +// 每个服务类只负责一个功能 +class OrderService { + public void createOrder(Order order) { + System.out.println("Order created: " + order.getOrderId()); + } +} -&和&&都可以用作**逻辑与**的运算符，表示逻辑与（and），当运算符两边的表达式的结果都为 true 时，整个运算结果才为 true，否则，只要有一方为 false，则结果为 false。 +class PaymentService { + public void processPayment(double amount) { + System.out.println("Payment processed: $" + amount); + } +} -&& 还具有**短路**的功能，即如果第一个表达式为 false，则不再计算第二个表达式 +class NotificationService { + public void sendNotification(String message) { + System.out.println("Notification sent: " + message); + } +} +``` -&还可以用作**位运算符**，当&操作符两边的表达式不是boolean类型时，&表示按位与操作，我们通常使用0x0f来与一个整数进行&运算，来获取该整数的最低4个bit位，例如，0x31 & 0x0f的结果为0x01。 +### 🎯 抽象类和接口有什么区别？ +"抽象类和接口都是Java中实现抽象的机制，但它们有以下关键区别： +**抽象类（Abstract Class）**： -### 全局变量、局部变量、静态变量和实例变量的区别 +- 可以包含抽象方法和具体方法 +- 可以有成员变量（包括实例变量） +- 可以有构造方法 +- 使用extends关键字继承，支持单继承 +- 访问修饰符可以是public、protected、default -全局变量：也叫成员变量，是指在类中定义的变量，它在整个类中都有效。全局变量的定义一般是在类的最上方，在所有方法的外部的位置处定义。 +**接口（Interface）**： -全局变量又可分为：类变量（静态变量）和实例变量（对象变量）。 +- JDK 8之前只能有抽象方法，JDK 8+可以有默认方法和静态方法 +- 只能有public static final常量 +- 不能有构造方法 +- 使用implements关键字实现，支持多实现 +- 方法默认是public abstract -实例变量也叫对象变量，这种变量是在类声明的内部但是在类的其他成员方法之外声明的。类的每个对象维护它自己的一份实例变量的副本。 +**使用场景**：当多个类有共同特征且需要代码复用时用抽象类；当需要定义规范、实现多重继承效果时用接口。现在更推荐'组合优于继承'的设计理念。" -注意：实例变量被定义在类中但在任何方法之外。并且 New 出来后均被初始化，也就是说没有显示初始化的，都被赋予了默认值。 +**💻 代码示例**： -类变量也叫静态变量，也就是在实例变量前加了static 的变量。一般被用来声明常量。（至于static这个关键字的详细使用，这里就不在详细叙述） +```java +// 抽象类示例 +abstract class Vehicle { + protected String brand; // 可以有实例变量 + protected int speed; + + public Vehicle(String brand) { // 可以有构造方法 + this.brand = brand; + } + + // 具体方法 + public void start() { + System.out.println(brand + " vehicle started"); + } + + // 抽象方法，子类必须实现 + public abstract void accelerate(); + public abstract void brake(); +} +class Car extends Vehicle { + public Car(String brand) { + super(brand); + } + + @Override + public void accelerate() { + speed += 10; + System.out.println("Car accelerated to " + speed + " km/h"); + } + + @Override + public void brake() { + speed = Math.max(0, speed - 15); + System.out.println("Car braked to " + speed + " km/h"); + } +} +// 接口示例 +interface Flyable { + int MAX_ALTITUDE = 10000; // public static final常量 + + void takeOff(); // public abstract方法 + void land(); + + // JDK 8+ 默认方法 + default void fly() { + System.out.println("Flying at altitude " + MAX_ALTITUDE); + } + + // JDK 8+ 静态方法 + static void checkWeather() { + System.out.println("Weather is suitable for flying"); + } +} -### 类变量与实例变量的区别 +interface Swimmable { + void dive(); + void surface(); +} -在语法定义上的区别：静态变量前要加static关键字，而实例变量前则不加。 +// 类可以实现多个接口 +class Duck implements Flyable, Swimmable { + @Override + public void takeOff() { + System.out.println("Duck takes off from water"); + } + + @Override + public void land() { + System.out.println("Duck lands on water"); + } + + @Override + public void dive() { + System.out.println("Duck dives underwater"); + } + + @Override + public void surface() { + System.out.println("Duck surfaces"); + } +} +``` -在程序运行时的区别：**实例变量属于某个对象的属性**，必须创建了实例对象，其中的实例变量才会被分配空间，才能使用这个实例变量。**静态变量不属于某个实例对象，而是属于类**，所以也称为类变量，只要程序加载了类的字节码，不用创建任何实例对象，静态变量就会被分配空间，静态变量就可以被使用了。总之，**实例变量必须创建对象后才可以通过这个对象来使用，静态变量则可以直接使用类名来引用**。 +### 🎯 作用域public，private，protected，以及不写时的区别？ -  类变量是所有该类的实例化对象所共有的资源，其中一个对象将它值改变，其他对象得到的就是改变后的结果；而实例变量则属对象私有，某一个对象将其所包含的实例变量的值改变，不影响其他对象中实例变量的值； +"Java访问修饰符控制类、方法、变量的可见性，有四种访问级别： -**局部变量**，由声明在某方法，或某代码段里（比如for循环）。执行到它的时候直接在栈中开辟内存并使用的。当局部变量脱离作用域，存放该作用域的栈指针，栈顶与栈底重合即为释放内存，速度是非常快的。 +**public（公共的）**： +- 对所有类可见，无访问限制 +- 可以被任何包中的任何类访问 +- 用于对外开放的API接口 +**protected（受保护的）**： -### "=="和equals区别 +- 对同一包内的类和所有子类可见 +- 即使子类在不同包中也可以访问 +- 用于继承体系中需要共享的成员 -==操作符专门用来比较两个变量的值是否相等，也就是用于比较变量所对应的内存中所存储的数值是否相同，要比较两个基本类型的数据或两个引用变量是否相等，只能用\==操作符。 +**默认（包访问权限，不写修饰符）**： -equals 方法是用于比较两个独立对象的内容是否相同，就好比去比较两个人的长相是否相同，它比较的两个对象是独立的。 +- 只对同一包内的类可见 +- 也称为package-private或friendly +- 用于包内部的实现细节 -如果一个类没有自己定义equals方法，那么它将继承Object类的equals方法，Object类的equals方法的实现代码如下： +**private（私有的）**： -```JAVA -boolean equals(Object o){ - return this==o; -} -``` +- 只对当前类可见，最严格的访问控制 +- 子类也无法访问父类的private成员 +- 用于封装内部实现细节 -这说明，如果一个类没有自己定义equals方法，它默认的equals方法（从Object 类继承的）就是使用==操作符，也是在比较两个变量指向的对象是否是同一对象，这时候使用equals和使用\==会得到同样的结果，如果比较的是两个独立的对象则总返回false。如果你编写的类希望能够比较该类创建的两个实例对象的内容是否相同，那么你必须覆盖equals方法，由你自己写代码来决定在什么情况即可认为两个对象的内容是相同的。 +**访问范围**：public > protected > 默认 > private +**设计原则**：遵循最小权限原则，优先使用private，根据需要逐步放宽权限。" +### 🎯 说说Java中的内部类有哪些？ -### String s = new String("xyz");创建了几个String Object? 二者之间有什么区别？ +"Java中的内部类主要有四种类型： -两个或一个，”xyz”对应一个对象，这个对象放在字符串常量缓冲区，常量”xyz”不管出现多少遍，都是缓冲区中的那一个。New String每写一遍，就创建一个新的对象，它一句那个常量”xyz”对象的内容来创建出一个新String对象。如果以前就用过’xyz’，这句代表就不会创建”xyz”自己了，直接从缓冲区拿。 +**1. 成员内部类（Member Inner Class）**：定义在类中的普通内部类，可以访问外部类的所有成员，包括私有成员。创建内部类对象需要先创建外部类对象。 +**2. 静态内部类（Static Nested Class）**：使用static修饰的内部类，不依赖外部类实例，只能访问外部类的静态成员。可以直接通过外部类名创建。 +**3. 局部内部类（Local Inner Class）**：定义在方法或代码块中的类，只能在定义它的方法内使用，可以访问方法中的final或effectively final变量。 -### String 和StringBuffer的区别 +**4. 匿名内部类（Anonymous Inner Class）**：没有名字的内部类，通常用于实现接口或继承类的简单实现，常用于事件处理和回调。 -String和StringBuffer，它们都可以储存和操作字符串，即包含多个字符的字符数据。 +内部类的优势是可以访问外部类私有成员，实现更好的封装；缺点是增加了代码复杂度，可能造成内存泄漏（内部类持有外部类引用）。" -不同之处在于: 感觉就像是变量和常量的区别，StringBuffer对象的内容可以修改，而Sring对象一旦产生就不可以被修改，重新赋值的话，其实就是 两个对象了。典型地，你可以使用StringBuffer来动态构造字符数据。 +**💻 代码示例**： -另外，String实现了equals方法，new String(“abc”).equals(new String(“abc”)的结果为true,而StringBuffer没有实现equals方法，所以，new StringBuffer(“abc”).equals(new StringBuffer(“abc”)的结果为false。 +```java +public class OuterClass { + private String outerField = "Outer field"; + private static String staticField = "Static field"; + + // 1. 成员内部类 + public class MemberInnerClass { + private String innerField = "Inner field"; + + public void display() { + System.out.println("Access outer field: " + outerField); + System.out.println("Access static field: " + staticField); + System.out.println("Inner field: " + innerField); + } + + // 内部类不能有静态方法（除非是静态内部类） + // public static void staticMethod() {} // 编译错误 + } + + // 2. 静态内部类 + public static class StaticNestedClass { + private String nestedField = "Nested field"; + + public void display() { + // System.out.println(outerField); // 编译错误，不能访问非静态外部成员 + System.out.println("Access static field: " + staticField); + System.out.println("Nested field: " + nestedField); + } + + public static void staticMethod() { + System.out.println("Static method in nested class"); + } + } + + public void demonstrateLocalClass() { + final String localVar = "Local variable"; + int effectivelyFinalVar = 100; + + // 3. 局部内部类 + class LocalInnerClass { + public void display() { + System.out.println("Access outer field: " + outerField); + System.out.println("Access local var: " + localVar); + System.out.println("Access effectively final var: " + effectivelyFinalVar); + } + } + + LocalInnerClass local = new LocalInnerClass(); + local.display(); + } + + public void demonstrateAnonymousClass() { + // 4. 匿名内部类 - 实现接口 + Runnable runnable = new Runnable() { + @Override + public void run() { + System.out.println("Anonymous class implementing Runnable"); + System.out.println("Access outer field: " + outerField); + } + }; + + // 匿名内部类 - 继承类 + Thread thread = new Thread() { + @Override + public void run() { + System.out.println("Anonymous class extending Thread"); + } + }; + + runnable.run(); + thread.start(); + } + + public static void main(String[] args) { + OuterClass outer = new OuterClass(); + + // 创建成员内部类对象 + OuterClass.MemberInnerClass member = outer.new MemberInnerClass(); + member.display(); + + // 创建静态内部类对象 + OuterClass.StaticNestedClass nested = new OuterClass.StaticNestedClass(); + nested.display(); + OuterClass.StaticNestedClass.staticMethod(); + + // 局部内部类和匿名内部类 + outer.demonstrateLocalClass(); + outer.demonstrateAnonymousClass(); + } +} +``` -SringBuffer进行字符串处理时，不生成新的对象，内存占得少，所以实际使用中，要经常对字符串进行修改，插入删除等，用StringBufer更合适，还有一个StringBuilde，是线程不安全的，可能快点。 -String覆盖了equals方法和hashCode方法，而StringBuffer没有覆盖equals方法和hashCode方法，所以，将StringBuffer对象存储进Java集合类中时会出现问题。 +### 🎯 实例方法和静态方法有什么不一样? +实例方法依赖对象，有 `this`，能访问实例变量，支持多态；静态方法依赖类本身，没有 `this`，只能访问静态变量，不能真正重写，常用于工具类和全局方法。 -### final, finally, finalize的区别 +| 特性 | 实例方法 (Instance Method) | 静态方法 (Static Method) | +| -------------- | ------------------------------------------- | ----------------------------------------- | +| **归属** | 属于对象实例 | 属于类本身 | +| **调用方式** | `对象.方法()` | `类名.方法()` 或 `对象.方法()`（不推荐） | +| **this 引用** | 隐含传入 `this` 参数 | 没有 `this` | +| **访问权限** | 可访问实例变量和静态变量 | 只能访问静态变量和静态方法 | +| **内存位置** | 方法存在于方法区，调用需依赖对象实例 | 方法存在于方法区，直接通过类调用 | +| **多态性** | 可以被子类重写，支持运行时多态 | 不能真正被重写，只能隐藏（method hiding） | +| **典型应用** | 与对象状态相关的方法（如 `user.getName()`） | 工具方法、工厂方法（如 `Math.max()`） | +| **字节码调用** | `invokevirtual` / `invokeinterface` | `invokestatic` | -final 用于声明属性，方法和类，分别表示属性不可变，方法不可覆盖，类不可继承。 -内部类要访问局部变量，局部变量必须定义成final类型。 -finally是异常处理语句结构的一部分，表示总是执行。 +### 🎯 break、continue、return的区别及作用？ -finalize是Object类的一个方法，在垃圾收集器执行的时候会调用被回收对象的此方法，可以覆盖此方法提供垃圾收集时的其他资源回收，例如关闭文件等。JVM不保证此方法总被调用 +"break、continue、return都是Java中的控制流语句，但作用不同： +**break语句**： +- 作用：立即终止当前循环或switch语句 +- 使用场景：循环中满足某个条件时提前退出 +- 只能跳出当前层循环，不能跳出外层循环（除非使用标签） -### Java中finally语句块的深度解析(try catch finally的执行顺序) +**continue语句**： -1、除了以下2种情况外，不管有木有出现异常，finally块中代码都会执行； +- 作用：跳过当前循环迭代的剩余部分，直接进入下一次迭代 +- 使用场景：满足某个条件时跳过当前循环体的执行 +- 只影响当前层循环 -①程序未进入try{}块的执行，如在try之前出现运行时异常，程序终止。 +**return语句**： -②程序进入到try{}和catch{}块的执行，但是在try{}或者catch{}块碰到了System.exit(0)语句，jvm直接退出。 finally{}块不会执行 +- 作用：立即终止方法的执行并返回到调用处 +- 可以带返回值（非void方法）或不带返回值（void方法） +- 会终止整个方法，不仅仅是循环 -2、当try和catch中有return时，finally仍然会执行； +核心区别：break跳出循环，continue跳过迭代，return跳出方法。" -3、**finally是在return后面的表达式运算后执行的**（此时并没有返回运算后的值，而是先把要返回的值的引用地址保存起来，而不管finally中的代码怎么样，最后返回的都是这个引用地址（或者说这个引用地址指向的对象），而这个返回值在finally中会被不会被改变要分以下2种情况）。 +**💻 代码示例**： -①若这个返回值是基本数据类型（int,double）或者不可变类对象（如String,Integer）， +```java +public class ControlFlowDemo { + + public static void main(String[] args) { + System.out.println("=== Break Demo ==="); + demonstrateBreak(); + + System.out.println("\n=== Continue Demo ==="); + demonstrateContinue(); + + System.out.println("\n=== Return Demo ==="); + demonstrateReturn(); + + System.out.println("\n=== Labeled Break/Continue ==="); + demonstrateLabeledStatements(); + } + + // break演示 + public static void demonstrateBreak() { + System.out.println("Finding first even number greater than 5:"); + for (int i = 1; i <= 10; i++) { + if (i > 5 && i % 2 == 0) { + System.out.println("Found: " + i); + break; // 找到后立即退出循环 + } + System.out.println("Checking: " + i); + } + System.out.println("Loop ended"); + + // switch中的break + System.out.println("\nSwitch with break:"); + int day = 3; + switch (day) { + case 1: + System.out.println("Monday"); + break; + case 2: + System.out.println("Tuesday"); + break; + case 3: + System.out.println("Wednesday"); + break; // 没有break会继续执行下一个case + default: + System.out.println("Other day"); + } + } + + // continue演示 + public static void demonstrateContinue() { + System.out.println("Printing only odd numbers:"); + for (int i = 1; i <= 10; i++) { + if (i % 2 == 0) { + continue; // 跳过偶数，直接进入下一次迭代 + } + System.out.println("Odd number: " + i); + } + + System.out.println("\nSkipping multiples of 3:"); + for (int i = 1; i <= 10; i++) { + if (i % 3 == 0) { + System.out.println("Skipping: " + i); + continue; + } + System.out.println("Processing: " + i); + } + } + + // return演示 + public static void demonstrateReturn() { + System.out.println("Result: " + findFirstNegative(new int[]{1, 3, -2, 5, -8})); + + processNumbers(); + } + + public static int findFirstNegative(int[] numbers) { + for (int num : numbers) { + if (num < 0) { + return num; // 找到负数立即返回，不继续执行 + } + System.out.println("Checking positive: " + num); + } + return 0; // 没找到负数返回0 + } + + public static void processNumbers() { + System.out.println("Processing numbers 1-10:"); + for (int i = 1; i <= 10; i++) { + if (i == 5) { + System.out.println("Stopping at 5"); + return; // 提前结束方法 + } + System.out.println("Processing: " + i); + } + System.out.println("This will not be printed"); // 不会执行到这里 + } + + // 标签break/continue演示 + public static void demonstrateLabeledStatements() { + System.out.println("Nested loops with labeled break:"); + + outer: for (int i = 1; i <= 3; i++) { + System.out.println("Outer loop: " + i); + for (int j = 1; j <= 3; j++) { + if (i == 2 && j == 2) { + System.out.println("Breaking outer loop at i=2, j=2"); + break outer; // 跳出外层循环 + } + System.out.println(" Inner loop: " + j); + } + System.out.println("Outer loop " + i + " completed"); + } + System.out.println("All loops ended"); + + System.out.println("\nNested loops with labeled continue:"); + outerContinue: for (int i = 1; i <= 3; i++) { + System.out.println("Outer loop: " + i); + for (int j = 1; j <= 3; j++) { + if (i == 2 && j == 2) { + System.out.println("Continuing outer loop at i=2, j=2"); + continue outerContinue; // 继续外层循环的下一次迭代 + } + System.out.println(" Inner loop: " + j); + } + System.out.println("Inner loops completed for i=" + i); + } + } +} -②则不管finally中的代码怎么样，返回的值都不会改变，仍然是之前保存的值，若这个值是可变类对象），所以函数返回值是在finally执行前确定的； +/* + * 控制流语句对比总结： + * + * ┌─────────────┬─────────────────┬─────────────────┬─────────────────┐ + * │ 语句 │ 作用范围 │ 影响 │ 使用场景 │ + * ├─────────────┼─────────────────┼─────────────────┼─────────────────┤ + * │ break │ 当前循环/switch│ 终止循环 │ 提前退出循环 │ + * │ continue │ 当前循环迭代 │ 跳过当前迭代 │ 跳过特定条件 │ + * │ return │ 整个方法 │ 终止方法执行 │ 返回结果/退出 │ + * └─────────────┴─────────────────┴─────────────────┴─────────────────┘ + * + * 注意事项： + * 1. break和continue只能在循环或switch中使用 + * 2. return可以在方法的任何地方使用 + * 3. 标签可以让break/continue跳出多层循环 + * 4. 在finally块中使用return会覆盖try/catch中的return + */ +``` -4、**finally中最好不要包含return，否则程序会提前退出，返回值不是try或catch中保存的返回值，而是finally中的return值**。 +--- + +## 📊 二、数据类型体系（类型基础） + +> **核心思想**：Java是强类型语言，理解基本类型、包装类、自动装箱拆箱机制对于避免性能陷阱和理解JVM内存管理至关重要。 + +### 🎯 int、float、short、double、long、char占字节数？ + +> "Java基本数据类型的字节数是固定的，这保证了跨平台的一致性： +> +> **整数类型**： +> +> - byte：1字节（8位），取值范围 -128 ~ 127 +> - short：2字节（16位），取值范围 -32,768 ~ 32,767 +> - int：4字节（32位），取值范围 -2,147,483,648 ~ 2,147,483,647 +> - long：8字节（64位），取值范围 -9,223,372,036,854,775,808 ~ 9,223,372,036,854,775,807 +> +> **浮点类型**： +> +> - float：4字节（32位），单精度浮点数，有效位数6-7位 +> - double：8字节（64位），双精度浮点数，有效位数15-16位 +> +> **字符类型**： +> +> - char：2字节（16位），采用Unicode编码，取值范围 0 ~ 65,535 +> +> **布尔类型**： +> +> - boolean：理论上1位即可，但JVM实现通常使用1字节 +> +> **记忆技巧**：byte(1) < short(2) < int(4) = float(4) < long(8) = double(8)，char(2)用于Unicode字符。" + +**📊 Java数据类型存储范围对照表**： + +| **数据类型** | **字节数** | **位数** | **取值范围** | **默认值** | **包装类** | +| ------------ | ---------- | -------- | ------------------------------------------------------------ | ---------- | ---------- | +| **byte** | 1字节 | 8位 | -128 ~ 127 (-2⁷ ~ 2⁷-1) | 0 | Byte | +| **short** | 2字节 | 16位 | -32,768 ~ 32,767 (-2¹⁵ ~ 2¹⁵-1) | 0 | Short | +| **int** | 4字节 | 32位 | -2,147,483,648 ~ 2,147,483,647 (-2³¹ ~ 2³¹-1) | 0 | Integer | +| **long** | 8字节 | 64位 | -9,223,372,036,854,775,808 ~ 9,223,372,036,854,775,807 (-2⁶³ ~ 2⁶³-1) | 0L | Long | +| **float** | 4字节 | 32位 | ±3.4E-38 ~ ±3.4E+38 (IEEE 754单精度) | 0.0f | Float | +| **double** | 8字节 | 64位 | ±1.7E-308 ~ ±1.7E+308 (IEEE 754双精度) | 0.0d | Double | +| **char** | 2字节 | 16位 | 0 ~ 65,535 ('\u0000' ~ '\uffff') | '\u0000' | Character | +| **boolean** | 1字节 | 1位逻辑 | true / false | false | Boolean | + +**📝 重要说明**： + +- `*` boolean在JVM中通常占用1字节，但在boolean数组中可能按位存储 +- 整数类型都是**有符号**的，除了char是**无符号**的 +- 浮点类型遵循**IEEE 754标准**，存在精度限制 +- char类型采用**UTF-16编码**，可以表示Unicode字符 +- 所有数值类型都有对应的**包装类**，支持自动装箱拆箱 + +**🔢 数值范围记忆方法**： + +- **有符号整型**：-2^(n-1) ~ 2^(n-1)-1（n为位数） +- **无符号整型**：0 ~ 2^n-1（仅char类型） +- **浮点类型**：指数位数决定范围，尾数位数决定精度 + + + +### 🎯 基本类型和引用类型之间的自动装箱机制？ + +> "自动装箱拆箱是Java 5引入的语法糖，简化了基本类型和包装类之间的转换： +> +> **自动装箱（Autoboxing）**： +> +> - 基本类型自动转换为对应的包装类对象 +> - 编译器在编译时自动调用valueOf()方法 +> - 例如：int → Integer，double → Double +> +> **自动拆箱（Unboxing）**： +> +> - 包装类对象自动转换为对应的基本类型 +> - 编译器自动调用xxxValue()方法 +> - 例如：Integer → int，Double → double +> +> **装箱拆箱触发场景**： +> +> - 赋值操作：基本类型赋给包装类变量 +> - 方法调用：参数类型不匹配时自动转换 +> - 运算操作：包装类参与算术运算 +> - 集合操作：基本类型存入集合 +> +> **缓存机制**： +> +> - Integer缓存-128到127的对象 +> - Boolean缓存true和false +> - Character缓存0到127 +> - Short、Byte有类似缓存 +> +> **注意事项**： +> +> - 可能引发NullPointerException +> - 频繁装箱拆箱影响性能 +> - ==比较时要注意缓存范围 +> +> 装箱拆箱简化了代码，但要注意性能和空指针问题。" + +**💻 代码示例**： +```java +public class AutoBoxingDemo { + + public static void main(String[] args) { + // 1. 基本装箱拆箱 + Integer a = 100; // 自动装箱：Integer.valueOf(100) + int b = a; // 自动拆箱：a.intValue() + Integer sum = a + 50; // 拆箱运算后装箱 + + // 2. 缓存机制陷阱 + Integer i1 = 127, i2 = 127; // 使用缓存 + Integer i3 = 128, i4 = 128; // 不使用缓存 + System.out.println(i1 == i2); // true (缓存范围内) + System.out.println(i3 == i4); // false (超出缓存) + System.out.println(i3.equals(i4)); // true (正确比较) + + // 3. 空指针陷阱 + Integer nullInt = null; + try { + int value = nullInt; // NPE: 拆箱null对象 + } catch (NullPointerException e) { + System.out.println("拆箱异常: " + e.getClass().getSimpleName()); + } + + // 4. 集合中的装箱 + List list = Arrays.asList(1, 2, 3); // 装箱 + int total = 0; + for (int num : list) { // 拆箱 + total += num; + } + + // 5. 性能对比 + // 基本类型：int累加（快） + // 包装类型：Integer累加（慢，频繁装箱拆箱） + } +} +/* + * 自动装箱拆箱总结： + * + * ┌─────────────┬─────────────────┬─────────────────┬─────────────────┐ + * │ 操作 │ 触发条件 │ 实际调用 │ 示例 │ + * ├─────────────┼─────────────────┼─────────────────┼─────────────────┤ + * │ 自动装箱 │ 基本类型→包装类 │ valueOf() │ Integer i = 10; │ + * │ 自动拆箱 │ 包装类→基本类型 │ xxxValue() │ int j = i; │ + * │ 运算拆箱 │ 包装类参与运算 │ xxxValue() │ i + 10 │ + * │ 比较拆箱 │ 包装类比较大小 │ xxxValue() │ i > 5 │ + * └─────────────┴─────────────────┴─────────────────┴─────────────────┘ + * + * 缓存范围： + * - Integer: -128 ~ 127 + * - Character: 0 ~ 127 + * - Boolean: true, false + * - Byte: -128 ~ 127 + * - Short: -128 ~ 127 + * - Long: -128 ~ 127 + * + * 最佳实践： + * 1. 避免在循环中频繁装箱拆箱 + * 2. 使用equals()而不是==比较包装类 + * 3. 注意null值的拆箱异常 + * 4. 性能敏感场景优先使用基本类型 + * 5. 集合存储大量数值时考虑基本类型集合库 + */ +``` -### Overload和Override的区别 +### 🎯 基本数据类型和包装类有什么区别？ + +> "Java中基本数据类型和包装类的主要区别： +> +> **存储位置**：基本类型存储在栈内存或方法区（如果是类变量），包装类对象存储在堆内存中。 +> +> **性能差异**：基本类型操作效率更高，包装类需要额外的对象创建和方法调用开销。 +> +> **功能差异**：基本类型只能存储值，包装类提供了丰富的方法，可以转换、比较、解析等。 +> +> **空值处理**：基本类型不能为null，包装类可以为null，这在集合操作中很重要。 +> +> **自动装箱拆箱**：JDK 5+提供了自动装箱（基本类型→包装类）和拆箱（包装类→基本类型）机制，简化了编码但要注意性能影响。 +> +> **缓存机制**：Integer等包装类对小数值（-128到127）使用缓存，相同值返回同一对象。" + +| **特性** | **基本类型** | **包装类型** | +| ------------ | ------------------------------ | -------------------------------- | +| **类型** | `int`, `double`, `boolean`等 | `Integer`, `Double`, `Boolean`等 | +| **存储位置** | 栈内存（局部变量） | 堆内存（对象实例） | +| **默认值** | `int`为0，`boolean`为false | `null`（可能导致NPE） | +| **内存占用** | 小（如`int`占4字节） | 大（如`Integer`占16字节以上） | +| **对象特性** | 不支持方法调用、泛型、集合存储 | 支持方法调用、泛型、集合存储 | +| **判等方式** | `==`直接比较值 | `==`比较对象地址，`equals`比较值 | -Overload是重载的意思，Override是覆盖的意思，也就是重写。 +- 包装类型可以为 null，而基本类型不可以（它使得包装类型可以应用于 POJO 中，而基本类型则不行） -重载Overload表示同一个类中可以有多个名称相同的方法，但这些方法的参数列表各不相同（即参数个数或类型不同）。 + 和 POJO 类似的，还有数据传输对象 DTO（Data Transfer Object，泛指用于展示层与服务层之间的数据传输对象）、视图对象 VO（View Object，把某个页面的数据封装起来）、持久化对象 PO（Persistant Object，可以看成是与数据库中的表映射的 Java 对象）。 -重写Override表示子类中的方法可以与父类中的某个方法的名称和参数完全相同，通过子类创建的实例对象调用这个方法时，将调用子类中的定义方法，这相当于把父类中定义的那个完全相同的方法给覆盖了，这也是面向对象编程的多态性的一种表现。子类覆盖父类的方法时，只能比父类抛出更少的异常，或者是抛出父类抛出的异常的子异常，因为子类可以解决父类的一些问题，不能比父类有更多的问题。子类方法的访问权限只能比父类的更大，不能更小。如果父类的方法是private类型，那么，子类则不存在覆盖的限制，相当于子类中增加了一个全新的方法。 + 那为什么 POJO 的属性必须要用包装类型呢？ + 《阿里巴巴 Java 开发手册》上有详细的说明，我们来大声朗读一下（预备，起）。 +> 数据库的查询结果可能是 null，如果使用基本类型的话，因为要自动拆箱（将包装类型转为基本类型，比如说把 Integer 对象转换成 int 值），就会抛出 `NullPointerException` 的异常。 -### ceil、floor、round的区别 +1. 包装类型可用于泛型，而基本类型不可以 -Math类中提供了三个与取整有关的方法：ceil、floor、round，这些方法的作用与它们的英文名称的含义相对应，例如，ceil的英文意义是天花板，该方法就表示向上取整，Math.ceil(11.3)的结果为12,Math.ceil(-11.3)的结果是-11；floor的英文意义是地板，该方法就表示向下取整，Math.ceil(11.6)的结果为11,Math.ceil(-11.6)的结果是-12；最难掌握的是round方法，它表示“四舍五入”，算法为Math.floor(x+0.5)，即将原来的数字加上0.5后再向下取整，所以，Math.round(11.5)的结果为12，Math.round(-11.5)的结果为-11。 +```java +List list = new ArrayList<>(); // 提示 Syntax error, insert "Dimensions" to complete ReferenceType +List list = new ArrayList<>(); +``` +为什么呢？ + +> 在 Java 中，**包装类型可以用于泛型，而基本类型不可以**，这是因为 Java 的泛型机制是基于**对象类型**设计的，而基本类型（如 `int`, `double` 等）并不是对象。下面是详细原因： +> +> 1. **Java 泛型的工作原理** +> +> - Java 泛型在编译期间会进行**类型擦除**，即泛型信息会在字节码中被擦除。 +> - 编译后，泛型的类型参数会被替换为 `Object`，或在某些情况下替换为类型的上限（如果有设置）。 +> - 由于泛型会被转换为 `Object` 类型，泛型只能用于**引用类型**，而基本类型不能直接转换为 `Object`。 +> +> 2. 基本类型比包装类型更高效 +> +> 基本类型在栈中直接存储的具体数值，而包装类型则存储的是堆中的引用。 +> +> ![img](https://p1-jj.byteimg.com/tos-cn-i-t2oaga2asx/gold-user-assets/2019/9/29/16d7a5686ac8c66b~tplv-t2oaga2asx-zoom-in-crop-mark:1304:0:0:0.awebp) +> +> +> +> 很显然，相比较于基本类型而言，包装类型需要占用更多的内存空间。假如没有基本类型的话，对于数值这类经常使用到的数据来说，每次都要通过 new 一个包装类型就显得非常笨重。 +> +> 3. 两个包装类型的值可以相同，但却不相等 +> +> 4. 自动装箱和自动拆箱 +> +> 既然有了基本类型和包装类型，肯定有些时候要在它们之间进行转换。把基本类型转换成包装类型的过程叫做装箱（boxing）。反之，把包装类型转换成基本类型的过程叫做拆箱（unboxing） +> +> 5. **包装类型的缓存机制** +> +> - **范围**：部分包装类缓存常用值（如`Integer`缓存-128~127） +> +> - ```java +> Integer a = 127; +> Integer b = 127; +> System.out.println(a == b); // true（同一缓存对象） +> +> Integer c = 128; +> Integer d = 128; +> System.out.println(c == d); // false（新创建对象） +> ``` +> +> + +### 🎯==和equals的区别是什么？ + +> **==运算符**： +> +> - 对于基本数据类型，比较的是值是否相等 +>- 对于引用类型，比较的是内存地址（引用）是否相同 +> - 不能被重写，是Java语言层面的操作符 +> +> **equals方法**： +> +> - 是Object类的方法，所有类都继承了这个方法 +>- 默认实现就是==比较，但可以被重写自定义比较逻辑 +> - String、Integer等包装类都重写了equals方法，比较的是内容 +> - 重写equals时必须同时重写hashCode，保证'equals相等的对象hashCode也相等' +> +> **最佳实践**：比较对象内容用equals，比较引用用==；自定义类需要重写equals和hashCode。" + +### 🎯 深拷贝、浅拷贝区别？ + +> "对象拷贝是Java中的重要概念，分为浅拷贝和深拷贝： +> +> **浅拷贝（Shallow Copy）**： +> +> - 只复制对象的基本字段，不复制引用字段指向的对象 +> - 原对象和拷贝对象共享引用类型的成员变量 +> - 修改引用对象会影响原对象和拷贝对象 +> - 通过Object.clone()默认实现浅拷贝 +> +> **深拷贝（Deep Copy）**： +> +> - 完全复制对象及其所有引用的对象 +> - 原对象和拷贝对象完全独立，互不影响 +> - 需要递归复制所有引用类型的字段 +> - 实现方式：序列化、手动递归复制、第三方库 +> +> **实现方式对比**： +> +> - Object.clone()：浅拷贝，需要实现Cloneable接口 +> - 序列化方式：深拷贝，需要实现Serializable接口 +> - 构造器/工厂方法：可控制拷贝深度 +> - 第三方库：如Apache Commons或Spring BeanUtils +> +> **选择原则**：对象结构简单用浅拷贝，包含复杂引用关系用深拷贝。" + +**💻 代码示例**： +```java +import java.io.*; +import java.util.*; + +public class CopyDemo { + + public static void main(String[] args) throws Exception { + // 演示浅拷贝 + demonstrateShallowCopy(); + + System.out.println(); + + // 演示深拷贝 + demonstrateDeepCopy(); + + System.out.println(); + + // 演示各种深拷贝实现方式 + demonstrateDeepCopyMethods(); + } + + public static void demonstrateShallowCopy() throws CloneNotSupportedException { + System.out.println("=== 浅拷贝演示 ==="); + + Address address = new Address("北京", "朝阳区"); + Person original = new Person("张三", 25, address); + + // 浅拷贝 + Person shallowCopy = original.clone(); + + System.out.println("原对象: " + original); + System.out.println("浅拷贝: " + shallowCopy); + System.out.println("地址对象相同: " + (original.getAddress() == shallowCopy.getAddress())); + + // 修改拷贝对象的基本字段 + shallowCopy.setName("李四"); + shallowCopy.setAge(30); + + System.out.println("\n修改拷贝对象的基本字段后:"); + System.out.println("原对象: " + original); + System.out.println("浅拷贝: " + shallowCopy); + + // 修改引用字段的内容 + shallowCopy.getAddress().setCity("上海"); + shallowCopy.getAddress().setDistrict("浦东新区"); + + System.out.println("\n修改引用字段内容后:"); + System.out.println("原对象: " + original); + System.out.println("浅拷贝: " + shallowCopy); + System.out.println("原对象地址也被修改了！"); + } + + public static void demonstrateDeepCopy() throws Exception { + System.out.println("=== 深拷贝演示 ==="); + + Address address = new Address("广州", "天河区"); + PersonDeep original = new PersonDeep("王五", 28, address); + original.addHobby("读书"); + original.addHobby("游泳"); + + // 深拷贝 + PersonDeep deepCopy = original.deepClone(); + + System.out.println("原对象: " + original); + System.out.println("深拷贝: " + deepCopy); + System.out.println("地址对象相同: " + (original.getAddress() == deepCopy.getAddress())); + System.out.println("爱好列表相同: " + (original.getHobbies() == deepCopy.getHobbies())); + + // 修改拷贝对象 + deepCopy.setName("赵六"); + deepCopy.getAddress().setCity("深圳"); + deepCopy.getAddress().setDistrict("南山区"); + deepCopy.addHobby("编程"); + + System.out.println("\n修改深拷贝对象后:"); + System.out.println("原对象: " + original); + System.out.println("深拷贝: " + deepCopy); + System.out.println("原对象未受影响！"); + } + + public static void demonstrateDeepCopyMethods() throws Exception { + System.out.println("=== 各种深拷贝方法演示 ==="); + + Address address = new Address("杭州", "西湖区"); + PersonDeep original = new PersonDeep("钱七", 32, address); + original.addHobby("旅游"); + + // 方法1：序列化深拷贝 + PersonDeep copy1 = SerializationUtils.deepCopy(original); + + // 方法2：手动深拷贝 + PersonDeep copy2 = original.manualDeepCopy(); + + // 方法3：构造器深拷贝 + PersonDeep copy3 = new PersonDeep(original); + + System.out.println("原对象: " + original); + System.out.println("序列化拷贝: " + copy1); + System.out.println("手动拷贝: " + copy2); + System.out.println("构造器拷贝: " + copy3); + + // 验证独立性 + copy1.getAddress().setCity("copy1-城市"); + copy2.getAddress().setCity("copy2-城市"); + copy3.getAddress().setCity("copy3-城市"); + + System.out.println("\n修改各拷贝对象后:"); + System.out.println("原对象: " + original); + System.out.println("copy1: " + copy1); + System.out.println("copy2: " + copy2); + System.out.println("copy3: " + copy3); + } +} -### 抽象类和接口的对比 +// 地址类 +class Address implements Cloneable, Serializable { + private String city; + private String district; + + public Address(String city, String district) { + this.city = city; + this.district = district; + } + + // 拷贝构造器 + public Address(Address other) { + this.city = other.city; + this.district = other.district; + } + + @Override + protected Address clone() throws CloneNotSupportedException { + return (Address) super.clone(); + } + + // getters and setters + public String getCity() { return city; } + public void setCity(String city) { this.city = city; } + public String getDistrict() { return district; } + public void setDistrict(String district) { this.district = district; } + + @Override + public String toString() { + return city + "-" + district; + } +} -抽象类是用来捕捉子类的通用特性的。接口是抽象方法的集合。 +// 浅拷贝Person类 +class Person implements Cloneable { + private String name; + private int age; + private Address address; + + public Person(String name, int age, Address address) { + this.name = name; + this.age = age; + this.address = address; + } + + @Override + protected Person clone() throws CloneNotSupportedException { + // 默认的浅拷贝 + return (Person) super.clone(); + } + + // getters and setters + public String getName() { return name; } + public void setName(String name) { this.name = name; } + public int getAge() { return age; } + public void setAge(int age) { this.age = age; } + public Address getAddress() { return address; } + public void setAddress(Address address) { this.address = address; } + + @Override + public String toString() { + return "Person{name='" + name + "', age=" + age + ", address=" + address + "}"; + } +} -从设计层面来说，抽象类是对类的抽象，是一种模板设计，接口是行为的抽象，是一种行为的规范。 +// 深拷贝Person类 +class PersonDeep implements Cloneable, Serializable { + private String name; + private int age; + private Address address; + private List hobbies; + + public PersonDeep(String name, int age, Address address) { + this.name = name; + this.age = age; + this.address = address; + this.hobbies = new ArrayList<>(); + } + + // 拷贝构造器 + public PersonDeep(PersonDeep other) { + this.name = other.name; + this.age = other.age; + this.address = new Address(other.address); // 深拷贝地址 + this.hobbies = new ArrayList<>(other.hobbies); // 深拷贝列表 + } + + // 手动深拷贝 + public PersonDeep manualDeepCopy() { + PersonDeep copy = new PersonDeep(this.name, this.age, new Address(this.address)); + copy.hobbies = new ArrayList<>(this.hobbies); + return copy; + } + + // 序列化深拷贝 + public PersonDeep deepClone() throws Exception { + return SerializationUtils.deepCopy(this); + } + + public void addHobby(String hobby) { + hobbies.add(hobby); + } + + // getters and setters + public String getName() { return name; } + public void setName(String name) { this.name = name; } + public int getAge() { return age; } + public void setAge(int age) { this.age = age; } + public Address getAddress() { return address; } + public void setAddress(Address address) { this.address = address; } + public List getHobbies() { return hobbies; } + + @Override + public String toString() { + return "PersonDeep{name='" + name + "', age=" + age + + ", address=" + address + ", hobbies=" + hobbies + "}"; + } +} -**相同点** +// 序列化工具类 +class SerializationUtils { + + @SuppressWarnings("unchecked") + public static T deepCopy(T original) throws Exception { + // 序列化 + ByteArrayOutputStream baos = new ByteArrayOutputStream(); + try (ObjectOutputStream oos = new ObjectOutputStream(baos)) { + oos.writeObject(original); + } + + // 反序列化 + ByteArrayInputStream bais = new ByteArrayInputStream(baos.toByteArray()); + try (ObjectInputStream ois = new ObjectInputStream(bais)) { + return (T) ois.readObject(); + } + } +} -- 接口和抽象类都不能实例化 -- 都位于继承的顶端，用于被其他实现或继承 -- 都包含抽象方法，其子类都必须覆写这些抽象方法 +/* + * 拷贝方式对比： + * + * ┌─────────────┬─────────────┬─────────────┬─────────────┬─────────────┐ + * │ 方式 │ 实现难度 │ 性能 │ 完整性 │ 适用场景 │ + * ├─────────────┼─────────────┼─────────────┼─────────────┼─────────────┤ + * │ 浅拷贝 │ 简单 │ 高 │ 不完整 │ 简单对象 │ + * │ 手动深拷贝 │ 中等 │ 中等 │ 完整 │ 可控拷贝 │ + * │ 序列化拷贝 │ 简单 │ 低 │ 完整 │ 复杂对象 │ + * │ 构造器拷贝 │ 中等 │ 高 │ 可控 │ 设计良好 │ + * │ 第三方库 │ 简单 │ 中等 │ 完整 │ 通用场景 │ + * └─────────────┴─────────────┴─────────────┴─────────────┴─────────────┘ + * + * 最佳实践： + * 1. 不可变对象不需要深拷贝 + * 2. 优先使用拷贝构造器，控制拷贝逻辑 + * 3. 复杂对象可以考虑序列化方式 + * 4. 性能敏感场景避免序列化拷贝 + * 5. 注意循环引用问题 + */ +``` -**不同点** +### 🎯 hashCode与equals的关系？ + +> "hashCode和equals是Java对象的两个重要方法，它们有严格的契约关系： +> +> **hashCode方法**： +> +> - 返回对象的哈希码值，用于哈希表（如HashMap）中的快速查找 +> - 默认实现通常基于对象的内存地址计算 +> - 必须保证：相等的对象具有相同的哈希码 +> +> **equals与hashCode契约**： +> +> 1. 如果两个对象equals相等，则它们的hashCode必须相等 +> 2. 如果两个对象hashCode相等，它们的equals不一定相等（哈希冲突） +> 3. 重写equals时必须重写hashCode，否则违反契约 +> 4. hashCode应该尽量分散，减少哈希冲突 +> +> **实践原则**： +> +> - 同时重写equals和hashCode，保持一致性 +> - equals中使用的字段，hashCode也应该使用 +> - 使用Objects.equals()和Objects.hash()简化实现 +> - 重写后的对象才能正确用于HashMap、HashSet等集合 +> +> 违反契约会导致集合操作异常，如HashMap中相等的对象无法正确查找。" + + + +### 🎯 Random函数随机种子了解吗 ？ + +随机种子是伪随机数生成器的初始化参数。相同种子产生相同的随机序列，这保证了可重现性。在生产环境我们通常不设置种子获得真正的随机性，但在测试和调试时会使用固定种子确保结果一致。Java中通过Random构造器或setSeed方法设置。 + +--- + +## 🔤 三、字符串处理（String核心） + +> **核心思想**：String是Java中最常用的类，理解String、StringBuilder、StringBuffer的区别和字符串常量池机制是基础中的基础。 + +### 🎯 String、StringBuilder、StringBuffer的区别？ + +> "String、StringBuilder、StringBuffer的主要区别： +> +> **String类**： +> +> - 不可变（immutable），任何修改都会创建新对象 +> - 线程安全（因为不可变） +> - 适用于字符串内容不会改变的场景 +> - 大量字符串拼接会产生很多临时对象，性能较差 +> +> **StringBuilder类**： +> +> - 可变的字符序列，修改操作在原对象上进行 +> - 线程不安全，但性能最好 +> - 适用于单线程环境下的字符串拼接 +> - 内部使用char数组，动态扩容 +> +> **StringBuffer类**： +> +> - 可变的字符序列，功能与StringBuilder类似 +> - 线程安全（方法都用synchronized修饰） +> - 适用于多线程环境下的字符串拼接 +> - 由于同步开销，性能比StringBuilder差 +> +> **选择建议**：单线程用StringBuilder，多线程用StringBuffer，不变字符串用String。" + +**💻 代码示例**： -| 参数 | 抽象类 | 接口 | -| ---------- | ------------------------------------------------------------ | ------------------------------------------------------------ | -| 声明 | 抽象类使用abstract关键字声明 | 接口使用interface关键字声明 | -| 实现 | 子类使用extends关键字来继承抽象类。如果子类不是抽象类的话，它需要提供抽象类中所有声明的方法的实现 | 子类使用implements关键字来实现接口。它需要提供接口中所有声明的方法的实现 | -| 构造器 | 抽象类可以有构造器 | 接口不能有构造器 | -| 访问修饰符 | 抽象类中的方法可以是任意访问修饰符 | 接口方法默认修饰符是public。并且不允许定义为 private 或者 protected | -| 多继承 | 一个类最多只能继承一个抽象类 | 一个类可以实现多个接口 | -| 字段声明 | 抽象类的字段声明可以是任意的 | 接口的字段默认都是 static 和 final 的 | +```java +public class StringDemo { + + public static void main(String[] args) { + // 1. String不可变性演示 + demonstrateStringImmutability(); + + // 2. 字符串常量池 + demonstrateStringPool(); + + // 3. 性能对比 + performanceComparison(); + + // 4. 线程安全测试 + threadSafetyTest(); + + // 5. 常用方法演示 + demonstrateStringMethods(); + } + + // String不可变性演示 + public static void demonstrateStringImmutability() { + System.out.println("=== String Immutability ==="); + + String str = "Hello"; + System.out.println("Original string: " + str); + System.out.println("String object ID: " + System.identityHashCode(str)); + + str = str + " World"; // 创建新对象，原对象不变 + System.out.println("After concatenation: " + str); + System.out.println("New object ID: " + System.identityHashCode(str)); + + // 字符串字面量拼接（编译时优化） + String compile1 = "Hello" + " " + "World"; // 编译时合并为"Hello World" + String compile2 = "Hello World"; + System.out.println("Compile-time concatenation same object: " + (compile1 == compile2)); // true + } + + // 字符串常量池演示 + public static void demonstrateStringPool() { + System.out.println("\n=== String Pool ==="); + + String s1 = "hello"; // 常量池 + String s2 = "hello"; // 引用常量池中的对象 + String s3 = new String("hello"); // 堆中新对象 + String s4 = s3.intern(); // 返回常量池中的对象 + + System.out.println("s1 == s2: " + (s1 == s2)); // true，同一个常量池对象 + System.out.println("s1 == s3: " + (s1 == s3)); // false，不同对象 + System.out.println("s1 == s4: " + (s1 == s4)); // true，intern()返回常量池对象 + + // 动态字符串的intern + String dynamic = new String("hello") + new String("world"); + String dynamicIntern = dynamic.intern(); + String literal = "helloworld"; + System.out.println("dynamic.intern() == literal: " + (dynamicIntern == literal)); + } + + // 性能对比 + public static void performanceComparison() { + System.out.println("\n=== Performance Comparison ==="); + int iterations = 10000; + + // String拼接性能（差） + long startTime = System.currentTimeMillis(); + String result1 = ""; + for (int i = 0; i < iterations; i++) { + result1 += "a"; // 每次都创建新对象 + } + long stringTime = System.currentTimeMillis() - startTime; + + // StringBuilder性能（最好） + startTime = System.currentTimeMillis(); + StringBuilder sb = new StringBuilder(); + for (int i = 0; i < iterations; i++) { + sb.append("a"); // 在原对象上修改 + } + String result2 = sb.toString(); + long stringBuilderTime = System.currentTimeMillis() - startTime; + + // StringBuffer性能（中等） + startTime = System.currentTimeMillis(); + StringBuffer sbf = new StringBuffer(); + for (int i = 0; i < iterations; i++) { + sbf.append("a"); // 同步方法调用 + } + String result3 = sbf.toString(); + long stringBufferTime = System.currentTimeMillis() - startTime; + + System.out.println("String concatenation: " + stringTime + "ms"); + System.out.println("StringBuilder: " + stringBuilderTime + "ms"); + System.out.println("StringBuffer: " + stringBufferTime + "ms"); + + System.out.println("Results equal: " + + result1.equals(result2) + ", " + result2.equals(result3)); + } + + // 线程安全测试 + public static void threadSafetyTest() { + System.out.println("\n=== Thread Safety Test ==="); + + // StringBuilder - 线程不安全 + StringBuilder sb = new StringBuilder(); + StringBuffer sbf = new StringBuffer(); + + // 创建多个线程同时操作 + Runnable appendTask = () -> { + for (int i = 0; i < 1000; i++) { + sb.append("a"); + sbf.append("a"); + } + }; + + Thread[] threads = new Thread[5]; + for (int i = 0; i < threads.length; i++) { + threads[i] = new Thread(appendTask); + threads[i].start(); + } + + // 等待所有线程完成 + for (Thread thread : threads) { + try { + thread.join(); + } catch (InterruptedException e) { + e.printStackTrace(); + } + } + + System.out.println("Expected length: " + (5 * 1000)); + System.out.println("StringBuilder length: " + sb.length()); // 可能小于期望值 + System.out.println("StringBuffer length: " + sbf.length()); // 等于期望值 + } + + // 常用字符串方法演示 + public static void demonstrateStringMethods() { + System.out.println("\n=== Common String Methods ==="); + + String str = " Hello World Java Programming "; + + // 基本操作 + System.out.println("Length: " + str.length()); + System.out.println("Trimmed: '" + str.trim() + "'"); + System.out.println("Upper case: " + str.toUpperCase()); + System.out.println("Lower case: " + str.toLowerCase()); + + // 搜索操作 + System.out.println("Index of 'World': " + str.indexOf("World")); + System.out.println("Last index of 'a': " + str.lastIndexOf("a")); + System.out.println("Contains 'Java': " + str.contains("Java")); + System.out.println("Starts with ' Hello': " + str.startsWith(" Hello")); + System.out.println("Ends with 'ing ': " + str.endsWith("ming ")); + + // 替换操作 + System.out.println("Replace 'World' with 'Universe': " + + str.replace("World", "Universe")); + System.out.println("Replace all spaces: " + + str.replaceAll("\\s+", "_")); + + // 分割操作 + String[] words = str.trim().split("\\s+"); + System.out.println("Split into words: " + java.util.Arrays.toString(words)); + + // 子字符串 + System.out.println("Substring(2, 7): '" + str.substring(2, 7) + "'"); + + // 字符操作 + System.out.println("Char at index 2: '" + str.charAt(2) + "'"); + char[] chars = str.toCharArray(); + System.out.println("Char array length: " + chars.length); + } +} -**备注**：Java8中接口中引入默认方法和静态方法，以此来减少抽象类和接口之间的差异。 +// StringBuilder和StringBuffer源码分析要点 +class StringBuilderAnalysis { + /* + * StringBuilder和StringBuffer都继承自AbstractStringBuilder + * + * 核心字段： + * char[] value; // 存储字符数据的数组 + * int count; // 当前字符数量 + * + * 扩容机制： + * 当容量不足时，新容量 = (旧容量 + 1) * 2 + * 如果还不够，直接使用需要的容量 + * + * StringBuffer的同步： + * 所有公共方法都用synchronized修饰 + * + * 性能优化建议： + * 1. 预估容量，使用带初始容量的构造方法 + * 2. 单线程环境优先使用StringBuilder + * 3. 避免在循环中使用String拼接 + */ + + public static void optimizedStringBuilding() { + // 好的做法：预估容量 + StringBuilder sb = new StringBuilder(1000); // 预分配容量 + + // 避免的做法：不断扩容 + StringBuilder sb2 = new StringBuilder(); // 默认容量16，会多次扩容 + } +} +``` -现在，我们可以为接口提供默认实现的方法了，并且不用强制子类来实现它。 +--- + +## ⚠️ 四、异常处理机制（Exception核心） + +> **核心思想**：异常处理是Java程序健壮性的重要保障，理解异常体系、处理机制和最佳实践对编写高质量代码至关重要。 + +### 🎯 Java异常体系是怎样的？ + +**📋 标准话术**： + +> "Java异常体系以Throwable为根类，分为两大分支： +> +> **Error类**：表示严重的系统级错误，程序无法处理，如OutOfMemoryError、StackOverflowError。应用程序不应该捕获这类异常。 +> +> **Exception类**：程序可以处理的异常，又分为两类： +> +> **检查型异常（Checked Exception）**： +> +> - 编译时必须处理（try-catch或throws声明） +> - 如IOException、SQLException、ClassNotFoundException +> - 表示程序运行中可能出现的合理异常情况 +> +> **非检查型异常（Unchecked Exception）**： +> +> - 继承自RuntimeException，编译时不强制处理 +> - 如NullPointerException、ArrayIndexOutOfBoundsException +> - 通常表示程序逻辑错误 +> +> **异常处理原则**：能处理就处理，不能处理就向上抛出；记录日志；不要忽略异常；优先使用标准异常。" + + + +--- + +## 🎯 五、泛型机制（Generic核心） + +> **核心思想**：泛型提供了编译时类型安全检查，避免类型转换异常，同时提高代码复用性和可读性。 + +### 🎯 什么是Java泛型？类型擦除是什么？ + +> "Java泛型是JDK 5引入的特性，允许在定义类、接口和方法时使用类型参数： +> +> **泛型的作用**： +> +> - 提供编译时类型安全检查，避免ClassCastException +> - 消除类型转换的需要，提高代码可读性 +> - 提高代码复用性，一套代码适用多种类型 +> +> **类型擦除（Type Erasure）**： +> +> - Java泛型是编译时特性，运行时会被擦除 +> - 编译后所有泛型信息都被替换为原始类型或Object +> - 这是为了保持与早期Java版本的兼容性 +> - 导致一些限制，如不能创建泛型数组、不能获取运行时泛型信息等 +> +> **通配符**： +> +> - `?` 表示未知类型 +> - `? extends T` 上界通配符，只能读取 +> - `? super T` 下界通配符，只能写入 +> +> **PECS原则**：Producer Extends, Consumer Super - 生产者使用extends，消费者使用super。" + +**💻 代码示例**： -接口和抽象类各有优缺点，在接口和抽象类的选择上，必须遵守这样一个原则： +```java +import java.util.*; + +public class GenericDemo { + + public static void main(String[] args) { + // 1. 泛型类：类型安全，无需转换 + Box stringBox = new Box<>("Hello"); + String str = stringBox.get(); // 无需强转 + + List list = new ArrayList<>(); // 类型安全 + list.add(100); + // list.add("string"); // 编译错误 + + // 2. 泛型方法：类型推断 + String[] arr = {"A", "B", "C"}; + swap(arr, 0, 2); // 可省略 + + // 3. 通配符：灵活性 + List numbers = new ArrayList(); + List ints = new ArrayList(); + + // 4. 类型擦除：运行时泛型信息丢失 + List strList = new ArrayList<>(); + List intList = new ArrayList<>(); + System.out.println(strList.getClass() == intList.getClass()); // true + } + + // 泛型类演示 + public static void demonstrateGenericClass() { + System.out.println("=== Generic Class Demo ==="); + + // 使用泛型避免类型转换 + Box stringBox = new Box<>("Hello"); + Box intBox = new Box<>(42); + + String str = stringBox.get(); // 无需类型转换 + Integer num = intBox.get(); // 编译时类型安全 + + System.out.println("String box: " + str); + System.out.println("Integer box: " + num); + + // 泛型集合 + List stringList = new ArrayList<>(); + stringList.add("Java"); + stringList.add("Python"); + // stringList.add(123); // 编译错误，类型安全 + + for (String s : stringList) { + System.out.println("Language: " + s); // 无需转换 + } + } + + // 泛型方法演示 + public static void demonstrateGenericMethod() { + System.out.println("\n=== Generic Method Demo ==="); + + // 泛型方法自动推断类型 + String[] strings = {"a", "b", "c"}; + Integer[] integers = {1, 2, 3}; + + printArray(strings); // T推断为String + printArray(integers); // T推断为Integer + + // 显式指定类型 + GenericDemo.printArray(new Double[]{1.1, 2.2, 3.3}); + + // 有界类型参数 + System.out.println("Max number: " + findMax(integers)); + + // 多个类型参数 + Pair pair = makePair("Age", 25); + System.out.println("Pair: " + pair); + } + + // 通配符演示 + public static void demonstrateWildcards() { + System.out.println("\n=== Wildcards Demo ==="); + + List intList = Arrays.asList(1, 2, 3); + List doubleList = Arrays.asList(1.1, 2.2, 3.3); + List stringList = Arrays.asList("a", "b", "c"); + + // 上界通配符 - 只能读取，不能写入 + printNumbers(intList); // Integer extends Number + printNumbers(doubleList); // Double extends Number + // printNumbers(stringList); // 编译错误 + + // 下界通配符 - 只能写入Number或其子类 + List objList = new ArrayList<>(); + addNumbers(objList); + System.out.println("Added numbers: " + objList); + + // 无界通配符 + printCollection(intList); + printCollection(stringList); + } + + // 类型擦除演示 + public static void demonstrateTypeErasure() { + System.out.println("\n=== Type Erasure Demo ==="); + + List stringList = new ArrayList<>(); + List intList = new ArrayList<>(); + + // 运行时类型相同，都是ArrayList + System.out.println("Same class: " + + (stringList.getClass() == intList.getClass())); // true + + System.out.println("Class name: " + stringList.getClass().getName()); + + // 反射无法获取泛型信息 + try { + java.lang.reflect.Method method = GenericDemo.class.getMethod("printArray", Object[].class); + System.out.println("Method: " + method.toGenericString()); + } catch (NoSuchMethodException e) { + e.printStackTrace(); + } + } + + // 泛型限制演示 + public static void demonstrateGenericLimitations() { + System.out.println("\n=== Generic Limitations Demo ==="); + + // 1. 不能创建泛型数组 + // List[] array = new List[10]; // 编译错误 + List[] array = new List[10]; // 可以，但会有警告 + + // 2. 不能实例化类型参数 + // T instance = new T(); // 编译错误 + + // 3. 不能创建参数化类型的数组 + // Pair[] pairs = new Pair[10]; // 编译错误 + + // 4. 静态字段不能使用类型参数 + // static T staticField; // 编译错误 + + System.out.println("Generic limitations demonstrated"); + } + + // 泛型方法 + public static void printArray(T[] array) { + for (T element : array) { + System.out.print(element + " "); + } + System.out.println(); + } + + // 有界类型参数 + public static > T findMax(T[] array) { + T max = array[0]; + for (T element : array) { + if (element.compareTo(max) > 0) { + max = element; + } + } + return max; + } + + // 多个类型参数 + public static Pair makePair(T first, U second) { + return new Pair<>(first, second); + } + + // 上界通配符 + public static void printNumbers(List list) { + for (Number n : list) { + System.out.print(n + " "); + } + System.out.println(); + } + + // 下界通配符 + public static void addNumbers(List list) { + list.add(42); + list.add(3.14); + // list.add("string"); // 编译错误 + } + + // 无界通配符 + public static void printCollection(List list) { + for (Object obj : list) { + System.out.print(obj + " "); + } + System.out.println(); + } +} -- 行为模型应该总是通过接口而不是抽象类定义，所以通常是优先选用接口，尽量少用抽象类。 -- 选择抽象类的时候通常是如下情况：需要定义子类的行为，又要为子类提供通用的功能。 +// 泛型类 +class Box { + private T content; + + public Box(T content) { + this.content = content; + } + + public T get() { + return content; + } + + public void set(T content) { + this.content = content; + } +} +// 多个类型参数的泛型类 +class Pair { + private T first; + private U second; + + public Pair(T first, U second) { + this.first = first; + this.second = second; + } + + public T getFirst() { return first; } + public U getSecond() { return second; } + + @Override + public String toString() { + return "(" + first + ", " + second + ")"; + } +} +// 有界类型参数 +class NumberBox { + private T number; + + public NumberBox(T number) { + this.number = number; + } + + public double getDoubleValue() { + return number.doubleValue(); // 可以调用Number的方法 + } +} +``` -### Java中的异常处理机制的简单原理和应用 +--- + +## 🪞 六、反射机制（Reflection核心） + +> **核心思想**：反射是Java的动态特性，允许程序在运行时检查和操作类、方法、字段等，是框架开发的重要基础。 + +### 🎯 注解的原理？ + +> "Java注解是一种特殊的'接口'，用于为代码提供元数据信息： +> +> **注解的本质**： +> +> - 注解本质上是继承了Annotation接口的特殊接口 +> - 编译后生成字节码，存储在Class文件的常量池中 +> - 运行时通过反射机制读取注解信息 +> - 不影响程序的正常执行，只提供元数据 +> +> **注解的生命周期**： +> +> - SOURCE：只在源码阶段保留，编译时丢弃 +> - CLASS：编译到Class文件，运行时不加载到JVM +> - RUNTIME：运行时保留，可以通过反射读取 +> +> **注解处理流程**： +> +> 1. 定义注解（使用@interface） +> 2. 在代码中使用注解 +> 3. 编译器将注解信息写入Class文件 +> 4. 运行时通过反射API读取和处理注解 +> +> **核心应用**： +> +> - 框架配置：Spring的@Component、@Autowired等 +> - 代码生成：Lombok的@Data、@Getter等 +> - 约束校验：@NotNull、@Valid等 +> - 测试框架：JUnit的@Test、@BeforeEach等 +> +> 注解是现代Java框架的基石，简化了配置，提高了开发效率。" + +### 🎯 什么是反射机制？反射有什么应用场景？ + +> "Java反射机制是在运行状态中，对于任意一个类都能够知道这个类的所有属性和方法；对于任意一个对象，都能够调用它的任意方法和属性。这种动态获取信息以及动态调用对象方法的功能称为Java的反射机制。 +> +> Java 反射（Reflection）是指在运行时动态地获取类的信息，并操作类的属性、方法、构造器等能力。 +> 它的原理是： +> +> - Java 编译后会生成 `.class` 字节码文件，JVM 类加载器在加载时会把类的元信息存放到 **方法区（元空间 Metaspace）**。 +> - 反射 API（如 `Class`、`Method`、`Field`、`Constructor`）就是对这些元数据的封装。 +> - 程序可以在运行时通过 `Class.forName()` 或 `对象.getClass()` 获取 `Class` 对象，然后操作类的字段和方法。 +> +> **反射的核心类**： +> +> - Class：类的元信息，是反射的入口点 +> - Field：字段信息，可以获取和设置字段值 +> - Method：方法信息，可以调用方法 +> - Constructor：构造器信息，可以创建实例 +> +> **应用场景**： +> +> - 框架开发：框架（Spring、MyBatis）通过反射创建对象、注入依赖。 +> - 注解处理：运行时处理注解信息 +> - 动态代理：JDK动态代理基于反射实现 +> - 配置文件：根据配置动态创建对象 +> - IDE工具：代码提示、自动完成功能 +> +> **优缺点**： +> +> - 优点：提高代码灵活性，实现动态编程 +> - 缺点：性能开销大，破坏封装性，代码可读性差 +> +> 反射是框架设计的灵魂，但在日常开发中应谨慎使用。" -异常是指java程序运行时（非编译）所发生的非正常情况或错误，与现实生活中的事件很相似，现实生活中的事件可以包含事件发生的时间、地点、人物、情节等信息，可以用一个对象来表示，Java使用面向对象的方式来处理异常，它把程序中发生的每个异常也都分别封装到一个对象来表示的，该对象中包含有异常的信息。 +```java +import java.lang.annotation.*; +import java.lang.reflect.*; +import java.util.*; + +public class ReflectionDemo { + + public static void main(String[] args) throws Exception { + // 1. 获取Class对象的三种方式 + demonstrateGetClass(); + + // 2. 反射操作字段 + demonstrateFields(); + + // 3. 反射操作方法 + demonstrateMethods(); + + // 4. 反射操作构造器 + demonstrateConstructors(); + + // 5. 注解处理 + demonstrateAnnotations(); + + // 6. 动态代理 + demonstrateDynamicProxy(); + } + + // 获取Class对象的方式 + public static void demonstrateGetClass() throws ClassNotFoundException { + System.out.println("=== Get Class Object ==="); + + // 方式1：通过对象获取 + Student student = new Student("Alice", 20); + Class clazz1 = student.getClass(); + + // 方式2：通过类名获取 + Class clazz2 = Student.class; + + // 方式3：通过Class.forName()获取 + Class clazz3 = Class.forName("Student"); + + System.out.println("Same class: " + (clazz1 == clazz2 && clazz2 == clazz3)); + System.out.println("Class name: " + clazz1.getName()); + System.out.println("Simple name: " + clazz1.getSimpleName()); + System.out.println("Package: " + clazz1.getPackage().getName()); + } + + // 反射操作字段 + public static void demonstrateFields() throws Exception { + System.out.println("\n=== Field Operations ==="); + + Class clazz = Student.class; + Student student = new Student("Bob", 22); + + // 获取所有字段（包括私有） + Field[] fields = clazz.getDeclaredFields(); + System.out.println("Fields count: " + fields.length); + + for (Field field : fields) { + System.out.println("Field: " + field.getName() + + ", Type: " + field.getType().getSimpleName() + + ", Modifiers: " + Modifier.toString(field.getModifiers())); + } + + // 访问私有字段 + Field nameField = clazz.getDeclaredField("name"); + nameField.setAccessible(true); // 绕过访问控制 + + String name = (String) nameField.get(student); + System.out.println("Original name: " + name); + + nameField.set(student, "Charlie"); + System.out.println("Modified name: " + student.getName()); + + // 访问静态字段 + Field countField = clazz.getDeclaredField("count"); + countField.setAccessible(true); + int count = (int) countField.get(null); // 静态字段传null + System.out.println("Student count: " + count); + } + + // 反射操作方法 + public static void demonstrateMethods() throws Exception { + System.out.println("\n=== Method Operations ==="); + + Class clazz = Student.class; + Student student = new Student("David", 25); + + // 获取所有方法 + Method[] methods = clazz.getDeclaredMethods(); + System.out.println("Methods count: " + methods.length); + + for (Method method : methods) { + System.out.println("Method: " + method.getName() + + ", Return type: " + method.getReturnType().getSimpleName() + + ", Parameters: " + method.getParameterCount()); + } + + // 调用公共方法 + Method getNameMethod = clazz.getMethod("getName"); + String name = (String) getNameMethod.invoke(student); + System.out.println("Name from method: " + name); + + // 调用私有方法 + Method privateMethod = clazz.getDeclaredMethod("privateMethod"); + privateMethod.setAccessible(true); + privateMethod.invoke(student); + + // 调用带参数的方法 + Method setAgeMethod = clazz.getMethod("setAge", int.class); + setAgeMethod.invoke(student, 30); + System.out.println("Age after method call: " + student.getAge()); + + // 调用静态方法 + Method staticMethod = clazz.getDeclaredMethod("getCount"); + int count = (int) staticMethod.invoke(null); + System.out.println("Count from static method: " + count); + } + + // 反射操作构造器 + public static void demonstrateConstructors() throws Exception { + System.out.println("\n=== Constructor Operations ==="); + + Class clazz = Student.class; + + // 获取所有构造器 + Constructor[] constructors = clazz.getDeclaredConstructors(); + System.out.println("Constructors count: " + constructors.length); + + for (Constructor constructor : constructors) { + System.out.println("Constructor parameters: " + constructor.getParameterCount()); + } + + // 使用无参构造器 + Constructor defaultConstructor = clazz.getDeclaredConstructor(); + Student student1 = (Student) defaultConstructor.newInstance(); + System.out.println("Default constructor: " + student1); + + // 使用有参构造器 + Constructor paramConstructor = clazz.getDeclaredConstructor(String.class, int.class); + Student student2 = (Student) paramConstructor.newInstance("Eva", 28); + System.out.println("Param constructor: " + student2); + } + + // 注解处理 + public static void demonstrateAnnotations() throws Exception { + System.out.println("\n=== Annotation Processing ==="); + + Class clazz = Student.class; + + // 检查类注解 + if (clazz.isAnnotationPresent(MyAnnotation.class)) { + MyAnnotation annotation = clazz.getAnnotation(MyAnnotation.class); + System.out.println("Class annotation value: " + annotation.value()); + } + + // 检查字段注解 + Field nameField = clazz.getDeclaredField("name"); + if (nameField.isAnnotationPresent(MyAnnotation.class)) { + MyAnnotation annotation = nameField.getAnnotation(MyAnnotation.class); + System.out.println("Field annotation value: " + annotation.value()); + } + + // 检查方法注解 + Method method = clazz.getMethod("getName"); + if (method.isAnnotationPresent(MyAnnotation.class)) { + MyAnnotation annotation = method.getAnnotation(MyAnnotation.class); + System.out.println("Method annotation value: " + annotation.value()); + } + } + + // 动态代理 + public static void demonstrateDynamicProxy() { + System.out.println("\n=== Dynamic Proxy ==="); + + // 创建目标对象 + UserService userService = new UserServiceImpl(); + + // 创建代理对象 + UserService proxy = (UserService) Proxy.newProxyInstance( + userService.getClass().getClassLoader(), + userService.getClass().getInterfaces(), + new LoggingHandler(userService) + ); + + // 通过代理调用方法 + proxy.login("admin", "password"); + proxy.logout("admin"); + } +} -Java对异常进行了分类，不同类型的异常分别用不同的Java类表示，所有异常的根类为java.lang.Throwable，Throwable下面又派生了两个子类：Error和Exception，Error 表示应用程序本身无法克服和恢复的一种严重问题，程序只有死的份了，例如，说内存溢出和线程死锁等系统问题。Exception表示程序还能够克服和恢复的问题，其中又分为系统异常和普通异常，系统异常是软件本身缺陷所导致的问题，也就是软件开发人员考虑不周所导致的问题，软件使用者无法克服和恢复这种问题，但在这种问题下还可以让软件系统继续运行或者让软件死掉，例如，数组脚本越界（ArrayIndexOutOfBoundsException），空指针异常（NullPointerException）、类转换异常（ClassCastException）；普通异常是运行环境的变化或异常所导致的问题，是用户能够克服的问题，例如，网络断线，硬盘空间不够，发生这样的异常后，程序不应该死掉。 +// 示例类 +@MyAnnotation("Student class") +class Student { + private static int count = 0; + + @MyAnnotation("name field") + private String name; + private int age; + + public Student() { + this("Unknown", 0); + } + + public Student(String name, int age) { + this.name = name; + this.age = age; + count++; + } + + @MyAnnotation("getName method") + public String getName() { + return name; + } + + public void setName(String name) { + this.name = name; + } + + public int getAge() { + return age; + } + + public void setAge(int age) { + this.age = age; + } + + private void privateMethod() { + System.out.println("Private method called"); + } + + public static int getCount() { + return count; + } + + @Override + public String toString() { + return "Student{name='" + name + "', age=" + age + "}"; + } +} -java为系统异常和普通异常提供了不同的解决方案，编译器强制普通异常必须try..catch处理或用throws声明继续抛给上层调用方法处理，所以普通异常也称为checked异常，而系统异常可以处理也可以不处理，所以，编译器不强制用try..catch处理或用throws声明，所以系统异常也称为unchecked异常。 +// 自定义注解 +@Retention(RetentionPolicy.RUNTIME) +@Target({ElementType.TYPE, ElementType.FIELD, ElementType.METHOD}) +@interface MyAnnotation { + String value() default ""; +} - +// 动态代理示例 +interface UserService { + void login(String username, String password); + void logout(String username); +} -### 什么是java序列化，如何实现java序列化？或者请解释Serializable接口的作用 +class UserServiceImpl implements UserService { + @Override + public void login(String username, String password) { + System.out.println("User " + username + " logged in"); + } + + @Override + public void logout(String username) { + System.out.println("User " + username + " logged out"); + } +} -无论何种类型的数据，都是以二进制的形式在网络上传送，为了由一个进程把Java对象发送给另一个进程，需要把其转换为字节序列才能在网络上传送，把JAVA对象转换为字节序列的过程就称为对象的序列化，将字节序列恢复成Java对象的过程称为对象的反序列化 +class LoggingHandler implements InvocationHandler { + private Object target; + + public LoggingHandler(Object target) { + this.target = target; + } + + @Override + public Object invoke(Object proxy, Method method, Object[] args) throws Throwable { + System.out.println("Before method: " + method.getName()); + Object result = method.invoke(target, args); + System.out.println("After method: " + method.getName()); + return result; + } +} +``` -只有实现了 serializable接口的类的对象才能被序列化 -例如，在web开发中，如果对象被保存在了Session中，tomcat在重启时要把Session对象序列化到硬盘，这个对象就必须实现Serializable接口。如果对象要经过分布式系统进行网络传输或通过rmi等远程调用，这就需要在网络上传输对象，被传输的对象就必须实现Serializable接口。 +### 🎯 反射的原理？ +> 反射基于 JVM 类加载机制，JVM 在类加载后会生成唯一的 `Class` 对象保存类的元信息。反射 API 就是通过 `Class` 对象访问这些元信息，从而在运行时动态调用方法、访问字段或创建对象。它的本质是 JVM 内部类型信息表的访问封装。反射灵活但性能较差，因此主要用于框架层，而不是业务层的高频调用。 -### java中有几种类型的流？JDK为每种类型的流提供了一些抽象类以供继承，请说出他们分别是哪些类？ +反射是 **JVM 在类加载后，利用运行时保留的类元数据，通过 `Class` 对象来操作类的属性和方法** 的机制，本质是对 JVM 内部数据结构的一层封装。 -字节流，字符流。 +**1、核心原理** -字节流继承于InputStream OutputStream， +- 当类被加载到 JVM 后，会生成唯一的 `Class` 对象，存储类的元信息（字段、方法、构造器、注解等）。 +- `Class` 对象存放在 **方法区（元空间）**，它是反射的入口。 +- 反射 API (`java.lang.reflect`) 通过访问 `Class` 对象来操作元数据，本质就是 **JVM 把字节码信息映射为对象供开发者调用**。 -字符流继承于InputStreamReader OutputStreamWriter。 +**2、核心机制** -在java.io包中还有许多其他的流，主要是为了提高性能和使用方便。 +- **Class 对象**：类的运行时表示。 +- **Field 对象**：封装字段信息，可读写字段值。 +- **Method 对象**：封装方法信息，可 `invoke` 调用。 +- **Constructor 对象**：封装构造器信息，可 `newInstance` 创建实例。 +- **setAccessible(true)**：跳过访问权限检查。 +**3、使用流程** +1. 获取 `Class` 对象（`Class.forName()`、`xxx.class`、`obj.getClass()`）。 +2. 通过 `Class` 对象获取 `Field`、`Method`、`Constructor` 等。 +3. 调用 `invoke()`、`set()` 等完成动态操作。 -### 字节流与字符流的区别 +4、**性能与应用** -要把一片二进制数据数据逐一输出到某个设备中，或者从某个设备中逐一读取一片二进制数据，不管输入输出设备是什么，我们要用统一的方式来完成这些操作，用一种抽象的方式进行描述，这个抽象描述方式起名为IO流，对应的抽象类为OutputStream和InputStream ，不同的实现类就代表不同的输入和输出设备，它们都是针对字节进行操作的。 +- **性能**：反射比直接调用慢 10~20 倍，因为多了权限校验和方法查找；JVM 在反射调用一定次数后会做优化（内联）。 +- **应用场景**：框架（Spring、Hibernate、MyBatis）利用反射实现 **依赖注入、AOP、ORM** 等。 -在应用中，经常要完全是字符的一段文本输出去或读进来，用字节流可以吗？计算机中的一切最终都是二进制的字节形式存在。对于“中国”这些字符，首先要得到其对应的字节，然后将字节写入到输出流。读取时，首先读到的是字节，可是我们要把它显示为字符，我们需要将字节转换成字符。由于这样的需求很广泛，人家专门提供了字符流的包装类。 +--- - 底层设备永远只接受字节数据，有时候要写字符串到底层设备，需要将字符串转成字节再进行写入。字符流是字节流的包装，字符流则是直接接受字符串，它内部将串转成字节，再写入底层设备，这为我们向IO设别写入或读取字符串提供了一点点方便。 - 字符向字节转换时，要注意编码的问题，因为字符串转成字节数组， - 其实是转成该字符的某种编码的字节形式，读取也是反之的道理。 +## 📁 八、IO流体系（IO核心） +> **核心思想**：Java IO提供了丰富的输入输出操作，分为字节流、字符流、缓冲流等，满足不同场景的数据处理需求。 +### 🎯 BIO、NIO、AIO有什么区别？ -### 获得一个类的类对象有哪些方式？ +- **BIO (Blocking I/O):** 同步阻塞I/O模式，数据的读取写入必须阻塞在一个线程内等待其完成。在活动连接数不是特别高（小于单机1000）的情况下，这种模型是比较不错的，可以让每一个连接专注于自己的 I/O 并且编程模型简单，也不用过多考虑系统的过载、限流等问题。线程池本身就是一个天然的漏斗，可以缓冲一些系统处理不了的连接或请求。但是，当面对十万甚至百万级连接的时候，传统的 BIO 模型是无能为力的。因此，我们需要一种更高效的 I/O 处理模型来应对更高的并发量。 +- **NIO (New I/O):** NIO是一种同步非阻塞的I/O模型，在Java 1.4 中引入了NIO框架，对应 java.nio 包，提供了 Channel , Selector，Buffer等抽象。NIO中的N可以理解为Non-blocking，不单纯是New。它支持面向缓冲的，基于通道的I/O操作方法。 NIO提供了与传统BIO模型中的 `Socket` 和 `ServerSocket` 相对应的 `SocketChannel` 和 `ServerSocketChannel` 两种不同的套接字通道实现,两种通道都支持阻塞和非阻塞两种模式。阻塞模式使用就像传统中的支持一样，比较简单，但是性能和可靠性都不好；非阻塞模式正好与之相反。对于低负载、低并发的应用程序，可以使用同步阻塞I/O来提升开发速率和更好的维护性；对于高负载、高并发的（网络）应用，应使用 NIO 的非阻塞模式来开发 +- **AIO (Asynchronous I/O):** AIO 也就是 NIO 2。在 Java 7 中引入了 NIO 的改进版 NIO 2,它是异步非阻塞的IO模型。异步 IO 是基于事件和回调机制实现的，也就是应用操作之后会直接返回，不会堵塞在那里，当后台处理完成，操作系统会通知相应的线程进行后续的操作。AIO 是异步IO的缩写，虽然 NIO 在网络操作中，提供了非阻塞的方法，但是 NIO 的 IO 行为还是同步的。对于 NIO 来说，我们的业务线程是在 IO 操作准备好时，得到通知，接着就由这个线程自行进行 IO 操作，IO操作本身是同步的。查阅网上相关资料，我发现就目前来说 AIO 的应用还不是很广泛，Netty 之前也尝试使用过 AIO，不过又放弃了。 -- 方法1：类型.class，例如：String.class -- 方法2：对象.getClass()，例如："hello".getClass() -- 方法3：Class.forName()，例如：Class.forName("java.lang.String") +```java +import java.io.*; +import java.net.*; +import java.nio.*; +import java.nio.channels.*; +import java.nio.file.*; +import java.util.concurrent.*; + +public class IOModelDemo { + + public static void main(String[] args) throws Exception { + // 演示BIO + demonstrateBIO(); + + System.out.println(); + + // 演示NIO + demonstrateNIO(); + + System.out.println(); + + // 演示AIO + demonstrateAIO(); + + System.out.println(); + + // 性能对比 + performanceComparison(); + } + + // BIO演示 + public static void demonstrateBIO() throws IOException { + System.out.println("=== BIO演示 ==="); + + // 文件操作 - 阻塞式 + String fileName = "bio_test.txt"; + String content = "BIO测试内容\n阻塞式IO操作"; + + // BIO写文件 + try (FileOutputStream fos = new FileOutputStream(fileName); + BufferedWriter writer = new BufferedWriter(new OutputStreamWriter(fos))) { + + writer.write(content); + System.out.println("BIO写入完成"); + } + + // BIO读文件 + try (FileInputStream fis = new FileInputStream(fileName); + BufferedReader reader = new BufferedReader(new InputStreamReader(fis))) { + + String line; + System.out.println("BIO读取内容:"); + while ((line = reader.readLine()) != null) { + System.out.println(line); + } + } + + // 清理 + new File(fileName).delete(); + + // BIO网络编程特点演示 + demonstrateBIONetworking(); + } + + public static void demonstrateBIONetworking() { + System.out.println("\nBIO网络编程特点:"); + System.out.println("- 每个客户端连接需要一个线程"); + System.out.println("- 线程在accept()和read()时阻塞"); + System.out.println("- 适合连接数少、处理快的场景"); + + // 模拟BIO服务器代码结构 + System.out.println("\nBIO服务器伪代码:"); + System.out.println("ServerSocket server = new ServerSocket(port);"); + System.out.println("while (true) {"); + System.out.println(" Socket client = server.accept(); // 阻塞等待"); + System.out.println(" new Thread(() -> {"); + System.out.println(" // 处理客户端请求"); + System.out.println(" InputStream in = client.getInputStream(); // 可能阻塞"); + System.out.println(" }).start();"); + System.out.println("}"); + } + + // NIO演示 + public static void demonstrateNIO() throws IOException { + System.out.println("=== NIO演示 ==="); + + String fileName = "nio_test.txt"; + String content = "NIO测试内容\n非阻塞式IO操作\n基于Channel和Buffer"; + + // NIO写文件 + Path path = Paths.get(fileName); + try (FileChannel channel = FileChannel.open(path, + StandardOpenOption.CREATE, StandardOpenOption.WRITE)) { + + ByteBuffer buffer = ByteBuffer.allocate(1024); + buffer.put(content.getBytes("UTF-8")); + buffer.flip(); // 切换到读模式 + + while (buffer.hasRemaining()) { + channel.write(buffer); + } + System.out.println("NIO写入完成"); + } + + // NIO读文件 + try (FileChannel channel = FileChannel.open(path, StandardOpenOption.READ)) { + ByteBuffer buffer = ByteBuffer.allocate(1024); + + int bytesRead = channel.read(buffer); + if (bytesRead != -1) { + buffer.flip(); // 切换到读模式 + + byte[] bytes = new byte[buffer.remaining()]; + buffer.get(bytes); + + System.out.println("NIO读取内容:"); + System.out.println(new String(bytes, "UTF-8")); + } + } + + // 清理 + Files.deleteIfExists(path); + + // NIO特点演示 + demonstrateNIOFeatures(); + } + + public static void demonstrateNIOFeatures() { + System.out.println("\nNIO核心组件:"); + System.out.println("1. Channel（通道）- 数据传输的通道"); + System.out.println("2. Buffer（缓冲区）- 数据的容器"); + System.out.println("3. Selector（选择器）- 多路复用器"); + + System.out.println("\nNIO优势:"); + System.out.println("- 一个线程处理多个连接"); + System.out.println("- 非阻塞操作，提高并发性能"); + System.out.println("- 内存映射文件，提高大文件处理效率"); + + // Buffer操作演示 + System.out.println("\nBuffer操作演示:"); + ByteBuffer buffer = ByteBuffer.allocate(10); + + System.out.println("初始状态 - position: " + buffer.position() + + ", limit: " + buffer.limit() + + ", capacity: " + buffer.capacity()); + + buffer.put("Hello".getBytes()); + System.out.println("写入后 - position: " + buffer.position() + + ", limit: " + buffer.limit()); + + buffer.flip(); + System.out.println("flip后 - position: " + buffer.position() + + ", limit: " + buffer.limit()); + + buffer.clear(); + System.out.println("clear后 - position: " + buffer.position() + + ", limit: " + buffer.limit()); + } + + // AIO演示 + public static void demonstrateAIO() throws Exception { + System.out.println("=== AIO演示 ==="); + + String fileName = "aio_test.txt"; + String content = "AIO测试内容\n异步非阻塞IO操作\n基于回调机制"; + + Path path = Paths.get(fileName); + + // AIO写文件 + try (AsynchronousFileChannel channel = AsynchronousFileChannel.open(path, + StandardOpenOption.CREATE, StandardOpenOption.WRITE)) { + + ByteBuffer buffer = ByteBuffer.wrap(content.getBytes("UTF-8")); + + // 异步写入，使用Future + Future writeResult = channel.write(buffer, 0); + + // 等待写入完成 + Integer bytesWritten = writeResult.get(); + System.out.println("AIO异步写入完成，写入字节数: " + bytesWritten); + } + + // AIO读文件 - 使用回调 + try (AsynchronousFileChannel channel = AsynchronousFileChannel.open(path, + StandardOpenOption.READ)) { + + ByteBuffer buffer = ByteBuffer.allocate(1024); + + // 使用CompletionHandler回调 + CountDownLatch latch = new CountDownLatch(1); + + channel.read(buffer, 0, buffer, new CompletionHandler() { + @Override + public void completed(Integer result, ByteBuffer attachment) { + attachment.flip(); + + byte[] bytes = new byte[attachment.remaining()]; + attachment.get(bytes); + + try { + System.out.println("AIO异步读取完成:"); + System.out.println(new String(bytes, "UTF-8")); + } catch (Exception e) { + e.printStackTrace(); + } finally { + latch.countDown(); + } + } + + @Override + public void failed(Throwable exc, ByteBuffer attachment) { + System.err.println("AIO读取失败: " + exc.getMessage()); + latch.countDown(); + } + }); + + // 等待异步操作完成 + latch.await(); + } + + // 清理 + Files.deleteIfExists(path); + + // AIO特点演示 + demonstrateAIOFeatures(); + } + + public static void demonstrateAIOFeatures() { + System.out.println("\nAIO特点:"); + System.out.println("- 真正的异步IO操作"); + System.out.println("- 操作完成后通过回调通知"); + System.out.println("- 不需要轮询操作状态"); + System.out.println("- 适合IO密集型应用"); + + System.out.println("\nAIO两种获取结果的方式:"); + System.out.println("1. Future方式 - 主动查询结果"); + System.out.println("2. CompletionHandler方式 - 被动回调通知"); + } + + // 性能对比 + public static void performanceComparison() throws Exception { + System.out.println("=== IO模型性能对比 ==="); + + int fileCount = 100; + String content = "性能测试内容\n"; + + // BIO性能测试 + long start = System.currentTimeMillis(); + for (int i = 0; i < fileCount; i++) { + String fileName = "bio_perf_" + i + ".txt"; + try (FileOutputStream fos = new FileOutputStream(fileName)) { + fos.write(content.getBytes()); + } + new File(fileName).delete(); + } + long bioTime = System.currentTimeMillis() - start; + + // NIO性能测试 + start = System.currentTimeMillis(); + for (int i = 0; i < fileCount; i++) { + String fileName = "nio_perf_" + i + ".txt"; + Path path = Paths.get(fileName); + try (FileChannel channel = FileChannel.open(path, + StandardOpenOption.CREATE, StandardOpenOption.WRITE)) { + ByteBuffer buffer = ByteBuffer.wrap(content.getBytes()); + channel.write(buffer); + } + Files.deleteIfExists(path); + } + long nioTime = System.currentTimeMillis() - start; + + System.out.println("文件操作性能对比 (" + fileCount + "个文件):"); + System.out.println("BIO耗时: " + bioTime + "ms"); + System.out.println("NIO耗时: " + nioTime + "ms"); + + if (nioTime > 0) { + System.out.println("性能比率: " + (bioTime / (double) nioTime)); + } + + System.out.println("\n实际应用中的选择:"); + System.out.println("- 小文件、低并发：BIO简单高效"); + System.out.println("- 大文件、高并发：NIO性能更好"); + System.out.println("- 长时间IO操作：AIO避免线程阻塞"); + } +} +/* + * IO模型对比总结： + * + * ┌─────────┬─────────────┬─────────────┬─────────────┬─────────────┐ + * │ 模型 │ 阻塞性 │ 复杂度 │ 并发性 │ 适用场景 │ + * ├─────────┼─────────────┼─────────────┼─────────────┼─────────────┤ + * │ BIO │ 同步阻塞 │ 低 │ 低 │ 连接数少 │ + * │ NIO │ 同步非阻塞 │ 中 │ 高 │ 高并发 │ + * │ AIO │ 异步非阻塞 │ 高 │ 高 │ 长连接 │ + * └─────────┴─────────────┴─────────────┴─────────────┴─────────────┘ + * + * 核心区别： + * 1. BIO：线程与连接1:1，适合连接数少的场景 + * 2. NIO：线程与连接1:N，使用Selector实现多路复用 + * 3. AIO：操作异步执行，通过回调获取结果 + * + * 发展历程： + * - JDK 1.0: BIO - 简单但性能有限 + * - JDK 1.4: NIO - 提升并发性能 + * - JDK 1.7: AIO/NIO.2 - 真正异步IO + */ +``` +### 🎯 字节流和字符流的区别？什么是缓冲流？ + +**📋 标准话术**： + +> "Java IO流体系是处理输入输出数据的核心API： +> +> **字节流vs字符流**： +> +> - 字节流（InputStream/OutputStream）：以字节为单位处理数据，可以处理任何类型的文件 +> - 字符流（Reader/Writer）：以字符为单位处理数据，专门处理文本文件，支持字符编码转换 +> - 字节流是最基础的，字符流是在字节流基础上的封装 +> +> **缓冲流**： +> +> - BufferedInputStream/BufferedOutputStream：字节缓冲流 +> - BufferedReader/BufferedWriter：字符缓冲流 +> - 通过内存缓冲区减少实际的磁盘IO次数，大幅提高性能 +> - 默认缓冲区大小8192字节 +> +> **NIO（New IO）**： +> +> - 面向缓冲区（Buffer）而不是面向流 +> - 支持非阻塞IO操作 +> - 使用Channel和Selector实现高性能IO +> - 适合高并发场景，如服务器端编程 +> +> 选择原则：处理文本用字符流，处理二进制用字节流，高性能场景用缓冲流或NIO。" + +**💻 代码示例**： -### 如何通过反射创建对象？ +```java +import java.io.*; +import java.nio.*; +import java.nio.channels.*; +import java.nio.file.*; +import java.util.*; + +public class IODemo { + + public static void main(String[] args) throws IOException { + // 1. 字节流操作 + demonstrateByteStreams(); + + // 2. 字符流操作 + demonstrateCharacterStreams(); + + // 3. 缓冲流操作 + demonstrateBufferedStreams(); + + // 4. NIO基础操作 + demonstrateNIO(); + + // 5. IO性能对比 + performanceComparison(); + } + + // 字节流演示 + public static void demonstrateByteStreams() throws IOException { + System.out.println("=== Byte Streams Demo ==="); + + String content = "Hello Java IO! 你好世界！"; + String fileName = "byte_test.txt"; + + // 字节流写入 + try (FileOutputStream fos = new FileOutputStream(fileName)) { + byte[] bytes = content.getBytes("UTF-8"); + fos.write(bytes); + System.out.println("Written " + bytes.length + " bytes"); + } + + // 字节流读取 + try (FileInputStream fis = new FileInputStream(fileName)) { + byte[] buffer = new byte[1024]; + int bytesRead = fis.read(buffer); + String result = new String(buffer, 0, bytesRead, "UTF-8"); + System.out.println("Read: " + result); + } + + // 复制文件示例 + copyFileUsingByteStream("byte_test.txt", "byte_copy.txt"); + + // 清理文件 + new File(fileName).delete(); + new File("byte_copy.txt").delete(); + } + + // 字符流演示 + public static void demonstrateCharacterStreams() throws IOException { + System.out.println("\n=== Character Streams Demo ==="); + + String content = "Hello Java IO!\n你好世界！\n字符流测试"; + String fileName = "char_test.txt"; + + // 字符流写入 + try (FileWriter writer = new FileWriter(fileName, StandardCharsets.UTF_8)) { + writer.write(content); + System.out.println("Written characters: " + content.length()); + } + + // 字符流读取 + try (FileReader reader = new FileReader(fileName, StandardCharsets.UTF_8)) { + char[] buffer = new char[1024]; + int charsRead = reader.read(buffer); + String result = new String(buffer, 0, charsRead); + System.out.println("Read characters: " + charsRead); + System.out.println("Content:\n" + result); + } + + // 按行读取 + System.out.println("Reading line by line:"); + try (BufferedReader br = new BufferedReader( + new FileReader(fileName, StandardCharsets.UTF_8))) { + String line; + int lineNumber = 1; + while ((line = br.readLine()) != null) { + System.out.println("Line " + lineNumber++ + ": " + line); + } + } + + // 清理文件 + new File(fileName).delete(); + } + + // 缓冲流演示 + public static void demonstrateBufferedStreams() throws IOException { + System.out.println("\n=== Buffered Streams Demo ==="); + + String fileName = "buffered_test.txt"; + + // 缓冲字符流写入 + try (BufferedWriter writer = new BufferedWriter( + new FileWriter(fileName, StandardCharsets.UTF_8))) { + for (int i = 1; i <= 5; i++) { + writer.write("Line " + i + ": This is a test line."); + writer.newLine(); // 跨平台换行 + } + writer.flush(); // 强制刷新缓冲区 + System.out.println("Written 5 lines with buffered writer"); + } + + // 缓冲字符流读取 + try (BufferedReader reader = new BufferedReader( + new FileReader(fileName, StandardCharsets.UTF_8))) { + System.out.println("Reading with buffered reader:"); + String line; + while ((line = reader.readLine()) != null) { + System.out.println(line); + } + } + + // 缓冲字节流示例 + demonstrateByteBufferedStream(fileName); + + // 清理文件 + new File(fileName).delete(); + } + + // NIO基础演示 + public static void demonstrateNIO() throws IOException { + System.out.println("\n=== NIO Demo ==="); + + String content = "NIO Test Content\n使用NIO进行文件操作"; + Path path = Paths.get("nio_test.txt"); + + // NIO写入文件 + Files.write(path, content.getBytes(StandardCharsets.UTF_8)); + System.out.println("Written file using NIO"); + + // NIO读取文件 + byte[] bytes = Files.readAllBytes(path); + String result = new String(bytes, StandardCharsets.UTF_8); + System.out.println("Read content: " + result); + + // NIO按行读取 + System.out.println("Reading lines with NIO:"); + List lines = Files.readAllLines(path, StandardCharsets.UTF_8); + for (int i = 0; i < lines.size(); i++) { + System.out.println("Line " + (i + 1) + ": " + lines.get(i)); + } + + // Channel和Buffer示例 + demonstrateChannelAndBuffer(path); + + // 清理文件 + Files.deleteIfExists(path); + } + + // Channel和Buffer演示 + public static void demonstrateChannelAndBuffer(Path path) throws IOException { + System.out.println("\n--- Channel and Buffer Demo ---"); + + // 使用Channel写入 + try (FileChannel channel = FileChannel.open(path, + StandardOpenOption.CREATE, StandardOpenOption.WRITE)) { + + String data = "Channel Buffer Demo\n通道缓冲区演示"; + ByteBuffer buffer = ByteBuffer.allocate(1024); + buffer.put(data.getBytes(StandardCharsets.UTF_8)); + buffer.flip(); // 切换到读模式 + + while (buffer.hasRemaining()) { + channel.write(buffer); + } + System.out.println("Written using Channel and Buffer"); + } + + // 使用Channel读取 + try (FileChannel channel = FileChannel.open(path, StandardOpenOption.READ)) { + ByteBuffer buffer = ByteBuffer.allocate(1024); + int bytesRead = channel.read(buffer); + buffer.flip(); // 切换到读模式 + + byte[] bytes = new byte[bytesRead]; + buffer.get(bytes); + String result = new String(bytes, StandardCharsets.UTF_8); + System.out.println("Read using Channel: " + result); + } + } + + // 性能对比 + public static void performanceComparison() throws IOException { + System.out.println("\n=== Performance Comparison ==="); + + String testFile = "performance_test.txt"; + int iterations = 10000; + + // 测试无缓冲字节流 + long start = System.currentTimeMillis(); + try (FileOutputStream fos = new FileOutputStream(testFile)) { + for (int i = 0; i < iterations; i++) { + fos.write("Test line\n".getBytes()); + } + } + long unbufferedTime = System.currentTimeMillis() - start; + + // 测试缓冲字节流 + start = System.currentTimeMillis(); + try (BufferedOutputStream bos = new BufferedOutputStream( + new FileOutputStream(testFile + "_buffered"))) { + for (int i = 0; i < iterations; i++) { + bos.write("Test line\n".getBytes()); + } + } + long bufferedTime = System.currentTimeMillis() - start; + + System.out.println("Unbuffered time: " + unbufferedTime + "ms"); + System.out.println("Buffered time: " + bufferedTime + "ms"); + System.out.println("Performance improvement: " + + (unbufferedTime / (double) bufferedTime) + "x"); + + // 清理文件 + new File(testFile).delete(); + new File(testFile + "_buffered").delete(); + } + + // 工具方法 + public static void copyFileUsingByteStream(String source, String dest) throws IOException { + try (FileInputStream fis = new FileInputStream(source); + FileOutputStream fos = new FileOutputStream(dest)) { + + byte[] buffer = new byte[1024]; + int bytesRead; + while ((bytesRead = fis.read(buffer)) != -1) { + fos.write(buffer, 0, bytesRead); + } + System.out.println("File copied successfully"); + } + } + + public static void demonstrateByteBufferedStream(String fileName) throws IOException { + System.out.println("--- Byte Buffered Stream ---"); + + // 读取文件到字节数组 + try (BufferedInputStream bis = new BufferedInputStream( + new FileInputStream(fileName))) { + + byte[] buffer = new byte[1024]; + int bytesRead = bis.read(buffer); + String content = new String(buffer, 0, bytesRead, StandardCharsets.UTF_8); + System.out.println("Buffered byte stream read: " + content.replace("\n", "\\n")); + } + } +} -- 方法1：通过类对象调用newInstance()方法，例如：String.class.newInstance() -- 方法2：通过类对象的getConstructor()或getDeclaredConstructor()方法获得构造器（Constructor）对象并调用其newInstance()方法创建对象，例如：String.class.getConstructor(String.class).newInstance("Hello"); +// IO流的分类和特点 +class IOStreamTypes { + + public static void showStreamHierarchy() { + System.out.println("=== Java IO Stream Hierarchy ==="); + System.out.println("字节流 (Byte Streams):"); + System.out.println("├── InputStream (抽象基类)"); + System.out.println("│ ├── FileInputStream (文件字节输入流)"); + System.out.println("│ ├── BufferedInputStream (缓冲字节输入流)"); + System.out.println("│ ├── DataInputStream (数据字节输入流)"); + System.out.println("│ └── ObjectInputStream (对象字节输入流)"); + System.out.println("└── OutputStream (抽象基类)"); + System.out.println(" ├── FileOutputStream (文件字节输出流)"); + System.out.println(" ├── BufferedOutputStream (缓冲字节输出流)"); + System.out.println(" ├── DataOutputStream (数据字节输出流)"); + System.out.println(" └── ObjectOutputStream (对象字节输出流)"); + + System.out.println("\n字符流 (Character Streams):"); + System.out.println("├── Reader (抽象基类)"); + System.out.println("│ ├── FileReader (文件字符输入流)"); + System.out.println("│ ├── BufferedReader (缓冲字符输入流)"); + System.out.println("│ ├── InputStreamReader (字节到字符转换流)"); + System.out.println("│ └── StringReader (字符串输入流)"); + System.out.println("└── Writer (抽象基类)"); + System.out.println(" ├── FileWriter (文件字符输出流)"); + System.out.println(" ├── BufferedWriter (缓冲字符输出流)"); + System.out.println(" ├── OutputStreamWriter (字符到字节转换流)"); + System.out.println(" └── StringWriter (字符串输出流)"); + } +} +``` +### 🎯 什么是Java序列化？如何实现Java序列化？ + +**📋 标准话术**： + +> "Java序列化是将对象转换为字节流的机制，反序列化是将字节流恢复为对象： +> +> **序列化定义**： +> +> - 将对象的状态信息转换为可以存储或传输的形式的过程 +> - 主要用于对象持久化、网络传输、深拷贝等场景 +> - Java通过ObjectOutputStream和ObjectInputStream实现 +> +> **Serializable接口**： +> +> - 标记接口，没有方法需要实现 +> - 表示该类的对象可以被序列化 +> - 如果父类实现了Serializable，子类自动可序列化 +> - 不实现此接口的类无法序列化，会抛NotSerializableException +> +> **serialVersionUID**： +> +> - 序列化版本号，用于验证序列化对象的兼容性 +> - 如果不显式声明，JVM会自动生成 +> - 类结构改变时，自动生成的UID会变化，导致反序列化失败 +> - 建议显式声明，便于版本控制 +> +> **序列化过程**： +> +> 1. 检查对象是否实现Serializable接口 +> 2. 写入类元数据信息 +> 3. 递归序列化父类信息 +> 4. 写入实例字段数据（transient字段除外） +> +> **注意事项**： +> +> - static字段不会被序列化 +> - transient字段会被忽略 +> - 父类不可序列化时，需要无参构造器 +> - 序列化可能破坏单例模式" + +### 🎯 Serializable接口的作用？transient关键字？ + +**📋 标准话术**： + +> "Serializable接口是Java序列化机制的核心： +> +> **Serializable接口作用**： +> +> - 标记接口，标识类可以被序列化 +> - 启用序列化机制，允许对象转换为字节流 +> - 提供版本控制支持（serialVersionUID） +> - 支持自定义序列化逻辑（writeObject/readObject） +> +> **transient关键字**： +> +> - 修饰字段，表示该字段不参与序列化 +> - 反序列化时，transient字段会被初始化为默认值 +> - 常用于敏感信息（密码）、计算字段、缓存数据 +> - 可以通过自定义序列化方法重新赋值 +> +> **自定义序列化**： +> +> - writeObject()：自定义序列化逻辑 +> - readObject()：自定义反序列化逻辑 +> - writeReplace()：序列化前替换对象 +> - readResolve()：反序列化后替换对象（常用于单例） +> +> 序列化是Java的重要机制，但要注意性能和安全性问题。" + +------ + +## 🔗 七、Java引用类型（Reference Types） + +> **核心思想**：Java提供了四种引用类型来支持不同场景下的内存管理，是垃圾回收和内存优化的重要机制。 + +### 🎯 Java的四种引用类型有哪些？ + +**📋 标准话术**： + +> "Java中有四种引用类型：强引用、软引用、弱引用、虚引用。它们的强度依次递减： +> +> **强引用（Strong Reference）**： +> +> - 最常见的引用类型，如 `Object obj = new Object()` +> - 只要强引用存在，垃圾收集器永远不会回收被引用的对象 +> - 即使内存不足抛出OutOfMemoryError也不会回收 +> - 是造成内存泄漏的主要原因 +> +> **软引用（Soft Reference）**： +> +> - 用于描述有用但非必需的对象 +> - 内存充足时不会被回收，内存不足时会被回收 +> - 适合实现内存敏感的高速缓存 +> - JVM会根据内存使用情况智能回收 +> +> **弱引用（Weak Reference）**： +> +> - 比软引用更弱的引用类型 +> - 无论内存是否充足，下次GC时都会被回收 +> - 适合实现缓存、监听器回调、ThreadLocal等场景 +> - 可以避免循环引用导致的内存泄漏 +> +> **虚引用（Phantom Reference）**： +> +> - 最弱的引用类型，不能通过引用获取对象 +> - 主要用于跟踪对象被垃圾收集的活动 +> - 必须配合ReferenceQueue使用 +> - 适合实现对象销毁的监控和清理工作 +> +**💻 代码示例**： +```java +import java.lang.ref.*; +import java.util.*; +import java.util.concurrent.ConcurrentHashMap; + +public class ReferenceTypesDemo { + + public static void main(String[] args) throws InterruptedException { + // 1. 强引用演示 + demonstrateStrongReference(); + + // 2. 软引用演示 + demonstrateSoftReference(); + + // 3. 弱引用演示 + demonstrateWeakReference(); + + // 4. 虚引用演示 + demonstratePhantomReference(); + + // 5. 实际应用场景 + demonstrateRealWorldUsage(); + } + + // 强引用演示 + public static void demonstrateStrongReference() { + System.out.println("=== 强引用演示 ==="); + + // 创建强引用 + String strongRef = new String("Strong Reference Example"); + System.out.println("Strong reference created: " + strongRef); + + // 即使显式调用GC，强引用也不会被回收 + System.gc(); + System.out.println("After GC, strong reference still exists: " + strongRef); + + // 只有将引用设为null，对象才可能被回收 + strongRef = null; + System.gc(); + System.out.println("Strong reference set to null, object can be collected"); + } + + // 软引用演示 + public static void demonstrateSoftReference() { + System.out.println("\n=== 软引用演示 ==="); + + // 创建一个大对象 + byte[] largeObject = new byte[1024 * 1024]; // 1MB + SoftReference softRef = new SoftReference<>(largeObject); + + // 清除强引用 + largeObject = null; + + System.out.println("Soft reference created"); + System.out.println("Object accessible via soft reference: " + + (softRef.get() != null ? "Yes" : "No")); + + // 内存充足时，软引用不会被回收 + System.gc(); + System.out.println("After GC (memory sufficient): " + + (softRef.get() != null ? "Still alive" : "Collected")); + } + + // 弱引用演示 + public static void demonstrateWeakReference() { + System.out.println("\n=== 弱引用演示 ==="); + + String original = new String("Weak Reference Example"); + WeakReference weakRef = new WeakReference<>(original); + + System.out.println("Weak reference created"); + System.out.println("Object accessible: " + weakRef.get()); + + // 清除强引用 + original = null; + + System.out.println("Strong reference cleared"); + System.out.println("Before GC: " + weakRef.get()); + + // 弱引用在下次GC时会被回收 + System.gc(); + Thread.yield(); // 让GC有时间执行 + + System.out.println("After GC: " + (weakRef.get() != null ? weakRef.get() : "Collected")); + + // WeakHashMap演示 + demonstrateWeakHashMap(); + } + + // WeakHashMap演示 + public static void demonstrateWeakHashMap() { + System.out.println("\n--- WeakHashMap演示 ---"); + + WeakHashMap weakMap = new WeakHashMap<>(); + Map normalMap = new HashMap<>(); + + UniqueKey key1 = new UniqueKey("key1"); + UniqueKey key2 = new UniqueKey("key2"); + + weakMap.put(key1, "value1"); + weakMap.put(key2, "value2"); + normalMap.put(key1, "value1"); + normalMap.put(key2, "value2"); + + System.out.println("Initial size - WeakHashMap: " + weakMap.size() + + ", HashMap: " + normalMap.size()); + + // 清除一个key的强引用 + key1 = null; + + System.gc(); + Thread.yield(); + + System.out.println("After GC - WeakHashMap: " + weakMap.size() + + ", HashMap: " + normalMap.size()); + System.out.println("WeakHashMap自动清理了无强引用的key"); + } + + // 虚引用演示 + public static void demonstratePhantomReference() { + System.out.println("\n=== 虚引用演示 ==="); + + ReferenceQueue queue = new ReferenceQueue<>(); + Object obj = new Object(); + PhantomReference phantomRef = new PhantomReference<>(obj, queue); + + System.out.println("Phantom reference created"); + System.out.println("Can get object from phantom reference: " + phantomRef.get()); // 总是null + + obj = null; // 清除强引用 + + System.gc(); + Thread.yield(); + + // 检查ReferenceQueue中是否有被回收的对象通知 + Reference removedRef = queue.poll(); + System.out.println("Object collected notification: " + + (removedRef != null ? "Received" : "Not received")); + + if (removedRef != null) { + System.out.println("Phantom reference equals removed reference: " + + (removedRef == phantomRef)); + } + } + + // 实际应用场景演示 + public static void demonstrateRealWorldUsage() { + System.out.println("\n=== 实际应用场景 ==="); + + // 1. 软引用用于缓存 + ImageCache cache = new ImageCache(); + cache.putImage("image1", new byte[1024]); + cache.putImage("image2", new byte[2048]); + + System.out.println("Cache size: " + cache.size()); + + // 2. 弱引用用于监听器 + EventPublisher publisher = new EventPublisher(); + EventListener listener1 = new EventListener("Listener1"); + EventListener listener2 = new EventListener("Listener2"); + + publisher.addListener(listener1); + publisher.addListener(listener2); + + System.out.println("Active listeners: " + publisher.getListenerCount()); + + listener1 = null; // 清除强引用 + System.gc(); + Thread.yield(); + + publisher.cleanupListeners(); // 清理无效监听器 + System.out.println("After cleanup: " + publisher.getListenerCount()); + + // 3. ThreadLocal内部使用弱引用 + demonstrateThreadLocalWeakReference(); + } + + // ThreadLocal弱引用演示 + public static void demonstrateThreadLocalWeakReference() { + System.out.println("\n--- ThreadLocal弱引用机制 ---"); + + ThreadLocal threadLocal1 = new ThreadLocal<>(); + ThreadLocal threadLocal2 = new ThreadLocal<>(); + + threadLocal1.set("Value1"); + threadLocal2.set("Value2"); + + System.out.println("ThreadLocal values set"); + System.out.println("Value1: " + threadLocal1.get()); + System.out.println("Value2: " + threadLocal2.get()); + + // ThreadLocal对象设为null，但WeakReference仍可能存在于ThreadLocalMap中 + threadLocal1 = null; + + System.gc(); + Thread.yield(); + + System.out.println("threadLocal1 set to null"); + System.out.println("Value2 still accessible: " + threadLocal2.get()); + + // 手动清理ThreadLocal（最佳实践） + threadLocal2.remove(); + System.out.println("threadLocal2 manually removed"); + } +} -### break ,continue ,return 的区别及作用 +// 自定义Key类用于WeakHashMap演示 +class UniqueKey { + private String name; + + public UniqueKey(String name) { + this.name = name; + } + + @Override + public boolean equals(Object obj) { + if (this == obj) return true; + if (obj == null || getClass() != obj.getClass()) return false; + UniqueKey key = (UniqueKey) obj; + return Objects.equals(name, key.name); + } + + @Override + public int hashCode() { + return Objects.hash(name); + } + + @Override + public String toString() { + return "UniqueKey{name='" + name + "'}"; + } +} -break 跳出总上一层循环，不再执行循环(结束当前的循环体) +// 软引用缓存实现 +class ImageCache { + private Map> cache = new ConcurrentHashMap<>(); + + public void putImage(String key, byte[] imageData) { + cache.put(key, new SoftReference<>(imageData)); + } + + public byte[] getImage(String key) { + SoftReference ref = cache.get(key); + if (ref != null) { + byte[] data = ref.get(); + if (data == null) { + cache.remove(key); // 清理已被回收的条目 + } + return data; + } + return null; + } + + public int size() { + // 清理已被回收的条目 + cache.entrySet().removeIf(entry -> entry.getValue().get() == null); + return cache.size(); + } +} -continue 跳出本次循环，继续执行下次循环(结束正在执行的循环 进入下一个循环条件) +// 弱引用监听器实现 +class EventPublisher { + private List> listeners = new ArrayList<>(); + + public void addListener(EventListener listener) { + listeners.add(new WeakReference<>(listener)); + } + + public void removeListener(EventListener listener) { + listeners.removeIf(ref -> { + EventListener l = ref.get(); + return l == null || l == listener; + }); + } + + public void cleanupListeners() { + listeners.removeIf(ref -> ref.get() == null); + } + + public int getListenerCount() { + cleanupListeners(); + return listeners.size(); + } + + public void fireEvent(String event) { + List> toRemove = new ArrayList<>(); + + for (WeakReference ref : listeners) { + EventListener listener = ref.get(); + if (listener != null) { + listener.onEvent(event); + } else { + toRemove.add(ref); + } + } + + listeners.removeAll(toRemove); + } +} -return 程序返回，不再执行下面的代码(结束当前的方法 直接返回) +class EventListener { + private String name; + + public EventListener(String name) { + this.name = name; + } + + public void onEvent(String event) { + System.out.println(name + " received event: " + event); + } + + @Override + public String toString() { + return name; + } +} +/* + * Java引用类型总结： + * + * ┌─────────────┬─────────────┬─────────────┬─────────────┐ + * │ 引用类型 │ GC行为 │ 获取对象 │ 应用场景 │ + * ├─────────────┼─────────────┼─────────────┼─────────────┤ + * │ 强引用 │ 永不回收 │ 直接 │ 常规对象 │ + * │ 软引用 │ 内存不足回收│ get()方法 │ 内存缓存 │ + * │ 弱引用 │ 下次GC回收│ get()方法 │ 缓存/监听器 │ + * │ 虚引用 │ 回收时通知 │ 总是null │ 清理监控 │ + * └─────────────┴─────────────┴─────────────┴─────────────┘ + * + * 最佳实践： + * 1. 默认使用强引用，满足大部分需求 + * 2. 软引用适合实现内存敏感的缓存 + * 3. 弱引用避免循环引用，实现观察者模式 + * 4. 虚引用配合ReferenceQueue进行资源清理 + * 5. ThreadLocal使用完毕后及时remove() + * 6. WeakHashMap适合实现规范化映射 + */ +``` +**💻 ThreadLocal源码分析**： -### hashCode 与 equals (重要) +```java +// ThreadLocal内部源码分析 +public class ThreadLocalAnalysis { + + // 模拟ThreadLocal内部实现 + static class ThreadLocalMap { + + // 核心：Entry继承WeakReference，key是弱引用 + static class Entry extends WeakReference> { + Object value; + + Entry(ThreadLocal k, Object v) { + super(k); // key作为弱引用传给父类 + value = v; + } + } + + private Entry[] table; + + // 设置值时的清理逻辑 + private void set(ThreadLocal key, Object value) { + Entry[] tab = table; + int len = tab.length; + int i = key.threadLocalHashCode & (len-1); + + for (Entry e = tab[i]; e != null; e = tab[i = nextIndex(i, len)]) { + ThreadLocal k = e.get(); // 弱引用获取key + + if (k == key) { + e.value = value; + return; + } + + if (k == null) { + // key被回收了，替换陈旧的entry + replaceStaleEntry(key, value, i); + return; + } + } + + tab[i] = new Entry(key, value); + } + + // 清理陈旧entry的逻辑 + private void replaceStaleEntry(ThreadLocal key, Object value, int staleSlot) { + // 清理key为null的entry，防止value内存泄漏 + // ... 复杂的清理逻辑 + } + + private int nextIndex(int i, int len) { + return ((i + 1 < len) ? i + 1 : 0); + } + } + + // 演示ThreadLocal内存泄漏场景 + public static void demonstrateMemoryLeak() { + System.out.println("=== ThreadLocal内存泄漏演示 ==="); + + // 错误使用方式：不调用remove() + class BadThreadLocalUsage { + private ThreadLocal threadLocal = new ThreadLocal<>(); + + public void doWork() { + // 存储大对象 + threadLocal.set(new byte[1024 * 1024]); // 1MB + + // 业务逻辑... + + // 错误：没有调用remove()，在线程池环境中会内存泄漏 + } + } + + // 正确使用方式：及时清理 + class GoodThreadLocalUsage { + private ThreadLocal threadLocal = new ThreadLocal<>(); + + public void doWork() { + try { + // 存储大对象 + threadLocal.set(new byte[1024 * 1024]); + + // 业务逻辑... + + } finally { + // 正确：及时清理，防止内存泄漏 + threadLocal.remove(); + } + } + } + + System.out.println("ThreadLocal最佳实践：使用后及时remove()"); + } + + // 演示弱引用的自动清理效果 + public static void demonstrateWeakReferenceCleanup() { + System.out.println("\n=== 弱引用自动清理演示 ==="); + + ThreadLocal tl = new ThreadLocal<>(); + tl.set("test value"); + + System.out.println("ThreadLocal value: " + tl.get()); + + // 清除ThreadLocal的强引用 + tl = null; + + System.gc(); + Thread.yield(); + + System.out.println("ThreadLocal对象已被回收，key变为null"); + System.out.println("但value可能仍在ThreadLocalMap中，需要后续访问时清理"); + } +} +``` -HashSet如何检查重复 +**💻 ReferenceQueue使用示例**： -两个对象的 hashCode() 相同，则 equals() 也一定为 true，对吗？ +```java +// ReferenceQueue应用示例 +public class ReferenceQueueExample { + + private static ReferenceQueue queue = new ReferenceQueue<>(); + private static Map, String> cleanupTasks = new ConcurrentHashMap<>(); + + public static void main(String[] args) throws InterruptedException { + // 启动清理线程 + startCleanupThread(); + + // 创建需要清理的资源 + createResourceWithCleanup("Resource1"); + createResourceWithCleanup("Resource2"); + + // 触发GC + System.gc(); + Thread.sleep(1000); + + System.out.println("创建更多资源..."); + createResourceWithCleanup("Resource3"); + + System.gc(); + Thread.sleep(2000); + + System.out.println("程序结束"); + } + + private static void createResourceWithCleanup(String resourceName) { + // 模拟需要清理的资源 + Object resource = new Object() { + @Override + public String toString() { + return resourceName; + } + }; + + // 创建虚引用监控对象回收 + PhantomReference phantomRef = new PhantomReference<>(resource, queue); + cleanupTasks.put(phantomRef, resourceName + " cleanup task"); + + System.out.println("创建资源: " + resourceName); + + // 清除强引用，使对象可被回收 + resource = null; + } + + private static void startCleanupThread() { + Thread cleanupThread = new Thread(() -> { + try { + while (true) { + // 阻塞等待被回收的引用 + Reference ref = queue.remove(); + + // 执行清理任务 + String task = cleanupTasks.remove(ref); + if (task != null) { + System.out.println("执行清理任务: " + task); + // 这里可以执行实际的资源清理逻辑 + // 比如关闭文件、释放网络连接等 + } + } + } catch (InterruptedException e) { + System.out.println("清理线程被中断"); + Thread.currentThread().interrupt(); + } + }); + + cleanupThread.setDaemon(true); + cleanupThread.start(); + System.out.println("清理线程已启动"); + } +} +``` -hashCode和equals方法的关系 +### 🎯 引用类型在实际项目中的最佳实践 -面试官可能会问你：“你重写过 hashcode 和 equals 么，为什么重写equals时必须重写hashCode方法？” +**项目实战经验分享**： -**hashCode()介绍** +1. **图片缓存系统**： +```java +public class ImageCache { + private final Map> cache = new ConcurrentHashMap<>(); + + public BufferedImage getImage(String url) { + SoftReference ref = cache.get(url); + BufferedImage image = (ref != null) ? ref.get() : null; + + if (image == null) { + image = loadImageFromUrl(url); + cache.put(url, new SoftReference<>(image)); + } + return image; + } +} +``` -hashCode() 的作用是获取哈希码，也称为散列码；它实际上是返回一个int整数。这个哈希码的作用是确定该对象在哈希表中的索引位置。hashCode() 定义在JDK的Object.java中，这就意味着Java中的任何类都包含有hashCode()函数。 +2. **监听器管理**： +```java +public class EventManager { + private final List> listeners = new ArrayList<>(); + + public void addEventListener(EventListener listener) { + listeners.add(new WeakReference<>(listener)); + } + + public void fireEvent(Event event) { + listeners.removeIf(ref -> { + EventListener listener = ref.get(); + if (listener != null) { + listener.onEvent(event); + return false; + } + return true; // 移除失效的监听器 + }); + } +} +``` -散列表存储的是键值对(key-value)，它的特点是：能根据“键”快速的检索出对应的“值”。这其中就利用到了散列码！（可以快速找到所需要的对象） +3. **ThreadLocal最佳实践**： +```java +public class UserContextHolder { + private static final ThreadLocal CONTEXT = new ThreadLocal<>(); + + public static void setUser(UserContext user) { + CONTEXT.set(user); + } + + public static UserContext getUser() { + return CONTEXT.get(); + } + + public static void clear() { + CONTEXT.remove(); // 关键：及时清理 + } +} +``` -**为什么要有 hashCode** +这些引用类型是Java内存管理的精髓，掌握它们对于写出高性能、低内存占用的Java程序至关重要。 + +### 🎯 弱引用了解吗？举例说明在哪里可以用？ + +**📋 面试标准回答**： + +> "弱引用我非常了解，它是Java中一种特殊的引用类型，主要有以下特点和应用： +> +> **弱引用的特点**： +> +> - 不影响对象的生命周期，下次GC时无条件回收 +> - 通过WeakReference.get()方法访问对象，可能返回null +> - 可以配合ReferenceQueue监控对象回收 +> +> **典型应用场景**： +> +> 1. **WeakHashMap**：实现规范化映射，key被回收时自动清理entry +> 2. **ThreadLocal内部实现**：ThreadLocalMap的key使用弱引用，避免内存泄漏 +> 3. **观察者模式**：监听器使用弱引用，防止监听器无法被GC +> 4. **缓存实现**：临时缓存，内存紧张时自动清理 +> 5. **避免循环引用**：父子组件相互引用时，子组件持有父组件的弱引用 +> +> **实际项目中的使用**： +> +> - GUI应用中，组件对监听器的引用 +> - 缓存框架中的临时缓存实现 +> - 对象池中对象的生命周期管理 +> - 防止Handler导致的Activity内存泄漏（Android开发） +> +> 弱引用是解决内存泄漏问题的重要工具，合理使用可以让程序更加健壮。" + +### 🎯 ThreadLocal为什么要使用弱引用？ + +**📋 标准话术**： + +> "ThreadLocal使用弱引用是为了防止内存泄漏，具体原理如下： +> +> **ThreadLocal的内部结构**： +> +> - 每个Thread都有一个ThreadLocalMap +> - ThreadLocalMap的key是ThreadLocal对象的弱引用 +> - value是实际存储的值 +> +> **为什么使用弱引用**： +> +> 1. **防止ThreadLocal对象无法回收**：如果key是强引用，即使ThreadLocal对象不再被使用，由于ThreadLocalMap持有强引用，ThreadLocal对象无法被GC +> +> 2. **自动清理机制**：当ThreadLocal对象被回收后，key变为null，ThreadLocalMap可以识别并清理这些陈旧的entry +> +> 3. **线程长期存活的场景**：在线程池环境中，线程长期存活，如果不清理无用的ThreadLocal，会造成内存泄漏 +> +> **潜在问题**： +> +> - 即使key被回收，value依然存在，仍可能内存泄漏 +> - 最佳实践是使用完ThreadLocal后调用remove()方法 +> +> 这种设计是权衡之后的最优解决方案。" + +### 🎯 什么时候使用软引用？什么时候使用弱引用？ + +**📋 标准话术**： + +> "软引用和弱引用的选择主要基于回收时机和应用场景： +> +> **使用软引用的场景**： +> +> 1. **内存敏感的缓存**：图片缓存、数据缓存等，内存充足时保留，不足时回收 +> 2. **可重建的昂贵对象**：计算结果缓存、编译后的正则表达式等 +> 3. **大对象的临时存储**：文件内容缓存、网络响应缓存 +> 4. **实现LRU之外的缓存策略**：基于内存压力的智能缓存 +> +> **使用弱引用的场景**： +> +> 1. **避免循环引用**：父子组件、观察者模式 +> 2. **监听器管理**：事件监听器、回调函数 +> 3. **实现规范化映射**：WeakHashMap、对象池 +> 4. **线程本地存储**：ThreadLocal的内部实现 +> 5. **临时关联关系**：对象间的弱关联 +> +> **选择原则**： +> +> - 需要内存管理策略时选择软引用 +> - 需要避免强引用导致的问题时选择弱引用 +> - 软引用适合'有用但非必需'的对象 +> - 弱引用适合'引用但不拥有'的关系 +> +> 实际开发中，软引用用于缓存，弱引用用于解耦。" + +### 🎯 ReferenceQueue的作用是什么？ + +**📋 标准话术**： + +> "ReferenceQueue是Java引用类型的监控机制，主要作用： +> +> **核心功能**： +> +> - 当引用的对象被GC回收时，引用对象会被加入到关联的ReferenceQueue中 +> - 提供了一种异步通知机制，让程序知道对象何时被回收 +> - 只有弱引用、软引用、虚引用可以与ReferenceQueue关联 +> +> **典型应用场景**： +> +> 1. **资源清理**：文件句柄、网络连接等需要显式关闭的资源 +> 2. **缓存管理**：监控缓存对象的回收，及时清理相关元数据 +> 3. **内存监控**：统计对象的生命周期，进行性能分析 +> 4. **堆外内存管理**：DirectByteBuffer的清理机制 +> +> **使用模式**： +> +> - 创建引用时关联ReferenceQueue +> - 后台线程轮询队列，处理被回收的引用 +> - 执行清理逻辑，释放相关资源 +> +> 这种机制让Java可以实现类似C++析构函数的功能。" + +--- + +## 🆕 九、Java新特性（Modern Java） + +> **核心思想**：Java 8引入了函数式编程特性，后续版本持续演进，提供了更简洁、高效的编程方式。 + +### 🎯 final、finally、finalize的区别？ + +**📋 标准话术**： + +> "final、finally、finalize是Java中三个容易混淆的关键字，它们有完全不同的用途： +> +> **final关键字**： +> +> - 修饰符，用于限制继承、重写和重新赋值 +> - 修饰类：类不能被继承（如String、Integer） +> - 修饰方法：方法不能被重写 +> - 修饰变量：变量不能被重新赋值（常量） +> - 修饰参数：参数在方法内不能被修改 +> +> **finally语句块**： +> +> - 异常处理机制的一部分，与try-catch配合使用 +> - 无论是否发生异常都会执行（除非JVM退出） +> - 常用于资源清理（关闭文件、数据库连接等） +> - 执行优先级高于try-catch中的return语句 +> +> **finalize()方法**： +> +> - Object类的一个方法，用于垃圾回收前的清理工作 +> - 由垃圾收集器调用，不保证何时调用 +> - Java 9后已标记为过时，不推荐使用 +> - 应该使用try-with-resources或AutoCloseable替代 +> +> 记忆口诀：final限制，finally保证，finalize清理。" + +**💻 代码示例**： -**我们以“HashSet 如何检查重复”为例子来说明为什么要有 hashCode**： +```java +public class FinalFinallyFinalizeDemo { + + public static void main(String[] args) { + // 1. final演示 + final int CONSTANT = 100; // 常量不可变 + // CONSTANT = 200; // 编译错误 + + final List list = new ArrayList<>(); + list.add("Hello"); // 引用不变，内容可变 + // list = new ArrayList<>(); // 编译错误 + + // 2. finally演示 + try { + System.out.println("try执行"); + return; // 即使return，finally也执行 + } finally { + System.out.println("finally执行"); // 必定执行 + } + + // 3. finalize演示（已过时） + MyResource resource = new MyResource(); + resource = null; + System.gc(); // 建议GC，finalize可能被调用 + + // 4. 推荐替代方案：try-with-resources + try (AutoCloseable res = new MyAutoCloseable()) { + // 使用资源 + } catch (Exception e) { + e.printStackTrace(); + } // 自动关闭，无需finally + } +} -当你把对象加入 HashSet 时，HashSet 会先计算对象的 hashcode 值来判断对象加入的位置，同时也会与其他已经加入的对象的 hashcode 值作比较，如果没有相符的hashcode，HashSet会假设对象没有重复出现。但是如果发现有相同 hashcode 值的对象，这时会调用 equals()方法来检查 hashcode 相等的对象是否真的相同。如果两者相同，HashSet 就不会让其加入操作成功。如果不同的话，就会重新散列到其他位置。（摘自我的Java启蒙书《Head first java》第二版）。这样我们就大大减少了 equals 的次数，相应就大大提高了执行速度。 +// final类：不能被继承 +final class ImmutableClass { + public final void finalMethod() { // final方法：不能重写 + System.out.println("不可重写的方法"); + } +} -**hashCode()与equals()的相关规定** +// finalize示例（不推荐） +class MyResource { + @Override + protected void finalize() throws Throwable { + System.out.println("finalize被调用"); + super.finalize(); + } +} -如果两个对象相等，则hashcode一定也是相同的 +// 推荐的资源管理方式 +class MyAutoCloseable implements AutoCloseable { + @Override + public void close() throws Exception { + System.out.println("资源已关闭"); + } +} -两个对象相等，对两个对象分别调用equals方法都返回true +/* + * final、finally、finalize对比总结： + * + * ┌──────────┬─────────────┬─────────────┬─────────────┬─────────────┐ + * │ 特性 │ 类型 │ 用途 │ 执行时机 │ 推荐程度 │ + * ├──────────┼─────────────┼─────────────┼─────────────┼─────────────┤ + * │ final │ 关键字 │ 限制修饰 │ 编译时 │ 强烈推荐 │ + * │ finally │ 语句块 │ 异常处理/清理│ 运行时 │ 推荐使用 │ + * │finalize │ 方法 │ 垃圾回收 │ GC时(不确定) │ 已弃用 │ + * └──────────┴─────────────┴─────────────┴─────────────┴─────────────┘ + * + * 使用场景： + * - final: 不可变设计、常量定义、防止继承/重写 + * - finally: 资源清理、确保执行的代码 + * - finalize: 已弃用，使用AutoCloseable + try-with-resources + * + * 最佳实践： + * 1. 大量使用final提高代码安全性 + * 2. 用finally确保关键代码执行 + * 3. 避免finalize，改用AutoCloseable + * 4. 利用try-with-resources自动资源管理 + */ +``` -两个对象有相同的hashcode值，它们也不一定是相等的 +### 🎯 Lambda表达式中使用外部变量，为什么要final？ + +**📋 标准话术**： + +> "Lambda表达式中使用外部变量必须是final或effectively final，这是由Java的实现机制决定的： +> +> **为什么需要final**： +> +> - Lambda表达式本质上是匿名内部类的语法糖 +> - 内部类访问外部变量时，实际是复制了变量的值 +> - 如果允许修改，会导致内外部变量值不一致的问题 +> - final保证了变量的一致性和线程安全 +> +> **effectively final**： +> +> - 变量没有被显式声明为final，但事实上没有被修改 +> - 编译器会自动识别这种情况 +> - 这种变量也可以在Lambda中使用 +> +> **解决方案**： +> +> - 使用数组或包装类来绕过限制 +> - 使用AtomicInteger等原子类 +> - 将变量提升为实例变量或静态变量 +> +> 这个限制确保了Lambda表达式的安全性和一致性。" + +### 🎯 Lambda表达式是什么？有什么优势？ + +> "Lambda表达式是Java 8引入的重要特性，实现了函数式编程： +> +> **Lambda表达式**： +> +> - 本质是匿名函数，可以作为参数传递 +> - 语法：(参数) -> {方法体} +> - 简化了匿名内部类的书写 +> - 只能用于函数式接口（有且仅有一个抽象方法的接口） +> +> **Stream API**： +> +> - 提供了声明式的数据处理方式 +> - 支持链式调用，代码更简洁 +> - 内置并行处理能力 +> - 常用操作：filter、map、reduce、collect等 +> +> **Optional类**： +> +> - 解决空指针异常问题 +> - 明确表示可能为空的值 +> - 提供函数式风格的空值处理 +> +> **函数式接口**： +> +> - @FunctionalInterface注解标记 +> - 内置接口：Predicate、Function、Consumer、Supplier等 +> - 支持方法引用语法 +> +> 优势：代码更简洁、可读性更强、支持并行处理、函数式编程风格。" + +**💻 代码示例**： -**因此，equals 方法被覆盖过，则 hashCode 方法也必须被覆盖** +```java +import java.util.*; +import java.util.function.*; +import java.util.stream.*; + +public class Java8FeaturesDemo { + + public static void main(String[] args) { + // 1. Lambda表达式：简化匿名内部类 + List names = Arrays.asList("Alice", "Bob", "Charlie"); + names.sort((a, b) -> a.length() - b.length()); // 按长度排序 + + // 2. Stream API：函数式数据处理 + List numbers = Arrays.asList(1, 2, 3, 4, 5); + List result = numbers.stream() + .filter(n -> n % 2 == 0) // 筛选偶数 + .map(n -> n * n) // 平方 + .collect(Collectors.toList()); // [4, 16] + + // 3. Optional：避免空指针 + Optional optional = Optional.ofNullable("Hello"); + optional.ifPresent(System.out::println); // 有值时执行 + String value = optional.orElse("Default"); // 无值时默认值 + + // 4. 函数式接口：四大核心接口 + Predicate isEven = n -> n % 2 == 0; // 断言 + Function getLength = String::length; // 函数 + Consumer print = System.out::println; // 消费者 + Supplier random = Math::random; // 供应者 + + // 5. 方法引用：四种形式 + names.forEach(System.out::println); // 静态方法引用 + names.stream().map(String::length); // 实例方法引用 + names.stream().map(String::new); // 构造器引用 + names.stream().filter(String::isEmpty); // 任意对象方法引用 + } +} -hashCode() 的默认行为是对堆上的对象产生独特值。如果没有重写 hashCode()，则该 class 的两个对象无论如何都不会相等（即使这两个对象指向相同的数据） +/* + * Java 8核心特性总结： + * + * 1. Lambda表达式：(参数) -> 表达式 + * 2. Stream API：数据处理管道 + * 3. Optional：空值安全 + * 4. 函数式接口：@FunctionalInterface + * 5. 方法引用：类::方法 + */ +``` -### 为什么重写了equals()，还要重写hashCode()？ +### 🎯 有用过JDK17吗，有什么新特性？ -hashCode 方法用于散列集合的查找，equals 方法用于判断两个对象是否相等。 +JDK 17 是 Java 的长期支持版本（LTS），发布于 2021 年，带来了许多新特性和改进，以下是一些重要的更新： -为什么重写了 equals 方法，还要重写 hashCode 方法？ -因为如果只重写了 equals 方法，两个对象 equals 返回了true，但是如果没有重写 hashCode 方法，集合还是会插入元素。这样集合中就出现了重复元素了。 +1. **Sealed Classes（封闭类）** +JDK 17 引入了封闭类（Sealed Classes），它允许你限制哪些类可以继承或实现一个特定的类或接口。通过这种方式，开发者可以更好地控制继承结构。封闭类通过 `permits` 关键字指定哪些类可以继承。 +```java +public abstract sealed class Shape permits Circle, Rectangle { +} +``` -### BIO,NIO,AIO 有什么区别? +2. **Pattern Matching for Switch (预览)** -简答 +在 JDK 17 中，switch 语句的模式匹配功能被引入（作为预览功能）。这使得 switch 语句不仅可以根据值进行匹配，还可以根据类型进行匹配。以前的 switch 仅支持基本类型或枚举，而新特性扩展了其灵活性。 -- BIO：Block IO 同步阻塞式 IO，就是我们平常使用的传统 IO，它的特点是模式简单使用方便，并发处理能力低。 -- NIO：Non IO 同步非阻塞 IO，是传统 IO 的升级，客户端和服务器端通过 Channel（通道）通讯，实现了多路复用。 -- AIO：Asynchronous IO 是 NIO 的升级，也叫 NIO2，实现了异步非堵塞 IO ，异步 IO 的操作基于事件和回调机制。 +```java +static String formatterPatternSwitch(Object obj) { + return switch (obj) { + case Integer i -> String.format("int %d", i); + case Long l -> String.format("long %d", l); + case String s -> String.format("String %s", s); + default -> obj.toString(); + }; +} +``` -详细回答 +3. **Records（记录类型）增强** -- **BIO (Blocking I/O):** 同步阻塞I/O模式，数据的读取写入必须阻塞在一个线程内等待其完成。在活动连接数不是特别高（小于单机1000）的情况下，这种模型是比较不错的，可以让每一个连接专注于自己的 I/O 并且编程模型简单，也不用过多考虑系统的过载、限流等问题。线程池本身就是一个天然的漏斗，可以缓冲一些系统处理不了的连接或请求。但是，当面对十万甚至百万级连接的时候，传统的 BIO 模型是无能为力的。因此，我们需要一种更高效的 I/O 处理模型来应对更高的并发量。 -- **NIO (New I/O):** NIO是一种同步非阻塞的I/O模型，在Java 1.4 中引入了NIO框架，对应 java.nio 包，提供了 Channel , Selector，Buffer等抽象。NIO中的N可以理解为Non-blocking，不单纯是New。它支持面向缓冲的，基于通道的I/O操作方法。 NIO提供了与传统BIO模型中的 `Socket` 和 `ServerSocket` 相对应的 `SocketChannel` 和 `ServerSocketChannel` 两种不同的套接字通道实现,两种通道都支持阻塞和非阻塞两种模式。阻塞模式使用就像传统中的支持一样，比较简单，但是性能和可靠性都不好；非阻塞模式正好与之相反。对于低负载、低并发的应用程序，可以使用同步阻塞I/O来提升开发速率和更好的维护性；对于高负载、高并发的（网络）应用，应使用 NIO 的非阻塞模式来开发 -- **AIO (Asynchronous I/O):** AIO 也就是 NIO 2。在 Java 7 中引入了 NIO 的改进版 NIO 2,它是异步非阻塞的IO模型。异步 IO 是基于事件和回调机制实现的，也就是应用操作之后会直接返回，不会堵塞在那里，当后台处理完成，操作系统会通知相应的线程进行后续的操作。AIO 是异步IO的缩写，虽然 NIO 在网络操作中，提供了非阻塞的方法，但是 NIO 的 IO 行为还是同步的。对于 NIO 来说，我们的业务线程是在 IO 操作准备好时，得到通知，接着就由这个线程自行进行 IO 操作，IO操作本身是同步的。查阅网上相关资料，我发现就目前来说 AIO 的应用还不是很广泛，Netty 之前也尝试使用过 AIO，不过又放弃了。 +Records 是 JDK 16 引入的特性，但在 JDK 17 中得到了进一步增强。Records 提供了一种简洁的方式来创建不可变的数据类，它自动生成构造函数、`equals()`、`hashCode()` 和 `toString()` 方法。 +```java +public record Point(int x, int y) {} +``` +4. **强封装的 Java 内部 API** -## 反射 +JDK 17 强化了对 Java 内部 API 的封装，默认情况下不再允许非公共 API 访问其他模块的内部 API。通过此特性，Java 模块化变得更加安全，防止非预期的依赖。 -### 什么是反射机制？ +5. **Foreign Function & Memory API (外部函数和内存 API)** -JAVA反射机制是在运行状态中，对于任意一个类，都能够知道这个类的所有属性和方法；对于任意一个对象，都能够调用它的任意一个方法和属性；这种动态获取的信息以及动态调用对象的方法的功能称为java语言的反射机制。 +JDK 17 通过新的外部函数和内存 API 预览功能，允许 Java 程序直接调用非 Java 代码（如本地代码）。这一特性极大增强了与原生系统库的集成能力。 -静态编译和动态编译 +```java +MemorySegment segment = MemorySegment.allocateNative(100); +``` -- **静态编译：**在编译时确定类型，绑定对象 -- **动态编译：**运行时确定类型，绑定对象 +6. **macOS 上的 AArch64 支持** -### 反射机制优缺点 +随着 Apple M1 处理器的推出，JDK 17 为 macOS 引入了对 AArch64 架构的支持。开发者现在可以在 macOS 的 ARM 平台上更高效地运行 Java 程序。 -- **优点：** 运行期类型的判断，动态加载类，提高代码灵活度。 -- **缺点：** 性能瓶颈：反射相当于一系列解释操作，通知 JVM 要做的事情，性能比直接的java代码要慢很多。 +7. **Deprecation for Removal of RMI Activation** -### 反射机制的应用场景有哪些？ +RMI Activation（远程方法调用激活机制）已经被弃用并计划在未来移除。这一功能的移除是因为它在现代分布式系统中较少使用，并且存在更好的替代方案。 -反射是框架设计的灵魂。 +8. **Vector API (预览)** -在我们平时的项目开发过程中，基本上很少会直接使用到反射机制，但这不能说明反射机制没有用，实际上有很多设计、开发都与反射机制有关，例如模块化的开发，通过反射去调用对应的字节码；动态代理设计模式也采用了反射机制，还有我们日常使用的 Spring／Hibernate 等框架也大量使用到了反射机制。 +JDK 17 进一步预览了 Vector API，允许在 Java 中进行向量运算。Vector API 利用 SIMD（单指令多数据）硬件指令，可以实现高性能的数学计算。这对科学计算和机器学习任务尤为重要。 -举例： +```java +VectorSpecies SPECIES = FloatVector.SPECIES_256; +``` -①我们在使用JDBC连接数据库时使用Class.forName()通过反射加载数据库的驱动程序； +9. **简化的强制性 NullPointerException 信息** -②Spring框架也用到很多反射机制，最经典的就是xml的配置模式。Spring 通过 XML 配置模式装载 Bean 的过程： +JDK 17 改进了 `NullPointerException` 的错误信息，帮助开发者更快定位问题。例如，如果你访问空引用对象的字段，JDK 17 会明确指出是哪个字段导致了异常。 -1) 将程序内所有 XML 或 Properties 配置文件加载入内存中; -2) Java类里面解析xml或properties里面的内容，得到对应实体类的字节码字符串以及相关的属性信息; -3) 使用反射机制，根据这个字符串获得某个类的Class实例; -4) 动态配置实例的属性 +10. **默认垃圾回收器 ZGC 和 G1 的改进** -### Java获取反射的三种方法 +JDK 17 对 ZGC（Z Garbage Collector）和 G1 垃圾回收器进行了优化，以进一步降低垃圾收集的延迟，并提高应用程序的整体性能。 -1. 通过new对象实现反射机制 -2. 通过路径实现反射机制 -3. 通过类名实现反射机制 +这些新特性和改进使得 JDK 17 成为一个功能丰富、性能优越的版本，特别适合长期支持和大规模企业级应用。 ```java -public class Student { - private int id; - String name; - protected boolean sex; - public float score; -} -123456 -public class Get { - //获取反射机制三种方式 - public static void main(String[] args) throws ClassNotFoundException { - //方式一(通过建立对象) - Student stu = new Student(); - Class classobj1 = stu.getClass(); - System.out.println(classobj1.getName()); - //方式二（所在通过路径-相对路径） - Class classobj2 = Class.forName("fanshe.Student"); - System.out.println(classobj2.getName()); - //方式三（通过类名） - Class classobj3 = Student.class; - System.out.println(classobj3.getName()); +// JDK17新特性示例 +public class JDK17FeaturesDemo { + + public static void main(String[] args) { + // 1. Switch表达式 + String dayType = switch (5) { + case 1, 7 -> "Weekend"; + case 2, 3, 4, 5, 6 -> "Weekday"; + default -> "Invalid"; + }; + + // 2. Text Blocks：多行字符串 + String json = """ + { + "name": "张三", + "age": 25, + "city": "北京" + } + """; + + // 3. Pattern Matching：模式匹配 + Object obj = "Hello"; + if (obj instanceof String str && str.length() > 3) { + System.out.println("长字符串: " + str.toUpperCase()); + } + + // 4. Records：数据类 + Person person = new Person("李四", 30); + System.out.println(person.name() + " is " + person.age()); + + // 5. Sealed Classes：密封类 + Shape circle = new Circle(5.0); + double area = calculateArea(circle); + } + + // Records自动生成构造器、getter、equals、hashCode、toString + public record Person(String name, int age) {} + + // Sealed Classes：限制继承 + public static sealed interface Shape permits Circle, Rectangle { + double area(); + } + + public static final class Circle implements Shape { + private final double radius; + public Circle(double radius) { this.radius = radius; } + public double area() { return Math.PI * radius * radius; } + } + + public static final class Rectangle implements Shape { + private final double width, height; + public Rectangle(double width, double height) { + this.width = width; this.height = height; + } + public double area() { return width * height; } + } + + // Pattern Matching with Sealed Classes + public static double calculateArea(Shape shape) { + return switch (shape) { + case Circle c -> c.area(); + case Rectangle r -> r.area(); + // 密封类确保覆盖所有情况，无需default + }; } } ``` +--- -### 反射的原理 - -Java反射机制是在运行状态中，对于任意一个类，都能够知道这个类中的所有属性和方法；对于任意一个对象，都能够调用它的任意一个方法和属性；这种动态获取的信息以及动态调用对象的方法的功能称为java语言的反射机制。 - -简单一句话：反射技术可以对类进行解剖。 +## 🏆 面试准备速查表 -反射就是在 Java 类执行过程中的加载步骤中，从 .class 字节码文件中提取出包含 java 类的所有信息，然后将字节码中的方法，变量，构造函数等映射成 相应的 Method、Filed、Constructor 等类，然后进行各种操作 +### 📋 Java基础高频面试题清单 +| **知识点** | **核心问题** | **关键话术** | **代码要点** | +| -------------- | ------------------------------ | -------------------------------- | ------------------------------ | +| **面向对象** | 三大特性、抽象类vs接口、内部类 | 封装继承多态、is-a关系、访问控制 | 继承重写、接口实现、内部类访问 | +| **数据类型** | 基本类型vs包装类、==vs equals | 栈堆存储、自动装箱、缓存机制 | Integer缓存、equals重写 | +| **字符串** | String不可变性、三者区别 | 常量池、性能对比、线程安全 | StringBuilder使用、intern方法 | +| **异常处理** | 异常体系、处理机制、最佳实践 | 检查型vs非检查型、异常链 | try-with-resources、自定义异常 | +| **Java引用类型** | 四种引用类型、弱引用应用场景 | 强软弱虚、内存管理、GC行为 | WeakHashMap、ThreadLocal原理 | +### 🎯 面试回答技巧 -### 注解的原理 +1. **STAR法则**：Situation（背景）→ Task（任务）→ Action（行动）→ Result（结果） +2. **层次递进**：基本概念 → 深入原理 → 实际应用 → 性能优化 +3. **举例说明**：理论结合实际项目经验 +4. **源码引用**：适当提及源码实现，体现深度 -注解的底层也是使用反射实现的，我们可以自定义一个注解来体会下。注解和接口有点类似，不过申明注解类需要加上@interface，注解类里面，只支持基本类型、String及枚举类型，里面所有属性被定义成方法，并允许提供默认值。 +### ⚠️ 常见面试陷阱 -https://blog.csdn.net/yuzongtao/article/details/83306182 +- ⚠️ **概念混淆**：抽象类和接口的选择场景 +- ⚠️ **性能陷阱**：String拼接、装箱拆箱的性能影响 +- ⚠️ **空指针**：equals方法的参数顺序、null处理 +- ⚠️ **异常滥用**：不要用异常控制业务流程 -**注解处理器** -这个是注解使用的核心了，前面我们说了那么多注解相关的，那到底java是如何去处理这些注解的呢 -从getAnnotation进去可以看到java.lang.class实现了**AnnotatedElement**方法 - -```java -MyAnTargetType t = AnnotationTest.class.getAnnotation(MyAnTargetType.class); -``` - -```java -public final class Class implements java.io.Serializable, - GenericDeclaration, - Type, - AnnotatedElement -``` +--- -java.lang.reflect.AnnotatedElement 接口是所有程序元素（Class、Method和Constructor）的父接口，所以程序通过反射获取了某个类的AnnotatedElement对象之后，程序就可以调用该对象的如下四个个方法来访问Annotation信息： +## 🏆 面试准备速查表 -方法1 \ T getAnnotation(Class\ annotationClass):*返回改程序元素上存在的、指定类型的注解，如果该类型注解不存在，则返回null -方法2：Annotation[] getAnnotations(): 返回该程序元素上存在的所有注解 +### 📋 Java基础高频面试题清单 +| **知识点** | **核心问题** | **关键话术** | **代码要点** | +| -------------- | ------------------------------ | -------------------------------- | ------------------------------ | +| **面向对象** | 三大特性、抽象类vs接口、内部类 | 封装继承多态、is-a关系、访问控制 | 继承重写、接口实现、内部类访问 | +| **数据类型** | 基本类型vs包装类、==vs equals | 栈堆存储、自动装箱、缓存机制 | Integer缓存、equals重写 | +| **字符串** | String不可变性、三者区别 | 常量池、性能对比、线程安全 | StringBuilder使用、intern方法 | +| **异常处理** | 异常体系、处理机制、最佳实践 | 检查型vs非检查型、异常链 | try-with-resources、自定义异常 | +| **Java引用类型** | 四种引用类型、弱引用应用场景 | 强软弱虚、内存管理、GC行为 | WeakHashMap、ThreadLocal原理 | +### 🎯 面试回答技巧 -## Java 版本差异 +1. **STAR法则**：Situation（背景）→ Task（任务）→ Action（行动）→ Result（结果） +2. **层次递进**：基本概念 → 深入原理 → 实际应用 → 性能优化 +3. **举例说明**：理论结合实际项目经验 +4. **源码引用**：适当提及源码实现，体现深度 -### lambda 表达式中使用外部变量，为什么要 final？ +### ⚠️ 常见面试陷阱 -我们在 Java 8 之前，匿名类中如果要访问局部变量的话，那个局部变量必须显式的声明为 final +- ⚠️ **概念混淆**：抽象类和接口的选择场景 +- ⚠️ **性能陷阱**：String拼接、装箱拆箱的性能影响 +- ⚠️ **空指针**：equals方法的参数顺序、null处理 +- ⚠️ **异常滥用**：不要用异常控制业务流程 -每个方法在执行的时候都会在线程栈中开辟一块空间创建一个栈帧，方法的执行实际就是栈帧的入栈出栈的过程。栈帧中包含局部变量表，操作数栈，动态连接，方法出口等。外部方法的局部变量（假如有一个局部变量p）就保存在所在栈帧（为了方便叫栈帧A）的局部变量表中，而lambda表达式实际上就是一个匿名内部类的接口实现方法，执行的时候需要在线程栈中创建一个新的栈帧（栈帧B）。不同栈帧之间的局部变量表是独享的，所以栈帧B中的变量p实际上是对外部变量的一个私有拷贝。为了保证程序的正确性就要求这个被应用的局部变量需要定义成final的。假如变量p不要求是final的就会出现栈帧A和栈帧B中该变量值不一样的情况。这就跟我们预期的不一致了。导致程序不正确。 diff --git a/docs/interview/Java-Collections-FAQ.md b/docs/interview/Java-Collections-FAQ.md new file mode 100644 index 0000000000..7c6531e1a5 --- /dev/null +++ b/docs/interview/Java-Collections-FAQ.md @@ -0,0 +1,1238 @@ +--- +title: 「直击面试」—— Java 集合，你肯定也会被问到这些 +date: 2021-05-31 +tags: + - Java + - Interview +categories: Interview + +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +> 文章收录在 GitBook [JavaKeeper](https://github.com/Jstarfish/JavaKeeper) ，N线互联网开发必备技能兵器谱 +> +> 作为一位小菜 "一面面试官"，面试过程中，我肯定会问 Java 集合的内容，同时作为求职者，也肯定会被问到集合，所以整理下 Java 集合面试题 +> +> Java集合框架是Java编程的核心基础，也是面试中出现频率最高的技术点之一。从基础的List、Set、Map到高级的并发集合，从底层数据结构到性能优化，集合框架涵盖了数据结构、算法复杂度、线程安全等多个维度的知识点。掌握集合框架，不仅是Java开发的必备技能，更是解决实际业务问题的重要工具。 + +面向对象语言对事物的体现都是以对象的形式，所以为了方便对多个对象的操作，需要将对象进行存储，集合就是存储对象最常用的一种方式，也叫容器。 + +![img](https://www.runoob.com/wp-content/uploads/2014/01/2243690-9cd9c896e0d512ed.gif) + +从上面的集合框架图可以看到，Java 集合框架主要包括两种类型的容器 + +- 一种是集合（Collection），存储一个元素集合 +- 另一种是图（Map），存储键/值对映射。 + +Collection 接口又有 3 种子类型，List、Set 和 Queue，再下面是一些抽象类，最后是具体实现类，常用的有 ArrayList、LinkedList、HashSet、LinkedHashSet、HashMap、LinkedHashMap 等等。 + +集合框架是一个用来代表和操纵集合的统一架构。所有的集合框架都包含如下内容： + +- **接口**：是代表集合的抽象数据类型。例如 Collection、List、Set、Map 等。之所以定义多个接口，是为了以不同的方式操作集合对象 +- **实现（类）**：是集合接口的具体实现。从本质上讲，它们是可重复使用的数据结构，例如：ArrayList、LinkedList、HashSet、HashMap。 +- **算法**：是实现集合接口的对象里的方法执行的一些有用的计算，例如：搜索和排序。这些算法被称为多态，那是因为相同的方法可以在相似的接口上有着不同的实现。 + +--- + +## 🗺️ 知识导航 + +### 🏷️ 核心知识分类 + +1. **📚 集合框架概览**：Collection vs Map、集合继承体系、Iterator模式、泛型使用 +2. **📋 List接口实现**：ArrayList vs LinkedList、Vector、性能对比、使用场景 +3. **🔢 Set接口实现**：HashSet vs TreeSet vs LinkedHashSet、去重原理、排序机制 +4. **🗂️ Map接口实现**：HashMap vs TreeMap vs LinkedHashMap、hash冲突处理、红黑树 +5. **🔒 线程安全集合**：ConcurrentHashMap、CopyOnWriteArrayList、同步容器vs并发容器 +6. **⚡ 性能与优化**：时间复杂度分析、空间复杂度、扩容机制、最佳实践 + +--- + +## 📚 一、集合框架概览 + +### 1.1 常用集合介绍 + +**🎯 说说常用的集合有哪些吧？** + +> Collection 有什么子接口、有哪些具体的实现 + +Map 接口和 Collection 接口是所有集合框架的父接口： + +1. **Collection 接口的子接口包括**：Set、List、Queue +2. **List** 是有序的允许有重复元素的 Collection，实现类主要有：ArrayList、LinkedList、Stack以及Vector等 +3. **Set** 是一种不包含重复元素且无序的Collection，实现类主要有：HashSet、TreeSet、LinkedHashSet等 +4. **Map** 没有继承 Collection 接口，Map 提供 key 到 value 的映射。实现类主要有：HashMap、TreeMap、Hashtable、ConcurrentHashMap 以及 Properties 等 + +### 1.2 基础概念题 + +**🎯 说说Java集合框架的整体架构？** + +``` +Java集合框架主要分为两大体系： +1. Collection体系： + - List（有序，可重复）：ArrayList、LinkedList、Vector + - Set（无序，不重复）：HashSet、TreeSet、LinkedHashSet + - Queue（队列）：LinkedList、PriorityQueue、ArrayDeque + +2. Map体系（键值对）： + - HashMap、TreeMap、LinkedHashMap、Hashtable、ConcurrentHashMap + +核心接口关系： +- Iterable -> Collection -> List/Set/Queue +- Map独立体系 +- 所有集合都实现了Iterator模式 +``` + +**深入扩展：** + +- Collection继承了Iterable接口，支持foreach语法 +- Map不继承Collection，因为它存储的是键值对 +- Collections工具类提供了大量静态方法操作集合 + +**🎯 Collection和Collections的区别？** + +``` +Collection： +- 是一个接口，集合框架的根接口 +- 定义了集合的基本操作方法 +- 被List、Set、Queue等接口继承 + +Collections： +- 是一个工具类，提供静态方法 +- 包含排序、搜索、同步等操作 +- 如sort()、binarySearch()、synchronizedList()等 +``` + +**🎯 Hash冲突及解决办法？** + +解决哈希冲突的方法一般有：开放定址法、链地址法（拉链法）、再哈希法、建立公共溢出区等方法。 + +- **开放定址法**：从发生冲突的那个单元起，按照一定的次序，从哈希表中找到一个空闲的单元。然后把发生冲突的元素存入到该单元的一种方法。开放定址法需要的表长度要大于等于所需要存放的元素。 + +- **链接地址法（拉链法）**：是将哈希值相同的元素构成一个同义词的单链表，并将单链表的头指针存放在哈希表的第i个单元中，查找、插入和删除主要在同义词链表中进行。（链表法适用于经常进行插入和删除的情况） + +- **再哈希法**：就是同时构造多个不同的哈希函数： Hi = RHi(key) i= 1,2,3 … k; 当H1 = RH1(key) 发生冲突时，再用H2 = RH2(key) 进行计算，直到冲突不再产生，这种方法不易产生聚集，但是增加了计算时间 + +- **建立公共溢出区**：将哈希表分为公共表和溢出表，当溢出发生时，将所有溢出数据统一放到溢出区 + +### 1.3 Iterator模式题 + +**🎯 Iterator和ListIterator的区别？** + +``` +Iterator（单向迭代）： +- 只能向前遍历（hasNext、next） +- 支持remove操作 +- 适用于所有Collection + +ListIterator（双向迭代）： +- 支持双向遍历（hasNext、next、hasPrevious、previous） +- 支持add、set、remove操作 +- 只适用于List集合 +- 可以获取当前位置索引 +``` + +**代码示例：** + +```java +List list = new ArrayList<>(); +list.add("A"); +list.add("B"); + +// Iterator - 单向 +Iterator it = list.iterator(); +while(it.hasNext()) { + String item = it.next(); + if("A".equals(item)) { + it.remove(); // 安全删除 + } +} + +// ListIterator - 双向 +ListIterator lit = list.listIterator(); +while(lit.hasNext()) { + String item = lit.next(); + lit.set(item + "_modified"); // 修改元素 +} +``` + +--- + +## 📋 二、List接口实现 + +### 2.1 ArrayList vs Vector + +**🎯 ArrayList和Vector的区别？** + +**相同点**： + +- ArrayList 和 Vector 都是继承了相同的父类和实现了相同的接口（都实现了List，有序、允许重复和null） + + ```java + extends AbstractList + implements List, RandomAccess, Cloneable, java.io.Serializable + ``` + +- 底层都是数组（Object[]）实现的 + +- 初始默认长度都为**10** + +**不同点**： + +| **特性** | **ArrayList** | **Vector** | +| ------------ | ------------- | ------------------ | +| **线程安全** | 否 | 是（synchronized） | +| **性能** | 高 | 较低（同步开销） | +| **扩容机制** | 1.5倍 | 2倍 | +| **出现版本** | JDK 1.2 | JDK 1.0 | +| **迭代器** | fail-fast | fail-fast | + +**扩容机制详解**： + +- **ArrayList 的 grow()**，在满足扩容条件时、ArrayList以**1.5** 倍的方式在扩容（oldCapacity >> **1** ，右移运算，相当于除以 2，结果为二分之一的 oldCapacity） + +```java +private void grow(int minCapacity) { + int oldCapacity = elementData.length; + //newCapacity = oldCapacity + 0.5*oldCapacity,此处扩容0.5倍 + int newCapacity = oldCapacity + (oldCapacity >> 1); + if (newCapacity - minCapacity < 0) + newCapacity = minCapacity; + if (newCapacity - MAX_ARRAY_SIZE > 0) + newCapacity = hugeCapacity(minCapacity); + elementData = Arrays.copyOf(elementData, newCapacity); +} +``` + +- **Vector 的 grow()**，Vector 比 ArrayList多一个属性，扩展因子capacityIncrement，可以扩容大小。当扩容容量增量大于**0**时、新数组长度为原数组长度**+**扩容容量增量、否则新数组长度为原数组长度的**2**倍 + +```java +private void grow(int minCapacity) { + int oldCapacity = elementData.length; + int newCapacity = oldCapacity + ((capacityIncrement > 0) ? + capacityIncrement : oldCapacity); + if (newCapacity - minCapacity < 0) + newCapacity = minCapacity; + if (newCapacity - MAX_ARRAY_SIZE > 0) + newCapacity = hugeCapacity(minCapacity); + elementData = Arrays.copyOf(elementData, newCapacity); +} +``` + +**使用建议**： + +- 单线程环境：优先使用ArrayList +- 多线程环境：使用Collections.synchronizedList()或CopyOnWriteArrayList + +### 2.2 ArrayList深度解析 + +**🎯 ArrayList的底层实现原理？** + +``` +底层数据结构： +- 基于数组实现（Object[] elementData） +- 默认初始容量为10 +- 支持动态扩容 + +扩容机制： +- 当容量不足时，扩容至原容量的1.5倍 +- 使用Arrays.copyOf()复制数组 +- 扩容是耗时操作，建议预估容量 + +核心特性： +- 随机访问：O(1)时间复杂度 +- 插入/删除：O(n)时间复杂度（需要移动元素） +- 允许null值，允许重复元素 +- 线程不安全 +``` + +**源码关键点：** + +```java +// 默认容量 +private static final int DEFAULT_CAPACITY = 10; + +// 扩容方法 +private void grow(int minCapacity) { + int oldCapacity = elementData.length; + int newCapacity = oldCapacity + (oldCapacity >> 1); // 1.5倍扩容 + if (newCapacity - minCapacity < 0) + newCapacity = minCapacity; + elementData = Arrays.copyOf(elementData, newCapacity); +} +``` + +**🎯 ArrayList和Vector的区别？** + +| **特性** | **ArrayList** | **Vector** | +| ------------ | ------------- | ------------------ | +| **线程安全** | 否 | 是（synchronized） | +| **性能** | 高 | 较低（同步开销） | +| **扩容机制** | 1.5倍 | 2倍 | +| **出现版本** | JDK 1.2 | JDK 1.0 | +| **迭代器** | fail-fast | fail-fast | + +**使用建议：** + +- 单线程环境：优先使用ArrayList +- 多线程环境：使用Collections.synchronizedList()或CopyOnWriteArrayList + +### 2.2 LinkedList深度解析 + +**🎯 LinkedList的底层实现原理？** + +``` +底层数据结构： +- 双向链表实现 +- 每个节点包含data、next、prev三个字段 +- 维护first和last指针 + +核心特性： +- 插入/删除：O(1)时间复杂度（已知位置） +- 随机访问：O(n)时间复杂度（需要遍历） +- 实现了List和Deque接口 +- 允许null值，允许重复元素 +- 线程不安全 +``` + +**节点结构：** + +```java +private static class Node { + E item; + Node next; + Node prev; + + Node(Node prev, E element, Node next) { + this.item = element; + this.next = next; + this.prev = prev; + } +} +``` + +**🎯 ArrayList vs LinkedList什么时候使用？** + +- 是否保证线程安全： ArrayList 和 LinkedList 都是不同步的，也就是不保证线程安全； +- **底层数据结构**： Arraylist 底层使用的是 Object 数组；LinkedList 底层使用的是**双向循环链表**数据结构； +- **插入和删除是否受元素位置的影响：** + - **ArrayList 采用数组存储，所以插入和删除元素的时间复杂度受元素位置的影响。** 比如：执行 `add(E e)`方法的时候， ArrayList 会默认在将指定的元素追加到此列表的末尾，这种情况时间复杂度就是O(1)。但是如果要在指定位置 i 插入和删除元素的话（ `add(intindex,E element)`）时间复杂度就为 O(n-i)。因为在进行上述操作的时候集合中第 i 和第 i 个元素之后的(n-i)个元素都要执行向后位/向前移一位的操作。 + - **LinkedList 采用链表存储，所以插入，删除元素时间复杂度不受元素位置的影响，都是近似 $O(1)$，而数组为近似 $O(n)$。** + - ArrayList 一般应用于查询较多但插入以及删除较少情况，如果插入以及删除较多则建议使用 LinkedList +- **是否支持快速随机访问**： LinkedList 不支持高效的随机元素访问，而 ArrayList 实现了 RandomAccess 接口，所以有随机访问功能。快速随机访问就是通过元素的序号快速获取元素对象(对应于 `get(intindex)`方法)。 +- **内存空间占用**： ArrayList 的空间浪费主要体现在在 list 列表的结尾会预留一定的容量空间，而 LinkedList 的空间花费则体现在它的每一个元素都需要消耗比 ArrayList 更多的空间（因为要存放直接后继和直接前驱以及数据）。 + +**使用场景：** + +```java +// 频繁随机访问 - 使用ArrayList +List list1 = new ArrayList<>(); +String item = list1.get(index); // O(1) + +// 频繁插入删除 - 使用LinkedList +List list2 = new LinkedList<>(); +list2.add(0, "item"); // 头部插入 O(1) + +// 作为队列使用 - LinkedList实现了Deque +Deque queue = new LinkedList<>(); +queue.offer("item"); +queue.poll(); +``` + +--- + +## 🔢 三、Set接口实现 + +### 3.1 HashSet深度解析 + +**🎯 HashSet的底层实现原理？** + +``` +底层实现： +- 基于HashMap实现 +- 元素作为HashMap的key，value为固定的PRESENT对象 +- 利用HashMap的key唯一性保证Set的不重复特性 + +去重原理： +1. 计算元素的hashCode() +2. 根据hash值定位存储位置 +3. 如果位置为空，直接存储 +4. 如果位置有元素，调用equals()比较 +5. equals()返回true表示重复，不添加 + +核心特性： +- 无序（不保证插入顺序） +- 不允许重复元素 +- 允许一个null值 +- 线程不安全 +``` + +**源码关键点：** + +```java +public class HashSet { + private transient HashMap map; + private static final Object PRESENT = new Object(); + + public boolean add(E e) { + return map.put(e, PRESENT)==null; + } +} +``` + +**🎯 如何保证自定义对象在HashSet中不重复？** + +``` +必须重写hashCode()和equals()方法： + +1. equals()相等的对象，hashCode()必须相等 +2. hashCode()相等的对象，equals()不一定相等 +3. 重写时需要考虑所有参与比较的字段 + +正确示例： +``` + +```java +public class Person { + private String name; + private int age; + + @Override + public boolean equals(Object obj) { + if (this == obj) return true; + if (obj == null || getClass() != obj.getClass()) return false; + Person person = (Person) obj; + return age == person.age && Objects.equals(name, person.name); + } + + @Override + public int hashCode() { + return Objects.hash(name, age); + } +} +``` + +### 3.2 TreeSet深度解析 + +**🎯 TreeSet的底层实现原理？** + +``` +底层实现： +- 基于TreeMap实现（红黑树） +- 元素作为TreeMap的key +- 利用红黑树的特性保证有序 + +排序机制： +1. 自然排序：元素实现Comparable接口 +2. 定制排序：构造时传入Comparator + +核心特性： +- 有序存储（升序） +- 不允许重复元素 +- 不允许null值 +- 线程不安全 +- 查找、插入、删除：O(log n) +``` + +**使用示例：** + +```java +// 自然排序 +Set treeSet1 = new TreeSet<>(); +treeSet1.add(3); +treeSet1.add(1); +treeSet1.add(2); +// 输出：[1, 2, 3] + +// 定制排序 +Set treeSet2 = new TreeSet<>((s1, s2) -> s2.compareTo(s1)); +treeSet2.add("b"); +treeSet2.add("a"); +treeSet2.add("c"); +// 输出：[c, b, a] +``` + +### 3.3 LinkedHashSet深度解析 + +**🎯 LinkedHashSet的特点和使用场景？** + +``` +底层实现： +- 继承HashSet，基于LinkedHashMap实现 +- 在HashSet基础上维护了插入顺序 + +核心特性： +- 保持插入顺序 +- 不允许重复元素 +- 允许一个null值 +- 性能略低于HashSet（维护链表开销） + +使用场景： +- 需要去重且保持插入顺序 +- 遍历顺序要求可预测 +``` + +**三种Set对比：** + +| **特性** | **HashSet** | **LinkedHashSet** | **TreeSet** | +| -------------- | ----------- | ----------------- | --------------- | +| **底层实现** | HashMap | LinkedHashMap | TreeMap(红黑树) | +| **是否有序** | 无序 | 插入顺序 | 自然/定制排序 | +| **允许null** | 是 | 是 | 否 | +| **时间复杂度** | O(1) | O(1) | O(log n) | +| **使用场景** | 快速去重 | 去重+保序 | 排序去重 | + +--- + +## 🗂️ 四、Map接口实现 + +### 4.1 HashMap基础问题 + +**🎯 HashMap中key和value可以为null吗？允许几个为null呀？** + +1. **键（Key）可以为`null`**：`HashMap`允许一个键为`null`。当使用`null`作为键时，这个键总是被存储在`HashMap`的第0个桶（bucket）中。 +2. **值（Value）可以为`null`**：`HashMap`同样允许值为`null`。你可以将任何键映射为`null`值。 +3. **允许的`null`数量**：在`HashMap`中，**只有一个键可以是`null`**。因为`HashMap`内部使用键的`hashCode()`来确定键值对的存储位置，而`null`的`hashCode()`值为0。 +4. **对性能的影响**：虽然`HashMap`允许键或值为`null`，但频繁使用`null`键可能会影响性能。 + +**🎯 HashMap的Key需要重写hashCode()和equals()吗？** + +**1. HashMap 的存储逻辑** + +- **put(K,V)** 时： + 1. 先调用 `key.hashCode()` 计算哈希值，决定存放在哪个 **桶（bucket）**。 + 2. 如果桶里已有元素，会调用 `equals()` 比较，判断是否是同一个 key（更新 value）还是哈希冲突（拉链/红黑树存储）。 +- **get(K)** 时： + 1. 先算出 `key.hashCode()` 定位到桶。 + 2. 再用 `equals()` 在桶里逐个比对，找到目标值。 + +**2. 为什么要重写？** + +如果不重写 `hashCode()` 和 `equals()` 方法，默认实现会使用对象的内存地址来计算哈希码和比较对象。这将导致逻辑上相等的对象（例如内容相同的两个实例）具有不同的哈希码，无法正确存储和查找。 + +👉 结果就是：**两个"内容相同"的 key 会被认为是不同的 key**，导致存取不一致。 + +**正确做法**： + +```java +public class Person { + private String name; + private int age; + + @Override + public boolean equals(Object obj) { + if (this == obj) return true; + if (obj == null || getClass() != obj.getClass()) return false; + Person person = (Person) obj; + return age == person.age && Objects.equals(name, person.name); + } + + @Override + public int hashCode() { + return Objects.hash(name, age); + } +} +``` + +**必须遵循的规则**： + +1. equals()相等的对象，hashCode()必须相等 +2. hashCode()相等的对象，equals()不一定相等 +3. 重写时需要考虑所有参与比较的字段 + +### 4.2 HashMap深度解析 + +**🎯 HashMap的底层实现原理？（重点）** + +``` +JDK 1.8之前：数组 + 链表 +JDK 1.8之后：数组 + 链表 + 红黑树 + +核心结构： +- Node数组（哈希桶） +- 链表（解决hash冲突） +- 红黑树（链表长度>8时转换，提升查询效率） + +关键参数： +- 默认初始容量：16 +- 默认负载因子：0.75 +- 树化阈值：8 +- 反树化阈值：6 +``` + +**put操作流程：** + +```java +1. 计算key的hash值 +2. 根据hash值计算数组索引：(n-1) & hash +3. 如果位置为空，直接创建节点 +4. 如果位置有元素： + - key相等，覆盖value + - key不等，添加到链表尾部 + - 链表长度>8且数组长度>=64，转为红黑树 +5. 元素数量超过阈值，触发扩容 +``` + +**🎯 HashMap的扩容机制？** + +``` +扩容时机： +- 元素数量 > 容量 * 负载因子（默认16 * 0.75 = 12） + +扩容过程： +1. 容量扩大为原来的2倍 +2. 重新计算所有元素的位置 +3. 元素要么在原位置，要么在原位置+原容量 + +JDK 1.8优化： +- 使用高低位链表优化rehash +- 避免了链表倒置问题 +``` + +**扩容优化代码：** + +```java +// JDK 1.8 扩容优化 +Node loHead = null, loTail = null; // 低位链表 +Node hiHead = null, hiTail = null; // 高位链表 + +do { + next = e.next; + if ((e.hash & oldCap) == 0) { + // 原位置 + if (loTail == null) loHead = e; + else loTail.next = e; + loTail = e; + } else { + // 原位置 + oldCap + if (hiTail == null) hiHead = e; + else hiTail.next = e; + hiTail = e; + } +} while ((e = next) != null); +``` + +**🎯 HashMap为什么线程不安全？** + +``` +线程不安全的表现： +1. 数据丢失：多线程put时可能覆盖 +2. 死循环：JDK 1.7扩容时链表可能形成环 +3. 数据不一致：get时可能获取到不完整的数据 + +JDK 1.7死循环原因： +- 扩容时采用头插法 +- 多线程环境下可能形成循环链表 +- CPU使用率飙升至100% + +JDK 1.8改进： +- 采用尾插法 +- 避免了死循环问题 +- 但仍然存在数据丢失问题 +``` + +**解决方案：** + +```java +// 1. Hashtable（性能差） +Map map1 = new Hashtable<>(); + +// 2. Collections.synchronizedMap（性能差） +Map map2 = Collections.synchronizedMap(new HashMap<>()); + +// 3. ConcurrentHashMap（推荐） +Map map3 = new ConcurrentHashMap<>(); +``` + +**🎯 HashMap的长度为什么是2的幂次方？** + +`HashMap` 中的数组（通常称为"桶"数组）长度设计为2的幂次方有几个原因： + +1. **快速取模运算**：HashMap 中桶数组的大小 length 总是 2 的幂，此时，`h & (table.length -1)` 等价于对 length 取模 `h%length`。但取模的计算效率没有位运算高，所以这是一个优化。 + +2. **减少哈希碰撞**：使用2的幂次方作为数组长度可以使得元素在数组中分布更加均匀，这减少了哈希碰撞的可能性。 + +3. **动态扩容**：`HashMap`在需要扩容时，通常会增加到当前容量的两倍。如果当前容量已经是2的幂次方，增加到两倍后仍然是2的幂次方。 + +4. **避免数据迁移**：当数组长度为2的幂次方时，当进行扩容和重新哈希时，可以通过简单的位运算来确定元素在新数组中的位置，而不需要重新计算哈希码。 + +**🎯 为什么JDK1.8中HashMap从头插入改成尾插入？** + +在Java 8中，`HashMap`的插入策略从头部插入（head insertion）改为尾部插入（tail insertion），主要原因： + +1. **避免死循环**：JDK1.7中扩容时，每个元素的rehash之后，都会插入到新数组对应索引的链表头，所以这就导致原链表顺序为A->B->C，扩容之后，rehash之后的链表可能为C->B->A，元素的顺序发生了变化。在并发场景下，**扩容时**可能会出现循环链表的情况。 + +2. **保持顺序**：而JDK1.8从头插入改成尾插入，元素的顺序不变，避免出现循环链表的情况。 + +3. **提高并发安全性**：尾插入策略在并发环境下更加稳定，虽然HashMap仍然不是线程安全的，但减少了一些潜在问题。 + +**🎯 HashMap：JDK1.7 VS JDK1.8主要区别？** + +| **不同** | **JDK 1.7** | **JDK 1.8** | +| ------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | +| **存储结构** | 数组 + 链表 | 数组 + 链表 + 红黑树 | +| **初始化方式** | 单独函数：inflateTable() | 直接集成到了扩容函数resize()中 | +| **hash值计算** | 扰动处理 = 9次扰动 = 4次位运算 + 5次异或运算 | 扰动处理 = 2次扰动 = 1次位运算 + 1次异或运算 | +| **存放数据规则** | 无冲突时，存放数组；冲突时，存放链表 | 无冲突时，存放数组；冲突 & 链表长度 < 8：存放单链表；冲突 & 链表长度 > 8：树化并存放红黑树 | +| **插入数据方式** | 头插法（先将原位置的数据移到后1位，再插入数据到该位置） | 尾插法（直接插入到链表尾部/红黑树） | +| **扩容后位置计算** | 全部按照原来方法进行计算（即hashCode -> 扰动函数 -> (h&length-1)） | 按照扩容后的规律计算（即扩容后的位置=原位置 or 原位置 + 旧容量） | + +### 4.2 ConcurrentHashMap深度解析 + +**🎯 ConcurrentHashMap的实现原理？（重点）** + +``` +JDK 1.7实现（分段锁）： +- Segment数组 + HashEntry数组 +- 每个Segment继承ReentrantLock +- 默认16个Segment，最大并发度16 +- 锁粒度：Segment级别 + +JDK 1.8实现（CAS + synchronized）： +- Node数组 + 链表/红黑树 +- 取消Segment概念 +- 使用CAS + synchronized实现 +- 锁粒度：Node级别（更细粒度） +``` + +**JDK 1.8 put操作：** + +```java +final V putVal(K key, V value, boolean onlyIfAbsent) { + // 1. 计算hash值 + int hash = spread(key.hashCode()); + + for (Node[] tab = table;;) { + // 2. 如果数组为空，初始化 + if (tab == null || (n = tab.length) == 0) + tab = initTable(); + // 3. 如果位置为空，CAS插入 + else if ((f = tabAt(tab, i = (n - 1) & hash)) == null) { + if (casTabAt(tab, i, null, new Node(hash, key, value))) + break; + } + // 4. 如果正在扩容，帮助扩容 + else if ((fh = f.hash) == MOVED) + tab = helpTransfer(tab, f); + // 5. 否则synchronized锁住头节点 + else { + synchronized (f) { + // 链表或红黑树插入逻辑 + } + } + } +} +``` + +**🎯 ConcurrentHashMap的优势？** + +| **特性** | **Hashtable** | **Collections.synchronizedMap** | **ConcurrentHashMap** | +| ---------- | ------------------ | ------------------------------- | --------------------- | +| **锁机制** | 方法级synchronized | 方法级synchronized | 分段锁/节点锁 | +| **并发度** | 1 | 1 | 高 | +| **读操作** | 加锁 | 加锁 | 无锁(volatile) | +| **迭代器** | fail-fast | fail-fast | 弱一致性 | +| **null值** | 不允许 | 不允许 | 不允许 | + +**性能优势：** + +- 读操作无锁，写操作细粒度锁 +- 支持高并发读写 +- 迭代过程不阻塞其他操作 + +### 4.3 其他Map实现 + +**🎯 TreeMap的特点和使用场景？** + +``` +底层实现：红黑树（自平衡二叉搜索树） + +核心特性： +- 按key排序存储 +- 不允许key为null +- 线程不安全 +- 查找、插入、删除：O(log n) + +排序机制： +1. key实现Comparable接口 +2. 构造时传入Comparator + +使用场景： +- 需要按key排序的Map +- 范围查询：subMap、headMap、tailMap +``` + +**🎯 LinkedHashMap的特点？** + +``` +底层实现：HashMap + 双向链表 + +核心特性： +- 保持插入顺序或访问顺序 +- 继承HashMap，性能略低 +- 支持LRU缓存实现 + +构造参数： +- accessOrder=false：插入顺序（默认） +- accessOrder=true：访问顺序 + +LRU缓存实现： +``` + +```java +public class LRUCache extends LinkedHashMap { + private final int capacity; + + public LRUCache(int capacity) { + super(capacity, 0.75f, true); // accessOrder=true + this.capacity = capacity; + } + + @Override + protected boolean removeEldestEntry(Map.Entry eldest) { + return size() > capacity; + } +} +``` + +--- + +## 🔒 五、线程安全集合 + +### 5.1 并发集合概述 + +**🎯 同步容器和并发容器的区别？** + +| **特性** | **同步容器** | **并发容器** | +| ------------ | ------------------------- | --------------------------------------- | +| **实现方式** | Collections.synchronized* | java.util.concurrent | +| **锁机制** | 对象级synchronized | 分段锁、CAS、Lock | +| **性能** | 低 | 高 | +| **迭代器** | fail-fast需要外部同步 | 弱一致性或快照 | +| **代表** | Vector、Hashtable | ConcurrentHashMap、CopyOnWriteArrayList | + +**同步容器问题：** + +```java +Vector vector = new Vector<>(); +// 虽然add和get是同步的，但组合操作不是原子的 +if (vector.size() > 0) { + vector.get(0); // 可能抛出IndexOutOfBoundsException +} +``` + +### 5.2 CopyOnWriteArrayList详解 + +**🎯 CopyOnWriteArrayList的实现原理？** + +``` +核心思想：写时复制（Copy-On-Write） + +实现机制： +- 读操作不加锁，直接读取 +- 写操作加锁，复制整个数组，在新数组上修改 +- 修改完成后，更新引用指向新数组 + +适用场景： +- 读多写少的场景 +- 实时性要求不高的场景 +- 数据量不大的场景 +``` + +**源码分析：** + +```java +public boolean add(E e) { + final ReentrantLock lock = this.lock; + lock.lock(); + try { + Object[] elements = getArray(); + int len = elements.length; + Object[] newElements = Arrays.copyOf(elements, len + 1); // 复制数组 + newElements[len] = e; + setArray(newElements); // 原子更新引用 + return true; + } finally { + lock.unlock(); + } +} + +public E get(int index) { + return get(getArray(), index); // 无锁读取 +} +``` + +**🎯 CopyOnWriteArrayList vs Collections.synchronizedList？** + +| **特性** | **CopyOnWriteArrayList** | **Collections.synchronizedList** | +| ------------ | ------------------------ | -------------------------------- | +| **读性能** | 高（无锁） | 低（需要同步） | +| **写性能** | 低（复制数组） | 中等 | +| **内存占用** | 高（可能有多个副本） | 正常 | +| **实时性** | 弱一致性 | 强一致性 | +| **迭代安全** | 天然安全 | 需要外部同步 | + +--- + +## 🔧 五、高级特性与安全机制 + +### 5.1 快速失败与安全失败 + +**🎯 Java快速失败（fail-fast）和安全失败（fail-safe）区别？** + +**1. Fail-Fast（快速失败）** + +- **定义**：在迭代集合时，如果发现集合被结构性修改（add/remove 等），会立刻抛出 `ConcurrentModificationException`。 +- **原因**：迭代器内部维护了一个 **modCount（修改次数）**，每次迭代会校验是否和期望值一致，如果不一致就认为出现并发修改，直接报错。 +- **典型集合**：`ArrayList`、`HashMap` 等。 +- **特点**： + - 检测到并发修改 → **立即失败**，避免返回错误结果。 + - 不能在遍历过程中修改集合，除非用迭代器自带的 `remove()`。 + +**2. Fail-Safe（安全失败）** + +- **定义**：在迭代时允许集合被修改，修改不会影响正在进行的迭代。 +- **原因**：迭代器基于 **集合的副本（快照）** 来遍历，而不是直接访问原集合。 +- **典型集合**：`CopyOnWriteArrayList`、`ConcurrentHashMap` 等并发集合。 +- **特点**： + - 遍历时不抛异常。 + - 修改不会影响当前遍历结果，但可能导致数据 **不可见**（因为遍历的是副本）。 + - 内存开销较大（需要拷贝或额外的数据结构支持）。 + +**🎯 如何避免fail-fast？** + +- **在单线程的遍历过程中**，如果要进行 remove 操作，可以调用迭代器 ListIterator 的 remove 方法而不是集合类的 remove方法。 + +```java +public void remove() { + if (lastRet < 0) + throw new IllegalStateException(); + checkForComodification(); + + try { + SubList.this.remove(lastRet); + cursor = lastRet; + lastRet = -1; + expectedModCount = ArrayList.this.modCount; // 关键：更新期望的modCount + } catch (IndexOutOfBoundsException ex) { + throw new ConcurrentModificationException(); + } +} +``` + +- **使用并发包**(`java.util.concurrent`)中的类来代替 ArrayList 和 hashMap + - CopyOnWriterArrayList 代替 ArrayList + - ConcurrentHashMap 代替 HashMap + +### 5.2 Iterator详解 + +**🎯 Iterator 和 Enumeration 区别？** + +在 Java 集合中，我们通常都通过 "Iterator(迭代器)" 或 "Enumeration(枚举类)" 去遍历集合。 + +```java +public interface Enumeration { + boolean hasMoreElements(); + E nextElement(); +} + +public interface Iterator { + boolean hasNext(); + E next(); + void remove(); +} +``` + +**主要区别**： + +- **函数接口不同**：Enumeration**只有2个函数接口。**通过Enumeration，我们只能读取集合的数据，而不能对数据进行修改。Iterator**只有3个函数接口。**Iterator除了能读取集合的数据之外，也能数据进行删除操作。 + +- **Iterator支持 fail-fast机制，而Enumeration不支持**：Enumeration 是 JDK 1.0 添加的接口。使用到它的函数包括 Vector、Hashtable 等类，这些类都是 JDK 1.0中加入的，Enumeration 存在的目的就是为它们提供遍历接口。而 Iterator 是 JDK 1.2 才添加的接口，它也是为了 HashMap、ArrayList 等集合提供遍历接口。Iterator 是支持 fail-fast 机制的。 + +**🎯 Iterater 和 ListIterator 之间有什么区别？** + +- 我们可以使用 Iterator来遍历 Set 和 List 集合，而 ListIterator 只能遍历List +- ListIterator有add方法，可以向List中添加对象，而Iterator不能 +- ListIterator和Iterator都有hasNext()和next()方法，可以实现顺序向后遍历，但是ListIterator有hasPrevious()和previous()方法，可以实现逆向（顺序向前）遍历。Iterator不可以 +- ListIterator可以定位当前索引的位置，nextIndex()和previousIndex()可以实现。Iterator没有此功能 +- 都可实现删除操作，但是 ListIterator可以实现对象的修改，set()方法可以实现。Iterator仅能遍历，不能修改 + +--- + +## ⚡ 六、性能与优化 + +### 6.1 时间复杂度分析 + +**🎯 各种集合操作的时间复杂度？** + +| **集合类型** | **get/contains** | **add** | **remove** | **特点** | +| ------------------- | ---------------- | -------- | ---------- | ---------- | +| **ArrayList** | O(1)/O(n) | O(1) | O(n) | 随机访问快 | +| **LinkedList** | O(n) | O(1) | O(1) | 插入删除快 | +| **HashSet/HashMap** | O(1) | O(1) | O(1) | 哈希表 | +| **TreeSet/TreeMap** | O(log n) | O(log n) | O(log n) | 有序结构 | +| **ArrayDeque** | O(1) | O(1) | O(1) | 双端队列 | + +> [!CAUTION] +> +> - ArrayList add可能触发扩容，最坏O(n) +> - LinkedList remove需要先查找位置 +> - HashMap最坏情况O(n)，平均O(1) +> - ArrayDeque两端操作 + + + +### 6.2 最佳实践 + +**🎯 集合使用的最佳实践？** + +``` +1. 容量预估： + - ArrayList: new ArrayList<>(expectedSize) + - HashMap: new HashMap<>(expectedSize / 0.75 + 1) + +2. 选择合适的集合： + - 频繁随机访问 -> ArrayList + - 频繁插入删除 -> LinkedList + - 去重 -> Set + - 排序 -> TreeSet/TreeMap + - 高并发 -> ConcurrentHashMap + +3. 避免装箱拆箱： + - 使用primitive集合：TIntArrayList、TLongHashSet + +4. 迭代器使用： + - foreach优于传统for循环 + - 删除元素使用Iterator.remove() + +5. 线程安全： + - 单线程：ArrayList、HashMap + - 多线程读多写少：CopyOnWriteArrayList + - 多线程高并发：ConcurrentHashMap +``` + +**性能优化示例：** + +```java +// 1. 容量预估 +List list = new ArrayList<>(1000); // 避免扩容 + +// 2. 批量操作 +list.addAll(Arrays.asList("a", "b", "c")); // 一次性添加 + +// 3. 安全删除 +Iterator it = list.iterator(); +while (it.hasNext()) { + if (shouldRemove(it.next())) { + it.remove(); // 使用迭代器删除 + } +} + +// 4. HashMap优化 +Map map = new HashMap<>(size / 0.75 + 1); +``` + +### 6.3 其他重要面试题 + +**🎯 HashMap 和 Hashtable 的区别？** + +| **特性** | **HashMap** | **Hashtable** | **ConcurrentHashMap** | +| ------------ | -------------------- | ------------------ | ------------------------ | +| **线程安全** | 否 | 是（synchronized） | 是（CAS + synchronized） | +| **效率** | 高 | 低（全表锁） | 高（分段锁/桶锁） | +| **null值** | key和value都允许null | 都不允许null | 都不允许null | +| **初始容量** | 16 | 11 | 16 | +| **扩容方式** | 2倍 | 2n+1 | 2倍 | +| **出现版本** | JDK 1.2 | JDK 1.0 | JDK 1.5 | +| **迭代器** | fail-fast | fail-fast | 弱一致性 | + +**详细对比**： + +1. **线程安全**：Hashtable 内部的方法基本都经过 `synchronized` 修饰，HashMap 是非线程安全的。 +2. **初始容量和扩容**： + - 创建时如果不指定容量，Hashtable 默认为11，HashMap默认为16 + - Hashtable 扩容：容量变为原来的2n+1；HashMap扩容：容量变为原来的2倍 + - HashMap 总是使用2的幂次方作为哈希表的大小 + +**🎯 Comparable 和 Comparator 接口有何区别？** + +Java 中对集合对象或者数组对象排序，有两种实现方式： + +**1. Comparable接口（内部比较器）** + +- 位于 `java.lang` 包下，只有一个方法 `compareTo()` +- 实现了 Comparable 接口的类可以进行自然排序 +- 实现了该接口的 List 或数组可以使用 `Collections.sort()` 或 `Arrays.sort()` 排序 + +```java +public interface Comparable { + public int compareTo(T o); +} +``` + +**2. Comparator接口（外部比较器）** + +- 位于 `java.util` 包下，主要方法是 `compare()` +- 可以在类外部定义比较规则，不需要修改类本身 + +```java +public interface Comparator { + public int compare(T lhs, T rhs); + public boolean equals(Object object); +} +``` + +**使用场景对比**： + +| **特性** | **Comparable** | **Comparator** | +| ------------ | ---------------------- | ---------------------- | +| **实现位置** | 类内部 | 类外部 | +| **包位置** | java.lang | java.util | +| **方法** | compareTo() | compare() | +| **使用场景** | 自然排序，一种排序规则 | 定制排序，多种排序规则 | +| **修改原类** | 需要 | 不需要 | + +**🎯 HashSet 底层实现原理？** + +HashSet 的底层其实就是 HashMap，只不过 **HashSet 是实现了 Set 接口并且把数据作为 K 值，而 V 值一直使用一个相同的虚值来保存**。 + +```java +public class HashSet { + private transient HashMap map; + private static final Object PRESENT = new Object(); + + public boolean add(E e) { + return map.put(e, PRESENT)==null; + } +} +``` + +**核心特点**： + +- HashMap的 K 值本身就不允许重复 +- 如果 K/V 相同时，会用新的 V 覆盖掉旧的 V，然后返回旧的 V +- 利用HashMap的key唯一性保证Set的不重复特性 + +--- + +## 🎯 高频面试题汇总 + +### 核心必考题（⭐⭐⭐） + +1. **说说常用的集合有哪些？** +2. **HashMap底层实现原理和JDK1.8优化** +3. **HashMap中key需要重写hashCode()和equals()吗？** +4. **HashMap为什么线程不安全？如何解决？** +5. **ArrayList vs LinkedList使用场景和性能对比** +6. **ConcurrentHashMap实现原理和JDK版本差异** +7. **HashSet如何保证元素不重复？** + +### 进阶深入题（⭐⭐） + +8. **HashMap的长度为什么是2的幂次方？** +9. **HashMap扩容机制和负载因子的作用** +10. **为什么JDK1.8中HashMap从头插入改成尾插入？** +11. **红黑树转换条件和意义** +12. **CopyOnWriteArrayList适用场景和缺点** +13. **HashMap vs Hashtable vs ConcurrentHashMap区别** +14. **快速失败(fail-fast)和安全失败(fail-safe)机制** +15. **LinkedHashMap实现LRU缓存** + +### 应用实践题（⭐） + +16. **如何选择合适的集合类型？** +17. **集合性能优化的方法** +18. **多线程环境下集合的使用注意事项** +19. **自定义对象作为HashMap key的注意事项** +20. **集合遍历和删除的最佳实践** +21. **Iterator vs Enumeration vs ListIterator区别** +22. **Comparable vs Comparator区别和使用场景** + +--- + +## 📝 面试话术模板 + +### 回答框架 + +``` +1. 概念定义（30秒） + - 简要说明是什么 + +2. 核心原理（60秒） + - 底层实现机制 + - 关键数据结构 + +3. 特性分析（30秒） + - 优缺点对比 + - 时间复杂度 + +4. 使用场景（30秒） + - 什么情况下使用 + - 注意事项 + +5. 深入扩展（可选） + - 源码细节 + - 性能优化 + - 最佳实践 +``` + +### 关键话术 + +- **HashMap原理**："HashMap底层基于数组+链表+红黑树实现，JDK1.8进行了重要优化，当链表长度大于8时转换为红黑树..." + +- **线程安全**："HashMap线程不安全主要表现在数据丢失和死循环，解决方案有使用ConcurrentHashMap或Collections.synchronizedMap..." + +- **性能对比**："ArrayList和LinkedList各有优势，ArrayList适合随机访问，LinkedList适合频繁插入删除，选择依据主要是操作特点..." + +- **并发集合**："ConcurrentHashMap通过分段锁(JDK1.7)和CAS+synchronized(JDK1.8)实现高并发，相比Hashtable性能更好..." + +- **扩容机制**："HashMap默认初始容量16，负载因子0.75，扩容时容量翻倍，JDK1.8优化了扩容算法..." + +- **数据结构选择**："根据业务场景选择：需要去重用Set，需要排序用TreeSet，高并发用ConcurrentHashMap..." + + + +### 面试准备清单 + +**📋 必备图表** + +- [ ] 画出HashMap数据结构图（数组+链表+红黑树） +- [ ] 准备ConcurrentHashMap JDK版本对比表 +- [ ] 总结各种集合的使用场景表格 +- [ ] 整理集合类继承关系图 + +**💻 实战练习** + +- [ ] 手写LRU缓存（基于LinkedHashMap） +- [ ] 实现线程安全的ArrayList +- [ ] 分析HashMap死循环问题（JDK1.7） +- [ ] 性能测试对比不同集合类型 + +**🎯 核心算法** + +- [ ] HashMap的hash函数实现 +- [ ] HashMap的put和get流程 +- [ ] ConcurrentHashMap的分段锁原理 +- [ ] ArrayList的扩容机制 + +**📚 推荐资源** + +- 《Java核心技术》第九章：集合 +- 《Java并发编程实战》：并发集合部分 +- HashMap源码分析文章 +- ConcurrentHashMap源码解读 + +--- + +## 🎉 总结 + +> **Java集合框架面试成功秘诀** +> +> 1. **掌握核心原理**：HashMap、ConcurrentHashMap、ArrayList是重中之重 +> 2. **理解设计思想**：为什么这样设计？解决了什么问题？ +> 3. **关注版本差异**：JDK1.7 vs JDK1.8的重要变化 +> 4. **结合实际应用**：什么场景用什么集合？性能如何优化？ +> 5. **准备代码示例**：能手写关键算法，能分析源码 +> +> **记住：集合框架不仅是数据结构，更是解决实际问题的工具。深入理解原理，才能在面试中游刃有余，在实际开发中选择最优方案。** + diff --git a/docs/interview/Java-Develop-FAQ.md b/docs/interview/Java-Develop-FAQ.md deleted file mode 100644 index d9c16cb388..0000000000 --- a/docs/interview/Java-Develop-FAQ.md +++ /dev/null @@ -1,42 +0,0 @@ -### 你了解 Java 应用开发中的注入攻击吗？ - -注入式（Inject）攻击是一类非常常见的攻击方式，其基本特征是程序允许攻击者将不可信的动态内容注入到程序中，并将其执行，这就可能完全改变最初预计的执行过程，产生恶意效果。 - -下面是几种主要的注入式攻击途径，原则上提供动态执行能力的语言特性，都需要提防发生注入攻击的可能。 - -首先，就是最常见的 SQL 注入攻击。一个典型的场景就是 Web 系统的用户登录功能，根据用户输入的用户名和密码，我们需要去后端数据库核实信息。 - -假设应用逻辑是，后端程序利用界面输入动态生成类似下面的 SQL，然后让 JDBC 执行。 - -``` -Select * from use_info where username = “input_usr_name” and password = “input_pwd” -``` - -但是，如果我输入的 input_pwd 是类似下面的文本， - -``` -“ or “”=” -``` - -那么，拼接出的 SQL 字符串就变成了下面的条件，OR 的存在导致输入什么名字都是复合条件的。 - -``` -Select * from use_info where username = “input_usr_name” and password = “” or “” = “” -``` - -这里只是举个简单的例子，它是利用了期望输入和可能输入之间的偏差。上面例子中，期望用户输入一个数值，但实际输入的则是 SQL 语句片段。类似场景可以利用注入的不同 SQL 语句，进行各种不同目的的攻击，甚至还可以加上“;delete xxx”之类语句，如果数据库权限控制不合理，攻击效果就可能是灾难性的。 - -第二，操作系统命令注入。Java 语言提供了类似 Runtime.exec(…) 的 API，可以用来执行特定命令，假设我们构建了一个应用，以输入文本作为参数，执行下面的命令： - -``` -ls –la input_file_name -``` - -但是如果用户输入是 “input_file_name;rm –rf /*”，这就有可能出现问题了。当然，这只是个举例，Java 标准类库本身进行了非常多的改进，所以类似这种编程错误，未必可以真的完成攻击，但其反映的一类场景是真实存在的。 - -第三，XML 注入攻击。Java 核心类库提供了全面的 XML 处理、转换等各种 API，而 XML 自身是可以包含动态内容的，例如 XPATH，如果使用不当，可能导致访问恶意内容。 - -还有类似 LDAP 等允许动态内容的协议，都是可能利用特定命令，构造注入式攻击的，包括 XSS（Cross-site Scripting）攻击，虽然并不和 Java 直接相关，但也可能在 JSP 等动态页面中发生。 - - - diff --git a/docs/interview/Kafka-FAQ.md b/docs/interview/Kafka-FAQ.md index 22505a706c..7759b26147 100644 --- a/docs/interview/Kafka-FAQ.md +++ b/docs/interview/Kafka-FAQ.md @@ -3,19 +3,45 @@ title: Kakfa 面试 date: 2022-1-9 tags: - Kafka + - Interview categories: Interview --- -> Kafak 知识是对分布式，或者直接说是中间件、消息队列考察点的必问内容 +![](https://img.starfish.ink/common/faq-banner.png) -## 一、概念性问题 +> Kafka作为现代分布式系统的**核心消息中间件**，是面试中的**重点考查对象**。从基础架构到高级特性，从性能优化到故障处理，每个知识点都是技术面试的热点。本文档将**Kafka核心技术**整理成**系统化知识体系**，涵盖架构原理、性能调优、可靠性保障等关键领域，助你在面试中脱颖而出！ -### 1、为什么需要消息队列 +Kafka 面试，围绕着这么几个核心方向准备： + + - **Kafka核心架构**（Broker、Topic、Partition、Producer、Consumer、副本机制） + - **高性能原理**（顺序写、零拷贝、批处理、分区并行、Page Cache利用） + - **可靠性保障**（副本同步、ISR机制、事务支持、一致性保证） + - **性能调优**（分区设计、批处理优化、网络调优、JVM调优） + - **故障处理**（Leader选举、数据恢复、监控告警、容灾设计） + - **高级特性**（Kafka Streams、KRaft模式、延时队列、死信队列） + - **实战应用**（架构设计、最佳实践、问题排查、性能优化案例） + +## 🗺️ 知识导航 + +### 🏷️ 核心知识分类 + +1. **基础与架构**：Kafka定位、核心组件、消息模型、集群架构 +2. **高性能原理**：零拷贝技术、顺序写优化、批处理机制、网络模型 +3. **可靠性保障**：副本机制、一致性保证、事务支持、故障恢复 +4. **性能与调优**：分区设计、参数调优、监控指标、瓶颈分析 +5. **高级特性**：流处理、延时队列、死信队列、KRaft模式 +6. **工程实践**：架构设计、运维监控、故障排查、最佳实践 + +## 一、Kafka基础与架构 🧠 + +### 🎯 为什么需要消息队列 + +消息队列最鲜明的特性是**异步、削峰、解耦**。 1. **解耦**： 允许你独立的扩展或修改两边的处理过程，只要确保它们遵守同样的接口约束。 2. **冗余**：消息队列把数据进行持久化直到它们已经被完全处理，通过这一方式规避了数据丢失风险。许多消息队列所采用的"插入-获取-删除"范式中，在把一个消息从队列中删除之前，需要你的处理系统明确的指出该消息已经被处理完毕，从而确保你的数据被安全的保存直到你使用完毕。 3. **扩展性**： 因为消息队列解耦了你的处理过程，所以增大消息入队和处理的频率是很容易的，只要另外增加处理过程即可。 -4. **灵活性 & 峰值处理能力**： 在访问量剧增的情况下，应用仍然需要继续发挥作用，但是这样的突发流量并不常见。 如果为以能处理这类峰值访问为标准来投入资源随时待命无疑是巨大的浪费。使用消息队列能够使关键组件顶住突发的访问压力，而不会因为突发的超负荷的请求而完全崩溃。 +4. **峰值处理能力** & **灵活性 **： 在访问量剧增的情况下，应用仍然需要继续发挥作用，但是这样的突发流量并不常见。 如果为以能处理这类峰值访问为标准来投入资源随时待命无疑是巨大的浪费。使用消息队列能够使关键组件顶住突发的访问压力，而不会因为突发的超负荷的请求而完全崩溃。 5. **可恢复性**： 系统的一部分组件失效时，不会影响到整个系统。消息队列降低了进程间的耦合度，所以即使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。 6. **顺序保证**： 在大多使用场景下，数据处理的顺序都很重要。大部分消息队列本来就是排序的，并且能保证数据会按照特定的顺序来处理。（Kafka 保证一个 Partition 内的消息的有序性） 7. **缓冲**： 有助于控制和优化数据流经过系统的速度， 解决生产消息和消费消息的处理速度不一致的情况。 @@ -23,126 +49,228 @@ categories: Interview -### 2、Kakfa 是什么 +### 🎯 Kakfa 是什么 ? -Kafka 是由 Apache 软件基金会开发的一个开源流处理平台。 +"Kafka是Apache开源的分布式流处理平台，主要用于构建实时数据管道和流式应用。它具有高吞吐量、低延迟、容错性强的特点。 -Kafka 是一个**分布式**的基于**发布/订阅模式的消息队列**（Message Queue），主要应用于大数据实时处理领域。 +在我们的项目中，我主要用它来做消息中间件，实现系统解耦、异步处理和数据缓冲。比如在用户下单后，我们会将订单信息发送到Kafka，然后由不同的消费者去处理库存扣减、支付、物流等后续流程。" -### 3、Kafka 使用场景 ？ +### 🎯 Kafka 使用场景 ？ - 消息系统：解耦生产者和消费者、缓存消息等。 -- 日志收集：一个公司可以用Kafka收集各种服务的log，通过kafka以统一接口服务的方式开放给各种consumer，例如hadoop、HBase、Solr等。 -- 用户活动跟踪：Kafka经常被用来记录web用户或者app用户的各种活动，如浏览网页、搜索、点击等活动，这些活动信息被各个服务器发布到kafka的topic中，然后订阅者通过订阅这些topic来做实时的监控分析，或者装载到hadoop、数据仓库中做离线分析和挖掘。 -- 运营指标：Kafka也经常用来记录运营监控数据。包括收集各种分布式应用的数据，生产各种操作的集中反馈，比如报警和报告。 -- 流式处理：比如spark streaming和 Flink +- 日志收集：一个公司可以用 Kafka 收集各种服务的 log，通过kafka以统一接口服务的方式开放给各种consumer，例如hadoop、HBase、Solr 等。 +- 用户活动跟踪：Kafka 经常被用来记录 web 用户或者app用户的各种活动，如浏览网页、搜索、点击等活动，这些活动信息被各个服务器发布到kafka的topic中，然后订阅者通过订阅这些topic来做实时的监控分析，或者装载到hadoop、数据仓库中做离线分析和挖掘。 +- 运营指标：Kafka 也经常用来记录运营监控数据。包括收集各种分布式应用的数据，生产各种操作的集中反馈，比如报警和报告。 +- 流式处理：比如 spark streaming 和 Flink -### 4、Kafka 都有哪些特点？ +### 🎯 Kafka 都有哪些特点？ -- 高吞吐量、低延迟：kafka 每秒可以处理几十万条消息，它的延迟最低只有几毫秒，每个 topic 可以分多个 partition, consumer group 对 partition 进行 consume 操作。 +- 高吞吐量、低延迟：kafka 每秒可以处理几十万条消息，它的延迟最低只有几毫秒，每个 topic 可以分多个 partition，consumer group 对 partition 进行 consume 操作。 - 可扩展性：kafka 集群支持热扩展 - 持久性、可靠性：消息被持久化到本地磁盘，并且支持数据备份防止数据丢失 - 容错性：允许集群中节点失败（若副本数量为n,则允许n-1个节点失败） - 高并发：支持数千个客户端同时读写 +> 面试中还有一个比较经典的问题，就是你为什么用 Kafka、RabbitMQ 或 RocketMQ，又 或者说你为什么使用某一个中间件，这种问题该怎么回答呢？ -### 5、Kafka 主要组件有哪些 -![图片：mrbird.cc](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/kafka/QQ20200324-210522@2x.png) +### 🎯 Kafka 核心 API 有哪些？ -Kafka 架构分为以下几个部分 +1. Producer API 允许应用程序发送数据流到 kafka 集群中的 topic +2. Consumer API 允许应用程序从 kafka 集群的 topic 中读取数据流 +3. Streams API 允许从输入 topic 转换数据流到输出 topic +4. Connect API 用于在 Kafka 与外部系统之间构建数据管道。它支持可插拔的连接器，用于将数据从外部系统导入 Kafka 或将 Kafka 数据导出到外部系统。 +5. Admin API 用于管理和监控 Kafka 集群。它提供了创建、删除主题，查看主题、分区和 Broker 信息等功能。 -- Producer ：消息生产者，就是向 kafka broker 发消息的客户端。 -- Consumer ：消息消费者，向 kafka broker 取消息的客户端。 -- Topic ：可以理解为一个队列，一个 Topic 又分为一个或多个分区。 -- Consumer Group：这是 kafka 用来实现一个 topic 消息的广播（发给所有的 consumer）和单播（发给任意一个 consumer）的手段。一个 topic 可以有多个 Consumer Group。 -- Broker ：一台 kafka 服务就是一个 broker。一个集群由多个 broker 组成。一个 broker 可以容纳多个 topic。 -- Partition：为了实现扩展性，一个非常大的 topic 可以分布到多个 broker上，每个 partition 是一个有序的队列。partition 中的每条消息都会被分配一个有序的id（offset）。将消息发给 consumer，kafka 只保证按一个 partition 中的消息的顺序，不保证一个 topic 的整体（多个 partition 间）的顺序。 -- Offset：kafka 的存储文件都是按照 offset.kafka 来命名，用 offset 做名字的好处是方便查找。例如你想找位于 2049 的位置，只要找到 2048.kafka 的文件即可。当然 the first offset 就是 00000000000.kafka。 +## 二、Kafka高性能原理 🚀 -### 6、 Kakfa 核心 API 有哪些 +### 🎯 Kafka 的设计架构你知道吗？ -1. Producer API -2. Consumer API -3. Streams API -4. Connector API -5. Admin API（高版本增加的） +![](https://mrbird.cc/img/QQ20200324-210522@2x.png) -## 二、架构 | 原理和设计 +### 🎯 Kafka的核心组件有哪些？ -### 7、 Kafka 的设计架构你知道吗？ +Kafka主要组件及其作用： -![](https://mrbird.cc/img/QQ20200324-210522@2x.png) +**1. Broker（服务节点）**： +- Kafka集群中的服务器实例 +- 负责消息存储、转发和副本管理 +- 每个Broker有唯一ID标识 +- 支持动态加入和退出集群 +**2. Topic（主题）**： -### 8、Zookeeper 在 Kafka 中的作用 +- 消息的逻辑分类单位 +- 类似数据库中的表概念 +- 支持多分区和副本配置 +- 可设置保留策略和清理策略 -Zookeeper 主要用于在集群中不同节点之间的通信 +**3. Partition（分区）**： -老版本的 kafka 中，偏移量信息也存放在 zk 中 +- Topic的物理分割单位 +- 实现消息并行处理和负载分担 +- 每个分区内消息有序 +- 分区可分布在不同Broker上 + +**4. Producer（生产者）**： + +- 向Topic发送消息的客户端 +- 支持同步和异步发送 +- 可指定分区策略 +- 支持批量发送和压缩 + +**5. Consumer（消费者）**： + +- 从Topic读取消息的客户端 +- 维护消费位置（offset） +- 支持手动和自动提交offset +- 可订阅多个Topic + +**6. Consumer Group（消费者组）**： + +- 消费者的逻辑分组 +- 组内消费者协作消费Topic +- 实现负载均衡和故障转移 +- 每个分区只能被组内一个消费者消费 + +**7. Zookeeper/KRaft**： + +- 集群协调和元数据管理 +- Broker注册和服务发现 +- Leader选举和配置管理 +- Kafka 2.8+支持KRaft模式 + + + +### 🎯 Zookeeper 在 Kafka 中的作用？ + +Zookeeper 主要用于在集群中不同节点之间的通信。老版本的 kafka 中，偏移量信息也存放在 zk 中。 + +在 Kafka 中，主要被用于集群元数据管理、 Broker管理、leader 检测、分布式同步、配置管理、识别新节点何时离开或者连接、集群、节点实时状态等 + +1. 集群元数据管理 + + ZooKeeper存储和管理Kafka集群的元数据信息，包括Broker列表、主题配置和分区信息。这些元数据确保Kafka集群中的各个节点能够协同工作，保持一致性。 + +2. Broker管理 + + ZooKeeper维护Kafka集群中的Broker列表。每个Broker启动时，会向ZooKeeper注册自己，并周期性地发送心跳信息。ZooKeeper监控这些心跳信息，检测Broker的状态。如果某个Broker失效，ZooKeeper会通知集群中的其他组件，以便进行故障恢复。 + +3. 分区Leader选举 + + Kafka中的每个分区都有一个Leader负责处理所有的读写请求，其他Broker作为Follower从Leader复制数据。ZooKeeper负责管理分区的Leader选举。当Leader失效时，ZooKeeper会触发重新选举，确保分区始终有一个可用的Leader。 + +4. 消费者组协调 + + ZooKeeper管理消费者组的成员信息和偏移量。消费者组中的每个消费者实例向ZooKeeper注册自己，并定期发送心跳信息。ZooKeeper根据这些信息协调消费者组的成员，确保每个分区的消息只被一个消费者实例消费。同时，ZooKeeper还存储消费者组的偏移量，便于在消费者故障恢复时继续消费。 + +5. 配置管理 + + ZooKeeper用于存储Kafka集群的配置信息。通过ZooKeeper，可以集中管理和动态更新Kafka的配置，而无需重启集群中的每个节点。 + + + +### 🎯 没有 Zookeeper ， Kafka 能用吗？ + +在Kafka的传统架构中，ZooKeeper是必不可少的组件，它负责集群的管理和协调任务，如元数据管理、Leader选举和消费者组协调。然而，Kafka已经逐步减少对ZooKeeper的依赖，特别是在新的Kafka版本中，通过引入Kafka Raft协议（KRaft），Kafka可以在没有ZooKeeper的情况下运行。 + +**Kafka Raft协议（KRaft）** + +Kafka Raft协议是Kafka 2.8.0版本引入的，旨在移除对ZooKeeper的依赖。KRaft采用了Raft共识算法来管理Kafka集群的元数据和协调任务，使Kafka能够在没有ZooKeeper的情况下独立运行。 + +**KRaft的主要特性：** + +1. **分布式共识**：使用Raft协议实现分布式共识，确保元数据的一致性和可靠性。 +2. **高可用性**：通过选举Leader，保证即使在节点故障的情况下，集群依然能够正常运行。 +3. **简化架构**：移除ZooKeeper后，Kafka集群的架构变得更加简单，部署和管理也更加方便。 + +**设置KRaft模式** + +以下是配置Kafka在KRaft模式下运行的基本步骤： + +1. **配置服务器属性**： 创建一个新的配置文件`server.properties`，并添加以下配置项： + + ```properties + process.roles=controller,broker + node.id=1 + controller.quorum.voters=1@localhost:9093 + listeners=PLAINTEXT://localhost:9092,CONTROLLER://localhost:9093 + log.dirs=/tmp/kraft-combined-logs + ``` + +2. **启动Kafka**： 使用新的配置文件启动Kafka： + + ```bash + bin/kafka-server-start.sh config/server.properties + ``` + +3. **初始化元数据**： 在第一次启动时，需要初始化元数据： + + ```bash + bin/kafka-storage.sh format -t -c config/server.properties + ``` + +**KRaft的优势** + +- **简化部署**：减少了Kafka集群的组件数量，使得部署和管理变得更加简单。 +- **降低运维成本**：不再需要维护ZooKeeper集群，降低了运维成本和复杂性。 +- **提高稳定性**：通过Raft协议实现的分布式共识，提高了系统的稳定性和可靠性。 + +| 特性 | Zookeeper 模式 | KRaft 模式 | +| -------------- | -------------------------------- | ---------------------- | +| 元数据存储 | Zookeeper | Kafka 内部日志 | +| 一致性协议 | ZAB (Zookeeper Atomic Broadcast) | Raft | +| 组件复杂度 | 需要维护 Kafka + ZK 两套集群 | 只需维护 Kafka | +| 运维成本 | 高 | 低 | +| 元数据操作延迟 | 较高 | 更低（内部日志写入） | +| Kafka 版本支持 | 默认（≤2.8） | 推荐（≥3.3），未来唯一 | -在 Kafka 中，主要被用于 leader 检测、分布式同步、配置管理、识别新节点何时离开或者连接、集群、节点实时状态等 -> Kafka将元数据信息保存在Zookeeper中，但是发送给Topic本身的数据是不会发到Zk上的，否则Zk就疯了。kafka使用zookeeper来实现动态的集群扩展，不需要更改客户端（producer和consumer）的配置。broker会在zookeeper注册并保持相关的元数据（topic，partition信息等）更新。而客户端会在zookeeper上注册相关的watcher。一旦zookeeper发生变化，客户端能及时感知并作出相应调整。这样就保证了添加或去除broker时，各broker间仍能自动实现负载均衡。这里的客户端指的是Kafka的消息生产端(Producer)和消息消费端(Consumer)Producer端使用zookeeper用来"发现"broker列表,以及和Topic下每个partition的leader建立socket连接并发送消息。也就是说每个Topic的partition是由Lead角色的Broker端使用zookeeper来注册broker信息,以及监测partition leader存活性.Consumer端使用zookeeper用来注册consumer信息,其中包括consumer消费的partition列表等,同时也用来发现broker列表,并和partition leader建立socket连接,并获取消息. -> -> 首先从controller看起，这是zk中一个重要的组成：Controller 作为 Kafka Server端一个重要的组件，它的角色类似于其他分布式系统Master的角色，跟其他系统不一样的是，Kafka集群的任何一台Broker都可以作为Controller，但是在一个集群中同时只会有一个 Controller是alive状态。在于分布式系统中，总会有一个地方需要对全局 meta 做一个统一的维护，Kafka 的 Controller 就是充当这个角色的。Controller 是运行在 Broker 上的，任何一台 Broker 都可以作为 Controller，但是一个集群同时只能存在一个 Controller，也就意味着 Controller 与数据节点是在一起的，Controller 做的主要事情如下： -> -> Broker 的上线、下线处理； -> 新创建的 topic 或已有 topic 的分区扩容，处理分区副本的分配、leader 选举； -> 管理所有副本的状态机和分区的状态机，处理状态机的变化事件； -> topic 删除、副本迁移、leader 切换等处理。 -> Broker在启动时，会尝试去ZK创建/controller节点，第一个成功创建/controller节点的Broker会被指定为为控制器。了解了controller之后，通过一个图看在controller在zk整体中的情况： -> -> ![preview](https://pic1.zhimg.com/v2-ccf30fbd08cb652a2766899e9b3035c0_r.jpg) -> -> controller就是zk中的一个节点，谁创建成功了谁就成为控制器，其他还有： -> -> Broker注册：Broker在zookeeper中保存为一个临时节点，节点的路径是/brokers/ids/[brokerid],每个节点会保存对应broker的IP以及端口等信息. -> -> Topic注册：在kafka中,一个topic会被分成多个区并被分到多个broker上，分区的信息以及broker的分布情况都保存在zookeeper中，根节点路径为/brokers/topics,每个topic都会在topics下建立独立的子节点，每个topic节点下都会包含分区以及broker的对应信息 -> -> partition状态信息：/brokers/topics/[topic]/partitions/[0…N] 其中[0…N]表示partition索引号 -> -> Controller epoch：此值为一个数字,kafka集群中第一个broker第一次启动时为1，以后只要集群中center controller中央控制器所在broker变更或挂掉，就会重新选举新的center controller，每次center controller变更controller_epoch值就会 + 1; -> -> Controller注册信息：存储center controller中央控制器所在kafka broker的信息 -> -> 生产者负载均衡：当Broker启动时，会注册该Broker的信息，以及可订阅的topic信息。生产者通过注册在Broker以及Topic上的watcher动态的感知Broker以及Topic的分区情况，从而将Topic的分区动态的分配到broker上. -> -> 消费者：kafka有消费者分组的概念，每个分组中可以包含多个消费者，每条消息只会发给分组中的一个消费者，且每个分组之间是相互独立互不影响的。Consumer注册信息: -> 每个consumer都有一个唯一的ID(consumerId可以通过配置文件指定,也可以由系统生成),此id用来标记消费者信息./consumers/[groupId]/ids/[consumerIdString]是一个临时的znode,此节点的值为请看consumerIdString产生规则,即表示此consumer目前所消费的topic + partitions列表. -> -> 消费者与分区的对应关系:对于每个消费者分组，kafka都会为其分配一个全局唯一的Group ID,分组内的所有消费者会共享该ID,kafka还会为每个消费者分配一个consumer ID,通常采用hostname:uuid的形式。在kafka的设计中规定，对于topic的每个分区，最多只能被一个消费者进行消费，也就是消费者与分区的关系是一对多的关系。消费者与分区的关系也被存储在zookeeper中节点的路劲为 /consumers/[group_id]/owners/[topic]/[broker_id-partition_id],该节点的内容就是消费者的Consumer ID -> -> 消费者负载均衡:消费者服务启动时，会创建一个属于消费者节点的临时节点，节点的路径为 /consumers/[group_id]/ids/[consumer_id],该节点的内容是该消费者订阅的Topic信息。每个消费者会对/consumers/[group_id]/ids节点注册Watcher监听器，一旦消费者的数量增加或减少就会触发消费者的负载均衡。消费者还会对/brokers/ids/[brokerid]节点进行监听，如果发现服务器的Broker服务器列表发生变化，也会进行消费者的负载均衡 +### 🎯 Kafka 2.8+版本的KRaft模式了解吗？ +**什么是 KRaft 模式？** -### 9、没有 Zookeeper ， Kafka 能用吗？ +- **KRaft（Kafka Raft Metadata Mode）** 是 **Kafka 自己实现的元数据管理机制**，基于 **Raft 共识协议**。 +- 在 Kafka 2.8.0 里引入（实验特性），在 3.3+ 里逐步推荐，未来计划完全取代 **Zookeeper**。 -- Kafka can now be used without ZooKeeper as of version 2.8. The release of Kafka 2.8.0 in April 2021 gave us all the opportunity to try it out without ZooKeeper. However, this version is not yet ready for production and lacks some key features. -- In the previous versions, bypassing Zookeeper and connecting directly to the Kafka broker was not possible. This is because when the Zookeeper is down, it is unable to fulfill client requests. +传统 Kafka 集群依赖 Zookeeper 存储和管理 **元数据（topic、分区、副本、副本分配）**，带来了一些问题： +1. Kafka + Zookeeper 双集群运维复杂（两个分布式系统）。 +2. 数据一致性和 failover 依赖 Zookeeper，扩展性受限。 +3. 运维人员需要维护 ZK，增加复杂度。 +**KRaft 模式的目标**：去掉 Zookeeper，让 Kafka 本身通过 **Raft 协议**管理元数据，提升一致性和简化运维。 -### Kafka 判断一个节点是否存活有什么条件 +**KRaft 模式核心机制** -- 节点必须可以维护和 ZooKeeper 的连接，Zookeeper 通过心跳机制检查每个节点的连接 -- 如果节点是个 follower,他必须能及时的同步 leader 的写操作，延时不能太久 +1. **元数据管理** + - KRaft 用一个新的组件 **Quorum Controller** 取代 Zookeeper，负责集群元数据的存储和管理。 + - 元数据写入 Kafka 内部的一个特殊日志（`__cluster_metadata` topic），保证和普通数据一样的高可用 & 顺序性。 +2. **一致性协议** + - 使用 Raft 协议保证多个 Controller 节点之间的数据一致性。 + - 选举 Leader Controller → 所有元数据变更必须经过 Leader 写入日志，Follower 复制。 +3. **集群架构** + - Controller 不再依赖 Zookeeper，而是内置在 Kafka Broker 中。 + - Broker 启动时可以是 **Controller** 角色，也可以是普通 **Broker**。 + - 最终元数据存储在 Kafka 自己的日志文件中。 +4. **运维简化** + - 不再需要维护 Zookeeper 集群 → 只需要 Kafka Broker 即可。 + - 元数据操作更快，因为省去了跨系统交互。 -### 10、Kafka 分区的目的？ +### 🎯 Kafka 分区的目的？ 简而言之：**负载均衡+水平扩展** @@ -156,146 +284,347 @@ Topic 只是逻辑概念，面向的是 producer 和 consumer；而 Partition -### 11、Kafka 的多副本机制了解吗 +### 🎯 Kafka的分区策略有哪些？ -> 所谓的副本机制（Replication），也可以称之为备份机制，通常是指分布式系统在多台网络互联的机器上保存有相同的数据拷贝。副本机制有什么好处呢？ -> -> 1. **提供数据冗余**。即使系统部分组件失效，系统依然能够继续运转，因而增加了整体可用性以及数据持久性。 -> 2. **提供高伸缩性**。支持横向扩展，能够通过增加机器的方式来提升读性能，进而提高读操作吞吐量。 -> 3. **改善数据局部性**。允许将数据放入与用户地理位置相近的地方，从而降低系统延时。 -> -> Kafka 只是用副本机制来提供数据冗余实现高可用性和高持久性，也就是第一个好处 +"Kafka主要有以下分区策略： +- **轮询分区**：默认策略，消息均匀分布到各个分区 +- **Key哈希分区**：根据消息的key进行hash，相同key的消息会路由到同一分区 +- **自定义分区**：实现Partitioner接口，自定义分区逻辑 -![img](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/interview/20210407180101.png) +在实际项目中，我们根据业务场景选择： +- 对于用户行为日志，使用轮询分区保证负载均衡 +- 对于订单消息，使用用户ID作为key进行哈希分区，确保同一用户的订单有序处理” -所谓副本，本质上就是一个只能追加写消息的提交日志。这些日志被相同的分散保存在不同的 Broker 上。 -在实际生产上，每台 Broker 都可能保存有各个主题下不同分区的不同副本。因此单个Broker上存有成百上千个副本现象是非常正常的。 -既然多个Broker中保存分区下的多个副本，那么是如何保证副本当中的数据都是一致的呢？ +### 🎯 Kafka的存储机制是怎样的？ -针对这个问题，kafka的解决方案就是**领导者副本机制** +"Kafka的存储采用分段文件存储： +- **Log Segment**：每个分区由多个段文件组成，默认1GB或7天切分一个新段 +- **顺序写入**：所有写入都是顺序追加，充分利用磁盘顺序IO性能 +- **零拷贝**：通过sendfile系统调用实现零拷贝，减少数据在内核和用户态之间的拷贝 +- **页缓存**：充分利用操作系统的页缓存机制 -![img](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/interview/20210407191337.png) +这种设计使得Kafka具有很高的吞吐量。在我们的生产环境中，通过监控发现磁盘IO主要是顺序写入，CPU使用率也保持在较低水平。” -- 在kafka中，副本分成两类：领导者副本和追随者副本。每个分区在创建时都要选举一个副本，成为领导者副本，其余的副本自动称为追随者副本。 -- kafka中，**追随者副本是不会对外提供服务的**，所有的请求都必须由领导者副本来处理。它唯一的任务就是从领导者副本异步拉取消息，并写入到自己提交日志中，从而实现与领导者副本的同步。 -- 当领导者副本挂掉了，或者说所在 Broker 宕机了，kafka 可以通过 Zookeeper 提供的监控功能能够实时感知到，并开启新一轮领导者选举，从追随者副本中选一个作为新的领导者。老 Leader 副本重启回来后，只能作为追随者副本加入到集群中。 +### 🎯 为什么不能以 partition 作为存储单位？还要加个 segment？ -### 12、 Kafka 副本机制的好处 +在Apache Kafka中，虽然Partition是逻辑上的存储单元，但在物理存储层面上，Kafka将每个Partition划分为多个Segment。这种设计有几个重要的原因，主要包括管理、性能和数据恢复等方面的考虑。 -**方便实现“Read-your-writes”**。 +**1、易于管理** -所谓 Read-your-writes，顾名思义就是，当你使用生产者 API 向 Kafka 成功写入消息后，马上使用消费者 API 去读取刚才生产的消息。 +​ 将Partition划分为多个Segment使得Kafka在管理日志文件时更加灵活： -举个例子，比如你平时发微博时，你发完一条微博，肯定是希望能立即看到的，这就是典型的 Read-your-writes 场景。如果允许追随者副本对外提供服务，由于副本同步是异步的，因此有可能出现追随者副本还没有从领导者副本那里拉取到最新的消息，从而使得客户端看不到最新写入的消息。 +- 日志滚动：通过Segment，Kafka可以实现日志滚动策略，例如按时间或文件大小进行滚动，删除旧的Segment文件以释放存储空间。 -**方便实现单调读（Monotonic Reads）**。 +- 文件大小限制：单个大的日志文件难以管理和操作，而将其划分为多个较小的Segment文件，便于进行文件系统操作，如移动、删除和压缩。 -什么是单调读呢？就是对于一个消费者用户而言，在多次消费消息时，它不会看到某条消息一会儿存在一会儿不存在。 +**2、性能优化** -如果允许追随者副本提供读服务，那么假设当前有 2 个追随者副本 F1 和 F2，它们异步地拉取领导者副本数据。倘若 F1 拉取了 Leader 的最新消息而 F2 还未及时拉取，那么，此时如果有一个消费者先从 F1 读取消息之后又从 F2 拉取消息，它可能会看到这样的现象：第一次消费时看到的最新消息在第二次消费时不见了，这就不是单调读一致性。但是，如果所有的读请求都是由 Leader 来处理，那么 Kafka 就很容易实现单调读一致性。 +Segment有助于提升Kafka的性能，尤其是在数据写入和读取方面： +- **顺序写入**：Kafka通过顺序写入Segment文件来优化磁盘写入性能，避免随机写入的开销。 +- **高效读取**：分段存储允许Kafka在读取数据时更有效地利用磁盘缓存，并可以通过索引快速定位Segment文件中的数据位置，提升读取效率。 +**3、数据恢复和副本同步** -### 13、 kafka 数据可靠性保证|实现？ +​ Segment的引入简化了数据恢复和副本同步过程： -谈及可靠性，最常规、最有效的策略就是 “副本（replication）机制” ，Kafka 实现高可靠性同样采用了该策略。 +- **数据恢复**：在发生故障时，Kafka只需要恢复受影响的Segment文件，而不是整个Partition，从而加快数据恢复速度。 -通过调节副本相关参数，可使 Kafka 在性能和可靠性之间取得平衡。 +- **副本同步**：当副本之间进行数据同步时，Segment级别的操作使得Kafka能够仅同步最近更新的Segment，而不是整个Partition的数据，减少网络带宽的使用和同步时间。 -> 实践中，我们为了保证 producer 发送的数据，能可靠地发送到指定的 topic，topic 的每个 partition 收到 producer 发送的数据后，都需要向 producer 发送 ack（acknowledge 确认收到），如果 producer 收到 ack，就会进行下一轮的发送，否则重新发送数据。 -> -> 涉及到副本 ISR、故障处理中的 LEO、HW +**4、高效的垃圾回收** -#### ISR +​ Segment使得Kafka能够更高效地进行垃圾回收： -一个 partition 有多个副本（replicas），为了提高可靠性，这些副本分散在不同的 broker 上，由于带宽、读写性能、网络延迟等因素，同一时刻，这些副本的状态通常是不一致的：即 followers 与 leader 的状态不一致。 +- **日志清理**：Kafka的日志清理策略可以在Segment级别进行，删除或压缩旧的Segment文件，而不影响正在使用的Segment。 +- **TTL管理**：Kafka可以基于Segment实现TTL（Time-to-Live）管理，在达到指定保留时间后删除旧的Segment文件，从而控制磁盘空间的使用。 -为保证 producer 发送的数据，能可靠的发送到指定的 topic，topic 的每个 partition 收到 producer 数据后，都需要向 producer 发送 ack（acknowledgement确认收到），如果 producer 收到 ack，就会进行下一轮的发送，否则重新发送数据。 -leader 维护了一个动态的 **in-sync replica set**(ISR)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，leader 就会给 follower 发送 ack。 -如果 follower 长时间未向 leader 同步数据，则该 follower 将会被踢出 ISR，该时间阈值由 `replica.lag.time.max.ms` 参数设定。当前默认值是 10 秒。这就是说，只要一个 follower 副本落后 Leader 副本的时间不连续超过 10 秒，那么 Kafka 就认为该 Follower 副本与 Leader 是同步的，即使此时 follower 副本中保存的消息明显少于 Leader 副本中的消息。 +### 🎯 segment 的工作原理是怎样的？ -#### ack 应答机制 +segment 文件由两部分组成，分别为 “.index” 文件和 “.log” 文件，分别表示为 segment 索引文件和数据文件。 -对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，所以没必要等 ISR 中的 follower 全部接收成功。 +这两个文件的命令规则为：partition 全局的第一个 segment 从 0 开始，后续每个 segment 文件名为上一个 segment 文件最后一条消息的 offset 值，数值大小为 64 位，20 位数字字符长度，没有数字用 0 填充 -所以 Kafka 为用户提供了**三种可靠性级别**，用户根据对可靠性和延迟的要求进行权衡，选择以下的 acks 参数配置 -- 0：producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还没有写入磁盘就已经返回，当 broker 故障时有可能**丢失数据**； -- 1：producer 等待 broker 的 ack，partition 的 leader 落盘成功后返回 ack，如果在 follower 同步成功之前 leader 故障，那么将会**丢失数据**； -- -1（all）：producer 等待 broker 的 ack，partition 的 leader 和 follower 全部落盘成功后才返回 ack。但是如果在 follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么就会造成**数据重复**。 -#### 故障处理 +### 🎯 如果我指定了一个offset，kafka 怎么查找到对应的消息？ -由于我们并不能保证 Kafka 集群中每时每刻 follower 的长度都和 leader 一致（即数据同步是有时延的），那么当 leader 挂掉选举某个 follower 为新的 leader 的时候（原先挂掉的 leader 恢复了成为了 follower），可能会出现 leader 的数据比 follower 还少的情况。为了解决这种数据量不一致带来的混乱情况，Kafka 提出了以下概念： +在 Kafka 中，每个消息都被分配了一个唯一的偏移量（offset），这是一个连续的整数，表示消息在日志中的位置。当你指定一个偏移量并想要查找对应的消息时，Kafka 会进行以下操作： -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/interview/007S8ZIlly1gh46fmpty5j31eq0hudfw.jpg) +1. **确定分区**：首先，需要确定偏移量所属的分区。Kafka 通过主题和分区的组合来唯一确定消息。 +2. **查找索引**：Kafka 为每个分区维护了一个索引，这个索引允许它快速查找给定偏移量的位置。这个索引通常是稀疏的，以减少内存使用，并存储在内存中。 +3. **确定物理位置**：使用索引，Kafka 可以快速定位到包含目标偏移量消息的物理文件（即日志文件）和文件内的大致位置。 +4. **读取消息**：一旦确定了物理位置，Kafka 会从磁盘读取包含该偏移量的消息。如果文件很大，Kafka 会尝试直接定位到消息的起始位置，否则可能需要顺序扫描到该位置。 +5. **返回消息**：找到指定偏移量的消息后，Kafka 将其返回给请求者。 -- LEO（Log End Offset）：指的是每个副本最后一个offset； -- HW（High Wather）：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。 -消费者和 leader 通信时，只能消费 HW 之前的数据，HW 之后的数据对消费者不可见。 -针对这个规则： +### 🎯 Kafka 高效文件存储设计特点? -- **当follower发生故障时**：follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，follower 会读取本地磁盘记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 leader 进行同步。等该 follower 的 LEO 大于等于该 Partition 的 HW，即 follower 追上 leader 之后，就可以重新加入 ISR 了。 -- **当leader发生故障时**：leader 发生故障之后，会从 ISR 中选出一个新的 leader，之后，为保证多个副本之间的数据一致性，其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉，然后从新的 leader 同步数据。 +- Kafka 把 topic 中一个 partition 大文件分成多个小文件段，通过多个小文件段，就容易定期清除或删除已经消费完文件，减少磁盘占用。 +- 通过索引信息可以快速定位 message 和确定 response 的最大大小。 +- 通过 index 元数据全部映射到 memory，可以避免 segment file 的 IO 磁盘操作。 +- 通过索引文件稀疏存储，可以大幅降低 index 文件元数据占用空间大小 -所以数据一致性并不能保证数据不丢失或者不重复，这是由 ack 控制的。HW 规则只能保证副本之间的数据一致性！ +### 🎯 Kafka是如何保证高可用的？ + +- **分区副本机制**：每个分区有多个副本（replica），分布在不同的Broker上 +- **Leader-Follower模式**：每个分区有一个Leader负责读写，Follower负责备份 +- **ISR机制**：In-Sync Replicas，保证数据一致性 +- **Controller选举**：集群中有一个 Controller 负责管理分区和副本状态 + -### 14、ISR、OSR、AR 是什么？ -ISR：In-Sync Replicas 副本同步队列 +### 🎯 如何提高Kafka的性能？ -OSR：Out-of-Sync Replicas +"我从以下几个方面进行Kafka性能优化： -AR：Assigned Replicas 所有副本 +**生产者端优化：** -ISR 是由 leader 维护，follower 从 leader 同步数据有一些延迟，超过相应的阈值会把 follower 剔除出 ISR，存入 OSR（Out-of-Sync Replicas ）列表，新加入的 follower 也会先存放在 OSR 中。AR=ISR+OSR。 +- 批量发送：调整batch.size和linger.ms参数 +- 压缩：启用压缩算法（如snappy、lz4） +- 异步发送：使用异步模式减少延迟 +- 内存配置：调整buffer.memory +**消费者端优化：** +- 批量拉取：调整fetch.min.bytes和fetch.max.wait.ms +- 多线程消费：一个Consumer Group内多个Consumer并行消费 +- 手动提交：使用手动提交offset，避免重复消费 +**Broker端优化：** +- 磁盘优化：使用SSD，配置合适的文件系统 +- 网络优化：调整socket.send.buffer.bytes等参数 +- JVM调优：配置合适的堆内存大小和GC策略 -### 15、producer 写入消息流程？ +在我们的项目中，通过这些优化，单机吞吐量从10万QPS提升到了50万QPS。” -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gh45yc0vp8j30zz0gbdik.jpg) +### 🎯 Kafka为什么能做到如此高的吞吐量？核心技术原理是什么？ -1. producer 先从 zookeeper 的 "/brokers/.../state"节点找到该 partition 的 leader -2. producer 将消息发送给该 leader -3. leader 将消息写入本地 log -4. followers 从 leader pull 消息，写入本地 log 后向 leader 发送 ACK -5. leader 收到所有 ISR 中的 replication 的 ACK 后，增加 HW（high watermark，最后 commit 的 offset）并向 producer 发送 ACK +"这是Kafka最令人印象深刻的特性之一，单机能轻松做到百万级QPS，我来系统地分析一下高吞吐量的核心技术原理： +**🚀 核心技术架构图：** +``` +[生产者批量发送] → [顺序写入磁盘] → [零拷贝传输] → [消费者并行消费] + ↓ ↓ ↓ ↓ + 减少网络开销 充分利用磁盘 避免CPU拷贝 分区并行处理 +``` + +**1. 批量处理机制（Batching）** +```java +// 生产者批量配置 +props.put("batch.size", 16384); // 16KB批次大小 +props.put("linger.ms", 5); // 等待5ms收集更多消息 +props.put("buffer.memory", 33554432); // 32MB发送缓冲区 +``` +- **原理**：将多条消息打包成一个批次发送 +- **效果**：网络调用次数减少90%，吞吐量提升5-10倍 +- **权衡**：slight延迟增加换取巨大吞吐量提升 + +**2. 分区并行架构（Partitioning）** +``` +Topic: user-events (6个分区) +Partition 0: [消息1, 消息4, 消息7...] → Consumer A +Partition 1: [消息2, 消息5, 消息8...] → Consumer B +Partition 2: [消息3, 消息6, 消息9...] → Consumer C +``` +- **并行写入**：6个分区 = 6倍并行写入能力 +- **并行消费**：6个消费者同时处理，线性扩展 +- **负载分散**：分区分布在不同Broker，避免热点 + +**3. 顺序写入优化（Sequential I/O）** +``` +随机写入：1000 IOPS × 4KB = 4MB/s +顺序写入：磁盘吞吐量可达 200MB/s+ +性能差距：50倍以上！ +``` +- **WAL机制**：每个分区一个日志文件，只做append操作 +- **充分利用磁盘特性**：顺序写入接近内存性能 +- **避免随机I/O**：不需要维护复杂的索引结构 + +**4. 零拷贝技术（Zero Copy）** +``` +传统方式：磁盘→内核→用户态→内核→网卡 (4次拷贝) +零拷贝： 磁盘→内核→网卡 (2次DMA拷贝，0次CPU拷贝) +性能提升：CPU使用率降低60%，吞吐量提升100%+ +``` + +**5. Page Cache充分利用** +```java +// Kafka充分利用操作系统页缓存 +// 写入时：数据写到PageCache，OS异步刷盘 +// 读取时：优先从PageCache读取，避免磁盘I/O +``` +- **写入优化**：写PageCache几乎等于内存写入 +- **读取优化**：热点数据直接从内存读取 +- **减轻GC压力**：使用堆外内存，减少Java GC影响 + +**6. 网络模型优化（Reactor模式）** +``` +[Acceptor线程] → [Processor线程池] → [Handler线程池] + ↓ ↓ ↓ + 接收连接 I/O处理 业务处理 +``` +- **非阻塞I/O**：基于NIO，单线程处理千万级连接 +- **多路复用**：一个线程管理多个连接 +- **线程分离**：I/O和业务处理分离，提高并发 + +**7. 压缩算法优化** +```java +// 不同压缩算法性能对比 +props.put("compression.type", "snappy"); // 推荐 +// snappy: 压缩比3:1，CPU消耗低 +// lz4: 压缩比2.5:1，速度最快 +// gzip: 压缩比5:1，CPU消耗高 +``` + +**🔥 实际性能数据对比：** + +| 优化技术 | 优化前 | 优化后 | 提升比例 | +|---------|--------|--------|----------| +| 批量发送 | 1万QPS | 10万QPS | 10倍 | +| 分区并行 | 10万QPS | 60万QPS | 6倍 | +| 零拷贝 | 60万QPS | 100万QPS | 67% | +| 压缩优化 | 100万QPS | 150万QPS | 50% | + +**🎯 与其他MQ的性能对比：** + +``` +Kafka: 100万+ QPS (单机) +RabbitMQ: 4万QPS (单机) +ActiveMQ: 2万QPS (单机) +RocketMQ: 10万QPS (单机) +``` + +**为什么差距这么大？** +1. **设计哲学不同**：Kafka专为高吞吐量设计，其他MQ更注重功能丰富性 +2. **存储方式不同**：Kafka基于文件系统，其他MQ多基于内存+数据库 +3. **协议复杂度**：Kafka协议相对简单，减少了协议开销 + +**在我们的生产环境中：** +- **电商秒杀场景**：峰值200万QPS，Kafka集群轻松应对 +- **用户行为日志**：每天处理1000亿条消息，延迟保持在10ms以内 +- **实时数据同步**：多个数据中心间同步，网络带宽跑满依然稳定 + +**关键监控指标：** +```bash +# 吞吐量监控 +BytesInPerSec: 800MB/s +BytesOutPerSec: 1.2GB/s +MessagesInPerSec: 1,500,000/s + +# 延迟监控 +ProduceRequestTimeMs: avg=2ms, 99th=15ms +FetchRequestTimeMs: avg=1ms, 99th=8ms +``` + +这些技术的完美结合，让Kafka在大数据时代成为了事实上的标准消息中间件！" +------ -### 16、Kafka消息是采用 Pull 模式，还是 Push 模式？ + + +## 三、 生产者和消费者 👥 + +### 🎯 Kafka消息是采用 Pull 模式，还是 Push 模式？ producer 将消息推送到 broker，consumer 从 broker 拉取消息。 消费者采用 pull 的模式的好处就是消费速率可以自行控制，可以按自己的消费能力决定是否消费策略（是否批量等） -有个缺点是，如果没有消息可供消费是，consumer 也需要不断在循环中轮训等消息的到达，所以 kafka 为了避免这点，提供了阻塞式等新消息 +有个缺点是，如果没有消息可供消费是，consumer 也需要不断在循环中轮训等消息的到达，所以 kafka 为了避免这点，提供了阻塞式等新消息。 -### 17、Kafka 高效文件存储设计特点 +### 🎯 Kafka 消费者是否可以消费指定分区消息？ -- Kafka 把 topic 中一个 parition 大文件分成多个小文件段，通过多个小文件段，就容易定期清除或删除已经消费完文件，减少磁盘占用。 -- 通过索引信息可以快速定位 message 和确定 response 的最大大小。 -- 通过 index 元数据全部映射到 memory，可以避免 segment file 的 IO 磁盘操作。 -- 通过索引文件稀疏存储，可以大幅降低 index 文件元数据占用空间大小 +**Kafka 消费者可以消费指定分区的消息。** 这种操作称为**分配分区消费（Partition Assignment）**，Kafka 提供了多种方式来实现对指定分区的消息消费。 + +1. 默认消费方式（消费者组模式） + + - 在 Kafka 中，消费者通常属于某个**消费者组**（Consumer Group），由 Kafka 的**分区分配策略**（Partition Assignment Strategy）负责自动将 Topic 的分区分配给组内的消费者。 + + - 在这种模式下： + - 消费者组中的消费者共享 Topic 的分区。 + - Kafka 自动平衡分区的分配，消费者**无法直接指定消费某个分区**。 + +2. 手动分配消费分区 + + Kafka 提供了手动指定消费分区的能力，这种方式允许消费者直接消费指定的分区，而不依赖 Kafka 的自动分区分配机制。 + + **方法：使用 `assign` 方法**：Kafka Consumer API 提供了 `assign` 方法，允许消费者手动订阅特定的分区。 + ```java + public class SpecificPartitionConsumer { + public static void main(String[] args) { + // 配置 Kafka 消费者属性 + Properties props = new Properties(); + props.put("bootstrap.servers", "localhost:9092"); + props.put("group.id", "test-group"); + props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); + props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); + + KafkaConsumer consumer = new KafkaConsumer<>(props); + + // 手动指定要消费的分区 + TopicPartition partition = new TopicPartition("my-topic", 0); // 指定 Topic 和分区 + //使用 `assign` 方法将消费者绑定到特定分区 + consumer.assign(Collections.singletonList(partition)); + + // 开始消费指定分区的消息 + while (true) { + ConsumerRecords records = consumer.poll(Duration.ofMillis(100)); + for (ConsumerRecord record : records) { + System.out.printf("Offset = %d, Key = %s, Value = %s%n", + record.offset(), record.key(), record.value()); + } + } + } + } + ``` +3. 指定分区并指定偏移量 -### 18、为什么要有消费者组 | 消费者和消费者组有什么关系？ + 除了手动分配分区，Kafka 还允许消费者**从指定分区的特定偏移量开始消费**。 + + **方法：使用 `seek` 方法** + + - 在调用 `assign` 方法分配分区后，可以通过 `seek` 方法指定从分区的哪个偏移量开始消费。 + + ```java + TopicPartition partition = new TopicPartition("my-topic", 0); + consumer.assign(Collections.singletonList(partition)); + + // 指定从偏移量 50 开始消费 + consumer.seek(partition, 50); + + // 开始消费 + while (true) { + ConsumerRecords records = consumer.poll(Duration.ofMillis(100)); + for (ConsumerRecord record : records) { + System.out.printf("Offset = %d, Key = %s, Value = %s%n", + record.offset(), record.key(), record.value()); + } + } + ``` + + + +### 🎯 为什么要有消费者组 | 消费者和消费者组有什么关系？ + +> Kafka 引入消费者组是为了 **提升消息消费的并发能力和容错性**。 +> 组内消费者之间是 **竞争关系**，一个分区只会分配给组内一个消费者，保证消息不被重复消费； +> 组和组之间是 **独立关系**，同一个 Topic 的消息可以被不同组各自完整消费。 +> 这样既能水平扩展消费能力，又能在消费者宕机时由组内其他消费者接管，保证高可用。 **Consumer Group 是 Kafka 提供的可扩展且具有容错性的消费者机制**。 @@ -303,288 +632,1624 @@ producer 将消息推送到 broker，consumer 从 broker 拉取消息。 **消费者组最为重要的一个功能是实现广播与单播的功能**。一个消费者组可以确保其所订阅的 Topic 的每个分区只能被从属于该消费者组中的唯一一个消费者所消费；如果不同的消费者组订阅了同一个 Topic，那么这些消费者组之间是彼此独立的，不会受到相互的干扰。 +![Architecture](https://quarkus.io/guides/images/kafka-one-app-two-consumers.png) + -![Architecture](https://quarkus.io/guides/images/kafka-one-app-two-consumers.png) +**为什么要有消费者组** +- 本质：消费者组=横向扩展+故障转移+多路独立消费。组内做到“同分区只被一个实例消费”，不同组彼此独立消费同一份数据。 +- 价值：轻松扩容吞吐（增加实例即可）、实例故障自动转移、支持一份数据被风控/画像/报表等多个系统并行独立消费。 +**分区分配怎么做** +- 典型策略（按需选择）： -### Kafak 判断节点存活的两个条件 + - RangeAssignor：按分区范围连续分配，简单但易不均衡。 -1. 节点必须可以维护和 ZK 的连接，ZK 通过心跳机制检查每个节点的连接 -2. 如果节点是 follower，必须能及时同步 leader 写操作，超时会被踢出 ISR + - RoundRobinAssignor：轮询均衡，更平均。 + - StickyAssignor：粘性分配，极大减少重分配的分区迁移。 + - CooperativeStickyAssignor：协同粘性，增量再均衡，避免“停—全量—启”抖动（推荐）。 +- 稳定性配置： + - partition.assignment.strategy=org.apache.kafka.clients.consumer.CooperativeStickyAssignor -### 请谈一谈 Kafka 数据一致性原理 + - 静态成员：group.instance.id=order-c1（容器重启也不触发全量rebalance） -一致性就是说不论是老的 Leader 还是新选举的 Leader，Consumer 都能读到一样的数据。 + - 指定分区（必要时）：手动assign精准控制热点 -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/img/20200817095840.png) -假设分区的副本为3，其中副本0是 Leader，副本1和副本2是 follower，并且在 ISR 列表里面。虽然副本0已经写入了 Message4，但是 Consumer 只能读取到 Message2。因为所有的 ISR 都同步了 Message2，只有 High Water Mark 以上的消息才支持 Consumer 读取，而 High Water Mark 取决于 ISR 列表里面偏移量最小的分区，对应于上图的副本2，这个很类似于**木桶原理**。 -这样做的原因是还没有被足够多副本复制的消息被认为是“不安全”的，如果 Leader 发生崩溃，另一个副本成为新 Leader，那么这些消息很可能丢失了。如果我们允许消费者读取这些消息，可能就会破坏一致性。试想，一个消费者从当前 Leader（副本0） 读取并处理了 Message4，这个时候 Leader 挂掉了，选举了副本1为新的 Leader，这时候另一个消费者再去从新的 Leader 读取消息，发现这个消息其实并不存在，这就导致了数据不一致性问题。 +### 🎯 Rebalance会怎样？ -当然，引入了 High Water Mark 机制，会导致 Broker 间的消息复制因为某些原因变慢，那么消息到达消费者的时间也会随之变长（因为我们会先等待消息复制完毕）。延迟时间可以通过参数 replica.lag.time.max.ms 参数配置，它指定了副本在复制消息时可被允许的最大延迟时间。 +- 触发时机：实例加入/离开、心跳超时、订阅变化、主题分区变化、max.poll.interval.ms超时。 +- 影响：分区短暂撤销→吞吐抖动→重复消费风险（若未妥善提交）→延迟上升。 +- 我的抑制手段： -### 13、Kafka 的每个分区只能被一个消费者线程，如何做到多个线程同时消费一个分区？ + - 升级协同粘性分配；启用静态成员；控制心跳与会话： + - session.timeout.ms、heartbeat.interval.ms 合理配对（心跳≈会话的1/3） + - max.poll.interval.ms > 业务最长处理时间 -### 14、数据传输的事务有几种？ + - 在“撤销回调”里先提交已处理offset，避免重复；在“分配回调”里恢复状态。 -数据传输的事务定义通常有以下三种级别： + - 长任务用本地工作队列或异步线程，避免阻塞poll。 -- 最多一次: 消息不会被重复发送，最多被传输一次，但也有可能一次不传输 -- 最少一次: 消息不会被漏发送，最少被传输一次，但也有可能被重复传输. -- 精确的一次（Exactly once）: 不会漏传输也不会重复传输,每个消息都传输被 +### 🎯 消息语义你知道哪些咋实现的不？ + +- 至多一次（At-most-once）：先提交offset再处理。快，但可能丢消息。不建议用于关键路径。 + +- 至少一次（At-least-once）：先处理再提交offset。可靠但可能重复。通过幂等消费/去重兜底： + - 业务幂等键（订单号/事件ID）、DB唯一键/乐观锁、Redis布隆/去重窗口。 -### 15、Kafka 消费者是否可以消费指定分区消息？ +- 精确一次（Exactly-once）：在Kafka内链路达成“读-处理-写”原子性： -Kafa consumer消费消息时，向broker发出fetch请求去消费特定分区的消息，consumer指定消息在日志中的偏移量（offset），就可以消费从这个位置开始的消息，customer拥有了offset的控制权，可以向后回滚去重新消费之前的消息，这是很有意义的 + - 生产端：enable.idempotence=true；transactional.id=stable-id；max.in.flight.requests.per.connection=1（需强顺序时） + - 处理链路：beginTransaction → 处理并向下游topic send → sendOffsetsToTransaction → commitTransaction + - 消费端：isolation.level=read_committed + - 跨外部系统：配合事务外发/Outbox模式，或最终一致性+对账补 -### 20、Kafka创建Topic时如何将分区放置到不同的Broker中 -- 副本因子不能大于 Broker 的个数； -- 第一个分区（编号为0）的第一个副本放置位置是随机从 `brokerList` 选择的； -- 其他分区的第一个副本放置位置相对于第0个分区依次往后移。也就是如果我们有5个 Broker，5个分区，假设第一个分区放在第四个 Broker 上，那么第二个分区将会放在第五个 Broker 上；第三个分区将会放在第一个 Broker 上；第四个分区将会放在第二个 Broker 上，依次类推； -- 剩余的副本相对于第一个副本放置位置其实是由 `nextReplicaShift` 决定的，而这个数也是随机产生的； +### 🎯 Kafka 的每个分区只能被一个消费者线程消费，如何做到多个线程同时消费一个分区？ +> Kafka 的设计原则是：**同一个分区在同一时刻只能被消费者组里的一个消费者线程消费**，以保证消息的顺序性。 +> 如果要在一个分区上实现多个线程并行消费，常见做法是： +> +> - 用一个线程拉取消息，然后把消息放到本地的 **线程池 / 队列** 中，由多个工作线程并行处理； +> - 这样可以提升消费端的处理能力，但要注意丢失消息顺序和幂等性问题。 +> 如果应用对顺序性要求严格，那就必须保持“一个分区一个消费线程”。 + +在Kafka中，每个分区只能被一个消费者线程消费，以保证消息处理的顺序性。然而，有时需要通过多线程来提高单个分区的消费速度。在这种情况下，可以在消费者应用程序中实现多线程处理。以下是几种常见的方法： + +**方法一：多线程消费处理** + +这种方法通过在单个消费者线程中读取消息，然后将消息分发到多个工作线程进行处理。这样，虽然消息的消费是单线程的，但处理是多线程的。 + +```java +public class MultithreadedConsumer { + private static final int NUM_WORKER_THREADS = 4; + + public static void main(String[] args) { + Properties props = new Properties(); + props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092"); + props.put(ConsumerConfig.GROUP_ID_CONFIG, "test-group"); + props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer"); + props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer"); + + KafkaConsumer consumer = new KafkaConsumer<>(props); + consumer.subscribe(Arrays.asList("my-topic")); + + ExecutorService executorService = Executors.newFixedThreadPool(NUM_WORKER_THREADS); + + try { + while (true) { + ConsumerRecords records = consumer.poll(Duration.ofMillis(100)); + for (ConsumerRecord record : records) { + executorService.submit(() -> processRecord(record)); + } + } + } finally { + consumer.close(); + executorService.shutdown(); + } + } + + private static void processRecord(ConsumerRecord record) { + System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value()); + // Add your processing logic here + } +} +``` +**方法二：使用Kafka Connect和KStreams** + +Kafka Connect和KStreams是Kafka生态系统中的两个工具，可以帮助实现多线程消费。 + +- Kafka Connect是用于大规模数据导入和导出的框架，具有内置的并行处理能力。 +- Kafka Streams提供了流处理的抽象，可以在流处理中并行处理数据。 + +**方法三：手动管理偏移量** + +通过手动管理偏移量，可以实现更灵活的多线程消费。 + +```java +public class MultithreadedConsumerWithManualOffset { + private static final int NUM_WORKER_THREADS = 4; + private static ExecutorService executorService = Executors.newFixedThreadPool(NUM_WORKER_THREADS); + + public static void main(String[] args) { + Properties props = new Properties(); + props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092"); + props.put(ConsumerConfig.GROUP_ID_CONFIG, "test-group"); + props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "false"); + props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer"); + props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer"); + + KafkaConsumer consumer = new KafkaConsumer<>(props); + consumer.subscribe(Arrays.asList("my-topic")); + + try { + while (true) { + ConsumerRecords records = consumer.poll(Duration.ofMillis(100)); + List> futures = new ArrayList<>(); + + for (ConsumerRecord record : records) { + futures.add(executorService.submit(() -> processRecord(record))); + } + + // Wait for all tasks to complete + for (Future future : futures) { + future.get(); + } + + // Commit offsets after processing + consumer.commitSync(); + } + } catch (Exception e) { + e.printStackTrace(); + } finally { + consumer.close(); + executorService.shutdown(); + } + } + + private static void processRecord(ConsumerRecord record) { + System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value()); + // Add your processing logic here + } +} +``` -### Kafka 的 ack 机制 +**注意事项** -request.required.acks 有三个值 0、1、-1 +- **消息顺序性**：确保多线程处理不破坏消息的顺序性。 +- **偏移量管理**：手动提交偏移量时，确保所有消息都已成功处理。 +- **异常处理**：处理多线程中的异常情况，防止消息丢失。 -- 0： -- 1： -- -1： +通过这些方法，可以在不破坏Kafka分区消费模型的情况下，实现多线程处理，以提高消息处理的效率和吞吐量。 -### 如何控制消费的位置 +## 四、Kafka可靠性保障🛡️ +### 🎯 Kafka如何保证高可用？ +Kafka高可用架构设计： +**1. 副本机制（Replication）**： +- 每个分区维护多个副本 +- 一个Leader副本，多个Follower副本 +- 副本分布在不同Broker上 +- 默认3副本，可容忍1个节点故障 -## 三、实践相关 +**2. ISR机制（In-Sync Replicas）**： -### Kafka 如何保证消息不丢失 +- ISR是与Leader保持同步的副本集合 +- 只有ISR中的副本才能被选为Leader +- 自动检测并移除落后的副本 +- 保证数据一致性和可用性 -> 那面对“在使用 MQ 消息队列时，如何确保消息不丢失”这个问题时，你要怎么回答呢？首先，你要分析其中有几个考点，比如： -> -> 如何知道有消息丢失？ +**3. Leader选举机制**： + +- Controller负责Leader选举 +- 从ISR中选择新Leader +- 30秒内完成故障切换 +- 业务无感知的自动恢复 + +**4. 关键配置参数**： + +```properties +# 副本相关配置 +replication.factor=3 # 3副本容灾 +min.insync.replicas=2 # 最少同步副本数 +unclean.leader.election.enable=false # 禁止非ISR副本选举 + +# 生产者可靠性配置 +acks=all # 等待所有ISR确认 +retries=3 # 重试次数 +enable.idempotence=true # 启用幂等性 +``` + +**5. 跨机房部署**： + +- 副本跨机房分布 +- 防止单机房故障 +- 网络分区容错 +- 异地灾备支持 + + + +### 🎯 Kafka 的多副本机制了解吗？ + +> 所谓的副本机制（Replication），也可以称之为备份机制，通常是指分布式系统在多台网络互联的机器上保存有相同的数据拷贝。副本机制有什么好处呢？ > -> 哪些环节可能丢消息？ +> 1. **提供数据冗余**。即使系统部分组件失效，系统依然能够继续运转，因而增加了整体可用性以及数据持久性。 +> 2. **提供高伸缩性**。支持横向扩展，能够通过增加机器的方式来提升读性能，进而提高读操作吞吐量。 +> 3. **改善数据局部性**。允许将数据放入与用户地理位置相近的地方，从而降低系统延时。 > -> 如何确保消息不丢失？ +> Kafka 只是用副本机制来提供数据冗余实现高可用性和高持久性，也就是第一个好处 -**Kafka 只对“已提交”的消息（committed message）做有限度的持久化保证。** +简单讲，每个分区在不同Broker上维护多份只追加的提交日志，核心目标是数据冗余与故障切换，保障高可用与持久性。 -一条消息从生产到消费完成这个过程，可以划分三个阶段 +**角色分工非常明确：** -![](https://static001.geekbang.org/resource/image/81/05/81a01f5218614efea2838b0808709205.jpg) +- **Leader副本**：唯一对外提供读写服务 +- **Follower副本**：仅从Leader异步拉取数据，写入本地日志，不对外服务 -#### 生产者丢数据 +**一致性靠ISR集合保证：** -可能会有哪些因素导致消息没有发送成功呢？其实原因有很多，例如网络抖动，导致消息压根就没有发送到 Broker 端；或者消息本身不合格导致 Broker 拒绝接收（比如消息太大了，超过了 Broker 的承受能力）等 +- ISR（In-Sync Replicas）是与Leader保持同步的副本集合 +- 只有ISR成员才有资格在故障时被选为新Leader，确保选出来的Leader具备完整数据 +- Follower落后或失联会被移出ISR，保护一致性 -解决此问题的方法非常简单：**Producer 永远要使用带有回调通知的发送 API，也就是说不要使用 producer.send(msg)，而要使用 producer.send(msg, callback)**。不要小瞧这里的 callback（回调），它能准确地告诉你消息是否真的提交成功了。一旦出现消息提交失败的情况，你就可以有针对性地进行处理。 +**关键参数与策略：** -#### Broker 丢数据 +- `replication.factor=3`：三副本容灾是我的默认生产配置 +- `min.insync.replicas=2` + 生产端`acks=all`：强一致性写入，至少两份副本确认才算成功 +- `unclean.leader.election.enable=false`：拒绝非ISR副本当Leader，宁可短暂不可用也不丢数据 -在存储阶段正常情况下，只要 Broker 在正常运行，就不会出现丢失消息的问题，但是如果 Broker 出现了故障，比如进程死掉了或者服务器宕机了，还是可能会丢失消息的。 +**Leader故障切换流程（ZK/KRaft均可类比）：** -所以 Broker 会做副本，保证一条消息至少同步两个节点再返回 ack +1) 控制面检测到Leader失效 +2) 从ISR中按优先顺序选举新Leader +3) 发布元数据变更，客户端与Follower快速切换 -#### 消费者丢数据 +这一套机制在我们的生产环境经受过考验。比如一次机房级故障导致部分Broker下线，业务无感切换，新Leader在秒级完成接管，零数据丢失。 -Consumer 端丢失数据主要体现在 Consumer 端要消费的消息不见了。Consumer 程序有个“位移”的概念，表示的是这个 Consumer 当前消费到的 Topic 分区的位置。下面这张图清晰地展示了 Consumer 端的位移数据。 +**监控与预案：** -![](https://static001.geekbang.org/resource/image/0c/37/0c97bed3b6350d73a9403d9448290d37.png) +- 监控：ISR规模波动、UnderReplicatedPartitions、Leader选举频次、Controller变更 +- 预案：热点分区Leader重分布、优先副本选举、限流保护 -比如对于 Consumer A 而言，它当前的位移值就是 9；Consumer B 的位移值是 11。 +**一段可直接复述的强话术：** +“Kafka的副本不是为了加速读，而是为了保证可用性和持久性。我们线上统一三副本、acks=all、min.insync.replicas=2，并关闭unclean选举，哪怕短暂不可写，也绝不让数据回退。遇到Broker故障，ISR内的Follower秒级接任Leader，业务侧无感。在这套策略下，两年内我们没有出现一次因副本导致的数据丢失事件。” -这里的“位移”类似于我们看书时使用的书签，它会标记我们当前阅读了多少页，下次翻书的时候我们能直接跳到书签页继续阅读。 +**常见追问要点（我会主动补充）：** -正确使用书签有两个步骤：第一步是读书，第二步是更新书签页。如果这两步的顺序颠倒了，就可能出现这样的场景：当前的书签页是第 90 页，我先将书签放到第 100 页上，之后开始读书。当阅读到第 95 页时，我临时有事中止了阅读。那么问题来了，当我下次直接跳到书签页阅读时，我就丢失了第 96～99 页的内容，即这些消息就丢失了。 +- 为什么Follower不对外读？避免读到未复制完的数据，破坏一致性 +- ISR过小怎么办？优先排查网络/磁盘抖动，必要时降速生产保护复制 +- 高一致性带来的性能损耗如何弥补？通过分区扩展、批量发送、压缩与零拷贝抵消 -同理，Kafka 中 Consumer 端的消息丢失就是这么一回事。要对抗这种消息丢失，办法很简单：**维持先消费消息（阅读），再更新位移（书签）的顺序**即可。这样就能最大限度地保证消息不丢失。 -当然，这种处理方式可能带来的问题是消息的重复处理，类似于同一页书被读了很多遍，但这不属于消息丢失的情形。 -**如果是多线程异步处理消费消息，Consumer 程序不要开启自动提交位移，而是要应用程序手动提交位移**。 +### 🎯 Kafka 判断一个节点是否存活有什么条件？ +- **ZooKeeper的心跳机制**：每个Broker会在ZooKeeper上创建一个临时节点，并定期发送心跳（heartbeat）信号以表明自己是活跃的。如果ZooKeeper在设定的超时时间内没有收到某个Broker的心跳，便会认为该Broker已失效，并删除其临时节点。 + - **Session超时**：如果ZooKeeper在`zookeeper.session.timeout.ms`设置的时间内未收到Broker的心跳，则会认为该Broker失效。 + - **心跳间隔**：Broker定期发送心跳给ZooKeeper，心跳间隔由`zookeeper.sync.time.ms`参数决定。 +- **Leader和Follower之间的心跳**：在Kafka的多副本机制中，Leader副本与Follower副本之间也有心跳机制。Follower副本会定期向Leader发送心跳，表明自己是存活的。 + - **Replica Lag**：如果Follower副本落后于Leader副本超过`replica.lag.time.max.ms`设置的时间，则会被移出ISR（In-Sync Replicas）集合，Kafka认为该Follower可能已失效。 +- **网络连接检查**：Kafka使用TCP连接进行数据传输。Broker之间、Broker与ZooKeeper之间、以及Broker与客户端之间的网络连接状况也是判断节点是否存活的重要依据。 + - **TCP连接超时**：Kafka通过TCP连接进行数据传输和心跳检测，如果TCP连接超时，Kafka会尝试重连并记录连接状态。 -#### 最佳实践 +- **Broker元数据刷新**：Kafka客户端（生产者和消费者）会定期从Kafka集群中刷新元数据，了解Broker的状态。如果某个Broker无法响应元数据请求，客户端将其标记为不可用。 -1. 不要使用 producer.send(msg)，而要使用 producer.send(msg, callback)。记住，一定要使用带有回调通知的 send 方法。 -2. 设置 acks = all。acks 是 Producer 的一个参数，代表了你对“已提交”消息的定义。如果设置成 all，则表明所有副本 Broker 都要接收到消息，该消息才算是“已提交”。这是最高等级的“已提交”定义。 -3. 设置 retries 为一个较大的值。这里的 retries 同样是 Producer 的参数，对应前面提到的 Producer 自动重试。当出现网络的瞬时抖动时，消息发送可能会失败，此时配置了 retries > 0 的 Producer 能够自动重试消息发送，避免消息丢失。 -4. 设置 unclean.leader.election.enable = false。这是 Broker 端的参数，它控制的是哪些 Broker 有资格竞选分区的 Leader。如果一个 Broker 落后原先的 Leader 太多，那么它一旦成为新的 Leader，必然会造成消息的丢失。故一般都要将该参数设置成 false，即不允许这种情况的发生。 -5. 设置 replication.factor >= 3。这也是 Broker 端的参数。其实这里想表述的是，最好将消息多保存几份，毕竟目前防止消息丢失的主要机制就是冗余。 -6. 设置 min.insync.replicas > 1。这依然是 Broker 端参数，控制的是消息至少要被写入到多少个副本才算是“已提交”。设置成大于 1 可以提升消息持久性。在实际环境中千万不要使用默认值 1。 -7. 确保 replication.factor > min.insync.replicas。如果两者相等，那么只要有一个副本挂机，整个分区就无法正常工作了。我们不仅要改善消息的持久性，防止数据丢失，还要在不降低可用性的基础上完成。推荐设置成 replication.factor = min.insync.replicas + 1。 -8. 确保消息消费完成再提交。Consumer 端有个参数 enable.auto.commit，最好把它设置成 false，并采用手动提交位移的方式。就像前面说的，这对于单 Consumer 多线程处理的场景而言是至关重要的。 +- **元数据请求超时**：客户端通过`metadata.max.age.ms`参数设置元数据刷新的时间间隔，如果在这个间隔内无法获取到Broker的元数据，则认为该Broker不可用。 + +### 🎯 kafka 在可靠性方面做了哪些改进 +谈及可靠性，最常规、最有效的策略就是 “副本（replication）机制” ，Kafka 实现高可靠性同样采用了该策略。 +通过调节副本相关参数，可使 Kafka 在性能和可靠性之间取得平衡。 -### Kafka 如何保证消息的顺序消费 +> 实践中，我们为了保证 producer 发送的数据，能可靠地发送到指定的 topic，topic 的每个 partition 收到 producer 发送的数据后，都需要向 producer 发送 ack（acknowledge 确认收到），如果 producer 收到 ack，就会进行下一轮的发送，否则重新发送数据。 +> +> 涉及到副本 ISR、故障处理中的 LEO、HW -- Kafka 分布式的单位是 partition，同一个 partition 用一个 write ahead log 组织，所以可以保证 FIFO 的顺序。 +### ISR -- 不同 partition 之间不能保证顺序。 +一个 partition 有多个副本（replicas），为了提高可靠性，这些副本分散在不同的 broker 上，由于带宽、读写性能、网络延迟等因素，同一时刻，这些副本的状态通常是不一致的：即 followers 与 leader 的状态不一致。 -- 但是绝大多数用户都可以通过 message key 来定义，因为同一个 key 的 message 可以保证只发送到同一个 partition，比如说 key 是 user id，table row id 等等，所以同一个 user 或者同一个 record 的消息永远只会发送到同一个 partition 上，保证了同一个 user或 record 的顺序。 -- Kafka 中发送 1 条消息的时候，可以指定(topic, partition, key) 3 个参数。partiton 和 key 是可选的。如果你指定了 partition，那就是所有消息发往同 1个 partition，就是有序的。并且在消费端，Kafka 保证，1 个 partition 只能被1 个 consumer 消费。或者你指定 key（ 比如 order id），具有同 1 个 key 的所有消息，会发往同 1 个 partition。但是消费者内部如果多线程就有问题，此时的解决方案是【使用内存队列处理，将 key hash 后分发到内存队列中，然后每个线程处理一个内存队列的数据。】 +为保证 producer 发送的数据，能可靠的发送到指定的 topic，topic 的每个 partition 收到 producer 数据后，都需要向 producer 发送 ack（acknowledgement确认收到），如果 producer 收到 ack，就会进行下一轮的发送，否则重新发送数据。 -> Apache Kafka 官方保证了partition内部的数据有效性（追加写、offset读）；为了提高Topic的并发吞吐能力，可以提高Topic的partition数，并通过设置partition的replica来保证数据高可靠； -> -> 但是在多个Partition时，不能保证Topic级别的数据有序性。 -> -> 因此，如果你们就想死磕kafka，但是对数据有序性有严格要求，那我建议： -> -> 创建Topic只指定1个partition，这样的坏处就是磨灭了kafka最优秀的特性。 -> -> 所以可以思考下是不是技术选型有问题， kafka本身适合与流式大数据量，要求高吞吐，对数据有序性要求不严格的场景。 +leader 维护了一个动态的 **in-sync replica set**(ISR)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，leader 就会给 producer 发送 ack。 +"ISR（in-sync replica set）是 Kafka 中与副本同步相关的重要机制。简单来说，ISR 是由 leader 维护的、与自身保持同步的 follower 副本集合。当 producer 发送数据到 partition 时，只有 ISR 中的 follower 完成数据同步后，leader 才会向 producer 发送 ack 确认。如果 follower 长时间（默认 10 秒，由`replica.lag.time.max.ms`控制）未与 leader 同步，就会被踢出 ISR。这一机制既保证了数据可靠性，又通过动态调整同步副本集合平衡了性能与一致性。” -### 如何保证消息不被重复消费？ -生产者在向 Kafka 写数据时，每条消息会有一个 offset，表示消息写入顺序的序号。当消费者消费后，**每隔一段时间会把自己已消费消息的 offset 通过 Zookeeper 提交给 Kafka**，告知 Kafka 自己 offset 的位置。这样一来，如果消费者重启，则会从 Kafka 记录的 offset 之后的数据开始消费，从而避免重复消费。 +### 🎯 ISR 频繁变化，可能会有哪些原因，怎么排查？ -但是，可能出现一种意外情况。由于消费者提交 offset 是定期的，**当消费者处理了某些消息，但还未来得及提交 offset 时，此时如果重启消费者，则会出现消息的重复消费**。 +- 网络延迟和不稳定：高网络延迟或不稳定的网络连接会导致Follower副本无法及时从Leader副本同步数据，从而被移出ISR +- 磁盘性能问题：Follower副本的磁盘写入速度不足，无法及时写入从Leader同步的数据，导致其落后于Leader，进而被移出ISR +- CPU或内存资源不足：Broker节点的CPU或内存资源不足，导致数据处理速度变慢，影响副本同步的性能。 +- GC（垃圾回收）停顿：Java垃圾回收停顿（GC Pause）时间过长，会导致Broker节点在短时间内无法处理请求，影响副本同步 -> 例：数据 1/2/3 依次进入 Kafka，Kafka 会给这三条数据每条分配一个 offset，代表这条数据的序号，假设分配的 offset 依次是 152/153/154。消费者从 Kafka 消费时，也是按照这个顺序去消费。假如**当消费者消费了 offset=153 的这条数据，刚准备去提交 offset 到 Zookeeper，此时消费者进程被重启了**。那么此时消费过的数据1和数据2的 offset 并没有提交，Kafka 也就不知道你已经消费了 `offset=153` 这条数据。此时当消费者重启后，消费者会找 Kafka 说，嘿，哥儿们，你给我接着把上次我消费到的那个地方后面的数据继续给我传递过来。由于之前的 offset 没有提交成功，那么数据1和数据2会再次传过来，如果此时消费者没有去重的话，那么就会导致重复消费。 +### 🎯 ack 应答机制 -![图片](http://prchen.com/2019/06/24/%E6%B6%88%E6%81%AF%E9%87%8D%E5%A4%8D%E6%B6%88%E8%B4%B9%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/1.png) +Kafka 的 ack 应答机制是生产者向 broker 发送消息后，broker 确认消息接收状态的机制，通过 producer 配置的 `acks` 参数控制 -如上图，可能出现数据1和数据2插入数据库两遍的问题。 +对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，所以没必要等 ISR 中的 follower 全部接收成功。 -其实重复消费消息并不可怕，重要的是在发生重复消费后，如何**保证消息消费时的幂等性**。如果消费者可以在消费消息时先判断一下，自己是否已经消费了该消息，如果是就不消费，那么就可以保证系统的幂等性。 +所以 Kafka 为用户提供了**三种可靠性级别**，用户根据对可靠性和延迟的要求进行权衡，选择以下的 acks 参数配置 -一条数据被消费者重复消费两次，但数据库中只有一条数据，这就保证了系统幂等性。 +- 0：producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还没有写入磁盘就已经返回，当 broker 故障时有可能**丢失数据**； +- 1：producer 等待 broker 的 ack，partition 的 leader 落盘成功后返回 ack，如果在 follower 同步成功之前 leader 故障，那么将会**丢失数据**； +- -1（all）：producer 等待 broker 的 ack，partition 的 leader 和 follower 全部落盘成功后才返回 ack。但是如果在 follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么就会造成**数据重复**。 -简单来说，**保证系统幂等性就是确保消息重复发送后数据库中数据的正确性**。 -那么，如何保证消息队列的幂等性？ -1. 向数据库insert数据时，先**根据主键查询，若数据存在则不insert，改为update** -2. 向Redis中写数据可以用**set去重，天然保证幂等性** -3. 生产者发送每条消息时，增加一个全局唯一id（类似订单id），消费者消费到时，先**根据这个id去Redis中查询是否消费过该消息**。如果没有消费过，就处理，将id写入Redis；如果消费过了，那么就不处理，保证不重复处理相同消息。 -4. 基于数据库的**唯一键约束**来保证不会插入重复的数据，当消费者企图插入重复数据到数据库时，会报错。 +### 🎯 故障处理 -![图片](http://prchen.com/2019/06/24/%E6%B6%88%E6%81%AF%E9%87%8D%E5%A4%8D%E6%B6%88%E8%B4%B9%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/2.png) +由于我们并不能保证 Kafka 集群中每时每刻 follower 的长度都和 leader 一致（即数据同步是有时延的），那么当 leader 挂掉选举某个 follower 为新的 leader 的时候（原先挂掉的 leader 恢复了成为了 follower），可能会出现 leader 的数据比 follower 还少的情况。为了解决这种数据量不一致带来的混乱情况，Kafka 提出了以下概念： -- Kafka采取类似**断点续传**的策略保证消息不被重复消费。具体是通过**每隔一段时间把已消费消息的offset通过Zookeeper提交给Kafka**实现的。 -- 但是当消费者**处理完成但尚未提交offset**的时间段宕机或重启等意外情况发生时，还是可能出现消息被重复消费。 -- 保证消息不被重复消费（保证消息消费时的幂等性）其实是保证数据库中数据的正确性。几种保证系统幂等性的思路：通过主键查询，若存在则update；Redis天然set去重；根据全局id查询，若已消费则不处理；唯一键约束保证不插入重复数据等。 +- LEO（Log End Offset）：指的是每个副本最后一个offset； +- HW（High Wather）：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。 +消费者和 leader 通信时，只能消费 HW 之前的数据，HW 之后的数据对消费者不可见。 +针对这个规则： -### Kafka 消息积压问题？ +- **当follower发生故障时**：follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，follower 会读取本地磁盘记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 leader 进行同步。等该 follower 的 LEO 大于等于该 Partition 的 HW，即 follower 追上 leader 之后，就可以重新加入 ISR 了。 +- **当leader发生故障时**：leader 发生故障之后，会从 ISR 中选出一个新的 leader，之后，为保证多个副本之间的数据一致性，其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉，然后从新的 leader 同步数据。 -如果出现积压，那一定是性能问题，想要解决消息从生产到消费上的性能问题，就首先要知道哪些环节可能出现消息积压，然后在考虑如何解决。 +所以数据一致性并不能保证数据不丢失或者不重复，这是由 ack 控制的。HW 规则只能保证副本之间的数据一致性！ -因为消息发送之后才会出现积压的问题，所以和消息生产端没有关系，又因为绝大部分的消息队列单节点都能达到每秒钟几万的处理能力，相对于业务逻辑来说，性能不会出现在中间件的消息存储上面。毫无疑问，出问题的肯定是消息消费阶段，那么从消费端入手，如何回答呢？ -#### 水平扩容 -消费端的性能优化除了优化消费业务逻辑以外，也可以通过水平扩容，增加消费端的并发数来提升总体的消费性能。特别需要注意的一点是，**在扩容 Consumer 的实例数量的同时，必须同步扩容主题中的分区（也叫队列）数量，确保 Consumer 的实例数和分区数量是相等的。**如果 Consumer 的实例数量超过分区数量，这样的扩容实际上是没有效果的。原因我们之前讲过，因为对于消费者来说，在每个分区上实际上只能支持单线程消费。 +### 🎯 ISR、OSR、AR 是什么？ -> 如果是线上突发问题，要临时扩容，增加消费端的数量，与此同时，降级一些非核心的业务。通过扩容和降级承担流量，这是为了表明你对应急问题的处理能力。 -> -> 其次，才是排查解决异常问题，如通过监控，日志等手段分析是否消费端的业务逻辑代码出现了问题，优化消费端的业务处理逻辑。 -> -> 最后，如果是消费端的处理能力不足，可以通过水平扩容来提供消费端的并发处理能力，但这里有一个考点需要特别注意， 那就是在扩容消费者的实例数的同时，必须同步扩容主题 Topic 的分区数量，确保消费者的实例数和分区数相等。如果消费者的实例数超过了分区数，由于分区是单线程消费，所以这样的扩容就没有效果。 -> -> 比如在 Kafka 中，一个 Topic 可以配置多个 Partition（分区），数据会被写入到多个分区中，但在消费的时候，Kafka 约定一个分区只能被一个消费者消费，Topic 的分区数量决定了消费的能力，所以，可以通过增加分区来提高消费者的处理能力。 +- ISR：ISR是“同步副本集合”（In-Sync Replicas Set）的缩写。ISR集合包含所有与Leader副本保持同步的副本 + +- OSR：OSR是“不同步副本集合”（Out-of-Sync Replicas Set）的缩写 + +- AR：AR是“分配副本集合”（Assigned Replicas Set）的缩写。AR集合包含所有被分配给某个分区的副本，包括Leader和所有Follower。这是Kafka在配置主题时指定的副本数量。 + +ISR 是由 leader 维护，follower 从 leader 同步数据有一些延迟，超过相应的阈值会把 follower 剔除出 ISR，存入 OSR（Out-of-Sync Replicas ）列表，新加入的 follower 也会先存放在 OSR 中。`AR=ISR+OSR`。 + + + +### 🎯 请谈一谈 Kafka 数据一致性原理? + +- 多副本机制：Kafka的每个分区可以配置多个副本（Replicas），这些副本分布在不同的Broker上。副本包括一个Leader和多个Follower。生产者和消费者的所有读写请求都通过Leader进行 +- ISR（In-Sync Replicas）集合 +- 确认机制：Kafka通过配置`acks`参数来决定消息的确认策略，从而保证数据一致性。 +- 选举和故障恢复：当Leader失效时，Kafka会从ISR中选举一个新的Leader。这确保了新Leader的数据是最新的，并且与旧Leader保持一致 +- 幂等性和事务：Kafka支持幂等性和事务，以确保消息的精确一次（exactly-once）语义 + + + +### 🎯 数据传输的事务有几种？ + +数据传输的事务定义通常有以下三种级别： + +- 最多一次: 消息不会被重复发送，最多被传输一次，但也有可能一次不传输 +- 最少一次: 消息不会被漏发送，最少被传输一次，但也有可能被重复传输. +- 精确的一次（Exactly once）: 不会漏传输也不会重复传输,每个消息都传输被 -### 21、Kafka 新建的分区会在哪个目录下创建 +### 🎯 Kafka创建Topic时如何将分区放置到不同的Broker中？ -我们知道，在启动 Kafka 集群之前，我们需要配置好 `log.dirs` 参数，其值是 Kafka 数据的存放目录，这个参数可以配置多个目录，目录之间使用逗号分隔，通常这些目录是分布在不同的磁盘上用于提高读写性能。当然我们也可以配置 `log.dir` 参数，含义一样。只需要设置其中一个即可。 +创建Topic时可以通过指定分区分配策略（Partition Assignment Strategy）来控制分区（Partition）如何放置到不同的Broker上 -如果 `log.dirs` 参数只配置了一个目录，那么分配到各个 Broker 上的分区肯定只能在这个目录下创建文件夹用于存放数据。 +1. **默认分区分配**： 如果创建Topic时没有指定分区分配策略，Kafka将使用默认的分区分配策略。默认情况下，Kafka会尝试均匀地将分区分配到所有Broker上。 -但是如果 `log.dirs` 参数配置了多个目录，那么 Kafka 会在哪个文件夹中创建分区目录呢？答案是：Kafka 会在含有分区目录最少的文件夹中创建新的分区目录，分区目录名为 Topic名+分区ID。注意，是分区文件夹总数最少的目录，而不是磁盘使用量最少的目录！也就是说，如果你给 `log.dirs` 参数新增了一个新的磁盘，新的分区目录肯定是先在这个新的磁盘上创建直到这个新的磁盘目录拥有的分区目录不是最少为止。 +2. **自定义分区分配策略**： 创建Topic时，可以使用`--partition`和`--replication-factor`参数来指定分区数和副本因子。然后，通过`--assign`参数来指定每个分区的Broker列表 +3. **使用Broker ID**： 如果你知道Broker的ID，可以直接使用Broker ID来指定分区的放置 + ```bash + kafka-topics.sh --create --topic my-topic --num-partitions 3 --replication-factor 2 --broker-list "0:1,1:2" + ``` -### 22、谈一谈 Kafka 的再均衡 +4. **使用KafkaAdminClient API**： 如果使用Java API创建Topic，可以使用`KafkaAdminClient`类的`createTopics`方法，并设置`NewTopic`对象的`replicaAssignment`属性来指定每个分区的Broker列表 -在 Kafka 中，当有新消费者加入或者订阅的 topic 数发生变化时，会触发 Rebalance(再均衡：在同一个消费者组当中，分区的所有权从一个消费者转移到另外一个消费者)机制，Rebalance顾名思义就是重新均衡消费者消费。 -Rebalance的过程如下： -1. 所有成员都向coordinator发送请求，请求入组。一旦所有成员都发送了请求，coordinator会从中选择一个consumer担任leader的角色，并把组成员信息以及订阅信息发给leader。 +### 🎯 Kafka的事务机制是怎样的？ -2. leader开始分配消费方案，指明具体哪个consumer负责消费哪些topic的哪些partition。一旦完成分配，leader会将这个方案发给coordinator。coordinator接收到分配方案之后会把方案发给各个consumer，这样组内的所有成员就都知道自己应该消费哪些分区了。 +Kafka事务支持Exactly-Once语义： -所以对于 Rebalance 来说，Coordinator起着至关重要的作用，那么怎么查看消费者对应的Coordinator呢，我们知道某个消费者组对应__consumer_offsets 中的哪个Partation是通过hash计算出来的：partation=hash("test_group_1")%50=28，表示test_group_1这个消费者组属于28号partation，通过命令: +**1. 幂等性Producer**： +```java +// 幂等性生产者配置 +props.put("enable.idempotence", true); +// 自动设置：acks=all, retries=Integer.MAX_VALUE, max.in.flight.requests.per.connection=5 ``` -./kafka-topics.sh --zookeeper 192.168.33.11:2181 --describe --topic __consumer_offsets + +**2. 事务性Producer**： + +```java +// 事务生产者使用 +props.put("transactional.id", "transaction-id-001"); + +producer.initTransactions(); +try { + producer.beginTransaction(); + producer.send(new ProducerRecord<>("topic-A", "message1")); + producer.send(new ProducerRecord<>("topic-B", "message2")); + producer.commitTransaction(); +} catch (Exception e) { + producer.abortTransaction(); +} ``` -可以找到28号Partation所对应的信息： +**3. 事务实现原理**： + +- Transaction Coordinator管理事务状态 +- 两阶段提交协议保证原子性 +- Transaction Log记录事务元数据 +- Consumer可设置隔离级别 -从而可以知道coordinator对应的broker为1 +**4. 流处理事务**： -在Rebalance期间，消费者会出现无法读取消息，造成整个消费者群组一段时间内不可用 +```java +// Kafka Streams事务处理 +Properties props = new Properties(); +props.put("processing.guarantee", "exactly_once_v2"); -再均衡发生的场景有以下几种： +StreamsBuilder builder = new StreamsBuilder(); +builder.stream("input-topic") + .mapValues(value -> processMessage(value)) + .to("output-topic"); +``` -1. 组成员发生变更(新consumer加入组、已有consumer主动离开组或已有consumer崩溃了) -2. 订阅主题数发生变更，如果你使用了正则表达式的方式进行订阅，那么新建匹配正则表达式的topic就会触发rebalance -3. 订阅主题的分区数发生变更 -鉴于触发再均衡后会造成资源浪费的问题，所以我们尽量不要触发再均衡 +## 五、实践相关 🔧 +### 🎯 Kafka 如何保证消息不丢失? -### 22、Kafka 为什么能那么快 | Kafka高效读写数据的原因 | 吞吐量大的原因？ +> "我从三个角度来保证消息不丢失： +> +> **生产者端：** +> - 设置acks=all，等待所有ISR副本确认 +> - 配置retries重试次数 +> - 设置适当的超时时间 +> +> **Broker端：** +> - 配置min.insync.replicas >= 2，保证至少有2个副本同步 +> - 定期备份和监控 +> +> **消费者端：** +> - 手动提交offset，确保消息处理完成后再提交 +> - 实现幂等性处理，防止重复消费造成的业务问题 +> +> 在我们的核心业务中，我采用了acks=all + min.insync.replicas=2的配置，虽然会影响一些性能，但保证了数据的可靠性。" -- partition 并行处理 -- 顺序写磁盘，充分利用磁盘特性 -- 利用了现代操作系统分页存储 Page Cache 来利用内存提高 I/O 效率 -- 采用了零拷贝技术 - - Producer 生产的数据持久化到 broker，采用 mmap 文件映射，实现顺序的快速写入 - - Customer 从 broker 读取数据，采用 sendfile，将磁盘文件读到 OS 内核缓冲区后，转到 NIO buffer进行网络发送，减少 CPU 消耗 +那面对“在使用 MQ 消息队列时，如何确保消息不丢失”这个问题时，你要怎么回答呢？首先，你要分析其中有几个考点，比如： +- 如何知道有消息丢失？ +- 哪些环节可能丢消息？ -## 四、其他 +- 如何确保消息不丢失？ -### Kafka 消息最大多大 +**Kafka 只对“已提交”的消息（committed message）做有限度的持久化保证。** -By default, the maximum size of a Kafka message is **1MB** (megabyte). The broker settings allow you to modify the size. Kafka, on the other hand, is designed to handle 1KB messages as well. +一条消息从生产到消费完成这个过程，可以划分三个阶段 +![](https://static001.geekbang.org/resource/image/81/05/81a01f5218614efea2838b0808709205.jpg) +#### 生产者丢数据 +可能会有哪些因素导致消息没有发送成功呢？其实原因有很多，例如网络抖动，导致消息压根就没有发送到 Broker 端；或者消息本身不合格导致 Broker 拒绝接收（比如消息太大了，超过了 Broker 的承受能力）等 +解决此问题的方法非常简单：**Producer 永远要使用带有回调通知的发送 API，也就是说不要使用 producer.send(msg)，而要使用 producer.send(msg, callback)**。不要小瞧这里的 callback（回调），它能准确地告诉你消息是否真的提交成功了。一旦出现消息提交失败的情况，你就可以有针对性地进行处理。 +#### Broker 丢数据 + +在存储阶段正常情况下，只要 Broker 在正常运行，就不会出现丢失消息的问题，但是如果 Broker 出现了故障，比如进程死掉了或者服务器宕机了，还是可能会丢失消息的。 + +所以 Broker 会做副本，保证一条消息至少同步两个节点再返回 ack + +#### 消费者丢数据 + +Consumer 端丢失数据主要体现在 Consumer 端要消费的消息不见了。Consumer 程序有个“位移”的概念，表示的是这个 Consumer 当前消费到的 Topic 分区的位置。下面这张图清晰地展示了 Consumer 端的位移数据。 + +![](https://static001.geekbang.org/resource/image/0c/37/0c97bed3b6350d73a9403d9448290d37.png) + +比如对于 Consumer A 而言，它当前的位移值就是 9；Consumer B 的位移值是 11。 + +这里的“位移”类似于我们看书时使用的书签，它会标记我们当前阅读了多少页，下次翻书的时候我们能直接跳到书签页继续阅读。 + +正确使用书签有两个步骤：第一步是读书，第二步是更新书签页。如果这两步的顺序颠倒了，就可能出现这样的场景：当前的书签页是第 90 页，我先将书签放到第 100 页上，之后开始读书。当阅读到第 95 页时，我临时有事中止了阅读。那么问题来了，当我下次直接跳到书签页阅读时，我就丢失了第 96～99 页的内容，即这些消息就丢失了。 + +同理，Kafka 中 Consumer 端的消息丢失就是这么一回事。要对抗这种消息丢失，办法很简单：**维持先消费消息（阅读），再更新位移（书签）的顺序**即可。这样就能最大限度地保证消息不丢失。 + +当然，这种处理方式可能带来的问题是消息的重复处理，类似于同一页书被读了很多遍，但这不属于消息丢失的情形。 + +**如果是多线程异步处理消费消息，Consumer 程序不要开启自动提交位移，而是要应用程序手动提交位移**。 + + + +#### 最佳实践 + +1. 不要使用 producer.send(msg)，而要使用 producer.send(msg, callback)。记住，一定要使用带有回调通知的 send 方法。 +2. 设置 `acks = all`。acks 是 Producer 的一个参数，代表了你对“已提交”消息的定义。如果设置成 all，则表明所有副本 Broker 都要接收到消息，该消息才算是“已提交”。这是最高等级的“已提交”定义。 +3. 设置 retries 为一个较大的值。这里的 retries 同样是 Producer 的参数，对应前面提到的 Producer 自动重试。当出现网络的瞬时抖动时，消息发送可能会失败，此时配置了 retries > 0 的 Producer 能够自动重试消息发送，避免消息丢失。 +4. 设置参数 `retry.backoff.ms`。指消息生产超时或失败后重试的间隔时间，单位是毫秒。如果重试时间太短，会出现系统还没恢复就开始重试的情况，进而导致再次失败。300 毫秒算是比较合适的。 +5. 设置 `unclean.leader.election.enable = false`。这是 Broker 端的参数，指是否能把非 ISR 集合中的副本选举为 leader 副本。unclean.leader.election.enable = true，也就是说允许非 ISR 集合中的 follower 副本成为 leader 副本。如果一个 Broker 落后原先的 Leader 太多，那么它一旦成为新的 Leader，必然会造成消息的丢失。故一般都要将该参数设置成 false，即不允许这种情况的发生。 +6. 设置 `replication.factor >= 3`。这也是 Broker 端的参数，表示分区副本的个数。其实这里想表述的是，最好将消息多保存几份，毕竟目前防止消息丢失的主要机制就是冗余。 +7. 设置 `min.insync.replicas > 1`。这依然是 Broker 端参数，指的是 ISR 最少的副本数量。在实际环境中千万不要使用默认值 1。 +8. 确保 replication.factor > min.insync.replicas。如果两者相等，那么只要有一个副本挂机，整个分区就无法正常工作了。我们不仅要改善消息的持久性，防止数据丢失，还要在不降低可用性的基础上完成。推荐设置成 replication.factor = min.insync.replicas + 1。 +9. 确保消息消费完成再提交。Consumer 端有个参数 `enable.auto.commit`，最好把它设置成 false，并采用手动提交位移的方式。如果把参数 enable.auto.commit 设置为 true 就表示消息偏移量是由消费端自动提交，由异步线程去完成的，业务线程无法控制。如果刚拉取了消息之后，业务处理还没进行完，这时提交了消息偏移量但是消费者却挂了，这就造成还没进行完业务处理的消息的位移被提交了，下次再消费就消费不到这些消息，造成消息的丢失。 + +> 相关设置 +> +> - Producer：ack， retry +>- Broker: replica、min_isr、unclen.electron、log.flush.messages +> - Consumer: offset_commit + + + +### 🎯 Kafka 如何保证消息不被重复消费？ + +> Kafka 本身只能保证 **至少一次（At-Least-Once）** 或 **至多一次（At-Most-Once）** 的投递语义，如果想要 **精确一次（Exactly-Once）**，需要依赖它的事务机制。 +> +> 具体来说： +> +> 1. **生产端** 可以开启幂等生产（`enable.idempotence=true`），避免消息重复写入分区。 +> 2. **消费端** 通过 **提交 offset** 控制消费进度，如果消费和提交不同步，可能会导致重复消费。 +> 3. 如果要严格保证 **不重复消费**，通常需要结合： +> - Kafka 的事务性消费 + 生产（消费一个分区的数据、写入下游，再提交 offset，三者绑定在事务里）。 +> - 业务侧的幂等设计（比如用唯一键去重、数据库 upsert）。 +> +> 所以总结就是：Kafka 提供了事务 + 幂等写的能力，但最终避免重复消费，往往要生产端、消费端和业务逻辑三方面结合。 + +Kafka 又是如何做到消息不重复的，也就是：生产端不重复生产消息，服务端不重复存储消息，消费端也不能重复消费消息。 + +相较上面“消息不丢失”的场景，“消息不重复”的服务端无须做特别的配置，因为服务端不会重复存储消息，如果有重复消息也应该是由生产端重复发送造成的。 + +#### 生产者：不重复生产消息 + +生产端发送消息后，服务端已经收到消息了，但是假如遇到网络问题，无法获得响应，生产端就无法判断该消息是否成功提交到了 Kafka，而我们一般会配置重试次数，但这样会引发生产端重新发送同一条消息，从而造成消息重复的发送。 + +对于这个问题，Kafka 0.11.0 的版本之前并没有什么解决方案，不过从 0.11.0 的版本开始，Kafka 给每个生产端生成一个唯一的 ID，并且在每条消息中生成一个 sequence num，sequence num 是递增且唯一的，这样就能对消息去重，达到一个生产端不重复发送一条消息的目的。 + +但是这个方法是有局限性的，只对在一个生产端内生产的消息有效，如果一个消息分别在两个生产端发送就不行了，还是会造成消息的重复发送。好在这种可能性比较小，因为消息的重试一般会在一个生产端内进行。当然，对应一个消息分别在两个生产端发送的请求我们也有方案，只是要多做一些补偿的工作，比如，我们可以为每一个消息分配一个全局 ID，并把全局 ID 存放在远程缓存或关系型数据库里，这样在发送前可以判断一下是否已经发送过了。 + +> 保证消息队列的幂等性的方案？ +> +> 1. 向数据库insert数据时，先**根据主键查询，若数据存在则不insert，改为update** +> 2. 向Redis中写数据可以用**set去重，天然保证幂等性** +> 3. 生产者发送每条消息时，增加一个全局唯一id（类似订单id），消费者消费到时，先**根据这个id去Redis中查询是否消费过该消息**。如果没有消费过，就处理，将id写入Redis；如果消费过了，那么就不处理，保证不重复处理相同消息。 +> 4. 基于数据库的**唯一键约束**来保证不会插入重复的数据，当消费者企图插入重复数据到数据库时，会报错。 +> +> 如果数据量超级大的话，还有种方案使用布隆过滤器 + redis 的方案 + 唯一索引，**层层削流**，就是**确保到达数据库的流量最小化**。 +> +> 首先，一个请求过来的时候，我们会利用布隆过滤器来判断它有没有被处理过。如果布隆过滤器说没有处理过，那么就确实没有被处理过，可以直接处理。如果布隆过滤器说处理过（可能是假阳性），那么就要执行下一步。 +> +> 第二步就是利用 Redis 存储近期处理过的 key。如果 Redis 里面有这个 key，说明它的确被处理过了，直接返回，否则进入第三步。这一步的关键就是 key的过期时间应该是多长。 +> +> 第三步则是利用唯一索引，如果唯一索引冲突了，那么就代表已经处理过了。这个唯一索引一般就是业务的唯一索引，并不需要额外创建一个索引。 + +#### 消费端：不能重复消费消息 + +比如说你在处理消息完毕之后，准备提交了。这个时候突然宕机了，没有提交。等恢复过来，你会再次消费同一个消息。 + +为了保证消息不重复，消费端就不能重复消费消息，该如何去实现呢？消费端需要做好如下配置。 + +第一步，设置 `enable.auto.commit=false`。跟前面一样，这里同样要避免自动提交偏移量。你可以想象这样一种情况，消费端拉取消息和处理消息都完成了，但是自动提交偏移量还没提交消费端却挂了，这时候 Kafka 消费组开始重新平衡并把分区分给另一个消费者，由于偏移量没提交新的消费者会重复拉取消息，这就最终造成重复消费消息。 + +第二步，单纯配成手动提交同样不能避免重复消费，还需要消费端使用正确的消费“姿势”。这里还是先看下图这种情况： + +![](https://s0.lgstatic.com/i/image6/M01/4D/0A/Cgp9HWDtPCWAYncVABfKsdCDbq0367.png) + +消费者拉取消息后，先提交 offset 后再处理消息，这样就不会出现重复消费消息的可能。但是你可以想象这样一个场景：在提交 offset 之后、业务逻辑处理消息之前出现了宕机，待消费者重新上线时，就无法读到刚刚已经提交而未处理的这部分消息（这里对应图中 5~8 这部分消息），还是会有少消费消息的情况。 + +```java +List messages = consumer.poll(); +consumer.commitOffset(); +processMsg(messages); +``` + + + +### 🎯 Kafka 如何保证消息的顺序消费? + +> Kafka 保证分区内顺序，要保证业务顺序，就需要在生产端确保同一业务 key 的消息落在同一分区，在消费端保持分区内单线程串行处理。如果要全局顺序，只能用单分区，但会牺牲性能。 + +> 如果你用的是单分区解决方案，那么有没有消息积压问题？如果有，你是怎么解决的？ +> +> 如果你用的是多分区解决方案，那么有没有分区负载不均衡的问题？如果有，你是怎么解决的？ + +"Kafka的顺序性保证分为几个层面： +- **分区内有序**：同一分区内的消息是有序的 +- **全局有序**：需要将Topic设置为1个分区，但会影响并发性能 +- **业务有序**：通过合理的分区策略，如使用用户ID做key + +在我们的项目中，对于需要保证顺序的场景，我采用以下策略： +- 将相关联的消息发送到同一分区（使用相同的key） +- 在消费端使用单线程消费 +- 对于严格顺序要求的场景，我们会在业务层面增加版本号或时间戳进行排序” + +> - 单分区会积压？三招：批量+压缩提吞吐；消费者“同Key串行、跨Key并行”；顶不住就转按Key多分区。 +> +> - 多分区会不均衡？两招：一致性哈希/虚拟节点；热点Key可语义分裂（如 user#vnode）。 +> +> - 扩分区会乱序？两招：固定“槽→分区”映射防漂移；双写灰度/暂停-排干-切换平滑迁移。 +> +> - 生产端顺序与可靠：enable.idempotence=true，acks=all，retries=∞；强顺序通道设 max.in.flight=1。 +> +> - 消费端提交：先处理再提交（enable.auto.commit=false）；必要时事务 sendOffsetsToTransaction。 +> +> - Rebalance稳态：用协同粘性+静态成员；onPartitionsRevoked 提交已处理，onPartitionsAssigned 恢复指针。 +> +> - 一句话：按Key进同分区、同Key串行跨Key并行，配合幂等+强顺序通道与平滑扩分区，顺序与吞吐同时拿到。 + +**单分区方案 —— 消息积压问题** + +**问题：** + +- 单分区虽然能保证强顺序，但吞吐量受限。 +- 如果消费速度跟不上生产速度，就会产生消息积压。 + +**解决方案：** + +1. **消费端优化** + - 使用批量拉取 + 批量处理。 + - 使用异步 I/O 提升单线程消费性能。 +2. **增加分区数，提升并行度** + - 如果业务允许局部有序（比如按用户 ID、订单号），可以把单分区拆成多个分区。 +3. **消息堆积应急处理** + - 临时增加消费者实例（如果分区足够多）。 + - 使用 Kafka MirrorMaker / DataBus，把数据转储到大数据系统做离线处理。 + +**多分区方案 —— 分区负载不均衡问题** + +**问题：** + +- 分区多了能提升吞吐，但可能出现： + - 某些分区流量很大（热点 Key），导致 **消费负载不均衡**。 + - 某些分区积压严重，其他分区却很空闲。 + +**解决方案：** + +1. **合理设计分区策略** + + - 按 **Key 哈希分区**，避免所有数据落到某几个分区。 + - 对于热点 Key，可以做 **Key 拆分**（比如 userId%10 作为新 Key），让热点用户的请求分散到多个分区。 + +2. **增加分区并做数据重分布** + + - 在 Kafka 2.4+ 版本支持 **分区重分配**，可以调整 partition 与 broker 的映射。 + +3. **消费端并发优化** + + - 使用多线程消费（一个 Consumer 拉取 → 线程池处理）。 + - 或者使用多个 Consumer 实例（前提是分区足够多）。 + + + +### 🎯 Kafka 如何处理消息积压问题？ + +> 你们公司消息队列的监控有哪些？可以利用哪些监控指标来确定消息是否积压？ 在发现消息积压的时候，能不能利用监控的消费速率和生产速率，来推断多久以后积压的 消息会被处理完毕？ 你们公司消息积压的真实案例，包括故障原因、发现和定位过程、最终解决方案。 你负责的业务使用的 topic 还有对应的分区数量。 +> +> 你的业务 topic 里面用了几个分区？你是怎么确定分区数量的？ +> +> 如果分区数量不够会发生 什么？ 什么情况下会发生消息积压？怎么解决消息积压的问题？ +> +> 在异步消费的时候，如果你拉取了一批消息，还没来得及提交就宕机了会发生什么？ + +> 消息积压通常是因为**消费能力跟不上生产速度**。 +> 我会先定位是 **消费端瓶颈**，还是 **分区设计问题**。 +> +> - 如果是消费端处理慢，可以优化消费逻辑、增加消费者并发、批量消费。 +> - 如果是分区数太少，可以增加分区，让更多消费者并行。 +> - 如果消息确实堆积严重，可以考虑临时 **扩容消费者** 或者 **快速丢弃不必要的历史消息**，比如利用 Kafka 的位移重置功能（`kafka-consumer-groups`）直接跳到最新 offset。 +> 此外，Kafka 本身是高吞吐设计，积压本身不会立刻导致数据丢失，但要保证磁盘和保留策略合理，否则可能过期被删除。 +> +> 总结就是：**先排查原因 → 消费端优化 → 分区扩展 → 必要时跳过历史 → 调整集群资源**，多管齐下解决积压。 + +如果出现积压，那一定是性能问题，想要解决消息从生产到消费上的性能问题，就首先要知道哪些环节可能出现消息积压，然后在考虑如何解决。 + +因为消息发送之后才会出现积压的问题，所以和消息生产端没有关系，又因为绝大部分的消息队列单节点都能达到每秒钟几万的处理能力，相对于业务逻辑来说，性能不会出现在中间件的消息存储上面。毫无疑问，出问题的肯定是消息消费阶段，那么从消费端入手，如何回答呢？ + +1. **提高消费者的处理能力** + +- **增加消费者实例**： + + - 可以通过增加消费者实例来提高消息处理能力。这可以通过增加消费者数量来实现，确保每个分区都有一个消费者进行处理。 + + - 使用消费者组来实现负载均衡，每个消费者组中的消费者实例会自动分配分区。 + +- **优化消费者逻辑**： + + - 确保消费者处理逻辑高效，减少每条消息的处理时间。 + + - 使用批处理来减少I/O操作的频率，例如一次性消费多条消息并进行批量处理。 + +- **水平扩展**： + - 消费端的性能优化除了优化消费业务逻辑以外，也可以通过水平扩容，增加消费端的并发数来提升总体的消费性能。特别需要注意的一点是，**在扩容 Consumer 的实例数量的同时，必须同步扩容主题中的分区（也叫队列）数量，确保 Consumer 的实例数和分区数量是相等的。**如果 Consumer 的实例数量超过分区数量，这样的扩容实际上是没有效果的。原因我们之前讲过，因为对于消费者来说，在每个分区上实际上只能支持单线程消费。 + +2. **增加Kafka的吞吐量** + +- **优化Kafka配置**： + + - 调整Kafka的分区数（partitions），增加主题的分区数可以提高并行处理的能力。 + + - 配置适当的生产者和消费者参数，例如`acks`, `batch.size`, `linger.ms`等，以提高消息的发送和接收性能。 + +- **硬件升级**： + + - 增加Kafka服务器的CPU、内存和磁盘性能，确保Kafka服务器具有足够的资源处理高负载。 + + - 使用更快的网络连接，以减少网络延迟和提高数据传输速度。 + +3. **优化数据流** + +- **数据过滤和压缩**： + + - 在生产者端过滤不必要的数据，减少发送到Kafka的消息量。 + + - 使用Kafka的消息压缩功能（如gzip, snappy），减少消息的大小，提高传输效率。 + +- **异步处理**： + - 使用异步处理机制，消费者在消费消息后立即返回，不等待消息处理完成。消息处理可以交给后台线程或其他服务进行异步处理。 + +4. **监控和预警** + +- **设置监控**： + + - 使用Kafka自带的监控工具或第三方监控工具（如Prometheus, Grafana），实时监控Kafka的性能指标（如消息堆积量、消费者延迟等）。 + + - 设置预警机制，当消息堆积超过一定阈值时，及时通知运维人员进行处理。 + +5. **数据再均衡** + +- **再均衡消费者分区**： + + - 使用Kafka的再均衡机制，确保消费者分区分配均匀，避免某些消费者处理负载过重。 + + - 通过调整分区策略，使得消息在各个分区之间均匀分布。 + +> 如果是线上突发问题，要临时扩容，增加消费端的数量，与此同时，降级一些非核心的业务。通过扩容和降级承担流量，这是为了表明你对应急问题的处理能力。 +> +> 其次，才是排查解决异常问题，如通过监控，日志等手段分析是否消费端的业务逻辑代码出现了问题，优化消费端的业务处理逻辑。 +> +> 最后，如果是消费端的处理能力不足，可以通过水平扩容来提供消费端的并发处理能力，但这里有一个考点需要特别注意， 那就是在扩容消费者的实例数的同时，必须同步扩容主题 Topic 的分区数量，确保消费者的实例数和分区数相等。如果消费者的实例数超过了分区数，由于分区是单线程消费，所以这样的扩容就没有效果。 +> +> 比如在 Kafka 中，一个 Topic 可以配置多个 Partition（分区），数据会被写入到多个分区中，但在消费的时候，Kafka 约定一个分区只能被一个消费者消费，Topic 的分区数量决定了消费的能力，所以，可以通过增加分区来提高消费者的处理能力。 + +> 要确定新的分区数量的最简单的做法就是用平均生产者速率除以单一消费者的 消费速率。 比如说所有的生产者合并在一起，QPS 是 3000。而一个消费者处理的 QPS 是 200，那么 $3000 \div 200 = 15$。也就是说你需要 15 个分区。进一步考虑 业务增长或者突发流量，可以使用 18 个或者 20 个 + + + +### 🎯 谈一谈 Kafka 的再均衡? + +Kafka的再均衡（Rebalancing）是消费者组（Consumer Group）中的一个关键概念，它是指当消费者组中的成员发生变动时（例如，新消费者加入组、现有消费者崩溃或离开组），Kafka重新分配分区（Partition）给消费者组中的所有消费者的过程。 + +以下是关于Kafka再均衡的一些要点： + +1. **消费者组**：Kafka中的消费者通常以组的形式存在。消费者组中的所有消费者协调合作，平均分配订阅主题的所有分区，以实现负载均衡。 + +2. **再均衡触发条件**： + + - 组成员发生变更(新consumer加入组、已有consumer主动离开组或已有consumer崩溃了) + - 订阅主题数发生变更，如果你使用了正则表达式的方式进行订阅，那么新建匹配正则表达式的topic就会触发rebalance + - 订阅主题的分区数发生变更 + +3. **再均衡过程**： + + - 当触发再均衡条件时，当前所有的消费者都会暂停消费，以便进行分区的重新分配。 + - 消费者组中的某个消费者（通常是组协调者，Group Coordinator）负责发起再均衡过程。 + - 协调者计算新的分区分配方案，并将方案广播给组内的所有消费者。 + - 所有消费者根据新的分配方案重新分配分区，并开始重新分配的分区中读取数据。 + + > 和旧版本consumer依托于Zookeeper进行rebalance不同，新版本consumer使用了Kafka内置的一个全新的组协调协议（group coordination protocol）。 + > + > 对于每个组而言，Kafka的某个broker会被选举为组协调者（group coordinator）。 + > + > Kafka新版本 consumer 默认提供了多种分配策略 + > + > - Kafka提供了多种再均衡策略，可以通过配置`partition.assignment.strategy`参数进行设置： + > - **RangeAssignor**：按范围分配分区。每个消费者分配一组连续的分区。 + > - **RoundRobinAssignor**：以轮询方式分配分区。分区尽可能均匀地分配给所有消费者。 + > - **StickyAssignor**：在保持现有分区分配的基础上，尽量少地移动分区。 + > - **CooperativeStickyAssignor**：一种渐进的再均衡策略，最小化分区移动，并确保消费者间的平衡。 + > + > 1. 所有成员都向 coordinator 发送请求，请求入组。一旦所有成员都发送了请求，coordinator 会从中选择一个consumer 担任 leader 的角色，并把组成员信息以及订阅信息发给 leader。 + > + > 2. leader 开始分配消费方案，指明具体哪个 consumer 负责消费哪些 topic 的哪些 partition。一旦完成分配，leader 会将这个方案发给 coordinator。coordinator 接收到分配方案之后会把方案发给各个 consumer，这样组内的所有成员就都知道自己应该消费哪些分区了。 + +4. **再均衡的影响**： + + - 在再均衡期间，消费者组的消费者将无法消费数据，这可能导致短暂的服务中断。 + - 再均衡完成后，每个消费者将开始从其分配到的分区中读取数据，这可能会导致已经提交的偏移量被覆盖。 + +5. **再均衡的优化**： + + - 尽量减少再均衡的发生，例如，避免频繁地添加或移除消费者。 + - 使用`max.poll.interval.ms`配置参数来设置消费者在两次轮询之间的最大时间间隔，这有助于控制再均衡的触发。 + - 使用`session.timeout.ms`配置参数来设置消费者与组协调者会话的超时时间，这有助于在消费者崩溃时快速触发再均衡。 + +6. **消费者偏移量管理**： + + - 在再均衡期间，消费者可能会丢失或提交新的偏移量。因此，合理管理偏移量非常重要，例如，使用Kafka提供的自动提交偏移量功能或手动管理偏移量。 + +7. **再均衡监听器**： + + - Kafka消费者API提供了再均衡监听器（`ConsumerRebalanceListener`），允许开发者在再均衡发生前后执行特定的操作，例如，在再均衡前保存当前的消费状态，在再均衡后恢复消费。 + +8. **再均衡与消费者故障转移**： + + - 再均衡是Kafka处理消费者故障转移的一种机制。当消费者崩溃时，Kafka会触发再均衡，将崩溃消费者负责的分区分配给其他消费者，以确保数据仍然可以被消费。 + +再均衡是Kafka消费者模型的一个核心特性，它允许消费者组动态地适应消费者数量和订阅主题的变化。然而，再均衡也可能带来一些性能影响，因此在设计和配置Kafka消费者时，需要仔细考虑这些因素。 + + + +### 🎯 创建topic时如何选择合适的分区数？ + +> 每天两三亿数据量，每秒几千条，设置多少分区合适 + +1. **吞吐量需求** + - **分区 = 并发度**：Kafka 的并发度主要由分区数决定。 + - 一般经验：**每个分区单机消费者可处理 5~10MB/s**，如果预估写入或消费流量很大，需要更多分区来分摊。 +2. **消费者并行度** + - Kafka 规定：一个分区同一时刻只能被 **一个消费者线程消费**。 + - 因此分区数至少要 ≥ 预期的最大消费者线程数，否则会限制消费并行度。 +3. **消息有序性** + - 分区越多，局部有序范围越小。 + - 如果业务需要 **严格顺序**，只能选择 **单分区**（但要面对吞吐瓶颈）。 +4. **Broker 资源** + - 分区本身有开销： + - 每个分区对应一个日志目录，包含索引文件、数据文件； + - Leader/Follower 需要额外内存和文件句柄。 + - 分区数过多会导致 **控制器压力大**，Kafka 元数据同步变慢。 + - 一般建议：**单个 Broker 上分区数不要超过几千**（Kafka 官方建议 < 20w 个分区集群总数）。 +5. **后续扩展性** + - 分区数可以增加，但不能减少。 + - 提前预估峰值，适度超配。 + + + +### 🎯 Kafka 是否支持动态增加和减少分区 + +Kafka支持动态增加分区，但不支持减少分区。 + +- 动态增加分区的影响 + - **负载均衡**：增加分区后，可以重新分配分区到消费者，提供更好的负载均衡。 + - **吞吐量提升**：增加分区数目能够提升Kafka集群的吞吐量，因为更多的分区意味着可以并行处理更多的消息。 + +- **动态增加分区的限制** + - **数据顺序性**：对于依赖消息顺序的应用程序，增加分区可能会影响数据的顺序性，因为新的消息可能会分配到新的分区。 + - **重新分配成本**：增加分区后，可能需要重新分配分区到不同的Broker，这会带来额外的网络和I/O负载。 + +Kafka目前不支持动态减少分区。这是因为减少分区会涉及到数据的重新分配和合并，这会导致很大的复杂性和潜在的数据丢失风险 + +**原因**： + +- **数据迁移复杂性**：减少分区需要将现有分区的数据迁移到其他分区，这会带来巨大的I/O负载和复杂的迁移逻辑。 +- **数据一致性风险**：在减少分区的过程中，可能会有数据丢失或数据不一致的风险，这对于生产环境是不容忽视的。 + + + +### 🎯 遇到过哪些Kafka的生产问题？如何解决的？ + +"我在生产环境中遇到过几个典型问题： + +**问题1：消费延迟严重** +- 原因：Consumer处理速度跟不上Producer生产速度 +- 解决：增加Consumer数量，优化消费逻辑，调整批处理大小 + +**问题2：频繁rebalance** +- 原因：Consumer心跳超时或处理时间过长 +- 解决：调整session.timeout.ms和max.poll.interval.ms参数 + +**问题3：磁盘空间不足** +- 原因：日志保留时间过长，数据堆积 +- 解决：调整retention配置，增加磁盘容量，设置数据清理策略 + +**问题4：网络分区导致的数据不一致** +- 解决：通过监控ISR状态，及时发现和处理网络问题 + +这些问题让我深刻认识到监控和运维的重要性，现在我们建立了完善的监控体系。” + + + +### 🎯 如何监控Kafka集群的健康状态？ + +"我们建立了多维度的监控体系： + +**JMX指标监控：** +- 吞吐量：BytesInPerSec、BytesOutPerSec +- 延迟：ProduceRequestTimeMs、FetchRequestTimeMs +- 错误率：ErrorRate、FailedRequestsPerSec + +**业务指标监控：** +- Consumer Lag：消费延迟 +- Topic分区状态 +- ISR副本数量 + +**系统指标监控：** +- CPU、内存、磁盘IO +- 网络带宽使用情况 +- JVM GC情况 + +**工具：** +- 使用Kafka Manager进行集群管理 +- Prometheus + Grafana进行指标可视化 +- 自定义告警规则，关键指标异常时及时通知 + +通过这套监控体系，我们能够在问题发生前就发现潜在风险。” + + + +### 🎯 如果kafka集群每天需要承载10亿请求流量数据，你会怎么估算机器网络资源？ + +思路总览：我先把“量”拆成四件事：消息速率、网络吞吐、存储容量、并行度（分区/实例）。按公式估算，再给20%~40%余量，确保峰值与故障场景也稳。 + + + +## 六、高级特性与实战应用 🚀 + +### 🎯 能详细说说Kafka的零拷贝技术吗？ + +Kafka通过零拷贝把“磁盘→网卡”的数据路径缩短为“DMA两跳、无用户态拷贝”。落地手段是存储写入阶段用mmap，网络发送阶段用sendfile（Java里是FileChannel#transferTo），数据常驻于Page Cache，CPU只做控制不搬数据，从而显著降低CPU占用与上下文切换、提升吞吐。 + +> 关键认知：所谓“零拷贝”是“零用户态拷贝”，CPU仍参与系统调用与元数据管理，但不再搬运数据。 +> +> 零拷贝是中间件设计的通用技术，是指完全没有 CPU 参与的读写操作。我以从磁盘读数据，然后写到网卡上为例介绍一下。首先，应用程序发起系统调用，这个系统调用会读取磁盘的数据，读到内核缓存里面。同时，磁盘到内核缓存是 DMA 拷贝。然后再从内核缓存拷贝到 NIC 缓存中，这个过程也是 DMA 拷贝。这样就完成了整个读写操作。和普通的读取磁盘再发送到网卡比起来，零拷贝少了两次 CPU 拷贝，和两次内核态与用户态的切换。 +> +> 这里说的内核缓存，在 linux 系统上其实就是 page cache。 + +**传统IO流程的问题：** + + + +![](https://www.nootcode.com/knowledge/kafka-zero-copy/en/traditional-copy.png)假设 Kafka 没有使用零拷贝，从磁盘读取数据发给网络 socket，流程是这样的（以 Linux 为例)： + +1. **read() 调用** + - 从磁盘读取数据到 **内核缓冲区**（Page Cache） + - 再从内核缓冲区复制到 **用户空间缓冲区**（JVM 堆中） +2. **write() 调用** + - 把用户空间缓冲区数据复制回 **内核 socket 缓冲区** + - 再由网卡 DMA 把数据发到网络 + +📌 这样一来，**数据至少被复制了 4 次**（2 次 CPU 内存拷贝，2 次 DMA）： + +```rust +磁盘 -> 内核缓冲区 (DMA) +内核缓冲区 -> 用户缓冲区 (CPU copy) +用户缓冲区 -> socket 缓冲区 (CPU copy) +socket 缓冲区 -> 网卡缓冲区 (DMA) +``` + +这会消耗大量 CPU 时间，尤其是 Kafka 这种传输大量日志数据的场景。 + +**Kafka的零拷贝实现：** + +![](https://www.nootcode.com/knowledge/kafka-zero-copy/en/zero-copy.png) + +- 写入路径（Producer → Broker）：Broker将分区日志段用 mmap 映射到进程虚拟内存，写入像写内存，减少一次用户态拷贝与多次 read/write 系统调用；数据先入 Page Cache，由内核异步刷盘。 + +- 发送路径（Broker → Consumer）：Consumer 发起 FetchRequest 后，Broker 在“响应该请求”时使用 sendfile/transferTo，将 Page Cache 中的数据直接写入 TCP socket，跳过用户态缓冲与两次 CPU 拷贝。 + +- Page Cache 的作用：热数据常驻页缓存，读取多为内存命中；写入先入缓存、后台落盘，显著降低 CPU 占用与上下文切换、提升整体吞吐。 + +**关键代码** + +- sendfile（Consumer侧发送） + + ```java + *// Java NIO: transferTo 底层利用 sendfile* + FileChannel fc = new RandomAccessFile(file, "r").getChannel(); + SocketChannel sc = SocketChannel.open(); + fc.transferTo(position, count, sc); + ``` + +- mmap（Broker写日志） + + ```java + MappedByteBuffer buf = fileChannel.map( + FileChannel.MapMode.READ_WRITE, position, size); + buf.put(data); *// 直接写映射内存，OS异步落盘* + ``` + +**优势与适用边界** + +- 优势 + + - 降低CPU占用与上下文切换；带宽更高、延迟更低 + + - 避免用户态中间缓冲，占用更少内存 + +- 限制/注意 + + - 数据不可改：sendfile只适用于“文件→socket”原样传输，不能在传输中改数据（加解密、变更格式）。 + + - TLS影响：应用层TLS（用户态加密）会破坏零拷贝路径；需内核TLS（ktls）或终止SSL在代理层。 + + - mmap内存占用：映射过大可能挤压内存；需要关注页回收与脏页刷盘。 + + - 小包/短连接不划算：极小消息或频繁短连接时，零拷贝优势减弱。 + + - 度量与回退：遇到异常（如transferTo平台差异、内核Bug）需可回退普通IO路径。 + + + +### 🎯 既然零拷贝这么好，为什么还要有传统的经过用户态的方案呢？ + +这是个非常好的问题！零拷贝确实性能很好，但它有严格的使用限制，不是万能的解决方案： + +**🚫 零拷贝的局限性：** + +**1. 数据不可修改限制** +```java +// ❌ 零拷贝做不到的事 +FileChannel fileChannel = new RandomAccessFile("log.txt", "r").getChannel(); +// 如果我们需要对数据进行加密、压缩、格式转换怎么办？ +// sendfile和mmap都无法在传输过程中修改数据！ +``` + +**传统方案的必要性：** +```java +// ✅ 传统方案可以处理数据 +FileInputStream fis = new FileInputStream("log.txt"); +byte[] buffer = new byte[1024]; +int bytesRead = fis.read(buffer); + +// 可以对数据进行各种处理 +encryptData(buffer); // 加密 +compressData(buffer); // 压缩 +validateData(buffer); // 校验 +transformData(buffer); // 格式转换 + +socketChannel.write(ByteBuffer.wrap(buffer)); +``` + +**2. 应用场景限制** + +**零拷贝适用场景：** + +- ✅ 静态文件服务（nginx传输图片、视频） +- ✅ 数据库备份传输 +- ✅ CDN内容分发 +- ✅ Kafka Consumer原样转发消息 + +**传统方案适用场景：** +- ✅ Web应用服务器（需要动态生成内容） +- ✅ API网关（需要请求路由、鉴权、限流） +- ✅ 消息中间件的Producer（需要序列化、压缩） +- ✅ 实时数据处理（需要过滤、聚合、计算） + +**3. 具体技术限制对比** + +| 技术方案 | 能否修改数据 | 内存使用 | CPU消耗 | 适用场景 | +|---------|-------------|----------|---------|----------| +| sendfile | ❌ 不能修改 | 极低 | 极低 | 文件→网络原样传输 | +| mmap | ✅ 可以修改 | 高（映射整个文件） | 低 | 频繁随机读写文件 | +| 传统read/write | ✅ 完全可控 | 中等 | 较高 | 需要数据处理的场景 | + +**4. 实际业务中的选择** + +**案例1：Web服务器架构** +```java +// Nginx (零拷贝) + Tomcat (传统方案) +Nginx: sendfile on; // 静态资源用零拷贝 +Tomcat: // 动态内容必须用传统方案 +@GetMapping("/api/user/{id}") +public User getUser(@PathVariable Long id) { + User user = userService.findById(id); + // 需要查库、业务逻辑处理、JSON序列化 + // 这些都必须在用户态完成，零拷贝做不到 + return user; +} +``` + +**案例2：消息队列的两面性** +```java +// Kafka Producer (传统方案) +// 需要序列化、分区选择、压缩等处理 +byte[] serializedData = serializer.serialize(message); +byte[] compressedData = compressor.compress(serializedData); +producer.send(new ProducerRecord<>(topic, compressedData)); + +// Kafka Consumer (零拷贝) +// 只需要原样转发数据给客户端 +fileChannel.transferTo(offset, length, socketChannel); +``` + +**5. 为什么不能都用零拷贝？** + +**技术原因：** +- **安全性**：用户态是操作系统的安全边界，很多操作必须在用户态验证 +- **灵活性**：复杂的业务逻辑需要用户态的编程环境 +- **兼容性**：很多第三方库和框架都是基于用户态设计的 + +**设计哲学：** +- **零拷贝**：追求极致性能，适合简单的数据传输 +- **传统方案**：追求功能完整性，适合复杂的业务处理 + + + +### 🎯 基于kafka的延时队列和死信队列如何实现 + +延迟队列是一种特殊的队列。它里面的每个元素都有一个过期时间，当元素还没到过期时间 的时候，如果你试图从队列里面获取一个元素，你会被阻塞。当有元素过期的时候，你就会 拿到这个过期的元素。你可以这样想，你拿到的永远是最先过期的那个元素。 + +很多语言本身就提供了延迟队列的实现，比如说在 Java 里面的 DelayQueue。 + +死信队列是一种逻辑上的概念，也就是说它本身只是一个普通的队列。而死信的意思是指过 期的无法被消费的消息，这些消息会被投送到这个死信队列。 + +基于Kafka实现延时队列和死信队列可以有效地处理消息的延迟投递和异常消息处理。以下是详细的实现方法： + +#### 实现延时队列 + +延时队列用于将消息在特定时间后再投递。实现Kafka延时队列的方法有几种，以下是其中一种常用方法： + +方法：**使用多个主题和定时任务** + +1. **创建多个主题**：创建一组按延迟时间分隔的Kafka主题，如`delay-1min`, `delay-5min`, `delay-10min`等。 + +2. **生产者发送消息**：生产者根据消息的延迟时间，将消息发送到相应的延迟主题。 + + ```java + public void sendMessage(String topic, String key, String message, long delay) { + // 计算目标主题 + String delayTopic = getDelayTopic(delay); + // 发送消息到延迟主题 + kafkaTemplate.send(delayTopic, key, message); + } + + private String getDelayTopic(long delay) { + if (delay <= 60000) { + return "delay-1min"; + } else if (delay <= 300000) { + return "delay-5min"; + } else { + return "delay-10min"; + } + } + ``` + +3. **定时任务消费延迟主题**：使用定时任务或后台线程定期消费延迟主题，将消息转发到实际处理的主题。 + + ```java + @Scheduled(fixedRate = 60000) + public void processDelayQueue() { + ConsumerRecords records = kafkaConsumer.poll(Duration.ofMillis(1000)); + for (ConsumerRecord record : records) { + // 将消息转发到实际处理的主题 + kafkaTemplate.send("actual-topic", record.key(), record.value()); + } + } + ``` + +> 这个方案的缺点其实还挺严重的。第一个是延迟时间必须预先设定好，比如只 能允许延迟 1min、3min 或者 10min 的消息，不支持随机延迟时间。不过绝大多数情况下，业务是用不着非得 随机延迟时间的。 +> +> 在一些 业务场景下，需要根据具体业务数据来计算延迟时间，那么这个就不适用了。 +> +> 第二个是分区之间负载不均匀。比如很多业务可能只需要延迟 3min，那么 1min 和 10min 分区的数据就很少。这会进一步导致一个问题，就是负载高的 分区会出现消息积压的问题。 在这里，很多解决消息积压的手段都无法使用，所以只能考虑多设置几个延迟 时间相近的分区，比如说在 3min 附近设置 2min30s，3min30s 这种分区来分 摊压力。 +> +> 还要考虑一致性问题，比如发送延时队列失败、或者转发到业务 topic 时失败，要怎么处理 + +**单 Topic + 时间戳方案** + +- 核心思想：所有延迟消息发送到单个 Topic，消息中包含触发时间戳 +- 实现步骤： + 1. 生产者发送消息时，在消息头或 key 中携带触发时间戳 + 2. 消费者持续拉取消息，对未到触发时间的消息暂存到本地有序队列 + 3. 通过定时任务扫描有序队列，处理已到触发时间的消息 +- 优点：无需创建多个延迟 Topic，灵活度高 +- 缺点：需维护本地有序队列，重启可能丢失未处理消息（可持久化到本地文件） + +#### 实现死信队列 + +死信队列用于处理由于各种原因无法成功处理的消息。实现 Kafka 死信队列的方法如下： + +1. **创建死信主题**：创建一个专门的死信主题，如`dead-letter-topic`。 + +2. **配置消费者处理逻辑**：在消费者逻辑中捕获处理失败的异常，将失败的消息发送到死信主题。 + + ```java + public void consume(ConsumerRecord record) { + try { + // 处理消息 + processMessage(record.value()); + } catch (Exception e) { + // 将处理失败的消息发送到死信主题 + kafkaTemplate.send("dead-letter-topic", record.key(), record.value()); + } + } + + private void processMessage(String message) { + // 处理消息逻辑 + if (message.contains("error")) { + throw new RuntimeException("处理失败"); + } + } + ``` + +3. **监控死信队列**：定期检查死信主题中的消息，分析和处理这些失败的消息。 + + ```java + @Scheduled(fixedRate = 60000) + public void processDeadLetterQueue() { + ConsumerRecords records = kafkaConsumer.poll(Duration.ofMillis(1000)); + for (ConsumerRecord record : records) { + // 记录或重试处理死信消息 + logger.error("处理死信消息: " + record.value()); + } + } + ``` + +**优点**： + +- **解耦**：使用Kafka主题来实现延时和死信队列，可以解耦生产者和消费者。 +- **扩展性**：Kafka天然支持分布式和高吞吐量，适合大规模消息处理。 + +**局限性**： + +- **复杂性**：需要管理多个主题和定时任务，增加了系统复杂性。 +- **延迟精度**：延时队列的延迟精度取决于定时任务的执行频率，可能无法达到毫秒级精度。 + + + +### 🎯 Kafka 目前有哪些内部 topic，他们都有什么特征，各自的作用又是什么？ + +下面按“核心内置 / KRaft元数据 / 生态组件内部Topic”梳理，给出特征与作用。面试时先答核心两项，再按是否使用KRaft、Connect/Streams补充。 + +**核心内置（所有Kafka都有）** + +- *consumer_offsets* + + - 特征：cleanup.policy=compact；默认分区数≈50（offsets.topic.num.partitions）；RF建议=3（offsets.topic.replication.factor） + + - 作用：存储消费者组的已提交offset与组元数据（分配方案等），由GroupCoordinator读写 + + - 要点：按group维度隔离；不要手工写入/删除；保障RF与min.insync.replicas，避免丢offset + +- *transaction_state* + + - 特征：cleanup.policy=compact；默认分区数≈50（transaction.state.log.num.partitions）；RF建议=3 + + - 作用：存储事务/幂等相关元数据（transactional.id→producerId/epoch、事务状态、commit/abort markers），支撑EOS + + - 要点：不可用会导致事务生产/提交失败；监控事务协调器与磁盘健康 + +**KRaft模式（无ZK时）** + +- *cluster_metadata（元数据日志，控制面专用）* + + - 特征：Raft复制的内部元数据日志，不作为普通业务Topic使用 + + - 作用：持久化集群元数据事件（Topic/Partition/ACL/ISR等） + + - 要点：存在于Controller节点；关系到集群生死，确保存储与副本健康 + +**生态组件的“内部Topic”（按需出现）** + +- Kafka Connect + + - connect-configs（compact）：存储连接器/任务配置 + + - connect-offsets（compact）：存储源连接器的读取偏移 + + - connect-status（compact）：存储connector/task状态 + + - 要点：RF≥3、min.insync.replicas≥2，避免单点；迁移/恢复靠这些Topic + +- Kafka Streams（以应用ID为前缀自动创建） + + - `-...-changelog（compact）`：状态存储快照日志，用于故障恢复 + + - `-...-repartition（delete）`：重分区Topic，用于按key重分布数据 + + - 要点：为高可用将RF设为3；分区数影响并行度与恢复速度 + +- Confluent Schema Registry + + - _schemas（compact）：存储Avro/Protobuf/JSON Schema及版本 + + - 要点：非Kafka核心自带，但常见于Confluent发行版 + +补充注意 + +- 这些内部Topic多为“compact”以保留最新状态，需保障RF/min.insync与磁盘健康。 + +- 不要对其做人为清理/变更；运维时仅调参与监控（URP、ISR、延迟、分区数、磁盘）。 + + + +### 🎯 kafka支持事务么，你们项目中有使用么，它的原理是什么？ + +> Kafka 从 **0.11 版本开始支持事务**，主要用于 **保证消息的“Exactly Once” 语义（EOS，恰好一次语义）**。 +> 在我项目里，事务一般用在 **生产端**，比如订单场景：业务写入数据库成功时，再原子地写入 Kafka，保证不会出现“数据库写了但消息没发”或者“消息发了但数据库回滚”的不一致问题。 +> 事务的原理主要依赖 **Producer 端的幂等性 + 事务协调器（Transaction Coordinator）**，通过写入内部主题 `__transaction_state` 来维护事务状态。事务提交时消息才对消费者可见，回滚时消息会被标记为无效，从而实现精确一次。 + +**支持**（从 **Kafka 0.11** 开始）。 + +事务的主要目标是 **保证多条消息的写入要么全部成功、要么全部失败**，解决「**消息丢失**」「**消费端读到不一致数据**」的问题。 + +**Kafka 事务的核心能力** + +1. **多分区原子写入**：一次事务中向多个分区写入消息，要么所有分区都写入成功，要么都失败（避免部分分区写入成功导致的数据不一致）。 +2. **消费 - 生产链路原子性**：支持 “消费消息→业务处理→生产新消息” 的全链路事务（如消费订单消息后，生成支付消息，确保两者状态一致）。 +3. **事务恢复与幂等性**：通过事务日志记录事务状态，崩溃后可恢复；配合幂等生产者避免重复写入。 + +**Kafka 事务的实现原理** + +核心依赖 **事务协调器（Transaction Coordinator）** 和 **事务日志（Transaction Log）** 两大组件： + +1. **事务日志（__transaction_state 主题）** + - 一个特殊的内部主题，用于持久化所有事务的状态（如 “开始”“提交”“中止”），副本机制保证高可用。 + - 每条记录包含：事务 ID、涉及的分区、事务状态等元数据。 +2. **事务协调器（Transaction Coordinator）** + - 每个 broker 都可能成为协调器（按事务 ID 哈希分配），负责管理事务全生命周期： + - 接收生产者的事务开始 / 提交 / 中止请求； + - 将事务状态写入事务日志； + - 协调分区副本对事务消息的可见性（通过 “事务标记” 控制）。 +3. **事务消息的可见性控制** + - 事务中的消息会先被写入分区，但标记为 “未提交”（消费者默认看不到）。 + - 事务提交后，协调器会向涉及的分区写入 “事务提交标记”，消费者才能看到这些消息；若回滚，写入 “中止标记”，消息被丢弃。 +4. **消费者事务隔离级别** + - `read_committed`（默认）：只消费已提交的事务消息（避免脏读）。 + - `read_uncommitted`：可消费未提交的事务消息（可能看到回滚的消息，一般不推荐）。 + +**使用注意事项** + +1. **性能损耗**：事务会增加网络交互（与协调器通信）和磁盘 IO（写入事务日志），吞吐量比普通消息低，需评估场景必要性（非核心链路慎用）。 +2. **事务 ID 唯一性**：每个事务生产者必须有唯一的 `transactional.id`，用于崩溃后恢复事务状态。 +3. **配合幂等性**：开启 `enable.idempotence=true` 避免网络重试导致的重复写入，与事务结合使用更可靠。 + +```java +// 1. 配置事务生产者（开启事务） +Properties props = new Properties(); +props.put(ProducerConfig.ENABLE_IDEMPOTENCE_CONFIG, "true"); // 幂等性 +props.put(ProducerConfig.TRANSACTIONAL_ID_CONFIG, "payment-transaction-1"); // 事务ID +KafkaProducer producer = new KafkaProducer<>(props); + +// 2. 初始化事务 +producer.initTransactions(); + +// 3. 开启事务 +producer.beginTransaction(); +try { + // 4. 向多个主题/分区发送消息（物流、积分、财务） + producer.send(new ProducerRecord<>("logistics-topic", orderId, logisticsMsg)); + producer.send(new ProducerRecord<>("points-topic", orderId, pointsMsg)); + producer.send(new ProducerRecord<>("finance-topic", orderId, financeMsg)); + + // 5. 提交事务（所有消息成功写入） + producer.commitTransaction(); +} catch (Exception e) { + // 6. 回滚事务（所有消息作废） + producer.abortTransaction(); +} +``` + + + +### 🎯 kafka中的幂等是怎么实现的? + +Kafka中，幂等性（Idempotence）指的是发送消息到Kafka集群时，即使多次发送相同的消息，也不会导致消息被多次处理或产生副作用。Kafka通过以下机制实现幂等性： + +1. **Producer ID（PID）** + - 每个幂等性生产者在初始化时都会分配一个唯一的Producer ID（PID）。这个ID用于标识该生产者实例。 + +2. **序列号** + - 每个消息（Record）在发送时都会被分配一个序列号。这个序列号是生产者在每个分区上单调递增的。 + + - 序列号和PID结合使用，可以唯一标识每个消息。 + +3. **幂等性保证逻辑** + + - Kafka Broker会维护每个生产者的PID和序列号的映射表。当Broker接收到一条消息时，会检查这条消息的PID和序列号。 + + - 如果消息的PID和序列号与之前接收到的消息相同，则Broker会丢弃这条消息，避免重复写入。 + +4. **重试机制** + - 如果消息发送失败，幂等性生产者会自动重试。由于PID和序列号的机制，即使发生重试，也不会导致消息重复写入。 + +Producer 端在发送时会给每条消息加上递增的序列号，Broker 端为每个 `(PID, Partition)` 维护最新序列号，重复的就直接丢弃。 + 开启幂等性后能保证单个 Producer Session 内，同一条消息即使重复发送也只会写一次，但跨 Session 要用事务来保证 Exactly Once。 + + + +### 🎯 为什么kafka不支持读写分离？ + +Kafka不支持读写分离的主要原因与其设计原则、性能优化以及数据一致性需求密切相关。以下是详细解释： + +1. **数据一致性** + + Kafka的设计目标之一是保证消息的强一致性。在Kafka中，每个分区都有一个Leader和多个Follower。所有的写操作必须先写入Leader，然后Leader会将数据复制到Follower。 + + - **单点写入**：所有写操作通过Leader进行，确保数据的一致性。Follower从Leader同步数据，保持与Leader的数据一致。 + + - **一致性保障**：如果允许读操作从Follower读取数据，由于Follower可能会滞后于Leader，可能导致读取到不一致的数据。 + +2. **简化设计和高性能** + + Kafka的设计理念是保持架构的简洁和高效，这对于实现**高吞吐量和低延迟**的消息系统至关重要。 + + - **单一机制**：通过仅允许Leader处理写操作和大部分读操作，Kafka简化了其数据一致性和分布式处理逻辑。 + + - **性能优化**：Leader处理读写操作，避免了在Follower上实现复杂的读一致性逻辑，这简化了实现并优化了性能。 + +3. 高可用性和故障恢复 + + Kafka通过Leader和Follower机制来保证高可用性和快速故障恢复。 + + - **快速恢复**：在Leader故障时，从ISR（In-Sync Replicas）中选举新的Leader。如果读操作允许从Follower读取，故障恢复过程会变得复杂，因为需要确保新Leader的Follower数据是一致且最新的。 + + - **简化故障处理**：仅从Leader读取和写入，使得故障处理逻辑更简单，确保系统在故障恢复过程中仍然可以提供强一致性的数据服务。 + +4. **可预见的负载分布** + + 通过将所有写操作集中在Leader上，Kafka可以更好地预测和管理系统负载。 + + - **预防热点**：避免Follower节点成为读请求的热点，导致不均衡的资源消耗。 + + - 负载管理：可以更好地管理和调配系统资源，避免由于Follower读请求导致的不均衡负载。 + +Kafka的设计理念和架构决定了不支持读写分离，主要是为了保证数据一致性、简化设计和优化性能。通过集中处理写操作和大部分读操作，Kafka能够提供高吞吐量、低延迟和高可靠性的消息服务。 + + + +### 🎯 KafkaConsumer是非线程安全的，那怎么实现多线程消费? + +- 每个线程一个KafkaConsumer实例：最简单且常见的方法是每个线程创建一个KafkaConsumer实例。这种方式可以确保每个消费者实例在独立的线程中运行，避免线程安全问题。 + +- 单个KafkaConsumer实例多线程处理：单个KafkaConsumer实例从Kafka中拉取消息，然后将这些消息分发到多个工作线程进行处理。这样可以利用多线程处理的优势，同时避免了KafkaConsumer的线程安全问题。 + + + +### 🎯 如果让你设计一个MQ，你怎么设计？ + +其实回答这类问题，说白了，起码不求你看过那技术的源码，起码你大概知道那个技术的基本原理，核心组成部分，基本架构构成，然后参照一些开源的技术把一个系统设计出来的思路说一下就好 + +比如说这个消息队列系统，我们来从以下几个角度来考虑一下 + +1. 首先这个mq得支持可伸缩性吧，就是需要的时候快速扩容，就可以增加吞吐量和容量，那怎么搞？设计个分布式的系统呗，参照一下kafka的设计理念，broker -> topic -> partition，每个partition放一个机器，就存一部分数据。如果现在资源不够了，简单啊，给topic增加partition，然后做数据迁移，增加机器，不就可以存放更多数据，提供更高的吞吐量了？ +2. 其次你得考虑一下这个mq的数据要不要落地磁盘吧？那肯定要了，落磁盘，才能保证别进程挂了数据就丢了。那落磁盘的时候怎么落啊？顺序写，这样就没有磁盘随机读写的寻址开销，磁盘顺序读写的性能是很高的，这就是kafka的思路。 +3. 其次你考虑一下你的mq的可用性啊？这个事儿，具体参考我们之前可用性那个环节讲解的kafka的高可用保障机制。多副本 -> leader & follower -> broker挂了重新选举leader即可对外服务。 +4. 能不能支持数据0丢失啊？可以的，参考我们之前说的那个kafka数据零丢失方案 + +实现一个 MQ 肯定是很复杂的，其实这是个开放题，就是看看你有没有从架构角度整体构思和设计的思维以及能力。 + + + +### 🎯 Kafka Streams了解吗？在什么场景下会使用？ + +"Kafka Streams是Kafka提供的流处理框架，我在以下场景中使用过： + +**实时聚合统计：** +- 实时计算用户行为指标，如PV、UV +- 滑动窗口统计，如最近1小时的订单量 + +**数据清洗和转换：** +- 实时清洗日志数据，过滤无效记录 +- 数据格式转换和字段映射 + +**关联查询：** +- 流表关联，如订单流和用户信息表的关联 +- 双流关联，如点击流和曝光流的关联 + +相比于其他流处理框架（如Storm、Flink），Kafka Streams的优势是： +- 无需额外集群，降低运维复杂度 +- 与Kafka深度集成，exactly-once语义 +- 支持本地状态存储，查询性能好 + +在我们的实时推荐系统中，使用Kafka Streams处理用户行为流，实时更新用户画像。” + + + +### 🎯 Reactive Kafka了解吗？在什么场景下使用？ + +"Reactive Kafka是基于Project Reactor框架的Kafka客户端库，主要用于响应式编程场景： + +**核心特性：** +- **背压处理**：自动处理消费者处理能力与生产速度的匹配 +- **非阻塞IO**：基于Netty的异步非阻塞处理 +- **流式处理**：与Spring WebFlux、Reactor完美集成 +- **资源管理**：自动管理连接池和线程资源 + +**主要组件：** +- `KafkaSender`：响应式的消息发送器 +- `KafkaReceiver`：响应式的消息接收器 +- `SenderRecord/ReceiverRecord`：响应式的消息封装 + +**适用场景：** +在我们的微服务项目中，主要在以下场景使用： + +1. **高并发API服务**： + - WebFlux应用中需要异步处理Kafka消息 + - 避免阻塞线程池，提高系统吞吐量 + +2. **实时数据流处理**： + - 处理大量实时数据流，如用户行为日志 + - 与其他响应式组件（如Reactive MongoDB）集成 + +3. **背压敏感场景**： + - 下游处理能力有限时，需要自动调节消费速度 + - 避免内存溢出和系统雪崩 + +**代码示例：** +```java +// Producer示例 +@Service +public class ReactiveKafkaProducer { + private final KafkaSender sender; + + public Mono sendMessage(String topic, Object data) { + return sender.send(Mono.just(SenderRecord.create(topic, null, null, null, data, null))) + .then(); + } +} + +// Consumer示例 +@Service +public class ReactiveKafkaConsumer { + private final KafkaReceiver receiver; + + @PostConstruct + public void consume() { + receiver.receive() + .delayElements(Duration.ofMillis(10)) // 背压控制 + .doOnNext(this::processMessage) + .doOnNext(record -> record.receiverOffset().acknowledge()) + .subscribe(); + } +} +``` + +**与传统Kafka Client的区别：** +- **线程模型**：传统客户端需要手动管理线程池，Reactive自动管理 +- **背压处理**：传统方式需要手动控制poll数量，Reactive自动调节 +- **错误处理**：响应式提供更优雅的错误处理和重试机制 +- **资源利用**：更高的资源利用率，特别是在IO密集型场景 + +**性能优势：** +在我们的压测中发现： +- CPU使用率降低30%（减少线程切换开销） +- 内存使用更稳定（自动背压调节） +- 在高并发场景下，吞吐量提升20-40% + +**注意事项：** +- 学习曲线相对陡峭，需要理解响应式编程思想 +- 调试相对复杂，需要熟悉响应式调试技巧 +- 不是所有场景都适合，简单的CRUD操作用传统方式更直接 + +在我们的用户行为分析系统中，使用Reactive Kafka处理每秒10万+的用户事件，系统表现非常稳定。” + + + +## 🎯 面试重点总结 + +### 高频考点速览 + +- **Kafka定位与优势**：分布式流平台，高吞吐量，持久化存储 +- **核心组件交互**：Broker、Topic、Partition、Producer、Consumer协作机制 +- **高性能原理**：零拷贝、顺序写、批处理、分区并行的技术组合 +- **可靠性保障**：副本机制、ISR同步、事务支持的数据安全策略 +- **性能调优**：生产者、消费者、Broker三层优化的系统方法 +- **故障处理**：常见问题定位、监控指标、应急处理的运维能力 + +### 面试答题策略 + +1. **基础概念**：准确定义 + 核心特性 + 应用场景 +2. **技术原理**：实现机制 + 关键配置 + 代码示例 +3. **实战经验**：具体案例 + 性能数据 + 解决思路 +4. **对比分析**：技术选型 + 优缺点 + 适用场景 + +--- +## 📚 扩展学习 -- https://www.interviewbit.com/kafka-interview-questions/ \ No newline at end of file +- **官方文档**：Kafka官方文档和源码分析 +- **实战项目**：搭建Kafka集群，实现完整的消息处理链路 +- **监控工具**：Kafka Manager、Confluent Platform等工具使用 +- **性能测试**：kafka-producer-perf-test.sh、kafka-consumer-perf-test.sh压测 diff --git a/docs/interview/Linux-FAQ.md b/docs/interview/Linux-FAQ.md new file mode 100755 index 0000000000..f8cc194710 --- /dev/null +++ b/docs/interview/Linux-FAQ.md @@ -0,0 +1,1123 @@ +--- +title: Linux 核心面试八股文 +date: 2024-05-31 +tags: + - Linux + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +> Linux作为**服务器运维和开发的基础技能**，也是面试官考察**系统底层理解**的重要内容。从基础命令到系统调优，从文件管理到网络配置，从进程调度到性能监控，每一个知识点都体现着对操作系统的深度掌握。本文档将**最常考的Linux知识点**整理成**标准话术**，助你在面试中展现扎实的系统功底！ + +### 🔥 为什么Linux如此重要？ + +- **📈 服务器必备**：90%的服务器都运行Linux系统 +- **🧠 底层体现**：体现你对操作系统原理、内核机制的深度理解 +- **💼 工作基础**：运维开发、性能调优、故障排查等场景无处不在 +- **🎓 技术进阶**：理解Linux是掌握云原生、容器化技术的关键一步 + +--- + +## 🗺️ 知识导航 + +### 🏷️ 核心知识分类 + +1. **🔥 基础概念类**：文件系统、目录结构、权限管理、用户与组 +2. **⚙️ 命令操作类**：文件操作、文本处理、系统信息、进程管理 +3. **🔧 系统管理类**：服务管理、定时任务、日志管理、软件包管理 +4. **📊 性能监控类**：CPU监控、内存分析、磁盘IO、网络流量 +5. **🌐 网络配置类**：网络配置、防火墙、SSH、端口管理 +6. **🚨 故障排查类**：性能问题诊断、系统调优、应急处理 +7. **💼 实战场景类**：脚本编写、运维实践、面试常见问题 + +### 🔑 面试话术模板 + +| **问题类型** | **回答框架** | **关键要点** | **深入扩展** | +| ------------ | ----------------------------------- | ------------------ | ------------------ | +| **概念解释** | 定义→特点→应用场景→示例 | 准确定义，突出特点 | 底层原理，内核机制 | +| **命令操作** | 基本语法→常用参数→实际示例→注意事项 | 实用性，举例说明 | 高级用法，组合技巧 | +| **故障排查** | 问题现象→分析思路→排查步骤→解决方案 | 系统性思维 | 实战经验，最佳实践 | +| **性能优化** | 监控指标→瓶颈分析→优化手段→验证结果 | 数据驱动 | 内核参数，调优经验 | + +--- + + +## 🔥 一、基础概念类（Linux核心） + +> **核心思想**：Linux基础概念是所有后续学习的基石，包括文件系统、权限管理、用户与组等核心概念，这些是面试中的必考基础知识。 + +- **文件系统**：[目录结构](#🎯-linux-目录结构) | [文件类型](#🎯-linux-文件类型) | [文件系统类型](#🎯-常见文件系统类型) +- **权限管理**：[文件权限](#🎯-文件权限详解) | [用户与组](#🎯-用户与组管理) +- **核心概念**：[inode概念](#🎯-inode是什么) | [硬链接与软链接](#🎯-硬链接和软链接的区别) + +### 🎯 Linux 目录结构 + +**操作系统概述** + +- Linux 是一个开放源代码的操作系统内核，最初由 Linus Torvalds 开发。它采用了类 Unix 的设计理念。 +- 常见的 Linux 发行版包括 Ubuntu、CentOS、Fedora、Debian、Arch Linux 等。 +- **Linux 的文件结构和根目录结构** + - `/`: 根目录，所有文件的起点。 + - `/home`: 用户目录。 + - `/etc`: 配置文件目录。 + - `/var`: 可变数据，如日志文件。 + - `/tmp`: 临时文件。 + - `/bin`: 二进制可执行文件。 + - `/lib`: 库文件。 + +### 🎯 用户与组管理 + +**Linux 用户与权限** + +- Linux 的用户与组管理 + - `useradd`、`usermod`、`userdel` 等命令用于管理用户。 + - `groupadd`、`groupdel`、`groupmod` 用于管理用户组。 + - **文件权限**: `rwx` 权限设置（读取、写入、执行），用 `chmod` 更改权限。 +- 文件权限与属主 + - `ls -l` 命令显示文件详细信息，包括权限、属主和属组。 + - 文件权限：`r` (读), `w` (写), `x` (执行)。 + +### 🎯 inode是什么? + +**inode**（Index Node，索引节点）是Linux/类Unix文件系统中用于存储文件或目录**元数据**（metadata）的核心数据结构。每个文件或目录在创建时都会被分配一个唯一的inode，其作用类似于文件的"身份证"，记录除文件名以外的所有属性信息，并通过指针关联文件的实际数据块。 + +### 🎯 硬链接和软链接的区别? + +硬链接与软链接是Linux系统中两种不同的文件链接机制。 + +1. **硬链接** + - 本质：是同一文件的不同别名，共享相同的inode和数据块，相当于多个指针指向同一物理文件。 + - 特点： + - 所有硬链接与原文件权限、大小、修改时间等属性完全一致。 + - 删除任一硬链接仅减少inode的引用计数，数据块保留至所有链接被删除。 + - 适用场景： + - 数据备份与同步：通过硬链接节省空间，多个链接自动同步数据 + - 同一文件系统内多路径访问：如多个用户共享同一配置文件 +2. **软链接（符号链接）** + - 本质：是独立的文件，存储目标文件的路径信息，相当于快捷方式。 + - 特点： + - 拥有独立的inode，文件内容为路径字符串。 + - 若目标文件被删除，软链接成为"悬空链接 + - 适用场景： + - 跨文件系统或设备：例如链接网络存储中的文件 + - 快捷方式与路径管理：简化复杂路径访问，如版本切换（`/opt/app -> /opt/app-v2`。 + - **动态指向更新**：通过修改软链接路径切换目标 + +--- + +## ⚙️ 二、命令操作类（实用技能） + +> **核心思想**：Linux命令是日常运维开发的核心工具，熟练掌握文件操作、文本处理、系统信息、进程管理等命令是Linux工程师的基本功。 + +- **文件操作**：[基础命令](#🎯-常用文件管理命令) | [文件查找](#🎯-如何查找文件和搜索内容) | [链接创建](#🎯-建立软链接和硬链接命令) +- **文本处理**：[文本查看](#🎯-查看文件的不同方式) | [日志查看](#🎯-平时怎么查看日志) | [定位行号](#🎯-怎么查找定位到第10行) +- **系统信息**：[路径操作](#🎯-绝对路径和目录切换) | [进程查看](#🎯-怎么查看当前进程) | [ls命令详解](#🎯-ls命令功能和参数) + +### 🎯 常用文件管理命令 + +**常用命令** + +- 文件管理命令：`ls`, `cp`, `mv`, `rm`, `mkdir`, `rmdir`, `find`, `locate`, `which`。 +- 系统管理命令：`top`, `ps`, `kill`, `htop`, `df`, `du`, `free`, `uptime`, `dmesg`。 +- 文件权限与用户命令：`chmod`, `chown`, `chgrp`, `passwd`, `id`, `groups`。 +- 查看和编辑文件命令：`cat`, `less`, `more`, `grep`, `vim`, `nano`。 + +### 🎯 如何查找文件和搜索内容？ + +- `find /path/to/search -name "filename"` 查找文件。 +- `grep "pattern" file` 搜索文件内容。 + +### 🎯 建立软链接和硬链接命令 + +- 软链接： ln -s slink source +- 硬链接： ln link source + +### 🎯 怎么查找定位到第10行？ + +要查找并定位文件的第10行，你可以使用多种命令和方法，具体取决于你使用的工具和目的。以下是一些常见的方法： + +1. 使用 `sed` 命令 + + `sed` 是一个流编辑器，可以用于按行处理文件。 + + ```bash + sed -n '10p' filename + ``` + + - `-n`: 禁止默认输出。 + - `'10p'`: 表示输出文件中的第 10 行。 + +2. 使用 `head` 和 `tail` 命令 + + 你可以组合使用 `head` 和 `tail` 命令来显示特定行。 + + ```bash + head -n 10 filename | tail -n 1 + ``` + + - `head -n 10`: 显示文件的前 10 行。 + - `tail -n 1`: 从 `head` 输出的内容中显示最后一行，即第 10 行。 + +3. 使用 `awk` 命令 + + `awk` 是一个强大的文本处理工具，适用于基于模式的行操作。 + + ```bash + awk 'NR==10' filename + ``` + + - `NR==10`: `NR` 是 `awk` 内部的行号变量，这个命令会输出第 10 行。 + +### 🎯 平时怎么查看日志？ + +Linux查看日志的命令有多种：tail、cat、tac、head、echo等，只介绍几种常用的方法。 + +- tail 最常用的一种查看方式 + + 一般还会配合着grep搜索用，例如; + + ``` + tail -fn 1000 test.log | grep '关键字' + ``` + +- head 跟tail是相反的head是看前多少行日志 + + ``` + head -n 10 test.log 查询日志文件中的头10行日志; head -n -10 test.log 查询日志文件除了最后10行的其他所有日志; + ``` + +- cat + + cat 是由第一行到最后一行连续显示在屏幕上 一次显示整个文件： + + ``` + $ cat filename + ``` + +- more + + more命令是一个基于vi编辑器文本过滤器，它以全屏幕的方式按页显示文本文件的内容，支持vi中的关键字定位操作。more名单中内置了若干快捷键，常用的有H（获得帮助信息），Enter（向下翻滚一行），空格（向下滚动一屏），Q（退出命令）。more命令从前向后读取文件，因此在启动时就加载整个文件。 + +### 🎯 绝对路径和目录切换 + +- 绝对路径： 如/etc/init.d +- 当前目录和上层目录：./ …/ +- 主目录： ~/ +- 切换目录：cd + +### 🎯 怎么查看当前进程？ + +- 查看当前进程：ps +- 执行退出：exit +- 查看当前路径：pwd + +### 🎯 ls命令功能和参数 + + `ls`（**list**）是 Linux 中用来列出目录内容的基本命令，通常用于显示指定目录下的文件和文件夹。 + +- **`ls -a`**：列出所有文件，包括隐藏文件。 +- **`ls -A`**：列出所有文件，但不包括 `.` 和 `..`（当前目录和上级目录的引用）。 +- **`ls -l`**：以长格式列出信息，包括文件的权限、所有者、组、大小、最后修改时间和文件名。 + +--- + +## 🔧 三、系统管理类（运维核心） + +> **核心思想**：系统管理是Linux运维的核心技能，包括进程管理、内存管理、文件系统管理、用户管理等方面，体现系统管理员的专业水平。 + +- **进程管理**：[进程与线程](#🎯-进程与线程概念) | [进程状态](#🎯-进程状态详解) | [僵尸进程](#🎯-什么是僵尸进程如何处理) +- **内存管理**：[虚拟内存](#🎯-虚拟内存机制) | [交换空间](#🎯-交换空间管理) +- **文件系统**：[文件系统类型](#🎯-常见文件系统类型) | [挂载管理](#🎯-文件系统挂载与卸载) | [磁盘管理](#🎯-磁盘空间管理) + +### 🎯 进程与线程概念 + +- 进程与线程的区别 + - 进程是操作系统进行资源分配和调度的基本单位。 + - 线程是进程中的执行单元，线程共享进程的资源。 +- 常见进程命令 + - `ps`: 查看当前进程状态。 + - `top`: 动态查看进程和系统状态。 + - `kill`: 终止进程。 + - `nice`/`renice`: 设置进程的优先级。 + - `bg`, `fg`, `jobs`: 后台与前台进程管理。 + +### 🎯 进程状态详解 + +- 常见的进程状态： + - `R`: 运行中。 + - `S`: 睡眠状态。 + - `Z`: 僵尸状态。 + - `T`: 停止状态。 + +**进程调度** + +- Linux 调度策略： + - Linux 使用 CFS（Completely Fair Scheduler）作为默认调度器。 + - 调度器通过 `nice` 值来调整进程优先级。 + +### 🎯 什么是僵尸进程？如何处理？ + +- 僵尸进程是已终止但父进程尚未收集其退出状态的进程。通过 `kill` 或者让父进程调用 `wait()` 来清理。 + +### 🎯 虚拟内存机制 + +**虚拟内存** + +- 分页与分段： + - Linux 采用分页机制来管理内存，不使用分段。 + - 页表用于虚拟地址到物理地址的映射。 + +**内存管理命令** + +- `free`: 查看内存使用情况。 +- `vmstat`: 查看虚拟内存统计。 +- `top`: 查看进程和内存使用情况。 + +### 🎯 交换空间管理 + +**交换空间** + +- Swap 分区和 Swap 文件： + - 当物理内存不足时，Linux 使用交换空间（Swap）来存储不常用的内存页面。 + - `swapon` / `swapoff`：启用/禁用交换空间。 + +### 🎯 常见文件系统类型 + +**文件系统类型** + +- 常见文件系统： + - ext4: 常用的 Linux 文件系统。 + - xfs: 高性能文件系统。 + - btrfs: 新一代文件系统，支持快照和子卷。 + +### 🎯 文件系统挂载与卸载 + +**挂载与卸载** + +- `mount`: 挂载文件系统。 +- `umount`: 卸载文件系统。 +- `fstab`: 配置文件，定义了系统启动时自动挂载的文件系统。 + +### 🎯 磁盘空间管理 + +**文件系统命令** + +- `df`: 查看磁盘空间使用情况。 +- `du`: 查看磁盘使用的目录空间。 +- `fsck`: 检查文件系统的完整性。 + +--- + +## 📊 四、性能监控类（系统优化） + +> **核心思想**：性能监控和系统调优是高级Linux工程师的必备技能，涉及CPU、内存、磁盘IO、网络等各方面的监控和优化。 + +- **系统监控**：[CPU监控](#🎯-cpu使用率监控) | [内存监控](#🎯-内存使用监控) | [磁盘IO监控](#🎯-磁盘性能监控) +- **性能分析**：[系统负载分析](#🎯-系统负载分析) | [瓶颈定位](#🎯-性能瓶颈定位) +- **优化策略**：[内存优化](#🎯-如何优化内存使用) | [磁盘优化](#🎯-磁盘空间满的快速处理) | [CPU优化](#🎯-如何快速定位-cpu-100-问题) + +### 🎯 cpu使用率监控 + +**系统监控工具** + +- **top/htop**：实时查看系统资源使用情况。 +- **iotop**：实时查看磁盘 IO。 +- **atop**：高级的系统和进程监控工具。 + +- `top` 是一个实时的系统监控工具，可以显示 CPU 使用率以及其他系统资源的使用情况。 + +- `vmstat` 提供了 CPU、内存、交换空间、I/O 等的统计信息。 + + ```bash + vmstat 1 + ``` + + 表示每隔 1 秒输出一次系统统计信息。输出会显示 CPU 使用情况，其中包括： + + - **r**: 就绪队列中的进程数。 + - **b**: 阻塞状态的进程数。 + - **us**: 用户空间使用的 CPU 时间（以百分比表示）。 + - **sy**: 内核空间使用的 CPU 时间（以百分比表示）。 + - **id**: CPU 空闲时间（以百分比表示）。 + +### 🎯 内存使用监控 + +- `free` 是一个简单实用的命令，用于查看系统的内存使用情况。 + + ```bash + free -h + ``` + + - `-h` 参数使输出更加人性化，使用易读的单位（KB, MB, GB）。 + +- 使用 `ps` 命令查看特定进程的资源使用情况 + + ```bash + ps aux | grep + ``` + +### 🎯 如何快速定位 CPU 100% 问题？ + +1. 定位高负载进程 + + ```bash + top -c # 按P排序CPU使用 + pidstat 1 5 # 细粒度进程统计 + ``` + +2. 分析线程状态 + + ```bash + top -H -p [PID] # 查看线程 + printf "%x\n" [TID] # 将线程ID转为16进制 + ``` + +3. 结合 jstack/gdb 查看堆栈 + + ```bash + jstack [PID] | grep -A20 [nid] # Java进程 + gdb -p [PID] -ex "thread apply all bt" -batch # 原生进程 + ``` + +### 🎯 如何优化内存使用？ + +```bash +# 清除缓存（生产环境慎用） +echo 3 > /proc/sys/vm/drop_caches + +# 调整swappiness +sysctl vm.swappiness=10 + +# 透明大页禁用 +echo never > /sys/kernel/mm/transparent_hugepage/enabled +``` + +**优化技巧** + +- **内存管理**： + - 使用 `vmstat`、`free` 查看内存使用情况。 + - 调整 `swappiness` 参数，优化交换空间的使用。 +- **磁盘性能**： + - 使用 `iostat` 监控磁盘性能。 + - 优化磁盘 I/O 性能。 +- **网络优化**： + - 使用 `sysctl` 配置内核参数（例如调节 `tcp_rmem`、`tcp_wmem`）。 + +### 🎯 磁盘空间满的快速处理 + +1. 定位大文件 + + ```bash + du -h --max-depth=1 / 2>/dev/null | sort -hr + ``` + +2. 清理日志文件 + + ```bash + find /var/log -name "*.log" -size +100M -exec truncate -s 0 {} \; + ``` + +3. 处理已删除但未释放空间的文件 + + ```bash + lsof | grep deleted # 查找被删除但未释放的文件 + kill -9 [PID] # 重启相关进程 + ``` + +--- + +## 🌐 五、网络配置类（网络管理） + +> **核心思想**：网络配置和管理是Linux系统管理的重要组成部分，包括网络配置、防火墙管理、SSH配置等。 + +- **网络配置**：[网络接口配置](#🎯-网络接口配置) | [网络命令](#🎯-常用网络命令) +- **网络工具**：[防火墙配置](#🎯-防火墙管理) | [网络扫描](#🎯-网络工具使用) +- **安全管理**：[SELinux管理](#🎯-selinux管理) | [用户权限](#🎯-用户与权限管理) + +### 🎯 网络接口配置 + +**网络配置** + +- 配置文件： + - `/etc/network/interfaces`（Debian/Ubuntu 系统）。 + - `/etc/sysconfig/network-scripts/`（CentOS/RHEL 系统）。 + +### 🎯 常用网络命令 + +**常用网络命令** + +- `ip addr`: 查看或配置 IP 地址。 +- `ping`: 测试网络连通性。 +- `netstat`: 查看网络连接和端口状态。 +- `ss`: 查看套接字状态。 +- `ifconfig`: 网络接口配置（已逐渐被 `ip` 命令取代）。 +- `traceroute`: 路由跟踪。 +- `curl`/`wget`: 下载文件。 + +### 🎯 防火墙管理 + +**网络工具** + +- **iptables**: 配置防火墙。 +- **firewalld**: 动态防火墙管理工具。 +- **nmap**: 网络扫描工具。 + +### 🎯 SELinux管理 + +**SELinux 和 AppArmor** + +- **SELinux**（Security-Enhanced Linux）和 **AppArmor** 是两种内核级别的安全模块，用于增强系统的安全性。 + +**防火墙** + +- **iptables** 和 **firewalld** 用于配置防火墙规则，控制网络访问。 + +**如何禁用 SELinux？** + +- 修改 `/etc/selinux/config` 文件，设置 `SELINUX=disabled`。 + +### 🎯 用户与权限管理 + +**用户与组管理** + +- **sudo**：控制用户的特权。 +- **passwd**：修改用户密码。 +- **groupadd**、**useradd**：添加用户和用户组。 + +--- + +## 🚨 六、故障排查类（问题诊断） + +> **核心思想**：故障排查能力是Linux工程师的核心竞争力，需要掌握系统性的排查思路和常用的诊断工具。 + +- **IO多路复用**：[select/poll/epoll](#🎯-poll-select-epoll-详解) +- **系统诊断**：[服务器响应慢](#🎯-服务器响应缓慢排查) +- **日志管理**：[系统日志](#🎯-系统日志管理) + +### 🎯 poll select epoll 详解 + +在 Linux 的 I/O 多路复用设计中，**select**、**poll** 和 **epoll** 是三种核心机制，它们在实现原理、性能特性和适用场景上有显著差异。以下从内核设计角度详细分析： + +**一、select：基于轮询的原始模型** + +1. **数据结构** + - 使用固定大小的位图（`fd_set`）管理文件描述符（FD），默认支持 1024 个 FD 。 + - 每个 FD 对应一个 bit（如 `FD_SET(fd, &readfds)`），通过 `FD_ISSET` 检查就绪状态 。 +2. **工作流程** + - 调用 `select` 时，内核将用户空间的 `fd_set` 拷贝到内核空间，遍历所有 FD 检查可读/可写状态（时间复杂度 **O(n)**）。 + - 每次调用需重置 FD 集合，导致多次用户态-内核态拷贝开销 。 +3. **局限性** + - **FD 数量限制**：受限于 `FD_SETSIZE`（通常 1024），无法扩展 。 + - **性能瓶颈**：遍历所有 FD，高并发场景下效率低 。 + +**二、poll：链表结构的改进版** + +1. **数据结构** + + - 使用动态链表（`struct pollfd`数组）替代位图，支持无上限的 FD 数量 。 + + ```C + struct pollfd { + int fd; // 文件描述符 + short events; // 关注的事件（如 POLLIN） + short revents; // 实际发生的事件 + }; + ``` + +2. **工作流程** + + - 类似 select，内核遍历所有 FD 检查状态（时间复杂度仍为 **O(n)**）。 + - 通过 `pollfd` 数组传递 FD，避免重复初始化 。 + +3. **优化与不足** + + - **优势**：突破 FD 数量限制，适合中等并发场景 。 + - **劣势**：大量 FD 时，遍历开销仍然显著；需频繁拷贝用户态-内核态数据 。 + +**三、epoll：事件驱动的高效模型** + +1. **数据结构** + - **红黑树**：管理所有注册的 FD（`epoll_ctl` 添加），实现 O(log n) 的查找效率 。 + - **就绪队列**：仅存储活跃 FD，`epoll_wait` 直接返回就绪列表（时间复杂度 **O(1)**）。 +2. **核心机制** + - 注册-回调模式： + 1. **`epoll_ctl`**：注册 FD 及其关注事件（如 `EPOLLIN`），内核通过回调函数跟踪状态变化 。 + 2. **`epoll_wait`**：阻塞等待就绪事件，仅返回活跃 FD 列表，无需遍历全部 FD 。 + - **共享内存**：内核与用户空间共享就绪队列，避免数据拷贝 。 +3. **触发模式** + - **水平触发（LT）**：只要 FD 可读/可写，持续通知（类似 select/poll 行为）。 + - **边缘触发（ET）**：仅在 FD 状态变化时通知一次，需一次处理完所有数据（减少无效唤醒）。 +4. **性能优势** + - **零拷贝**：通过 `mmap` 共享就绪队列，减少用户态-内核态切换 。 + - **高效回调**：仅关注活跃 FD，避免无效遍历，适合数万级高并发场景 。 + +**四、对比总结** + +| **特性** | select | poll | epoll | +| --------------- | -------------------- | --------------------- | --------------------------------- | +| **数据结构** | 位图（`fd_set`） | 链表（`pollfd` 数组） | 红黑树+就绪队列 | +| **FD 数量限制** | 1024（固定） | 无限制 | 无限制（受系统内存限制） | +| **时间复杂度** | O(n) | O(n) | O(1)（就绪队列） | +| **数据拷贝** | 每次调用拷贝 FD 集合 | 同 select | 注册时拷贝一次，后续共享内存 | +| **触发模式** | 仅水平触发 | 同 select | 支持 LT 和 ET 模式 | +| **适用场景** | 低并发、兼容性要求高 | 中低并发、FD 数量较多 | 高并发（如 Web 服务器、实时系统） | + +**五、典型应用场景** + +1. select/poll：旧系统兼容、FD 数量少（如嵌入式设备）。 +2. epoll： + - Nginx（高并发连接）、Redis（高性能事件驱动）。 + - 实时通信系统（如 WebSocket 服务器）。 + +通过以上设计差异，epoll 成为 Linux 高并发网络编程的核心工具，而 select/poll 因历史兼容性仍存在于特定场景中。 + +### 🎯 服务器响应缓慢排查 + +**情景模拟题** + +**场景**：服务器响应缓慢，SSH 连接困难，请描述排查思路 + +**排查步骤**： + +1. 快速登陆后使用 `w` 查看系统负载 +2. `dmesg -T | tail` 检查硬件/驱动错误 +3. `vmstat 1` 查看 CPU、内存、IO 综合情况 +4. `iostat -x 1` 定位磁盘瓶颈 +5. `sar -n DEV 1` 分析网络流量 +6. `pidstat -d 1` 找到高 IO 进程 +7. `strace -p [PID]` 跟踪进程系统调用 +8. 结合业务日志分析异常请求 + +### 🎯 系统日志管理 + +**如何管理系统日志？** + +- 系统日志存放在 `/var/log` 中，可以使用 `tail -f /var/log/syslog` 实时查看日志。 + +--- + +## 💼 七、实战场景类（面试重点） + +> **核心思想**：实战场景类问题是面试中的高频考点，主要考察候选人的实际工作能力和问题解决思路。 + +- **脚本编写**：[Shell脚本](#🎯-shell脚本编写) +- **运维实践**：[快捷键操作](#🎯-常用快捷键) | [命令技巧](#🎯-命令使用技巧) +- **面试常见**：[Linux基础知识](#🎯-linux基础面试题集) + +### 🎯 shell脚本编写 + +**如何编写一个备份日志的 Shell 脚本？** + +```shell +#!/bin/bash +# 备份 /var/log 目录下的 .log 文件到 /backup 目录，保留7天 +BACKUP_DIR="/backup" +LOG_DIR="/var/log" +DATE=$(date +%Y%m%d) + +find $LOG_DIR -name "*.log" -exec cp {} $BACKUP_DIR/logs_$DATE \; +find $BACKUP_DIR -name "logs_*" -mtime +7 -exec rm -f {} \; +``` + +### 🎯 常用快捷键 + +**怎么清屏？怎么退出当前命令？怎么执行睡眠？怎么查看当前用户 id？查看指定帮助用什么命令？** + +- 清屏：clear + +- 退出当前命令：ctrl+c 彻底退出 + +- 执行睡眠 ：ctrl+z挂起当前进程 fg恢复后台查看当前用户id："id"：查看显示目前登陆账户的uid和gid及所属分组及用户名 + +- 查看指定帮助：如man adduser这个很全 而且有例子；adduser–help这个告诉你一些常用参数；info adduesr； + + + +### 🎯 Linux 中如何查看系统资源的使用情况？ + +- `top`, `free`, `df`, `du`, `ps`, `vmstat`, `iotop`。 + + + +### 🎯 如何查找一个文件并搜索文件内容？ + +- `find /path/to/search -name "filename"` 查找文件。 +- `grep "pattern" file` 搜索文件内容。 + + + +### 🎯 如何查看进程使用的内存和 CPU？ + +- `top` 或 `ps aux`。 + + + +### 🎯 如何查看和设置文件权限？ + +- `ls -l` 查看文件权限。 +- `chmod` 修改权限，`chown` 修改文件属主。 + + + +### 🎯 如何管理磁盘空间和挂载文件系统？ + +- 使用 `df`、`du`、`mount`、`umount` 等命令。 + + + +### 🎯 什么是僵尸进程？如何处理？ + +- 僵尸进程是已终止但父进程尚未收集其退出状态的进程。通过 `kill` 或者让父进程调用 `wait()` 来清理。 + + + +### 🎯 **如何管理系统日志？** + +- 系统日志存放在 `/var/log` 中，可以使用 `tail -f /var/log/syslog` 实时查看日志。 + + + +### 🎯 **如何禁用 SELinux？** + +- 修改 `/etc/selinux/config` 文件，设置 `SELINUX=disabled`。 + + + +### 🎯 怎么查找定位到第10行？ + +要查找并定位文件的第10行，你可以使用多种命令和方法，具体取决于你使用的工具和目的。以下是一些常见的方法： + +1. 使用 `sed` 命令 + + `sed` 是一个流编辑器，可以用于按行处理文件。 + + ```bash + sed -n '10p' filename + ``` + + - `-n`: 禁止默认输出。 + + - `'10p'`: 表示输出文件中的第 10 行。 + +2. 使用 `head` 和 `tail` 命令 + + 你可以组合使用 `head` 和 `tail` 命令来显示特定行。 + + ```bash + head -n 10 filename | tail -n 1 + ``` + + - `head -n 10`: 显示文件的前 10 行。 + + - `tail -n 1`: 从 `head` 输出的内容中显示最后一行，即第 10 行。 + +3. 使用 `awk` 命令 + + `awk` 是一个强大的文本处理工具，适用于基于模式的行操作。 + + ```bash + awk 'NR==10' filename + ``` + + - `NR==10`: `NR` 是 `awk` 内部的行号变量，这个命令会输出第 10 行。 + + + +### 🎯 cpu使用率怎么看? 内存使用情况怎们看? + +- `top` 是一个实时的系统监控工具，可以显示 CPU 使用率以及其他系统资源的使用情况。 + +- `vmstat` 提供了 CPU、内存、交换空间、I/O 等的统计信息。 + + ```bash + vmstat 1 + ``` + + 表示每隔 1 秒输出一次系统统计信息。输出会显示 CPU 使用情况，其中包括： + + - **r**: 就绪队列中的进程数。 + - **b**: 阻塞状态的进程数。 + - **us**: 用户空间使用的 CPU 时间（以百分比表示）。 + - **sy**: 内核空间使用的 CPU 时间（以百分比表示）。 + - **id**: CPU 空闲时间（以百分比表示）。 + +- `free` 是一个简单实用的命令，用于查看系统的内存使用情况。 + + ```bash + free -h + ``` + + - `-h` 参数使输出更加人性化，使用易读的单位（KB, MB, GB）。 + +- 使用 `ps` 命令查看特定进程的资源使用情况 + + ```bash + ps aux | grep + ``` + + + +### 🎯 绝对路径用什么符号表示？当前目录、上层目录用什么表示？主目录用什么表示? 切换目录用什么命令？ + +- 绝对路径： 如/etc/init.d +- 当前目录和上层目录：./ …/ +- 主目录： ~/ +- 切换目录：cd + +### 🎯 怎么查看当前进程？怎么执行退出？怎么查看当前路径？ + +- 查看当前进程：ps +- 执行退出：exit +- 查看当前路径：pwd + + + +### 🎯 怎么清屏？怎么退出当前命令？怎么执行睡眠？怎么查看当前用户 id？查看指定帮助用什么命令？ + +- 清屏：clear + +- 退出当前命令：ctrl+c 彻底退出 + +- 执行睡眠 ：ctrl+z挂起当前进程 fg恢复后台查看当前用户id：”id“：查看显示目前登陆账户的uid和gid及所属分组及用户名 + +- 查看指定帮助：如man adduser这个很全 而且有例子；adduser–help这个告诉你一些常用参数；info adduesr； + + + +### 🎯 Ls命令执行什么功能？ 可以带哪些参数，有什么区别？ + + `ls`（**list**）是 Linux 中用来列出目录内容的基本命令，通常用于显示指定目录下的文件和文件夹。 + +- **`ls -a`**：列出所有文件，包括隐藏文件。 +- **`ls -A`**：列出所有文件，但不包括 `.` 和 `..`（当前目录和上级目录的引用）。 +- **`ls -l`**：以长格式列出信息，包括文件的权限、所有者、组、大小、最后修改时间和文件名。 + + + +### 🎯 你平时是怎么查看日志的？ + +Linux查看日志的命令有多种：tail、cat、tac、head、echo等，只介绍几种常用的方法。 + +- tail 最常用的一种查看方式 + + 一般还会配合着grep搜索用，例如; + + ``` + tail -fn 1000 test.log | grep '关键字' + ``` + +- head 跟tail是相反的head是看前多少行日志 + + ``` + head -n 10 test.log 查询日志文件中的头10行日志; head -n -10 test.log 查询日志文件除了最后10行的其他所有日志; + ``` + +- cat + + cat 是由第一行到最后一行连续显示在屏幕上 一次显示整个文件： + + ``` + $ cat filename + ``` + +- more + + more命令是一个基于vi编辑器文本过滤器，它以全屏幕的方式按页显示文本文件的内容，支持vi中的关键字定位操作。more名单中内置了若干快捷键，常用的有H（获得帮助信息），Enter（向下翻滚一行），空格（向下滚动一屏），Q（退出命令）。more命令从前向后读取文件，因此在启动时就加载整个文件。 + + + +### 🎯 硬链接和软链接的区别? + +硬链接与软链接是Linux系统中两种不同的文件链接机制。 + +1. **硬链接** + - 本质：是同一文件的不同别名，共享相同的inode和数据块，相当于多个指针指向同一物理文件。 + - 特点： + - 所有硬链接与原文件权限、大小、修改时间等属性完全一致。 + - 删除任一硬链接仅减少inode的引用计数，数据块保留至所有链接被删除。 + - 适用场景： + - 数据备份与同步：通过硬链接节省空间，多个链接自动同步数据 + - 同一文件系统内多路径访问：如多个用户共享同一配置文件 +2. **软链接（符号链接）** + - 本质：是独立的文件，存储目标文件的路径信息，相当于快捷方式。 + - 特点： + - 拥有独立的inode，文件内容为路径字符串。 + - 若目标文件被删除，软链接成为“悬空链接 + - 适用场景： + - 跨文件系统或设备：例如链接网络存储中的文件 + - 快捷方式与路径管理：简化复杂路径访问，如版本切换（`/opt/app -> /opt/app-v2`。 + - **动态指向更新**：通过修改软链接路径切换目标 + + + +### 🎯 inode是什么? + +**inode**（Index Node，索引节点）是Linux/类Unix文件系统中用于存储文件或目录**元数据**（metadata）的核心数据结构。每个文件或目录在创建时都会被分配一个唯一的inode，其作用类似于文件的“身份证”，记录除文件名以外的所有属性信息，并通过指针关联文件的实际数据块。 + + + +### 🎯 建立软链接(快捷方式)，以及硬链接的命令 + +- 软链接： ln -s slink source +- 硬链接： ln link source + + + +### 🎯 如何编写一个备份日志的 Shell 脚本？ + +```shell +#!/bin/bash +# 备份 /var/log 目录下的 .log 文件到 /backup 目录，保留7天 +BACKUP_DIR="/backup" +LOG_DIR="/var/log" +DATE=$(date +%Y%m%d) + +find $LOG_DIR -name "*.log" -exec cp {} $BACKUP_DIR/logs_$DATE \; +find $BACKUP_DIR -name "logs_*" -mtime +7 -exec rm -f {} \; +``` + + + +### 🎯 如何快速定位 CPU 100% 问题？ + +1. 定位高负载进程 + + ```bash + top -c # 按P排序CPU使用 + pidstat 1 5 # 细粒度进程统计 + ``` + +2. 分析线程状态 + + ```bash + top -H -p [PID] # 查看线程 + printf "%x\n" [TID] # 将线程ID转为16进制 + ``` + +3. 结合 jstack/gdb 查看堆栈 + + ```bash + jstack [PID] | grep -A20 [nid] # Java进程 + gdb -p [PID] -ex "thread apply all bt" -batch # 原生进程 + ``` + + + +### 🎯 如何优化内存使用？ + +```bash +# 清除缓存（生产环境慎用） +echo 3 > /proc/sys/vm/drop_caches + +# 调整swappiness +sysctl vm.swappiness=10 + +# 透明大页禁用 +echo never > /sys/kernel/mm/transparent_hugepage/enabled +``` + + + +### 🎯 磁盘空间满的快速处理 + +1. 定位大文件 + + ```bash + du -h --max-depth=1 / 2>/dev/null | sort -hr + ``` + +2. 清理日志文件 + + ```bash + find /var/log -name "*.log" -size +100M -exec truncate -s 0 {} \; + ``` + +3. 处理已删除但未释放空间的文件 + + ```bash + lsof | grep deleted # 查找被删除但未释放的文件 + kill -9 [PID] # 重启相关进程 + ``` + + + +### 🎯 poll select epoll 稍微详细的说一下 + +在 Linux 的 I/O 多路复用设计中，**select**、**poll** 和 **epoll** 是三种核心机制，它们在实现原理、性能特性和适用场景上有显著差异。以下从内核设计角度详细分析： + +**一、select：基于轮询的原始模型** + +1. **数据结构** + - 使用固定大小的位图（`fd_set`）管理文件描述符（FD），默认支持 1024 个 FD 。 + - 每个 FD 对应一个 bit（如 `FD_SET(fd, &readfds)`），通过 `FD_ISSET` 检查就绪状态 。 +2. **工作流程** + - 调用 `select` 时，内核将用户空间的 `fd_set` 拷贝到内核空间，遍历所有 FD 检查可读/可写状态（时间复杂度 **O(n)**）。 + - 每次调用需重置 FD 集合，导致多次用户态-内核态拷贝开销 。 +3. **局限性** + - **FD 数量限制**：受限于 `FD_SETSIZE`（通常 1024），无法扩展 。 + - **性能瓶颈**：遍历所有 FD，高并发场景下效率低 。 + +**二、poll：链表结构的改进版** + +1. **数据结构** + + - 使用动态链表（`struct pollfd`数组）替代位图，支持无上限的 FD 数量 。 + + ```C + struct pollfd { + int fd; // 文件描述符 + short events; // 关注的事件（如 POLLIN） + short revents; // 实际发生的事件 + }; + ``` + +2. **工作流程** + + - 类似 select，内核遍历所有 FD 检查状态（时间复杂度仍为 **O(n)**）。 + - 通过 `pollfd` 数组传递 FD，避免重复初始化 。 + +3. **优化与不足** + + - **优势**：突破 FD 数量限制，适合中等并发场景 。 + - **劣势**：大量 FD 时，遍历开销仍然显著；需频繁拷贝用户态-内核态数据 。 + +**三、epoll：事件驱动的高效模型** + +1. **数据结构** + - **红黑树**：管理所有注册的 FD（`epoll_ctl` 添加），实现 O(log n) 的查找效率 。 + - **就绪队列**：仅存储活跃 FD，`epoll_wait` 直接返回就绪列表（时间复杂度 **O(1)**）。 +2. **核心机制** + - 注册-回调模式： + 1. **`epoll_ctl`**：注册 FD 及其关注事件（如 `EPOLLIN`），内核通过回调函数跟踪状态变化 。 + 2. **`epoll_wait`**：阻塞等待就绪事件，仅返回活跃 FD 列表，无需遍历全部 FD 。 + - **共享内存**：内核与用户空间共享就绪队列，避免数据拷贝 。 +3. **触发模式** + - **水平触发（LT）**：只要 FD 可读/可写，持续通知（类似 select/poll 行为）。 + - **边缘触发（ET）**：仅在 FD 状态变化时通知一次，需一次处理完所有数据（减少无效唤醒）。 +4. **性能优势** + - **零拷贝**：通过 `mmap` 共享就绪队列，减少用户态-内核态切换 。 + - **高效回调**：仅关注活跃 FD，避免无效遍历，适合数万级高并发场景 。 + +**四、对比总结** + +| **特性** | select | poll | epoll | +| --------------- | -------------------- | --------------------- | --------------------------------- | +| **数据结构** | 位图（`fd_set`） | 链表（`pollfd` 数组） | 红黑树+就绪队列 | +| **FD 数量限制** | 1024（固定） | 无限制 | 无限制（受系统内存限制） | +| **时间复杂度** | O(n) | O(n) | O(1)（就绪队列） | +| **数据拷贝** | 每次调用拷贝 FD 集合 | 同 select | 注册时拷贝一次，后续共享内存 | +| **触发模式** | 仅水平触发 | 同 select | 支持 LT 和 ET 模式 | +| **适用场景** | 低并发、兼容性要求高 | 中低并发、FD 数量较多 | 高并发（如 Web 服务器、实时系统） | + +**五、内核实现细节** + +1. **select 的 `do_select`** + - 遍历所有 FD，调用每个 FD 的 `poll` 方法检查状态（如 socket 的 `tcp_poll`）。 + - 若无就绪 FD，进程进入睡眠，被唤醒后重新遍历 。 +2. **epoll 的回调机制** + - 每个 FD 注册时绑定回调函数（如 `ep_ptable_queue_proc`），状态变化时触发回调，将 FD 加入就绪队列 。 + - 就绪队列通过 `ep_item_poll` 关联到红黑树节点 。 +3. **性能瓶颈突破** + - **红黑树**：快速查找和插入（对比 select/poll 的线性结构）。 + - **事件驱动**：避免轮询，仅处理活跃事件 。 + +**六、典型应用场景** + +1. select/poll：旧系统兼容、FD 数量少（如嵌入式设备）。 +2. epoll： + - Nginx（高并发连接）、Redis（高性能事件驱动）。 + - 实时通信系统（如 WebSocket 服务器）。 + +通过以上设计差异，epoll 成为 Linux 高并发网络编程的核心工具，而 select/poll 因历史兼容性仍存在于特定场景中。 + + + +### 🎯 **情景模拟题** + +**场景**：服务器响应缓慢，SSH 连接困难，请描述排查思路 + +**排查步骤**： + +1. 快速登陆后使用 `w` 查看系统负载 +2. `dmesg -T | tail` 检查硬件/驱动错误 +3. `vmstat 1` 查看 CPU、内存、IO 综合情况 +4. `iostat -x 1` 定位磁盘瓶颈 +5. `sar -n DEV 1` 分析网络流量 +6. `pidstat -d 1` 找到高 IO 进程 +7. `strace -p [PID]` 跟踪进程系统调用 +8. 结合业务日志分析异常请求 + + + +--- + +## 🎯 Linux面试备战指南 + +### 💡 高频考点Top10 + +1. **🔥 文件系统与目录结构** - Linux基础，必考概念 +2. **⚙️ 权限管理与用户管理** - 系统安全的基础 +3. **📊 进程管理与调度** - 操作系统核心原理 +4. **🚨 性能监控与故障排查** - 运维工程师核心技能 +5. **🔍 常用命令与参数** - 日常工作基本功 +6. **💾 内存管理与虚拟内存** - 系统底层原理 +7. **⚡ 网络配置与管理** - 系统网络能力 +8. **🔧 Shell脚本编写** - 自动化运维必备 +9. **📈 IO多路复用机制** - 高性能系统设计 +10. **💼 实际运维经验** - 能结合具体场景解决问题 + +### 🎭 面试答题技巧 + +**📝 标准回答结构** +1. **概念定义**（30秒） - 准确说明是什么 +2. **核心原理**（1分钟） - 解释工作机制和底层原理 +3. **实际应用**（30秒） - 什么场景下使用，解决什么问题 +4. **具体示例**（1分钟） - 举出实际命令或操作示例 +5. **注意事项**（30秒） - 易错点和最佳实践 + +**🗣️ 表达话术模板** +- "从我的运维经验来看..." +- "在生产环境中，通常会..." +- "这个命令的关键参数是..." +- "相比于其他工具，这个的优势在于..." +- "在排查类似问题时，我的思路是..." + +### 🚀 进阶加分点 + +- **内核机制**：能从内核层面解释进程调度、内存管理等机制 +- **性能调优**：有具体的系统优化经验和性能监控数据 +- **脚本能力**：能编写自动化运维脚本，提升工作效率 +- **故障处理**：有排查和解决生产环境故障的实际经验 +- **工具熟练**：熟练使用各种监控、调试、网络工具 + +### 📚 延伸学习建议 + +- **官方文档**：各大Linux发行版的官方文档和手册 +- **内核源码**：深入理解Linux内核的实现原理 +- **实战练习**：搭建实验环境，动手实践各种命令和配置 +- **运维案例**：学习大厂的运维最佳实践和故障处理案例 +- **技术社区**：关注Linux相关的技术博客和开源项目 + +--- + +## 🎉 总结 + +**Linux作为现代服务器和开发环境的基石**，掌握Linux不仅是运维工程师的必备技能，也是后端开发、系统架构师的基本要求。从文件系统到进程管理，从性能监控到网络配置，每一个知识点都体现着对操作系统的深度理解。 + +**掌握Linux的核心在于理论与实践相结合**：理解底层原理的同时，更要在实际工作中灵活运用各种命令和工具。只有在生产环境中经历过故障排查、性能优化的洗礼，才能真正成为Linux高手。 + +**记住：面试官考察的不是你记住了多少命令，而是你能否用Linux思维解决实际的系统问题。** + +**最后一句话**：*"工欲善其事，必先利其器 —— 而Linux就是每个技术人最强大的利器！"* + +--- + +> 💌 **坚持学习，持续成长！** +> 如果这份材料对你有帮助，记得在实际面试中结合自己的理解和经验来回答，让Linux知识真正为你所用！ + - `/etc`: 配置文件目录。 + - `/var`: 可变数据，如日志文件。 + - `/tmp`: 临时文件。 + - `/bin`: 二进制可执行文件。 + - `/lib`: 库文件。 diff --git a/docs/interview/Micro-Services-FAQ.md b/docs/interview/Micro-Services-FAQ.md new file mode 100755 index 0000000000..1853fb957f --- /dev/null +++ b/docs/interview/Micro-Services-FAQ.md @@ -0,0 +1,2236 @@ +--- +title: 微服务架构/Spring Cloud面试题大全 +date: 2024-12-15 +tags: + - 微服务 + - Spring Cloud + - 分布式 + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +微服务架构是现代分布式系统的**核心设计理念**，也是Java后端面试的**重点考查领域**。从单体架构演进到微服务，从服务拆分到治理实践，每个环节都体现着架构师的技术深度。本文档将**微服务核心技术**整理成**系统化知识体系**，涵盖架构设计、Spring Cloud生态、服务治理等关键领域，助你在面试中展现架构思维！ + +微服务面试，围绕着这么几个核心方向准备： + +- **架构理念**（微服务vs单体、拆分原则、边界设计、数据一致性） +- **Spring Cloud生态**（注册中心、配置中心、服务网关、链路追踪） +- **服务治理**（负载均衡、熔断降级、限流机制、灰度发布） +- **通信机制**（同步调用、异步消息、事件驱动、API设计） +- **数据管理**（分库分表、分布式事务、数据同步、CQRS模式） +- **运维部署**（容器化、CI/CD、监控告警、日志收集） +- **实战经验**（架构演进、问题排查、性能调优、最佳实践） + +## 🗺️ 知识导航 + +### 🏷️ 核心知识分类 + +1. **🏗️ 架构基础**：微服务定义、架构对比、拆分策略、边界划分 +2. **☁️ Spring Cloud**：注册发现、配置管理、服务网关、断路器 +3. **🔧 服务治理**：负载均衡、容错处理、链路追踪、服务监控 +4. **💬 服务通信**：同步调用、消息队列、事件驱动、API网关 +5. **🗄️ 数据治理**：数据库拆分、分布式事务、数据一致性、CQRS +6. **🚀 部署运维**：容器化、服务网格、持续集成、监控体系 +7. **🎯 实践案例**：架构演进、性能优化、故障处理、团队协作 + +### 🔑 面试话术模板 + +| **问题类型** | **回答框架** | **关键要点** | **深入扩展** | +| ------------ | ------------------- | ------------ | ------------------ | +| **架构设计** | 背景→原则→方案→效果 | 业务驱动架构 | 技术选型、权衡决策 | +| **技术对比** | 场景→特点→优劣→选择 | 量化对比数据 | 实际项目经验 | +| **问题排查** | 现象→分析→定位→解决 | 系统化思维 | 监控工具、预防措施 | +| **性能优化** | 瓶颈→方案→实施→验证 | 数据驱动优化 | 压测验证、长期监控 | + +--- + +## 🏗️ 一、架构基础与设计 + +**核心理念**：微服务架构通过服务拆分实现系统的高内聚低耦合，提升开发效率和系统可维护性。 + +### 🎯 什么是微服务？与单体架构有什么区别？ + +微服务是一种架构风格，将应用拆分为多个独立的服务： + +**微服务架构特点**： + +- **服务独立**：每个服务可独立开发、部署、扩展 +- **业务导向**：围绕业务能力组织服务 +- **去中心化**：数据和治理的去中心化 +- **容错设计**：服务间故障隔离 +- **技术多样性**：不同服务可用不同技术栈 + +**架构对比分析**： + +| **特性** | **单体架构** | **微服务架构** | +| -------------- | -------------- | ---------------- | +| **部署复杂度** | 简单，一次部署 | 复杂，多服务协调 | +| **开发效率** | 初期高，后期低 | 初期低，后期高 | +| **团队协作** | 集中式开发 | 分布式团队 | +| **技术栈** | 统一技术栈 | 多样化技术栈 | +| **故障影响** | 全局影响 | 局部影响 | +| **数据一致性** | 强一致性 | 最终一致性 | +| **运维成本** | 低 | 高 | + +**💻 架构演进示例**： + +```java +// 单体架构示例 +@RestController +public class ECommerceController { + + @Autowired + private UserService userService; + @Autowired + private ProductService productService; + @Autowired + private OrderService orderService; + @Autowired + private PaymentService paymentService; + + @PostMapping("/orders") + public ResponseEntity createOrder(@RequestBody OrderRequest request) { + // 所有业务逻辑在一个应用中 + User user = userService.getUser(request.getUserId()); + Product product = productService.getProduct(request.getProductId()); + Order order = orderService.createOrder(user, product); + Payment payment = paymentService.processPayment(order); + + return ResponseEntity.ok(order); + } +} + +// 微服务架构演进 +// 用户服务 +@RestController +public class UserController { + + @Autowired + private UserService userService; + + @GetMapping("/users/{id}") + public User getUser(@PathVariable Long id) { + return userService.getUser(id); + } +} + +// 订单服务 +@RestController +public class OrderController { + + @Autowired + private OrderService orderService; + + // 通过RPC调用其他服务 + @Reference + private UserService userService; + @Reference + private ProductService productService; + @Reference + private PaymentService paymentService; + + @PostMapping("/orders") + public ResponseEntity createOrder(@RequestBody OrderRequest request) { + // 调用远程服务 + User user = userService.getUser(request.getUserId()); + Product product = productService.getProduct(request.getProductId()); + + Order order = orderService.createOrder(request); + + // 异步处理支付 + paymentService.processPaymentAsync(order.getId()); + + return ResponseEntity.ok(order); + } +} +``` + +### 🎯 微服务拆分的原则和策略？ + +微服务拆分需要遵循一定的原则和方法： + +**拆分原则**： + +1. **单一职责原则**：每个服务只负责一个业务领域 +2. **高内聚低耦合**：服务内部紧密协作，服务间松散耦合 +3. **业务能力导向**：按照业务能力而非技术层面拆分 +4. **数据独立性**：每个服务管理自己的数据 +5. **可独立部署**：服务可以独立发布和部署 + +**拆分策略**： + +**1. 按业务能力拆分**： + +```java +// 电商系统的业务能力拆分 +- 用户管理服务 (User Management) + - 用户注册、登录、信息管理 + - 用户权限、角色管理 + +- 商品管理服务 (Product Catalog) + - 商品信息管理 + - 库存管理 + - 分类管理 + +- 订单服务 (Order Management) + - 订单创建、状态管理 + - 订单查询、历史记录 + +- 支付服务 (Payment) + - 支付处理 + - 账单管理 + - 退款处理 + +- 物流服务 (Logistics) + - 配送管理 + - 物流跟踪 +``` + +**2. 按数据模型拆分**： + +```java +// 基于领域驱动设计(DDD)的拆分 +@Entity +@Table(name = "users") +public class User { + private Long id; + private String username; + private String email; + // 用户聚合根 +} + +@Entity +@Table(name = "orders") +public class Order { + private Long id; + private Long userId; // 外键关联，不直接持有User对象 + private List items; + // 订单聚合根 +} + +// 服务边界定义 +public interface UserService { + User createUser(CreateUserRequest request); + User getUser(Long userId); + void updateUser(Long userId, UpdateUserRequest request); +} + +public interface OrderService { + Order createOrder(CreateOrderRequest request); + Order getOrder(Long orderId); + List getOrdersByUser(Long userId); +} +``` + +**3. 按团队结构拆分（康威定律）**： + +```java +// 根据组织结构设计服务边界 +/** + * 前端团队 -> 用户界面服务 + * 用户体验团队 -> 用户管理服务 + * 商品团队 -> 商品目录服务 + * 交易团队 -> 订单服务 + 支付服务 + * 运营团队 -> 数据分析服务 + */ + +// 团队自治的微服务 +@SpringBootApplication +public class UserServiceApplication { + // 用户团队完全负责此服务 + // - 需求分析 + // - 技术选型 + // - 开发测试 + // - 部署运维 +} +``` + +### 🎯 如何划定微服务的边界？ + +服务边界划分是微服务设计的核心挑战： + +**边界识别方法**： + +**1. 领域驱动设计（DDD）**： + +```java +// 通过领域建模识别边界上下文 +public class ECommerceDomain { + + // 用户管理子域 + @BoundedContext("UserManagement") + public class UserAggregate { + @AggregateRoot + public class User { + private UserId id; + private UserProfile profile; + private UserPreferences preferences; + } + } + + // 订单管理子域 + @BoundedContext("OrderManagement") + public class OrderAggregate { + @AggregateRoot + public class Order { + private OrderId id; + private List items; + private OrderStatus status; + + // 只通过ID引用其他聚合 + private UserId customerId; // 不直接依赖User对象 + } + } + + // 库存管理子域 + @BoundedContext("Inventory") + public class InventoryAggregate { + @AggregateRoot + public class Product { + private ProductId id; + private Stock stock; + private PriceInfo pricing; + } + } +} +``` + +**2. 数据流分析**： + +```java +// 分析数据的读写模式 +public class DataFlowAnalysis { + + // 高内聚：这些数据经常一起读写 + @ServiceBoundary("UserService") + public class UserData { + - User基本信息 (高频读写) + - UserProfile详细资料 (中频读写) + - UserPreferences偏好设置 (低频读写) + } + + // 低耦合：跨服务的数据访问通过API + @ServiceBoundary("OrderService") + public class OrderData { + - Order订单信息 (高频读写) + - OrderItem订单项 (高频读写) + // 通过API获取用户信息，而不是直接访问用户表 + - 调用UserService.getUser(userId) + } +} +``` + +**3. 业务流程分析**： + +```java +// 分析业务流程的独立性 +public class BusinessProcessAnalysis { + + // 用户注册流程 - 可独立完成 + @IndependentProcess + public void userRegistration() { + validateUserInfo(); + createUserAccount(); + sendWelcomeEmail(); + // 不依赖其他业务领域 + } + + // 订单处理流程 - 需要多服务协作 + @CrossServiceProcess + public void orderProcessing() { + validateUser(); // -> UserService + checkInventory(); // -> InventoryService + calculatePrice(); // -> PricingService + processPayment(); // -> PaymentService + updateInventory(); // -> InventoryService + + // 识别出需要服务编排的流程 + } +} +``` + +--- + +## ☁️ 二、Spring Cloud生态 + +**核心理念**：Spring Cloud为微服务架构提供了完整的技术栈，简化了分布式系统的复杂性。 + +### 🎯 Spring Cloud的核心组件有哪些？ + +Spring Cloud生态系统的主要组件： + +**核心组件架构**： + +| **功能领域** | **组件** | **作用** | **替代方案** | +| ---------------- | --------- | ---------------- | --------------- | +| **服务注册发现** | Eureka | 服务注册中心 | Consul, Nacos | +| **配置管理** | Config | 外部化配置 | Apollo, Nacos | +| **服务网关** | Gateway | 路由、过滤 | Zuul, Kong | +| **负载均衡** | Ribbon | 客户端负载均衡 | LoadBalancer | +| **服务调用** | OpenFeign | 声明式HTTP客户端 | RestTemplate | +| **断路器** | Hystrix | 容错保护 | Resilience4j | +| **链路追踪** | Sleuth | 分布式追踪 | Zipkin, Jaeger | +| **消息总线** | Bus | 配置刷新 | RabbitMQ, Kafka | + +**💻 架构集成示例**： + +```java +// Spring Cloud微服务启动类 +@SpringBootApplication +@EnableEurekaClient // 启用Eureka客户端 +@EnableFeignClients // 启用Feign客户端 +@EnableCircuitBreaker // 启用断路器 +@EnableZipkinServer // 启用链路追踪 +public class UserServiceApplication { + + public static void main(String[] args) { + SpringApplication.run(UserServiceApplication.class, args); + } + + // 负载均衡配置 + @Bean + @LoadBalanced + public RestTemplate restTemplate() { + return new RestTemplate(); + } +} + +// 服务间调用示例 +@FeignClient(name = "user-service", fallback = UserServiceFallback.class) +public interface UserServiceClient { + + @GetMapping("/users/{id}") + User getUser(@PathVariable("id") Long id); + + @PostMapping("/users") + User createUser(@RequestBody CreateUserRequest request); +} + +// 断路器降级处理 +@Component +public class UserServiceFallback implements UserServiceClient { + + @Override + public User getUser(Long id) { + return User.builder() + .id(id) + .username("默认用户") + .build(); + } + + @Override + public User createUser(CreateUserRequest request) { + throw new ServiceUnavailableException("用户服务暂时不可用"); + } +} +``` + +### 🎯 Eureka的工作原理？ + +Eureka是Netflix开源的服务注册与发现组件： + +**Eureka架构**： + +- **Eureka Server**：服务注册中心 +- **Eureka Client**：服务提供者和消费者 +- **服务注册**：应用启动时向Eureka注册 +- **服务发现**：从Eureka获取服务列表 +- **健康检查**：定期检查服务健康状态 + +**工作流程**： + +```java +// 1. Eureka Server配置 +@SpringBootApplication +@EnableEurekaServer +public class EurekaServerApplication { + + public static void main(String[] args) { + SpringApplication.run(EurekaServerApplication.class, args); + } +} + +// application.yml +server: + port: 8761 + +eureka: + instance: + hostname: localhost + client: + register-with-eureka: false # 不向自己注册 + fetch-registry: false # 不从自己拉取注册信息 + service-url: + defaultZone: http://${eureka.instance.hostname}:${server.port}/eureka/ + +// 2. 服务提供者配置 +@SpringBootApplication +@EnableEurekaClient +public class UserServiceApplication { + + @RestController + public class UserController { + + @GetMapping("/users/{id}") + public User getUser(@PathVariable Long id) { + return userService.getUser(id); + } + } +} + +// 服务提供者配置 +spring: + application: + name: user-service + +eureka: + client: + service-url: + defaultZone: http://localhost:8761/eureka/ + instance: + prefer-ip-address: true + lease-renewal-interval-in-seconds: 30 # 心跳间隔 + lease-expiration-duration-in-seconds: 90 # 服务失效时间 + +// 3. 服务消费者 +@RestController +public class OrderController { + + @Autowired + private DiscoveryClient discoveryClient; + + @Autowired + @LoadBalanced + private RestTemplate restTemplate; + + @GetMapping("/orders/{id}") + public Order getOrder(@PathVariable Long id) { + // 方式1：通过DiscoveryClient发现服务 + List instances = + discoveryClient.getInstances("user-service"); + + if (!instances.isEmpty()) { + ServiceInstance instance = instances.get(0); + String userServiceUrl = "http://" + instance.getHost() + + ":" + instance.getPort(); + } + + // 方式2：通过负载均衡调用 + User user = restTemplate.getForObject( + "http://user-service/users/1", User.class); + + return orderService.getOrder(id); + } +} +``` + +**自我保护机制**： + +```java +// Eureka自我保护机制配置 +public class EurekaSelfPreservation { + + /** + * 自我保护触发条件： + * 1. 15分钟内心跳失败比例超过85% + * 2. 网络分区导致心跳丢失 + * + * 保护措施： + * 1. 不再剔除任何服务实例 + * 2. 保留服务注册信息 + * 3. 等待网络恢复 + */ + + // 禁用自我保护（生产环境慎用） + @Configuration + public class EurekaServerConfig { + + @Value("${eureka.server.enable-self-preservation:true}") + private boolean enableSelfPreservation; + + @Bean + public EurekaServerConfigBean eurekaServerConfig() { + EurekaServerConfigBean config = new EurekaServerConfigBean(); + config.setEnableSelfPreservation(enableSelfPreservation); + return config; + } + } +} +``` + +### 🎯 Spring Cloud Config的配置管理原理？ + +Spring Cloud Config提供分布式系统的外部化配置支持： + +**Config架构组成**： + +- **Config Server**：配置服务端，从Git仓库读取配置 +- **Config Client**：配置客户端，从Server获取配置 +- **配置仓库**：Git仓库存储配置文件 +- **消息总线**：配置变更通知机制 + +**💻 实现示例**： + +```java +// 1. Config Server配置 +@SpringBootApplication +@EnableConfigServer +public class ConfigServerApplication { + + public static void main(String[] args) { + SpringApplication.run(ConfigServerApplication.class, args); + } +} + +# Config Server配置 +server: + port: 8888 + +spring: + application: + name: config-server + cloud: + config: + server: + git: + uri: https://github.com/your-org/config-repo + search-paths: '{application}' + clone-on-start: true + health: + enabled: true + +# Git仓库结构 +config-repo/ +├── user-service/ +│ ├── user-service.yml # 默认配置 +│ ├── user-service-dev.yml # 开发环境 +│ ├── user-service-test.yml # 测试环境 +│ └── user-service-prod.yml # 生产环境 +└── order-service/ + ├── order-service.yml + └── ... + +// 2. Config Client配置 +@SpringBootApplication +@RefreshScope // 支持配置热刷新 +public class UserServiceApplication { + + @Value("${user.max-connections:100}") + private int maxConnections; + + @Value("${user.timeout:5000}") + private int timeout; + + @RestController + public class ConfigController { + + @GetMapping("/config") + public Map getConfig() { + Map config = new HashMap<>(); + config.put("maxConnections", maxConnections); + config.put("timeout", timeout); + return config; + } + } +} + +# bootstrap.yml（优先级高于application.yml） +spring: + application: + name: user-service + profiles: + active: dev + cloud: + config: + uri: http://localhost:8888 + profile: ${spring.profiles.active} + label: master + retry: + initial-interval: 2000 + max-attempts: 3 + +// 3. 配置热刷新 +@Component +@RefreshScope +@ConfigurationProperties(prefix = "user") +public class UserProperties { + + private int maxConnections = 100; + private int timeout = 5000; + private String databaseUrl; + + // getters and setters +} + +@RestController +public class ConfigRefreshController { + + @Autowired + private UserProperties userProperties; + + // 手动刷新配置 + @PostMapping("/refresh") + public String refresh() { + // 调用/actuator/refresh端点刷新配置 + return "Configuration refreshed"; + } + + @GetMapping("/properties") + public UserProperties getProperties() { + return userProperties; + } +} + +// 4. 配置加密 +public class ConfigEncryption { + + // 在配置文件中使用加密 + # user-service.yml + datasource: + username: user + password: '{cipher}AQB8HgPVw4dVhK9r8s1w...' # 加密后的密码 + + // Config Server会自动解密 + @Component + public class DatabaseConfig { + + @Value("${datasource.password}") + private String password; // 自动解密后的明文密码 + } +} +``` + +### 🎯 Spring Cloud Gateway的路由机制？ + +Spring Cloud Gateway是基于Spring WebFlux的反应式网关： + +**Gateway核心概念**： + +- **Route（路由）**：网关的基本构建块 +- **Predicate（断言）**：匹配HTTP请求的条件 +- **Filter（过滤器）**：修改请求和响应 + +**💻 Gateway配置示例**： + +```java +// 1. 编程式路由配置 +@Configuration +public class GatewayConfig { + + @Bean + public RouteLocator customRoutes(RouteLocatorBuilder builder) { + return builder.routes() + // 用户服务路由 + .route("user-service", r -> r + .path("/api/users/**") + .filters(f -> f + .stripPrefix(1) // 去除/api前缀 + .addRequestHeader("X-Service", "user") + .addResponseHeader("X-Gateway", "spring-cloud") + .retry(3) // 重试3次 + ) + .uri("lb://user-service") // 负载均衡到user-service + ) + // 订单服务路由 + .route("order-service", r -> r + .path("/api/orders/**") + .and() + .method(HttpMethod.POST, HttpMethod.GET) + .filters(f -> f + .stripPrefix(1) + .addRequestParameter("source", "gateway") + .modifyResponseBody(String.class, String.class, + (exchange, body) -> body.toUpperCase()) + ) + .uri("lb://order-service") + ) + // 静态资源路由 + .route("static-resources", r -> r + .path("/static/**") + .uri("http://cdn.example.com/") + ) + .build(); + } +} + +// 2. 配置文件路由配置 +# application.yml +spring: + cloud: + gateway: + routes: + - id: user-service + uri: lb://user-service + predicates: + - Path=/api/users/** + - Method=GET,POST + - Header=X-Request-Id, \d+ + filters: + - StripPrefix=1 + - AddRequestHeader=X-Service, user + - name: RequestRateLimiter + args: + rate-limiter: "#{@userRateLimiter}" + key-resolver: "#{@ipKeyResolver}" + + - id: order-service + uri: lb://order-service + predicates: + - Path=/api/orders/** + - After=2023-01-01T00:00:00+08:00[Asia/Shanghai] + filters: + - StripPrefix=1 + - name: Hystrix + args: + name: order-fallback + fallbackUri: forward:/order-fallback + +// 3. 自定义过滤器 +@Component +public class AuthGatewayFilterFactory extends AbstractGatewayFilterFactory { + + public AuthGatewayFilterFactory() { + super(Config.class); + } + + @Override + public GatewayFilter apply(Config config) { + return (exchange, chain) -> { + ServerHttpRequest request = exchange.getRequest(); + + // 提取Token + String token = request.getHeaders().getFirst("Authorization"); + + if (token == null || !isValidToken(token)) { + ServerHttpResponse response = exchange.getResponse(); + response.setStatusCode(HttpStatus.UNAUTHORIZED); + return response.setComplete(); + } + + // 添加用户信息到请求头 + String userId = extractUserIdFromToken(token); + ServerHttpRequest modifiedRequest = request.mutate() + .header("X-User-Id", userId) + .build(); + + return chain.filter(exchange.mutate() + .request(modifiedRequest) + .build()); + }; + } + + @Data + public static class Config { + private boolean enabled = true; + private String headerName = "Authorization"; + } + + private boolean isValidToken(String token) { + // JWT token验证逻辑 + return JwtUtil.validateToken(token); + } + + private String extractUserIdFromToken(String token) { + return JwtUtil.getUserId(token); + } +} + +// 4. 限流配置 +@Configuration +public class RateLimitConfig { + + // IP限流 + @Bean + public KeyResolver ipKeyResolver() { + return exchange -> Mono.just( + exchange.getRequest() + .getRemoteAddress() + .getAddress() + .getHostAddress() + ); + } + + // 用户限流 + @Bean + public KeyResolver userKeyResolver() { + return exchange -> Mono.just( + exchange.getRequest() + .getHeaders() + .getFirst("X-User-Id") + ); + } + + // Redis限流器 + @Bean + public RedisRateLimiter userRateLimiter() { + return new RedisRateLimiter( + 10, // 令牌桶容量 + 20 // 每秒补充令牌数 + ); + } +} +``` + +--- + +## 🔧 三、服务治理 + +**核心理念**：微服务治理通过技术手段保障分布式系统的稳定性、可观测性和可维护性。 + +### 🎯 什么是熔断器？Hystrix的工作原理？ + +熔断器是微服务容错的核心模式，防止级联故障： + +**熔断器状态机**： + +1. **CLOSED**：正常状态，请求正常执行 +2. **OPEN**：熔断状态，快速失败 +3. **HALF_OPEN**：半开状态，尝试恢复 + +**💻 Hystrix实现示例**： + +```java +// 1. Hystrix Command实现 +public class UserServiceCommand extends HystrixCommand { + + private final Long userId; + private final UserServiceClient userServiceClient; + + public UserServiceCommand(Long userId, UserServiceClient userServiceClient) { + super(HystrixCommandGroupKey.Factory.asKey("UserService"), + HystrixCommandKey.Factory.asKey("GetUser"), + HystrixCommandProperties.Setter() + .withExecutionTimeoutInMilliseconds(2000) // 超时时间 + .withCircuitBreakerRequestVolumeThreshold(10) // 请求量阈值 + .withCircuitBreakerErrorThresholdPercentage(50) // 错误率阈值 + .withCircuitBreakerSleepWindowInMilliseconds(5000)); // 熔断窗口期 + + this.userId = userId; + this.userServiceClient = userServiceClient; + } + + @Override + protected User run() throws Exception { + return userServiceClient.getUser(userId); + } + + @Override + protected User getFallback() { + // 降级处理 + return User.builder() + .id(userId) + .username("默认用户") + .email("default@example.com") + .build(); + } +} + +// 2. 注解式使用 +@Service +public class OrderService { + + @Autowired + private UserServiceClient userServiceClient; + + @HystrixCommand( + groupKey = "OrderService", + commandKey = "getUser", + fallbackMethod = "getUserFallback", + commandProperties = { + @HystrixProperty(name = "execution.isolation.thread.timeoutInMilliseconds", value = "3000"), + @HystrixProperty(name = "circuitBreaker.requestVolumeThreshold", value = "10"), + @HystrixProperty(name = "circuitBreaker.errorThresholdPercentage", value = "60"), + @HystrixProperty(name = "circuitBreaker.sleepWindowInMilliseconds", value = "10000") + } + ) + public User getUser(Long userId) { + return userServiceClient.getUser(userId); + } + + // 降级方法 + public User getUserFallback(Long userId) { + return User.builder() + .id(userId) + .username("系统繁忙，请稍后再试") + .build(); + } + + // 降级方法（包含异常信息） + public User getUserFallback(Long userId, Throwable throwable) { + log.error("获取用户信息失败，userId: {}", userId, throwable); + + return User.builder() + .id(userId) + .username("服务暂时不可用") + .build(); + } +} + +// 3. Feign集成Hystrix +@FeignClient( + name = "user-service", + fallback = UserServiceFallback.class, + fallbackFactory = UserServiceFallbackFactory.class +) +public interface UserServiceClient { + + @GetMapping("/users/{id}") + User getUser(@PathVariable("id") Long id); + + @PostMapping("/users") + User createUser(@RequestBody CreateUserRequest request); +} + +// 降级实现 +@Component +public class UserServiceFallback implements UserServiceClient { + + @Override + public User getUser(Long id) { + return createDefaultUser(id); + } + + @Override + public User createUser(CreateUserRequest request) { + throw new ServiceUnavailableException("用户服务暂时不可用，请稍后重试"); + } + + private User createDefaultUser(Long id) { + return User.builder() + .id(id) + .username("默认用户" + id) + .status(UserStatus.UNKNOWN) + .build(); + } +} + +// 带异常信息的降级工厂 +@Component +public class UserServiceFallbackFactory implements FallbackFactory { + + @Override + public UserServiceClient create(Throwable cause) { + return new UserServiceClient() { + @Override + public User getUser(Long id) { + log.error("调用用户服务失败，userId: {}", id, cause); + + if (cause instanceof TimeoutException) { + return createTimeoutUser(id); + } else if (cause instanceof ConnectException) { + return createConnectionErrorUser(id); + } else { + return createDefaultUser(id); + } + } + + @Override + public User createUser(CreateUserRequest request) { + throw new ServiceUnavailableException("用户服务创建功能暂时不可用: " + cause.getMessage()); + } + }; + } +} + +// 4. Hystrix监控 +@Configuration +@EnableHystrixMetricsStream +public class HystrixConfig { + + @Bean + public ServletRegistrationBean hystrixMetricsStreamServlet() { + ServletRegistrationBean registration = + new ServletRegistrationBean<>(new HystrixMetricsStreamServlet()); + registration.addUrlMappings("/hystrix.stream"); + return registration; + } +} +``` + +### 🎯 服务链路追踪如何实现？ + +链路追踪帮助定位分布式系统中的性能瓶颈和故障点： + +**Sleuth + Zipkin实现**： + +```java +// 1. 添加链路追踪依赖和配置 +# pom.xml + + org.springframework.cloud + spring-cloud-starter-sleuth + + + org.springframework.cloud + spring-cloud-sleuth-zipkin + + +# application.yml +spring: + sleuth: + sampler: + probability: 1.0 # 采样率（生产环境建议0.1） + zipkin: + base-url: http://localhost:9411 + sender: + type: web + application: + name: order-service + +// 2. 自定义Span +@Service +public class OrderService { + + private final Tracer tracer; + private final UserServiceClient userServiceClient; + + public OrderService(Tracer tracer, UserServiceClient userServiceClient) { + this.tracer = tracer; + this.userServiceClient = userServiceClient; + } + + @NewSpan("create-order") // 自动创建新的Span + public Order createOrder(@SpanTag("userId") Long userId, + @SpanTag("productId") Long productId) { + + // 手动创建子Span + Span userSpan = tracer.nextSpan() + .name("get-user") + .tag("user.id", String.valueOf(userId)) + .start(); + + try (Tracer.SpanInScope ws = tracer.withSpanInScope(userSpan)) { + User user = userServiceClient.getUser(userId); + userSpan.tag("user.name", user.getUsername()); + + // 继续处理订单逻辑 + return processOrder(user, productId); + + } catch (Exception e) { + userSpan.tag("error", e.getMessage()); + throw e; + } finally { + userSpan.end(); + } + } + + @NewSpan("process-order") + private Order processOrder(@SpanTag("user") User user, + @SpanTag("productId") Long productId) { + + // 添加自定义标签 + tracer.currentSpan() + .tag("order.type", "online") + .tag("user.level", user.getLevel().name()); + + // 模拟业务处理 + Thread.sleep(100); + + Order order = Order.builder() + .userId(user.getId()) + .productId(productId) + .status(OrderStatus.CREATED) + .build(); + + // 记录事件 + tracer.currentSpan().annotate("order.created"); + + return orderRepository.save(order); + } +} + +// 3. 链路追踪过滤器 +@Component +public class TraceFilter implements Filter { + + private final Tracer tracer; + + public TraceFilter(Tracer tracer) { + this.tracer = tracer; + } + + @Override + public void doFilter(ServletRequest request, ServletResponse response, + FilterChain chain) throws IOException, ServletException { + + HttpServletRequest httpRequest = (HttpServletRequest) request; + + // 创建根Span + Span span = tracer.nextSpan() + .name("http:" + httpRequest.getMethod().toLowerCase()) + .tag("http.method", httpRequest.getMethod()) + .tag("http.url", httpRequest.getRequestURL().toString()) + .tag("http.user_agent", httpRequest.getHeader("User-Agent")) + .start(); + + try (Tracer.SpanInScope ws = tracer.withSpanInScope(span)) { + chain.doFilter(request, response); + + HttpServletResponse httpResponse = (HttpServletResponse) response; + span.tag("http.status_code", String.valueOf(httpResponse.getStatus())); + + } catch (Exception e) { + span.tag("error", e.getMessage()); + throw e; + } finally { + span.end(); + } + } +} + +// 4. 链路追踪配置 +@Configuration +public class TracingConfiguration { + + // 自定义采样策略 + @Bean + public ProbabilityBasedSampler probabilityBasedSampler() { + return new ProbabilityBasedSampler(0.1f); // 10%采样率 + } + + // 自定义Span命名策略 + @Bean + public SpanNamer spanNamer() { + return new DefaultSpanNamer(); + } + + // 跳过某些URL的追踪 + @Bean + public SkipPatternProvider skipPatternProvider() { + return () -> Pattern.compile("/health|/metrics|/actuator/.*"); + } + + // 自定义标签 + @Bean + public SpanCustomizer spanCustomizer() { + return span -> { + span.tag("service.version", "1.0.0"); + span.tag("service.env", "production"); + }; + } +} + +// 5. 异步调用链路追踪 +@Service +public class AsyncOrderService { + + private final Tracer tracer; + + @Async("orderExecutor") + @TraceAsync // 确保异步方法中的链路追踪 + public CompletableFuture processOrderAsync(Long orderId) { + + // 获取当前Span + Span currentSpan = tracer.currentSpan(); + + return CompletableFuture.supplyAsync(() -> { + // 在异步线程中继续使用Span + try (Tracer.SpanInScope ws = tracer.withSpanInScope(currentSpan)) { + + Span asyncSpan = tracer.nextSpan() + .name("async-process-order") + .tag("order.id", String.valueOf(orderId)) + .start(); + + try (Tracer.SpanInScope asyncWs = tracer.withSpanInScope(asyncSpan)) { + // 异步处理逻辑 + return processOrder(orderId); + } finally { + asyncSpan.end(); + } + } + }); + } +} +``` + +--- + +## 💬 四、服务通信 + +**核心理念**：微服务间通信需要选择合适的方式，同步调用保证一致性，异步消息提高解耦性。 + +### 🎯 微服务间通信有哪些方式？ + +微服务通信模式及其适用场景： + +**通信方式分类**： + +| **通信模式** | **实现方式** | **优点** | **缺点** | **适用场景** | +| ------------ | ------------------ | ------------------ | -------------------- | ---------------------- | +| **同步调用** | HTTP/REST, RPC | 简单直观，强一致性 | 耦合度高，级联故障 | 查询操作，实时性要求高 | +| **异步消息** | 消息队列，事件总线 | 解耦，高可用 | 复杂性高，最终一致性 | 业务流程，状态变更通知 | +| **事件驱动** | Event Sourcing | 完全解耦，可重放 | 复杂度极高 | 复杂业务流程 | + +**💻 通信实现示例**： + +```java +// 1. 同步HTTP调用 +@RestController +public class OrderController { + + @Autowired + private RestTemplate restTemplate; + + @Autowired + private UserServiceClient userServiceClient; + + @PostMapping("/orders") + public ResponseEntity createOrder(@RequestBody CreateOrderRequest request) { + + // 方式1：RestTemplate调用 + User user = restTemplate.getForObject( + "http://user-service/users/" + request.getUserId(), + User.class); + + // 方式2：Feign客户端调用 + Product product = userServiceClient.getProduct(request.getProductId()); + + // 创建订单 + Order order = orderService.createOrder(user, product, request); + + return ResponseEntity.ok(order); + } +} + +// 2. 异步消息通信 +@Service +public class OrderEventService { + + @Autowired + private RabbitTemplate rabbitTemplate; + + @Autowired + private KafkaTemplate kafkaTemplate; + + // 发布订单创建事件 + @EventListener + public void handleOrderCreated(OrderCreatedEvent event) { + + // RabbitMQ消息发送 + rabbitTemplate.convertAndSend( + "order.exchange", + "order.created", + event + ); + + // Kafka消息发送 + kafkaTemplate.send("order-events", event.getOrderId().toString(), event); + + log.info("订单创建事件已发布: {}", event.getOrderId()); + } +} + +// 消息监听处理 +@RabbitListener(queues = "inventory.order.created") +public class InventoryService { + + @RabbitHandler + public void handleOrderCreated(OrderCreatedEvent event) { + log.info("处理订单创建事件，更新库存: {}", event.getOrderId()); + + // 更新库存 + inventoryRepository.decreaseStock( + event.getProductId(), + event.getQuantity() + ); + + // 发布库存更新事件 + applicationEventPublisher.publishEvent( + new StockUpdatedEvent(event.getProductId(), event.getQuantity()) + ); + } +} + +// 3. 事件驱动架构 +@Component +public class OrderSagaOrchestrator { + + @Autowired + private PaymentService paymentService; + @Autowired + private InventoryService inventoryService; + @Autowired + private ShippingService shippingService; + + @SagaOrchestrationStart + @EventListener + public void handleOrderCreated(OrderCreatedEvent event) { + + // 创建Saga实例 + SagaInstance saga = SagaInstance.builder() + .sagaId(UUID.randomUUID().toString()) + .orderId(event.getOrderId()) + .status(SagaStatus.STARTED) + .build(); + + // 第一步：处理支付 + processPayment(saga, event); + } + + private void processPayment(SagaInstance saga, OrderCreatedEvent event) { + try { + PaymentRequest paymentRequest = PaymentRequest.builder() + .orderId(event.getOrderId()) + .amount(event.getTotalAmount()) + .userId(event.getUserId()) + .build(); + + paymentService.processPaymentAsync(paymentRequest) + .whenComplete((result, throwable) -> { + if (throwable == null) { + handlePaymentSuccess(saga, result); + } else { + handlePaymentFailure(saga, throwable); + } + }); + + } catch (Exception e) { + handlePaymentFailure(saga, e); + } + } + + private void handlePaymentSuccess(SagaInstance saga, PaymentResult result) { + saga.setStatus(SagaStatus.PAYMENT_COMPLETED); + sagaRepository.save(saga); + + // 第二步：预留库存 + reserveInventory(saga); + } + + private void handlePaymentFailure(SagaInstance saga, Throwable error) { + saga.setStatus(SagaStatus.PAYMENT_FAILED); + saga.setErrorMessage(error.getMessage()); + sagaRepository.save(saga); + + // 触发补偿事务 + cancelOrder(saga); + } +} +``` + +### 🎯 如何设计API网关？ + +API网关是微服务架构的入口，统一处理横切关注点： + +**网关核心功能**： + +- 路由转发 +- 认证授权 +- 限流熔断 +- 监控日志 +- 协议转换 + +**💻 网关实现示例**： + +```java +// 1. 网关路由配置 +@Configuration +public class GatewayRouteConfig { + + @Bean + public RouteLocator customRoutes(RouteLocatorBuilder builder) { + return builder.routes() + + // 用户服务路由 + .route("user-api", r -> r + .path("/api/v1/users/**") + .filters(f -> f + .stripPrefix(2) // 去除 /api/v1 前缀 + .addRequestHeader("X-Gateway-Version", "1.0") + .requestRateLimiter(config -> config + .setRateLimiter(redisRateLimiter()) + .setKeyResolver(ipKeyResolver())) + ) + .uri("lb://user-service") + ) + + // 订单服务路由（需要认证） + .route("order-api", r -> r + .path("/api/v1/orders/**") + .filters(f -> f + .stripPrefix(2) + .filter(authenticationFilter()) // 自定义认证过滤器 + .circuitBreaker(config -> config + .setName("order-circuit-breaker") + .setFallbackUri("forward:/fallback/order")) + ) + .uri("lb://order-service") + ) + + // WebSocket路由 + .route("websocket-route", r -> r + .path("/ws/**") + .uri("lb:ws://websocket-service") + ) + + .build(); + } + + // 认证过滤器 + @Bean + public GatewayFilter authenticationFilter() { + return (exchange, chain) -> { + ServerHttpRequest request = exchange.getRequest(); + + // 检查认证头 + String authHeader = request.getHeaders().getFirst("Authorization"); + + if (authHeader == null || !authHeader.startsWith("Bearer ")) { + return unauthorizedResponse(exchange); + } + + String token = authHeader.substring(7); + + // 验证JWT token + return validateToken(token) + .flatMap(userInfo -> { + // 添加用户信息到请求头 + ServerHttpRequest modifiedRequest = request.mutate() + .header("X-User-Id", userInfo.getUserId()) + .header("X-User-Role", userInfo.getRole()) + .build(); + + return chain.filter(exchange.mutate() + .request(modifiedRequest) + .build()); + }) + .onErrorResume(throwable -> unauthorizedResponse(exchange)); + }; + } + + private Mono unauthorizedResponse(ServerWebExchange exchange) { + ServerHttpResponse response = exchange.getResponse(); + response.setStatusCode(HttpStatus.UNAUTHORIZED); + response.getHeaders().add("Content-Type", "application/json"); + + String body = "{\"error\":\"Unauthorized\",\"message\":\"Invalid or missing token\"}"; + DataBuffer buffer = response.bufferFactory().wrap(body.getBytes()); + + return response.writeWith(Mono.just(buffer)); + } +} + +// 2. 全局过滤器 +@Component +public class GlobalLoggingFilter implements GlobalFilter, Ordered { + + private static final Logger logger = LoggerFactory.getLogger(GlobalLoggingFilter.class); + + @Override + public Mono filter(ServerWebExchange exchange, GatewayFilterChain chain) { + ServerHttpRequest request = exchange.getRequest(); + + String requestId = UUID.randomUUID().toString(); + long startTime = System.currentTimeMillis(); + + // 记录请求信息 + logger.info("Gateway Request - ID: {}, Method: {}, URL: {}, Headers: {}", + requestId, request.getMethod(), request.getURI(), request.getHeaders()); + + // 添加请求ID到响应头 + exchange.getResponse().getHeaders().add("X-Request-Id", requestId); + + return chain.filter(exchange) + .doOnSuccess(aVoid -> { + long duration = System.currentTimeMillis() - startTime; + logger.info("Gateway Response - ID: {}, Status: {}, Duration: {}ms", + requestId, exchange.getResponse().getStatusCode(), duration); + }) + .doOnError(throwable -> { + long duration = System.currentTimeMillis() - startTime; + logger.error("Gateway Error - ID: {}, Duration: {}ms, Error: {}", + requestId, duration, throwable.getMessage(), throwable); + }); + } + + @Override + public int getOrder() { + return -1; // 最高优先级 + } +} + +// 3. 限流配置 +@Configuration +public class RateLimitConfig { + + @Bean + public RedisRateLimiter redisRateLimiter() { + return new RedisRateLimiter( + 10, // replenishRate: 每秒填充的令牌数 + 20, // burstCapacity: 令牌桶的容量 + 1 // requestedTokens: 每个请求消耗的令牌数 + ); + } + + // IP地址限流 + @Bean + @Primary + public KeyResolver ipKeyResolver() { + return exchange -> Mono.just( + Objects.requireNonNull(exchange.getRequest().getRemoteAddress()) + .getAddress() + .getHostAddress() + ); + } + + // 用户ID限流 + @Bean + public KeyResolver userKeyResolver() { + return exchange -> Mono.just( + exchange.getRequest().getHeaders().getFirst("X-User-Id") + ); + } + + // API路径限流 + @Bean + public KeyResolver apiKeyResolver() { + return exchange -> Mono.just( + exchange.getRequest().getPath().value() + ); + } +} + +// 4. 熔断降级 +@RestController +public class FallbackController { + + @GetMapping("/fallback/user") + public Mono> userFallback() { + Map response = new HashMap<>(); + response.put("error", "User Service Unavailable"); + response.put("message", "用户服务暂时不可用，请稍后重试"); + response.put("timestamp", System.currentTimeMillis()); + + return Mono.just(ResponseEntity.status(HttpStatus.SERVICE_UNAVAILABLE) + .body(response)); + } + + @GetMapping("/fallback/order") + public Mono> orderFallback() { + Map response = new HashMap<>(); + response.put("error", "Order Service Unavailable"); + response.put("message", "订单服务暂时不可用，请稍后重试"); + response.put("timestamp", System.currentTimeMillis()); + + return Mono.just(ResponseEntity.status(HttpStatus.SERVICE_UNAVAILABLE) + .body(response)); + } +} + +// 5. 网关监控 +@Component +public class GatewayMetricsCollector { + + private final MeterRegistry meterRegistry; + private final Counter requestCounter; + private final Timer requestTimer; + + public GatewayMetricsCollector(MeterRegistry meterRegistry) { + this.meterRegistry = meterRegistry; + this.requestCounter = Counter.builder("gateway.requests.total") + .description("Total gateway requests") + .register(meterRegistry); + this.requestTimer = Timer.builder("gateway.requests.duration") + .description("Gateway request duration") + .register(meterRegistry); + } + + @EventListener + public void handleGatewayRequest(GatewayRequestEvent event) { + requestCounter.increment( + Tags.of( + Tag.of("method", event.getMethod()), + Tag.of("status", String.valueOf(event.getStatus())), + Tag.of("service", event.getTargetService()) + ) + ); + + requestTimer.record(event.getDuration(), TimeUnit.MILLISECONDS, + Tags.of( + Tag.of("service", event.getTargetService()), + Tag.of("endpoint", event.getEndpoint()) + ) + ); + } +} +``` + +--- + +## 🗄️ 五、数据管理 + +**核心理念**：微服务数据管理需要平衡数据一致性和服务独立性，通过合理的数据架构设计实现业务目标。 + +### 🎯 微服务如何处理分布式事务？ + +分布式事务是微服务架构的核心挑战之一： + +**分布式事务模式**： + +1. **两阶段提交（2PC）**：强一致性，但性能差 +2. **补偿事务（TCC）**：Try-Confirm-Cancel模式 +3. **Saga模式**：长流程事务管理 +4. **本地消息表**：最终一致性方案 + +**💻 Saga模式实现**： + +```java +// 1. Saga编排器实现 +@Component +public class OrderSagaOrchestrator { + + @Autowired + private PaymentService paymentService; + @Autowired + private InventoryService inventoryService; + @Autowired + private ShippingService shippingService; + @Autowired + private SagaInstanceRepository sagaRepository; + + // 订单创建Saga流程 + @SagaStart + public void createOrderSaga(CreateOrderCommand command) { + + SagaInstance saga = SagaInstance.builder() + .sagaId(UUID.randomUUID().toString()) + .orderId(command.getOrderId()) + .status(SagaStatus.STARTED) + .compensations(new ArrayList<>()) + .build(); + + sagaRepository.save(saga); + + try { + // 步骤1：创建订单 + createOrder(saga, command); + + } catch (Exception e) { + handleSagaFailure(saga, e); + } + } + + private void createOrder(SagaInstance saga, CreateOrderCommand command) { + try { + Order order = orderService.createOrder(command); + saga.addCompensation(new CancelOrderCompensation(order.getId())); + + // 步骤2：处理支付 + processPayment(saga, order); + + } catch (Exception e) { + throw new SagaException("创建订单失败", e); + } + } + + private void processPayment(SagaInstance saga, Order order) { + try { + PaymentResult result = paymentService.processPayment( + PaymentRequest.builder() + .orderId(order.getId()) + .amount(order.getTotalAmount()) + .userId(order.getUserId()) + .build() + ); + + saga.addCompensation(new RefundPaymentCompensation(result.getPaymentId())); + + // 步骤3：预留库存 + reserveInventory(saga, order); + + } catch (Exception e) { + executeCompensations(saga); + throw new SagaException("支付处理失败", e); + } + } + + private void reserveInventory(SagaInstance saga, Order order) { + try { + for (OrderItem item : order.getItems()) { + InventoryReservation reservation = inventoryService.reserveInventory( + ReserveInventoryRequest.builder() + .productId(item.getProductId()) + .quantity(item.getQuantity()) + .orderId(order.getId()) + .build() + ); + + saga.addCompensation( + new ReleaseInventoryCompensation(reservation.getReservationId()) + ); + } + + // 步骤4：安排发货 + arrangeShipping(saga, order); + + } catch (Exception e) { + executeCompensations(saga); + throw new SagaException("库存预留失败", e); + } + } + + private void arrangeShipping(SagaInstance saga, Order order) { + try { + ShippingOrder shippingOrder = shippingService.createShippingOrder( + CreateShippingOrderRequest.builder() + .orderId(order.getId()) + .address(order.getShippingAddress()) + .items(order.getItems()) + .build() + ); + + saga.addCompensation( + new CancelShippingCompensation(shippingOrder.getId()) + ); + + // Saga成功完成 + completeSaga(saga); + + } catch (Exception e) { + executeCompensations(saga); + throw new SagaException("安排发货失败", e); + } + } + + private void completeSaga(SagaInstance saga) { + saga.setStatus(SagaStatus.COMPLETED); + saga.setCompletedAt(LocalDateTime.now()); + sagaRepository.save(saga); + + // 发布Saga完成事件 + eventPublisher.publishEvent(new SagaCompletedEvent(saga.getSagaId())); + } + + private void executeCompensations(SagaInstance saga) { + saga.setStatus(SagaStatus.COMPENSATING); + sagaRepository.save(saga); + + // 逆序执行补偿操作 + List compensations = saga.getCompensations(); + Collections.reverse(compensations); + + for (Compensation compensation : compensations) { + try { + compensation.execute(); + compensation.setStatus(CompensationStatus.COMPLETED); + } catch (Exception e) { + compensation.setStatus(CompensationStatus.FAILED); + log.error("补偿操作失败: {}", compensation.getClass().getSimpleName(), e); + } + } + + saga.setStatus(SagaStatus.COMPENSATED); + sagaRepository.save(saga); + } +} + +// 2. TCC模式实现 +@Service +@Transactional +public class AccountTccService { + + @Autowired + private AccountRepository accountRepository; + @Autowired + private TccTransactionRepository tccTransactionRepository; + + /** + * Try阶段：预留资源 + */ + @TccTry + public void tryDebit(String accountId, BigDecimal amount, String transactionId) { + Account account = accountRepository.findById(accountId) + .orElseThrow(() -> new AccountNotFoundException(accountId)); + + // 检查余额 + if (account.getBalance().compareTo(amount) < 0) { + throw new InsufficientFundsException(accountId, amount); + } + + // 冻结资金 + account.setBalance(account.getBalance().subtract(amount)); + account.setFrozenAmount(account.getFrozenAmount().add(amount)); + accountRepository.save(account); + + // 记录TCC事务 + TccTransaction tccTransaction = TccTransaction.builder() + .transactionId(transactionId) + .accountId(accountId) + .amount(amount) + .status(TccStatus.TRIED) + .type(TccType.DEBIT) + .createdAt(LocalDateTime.now()) + .build(); + + tccTransactionRepository.save(tccTransaction); + } + + /** + * Confirm阶段：确认事务 + */ + @TccConfirm + public void confirmDebit(String transactionId) { + TccTransaction tccTransaction = tccTransactionRepository.findByTransactionId(transactionId) + .orElseThrow(() -> new TccTransactionNotFoundException(transactionId)); + + if (tccTransaction.getStatus() != TccStatus.TRIED) { + throw new IllegalTccStatusException(transactionId, tccTransaction.getStatus()); + } + + Account account = accountRepository.findById(tccTransaction.getAccountId()) + .orElseThrow(() -> new AccountNotFoundException(tccTransaction.getAccountId())); + + // 确认扣款，释放冻结资金 + account.setFrozenAmount(account.getFrozenAmount().subtract(tccTransaction.getAmount())); + accountRepository.save(account); + + // 更新TCC事务状态 + tccTransaction.setStatus(TccStatus.CONFIRMED); + tccTransaction.setUpdatedAt(LocalDateTime.now()); + tccTransactionRepository.save(tccTransaction); + } + + /** + * Cancel阶段：取消事务 + */ + @TccCancel + public void cancelDebit(String transactionId) { + TccTransaction tccTransaction = tccTransactionRepository.findByTransactionId(transactionId) + .orElseThrow(() -> new TccTransactionNotFoundException(transactionId)); + + if (tccTransaction.getStatus() != TccStatus.TRIED) { + // 幂等处理：如果已经取消或确认，直接返回 + return; + } + + Account account = accountRepository.findById(tccTransaction.getAccountId()) + .orElseThrow(() -> new AccountNotFoundException(tccTransaction.getAccountId())); + + // 恢复账户余额 + account.setBalance(account.getBalance().add(tccTransaction.getAmount())); + account.setFrozenAmount(account.getFrozenAmount().subtract(tccTransaction.getAmount())); + accountRepository.save(account); + + // 更新TCC事务状态 + tccTransaction.setStatus(TccStatus.CANCELLED); + tccTransaction.setUpdatedAt(LocalDateTime.now()); + tccTransactionRepository.save(tccTransaction); + } +} + +// 3. 本地消息表模式 +@Service +@Transactional +public class OrderServiceWithLocalMessage { + + @Autowired + private OrderRepository orderRepository; + @Autowired + private LocalMessageRepository localMessageRepository; + + public Order createOrder(CreateOrderRequest request) { + // 本地事务中同时操作业务数据和消息表 + Order order = Order.builder() + .userId(request.getUserId()) + .productId(request.getProductId()) + .quantity(request.getQuantity()) + .status(OrderStatus.CREATED) + .createdAt(LocalDateTime.now()) + .build(); + + order = orderRepository.save(order); + + // 保存待发送消息 + LocalMessage message = LocalMessage.builder() + .id(UUID.randomUUID().toString()) + .topic("order-events") + .key(order.getId().toString()) + .payload(JsonUtils.toJson(new OrderCreatedEvent(order))) + .status(MessageStatus.PENDING) + .createdAt(LocalDateTime.now()) + .maxRetries(3) + .currentRetries(0) + .build(); + + localMessageRepository.save(message); + + return order; + } + + // 定时任务发送未成功的消息 + @Scheduled(fixedDelay = 5000) + public void sendPendingMessages() { + List pendingMessages = localMessageRepository + .findByStatusAndCurrentRetriesLessThan(MessageStatus.PENDING, 3); + + for (LocalMessage message : pendingMessages) { + try { + // 发送消息 + kafkaTemplate.send(message.getTopic(), message.getKey(), message.getPayload()) + .whenComplete((result, ex) -> { + if (ex == null) { + // 发送成功 + message.setStatus(MessageStatus.SENT); + message.setSentAt(LocalDateTime.now()); + } else { + // 发送失败，增加重试次数 + message.setCurrentRetries(message.getCurrentRetries() + 1); + if (message.getCurrentRetries() >= message.getMaxRetries()) { + message.setStatus(MessageStatus.FAILED); + message.setErrorMessage(ex.getMessage()); + } + } + localMessageRepository.save(message); + }); + + } catch (Exception e) { + log.error("发送消息失败: {}", message.getId(), e); + message.setCurrentRetries(message.getCurrentRetries() + 1); + if (message.getCurrentRetries() >= message.getMaxRetries()) { + message.setStatus(MessageStatus.FAILED); + message.setErrorMessage(e.getMessage()); + } + localMessageRepository.save(message); + } + } + } +} +``` + +### 🎯 如何实现数据一致性？ + +微服务环境下的数据一致性策略： + +**一致性级别**： + +- **强一致性**：所有节点同时看到相同数据 +- **弱一致性**：允许临时不一致 +- **最终一致性**：保证最终数据一致 + +**💻 实现方案**： + +```java +// 1. 事件溯源（Event Sourcing） +@Entity +public class OrderAggregate { + + @Id + private String orderId; + private OrderStatus status; + private BigDecimal totalAmount; + private LocalDateTime createdAt; + + @OneToMany(cascade = CascadeType.ALL) + private List events = new ArrayList<>(); + + // 从事件重建聚合状态 + public static OrderAggregate fromEvents(List events) { + OrderAggregate aggregate = new OrderAggregate(); + + for (OrderEvent event : events) { + aggregate.applyEvent(event); + } + + return aggregate; + } + + private void applyEvent(OrderEvent event) { + switch (event.getEventType()) { + case ORDER_CREATED: + OrderCreatedEvent createdEvent = (OrderCreatedEvent) event.getEventData(); + this.orderId = createdEvent.getOrderId(); + this.status = OrderStatus.CREATED; + this.totalAmount = createdEvent.getTotalAmount(); + this.createdAt = createdEvent.getCreatedAt(); + break; + + case ORDER_PAID: + this.status = OrderStatus.PAID; + break; + + case ORDER_SHIPPED: + this.status = OrderStatus.SHIPPED; + break; + + case ORDER_CANCELLED: + this.status = OrderStatus.CANCELLED; + break; + } + } + + // 创建订单 + public void createOrder(CreateOrderCommand command) { + // 业务验证 + validateCreateOrder(command); + + // 生成事件 + OrderCreatedEvent event = OrderCreatedEvent.builder() + .orderId(command.getOrderId()) + .userId(command.getUserId()) + .totalAmount(command.getTotalAmount()) + .items(command.getItems()) + .createdAt(LocalDateTime.now()) + .build(); + + addEvent(new OrderEvent(EventType.ORDER_CREATED, event)); + applyEvent(events.get(events.size() - 1)); + } + + private void addEvent(OrderEvent event) { + event.setEventId(UUID.randomUUID().toString()); + event.setTimestamp(LocalDateTime.now()); + event.setVersion(events.size() + 1); + events.add(event); + } +} + +// 2. CQRS模式实现 +// 命令端（写模型） +@Service +public class OrderCommandService { + + @Autowired + private OrderEventStore eventStore; + + public void createOrder(CreateOrderCommand command) { + // 加载聚合 + OrderAggregate aggregate = eventStore.loadAggregate(command.getOrderId()); + + // 执行业务逻辑 + aggregate.createOrder(command); + + // 保存事件 + eventStore.saveEvents(command.getOrderId(), aggregate.getUncommittedEvents()); + + // 发布事件 + publishEvents(aggregate.getUncommittedEvents()); + } + + private void publishEvents(List events) { + for (OrderEvent event : events) { + eventPublisher.publishEvent(event); + } + } +} + +// 查询端（读模型） +@Service +public class OrderQueryService { + + @Autowired + private OrderReadModelRepository readModelRepository; + + // 处理订单创建事件，更新读模型 + @EventListener + public void handleOrderCreated(OrderCreatedEvent event) { + OrderReadModel readModel = OrderReadModel.builder() + .orderId(event.getOrderId()) + .userId(event.getUserId()) + .status("CREATED") + .totalAmount(event.getTotalAmount()) + .createdAt(event.getCreatedAt()) + .build(); + + readModelRepository.save(readModel); + } + + @EventListener + public void handleOrderPaid(OrderPaidEvent event) { + OrderReadModel readModel = readModelRepository.findById(event.getOrderId()) + .orElseThrow(() -> new OrderNotFoundException(event.getOrderId())); + + readModel.setStatus("PAID"); + readModel.setPaidAt(event.getPaidAt()); + + readModelRepository.save(readModel); + } + + // 查询方法 + public Page findOrdersByUser(String userId, Pageable pageable) { + return readModelRepository.findByUserId(userId, pageable); + } + + public Optional findOrderById(String orderId) { + return readModelRepository.findById(orderId); + } +} + +// 3. 数据同步策略 +@Component +public class DataSynchronizer { + + @Autowired + private RedisTemplate redisTemplate; + + // 缓存一致性：写后删除模式 + @EventListener + @Async + public void handleDataUpdated(DataUpdatedEvent event) { + // 删除相关缓存 + Set keys = redisTemplate.keys("user:" + event.getUserId() + ":*"); + if (!keys.isEmpty()) { + redisTemplate.delete(keys); + } + + // 预热重要缓存 + if (event.isImportantData()) { + preloadCache(event.getUserId()); + } + } + + // 双写一致性：先更新数据库，再更新缓存 + @Transactional + public void updateUserData(String userId, UserData userData) { + // 1. 更新数据库 + userRepository.updateUser(userId, userData); + + // 2. 更新缓存（可能失败） + try { + redisTemplate.opsForValue().set("user:" + userId, userData, Duration.ofHours(1)); + } catch (Exception e) { + log.warn("更新缓存失败，用户ID: {}", userId, e); + // 异步重试更新缓存 + asyncUpdateCache(userId, userData); + } + } + + @Async + @Retryable(value = Exception.class, maxAttempts = 3, backoff = @Backoff(delay = 1000)) + public void asyncUpdateCache(String userId, UserData userData) { + redisTemplate.opsForValue().set("user:" + userId, userData, Duration.ofHours(1)); + } +} +``` + +--- + +## 🎯 面试重点总结 + +### 高频考点速览 + +- **架构理念**：微服务vs单体对比、拆分原则、边界设计的系统性思考 +- **Spring Cloud**：核心组件功能、Eureka注册发现、Config配置管理、Gateway路由机制 +- **服务治理**：熔断降级、链路追踪、负载均衡的设计与实现原理 +- **服务通信**：同步异步调用选择、API网关设计、消息驱动架构 +- **数据管理**：分布式事务处理、数据一致性保证、CQRS模式应用 +- **实践经验**：架构演进路径、性能优化手段、故障排查方法 + +### 面试答题策略 + +1. **架构设计题**：先分析业务场景，再阐述技术方案，最后说明权衡考虑 +2. **技术原理题**：从问题背景出发，讲解实现原理，对比不同方案优劣 +3. **实践经验题**：结合具体项目场景，展示问题解决思路和优化效果 +4. **故障处理题**：系统性分析故障现象、定位过程、解决方案、预防措施 + +--- + +## 📚 扩展学习 + +- **官方文档**：Spring Cloud、Netflix OSS等框架的官方文档深入学习 +- **架构实践**：研读大厂微服务架构实践案例，了解真实场景的技术选型 +- **源码分析**：深入Spring Cloud核心组件源码，理解实现原理和设计思想 +- **性能优化**：学习微服务性能监控、调优方法和工具使用 +- **运维实践**：掌握微服务部署、监控、故障排查的DevOps实践 diff --git a/docs/interview/MyBatis-FAQ.md b/docs/interview/MyBatis-FAQ.md index 3a11833000..108cc6807d 100644 --- a/docs/interview/MyBatis-FAQ.md +++ b/docs/interview/MyBatis-FAQ.md @@ -1,8 +1,48 @@ -MyBatis是一个支持**普通SQL查询**，**存储过程**和**高级映射**的优秀**持久层框架**。MyBatis消除了几乎所有的JDBC代码和参数的手工设置以及对结果集的检索封装。MyBatis可以使用简单的**XML或注解**用于配置和原始映射，将接口和Java的POJO（Plain Old Java Objects，普通的Java对象）映射成数据库中的记录。 +--- +title: MyBatis/ORM框架面试题大全 +date: 2024-12-15 +tags: + - MyBatis + - ORM + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +> MyBatis作为Java生态中**最流行的半自动ORM框架**，是面试中的**必考重点**。从SQL映射到动态SQL，从缓存机制到性能调优，每一个知识点都可能成为面试的关键。本文档将**MyBatis核心知识**整理成**标准面试话术**，并补充JPA、Hibernate等ORM框架对比，让你在面试中游刃有余！ +> +> +> MyBatis 面试，围绕着这么几个核心方向准备： +> +> - **MyBatis核心原理**（SqlSession、Mapper代理、执行流程、参数映射、结果映射） +> - **动态SQL与映射**（#{} vs ${}、动态SQL标签、resultMap、关联查询） +> - **缓存机制**（一级缓存、二级缓存、缓存失效、自定义缓存） +> - **插件与扩展**（拦截器机制、分页插件、性能监控、审计字段） +> - **事务与数据源**（Spring集成、多数据源、分布式事务、读写分离） +> - **性能优化**（N+1问题、批处理、连接池、SQL调优、执行计划） +> - **ORM框架对比**（MyBatis vs JPA/Hibernate、MyBatis-Plus特性分析） + +## 🗺️ 知识导航 + +### 🏷️ 核心知识分类 +1. **基础与架构**：MyBatis架构、执行流程、Mapper机制、类型与结果映射 +2. **SQL与动态SQL**：#{} vs ${}、动态SQL标签、批量操作、联表/关联查询 +3. **缓存机制**：一级缓存、二级缓存、缓存命中与失效场景、自定义缓存 +4. **插件与扩展**：拦截器四大点位、插件链、分页、审计、加解密 +5. **事务与多数据源**：Spring整合、事务传播、Seata/分布式事务、读写分离 +6. **性能与调优**：参数与日志、批处理、延迟加载、N+1、连接池、索引与执行计划 +7. **工程化与规范**：Mapper规范、SQL规范、错误码与异常处理、灰度与回滚 +8. **ORM生态对比**：MyBatis vs JPA/Hibernate、MyBatis-Plus特性与利弊 +--- -### JDBC 有几个步骤？ +## 🧠 一、MyBatis核心原理 + + **核心理念**：半自动ORM框架，提供SQL与Java对象之间的映射，保持SQL的灵活性和可控性。 + +### 🎯 JDBC 有几个步骤？ JDBC（Java DataBase Connectivity）是 Java 程序与关系型数据库交互的统一 API @@ -17,25 +57,29 @@ JDBC 大致可以分为六个步骤： -> 无论是执行查询操作，还是执行其他 DML 操作，1、2、3、4、6 这些步骤都会重复出现。为了简化重复逻辑，提高代码的可维护性，可以将上述重复逻辑封装到一个类似 DBUtils 的工具类中，在使用时只需要调用 DBUtils 工具类中的方法即可。当然，我们也可以使用“反射+配置”的方式，将步骤 5 中关系模型到对象模型的转换进行封装，但是这种封装要做到通用化且兼顾灵活性，就需要一定的编程功底。 -> -> 为了处理上述代码重复的问题以及后续的维护问题，我们在实践中会进行一系列评估，选择一款适合项目需求、符合人员能力的 ORM（Object Relational Mapping，对象-关系映射）框架来封装 1~6 步的重复性代码，实现对象模型、关系模型之间的转换。这正是**ORM 框架的核心功能：根据配置（配置文件或是注解）实现对象模型、关系模型两者之间无感知的映射**（如下图）。 -> -> ![](https://s0.lgstatic.com/i/image/M00/91/5F/CgqCHmAON9CAWnMJAACJd8-3Mcg506.png) -> -> 在生产环境中，数据库一般都是比较稀缺的，数据库连接也是整个服务中比较珍贵的资源之一。建立数据库连接涉及鉴权、握手等一系列网络操作，是一个比较耗时的操作，所以我们不能像上述 JDBC 基本操作流程那样直接释放掉数据库连接，否则持久层很容易成为整个系统的性能瓶颈。 -> -> Java 程序员一般会使用数据库连接池的方式进行优化，此时就需要引入第三方的连接池实现，当然，也可以自研一个连接池，但是要处理连接活跃数、控制连接的状态等一系列操作还是有一定难度的。另外，有一些查询返回的数据是需要本地缓存的，这样可以提高整个程序的查询性能，这就需要缓存的支持。 -> -> 如果没有 ORM 框架的存在，这就需要我们 Java 开发者熟悉相关连接池、缓存等组件的 API 并手动编写一些“黏合”代码来完成集成，而且这些代码重复度很高，这显然不是我们希望看到的结果。 -> -> 很多 ORM 框架都支持集成第三方缓存、第三方数据源等常用组件，并对外提供统一的配置接入方式，这样我们只需要使用简单的配置即可完成第三方组件的集成。当我们需要更换某个第三方组件的时候，只需要引入相关依赖并更新配置即可，这就大大提高了开发效率以及整个系统的可维护性。 +### 🎯 什么是 ORM? + +全称为 Object Relational Mapping。对象-映射-关系型数据库。对象关系映射(简称 ORM，或 O/RM，或 O/R mapping)，用于实现面向对象编程语言里不同类型系统的数据之间的转换。简单的说，ORM 是通过使用描述对象和数据库之间映射的元数据，将程序中的对象与关系数据库相互映射。 + +ORM 提供了实现持久化层的另一种模式，它采用映射元数据来描述对象关系的映射，使得 ORM 中间件能在任何一个应用的业务逻辑层和数据库层之间充当桥梁。 + +无论是执行查询操作，还是执行其他 DML 操作，JDBC 操作步骤都会重复出现。为了简化重复逻辑，提高代码的可维护性，可以将 JDBC 重复逻辑封装到一个类似 DBUtils 的工具类中，在使用时只需要调用 DBUtils 工具类中的方法即可。当然，我们也可以使用“反射+配置”的方式，将关系模型到对象模型的转换进行封装，但是这种封装要做到通用化且兼顾灵活性，就需要一定的编程功底。 + +**ORM 框架的核心功能：根据配置（配置文件或是注解）实现对象模型、关系模型两者之间无感知的映射**（如下图）。 +![What is ORM. Object-relational mapping (ORM) emerged… | by Kavya | Medium](https://miro.medium.com/v2/resize:fit:1200/0*MAXI8BnsQC4G5rcg.png) +在生产环境中，数据库一般都是比较稀缺的，数据库连接也是整个服务中比较珍贵的资源之一。建立数据库连接涉及鉴权、握手等一系列网络操作，是一个比较耗时的操作，所以我们不能像上述 JDBC 基本操作流程那样直接释放掉数据库连接，否则持久层很容易成为整个系统的性能瓶颈。 -### 什么是 Mybatis？ +Java 程序员一般会使用数据库连接池的方式进行优化，此时就需要引入第三方的连接池实现，当然，也可以自研一个连接池，但是要处理连接活跃数、控制连接的状态等一系列操作还是有一定难度的。另外，有一些查询返回的数据是需要本地缓存的，这样可以提高整个程序的查询性能，这就需要缓存的支持。 -如果在面试的时候被问到，只要你说出下面三种即可： +如果没有 ORM 框架的存在，这就需要我们 Java 开发者熟悉相关连接池、缓存等组件的 API 并手动编写一些“黏合”代码来完成集成，而且这些代码重复度很高，这显然不是我们希望看到的结果。 + +很多 ORM 框架都支持集成第三方缓存、第三方数据源等常用组件，并对外提供统一的配置接入方式，这样我们只需要使用简单的配置即可完成第三方组件的集成。当我们需要更换某个第三方组件的时候，只需要引入相关依赖并更新配置即可，这就大大提高了开发效率以及整个系统的可维护性。 + + + +### 🎯 什么是MyBatis？核心组件和架构是什么？ > MyBatis 是一款优秀的持久层框架，它支持自定义 SQL、存储过程以及高级映射。 > @@ -43,19 +87,150 @@ JDBC 大致可以分为六个步骤： > > MyBatis 可以通过简单的 XML 或注解来配置和映射原始类型、接口和 Java POJO（Plain Old Java Objects，普通老式 Java 对象）为数据库中的记录。 -MyBatis 封装重复性代码的方式是通过 Mapper 映射配置文件以及相关注解，将 ResultSet 结果映射为 Java 对象，在具体的映射规则中可以嵌套其他映射规则和必要的子查询，这样就可以轻松实现复杂映射的逻辑，当然，也能够实现一对一、一对多、多对多关系映射以及相应的双向关系映射。 +MyBatis是一个半自动的ORM持久化框架： + +**MyBatis定义**： + +- 支持自定义SQL、存储过程和高级映射 +- 避免了几乎所有的JDBC代码和手动设置参数 +- 使用简单的XML或注解用于配置和原始映射 +- 将接口和Java的POJO映射成数据库中的记录 + +**MyBatis核心组件**： + +**1. SqlSessionFactory**： +- MyBatis的核心对象，用于创建SqlSession +- 通过SqlSessionFactoryBuilder构建 +- 一个应用只需要一个SqlSessionFactory实例 +- 生命周期应该是应用级别的 + +**2. SqlSession**： +- 执行SQL命令的主要接口 +- 包含了面向数据库执行的所有方法 +- 线程不安全，不能被共享 +- 使用后需要关闭以释放资源 + +**3. Executor（执行器）**： +- MyBatis的核心执行器接口 +- SimpleExecutor：简单执行器，每次执行都创建Statement +- ReuseExecutor：复用执行器，复用PreparedStatement +- BatchExecutor：批量执行器，用于批量更新操作 + +**4. MappedStatement**： +- 映射语句的封装对象 +- 包含SQL配置信息、参数映射、结果映射等 +- 每个 + SELECT * FROM user + WHERE id = #{id} AND name = #{name} + + + + + + + + + + + + + + + +``` -### #{}和${}的区别 +```java +// 安全使用${}的Service层实现 +@Service +public class UserService { + + @Autowired + private UserMapper userMapper; + + // 表名白名单，防止SQL注入 + private static final Set ALLOWED_TABLES = Set.of( + "user", "user_backup", "user_2024", "user_archive + ); + + // 允许的排序字段白名单 + private static final Set ALLOWED_SORT_FIELDS = Set.of( + "id", "name", "email", "create_time", "update_time + ); + + public List findByTableName(String tableName) { + // 严格校验表名，防止SQL注入 + if (!ALLOWED_TABLES.contains(tableName)) { + throw new IllegalArgumentException("Invalid table name: " + tableName); + } + + return userMapper.findByTableName(tableName); + } + + public List findUsersWithSort(String sortField, String sortOrder) { + // 校验排序字段 + if (!ALLOWED_SORT_FIELDS.contains(sortField)) { + throw new IllegalArgumentException("Invalid sort field: " + sortField); + } + + // 校验排序方向 + if (!"ASC".equalsIgnoreCase(sortOrder) && !"DESC".equalsIgnoreCase(sortOrder)) { + throw new IllegalArgumentException("Invalid sort order: " + sortOrder); + } + + return userMapper.findUsersWithSort(sortField, sortOrder); + } + + // 动态列查询的安全实现 + public List> selectUserColumns(List columnNames) { + // 定义允许查询的列 + Set allowedColumns = Set.of( + "id", "name", "email", "phone", "create_time", "status + ); + + // 验证所有列名都在白名单中 + for (String column : columnNames) { + if (!allowedColumns.contains(column)) { + throw new IllegalArgumentException("Invalid column name: " + column); + } + } + + String columns = String.join(",", columnNames); + return userMapper.selectColumns(columns); + } +} +``` -- \#{}是占位符，预编译处理，可以防止SQL注入；${}是拼接符，字符串替换，没有预编译处理，不能防止SQL注入。 -- Mybatis在处理#{}时，#{}传入参数是以字符串传入，会将SQL中的#{}替换为?号，调用PreparedStatement的set方法来赋值；Mybatis在处理\${}时，是原值传入，就是把${}替换成变量的值，相当于JDBC中的Statement编译 -- \#{} 的变量替换是在DBMS 中，变量替换后，#{} 对应的变量自动加上单引号；\${} 的变量替换是在 DBMS 外，变量替换后，${} 对应的变量不会加上单引号 +### 🎯 MyBatis动态SQL有哪些标签？如何使用？ +MyBatis提供了强大的动态SQL功能，通过XML标签实现条件化的SQL构建： + **核心动态SQL标签**： -### 模糊查询like语句该怎么写 + **1. `` 条件判断标签**： + - 根据条件决定是否包含某段SQL + - test属性支持OGNL表达式 + - 常用于WHERE条件的动态构建 + + **2. `//` 多分支选择**： + - 类似于Java的switch-case语句 + - 只有一个分支会被执行 + - 相当于default分支 + + **3. `` 智能WHERE子句**： + - 自动添加WHERE关键字 + - 自动处理AND/OR逻辑，去除多余的AND/OR + - 如果没有条件则不添加WHERE + + **4. `` 智能SET子句**： + - 用于UPDATE语句的动态SET子句 + - 自动去除末尾的逗号 + - 至少需要一个字段才生效 + + **5. `` 通用修剪标签**： + - prefix/suffix：添加前缀/后缀 + - prefixOverrides/suffixOverrides：去除指定的前缀/后缀 + - 和都是的特殊形式 + + **6. `` 循环遍历标签**： + - 遍历集合生成SQL片段 + - 支持List、Array、Map等集合类型 + - 常用于IN查询、批量INSERT等场景 + + **7. `` 变量绑定标签**： + - 创建一个变量并绑定到上下文 + - 常用于模糊查询的LIKE语句 + - 可以进行字符串拼接和处理 + +**💻 代码示例**： + +```xml + + + + + + + + + + + UPDATE user + + + name = #{name}, + + + email = #{email}, + + + phone = #{phone}, + + + status = #{status}, + + + update_time = NOW() + + WHERE id = #{id} + + + + + + + + + + + + INSERT INTO user (name, email, phone, status) VALUES + + (#{user.name}, #{user.email}, #{user.phone}, #{user.status}) + + + + + + + UPDATE user SET + name = #{user.name}, + email = #{user.email} + WHERE id = #{user.id} + + + + + + + + + + + + id, name, email, phone, status, create_time, update_time + + + + + + AND status = #{status} + + + AND name LIKE CONCAT('%', #{name}, '%') + + + + + + + +``` + + + +### 🎯 模糊查询like语句该怎么写 1. '%${question}%' 可能引起SQL注入，不推荐 @@ -168,7 +739,7 @@ SQL优化和移植性 -### 当实体类中的属性名和表中的字段名不一样 ，怎么办 +### 🎯 当实体类中的属性名和表中的字段名不一样 ，怎么办 第1种：通过在查询的SQL语句中定义字段名的别名，让字段名的别名和实体类的属性名一致。 @@ -198,45 +769,42 @@ select * from orders where order_id=#{id} -### 什么是MyBatis的接口绑定？有哪些实现方式？ - -接口绑定，就是在MyBatis中任意定义接口，然后把接口里面的方法和SQL语句绑定，我们调用接口方法的时候，最终会执行绑定的SQL语句。 +### 🎯 使用MyBatis的mapper接口调用时有哪些要求？ -接口绑定有两种实现方式，当Sql语句比较简单时候，可以使用注解绑定，当SQL语句比较复杂时候，一般用xml绑定的比较多。 +- Mapper.xml文件中的namespace即是mapper接口的全限定类名。 +- Mapper接口方法名和mapper.xml中定义的sql语句id一一对应。 +- Mapper接口方法的输入参数类型和mapper.xml中定义的每个sql语句的parameterType的类型相同。 +- Mapper接口方法的输出参数类型和mapper.xml中定义的每个sql语句的resultType的类型相同。 -- 通过注解绑定，就是在接口的方法上面加上 @Select、@Update等注解，里面包含Sql语句来实现接口绑定； -- 通过在xml里面写SQL语句来实现绑定， 在这种情况下，要指定xml映射文件里面的namespace必须为接口的全路径名，同时接口的方法名和SQL语句的id一一对应。 +### 🎯 MyBatis是如何进行分页的？分页插件的原理是什么？ -### 使用MyBatis的mapper接口调用时有哪些要求？ +Mybatis使用RowBounds对象进行分页，它是针对ResultSet结果集执行的内存分页，而非物理分页，可以在sql内直接书写带有物理分页的参数来完成物理分页功能，也可以使用分页插件来完成物理分页。 -- Mapper.xml文件中的namespace即是mapper接口的全限定类名。 -- Mapper接口方法名和mapper.xml中定义的sql语句id一一对应。 -- Mapper接口方法的输入参数类型和mapper.xml中定义的每个sql语句的parameterType的类型相同。 -- Mapper接口方法的输出参数类型和mapper.xml中定义的每个sql语句的resultType的类型相同。 +分页插件的基本原理是使用Mybatis提供的插件接口，实现自定义插件，通过jdk动态代理在插件的拦截方法内拦截待执行的sql，然后重写sql，根据dialect方言，添加对应的物理分页语句和参数。 +举例：select * from student，拦截sql后重写为：select t.* from (select * from student) t limit 0, 10 -### MyBatis动态sql是做什么的？都有哪些动态sql？能简述一下动态sql的执行原理不？ -Mybatis动态sql可以让我们在xml映射文件内，以标签的形式编写动态sql，完成逻辑判断和动态拼接sql的功能，Mybatis提供了9种动态sql标签trim|where|set|foreach|if|choose|when|otherwise|bind。 +### 🎯 resultType resultMap 的区别? -其执行原理为，使用OGNL从sql参数对象中计算表达式的值，根据表达式的值动态拼接sql，以此来完成动态sql的功能。 +- 类的名字和数据库相同时，可以直接设置 resultType 参数为 Pojo 类 +- 若不同，需要设置 resultMap 将结果名字和 Pojo 名字进行转换 +--- -### MyBatis是如何进行分页的？分页插件的原理是什么？ -Mybatis使用RowBounds对象进行分页，它是针对ResultSet结果集执行的内存分页，而非物理分页，可以在sql内直接书写带有物理分页的参数来完成物理分页功能，也可以使用分页插件来完成物理分页。 -分页插件的基本原理是使用Mybatis提供的插件接口，实现自定义插件，通过jdk动态代理在插件的拦截方法内拦截待执行的sql，然后重写sql，根据dialect方言，添加对应的物理分页语句和参数。 +## 🧠 三、缓存机制 -举例：select * from student，拦截sql后重写为：select t.* from (select * from student) t limit 0, 10 + **核心理念**：MyBatis提供两级缓存机制来提升查询性能，通过合理的缓存策略减少数据库访问，提高应用响应速度。 +### 🎯 MyBatis的一级缓存和二级缓存是什么？有什么区别？ -### MyBatis的一级、二级缓存 > 在应用运行过程中，我们有可能在一次数据库会话中，执行多次查询条件完全相同的SQL，MyBatis提供了一级缓存的方案优化这部分场景，如果是相同的SQL语句，会优先命中一级缓存，避免直接对数据库进行查询，提高性能。 > @@ -250,43 +818,2830 @@ Mybatis使用RowBounds对象进行分页，它是针对ResultSet结果集执行 > > 二级缓存开启后，同一个namespace下的所有操作语句，都影响着同一个Cache，即二级缓存被多个SqlSession共享，是一个全局的变量。 > -> ![img](https://tva1.sinaimg.cn/large/e6c9d24ely1h322koh4wxj20qu0dx750.jpg) -> > 当开启缓存后，数据的查询执行的流程就是 二级缓存 -> 一级缓存 -> 数据库 1. 一级缓存: 基于 PerpetualCache 的 HashMap 本地缓存，其存储作用域为 Session，当 Session flush 或 close 之后，该 Session 中的所有 Cache 就将清空，MyBatis默认打开一级缓存。 2. 二级缓存与一级缓存机制相同，默认也是采用 PerpetualCache，HashMap 存储，不同之处在于其存储作用域为 Mapper(Namespace)，并且可自定义存储源，如 Ehcache。默认不打开二级缓存，要开启二级缓存，使用二级缓存属性类需要实现Serializable序列化接口(可用来保存对象的状态)，可在它的映射文件中配置`` - 标签； + 标签； 3. 对于缓存数据更新机制，当某一个作用域(一级缓存 Session/二级缓存Namespaces)进行了C/U/D 操作后，默认该作用域下所有缓存将被清理掉。 + **主要区别对比**： + - **作用域**：一级缓存是SqlSession级别，二级缓存是Mapper级别 + - **生命周期**：一级缓存随SqlSession销毁，二级缓存可以持续存在 + - **共享性**：一级缓存不能共享，二级缓存可以跨SqlSession共享 + - **配置**：一级缓存默认开启，二级缓存需要手动配置 + - **序列化**：一级缓存不需要序列化，二级缓存需要对象可序列化 + +**💻 代码示例**： + +```java +// 一级缓存示例 +@Test +public void testFirstLevelCache() { + SqlSession session = sqlSessionFactory.openSession(); + try { + UserMapper mapper = session.getMapper(UserMapper.class); + + // 第一次查询，从数据库获取 + User user1 = mapper.selectById(1L); + System.out.println("第一次查询: " + user1); + + // 第二次查询，从一级缓存获取（相同SqlSession） + User user2 = mapper.selectById(1L); + System.out.println("第二次查询: " + user2); + + // 验证是同一个对象 + System.out.println("是否为同一对象: " + (user1 == user2)); // true + + // 执行更新操作，清空一级缓存 + mapper.updateUser(new User(2L, "Updated Name")); + + // 再次查询，重新从数据库获取 + User user3 = mapper.selectById(1L); + System.out.println("更新后查询: " + user3); + System.out.println("是否为同一对象: " + (user1 == user3)); // false + + } finally { + session.close(); + } +} + +// 验证不同SqlSession的一级缓存隔离 +@Test +public void testFirstLevelCacheIsolation() { + // 第一个SqlSession + SqlSession session1 = sqlSessionFactory.openSession(); + UserMapper mapper1 = session1.getMapper(UserMapper.class); + User user1 = mapper1.selectById(1L); + + // 第二个SqlSession + SqlSession session2 = sqlSessionFactory.openSession(); + UserMapper mapper2 = session2.getMapper(UserMapper.class); + User user2 = mapper2.selectById(1L); // 重新从数据库查询 + + System.out.println("不同Session是否为同一对象: " + (user1 == user2)); // false + + session1.close(); + session2.close(); +} +``` +```xml + + + + + + + + + + + + + + + + + + + + UPDATE user SET name = #{name} WHERE id = #{id} + + + + + UPDATE user SET last_access_time = NOW() WHERE id = #{id} + + +``` -### 通常一个 Xml 映射文件，都会写一个 Dao 接口与之对应, Dao 的工作原理，是否可以重 载? +```java +// 二级缓存示例 +@Test +public void testSecondLevelCache() { + // 第一个SqlSession查询数据 + SqlSession session1 = sqlSessionFactory.openSession(); + try { + UserMapper mapper1 = session1.getMapper(UserMapper.class); + User user1 = mapper1.selectById(1L); + System.out.println("Session1查询: " + user1); + } finally { + session1.close(); // 关闭session，数据进入二级缓存 + } + + // 第二个SqlSession查询相同数据 + SqlSession session2 = sqlSessionFactory.openSession(); + try { + UserMapper mapper2 = session2.getMapper(UserMapper.class); + User user2 = mapper2.selectById(1L); // 从二级缓存获取 + System.out.println("Session2查询: " + user2); + } finally { + session2.close(); + } +} +``` -不能重载，因为通过 Dao 寻找 Xml 对应的 sql 的时候全限名+方法名的保存和寻找策略。接口工作原理为 jdk 动态代理原理，运行时会为 dao 生成 proxy，代理对象会拦截接口 方法，去执行对应的 sql 返回数据。 +### 🎯 什么情况下MyBatis缓存会失效？如何控制缓存行为？ + +MyBatis缓存失效涉及多种场景，了解这些场景有助于合理使用缓存： + + **一级缓存失效场景**： + + **1. SqlSession关闭或提交**： + - SqlSession.close()时清空缓存 + - SqlSession.commit()或rollback()时清空缓存 + - 这是最常见的缓存失效场景 + + **2. 执行DML操作**： + - 任何INSERT、UPDATE、DELETE操作都会清空一级缓存 + - 包括其他Mapper的DML操作（同一SqlSession内） + - 防止脏读问题 + + **3. 手动清理缓存**： + - 调用SqlSession.clearCache()方法 + - 主动清空当前SqlSession的缓存 + + **4. 不同的查询条件**： + - SQL语句不同 + - 参数值不同 + - 分页参数不同 + - RowBounds不同 + + **5. localCacheScope设置**： + - 设置为STATEMENT时，每次语句执行后都清空缓存 + - 默认为SESSION，缓存在整个Session期间有效 + + **二级缓存失效场景**： + + **1. 命名空间内的DML操作**： + - 当前namespace的任何INSERT、UPDATE、DELETE操作 + - 会清空该namespace的所有二级缓存 + - 保证数据一致性 + + **2. 配置属性控制**： + - flushCache="true"：强制清空缓存 + - useCache="false"：不使用缓存 + - 可以针对特定语句进行精确控制 + + **3. 缓存策略触发**： + - 达到缓存大小限制，触发淘汰策略 + - 达到刷新间隔时间，自动清空缓存 + - LRU、FIFO等淘汰算法的执行 + + **4. 序列化问题**： + - 缓存对象未实现Serializable接口 + - 序列化/反序列化过程出错 + + **缓存控制最佳实践**： + - 合理设置缓存策略和大小 + - 读多写少的场景适合使用二级缓存 + - 实时性要求高的数据不建议缓存 + - 定期监控缓存命中率和内存使用情况 + +**💻 代码示例**： + +```java +// 缓存失效演示 +@Test +public void testCacheInvalidation() { + SqlSession session = sqlSessionFactory.openSession(); + try { + UserMapper mapper = session.getMapper(UserMapper.class); + + // 第一次查询，建立缓存 + User user1 = mapper.selectById(1L); + System.out.println("第一次查询: " + user1); + + // 第二次查询，使用缓存 + User user2 = mapper.selectById(1L); + System.out.println("第二次查询（缓存）: " + user2); + System.out.println("缓存命中: " + (user1 == user2)); // true + + // 执行更新操作，导致缓存失效 + User updateUser = new User(2L, "New Name"); + mapper.updateUser(updateUser); + + // 再次查询，缓存已失效，重新查询数据库 + User user3 = mapper.selectById(1L); + System.out.println("更新后查询: " + user3); + System.out.println("缓存失效: " + (user1 == user3)); // false + + // 手动清空缓存 + session.clearCache(); + User user4 = mapper.selectById(1L); + System.out.println("手动清空后查询: " + user4); + + } finally { + session.close(); + } +} +``` -### Mybatis 中如何执行批处理? +```xml + + + + + + flushInterval="600000" + size="512" + readOnly="false" + blocking="true"/> + + + + + + + + + + UPDATE user SET name = #{name}, update_time = NOW() WHERE id = #{id} + + + + + UPDATE user SET view_count = view_count + 1 WHERE id = #{id} + + + + + +``` -使用 BatchExecutor 完成批处理。 +### 🎯 如何自定义MyBatis缓存？如何集成Redis等外部缓存？ +MyBatis支持自定义缓存实现，可以集成Redis、Ehcache等第三方缓存系统： + **自定义缓存实现步骤**： -### Mybatis 都有哪些 Executor 执行器?它们之间的区别是什么? + **1. 实现Cache接口**： + - org.apache.ibatis.cache.Cache接口定义了缓存的基本操作 + - 包括put、get、remove、clear等方法 + - 需要提供唯一的缓存ID标识 + + **2. 处理并发安全**： + - 缓存实现必须是线程安全的 + - 可以使用synchronized或并发集合 + - 考虑读写锁优化性能 + + **3. 配置缓存策略**： + - 淘汰策略（LRU、FIFO等） + - 过期时间控制 + - 内存大小限制 + + **Redis缓存集成方案**： + + **使用现有组件**： + - mybatis-redis：官方提供的Redis缓存实现 + - redisson-mybatis：基于Redisson的缓存实现 + - 配置简单，功能完善 + + **自定义Redis缓存**： + - 更灵活的配置选项 + - 可以定制序列化方式 + - 支持分布式缓存场景 + + **缓存使用注意事项**： + - 数据一致性：缓存与数据库的同步策略 + - 缓存穿透：大量请求不存在的数据 + - 缓存雪崩：缓存同时失效导致数据库压力激增 + - 缓存击穿：热点数据失效导致并发查询数据库 + +--- + +## 🧱 四、插件与扩展 + + **核心理念**：MyBatis通过拦截器机制提供强大的扩展能力，支持在SQL执行的不同阶段进行干预和增强，实现分页、审计、加解密等高级功能。 + +### 🎯 MyBatis插件的原理是什么？可以拦截哪些对象和方法？ + +MyBatis插件基于JDK动态代理和责任链模式实现，提供了强大的扩展机制： + + **插件实现原理**： + + **1. 拦截器接口**： + - 所有插件必须实现org.apache.ibatis.plugin.Interceptor接口 + - 通过@Intercepts和@Signature注解声明拦截的对象和方法 + - intercept()方法包含具体的拦截逻辑 + + **2. 动态代理机制**： + - MyBatis在初始化时通过Plugin.wrap()方法为目标对象创建代理 + - 使用JDK动态代理技术，生成代理对象 + - 代理对象在方法调用时会执行拦截器逻辑 + + **3. 责任链模式**： + - 多个插件按照注册顺序形成拦截器链 + - 每个拦截器都可以选择是否继续执行下一个拦截器 + - 通过Invocation.proceed()方法传递调用链 + + **可拦截的四大核心对象**： + + **1. Executor（执行器）**： + - **作用**：负责SQL的执行，是MyBatis的核心组件 + - **可拦截方法**： + - update(MappedStatement, Object)：拦截INSERT、UPDATE、DELETE操作 + - query(MappedStatement, Object, RowBounds, ResultHandler)：拦截SELECT操作 + - flushStatements()：拦截批处理语句的执行 + - commit(boolean)、rollback(boolean)：拦截事务提交和回滚 + - **应用场景**：分页插件、SQL性能监控、分表路由 + + **2. StatementHandler（语句处理器）**： + - **作用**：负责处理JDBC Statement，设置参数、执行SQL + - **可拦截方法**： + - prepare(Connection, Integer)：拦截SQL预编译 + - parameterize(Statement)：拦截参数设置 + - batch(Statement)：拦截批处理添加 + - update(Statement)、query(Statement, ResultHandler)：拦截SQL执行 + - **应用场景**：SQL重写、慢SQL监控、SQL安全检查 + + **3. ParameterHandler（参数处理器）**： + - **作用**：负责将Java对象转换为SQL参数 + - **可拦截方法**： + - getParameterObject()：获取参数对象 + - setParameters(PreparedStatement)：设置SQL参数 + - **应用场景**：参数加解密、参数值转换、敏感信息脱敏 + + **4. ResultSetHandler（结果处理器）**： + - **作用**：负责将ResultSet转换为Java对象 + - **可拦截方法**： + - handleResultSets(Statement)：处理结果集 + - handleCursorResultSets(Statement)：处理游标结果集 + - handleOutputParameters(CallableStatement)：处理存储过程输出参数 + - **应用场景**：结果集过滤、数据脱敏、字段值转换 + +**💻 代码示例**： + +```java +// 自定义分页插件 +@Intercepts({ + @Signature(type = Executor.class, method = "query", + args = {MappedStatement.class, Object.class, RowBounds.class, ResultHandler.class}), + @Signature(type = Executor.class, method = "query", + args = {MappedStatement.class, Object.class, RowBounds.class, ResultHandler.class, CacheKey.class, BoundSql.class}) +}) +public class PaginationPlugin implements Interceptor { + + private static final String COUNT_SUFFIX = "_COUNT"; + private static final String PAGE_PARAM = "page"; + + @Override + public Object intercept(Invocation invocation) throws Throwable { + Object[] args = invocation.getArgs(); + MappedStatement ms = (MappedStatement) args[0]; + Object parameter = args[1]; + RowBounds rowBounds = (RowBounds) args[2]; + ResultHandler resultHandler = (ResultHandler) args[3]; + Executor executor = (Executor) invocation.getTarget(); + + // 检查是否需要分页 + if (rowBounds == null || rowBounds == RowBounds.DEFAULT) { + // 检查参数中是否包含分页信息 + PageParam pageParam = extractPageParam(parameter); + if (pageParam == null) { + return invocation.proceed(); + } + rowBounds = new RowBounds(pageParam.getOffset(), pageParam.getPageSize()); + } + + // 无需分页 + if (rowBounds == RowBounds.DEFAULT) { + return invocation.proceed(); + } + + BoundSql boundSql; + if (args.length == 4) { + boundSql = ms.getBoundSql(parameter); + } else { + boundSql = (BoundSql) args[5]; + } + + // 执行count查询 + long total = executeCountQuery(executor, ms, parameter, boundSql); + + // 执行分页查询 + String originalSql = boundSql.getSql(); + String pagingSql = buildPageSql(originalSql, rowBounds); + + // 创建新的BoundSql + BoundSql newBoundSql = new BoundSql(ms.getConfiguration(), pagingSql, + boundSql.getParameterMappings(), parameter); + + // 复制动态参数 + copyAdditionalParameters(boundSql, newBoundSql); + + // 创建新的MappedStatement + MappedStatement newMs = copyMappedStatement(ms, new BoundSqlSource(newBoundSql)); + args[0] = newMs; + + // 执行分页查询 + List result = (List) invocation.proceed(); + + // 包装分页结果 + return new PageResult<>(result, total, rowBounds.getOffset() / rowBounds.getLimit() + 1, + rowBounds.getLimit()); + } + + private PageParam extractPageParam(Object parameter) { + if (parameter instanceof Map) { + Map paramMap = (Map) parameter; + Object pageObj = paramMap.get(PAGE_PARAM); + if (pageObj instanceof PageParam) { + return (PageParam) pageObj; + } + } else if (parameter instanceof PageParam) { + return (PageParam) parameter; + } + return null; + } + + private long executeCountQuery(Executor executor, MappedStatement ms, + Object parameter, BoundSql boundSql) throws SQLException { + String countSql = buildCountSql(boundSql.getSql()); + BoundSql countBoundSql = new BoundSql(ms.getConfiguration(), countSql, + boundSql.getParameterMappings(), parameter); + + MappedStatement countMs = buildCountMappedStatement(ms, countBoundSql); + + List countResult = executor.query(countMs, parameter, RowBounds.DEFAULT, null); + return Long.parseLong(countResult.get(0).toString()); + } + + private String buildCountSql(String originalSql) { + return "SELECT COUNT(*) FROM (" + originalSql + ") tmp_count"; + } + + private String buildPageSql(String originalSql, RowBounds rowBounds) { + return originalSql + " LIMIT " + rowBounds.getOffset() + ", " + rowBounds.getLimit(); + } + + @Override + public Object plugin(Object target) { + if (target instanceof Executor) { + return Plugin.wrap(target, this); + } + return target; + } + + @Override + public void setProperties(Properties properties) { + // 插件配置属性 + } +} + +// SQL监控插件 +@Intercepts({ + @Signature(type = StatementHandler.class, method = "query", args = {Statement.class, ResultHandler.class}), + @Signature(type = StatementHandler.class, method = "update", args = {Statement.class}), + @Signature(type = StatementHandler.class, method = "batch", args = {Statement.class}) +}) +public class SqlMonitorPlugin implements Interceptor { + + private static final Logger logger = LoggerFactory.getLogger(SqlMonitorPlugin.class); + private int slowSqlThreshold = 1000; // 慢SQL阈值，毫秒 + + @Override + public Object intercept(Invocation invocation) throws Throwable { + StatementHandler statementHandler = (StatementHandler) invocation.getTarget(); + BoundSql boundSql = statementHandler.getBoundSql(); + String sql = boundSql.getSql(); + + long startTime = System.currentTimeMillis(); + String sqlId = getSqlId(statementHandler); + + try { + Object result = invocation.proceed(); + + long endTime = System.currentTimeMillis(); + long executeTime = endTime - startTime; + + // 记录SQL执行信息 + logSqlExecution(sqlId, sql, executeTime, true, null); + + // 慢SQL告警 + if (executeTime > slowSqlThreshold) { + logger.warn("慢SQL检测: [{}] 执行时间: {}ms, SQL: {}", sqlId, executeTime, sql); + } + + return result; + + } catch (Exception e) { + long endTime = System.currentTimeMillis(); + long executeTime = endTime - startTime; + + logSqlExecution(sqlId, sql, executeTime, false, e.getMessage()); + throw e; + } + } + + private String getSqlId(StatementHandler statementHandler) { + try { + MetaObject metaObject = SystemMetaObject.forObject(statementHandler); + MappedStatement mappedStatement = + (MappedStatement) metaObject.getValue("delegate.mappedStatement"); + return mappedStatement.getId(); + } catch (Exception e) { + return "Unknown"; + } + } + + private void logSqlExecution(String sqlId, String sql, long executeTime, + boolean success, String errorMsg) { + // 可以发送到监控系统或数据库 + logger.info("SQL执行记录: [{}] 耗时: {}ms 状态: {} SQL: {}", + sqlId, executeTime, success ? "成功" : "失败", sql); + + if (!success && errorMsg != null) { + logger.error("SQL执行异常: [{}] 错误: {}", sqlId, errorMsg); + } + + // 发送到监控系统 + sendToMonitorSystem(sqlId, executeTime, success); + } + + private void sendToMonitorSystem(String sqlId, long executeTime, boolean success) { + // 实现发送到监控系统的逻辑 + // 例如：发送到Prometheus、Grafana等监控系统 + } + + @Override + public Object plugin(Object target) { + return Plugin.wrap(target, this); + } + + @Override + public void setProperties(Properties properties) { + String threshold = properties.getProperty("slowSqlThreshold"); + if (threshold != null) { + this.slowSqlThreshold = Integer.parseInt(threshold); + } + } +} + +// 数据脱敏插件 +@Intercepts({ + @Signature(type = ResultSetHandler.class, method = "handleResultSets", args = {Statement.class}) +}) +public class DataMaskingPlugin implements Interceptor { + + private static final Map MASKING_STRATEGIES = new HashMap<>(); + + static { + MASKING_STRATEGIES.put("phone", new PhoneMaskingStrategy()); + MASKING_STRATEGIES.put("email", new EmailMaskingStrategy()); + MASKING_STRATEGIES.put("idCard", new IdCardMaskingStrategy()); + MASKING_STRATEGIES.put("bankCard", new BankCardMaskingStrategy()); + } + + @Override + public Object intercept(Invocation invocation) throws Throwable { + List result = (List) invocation.proceed(); + + if (result == null || result.isEmpty()) { + return result; + } + + // 对结果进行脱敏处理 + for (Object obj : result) { + maskSensitiveData(obj); + } + + return result; + } + + private void maskSensitiveData(Object obj) { + if (obj == null) { + return; + } + + Class clazz = obj.getClass(); + Field[] fields = clazz.getDeclaredFields(); + + for (Field field : fields) { + Sensitive sensitive = field.getAnnotation(Sensitive.class); + if (sensitive != null) { + try { + field.setAccessible(true); + Object value = field.get(obj); + + if (value instanceof String) { + String originalValue = (String) value; + String maskedValue = maskValue(originalValue, sensitive.type()); + field.set(obj, maskedValue); + } + } catch (Exception e) { + logger.warn("数据脱敏失败: {}", e.getMessage()); + } + } + } + } + + private String maskValue(String value, String type) { + MaskingStrategy strategy = MASKING_STRATEGIES.get(type); + if (strategy != null) { + return strategy.mask(value); + } + return value; + } + + @Override + public Object plugin(Object target) { + return Plugin.wrap(target, this); + } + + @Override + public void setProperties(Properties properties) { + // 插件配置 + } +} + +// 脱敏注解 +@Target(ElementType.FIELD) +@Retention(RetentionPolicy.RUNTIME) +public @interface Sensitive { + String type(); +} + +// 脱敏策略接口 +interface MaskingStrategy { + String mask(String original); +} + +// 手机号脱敏策略 +class PhoneMaskingStrategy implements MaskingStrategy { + @Override + public String mask(String phone) { + if (phone == null || phone.length() < 11) { + return phone; + } + return phone.substring(0, 3) + "****" + phone.substring(7); + } +} + +// 邮箱脱敏策略 +class EmailMaskingStrategy implements MaskingStrategy { + @Override + public String mask(String email) { + if (email == null || !email.contains("@")) { + return email; + } + int atIndex = email.indexOf("@"); + String username = email.substring(0, atIndex); + String domain = email.substring(atIndex); + + if (username.length() <= 3) { + return username + domain; + } + + return username.substring(0, 3) + "***" + domain; + } +} + +// 身份证脱敏策略 +class IdCardMaskingStrategy implements MaskingStrategy { + @Override + public String mask(String idCard) { + if (idCard == null || idCard.length() < 18) { + return idCard; + } + return idCard.substring(0, 6) + "********" + idCard.substring(14); + } +} + +// 银行卡脱敏策略 +class BankCardMaskingStrategy implements MaskingStrategy { + @Override + public String mask(String bankCard) { + if (bankCard == null || bankCard.length() < 16) { + return bankCard; + } + return bankCard.substring(0, 4) + " **** **** " + bankCard.substring(bankCard.length() - 4); + } +} + +// 使用示例 +public class User { + private Long id; + private String name; + + @Sensitive(type = "phone") + private String phone; + + @Sensitive(type = "email") + private String email; + + @Sensitive(type = "idCard") + private String idCard; + + // getters and setters +} +``` -Mybatis 有三种基本的 Executor 执行器，SimpleExecutor、ReuseExecutor、 BatchExecutor。 +```xml + + + + + + + + + + + + + + + +``` -1. SimpleExecutor:每执行一次 update 或 select，就开启一个 Statement 对 象，用完立刻关闭 Statement 对象。 -2. ReuseExecutor:执行 update 或 select，以 sql 作为 key 查找 Statement 对象，存在就使用，不存在就创建，用完后，不关闭 Statement 对象， 而是放置于 Map -3. BatchExecutor:完成批处理。 +--- + +## 🔁 五、事务与多数据源 + + **核心理念**：在企业级应用中，事务管理和多数据源是必不可少的功能。Spring与MyBatis的深度整合为事务控制和数据源管理提供了强大的支持。 + +### 🎯 Spring + MyBatis 事务是如何生效的？有哪些常见的坑？ + +Spring与MyBatis的事务整合基于Spring的声明式事务管理： + + **事务生效的基本条件**： + + **1. 代理机制生效**： + - 方法必须是public的（Spring AOP基于代理实现） + - 调用必须通过Spring代理对象进行 + - 需要正确配置@EnableTransactionManagement + - 确保有合适的PlatformTransactionManager实现 + + **2. 事务传播行为**： + - REQUIRED：如果当前有事务则加入，没有则创建新事务（默认） + - REQUIRES_NEW：总是创建新事务，挂起当前事务 + - NESTED：嵌套事务，基于SavePoint实现 + - SUPPORTS：如果有事务则加入，没有则以非事务方式执行 + + **3. MyBatis集成原理**： + - SqlSessionFactoryBean与Spring事务管理器集成 + - SqlSessionTemplate自动参与Spring事务 + - 同一事务内多次数据库操作使用同一个SqlSession + + **常见的坑与解决方案**： + + **1. 自调用失效**： + - 问题：同一类内部方法调用@Transactional不生效 + - 原因：绕过了Spring代理 + - 解决：使用AopContext.currentProxy()或拆分到不同类 + + **2. 异常类型问题**： + - 问题：检查异常不会自动回滚 + - 原因：@Transactional默认只对RuntimeException回滚 + - 解决：使用rollbackFor指定异常类型 + + **3. 批处理异常被吃掉**： + - 问题：批处理中单条失败不影响其他记录 + - 原因：批处理底层可能吞掉部分异常 + - 解决：检查批处理返回结果，手动处理异常 + + **4. 只读事务误用**： + - 问题：在只读事务中执行修改操作 + - 解决：合理使用readOnly属性，优化性能 + +**💻 代码示例**： + +```java +// 1. Spring事务配置 +@Configuration +@EnableTransactionManagement +public class TransactionConfig { + + @Bean + public PlatformTransactionManager transactionManager(DataSource dataSource) { + return new DataSourceTransactionManager(dataSource); + } + + @Bean + public SqlSessionFactory sqlSessionFactory(DataSource dataSource) throws Exception { + SqlSessionFactoryBean factoryBean = new SqlSessionFactoryBean(); + factoryBean.setDataSource(dataSource); + return factoryBean.getObject(); + } + + @Bean + public SqlSessionTemplate sqlSessionTemplate(SqlSessionFactory sqlSessionFactory) { + return new SqlSessionTemplate(sqlSessionFactory); + } +} + +// 2. 正确使用事务的Service +@Service +public class UserService { + + @Autowired + private UserMapper userMapper; + + @Autowired + private OrderMapper orderMapper; + + // 正确的事务使用 + @Transactional(rollbackFor = Exception.class) + public void createUserWithOrder(User user, Order order) { + // 1. 插入用户 + userMapper.insert(user); + + // 2. 插入订单 + order.setUserId(user.getId()); + orderMapper.insert(order); + + // 3. 业务校验，任何异常都会回滚 + if (order.getAmount() < 0) { + throw new BusinessException("订单金额不能为负数"); + } + } + + // 事务传播行为示例 + @Transactional + public void outerMethod() { + userMapper.insert(new User("outer")); + + try { + innerMethod(); // 调用内部事务方法 + } catch (Exception e) { + log.error("内部方法异常", e); + // 外部事务仍会回滚，因为内部异常会传播到外部 + } + } + + @Transactional(propagation = Propagation.REQUIRES_NEW) + public void innerMethod() { + userMapper.insert(new User("inner")); + throw new RuntimeException("内部异常"); + // REQUIRES_NEW创建独立事务，不影响外部事务 + } + + // 解决自调用问题 + @Transactional + public void methodA() { + userMapper.insert(new User("A")); + + // 错误方式：直接调用，事务不生效 + // this.methodB(); + + // 正确方式：通过代理调用 + ((UserService) AopContext.currentProxy()).methodB(); + } + + @Transactional(propagation = Propagation.REQUIRES_NEW) + public void methodB() { + userMapper.insert(new User("B")); + } + + // 批处理事务处理 + @Transactional(rollbackFor = Exception.class) + public void batchInsertUsers(List users) { + int batchSize = 1000; + for (int i = 0; i < users.size(); i += batchSize) { + int endIndex = Math.min(i + batchSize, users.size()); + List batch = users.subList(i, endIndex); + + int[] results = userMapper.batchInsert(batch); + + // 检查批处理结果 + for (int j = 0; j < results.length; j++) { + if (results[j] == 0) { + throw new BusinessException( + String.format("批处理第%d条记录插入失败", i + j + 1)); + } + } + } + } + + // 只读事务优化查询 + @Transactional(readOnly = true) + public List queryActiveUsers() { + return userMapper.selectActiveUsers(); + } +} + +// 3. 手动事务控制 +@Service +public class ManualTransactionService { + + @Autowired + private PlatformTransactionManager transactionManager; + + @Autowired + private UserMapper userMapper; + + public void processWithManualTransaction() { + TransactionDefinition def = new DefaultTransactionDefinition(); + TransactionStatus status = transactionManager.getTransaction(def); + + try { + userMapper.insert(new User("manual")); + + // 一些复杂的业务逻辑 + if (someCondition()) { + transactionManager.commit(status); + } else { + transactionManager.rollback(status); + } + } catch (Exception e) { + transactionManager.rollback(status); + throw e; + } + } + + // 编程式事务模板 + @Autowired + private TransactionTemplate transactionTemplate; + + public void processWithTransactionTemplate() { + transactionTemplate.execute(status -> { + userMapper.insert(new User("template")); + + if (someCondition()) { + status.setRollbackOnly(); + } + + return null; + }); + } +} +``` +### 🎯 多数据源和读写分离如何实现？ + +多数据源实现主要基于Spring的AbstractRoutingDataSource： + + **实现方案**： + + **1. AbstractRoutingDataSource路由**： + - 继承AbstractRoutingDataSource实现数据源路由 + - 通过determineCurrentLookupKey()方法决定使用哪个数据源 + - 结合ThreadLocal存储当前数据源标识 + + **2. 注解 + AOP切面**： + - 自定义@DataSource注解标记数据源 + - AOP切面拦截方法调用，设置数据源上下文 + - 支持方法级和类级的数据源切换 + + **3. 读写分离实现**： + - 主数据源处理写操作（INSERT、UPDATE、DELETE） + - 从数据源处理读操作（SELECT） + - 考虑主从延迟，关键业务读主库 + + **4. 分布式事务处理**： + - 轻量级：最终一致性方案（消息队列、事件驱动） + - 强一致性：两阶段提交（Seata、XA事务） + - 根据业务特性选择合适的方案 + +**💻 代码示例**： + +```java +// 1. 动态数据源实现 +@Component +public class DynamicDataSource extends AbstractRoutingDataSource { + + @Override + protected Object determineCurrentLookupKey() { + return DataSourceContextHolder.getDataSourceType(); + } +} + +// 2. 数据源上下文管理 +public class DataSourceContextHolder { + + public enum DataSourceType { + MASTER, SLAVE + } + + private static final ThreadLocal contextHolder = new ThreadLocal<>(); + + public static void setDataSourceType(DataSourceType dataSourceType) { + contextHolder.set(dataSourceType); + } + + public static DataSourceType getDataSourceType() { + return contextHolder.get(); + } + + public static void clearDataSourceType() { + contextHolder.remove(); + } +} + +// 3. 数据源注解 +@Target({ElementType.METHOD, ElementType.TYPE}) +@Retention(RetentionPolicy.RUNTIME) +public @interface DataSource { + DataSourceContextHolder.DataSourceType value() default DataSourceContextHolder.DataSourceType.MASTER; +} + +// 4. 数据源切换切面 +@Aspect +@Component +public class DataSourceAspect { + + @Around("@annotation(dataSource)") + public Object around(ProceedingJoinPoint point, DataSource dataSource) throws Throwable { + DataSourceContextHolder.DataSourceType currentType = DataSourceContextHolder.getDataSourceType(); + + try { + DataSourceContextHolder.setDataSourceType(dataSource.value()); + return point.proceed(); + } finally { + if (currentType == null) { + DataSourceContextHolder.clearDataSourceType(); + } else { + DataSourceContextHolder.setDataSourceType(currentType); + } + } + } + + @Around("execution(* com.example.service.*.*(..))") + public Object aroundService(ProceedingJoinPoint point) throws Throwable { + String methodName = point.getSignature().getName(); + + // 根据方法名自动判断读写操作 + if (methodName.startsWith("select") || methodName.startsWith("find") + || methodName.startsWith("get") || methodName.startsWith("query")) { + DataSourceContextHolder.setDataSourceType(DataSourceContextHolder.DataSourceType.SLAVE); + } else { + DataSourceContextHolder.setDataSourceType(DataSourceContextHolder.DataSourceType.MASTER); + } + + try { + return point.proceed(); + } finally { + DataSourceContextHolder.clearDataSourceType(); + } + } +} + +// 5. 多数据源配置 +@Configuration +public class MultiDataSourceConfig { + + @Bean + @ConfigurationProperties("app.datasource.master") + public DataSource masterDataSource() { + return DruidDataSourceBuilder.create().build(); + } + + @Bean + @ConfigurationProperties("app.datasource.slave") + public DataSource slaveDataSource() { + return DruidDataSourceBuilder.create().build(); + } + + @Bean + @Primary + public DataSource dynamicDataSource() { + DynamicDataSource dynamicDataSource = new DynamicDataSource(); + + Map dataSourceMap = new HashMap<>(); + dataSourceMap.put(DataSourceContextHolder.DataSourceType.MASTER, masterDataSource()); + dataSourceMap.put(DataSourceContextHolder.DataSourceType.SLAVE, slaveDataSource()); + + dynamicDataSource.setTargetDataSources(dataSourceMap); + dynamicDataSource.setDefaultTargetDataSource(masterDataSource()); + + return dynamicDataSource; + } + + @Bean + public SqlSessionFactory sqlSessionFactory() throws Exception { + SqlSessionFactoryBean factoryBean = new SqlSessionFactoryBean(); + factoryBean.setDataSource(dynamicDataSource()); + return factoryBean.getObject(); + } +} + +// 6. Service层使用示例 +@Service +public class UserService { + + @Autowired + private UserMapper userMapper; + + // 读操作，使用从库 + @DataSource(DataSourceContextHolder.DataSourceType.SLAVE) + @Transactional(readOnly = true) + public List findActiveUsers() { + return userMapper.selectActiveUsers(); + } + + // 写操作，使用主库 + @DataSource(DataSourceContextHolder.DataSourceType.MASTER) + @Transactional + public void createUser(User user) { + userMapper.insert(user); + } + + // 重要操作，强制读主库 + @DataSource(DataSourceContextHolder.DataSourceType.MASTER) + @Transactional + public void transferBalance(Long fromUserId, Long toUserId, BigDecimal amount) { + // 读取余额必须从主库读取，确保数据一致性 + User fromUser = userMapper.selectById(fromUserId); + User toUser = userMapper.selectById(toUserId); + + if (fromUser.getBalance().compareTo(amount) < 0) { + throw new BusinessException("余额不足"); + } + + // 更新余额 + fromUser.setBalance(fromUser.getBalance().subtract(amount)); + toUser.setBalance(toUser.getBalance().add(amount)); + + userMapper.updateById(fromUser); + userMapper.updateById(toUser); + } +} + +// 7. 分布式事务示例（Seata） +@Service +public class DistributedTransactionService { + + @Autowired + private OrderService orderService; + + @Autowired + private InventoryService inventoryService; + + @Autowired + private AccountService accountService; + + @GlobalTransactional(rollbackFor = Exception.class) + public void createOrder(CreateOrderRequest request) { + // 1. 创建订单 + orderService.createOrder(request.getOrderInfo()); + + // 2. 扣减库存（可能调用不同的数据库） + inventoryService.deductInventory(request.getProductId(), request.getQuantity()); + + // 3. 扣减账户余额（可能调用不同的服务） + accountService.deductBalance(request.getUserId(), request.getAmount()); + + // 任何一个步骤失败，都会回滚所有操作 + } +} +``` +```yaml +# application.yml 多数据源配置 +app: + datasource: + master: + driver-class-name: com.mysql.cj.jdbc.Driver + url: jdbc:mysql://master-db:3306/app_db?useUnicode=true&characterEncoding=utf8&serverTimezone=Asia/Shanghai + username: app_user + password: app_password + # Druid连接池配置 + initial-size: 5 + min-idle: 5 + max-active: 20 + max-wait: 60000 + time-between-eviction-runs-millis: 60000 + min-evictable-idle-time-millis: 300000 + validation-query: SELECT 1 FROM DUAL + test-while-idle: true + test-on-borrow: false + test-on-return: false + + slave: + driver-class-name: com.mysql.cj.jdbc.Driver + url: jdbc:mysql://slave-db:3306/app_db?useUnicode=true&characterEncoding=utf8&serverTimezone=Asia/Shanghai + username: app_user + password: app_password + initial-size: 5 + min-idle: 5 + max-active: 20 + max-wait: 60000 + time-between-eviction-runs-millis: 60000 + min-evictable-idle-time-millis: 300000 + validation-query: SELECT 1 FROM DUAL + test-while-idle: true + test-on-borrow: false + test-on-return: false +``` + +--- + +## 🚀 六、性能与调优 + + **核心理念**：MyBatis性能优化涉及多个层面，从SQL执行、连接池管理到批处理优化，需要系统性的调优策略来提升应用性能。 + +### 🎯 MyBatis有哪些性能调优手段？ + +MyBatis性能调优需要从多个维度进行系统性优化： + + **1. 分页查询优化**： + - **物理分页vs逻辑分页**：优先使用物理分页（数据库级LIMIT），避免逻辑分页（内存分页） + - **深分页问题**：使用游标分页或覆盖索引优化，避免OFFSET大偏移量性能问题 + - **PageHelper插件**：合理配置PageHelper，注意线程安全和参数清理 + + **2. SQL执行优化**： + - **预编译Statement**：使用#{}参数占位符，提高SQL执行效率和安全性 + - **批量操作优化**：使用BatchExecutor批量提交，合理设置batch.size大小 + - **避免N+1问题**：使用关联查询、延迟加载或批量查询解决 + + **3. 缓存策略优化**： + - 合理使用一级缓存（SqlSession级别）和二级缓存（namespace级别） + - 避免缓存穿透和缓存雪崩问题 + - 设置合适的缓存失效策略和TTL + + **4. 连接池调优**： + - 选择高性能连接池如HikariCP + - 合理设置连接池大小和超时参数 + - 监控连接池状态，避免连接泄漏 + + **5. Executor类型选择**： + - SIMPLE：每次创建新Statement，适合单次操作 + - REUSE：复用PreparedStatement，适合重复查询 + - BATCH：批量执行，适合大批量操作 + +**💻 代码示例**： + +```java +// 1. 分页查询优化示例 +@Service +public class PaginationOptimizationService { + + @Autowired + private UserMapper userMapper; + + // 物理分页 - 推荐方式 + public PageResult getUsersByPage(PageParam pageParam) { + // 使用PageHelper插件实现物理分页 + PageHelper.startPage(pageParam.getPageNum(), pageParam.getPageSize()); + List users = userMapper.selectUsers(); + + PageInfo pageInfo = new PageInfo<>(users); + return PageResult.of(users, pageInfo.getTotal(), pageParam.getPageNum(), pageParam.getPageSize()); + } + + // 深分页优化 - 使用覆盖索引和游标分页 + public List getUsersByDeepPage(Long lastId, int limit) { + return userMapper.selectUsersByIdRange(lastId, limit); + } +} + +// 2. 批处理操作优化 +@Service +public class BatchOperationService { + + @Autowired + private UserMapper userMapper; + + @Autowired + private SqlSessionFactory sqlSessionFactory; + + // 方案1：MyBatis批量插入（适用于中等数据量） + @Transactional + public void batchInsertUsers(List users) { + if (users.size() <= 1000) { + userMapper.batchInsert(users); + } else { + // 分批处理大量数据 + int batchSize = 1000; + for (int i = 0; i < users.size(); i += batchSize) { + int endIndex = Math.min(i + batchSize, users.size()); + List batch = users.subList(i, endIndex); + userMapper.batchInsert(batch); + } + } + } + + // 方案2：JDBC批处理（适用于大量数据） + @Transactional + public void jdbcBatchInsert(List users) { + try (SqlSession session = sqlSessionFactory.openSession(ExecutorType.BATCH, false)) { + UserMapper mapper = session.getMapper(UserMapper.class); + + int batchSize = 1000; + for (int i = 0; i < users.size(); i++) { + mapper.insert(users.get(i)); + + // 分批提交，避免内存溢出 + if ((i + 1) % batchSize == 0 || i == users.size() - 1) { + session.flushStatements(); + session.clearCache(); // 清理一级缓存 + } + } + session.commit(); + } + } +} + +// 3. 连接池优化配置 +@Configuration +public class DataSourceConfig { + + @Bean + @Primary + public DataSource hikariDataSource() { + HikariConfig config = new HikariConfig(); + + // 基本配置 + config.setDriverClassName("com.mysql.cj.jdbc.Driver"); + config.setJdbcUrl("jdbc:mysql://localhost:3306/test?useSSL=false&serverTimezone=UTC"); + config.setUsername("root"); + config.setPassword("password"); + + // 连接池大小配置 + config.setMaximumPoolSize(20); // 最大连接数 + config.setMinimumIdle(5); // 最小空闲连接数 + + // 超时配置 + config.setConnectionTimeout(30000); // 连接超时时间30秒 + config.setIdleTimeout(600000); // 空闲超时时间10分钟 + config.setMaxLifetime(1800000); // 连接最大生命周期30分钟 + config.setLeakDetectionThreshold(60000); // 连接泄漏检测 + + // MySQL性能优化参数 + config.addDataSourceProperty("cachePrepStmts", "true"); + config.addDataSourceProperty("prepStmtCacheSize", "250"); + config.addDataSourceProperty("prepStmtCacheSqlLimit", "2048"); + config.addDataSourceProperty("useServerPrepStmts", "true"); + config.addDataSourceProperty("useLocalSessionState", "true"); + config.addDataSourceProperty("rewriteBatchedStatements", "true"); + + return new HikariDataSource(config); + } +} + +// 4. N+1问题解决方案 +@Service +public class N1ProblemSolutionService { + + @Autowired + private UserMapper userMapper; + + @Autowired + private OrderMapper orderMapper; + + // 问题方法：会产生N+1查询 + public List getUsersWithOrdersBad() { + // 1次查询：获取所有用户 + List users = userMapper.selectAllUsers(); + + // N次查询：为每个用户查询订单（N+1问题） + for (User user : users) { + List orders = orderMapper.selectByUserId(user.getId()); + user.setOrders(orders); + } + + return users; + } + + // 解决方案1：使用JOIN查询 + public List getUsersWithOrdersJoin() { + // 1次查询完成所有数据获取 + return userMapper.selectUsersWithOrdersByJoin(); + } + + // 解决方案2：分步查询 + 批量IN + public List getUsersWithOrdersBatch() { + // 1次查询：获取所有用户 + List users = userMapper.selectAllUsers(); + + if (!users.isEmpty()) { + // 提取所有用户ID + List userIds = users.stream() + .map(User::getId) + .collect(Collectors.toList()); + + // 1次查询：批量获取所有订单 + List orders = orderMapper.selectByUserIds(userIds); + + // 内存中组装数据 + Map> orderMap = orders.stream() + .collect(Collectors.groupingBy(Order::getUserId)); + + users.forEach(user -> + user.setOrders(orderMap.getOrDefault(user.getId(), new ArrayList<>())) + ); + } + + return users; + } +} + +// 5. SQL性能监控拦截器 +@Intercepts({ + @Signature(type = StatementHandler.class, method = "query", args = {Statement.class, ResultHandler.class}), + @Signature(type = StatementHandler.class, method = "update", args = {Statement.class}) +}) +@Component +public class SqlPerformanceInterceptor implements Interceptor { + + private static final Logger logger = LoggerFactory.getLogger(SqlPerformanceInterceptor.class); + private final long slowSqlThreshold = 1000; // 慢SQL阈值 + + @Override + public Object intercept(Invocation invocation) throws Throwable { + StatementHandler statementHandler = (StatementHandler) invocation.getTarget(); + BoundSql boundSql = statementHandler.getBoundSql(); + String sql = boundSql.getSql(); + + long startTime = System.currentTimeMillis(); + String mappedStatementId = getMappedStatementId(statementHandler); + + try { + Object result = invocation.proceed(); + + long executeTime = System.currentTimeMillis() - startTime; + + // 记录SQL执行信息 + if (executeTime > slowSqlThreshold) { + logger.warn("慢SQL告警 - 执行时间: {}ms, StatementId: {}, SQL: {}", + executeTime, mappedStatementId, sql); + + // 可以在这里添加告警逻辑，如发送钉钉消息 + sendSlowSqlAlert(mappedStatementId, executeTime, sql); + } else { + logger.info("SQL执行 - 执行时间: {}ms, StatementId: {}", + executeTime, mappedStatementId); + } + + return result; + + } catch (Exception e) { + long executeTime = System.currentTimeMillis() - startTime; + logger.error("SQL执行异常 - 执行时间: {}ms, StatementId: {}, SQL: {}, 异常: {}", + executeTime, mappedStatementId, sql, e.getMessage()); + throw e; + } + } + + private String getMappedStatementId(StatementHandler handler) { + try { + MetaObject metaObject = SystemMetaObject.forObject(handler); + MappedStatement mappedStatement = + (MappedStatement) metaObject.getValue("delegate.mappedStatement"); + return mappedStatement.getId(); + } catch (Exception e) { + return "Unknown"; + } + } + + private void sendSlowSqlAlert(String statementId, long executeTime, String sql) { + // 实现告警逻辑，如发送邮件、钉钉消息等 + // 这里仅作示例 + logger.warn("慢SQL告警：{} 执行时间 {}ms", statementId, executeTime); + } + + @Override + public Object plugin(Object target) { + return Plugin.wrap(target, this); + } + + @Override + public void setProperties(Properties properties) { + // 可以从配置文件读取慢SQL阈值等参数 + } +} + +// 6. MyBatis配置优化 +@Configuration +public class MyBatisOptimizationConfig { + + @Bean + public SqlSessionFactoryBean sqlSessionFactory(DataSource dataSource) throws Exception { + SqlSessionFactoryBean factoryBean = new SqlSessionFactoryBean(); + factoryBean.setDataSource(dataSource); + + // MyBatis配置优化 + org.apache.ibatis.session.Configuration configuration = + new org.apache.ibatis.session.Configuration(); + + // 缓存配置 + configuration.setCacheEnabled(true); // 开启二级缓存 + configuration.setLocalCacheScope(LocalCacheScope.SESSION); // 一级缓存范围 + + // 延迟加载配置 + configuration.setLazyLoadingEnabled(true); // 开启延迟加载 + configuration.setAggressiveLazyLoading(false); // 关闭积极加载 + + // 执行器类型配置 + configuration.setDefaultExecutorType(ExecutorType.REUSE); // 复用PreparedStatement + + // 结果集处理优化 + configuration.setMapUnderscoreToCamelCase(true); // 自动驼峰转换 + configuration.setCallSettersOnNulls(true); // 空值也调用setter + + factoryBean.setConfiguration(configuration); + + // 添加性能监控插件 + factoryBean.setPlugins(new SqlPerformanceInterceptor()); + + return factoryBean; + } + + // 分页插件配置 + @Bean + public PageInterceptor pageInterceptor() { + PageInterceptor pageInterceptor = new PageInterceptor(); + Properties props = new Properties(); + props.setProperty("helperDialect", "mysql"); + props.setProperty("reasonable", "true"); // 分页合理化 + props.setProperty("supportMethodsArguments", "true"); + props.setProperty("params", "count=countSql"); + pageInterceptor.setProperties(props); + return pageInterceptor; + } +} +``` -### resultType resultMap 的区别? +### 🎯 如何定位和解决N+1查询问题？ -- 类的名字和数据库相同时，可以直接设置 resultType 参数为 Pojo 类 +N+1查询是MyBatis中常见的性能问题，需要系统性的识别和解决： + + **问题识别**： + - 日志中出现大量相似的子查询 + - APM监控显示同一接口执行了多次相同SQL + - 查询时间随数据量线性增长 + - 数据库连接数异常增长 + + **根本原因**： + - 关联查询设计不当，使用了嵌套查询而非连接查询 + - 延迟加载触发了意外的额外查询 + - 缺少合适的批量查询策略 + + **解决策略**： + 1. **关联查询优化**：使用JOIN替代嵌套查询 + 2. **resultMap嵌套**：一次查询获取所有数据 + 3. **批量IN查询**：先查主表，再批量查询关联表 + 4. **延迟加载控制**：合理配置懒加载策略 + 5. **缓存机制**：使用适当的缓存减少重复查询 + + **治理方案**：定期审查SQL日志，建立慢查询监控，制定关联查询规范。 + +**💻 代码示例**： + +```xml + + + + + + + + + + + + + + INSERT INTO user (name, email, phone, status) VALUES + + (#{user.name}, #{user.email}, #{user.phone}, #{user.status}) + + + + + + INSERT INTO user (name, email, phone, status) + VALUES (#{name}, #{email}, #{phone}, #{status}) + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +``` + +### 🎯 MyBatis批处理和主键回填的最佳实践？ + +MyBatis批处理和主键回填需要根据场景选择合适的策略： + + **单条记录主键回填**： + - 使用useGeneratedKeys=true + keyProperty配置 + - 适用于单条INSERT操作 + - 支持自增主键自动回填到对象 + + **批量插入策略**： + 1. **MyBatis批量插入**：使用foreach生成多值INSERT + 2. **JDBC批处理**：ExecutorType.BATCH + 分批flush + 3. **数据库原生批量**：load data infile等 + + **批量主键回填**： + - MySQL：支持批量主键回填，依赖JDBC驱动版本 + - PostgreSQL：使用RETURNING子句 + - Oracle：使用序列或RETURNING INTO + - 不同数据库厂商支持程度不同，需要测试验证 + + **性能优化建议**： + - 大批量操作优先使用JDBC批处理 + - 合理设置批次大小（建议1000-5000） + - 关闭自动提交，手动控制事务 + - 监控内存使用，避免OOM + + **最佳实践**：根据数据量选择策略，小批量用MyBatis批量插入，大批量用JDBC批处理。 + +**💻 代码示例**： + +```java +// 批处理和主键回填最佳实践 +@Service +public class BatchInsertService { + + @Autowired + private UserMapper userMapper; + + @Autowired + private SqlSessionFactory sqlSessionFactory; + + // 单条插入主键回填 + @Transactional + public void insertSingleUser(User user) { + userMapper.insertUser(user); + System.out.println("插入用户ID: " + user.getId()); // 主键已自动回填 + } + + // 小批量插入（1000以内） + @Transactional + public void smallBatchInsert(List users) { + if (users.size() <= 1000) { + userMapper.batchInsert(users); + } else { + // 分批处理 + int batchSize = 1000; + for (int i = 0; i < users.size(); i += batchSize) { + int endIndex = Math.min(i + batchSize, users.size()); + List batch = users.subList(i, endIndex); + userMapper.batchInsert(batch); + } + } + } + + // 大批量JDBC批处理（推荐用于大量数据） + @Transactional + public int[] largeBatchInsert(List users) { + try (SqlSession session = sqlSessionFactory.openSession(ExecutorType.BATCH)) { + UserMapper batchMapper = session.getMapper(UserMapper.class); + + int batchSize = 1000; + int[] results = new int[users.size()]; + int resultIndex = 0; + + for (int i = 0; i < users.size(); i++) { + batchMapper.insertUser(users.get(i)); + + // 分批提交，避免内存溢出 + if ((i + 1) % batchSize == 0 || i == users.size() - 1) { + List batchResults = session.flushStatements(); + + // 处理批处理结果 + for (BatchResult batchResult : batchResults) { + int[] updateCounts = batchResult.getUpdateCounts(); + System.arraycopy(updateCounts, 0, results, resultIndex, updateCounts.length); + resultIndex += updateCounts.length; + } + } + } + + session.commit(); + return results; + } + } + + // 批量插入with主键回填（MySQL示例） + @Transactional + public void batchInsertWithKeyReturn(List users) { + // 使用MyBatis的batch insert with key return + userMapper.batchInsertWithKeys(users); + + // 验证主键回填 + for (User user : users) { + System.out.println("用户 " + user.getName() + " ID: " + user.getId()); + } + } + + // 高性能批量插入（适用于超大批量） + public void highPerformanceBatchInsert(List users) { + int batchSize = 5000; + + try (SqlSession session = sqlSessionFactory.openSession(ExecutorType.BATCH, false)) { + UserMapper mapper = session.getMapper(UserMapper.class); + + for (int i = 0; i < users.size(); i++) { + mapper.insertUser(users.get(i)); + + if (i % batchSize == 0) { + session.flushStatements(); + session.clearCache(); // 清理一级缓存，释放内存 + } + } + + session.flushStatements(); + session.commit(); + } catch (Exception e) { + throw new RuntimeException("批量插入失败", e); + } + } + + // 不同数据库的主键回填策略 + public void databaseSpecificKeyReturn() { + // MySQL: 支持批量主键回填 + // useGeneratedKeys="true" keyProperty="id + + // PostgreSQL: 使用RETURNING + // INSERT INTO user (name) VALUES (#{name}) RETURNING id + + // Oracle: 使用序列 + // + // SELECT user_seq.NEXTVAL FROM dual + // + + // SQL Server: 使用IDENTITY + // useGeneratedKeys="true" keyProperty="id + } +} + +// 批处理性能监控 +@Component +public class BatchPerformanceMonitor { + + public void monitorBatchPerformance() { + System.out.println("=== 批处理性能监控要点 ==="); + + System.out.println("1. 监控指标："); + System.out.println(" - 批处理执行时间"); + System.out.println(" - 内存使用情况"); + System.out.println(" - 数据库连接数"); + System.out.println(" - 事务提交频率"); + + System.out.println("2. 优化策略："); + System.out.println(" - 合理设置批次大小"); + System.out.println(" - 及时清理一级缓存"); + System.out.println(" - 使用合适的执行器类型"); + System.out.println(" - 监控和调整JVM内存参数"); + + System.out.println("3. 常见问题："); + System.out.println(" - OOM：批次过大或缓存未清理"); + System.out.println(" - 死锁：并发批处理冲突"); + System.out.println(" - 超时：单批次数据量过大"); + System.out.println(" - 主键冲突：重复数据检查不充分"); + } +} + + +``` + +### 🎯 如何设计MyBatis的错误处理和异常机制？ + +MyBatis异常处理需要建立分层的异常处理机制： + + **异常分层设计**： + 1. **DAO层**：捕获MyBatis和数据库异常，转换为业务异常 + 2. **Service层**：处理业务逻辑异常，记录操作日志 + 3. **Controller层**：统一异常处理，返回友好错误信息 + + **异常分类处理**： + - **数据库连接异常**：记录详细日志，返回系统繁忙提示 + - **SQL语法异常**：记录SQL和参数，避免泄露敏感信息 + - **约束违反异常**：解析约束类型，返回具体业务提示 + - **超时异常**：记录执行时间，提供重试建议 + + **日志记录规范**： + - 记录traceId便于链路追踪 + - 记录SQL语句和参数值（脱敏处理） + - 记录执行时间和影响行数 + - 敏感操作记录审计日志 + + **监控告警机制**： + - 慢SQL自动告警 + - 异常频率监控 + - 数据库连接池监控 + - 关键业务操作监控 + + 目标是让异常信息对开发者有用，对用户友好，对系统安全。 + +**💻 代码示例**： + +```java +// 异常处理和监控示例 +@Component +@Slf4j +public class MyBatisErrorHandler { + + // 统一异常转换 + public static RuntimeException convertException(Exception e, String operation) { + String traceId = MDC.get("traceId"); + + if (e instanceof DataIntegrityViolationException) { + return handleDataIntegrityViolation((DataIntegrityViolationException) e, operation); + } else if (e instanceof QueryTimeoutException) { + return handleQueryTimeout((QueryTimeoutException) e, operation); + } else if (e instanceof BadSqlGrammarException) { + return handleBadSqlGrammar((BadSqlGrammarException) e, operation); + } else if (e instanceof DataAccessResourceFailureException) { + return handleResourceFailure((DataAccessResourceFailureException) e, operation); + } else { + log.error("未知数据访问异常, traceId: {}, operation: {}", traceId, operation, e); + return new ServiceException("数据操作失败"); + } + } + + private static RuntimeException handleDataIntegrityViolation( + DataIntegrityViolationException e, String operation) { + String message = e.getMessage(); + String traceId = MDC.get("traceId"); + + log.warn("数据完整性约束违反, traceId: {}, operation: {}, message: {}", + traceId, operation, message); + + if (message.contains("Duplicate entry")) { + String field = extractDuplicateField(message); + return new BusinessException("数据重复，字段 " + field + " 已存在"); + } else if (message.contains("foreign key constraint")) { + return new BusinessException("关联数据不存在或已被删除"); + } else if (message.contains("cannot be null")) { + String field = extractNullField(message); + return new BusinessException("必填字段 " + field + " 不能为空"); + } + + return new BusinessException("数据约束违反，请检查输入数据"); + } + + private static RuntimeException handleQueryTimeout( + QueryTimeoutException e, String operation) { + String traceId = MDC.get("traceId"); + + log.error("查询超时, traceId: {}, operation: {}", traceId, operation, e); + + // 触发告警 + AlertManager.sendAlert("SQL_TIMEOUT", + String.format("查询超时: %s, traceId: %s", operation, traceId)); + + return new ServiceException("查询超时，请稍后重试"); + } + + // SQL注入检测和防护 + @Component + public static class SqlInjectionProtector { + + private static final List SQL_INJECTION_PATTERNS = Arrays.asList( + "union", "select", "insert", "update", "delete", "drop", "create", "alter", + "exec", "execute", "--", "/*", "*/", "xp_", "sp_", "0x + ); + + public static void checkSqlInjection(String input) { + if (StringUtils.isEmpty(input)) { + return; + } + + String lowerInput = input.toLowerCase(); + for (String pattern : SQL_INJECTION_PATTERNS) { + if (lowerInput.contains(pattern)) { + String traceId = MDC.get("traceId"); + log.error("检测到SQL注入攻击, traceId: {}, input: {}", traceId, input); + + // 记录安全日志 + SecurityLog securityLog = SecurityLog.builder() + .traceId(traceId) + .attackType("SQL_INJECTION") + .attackContent(input) + .clientIp(getClientIp()) + .build(); + + SecurityLogService.record(securityLog); + + throw new SecurityException("检测到非法输入"); + } + } + } + } +} + +// 审计日志和追踪 +@Component +@Slf4j +public class MyBatisAuditLogger { + + @EventListener + public void handleDataChange(DataChangeEvent event) { + String traceId = MDC.get("traceId"); + + AuditLog auditLog = AuditLog.builder() + .traceId(traceId) + .operation(event.getOperation()) + .tableName(event.getTableName()) + .entityId(event.getEntityId()) + .oldValue(event.getOldValue()) + .newValue(event.getNewValue()) + .operatorId(event.getOperatorId()) + .operateTime(new Date()) + .clientIp(event.getClientIp()) + .userAgent(event.getUserAgent()) + .build(); + + // 异步记录审计日志 + auditLogService.recordAsync(auditLog); + + log.info("数据变更审计, traceId: {}, operation: {}, table: {}, entityId: {}", + traceId, event.getOperation(), event.getTableName(), event.getEntityId()); + } +} + +// 性能监控和告警 +@Component +public class MyBatisPerformanceMonitor { + + private final MeterRegistry meterRegistry; + private final Counter sqlExecuteCounter; + private final Timer sqlExecuteTimer; + + public MyBatisPerformanceMonitor(MeterRegistry meterRegistry) { + this.meterRegistry = meterRegistry; + this.sqlExecuteCounter = Counter.builder("mybatis.sql.execute.count") + .description("SQL执行次数") + .register(meterRegistry); + this.sqlExecuteTimer = Timer.builder("mybatis.sql.execute.time") + .description("SQL执行时间") + .register(meterRegistry); + } + + public void recordSqlExecution(String sqlId, long executionTime, boolean success) { + // 记录执行次数 + sqlExecuteCounter.increment( + Tags.of("sql_id", sqlId, "success", String.valueOf(success))); + + // 记录执行时间 + sqlExecuteTimer.record(executionTime, TimeUnit.MILLISECONDS); + + // 慢SQL告警 + if (executionTime > 2000) { + AlertManager.sendSlowSqlAlert(sqlId, executionTime); + } + + // 失败告警 + if (!success) { + AlertManager.sendSqlErrorAlert(sqlId); + } + } +} +``` + + + +--- + +## 🧭 七、工程化与规范 + + **核心理念**：建立MyBatis开发的工程化标准和最佳实践，确保代码质量、可维护性和团队协作效率。 + +### 🎯 MyBatis开发规范有哪些要点？ + +MyBatis开发规范涉及命名规范、代码规范、SQL规范和安全规范等多个层面： + + **1. 命名规范**： + - Mapper接口：表名 + Mapper，如UserMapper、OrderMapper + - XML文件：与Mapper接口同名，放在同包路径下 + - SQL ID：动词 + 实体 + 条件，如selectUserById、updateUserByCondition + - 参数名称：使用@Param注解明确参数名 + + **2. 代码组织规范**： + - Mapper接口与XML文件一一对应 + - 复杂SQL抽取到XML中，简单查询可用注解 + - SQL片段复用，避免重复代码 + - 合理使用命名空间隔离不同业务模块 + + **3. SQL编写规范**： + - 禁止select *，明确指定需要的字段 + - WHERE条件必须有兜底条件，避免全表操作 + - 分页查询必须有排序字段，保证结果稳定性 + - 避免隐式类型转换，明确指定参数类型 + + **4. 安全规范**： + - 严格禁用${}拼接用户输入，必须使用#{}参数化 + - 动态表名、列名使用白名单校验 + - 敏感数据查询添加权限检查 + - SQL注入防护和参数校验 + + **5. 性能规范**： + - 合理使用索引，避免全表扫描 + - 限制查询结果集大小 + - 批量操作使用合适的批处理策略 + - 监控慢SQL并及时优化 + + **6. 变更管理规范**： + - 数据库变更必须向前兼容 + - 生产环境变更走正式发布流程 + - 重要变更需要灰度发布和回滚预案 + - 变更记录和审计追踪 + +**💻 代码示例**： + +```java +// MyBatis开发规范示例 +public class MyBatisBestPracticesDemo { + + // 1. 命名规范示例 + public interface UserMapper { + // ✅ 好的命名：动词+实体+条件 + User selectUserById(@Param("id") Long id); + List selectUsersByCondition(@Param("condition") UserQueryCondition condition); + int updateUserById(@Param("user") User user); + int deleteUserById(@Param("id") Long id); + + // ❌ 不好的命名 + // User get(Long id); // 动词不明确 + // List list(); // 没有明确查询条件 + } + + // 2. 参数对象规范 + public static class UserQueryCondition { + private String name; + private Integer minAge; + private Integer maxAge; + private String email; + private Integer status; + private String sortField = "id"; // 默认排序字段 + private String sortOrder = "ASC"; // 默认排序方向 + + // 参数校验 + public void validate() { + if (StringUtils.isNotBlank(sortField)) { + // 排序字段白名单校验 + List allowedFields = Arrays.asList("id", "name", "createTime", "updateTime"); + if (!allowedFields.contains(sortField)) { + throw new IllegalArgumentException("不允许的排序字段: " + sortField); + } + } + } + + // getters and setters... + } + + // 3. Service层规范示例 + @Service + @Slf4j + public class UserService { + + @Autowired + private UserMapper userMapper; + + // ✅ 规范的查询方法 + public PageResult queryUsers(UserQueryCondition condition, PageParam pageParam) { + // 参数校验 + condition.validate(); + pageParam.validate(); + + // 记录查询日志 + String traceId = MDC.get("traceId"); + log.info("查询用户列表开始, traceId: {}, condition: {}", traceId, condition); + + long startTime = System.currentTimeMillis(); + try { + // 查询总数 + int total = userMapper.countUsersByCondition(condition); + if (total == 0) { + return PageResult.empty(); + } + + // 查询数据 + List users = userMapper.selectUsersByConditionWithPage(condition, pageParam); + + // 性能监控 + long cost = System.currentTimeMillis() - startTime; + if (cost > 1000) { + log.warn("慢查询告警, traceId: {}, cost: {}ms, condition: {}", + traceId, cost, condition); + } + + return PageResult.of(users, total, pageParam); + + } catch (Exception e) { + log.error("查询用户列表失败, traceId: {}, condition: {}", traceId, condition, e); + throw new ServiceException("查询用户失败", e); + } + } + + // ✅ 规范的更新方法 + @Transactional(rollbackFor = Exception.class) + public void updateUser(User user) { + String traceId = MDC.get("traceId"); + + // 参数校验 + if (user == null || user.getId() == null) { + throw new IllegalArgumentException("用户ID不能为空"); + } + + // 查询原数据（用于审计） + User oldUser = userMapper.selectUserById(user.getId()); + if (oldUser == null) { + throw new BusinessException("用户不存在"); + } + + // 执行更新 + int affected = userMapper.updateUserById(user); + if (affected != 1) { + throw new ServiceException("更新用户失败，影响行数: " + affected); + } + + // 记录审计日志 + AuditLog auditLog = AuditLog.builder() + .traceId(traceId) + .operation("UPDATE_USER") + .entityId(user.getId().toString()) + .oldValue(JSON.toJSONString(oldUser)) + .newValue(JSON.toJSONString(user)) + .operatorId(getCurrentUserId()) + .build(); + + auditLogService.record(auditLog); + log.info("用户更新成功, traceId: {}, userId: {}", traceId, user.getId()); + } + } + + // 4. 异常处理规范 + @RestControllerAdvice + public class MyBatisExceptionHandler { + + @ExceptionHandler(DataIntegrityViolationException.class) + public ResponseResult handleDataIntegrityViolation(DataIntegrityViolationException e) { + log.error("数据完整性约束违反", e); + + // 根据具体异常返回友好提示 + if (e.getMessage().contains("Duplicate entry")) { + return ResponseResult.error("数据重复，请检查后重试"); + } + + return ResponseResult.error("数据操作失败，请联系管理员"); + } + + @ExceptionHandler(BadSqlGrammarException.class) + public ResponseResult handleBadSqlGrammar(BadSqlGrammarException e) { + log.error("SQL语法错误", e); + return ResponseResult.error("系统内部错误，请稍后重试"); + } + + @ExceptionHandler(DataAccessException.class) + public ResponseResult handleDataAccess(DataAccessException e) { + log.error("数据访问异常", e); + + // 记录详细错误信息用于排查 + String traceId = MDC.get("traceId"); + ErrorLog errorLog = ErrorLog.builder() + .traceId(traceId) + .errorType("DATA_ACCESS") + .errorMessage(e.getMessage()) + .stackTrace(ExceptionUtils.getStackTrace(e)) + .build(); + + errorLogService.record(errorLog); + + return ResponseResult.error("数据操作异常"); + } + } +} + +// 工程化配置示例 +@Configuration +public class MyBatisEngineeringConfig { + + // SQL性能监控插件 + @Bean + public SqlPerformanceInterceptor sqlPerformanceInterceptor() { + SqlPerformanceInterceptor interceptor = new SqlPerformanceInterceptor(); + interceptor.setSlowSqlThreshold(1000L); // 慢SQL阈值1秒 + interceptor.setLogSlowSql(true); + return interceptor; + } + + // SQL注入防护插件 + @Bean + public SqlInjectionInterceptor sqlInjectionInterceptor() { + return new SqlInjectionInterceptor(); + } + + // 分页插件配置 + @Bean + public PaginationInterceptor paginationInterceptor() { + PaginationInterceptor interceptor = new PaginationInterceptor(); + interceptor.setCountSqlParser(new JsqlParserCountOptimize(true)); + interceptor.setLimit(10000); // 最大分页限制 + return interceptor; + } +} +``` + +--- + +## 🔄 八、ORM 生态对比 + + **核心理念**：不同ORM框架各有特色，选择合适的ORM需要综合考虑业务特点、团队能力和系统要求，MyBatis与其他框架的组合使用是企业级应用的常见模式。 + +### 🎯 MyBatis vs JPA/Hibernate：各有什么特点？如何选择？ + +MyBatis和JPA/Hibernate代表了两种不同的ORM设计理念： + + **MyBatis特点**： + + **优势**： + - **SQL透明可控**：手写SQL，完全掌控SQL执行逻辑和性能 + - **学习成本低**：接近原生JDBC，Java开发者容易上手 + - **性能调优空间大**：可以针对具体业务场景精确优化SQL + - **复杂查询友好**：支持复杂的报表查询和统计分析SQL + - **数据库特性利用充分**：可以使用数据库特有的函数和特性 + + **劣势**： + - **开发效率相对低**：需要手写大量SQL和映射配置 + - **SQL维护成本高**：数据库变更需要同步修改SQL + - **移植性差**：SQL绑定特定数据库，跨数据库迁移困难 + - **对象关联复杂**：处理复杂对象关系需要更多代码 + + **JPA/Hibernate特点**： + + **优势**： + - **面向对象**：完全的OOP思维，实体关系映射自然 + - **开发效率高**：自动生成SQL，减少样板代码 + - **数据库无关性**：支持多数据库，迁移成本低 + - **功能丰富**：缓存、懒加载、脏检查等高级特性 + - **标准化**：JPA是Java EE标准，有良好的生态支持 + + **劣势**： + - **学习曲线陡峭**：概念复杂，需要深入理解ORM原理 + - **性能不透明**：自动生成的SQL可能不是最优的 + - **调优复杂**：性能问题定位困难，需要深入了解底层机制 + - **复杂查询局限**：某些复杂业务查询用JPQL/HQL表达困难 + + **选择策略**： + - **报表/分析系统**：选择MyBatis，SQL控制力强 + - **传统业务系统**：JPA/Hibernate，开发效率高 + - **性能敏感系统**：MyBatis，便于精确调优 + - **快速原型**：JPA，自动建表和CRUD + - **混合架构**：核心业务用MyBatis，辅助模块用JPA + +### 🎯 MyBatis-Plus能解决什么问题？有哪些最佳实践？ + +MyBatis-Plus是MyBatis的增强工具，在保持MyBatis特性的基础上提供了更多便利功能： + + **核心优势**： + + **1. 单表CRUD自动化**： + - 继承BaseMapper接口即可获得完整的CRUD操作 + - 支持泛型，类型安全 + - 自动根据实体类生成对应的SQL操作 + + **2. 强大的条件构造器**： + - QueryWrapper和UpdateWrapper提供链式API + - 支持复杂的动态查询条件 + - 避免手写动态SQL的复杂性 + + **3. 内置分页插件**： + - 自动处理COUNT查询和数据查询 + - 支持多种数据库的分页语法 + - 防止全表扫描的安全机制 + + **4. 代码生成器**： + - 根据数据库表自动生成Entity、Mapper、Service、Controller + - 支持多种模板引擎 + - 大幅减少重复代码编写 + + **5. 高级特性**： + - **审计字段自动填充**：自动处理createTime、updateTime等字段 + - **逻辑删除**：软删除支持，数据安全 + - **乐观锁**：version字段自动处理 + - **多租户**：自动添加租户ID条件 + + **使用注意事项**： + + **1. 通用方法的边界**： + - 复杂业务逻辑仍需自定义SQL + - 跨表操作需要手动处理 + - 批量操作性能需要特别关注 + + **2. 安全性考虑**： + - 避免在生产环境使用delete()等危险操作 + - 合理配置逻辑删除策略 + - 注意条件构造器的SQL注入风险 + + **3. 性能优化**： + - 合理使用索引，避免条件构造器生成低效SQL + - 大数据量操作采用分页处理 + - 监控自动生成的SQL性能 + + **最佳实践建议**： + - 简单CRUD用MyBatis-Plus，复杂查询用原生MyBatis + - 建立代码规范，统一团队使用方式 + - 做好单元测试，确保自动生成的SQL符合预期 + +**💻 代码示例**： + +```java +// 1. MyBatis-Plus基础使用示例 +@Entity +@TableName("user") +public class User { + @TableId(type = IdType.AUTO) + private Long id; + + @TableField("user_name") + private String name; + + private String email; + + @TableField(fill = FieldFill.INSERT) + private Date createTime; + + @TableField(fill = FieldFill.INSERT_UPDATE) + private Date updateTime; + + @TableLogic + private Integer deleted; + + @Version + private Integer version; + + // getters and setters... +} + +// 2. Mapper接口 - 继承BaseMapper +public interface UserMapper extends BaseMapper { + + // 自动获得完整的CRUD操作 + // insert(T entity) + // deleteById(Serializable id) + // updateById(T entity) + // selectById(Serializable id) + // selectList(Wrapper queryWrapper) + // ... + + // 自定义复杂查询仍使用MyBatis原生方式 + @Select("SELECT u.*, p.name as province_name FROM user u " + + "LEFT JOIN province p ON u.province_id = p.id " + + "WHERE u.status = #{status}") + List selectUsersWithProvince(@Param("status") Integer status); +} + +// 3. Service层 - 继承ServiceImpl +@Service +public class UserService extends ServiceImpl { + + // 条件构造器示例 + public List findActiveUsersByAge(Integer minAge, Integer maxAge) { + QueryWrapper queryWrapper = new QueryWrapper<>(); + queryWrapper.eq("status", 1) + .between("age", minAge, maxAge) + .orderByDesc("create_time"); + + return list(queryWrapper); + } + + // Lambda条件构造器（类型安全） + public List findUsersByCondition(String name, String email) { + LambdaQueryWrapper queryWrapper = new LambdaQueryWrapper<>(); + queryWrapper.like(StringUtils.isNotEmpty(name), User::getName, name) + .eq(StringUtils.isNotEmpty(email), User::getEmail, email); + + return list(queryWrapper); + } + + // 批量操作 + @Transactional + public boolean batchUpdateUsers(List users) { + return updateBatchById(users); + } + + // 分页查询 + public IPage getUsersByPage(Integer pageNum, Integer pageSize, String keyword) { + Page page = new Page<>(pageNum, pageSize); + + QueryWrapper queryWrapper = new QueryWrapper<>(); + if (StringUtils.isNotEmpty(keyword)) { + queryWrapper.and(wrapper -> + wrapper.like("name", keyword) + .or() + .like("email", keyword)); + } + + return page(page, queryWrapper); + } +} + +// 4. MyBatis-Plus配置 +@Configuration +public class MybatisPlusConfig { + + // 分页插件 + @Bean + public PaginationInterceptor paginationInterceptor() { + PaginationInterceptor paginationInterceptor = new PaginationInterceptor(); + + // 设置请求的页面大于最大页后操作，true调回到首页，false继续请求 + paginationInterceptor.setOverflow(false); + + // 设置最大单页限制数量，默认500条，-1不受限制 + paginationInterceptor.setLimit(1000); + + return paginationInterceptor; + } + + // 审计字段自动填充 + @Bean + public MetaObjectHandler metaObjectHandler() { + return new MetaObjectHandler() { + @Override + public void insertFill(MetaObject metaObject) { + this.setFieldValByName("createTime", new Date(), metaObject); + this.setFieldValByName("updateTime", new Date(), metaObject); + this.setFieldValByName("createBy", getCurrentUserId(), metaObject); + } + + @Override + public void updateFill(MetaObject metaObject) { + this.setFieldValByName("updateTime", new Date(), metaObject); + this.setFieldValByName("updateBy", getCurrentUserId(), metaObject); + } + + private Long getCurrentUserId() { + // 从Spring Security或其他方式获取当前用户ID + return UserContextHolder.getCurrentUserId(); + } + }; + } + + // 多租户插件 + @Bean + public TenantLineInnerInterceptor tenantLineInnerInterceptor() { + return new TenantLineInnerInterceptor(new TenantLineHandler() { + @Override + public Expression getTenantId() { + // 从上下文获取租户ID + Long tenantId = TenantContextHolder.getTenantId(); + return new LongValue(tenantId); + } + + @Override + public String getTenantIdColumn() { + return "tenant_id"; + } + + @Override + public boolean ignoreTable(String tableName) { + // 忽略系统表 + return Arrays.asList("sys_config", "sys_dict").contains(tableName); + } + }); + } +} + +// 5. JPA vs MyBatis对比示例 +// JPA方式 +@Entity +@Table(name = "user") +public class JpaUser { + @Id + @GeneratedValue(strategy = GenerationType.IDENTITY) + private Long id; + + @Column(name = "user_name") + private String name; + + @OneToMany(mappedBy = "user", fetch = FetchType.LAZY) + private List orders; + + // JPA Repository + public interface JpaUserRepository extends JpaRepository { + + // 方法名约定查询 + List findByNameContainingAndStatus(String name, Integer status); + + // JPQL查询 + @Query("SELECT u FROM JpaUser u WHERE u.createTime > :startTime") + List findRecentUsers(@Param("startTime") Date startTime); + + // 原生SQL查询（复杂场景） + @Query(value = "SELECT * FROM user u LEFT JOIN order o ON u.id = o.user_id " + + "WHERE u.status = ?1 GROUP BY u.id HAVING COUNT(o.id) > ?2", + nativeQuery = true) + List findUsersWithMultipleOrders(Integer status, Integer orderCount); + } +} + +// MyBatis方式对比 +public interface MyBatisUserMapper extends BaseMapper { + + // 更灵活的SQL控制 + @Select("") + List findUsersByCondition(@Param("name") String name, + @Param("status") Integer status); + + // 复杂报表查询（JPA难以表达） + List getUserStatisticsReport(@Param("params") ReportParams params); +} + +// 6. 混合使用示例 - 在同一项目中组合使用 +@Service +public class HybridUserService { + + @Autowired + private UserMapper mybatisMapper; // MyBatis-Plus + + @Autowired + private JpaUserRepository jpaRepository; // JPA + + // 简单CRUD用MyBatis-Plus + public User createUser(User user) { + mybatisMapper.insert(user); + return user; + } + + // 复杂查询用MyBatis原生 + public List getComplexReport(ReportParams params) { + return mybatisMapper.getUserStatisticsReport(params); + } + + // 对象关系映射用JPA + public List getUsersWithOrders() { + return jpaRepository.findAll(); // 自动加载关联的orders + } + + // 根据场景选择合适的工具 + public PageResult searchUsers(UserSearchParams params) { + if (params.isSimpleQuery()) { + // 简单查询用MyBatis-Plus条件构造器 + QueryWrapper wrapper = new QueryWrapper<>(); + wrapper.like("name", params.getKeyword()); + return PageResult.of(mybatisMapper.selectList(wrapper)); + } else { + // 复杂查询用自定义SQL + return mybatisMapper.searchUsersComplex(params); + } + } +} + +// 7. 代码生成器示例 +@Test +public void generateCode() { + AutoGenerator generator = new AutoGenerator(); + + // 全局配置 + GlobalConfig globalConfig = new GlobalConfig(); + globalConfig.setOutputDir(System.getProperty("user.dir") + "/src/main/java"); + globalConfig.setAuthor("MyBatis-Plus Generator"); + globalConfig.setOpen(false); + globalConfig.setServiceName("%sService"); // 去除Service接口的首字母I + + // 数据源配置 + DataSourceConfig dataSourceConfig = new DataSourceConfig(); + dataSourceConfig.setUrl("jdbc:mysql://localhost:3306/test?serverTimezone=UTC"); + dataSourceConfig.setDriverName("com.mysql.cj.jdbc.Driver"); + dataSourceConfig.setUsername("root"); + dataSourceConfig.setPassword("password"); + + // 包配置 + PackageConfig packageConfig = new PackageConfig(); + packageConfig.setParent("com.example"); + packageConfig.setEntity("model"); + packageConfig.setMapper("mapper"); + packageConfig.setService("service"); + packageConfig.setController("controller"); + + // 策略配置 + StrategyConfig strategyConfig = new StrategyConfig(); + strategyConfig.setInclude("user", "order"); // 指定生成的表名 + strategyConfig.setNaming(NamingStrategy.underline_to_camel); + strategyConfig.setColumnNaming(NamingStrategy.underline_to_camel); + strategyConfig.setEntityLombokModel(true); + strategyConfig.setLogicDeleteFieldName("deleted"); + strategyConfig.setVersionFieldName("version"); + strategyConfig.setTableFillList(Arrays.asList( + new TableFill("create_time", FieldFill.INSERT), + new TableFill("update_time", FieldFill.INSERT_UPDATE) + )); + + generator.setGlobalConfig(globalConfig); + generator.setDataSource(dataSourceConfig); + generator.setPackageInfo(packageConfig); + generator.setStrategy(strategyConfig); + + generator.execute(); +} +``` + +### 🎯 混合架构的最佳实践是什么？ + +在企业级项目中，MyBatis和JPA的混合使用是常见且有效的架构模式： + + **架构分层策略**： + + **1. 按业务复杂度分层**： + - **核心业务层**：使用MyBatis，精确控制SQL性能 + - **辅助功能层**：使用JPA/MyBatis-Plus，提高开发效率 + - **报表分析层**：使用MyBatis原生SQL，支持复杂统计查询 + + **2. 按数据特征分层**： + - **事务性数据**：MyBatis，保证数据一致性和性能 + - **配置性数据**：JPA，利用对象映射简化开发 + - **统计性数据**：原生SQL或存储过程，最大化查询效率 + + **3. 技术选型矩阵**： + - **简单CRUD + 快速开发** → MyBatis-Plus + - **复杂业务逻辑 + 性能要求** → MyBatis + - **领域建模 + 对象关系** → JPA/Hibernate + - **数据分析 + 复杂报表** → MyBatis + 原生SQL + + **混合架构注意事项**： + - 统一事务管理器，确保不同ORM在同一事务中工作 + - 建立清晰的分层边界，避免技术栈混乱 + - 统一异常处理和日志规范 + - 做好团队培训，确保开发人员熟悉各种工具的适用场景 + +--- + +## 🧪 高频面试题速览 + +- **🎯 MyBatis 执行器(Executor) 有哪些？各自适用场景？** +- **🎯 一级/二级缓存命中条件与失效场景？如何手动清理？** +- **🎯 #{} 与 ${} 的区别与使用边界？** +- **🎯 动态SQL常见坑（where多余and/逗号、空集合foreach）如何规避？** +- **🎯 分页实现：拦截器改SQL vs 改参数，哪种更合适？** +- **🎯 如何避免N+1问题？延迟加载与一次性装载如何取舍？** +- **🎯 批处理与主键回填在不同数据库（MySQL/PG/Oracle）下的差异？** +- **🎯 多数据源路由设计与事务一致性方案？** +- **🎯 如何为敏感字段做加解密并保证可检索性（前缀/哈希索引）？** +- **🎯 MyBatis 与 JPA/Hibernate/MP 组合使用的边界与实践？** + +--- + +## 📝 面试话术模板 + +``` +1) 先给出概念与定位（10-20秒） +2) 讲清核心原理/流程（30-60秒） +3) 结合优缺点与适用场景（20-30秒） +4) 补充一次亲历的实战与数据（20-30秒） +5) 若有时间，延展到性能/容错/工程化细节（加分） +``` + +- **缓存**："一级缓存是会话级，二级是命名空间级；我们开启了二级缓存并用失效策略保证一致性... +- **动态SQL**："大量使用 `//`，统一工具方法避免空集合foreach报错，重要SQL全覆盖单测... +- **分页**："采用物理分页插件，限制深翻页；热点列表采用游标分页并结合排序键... +- **调优**："批量写入使用 ExecutorType.BATCH 分批 flush，慢SQL定位靠链路trace + 执行计划... + +--- + +## 🔍 扩展学习与实践 + +- 官方文档与源码：MyBatis、MyBatis-Spring、MyBatis-Plus +- 高质量实践：分页插件/PageHelper源码、租户插件、加解密插件 +- 工具链：Druid/Hikari、p6spy、arthas/skywalking/APM +- 建议：核心SQL配套单测与回归；生产开启SQL审计与慢SQL告警 + +--- + +## 🎉 总结 -- 若不同，需要设置 resultMap 将结果名字和 Pojo 名字进行转换 \ No newline at end of file +- MyBatis 的强项在于“可控与透明”，用规范与工程化手段弥补“手写SQL”的成本 +- 先选对ORM，再用对功能；以数据驱动取舍：性能、复杂度、可维护性优先 +- 面试中用“原理 + 实战 + 数据结果”讲述你的选型与优化过程，效果最好 diff --git a/docs/interview/MySQL-FAQ.md b/docs/interview/MySQL-FAQ.md index d6da333d42..d8733f8372 100644 --- a/docs/interview/MySQL-FAQ.md +++ b/docs/interview/MySQL-FAQ.md @@ -1,741 +1,844 @@ -# MySQL 三万字精华总结 + 面试100 问，和面试官扯皮绰绰有余 - -> 写在之前：不建议那种上来就是各种面试题罗列，然后背书式的去记忆，对技术的提升帮助很小，对正经面试也没什么帮助，有点东西的面试官深挖下就懵逼了。 +--- +title: MySQL 五万字精华总结 + 面试 100 问，和面试官扯皮绰绰有余 +date: 2024-05-31 +tags: + - MySQL + - 数据库 + - 索引优化 + - SQL调优 + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +> 写在之前：不建议背书式的去记忆面试题，对技术的提升帮助很小，对正经面试也没什么帮助，准备面试的过程还是要把各个知识点真懂了，然后再连成线。 +> +> 个人建议把面试题看作是费曼学习法中的回顾、简化的环节，准备面试的时候，跟着题目先自己讲给自己听，看看自己会满意吗，不满意就继续学习这个点，然后调整自己的话术，如此反复，对这块知识也会理解的更到位，而且面试时候也会得心应手，心仪的 offer 肯定会有的。 > -> 个人建议把面试题看作是费曼学习法中的回顾、简化的环节，准备面试的时候，跟着题目先自己讲给自己听，看看自己会满意吗，不满意就继续学习这个点，如此反复，好的offer离你不远的，奥利给 +> 当然，大家有遇到过什么样『有趣』『有含量』的题目，欢迎提出来，一起学习~ -## 一、MySQL架构 +## 🗺️ 知识导航 -和其它数据库相比，MySQL 有点与众不同，它的架构可以在多种不同场景中应用并发挥良好作用。主要体现在存储引擎的架构上，**插件式的存储引擎架构将查询处理和其它的系统任务以及数据的存储提取相分离**。这种架构可以根据业务的需求和实际需要选择合适的存储引擎。 +### 🏷️ 核心知识分类 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gj0sffrl6ij30t30gqdlf.jpg) +1. **🏗️ 基础与架构**：MySQL架构组件、SQL语法（DDL/DML/DCL）、存储原理 +2. **🗄️ 存储引擎**：InnoDB vs MyISAM特性对比、存储格式、缓冲池机制 +3. **🔍 索引机制与优化**：B+树原理、索引类型、覆盖索引、联合索引、索引失效场景 +4. **🔒 事务与锁机制**：ACID特性、隔离级别、死锁处理、MVCC原理、并发控制 +5. **📊 数据类型与查询优化**：数据类型选择、JOIN优化、子查询、窗口函数、执行计划分析 +6. **📝 日志系统**：redo log、undo log、binlog机制、WAL原理 +7. **⚡ 性能调优**：慢查询分析、参数调优、缓存策略、硬件优化 +8. **🚀 分库分表与集群**：主从复制、读写分离、分片策略、数据迁移、集群部署 +9. **💻 SQL实战编程**：复杂查询编写、存储过程、触发器、性能优化案例 +10. **🖊️ 手撕SQL**：经典SQL题目、复杂业务场景查询、算法实现、面试真题 +11. **🔧 运维与监控**：备份恢复、监控指标、故障排查、容量规划、日常维护 +## 一、基础与架构 🏗️ +### 🎯 MySQL 整体架构 -- **连接层**：最上层是一些客户端和连接服务。**主要完成一些类似于连接处理、授权认证、及相关的安全方案**。在该层上引入了线程池的概念，为通过认证安全接入的客户端提供线程。同样在该层上可以实现基于SSL的安全链接。服务器也会为安全接入的每个客户端验证它所具有的操作权限。 +和其它数据库相比，MySQL 有点与众不同，它的架构可以在多种不同场景中应用并发挥良好作用。主要体现在存储引擎的架构上，**插件式的存储引擎架构将查询处理和其它的系统任务以及数据的存储提取相分离**。这种架构可以根据业务的需求和实际需要选择合适的存储引擎。 -- **服务层**：第二层服务层，主要完成大部分的核心服务功能， 包括查询解析、分析、优化、缓存、以及所有的内置函数，所有跨存储引擎的功能也都在这一层实现，包括触发器、存储过程、视图等 +![](https://img.starfish.ink/mysql/architecture.png) -- **引擎层**：第三层存储引擎层，存储引擎真正的负责了MySQL中数据的存储和提取，服务器通过API与存储引擎进行通信。不同的存储引擎具有的功能不同，这样我们可以根据自己的实际需要进行选取 +> - **连接层**：最上层是一些客户端和连接服务。**主要完成一些类似于连接处理、授权认证、及相关的安全方案**。在该层上引入了线程池的概念，为通过认证安全接入的客户端提供线程。同样在该层上可以实现基于SSL的安全链接。服务器也会为安全接入的每个客户端验证它所具有的操作权限。 +> +> - **服务层**：第二层服务层，主要完成大部分的核心服务功能， 包括查询解析、分析、优化、缓存、以及所有的内置函数，所有跨存储引擎的功能也都在这一层实现，包括触发器、存储过程、视图等 +> +> - **引擎层**：第三层存储引擎层，存储引擎真正的负责了MySQL中数据的存储和提取，服务器通过API与存储引擎进行通信。不同的存储引擎具有的功能不同，这样我们可以根据自己的实际需要进行选取 +> +> - **存储层**：第四层为数据存储层，主要是将数据存储在运行于该设备的文件系统之上，并完成与存储引擎的交互 +> -- **存储层**：第四层为数据存储层，主要是将数据存储在运行于该设备的文件系统之上，并完成与存储引擎的交互 +### 🎯 MySQL 的查询流程具体是怎么样的？ -> 画出 MySQL 架构图，这种变态问题都能问的出来 +> [!TIP] > -> MySQL 的查询流程具体是？or 一条SQL语句在MySQL中如何执行的？ +> 一条 SQL 语句在 MySQL 中如何执行的？ > +> 画出 MySQL 架构图？ 「这种变态问题都能问的出来~」 -客户端请求 ---> 连接器（验证用户身份，给予权限） ---> 查询缓存（存在缓存则直接返回，不存在则执行后续操作） ---> 分析器（对SQL进行词法分析和语法分析操作） ---> 优化器（主要对执行的sql优化选择最优的执行方案方法） ---> 执行器（执行时会先看用户是否有执行权限，有才去使用这个引擎提供的接口） ---> 去引擎层获取数据返回（如果开启查询缓存则会缓存查询结果） +1. **客户端请求**：客户端通过连接器发送查询到 MySQL 服务器（验证用户身份，给予权限） +2. **查询接收**：连接器接收请求，管理连接 +3. **解析器**：对 SQL 进行词法分析和语法分析，转换为解析树 +4. **优化器**：优化器生成执行计划，选择最优索引和连接顺序 +5. **查询执行器**：执行器执行查询，通过存储引擎接口获取数据 +6. **存储引擎**：存储引擎检索数据，返回给执行器 +7. **返回结果**：结果通过连接器返回给客户端 -![img](https://pic2.zhimg.com/80/v2-0d2070e8f84c4801adbfa03bda1f98d9_720w.jpg) - ------- +![](https://img.starfish.ink/mysql/MySQL-select-flow.png) -> 说说MySQL有哪些存储引擎？都有哪些区别？ +### 🎯 MySQL 的数据存储结构 -## 二、存储引擎 +> MySQL（InnoDB）的存储结构是分层设计的，数据最终存放在页（Page）里，页是最小的存储和 I/O 单位（16KB）。多个页组成区（Extent，1MB），多个区组成段（Segment），段属于表空间（Tablespace）。每张表对应一个表空间，里面包含数据段和索引段。行数据存放在数据页中，大字段可能存放在溢出页。这样的设计能兼顾存储管理、性能和空间利用。 -存储引擎是 MySQL 的组件，用于处理不同表类型的 SQL 操作。不同的存储引擎提供不同的存储机制、索引技巧、锁定水平等功能，使用不同的存储引擎，还可以获得特定的功能。 +在 MySQL 中，数据的存储结构从上到下大致分为 **库 → 表 → 表空间 → 段（Segment）→ 区（Extent）→ 页（Page）→ 行（Row）** 这几个层次。 -使用哪一种引擎可以灵活选择，**一个数据库中多个表可以使用不同引擎以满足各种性能和实际需求**，使用合适的存储引擎，将会提高整个数据库的性能 。 +**1. 库（Database）** - MySQL服务器使用**可插拔**的存储引擎体系结构，可以从运行中的 MySQL 服务器加载或卸载存储引擎 。 +- 最上层的逻辑组织单位，相当于一个文件夹。 +- 在磁盘上表现为一个 **目录**，里面包含了表对应的文件。 -### 查看存储引擎 +**2. 表（Table）** -```mysql --- 查看支持的存储引擎 -SHOW ENGINES +- 每张表就是一组结构化的数据。 --- 查看默认存储引擎 -SHOW VARIABLES LIKE 'storage_engine' +**3. 表空间（Tablespace）** ---查看具体某一个表所使用的存储引擎，这个默认存储引擎被修改了！ -show create table tablename +- 表空间是 InnoDB 的数据存储文件，可以是共享的（ibdata）或独立的（.ibd）。 +- 表空间里存放表的所有数据和索引。 +- 每个表空间由若干个 **段（Segment）** 组成。 ---准确查看某个数据库中的某一表所使用的存储引擎 -show table status like 'tablename' -show table status from database where name="tablename" -``` +**4. 段（Segment）** -### 设置存储引擎 +- 段是表空间中的存储单位，用于管理不同用途的空间。 +- 主要有两类： + - **数据段（Data Segment）**：存储表的数据（聚簇索引）。 + - **索引段（Index Segment）**：存储二级索引的数据。 +- 段是由 **多个区（Extent）** 组成的。 -```mysql --- 建表时指定存储引擎。默认的就是INNODB，不需要设置 -CREATE TABLE t1 (i INT) ENGINE = INNODB; -CREATE TABLE t2 (i INT) ENGINE = CSV; -CREATE TABLE t3 (i INT) ENGINE = MEMORY; +**5. 区（Extent）** --- 修改存储引擎 -ALTER TABLE t ENGINE = InnoDB; +- 区是空间分配的基本单位，每个区大小固定为 **1MB**。 +- 在 InnoDB 默认 16KB 页大小时： + - 每个区包含 **64 个页（16KB × 64 = 1MB）**。 +- 为了减少空间碎片，InnoDB 会先以页为单位分配，表大了再按区分配。 --- 修改默认存储引擎，也可以在配置文件my.cnf中修改默认引擎 -SET default_storage_engine=NDBCLUSTER; -``` +**6. 页（Page）** -默认情况下，每当 `CREATE TABLE` 或 `ALTER TABLE` 不能使用默认存储引擎时，都会生成一个警告。为了防止在所需的引擎不可用时出现令人困惑的意外行为，可以启用 `NO_ENGINE_SUBSTITUTION SQL` 模式。如果所需的引擎不可用，则此设置将产生错误而不是警告，并且不会创建或更改表 +- 页是 **InnoDB 磁盘和内存交互的基本单位**，默认大小 **16KB**。 +- 常见页类型： + - **数据页（B+Tree Node Page）**：存储表数据。 + - **Undo 页**：存储回滚日志。 + - **系统页**：存储事务系统信息。 + - **索引页**：存储索引数据。 +- 页内的数据通过 **页目录（Page Directory）** 进行管理。 +**7. 行（Row）** +- 行是最小的数据存储单元。 +- InnoDB 是 **行存储**，每行数据会按字段存储在数据页中。 +- 行存储的特点： + - 一行数据可能存不下时，大字段（如 TEXT、BLOB）会存储在溢出页（Overflow Page），行中只保留指针。 + - 每行都有额外的隐藏字段，比如：**DB_TRX_ID**（事务 ID）、**DB_ROLL_PTR**（回滚指针）等 -### 存储引擎对比 +``` +数据库（Database） + └── 表（Table） + └── 表空间（Tablespace） + └── 段（Segment） + └── 区（Extent，1MB） + └── 页（Page，16KB） + └── 行（Row） +``` -常见的存储引擎就 InnoDB、MyISAM、Memory、NDB。 -InnoDB 现在是 MySQL 默认的存储引擎，支持**事务、行级锁定和外键** -#### 文件存储结构对比 +### 🎯 DDL、DML、DCL的区别和应用？ -在 MySQL中建立任何一张数据表，在其数据目录对应的数据库目录下都有对应表的 `.frm` 文件，`.frm` 文件是用来保存每个数据表的元数据(meta)信息，包括表结构的定义等，与数据库存储引擎无关，也就是任何存储引擎的数据表都必须有`.frm`文件，命名方式为 数据表名.frm，如user.frm。 +MySQL语言分为三大类，各有不同的作用和权限要求： -查看MySQL 数据保存在哪里：`show variables like 'data%'` +**语言分类对比**： -MyISAM 物理文件结构为： +1. **DDL（Data Definition Language）**：数据定义语言 +2. **DML（Data Manipulation Language）**：数据操作语言 +3. **DCL（Data Control Language）**：数据控制语言 -- `.frm`文件：与表相关的元数据信息都存放在frm文件，包括表结构的定义信息等 -- `.MYD` (`MYData`) 文件：MyISAM 存储引擎专用，用于存储 MyISAM 表的数据 -- `.MYI` (`MYIndex`)文件：MyISAM 存储引擎专用，用于存储 MyISAM 表的索引相关信息 +------ -InnoDB 物理文件结构为： -- `.frm` 文件：与表相关的元数据信息都存放在 frm 文件，包括表结构的定义信息等 -- `.ibd` 文件或 `.ibdata` 文件： 这两种文件都是存放 InnoDB 数据的文件，之所以有两种文件形式存放 InnoDB 的数据，是因为 InnoDB 的数据存储方式能够通过配置来决定是使用**共享表空间**存放存储数据，还是用**独享表空间**存放存储数据。 +## 二、存储引擎 🗄️ - 独享表空间存储方式使用`.ibd`文件，并且每个表一个`.ibd`文件 - 共享表空间存储方式使用`.ibdata`文件，所有表共同使用一个`.ibdata`文件（或多个，可自己配置） +> 存储引擎是 MySQL 的组件，用于处理不同表类型的 SQL 操作。不同的存储引擎提供不同的存储机制、索引技巧、锁定水平等功能，使用不同的存储引擎，还可以获得特定的功能。 +> +> 使用哪一种引擎可以灵活选择，**一个数据库中多个表可以使用不同引擎以满足各种性能和实际需求**，使用合适的存储引擎，将会提高整个数据库的性能 。 +> +> MySQL 服务器使用**可插拔**的存储引擎体系结构，可以从运行中的 MySQL 服务器加载或卸载存储引擎 。 +> +> **查看存储引擎** +> +> ```mysql +> -- 查看支持的存储引擎 +> SHOW ENGINES +> +> -- 查看默认存储引擎 +> SHOW VARIABLES LIKE 'storage_engine' +> +> --查看具体某一个表所使用的存储引擎，这个默认存储引擎被修改了！ +> show create table tablename +> +> --准确查看某个数据库中的某一表所使用的存储引擎 +> show table status like 'tablename' +> show table status from database where name="tablename" +> ``` +> +> **设置存储引擎** +> +> ```mysql +> -- 建表时指定存储引擎。默认的就是INNODB，不需要设置 +> CREATE TABLE t1 (i INT) ENGINE = INNODB; +> CREATE TABLE t2 (i INT) ENGINE = CSV; +> CREATE TABLE t3 (i INT) ENGINE = MEMORY; +> +> -- 修改存储引擎 +> ALTER TABLE t ENGINE = InnoDB; +> +> -- 修改默认存储引擎，也可以在配置文件my.cnf中修改默认引擎 +> SET default_storage_engine=NDBCLUSTER; +> ``` +> -> ps：正经公司，这些都有专业运维去做，数据备份、恢复啥的，让我一个 Javaer 搞这的话，加钱不？ +### 🎯 说说 MySQL 都有哪些存储引擎？都有哪些区别？ -#### 面试这么回答 +常见的存储引擎就 InnoDB、MyISAM、Memory、NDB。 -1. InnoDB 支持事务，MyISAM 不支持事务。这是 MySQL 将默认存储引擎从 MyISAM 变成 InnoDB 的重要原因之一； -2. InnoDB 支持外键，而 MyISAM 不支持。对一个包含外键的 InnoDB 表转为 MYISAM 会失败； -3. InnoDB 是聚簇索引，MyISAM 是非聚簇索引。聚簇索引的文件存放在主键索引的叶子节点上，因此 InnoDB 必须要有主键，通过主键索引效率很高。但是辅助索引需要两次查询，先查询到主键，然后再通过主键查询到数据。因此，主键不应该过大，因为主键太大，其他索引也都会很大。而 MyISAM 是非聚集索引，数据文件是分离的，索引保存的是数据文件的指针。主键索引和辅助索引是独立的。 -4. InnoDB 不保存表的具体行数，执行` select count(*) from table` 时需要全表扫描。而 MyISAM 用一个变量保存了整个表的行数，执行上述语句时只需要读出该变量即可，速度很快； -5. InnoDB 最小的锁粒度是行锁，MyISAM 最小的锁粒度是表锁。一个更新语句会锁住整张表，导致其他查询和更新都会被阻塞，因此并发访问受限。这也是 MySQL 将默认存储引擎从 MyISAM 变成 InnoDB 的重要原因之一； +InnoDB 现在是 MySQL5.5 版本后默认的存储引擎，支持**事务、行级锁定和外键**。我们一般和 MyISAM 进行对比即可 -| 对比项 | MyISAM | InnoDB | -| -------- | -------------------------------------------------------- | ------------------------------------------------------------ | -| 主外键 | 不支持 | 支持 | -| 事务 | 不支持 | 支持 | -| 行表锁 | 表锁，即使操作一条记录也会锁住整个表，不适合高并发的操作 | 行锁,操作时只锁某一行，不对其它行有影响，适合高并发的操作 | -| 缓存 | 只缓存索引，不缓存真实数据 | 不仅缓存索引还要缓存真实数据，对内存要求较高，而且内存大小对性能有决定性的影响 | -| 表空间 | 小 | 大 | -| 关注点 | 性能 | 事务 | -| 默认安装 | 是 | 是 | +1. **事务支持**：InnoDB 支持事务，MyISAM 不支持事务。这是 MySQL 将默认存储引擎从 MyISAM 变成 InnoDB 的重要原因之一； +2. **外键约束**：InnoDB 支持外键，而 MyISAM 不支持。对一个包含外键的 InnoDB 表转为 MYISAM 会失败； +3. **存储结构**：InnoDB 是聚簇索引，MyISAM 是非聚簇索引。聚簇索引的文件存放在主键索引的叶子节点上，因此 InnoDB 必须要有主键，通过主键索引效率很高。但是辅助索引需要两次查询，先查询到主键，然后再通过主键查询到数据。因此，主键不应该过大，因为主键太大，其他索引也都会很大。而 MyISAM 是非聚集索引，数据文件是分离的，索引保存的是数据文件的指针。主键索引和辅助索引是独立的。 +4. **表空间管理**：InnoDB 使用表空间（tablespace）来管理数据存储，支持自动扩展，支持表和索引分开存储，提高存储效率。MyISAM 每个表有三个文件：`.frm`（表定义文件）、`.MYD`（数据文件）和 `.MYI`（索引文件） +5. **锁定机制**：InnoDB 最小的锁粒度是行锁，MyISAM 最小的锁粒度是表锁。一个更新语句会锁住整张表，导致其他查询和更新都会被阻塞，因此并发访问受限。这也是 MySQL 将默认存储引擎从 MyISAM 变成 InnoDB 的重要原因之一； +6. **崩溃恢复**：InnoDB 具有崩溃恢复的能力，使用重做日志（redo log）和回滚日志（undo log）来恢复数据；MyISAM 没有崩溃恢复机制，可能需要手动恢复 +7. **性能**： InnoDB 在写密集型操作中表现更好，特别是在需要事务和外键约束的场景下。MyISAM 在读密集型操作中表现更好，尤其是在没有写操作的情况下。 -> 一张表，里面有ID自增主键，当insert了17条记录之后，删除了第15,16,17条记录，再把Mysql重启，再insert一条记录，这条记录的ID是18还是15 ？ - -如果表的类型是MyISAM，那么是18。因为MyISAM表会把自增主键的最大ID 记录到数据文件中，重启MySQL自增主键的最大ID也不会丢失； - -如果表的类型是InnoDB，那么是15。因为InnoDB 表只是把自增主键的最大ID记录到内存中，所以重启数据库或对表进行OPTION操作，都会导致最大ID丢失。 - -> 哪个存储引擎执行 select count(*) 更快，为什么? - -MyISAM更快，因为MyISAM内部维护了一个计数器，可以直接调取。 - -- 在 MyISAM 存储引擎中，把表的总行数存储在磁盘上，当执行 select count(\*) from t 时，直接返回总数据。 - -- 在 InnoDB 存储引擎中，跟 MyISAM 不一样，没有将总行数存储在磁盘上，当执行 select count(\*) from t 时，会先把数据读出来，一行一行的累加，最后返回总数量。 - -InnoDB 中 count(\*) 语句是在执行的时候，全表扫描统计总数量，所以当数据越来越大时，语句就越来越耗时了，为什么 InnoDB 引擎不像 MyISAM 引擎一样，将总行数存储到磁盘上？这跟 InnoDB 的事务特性有关，由于多版本并发控制（MVCC）的原因，InnoDB 表“应该返回多少行”也是不确定的。 - - - -## 三、数据类型 - -主要包括以下五大类： - -- 整数类型：BIT、BOOL、TINY INT、SMALL INT、MEDIUM INT、 INT、 BIG INT -- 浮点数类型：FLOAT、DOUBLE、DECIMAL -- 字符串类型：CHAR、VARCHAR、TINY TEXT、TEXT、MEDIUM TEXT、LONGTEXT、TINY BLOB、BLOB、MEDIUM BLOB、LONG BLOB -- 日期类型：Date、DateTime、TimeStamp、Time、Year -- 其他数据类型：BINARY、VARBINARY、ENUM、SET、Geometry、Point、MultiPoint、LineString、MultiLineString、Polygon、GeometryCollection等 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gf29eij8zsj316x0u0gsn.jpg) - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gf29fk2f4rj31ac0gi0w3.jpg) +> #### 文件存储结构对比 +> +> 在 MySQL中建立任何一张数据表，在其数据目录对应的数据库目录下都有对应表的 `.frm` 文件，`.frm` 文件是用来保存每个数据表的元数据(meta)信息，包括表结构的定义等，与数据库存储引擎无关，也就是任何存储引擎的数据表都必须有`.frm`文件，命名方式为 数据表名.frm，如 user.frm。 +> +> 查看 MySQL 数据保存在哪里：`show variables like 'data%'` +> +> MyISAM 物理文件结构为： +> +> - `.frm`文件：与表相关的元数据信息都存放在frm文件，包括表结构的定义信息等 +> - `.MYD` (`MYData`) 文件：MyISAM 存储引擎专用，用于存储 MyISAM 表的数据 +> - `.MYI` (`MYIndex`)文件：MyISAM 存储引擎专用，用于存储 MyISAM 表的索引相关信息 +> +> InnoDB 物理文件结构为： +> +> - `.frm` 文件：与表相关的元数据信息都存放在 frm 文件，包括表结构的定义信息等 +> +> - `.ibd` 文件或 `.ibdata` 文件： 这两种文件都是存放 InnoDB 数据的文件，之所以有两种文件形式存放 InnoDB 的数据，是因为 InnoDB 的数据存储方式能够通过配置来决定是使用**共享表空间**存放存储数据，还是用**独享表空间**存放存储数据。 +> +> 独享表空间存储方式使用`.ibd`文件，并且每个表一个`.ibd`文件 +> 共享表空间存储方式使用`.ibdata`文件，所有表共同使用一个`.ibdata`文件（或多个，可自己配置） +> -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gf29g2azwtj31a80nywit.jpg) +### 🎯 哪个存储引擎执行 select count(*) 更快，为什么? -### CHAR 和 VARCHAR 的区别？ +MyISAM 更快，因为 MyISAM 内部维护了一个计数器，可以直接调取。 -char是固定长度，varchar长度可变： +- MyISAM 存储每个表的行数在表的元数据中，因此执行 `SELECT COUNT(*)` 时，它可以直接读取这个值，而不需要扫描整个表 -char(n) 和 varchar(n) 中括号中 n 代表字符的个数，并不代表字节个数，比如 CHAR(30) 就可以存储 30 个字符。 +- nnoDB 不存储行数信息在表的元数据中。每次执行 `SELECT COUNT(*)` 查询时，InnoDB 都需要扫描整个表来计算行数。这对于大表来说可能会非常慢。 -存储时，前者不管实际存储数据的长度，直接按 char 规定的长度分配存储空间；而后者会根据实际存储的数据分配最终的存储空间 +InnoDB 不将表的行数存储在元数据中，主要原因是其设计目标与 MyISAM 不同。InnoDB 设计为支持高并发的事务处理和数据一致性，因此其存储和计数机制需要权衡性能和一致性。以下是一些具体原因： -相同点： +**1. 行级锁定和并发控制** -1. char(n)，varchar(n)中的n都代表字符的个数 -2. 超过char，varchar最大长度n的限制后，字符串会被截断。 +InnoDB 支持行级锁定，这意味着在高并发环境中，不同事务可以同时对不同的行进行操作，而不会相互阻塞。为了确保这种并发控制和数据一致性，InnoDB 需要动态计算行数，以反映当前事务视图下的数据状态。 -不同点： +- **事务隔离级别**：InnoDB 支持多种事务隔离级别（如 READ COMMITTED、REPEATABLE READ、SERIALIZABLE），这些隔离级别决定了事务如何看到数据。预先存储的行数无法满足这些隔离级别的要求，因为行数在不同事务下可能有所不同。 +- **锁机制**：由于行级锁定，InnoDB 在处理大量并发事务时，需要动态调整行数信息，而不是依赖预先存储的静态行数。 -1. char不论实际存储的字符数都会占用n个字符的空间，而varchar只会占用实际字符应该占用的字节空间加1（实际长度length，0<=length<255）或加2（length>255）。因为varchar保存数据时除了要保存字符串之外还会加一个字节来记录长度（如果列声明长度大于255则使用两个字节来保存长度）。 -2. 能存储的最大空间限制不一样：char的存储上限为255字节。 -3. char在存储时会截断尾部的空格，而varchar不会。 +**2. 一致性和持久性** -char是适合存储很短的、一般固定长度的字符串。例如，char非常适合存储密码的MD5值，因为这是一个定长的值。对于非常短的列，char比varchar在存储空间上也更有效率。 +InnoDB 设计为支持 ACID 属性（原子性、一致性、隔离性、持久性），这要求所有的数据操作都必须保证一致性和可靠性。 +- **崩溃恢复**：InnoDB 使用重做日志（redo log）和回滚日志（undo log）来实现崩溃恢复。如果行数保存在元数据中，崩溃恢复后行数可能与实际数据不一致，从而破坏数据的一致性。 +- **并发更新**：在高并发环境中，多个事务可能同时修改表中的数据。如果行数保存在元数据中，每次更新都需要锁定并更新元数据，这将导致严重的性能瓶颈。 +**3. 性能优化** -### 列的字符串类型可以是什么？ +动态计算行数虽然在某些查询中（如 `SELECT COUNT(*)`）较慢，但它避免了在高并发写操作下频繁更新元数据的性能开销。 -字符串类型是：SET、BLOB、ENUM、CHAR、TEXT、VARCHAR +- **写操作性能**：为了保证高效的写操作，InnoDB 设计避免了每次写操作都需要更新元数据的设计，这样可以更好地处理高并发写入。 +- **实际应用**：在实际应用中，行数的精确统计并不是经常需要的操作。大多数情况下，应用程序可以通过索引和其他机制来实现高效的数据访问，而不依赖于 `SELECT COUNT(*)` 的性能。 -### BLOB和TEXT有什么区别？ +### 🎯 为什么 MySQL 默认存储引擎从 MyISAM 改为 InnoDB？ -BLOB是一个二进制对象，可以容纳可变数量的数据。有四种类型的BLOB：TINYBLOB、BLOB、MEDIUMBLO和 LONGBLOB +MySQL 从 5.5 开始默认引擎改为 InnoDB，主要是因为 InnoDB 更符合企业级应用的需求： -TEXT是一个不区分大小写的BLOB。四种TEXT类型：TINYTEXT、TEXT、MEDIUMTEXT 和 LONGTEXT。 +- 支持事务，保证 ACID； +- 宕机时能通过 redo/undo log 保证数据安全； +- 行级锁提高了并发性能，而 MyISAM 只有表级锁； +- 支持外键，保证数据一致性； +- 有 Buffer Pool 缓存机制，性能更优； +- 也是 MySQL 社区未来重点发展的方向。 -BLOB 保存二进制数据，TEXT 保存字符数据。 +因此 InnoDB 逐渐取代 MyISAM，成为默认存储引擎。 ------ -## 四、索引 +## 三、索引机制与优化 🔍 ->说说你对 MySQL 索引的理解？ +> - MYSQL官方对索引的定义为：索引（Index）是帮助 MySQL 高效获取数据的数据结构，所以说**索引的本质是：数据结构** > ->数据库索引的原理，为什么要用 B+树，为什么不用二叉树？ +> - 索引的目的在于提高查询效率，可以类比字典、 火车站的车次表、图书的目录等 。 > ->聚集索引与非聚集索引的区别？ +> - 可以简单的理解为“排好序的快速查找数据结构”，数据本身之外，**数据库还维护者一个满足特定查找算法的数据结构**，这些数据结构以某种方式引用（指向）数据，这样就可以在这些数据结构上实现高级查找算法。这种数据结构，就是索引。下图是一种可能的索引方式示例。 > ->InnoDB引擎中的索引策略，了解过吗？ +> ![](https://img.starfish.ink/mysql/search-index-demo.png) > ->创建索引的方式有哪些？ +> 左边的数据表，一共有两列七条记录，最左边的是数据记录的物理地址 +> +> 为了加快Col2的查找，可以维护一个右边所示的二叉查找树，每个节点分别包含索引键值，和一个指向对应数据记录物理地址的指针，这样就可以运用二叉查找在一定的复杂度内获取到对应的数据，从而快速检索出符合条件的记录。 +> +> - 索引本身也很大，不可能全部存储在内存中，**一般以索引文件的形式存储在磁盘上** +> +> - 平常说的索引，没有特别指明的话，就是 B+ 树（多路搜索树，不一定是二叉树）结构组织的索引。其中聚集索引，次要索引，覆盖索引，复合索引，前缀索引，唯一索引默认都是使用 B+ 树索引，统称索引。此外还有哈希索引等。 > ->聚簇索引/非聚簇索引，mysql索引底层实现，为什么不用B-tree，为什么不用hash，叶子结点存放的是数据还是指向数据的内存地址，使用索引需要注意的几个地方？ - -- MYSQL官方对索引的定义为：索引（Index）是帮助 MySQL 高效获取数据的数据结构，所以说**索引的本质是：数据结构** - -- 索引的目的在于提高查询效率，可以类比字典、 火车站的车次表、图书的目录等 。 - -- 可以简单的理解为“排好序的快速查找数据结构”，数据本身之外，**数据库还维护者一个满足特定查找算法的数据结构**，这些数据结构以某种方式引用（指向）数据，这样就可以在这些数据结构上实现高级查找算法。这种数据结构，就是索引。下图是一种可能的索引方式示例。 - - ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gf3u9tli6gj30gt08xdg2.jpg) - - 左边的数据表，一共有两列七条记录，最左边的是数据记录的物理地址 - - 为了加快Col2的查找，可以维护一个右边所示的二叉查找树，每个节点分别包含索引键值，和一个指向对应数据记录物理地址的指针，这样就可以运用二叉查找在一定的复杂度内获取到对应的数据，从而快速检索出符合条件的记录。 -- 索引本身也很大，不可能全部存储在内存中，**一般以索引文件的形式存储在磁盘上** -- 平常说的索引，没有特别指明的话，就是 B+ 树（多路搜索树，不一定是二叉树）结构组织的索引。其中聚集索引，次要索引，覆盖索引，复合索引，前缀索引，唯一索引默认都是使用 B+ 树索引，统称索引。此外还有哈希索引等。 +### 🎯 说说你对 MySQL 索引的理解？ +> 这种就属于比较宽泛的问题，可以有结构条例的多说一些。差不多的问法： +> +> - 索引是越多越好吗？为什么？ +> - 索引有哪些优缺点？ +> [!TIP] +> +> **话术点**：B+ 树、优缺点、索引分类、最左匹配原则 -### 基本语法： +索引是数据库优化的重要工具，从数据结构上来说，在 MySQL 里面索引主要是 B+ 树索引。它的查询性能更好，适合范围查询，也适合放在内存里。 MySQL 的索引又可以从不同的角度进一步划分。比如说根据叶子节点是否包含 数据分成聚簇索引和非聚簇索引，还有包含某个查询的所有列的覆盖索引等 等。数据库使用索引遵循最左匹配原则。但是最终数据库会不会用索引，也是一个比较难说的事情，跟查询有关，也跟数据量有关。在实践中，是否使用索引以及使用什么索引，都要以 EXPLAIN 为准。 -- 创建： +> **优势** +> +> - 提高数据检索效率，降低数据库IO成本 +> +> - 降低数据排序的成本，降低CPU的消耗 +> +> +> **劣势** +> +> - 索引也是一张表，保存了主键和索引字段，并指向实体表的记录，所以也需要占用内存 +> - 虽然索引大大提高了查询速度，同时却会降低更新表的速度，如对表进行 INSERT、UPDATE 和 DELETE。 +> 因为更新表时，MySQL 不仅要保存数据，还要保存一下索引文件每次更新添加了索引列的字段， +> 都会调整因为更新所带来的键值变化后的索引信息 - - 创建索引：`CREATE [UNIQUE] INDEX indexName ON mytable(username(length));` +> ##### MySQL索引分类 +> +> ###### 数据结构角度 +> +> - B+树索引 +> - Hash索引 +> - R-Tree索引 +> +> ###### 从物理存储角度 +> +> - 聚集索引（clustered index） +> +> - 非聚集索引（non-clustered index），也叫辅助索引（secondary index） +> +> 聚集索引和非聚集索引都是B+树结构 +> +> ###### 从逻辑角度 +> +> - 主键索引：主键索引是一种特殊的唯一索引，不允许有空值 +> - 普通索引或者单列索引：每个索引只包含单个列，一个表可以有多个单列索引 +> - 多列索引（复合索引、联合索引）：复合索引指多个字段上创建的索引，只有在查询条件中使用了创建索引时的第一个字段，索引才会被使用。使用复合索引时遵循最左前缀集合 +> - 唯一索引或者非唯一索引 +> - 空间索引：空间索引是对空间数据类型的字段建立的索引，MYSQL中的空间数据类型有4种，分别是GEOMETRY、POINT、LINESTRING、POLYGON。 +> MYSQL使用SPATIAL关键字进行扩展，使得能够用于创建正规索引类型的语法创建空间索引。创建空间索引的列，必须将其声明为NOT NULL，空间索引只能在存储引擎为MYISAM的表中创建 +> - 如果是 CHAR，VARCHAR 类型，length 可以小于字段实际长度；如果是BLOB和TEXT类型，必须指定 length。 - - 修改表结构(添加索引)：`ALTER table tableName ADD [UNIQUE] INDEX indexName(columnName)` -- 删除：`DROP INDEX [indexName] ON mytable;` +### 🎯 说一下 MySQL InnoDB 的索引原理是什么? -- 查看：`SHOW INDEX FROM table_name\G` --可以通过添加 \G 来格式化输出信息。 +> 这就涉及到了好多知识点，我们可以列举几项关键点，说说**索引结构**、**聚簇索引** -- 使用ALERT命令 +**首先要明白索引（index）是在存储引擎（storage engine）层面实现的，而不是server层面**。不是所有的存储引擎都支持所有的索引类型。即使多个存储引擎支持某一索引类型，它们的实现和行为也可能有所差别。 - - `ALTER TABLE tbl_name ADD PRIMARY KEY (column_list):` 该语句添加一个主键，这意味着索引值必须是唯一的，且不能为NULL。 - - `ALTER TABLE tbl_name ADD UNIQUE index_name (column_list` 这条语句创建索引的值必须是唯一的（除了NULL外，NULL可能会出现多次）。 - - `ALTER TABLE tbl_name ADD INDEX index_name (column_list)` 添加普通索引，索引值可出现多次。 - - `ALTER TABLE tbl_name ADD FULLTEXT index_name (column_list)`该语句指定了索引为 FULLTEXT ，用于全文索引。 +- **B+Tree索引** + InnoDB 的主要索引结构是 B+ 树索引。B+ 树是一种平衡树，每个节点可以有多个子节点。与 B 树不同，B+ 树的所有数据都存储在叶子节点中，叶子节点之间通过指针相连，这使得范围查询和排序操作非常高效。 +- **聚簇索引 和 非聚簇索引** -### 优势 + - InnoDB 中的主键索引就是聚簇索引。聚簇索引将数据行与索引紧密结合在一起，数据行存储在叶子节点中，因此通过主键查找数据非常高效 + - 当你创建一个表并指定主键时，InnoDB 会自动使用主键创建一个聚簇索引。 + - 如果没有显式定义主键，InnoDB 会选择一个唯一的非空索引代替。 + - 如果没有唯一非空索引，InnoDB 会自动生成一个隐藏的行 ID 作为聚簇索引 -- **提高数据检索效率，降低数据库IO成本** + - 辅助索引（也称为二级索引或非聚簇索引）是用于加速对非主键列的查询。辅助索引的叶子节点存储索引列的值以及对应的主键值。 -- **降低数据排序的成本，降低CPU的消耗** + 使用辅助索引进行查询时，InnoDB 首先通过辅助索引找到主键值，然后通过主键值在聚簇索引中查找实际数据。这种回表（回查）过程可能增加查询时间，但仍然比全表扫描快得多。 -### 劣势 - -- 索引也是一张表，保存了主键和索引字段，并指向实体表的记录，所以也需要占用内存 -- 虽然索引大大提高了查询速度，同时却会降低更新表的速度，如对表进行INSERT、UPDATE和DELETE。 - 因为更新表时，MySQL不仅要保存数据，还要保存一下索引文件每次更新添加了索引列的字段， - 都会调整因为更新所带来的键值变化后的索引信息 - +### 🎯 为什么要用 B+树？ +> B+ 树 索引相比于其他索引类型的优势？ +> +> 为什么MySQL 索引中用 B+tree，不用 B-tree 或者其他树，为什么不用 Hash 索引 +> +> B-Tree 对比 B+Tree索引 -### MySQL索引分类 +- **B+Tree 相对于 B 树 索引结构的优势：** -#### 数据结构角度 + - B+ 树空间利用率更高：B+Tree 只在叶子节点存储数据，而 B 树 的非叶子节点也要存储数据，所以 B+Tree 的单个节点的数据量更小，在相同的磁盘 I/O 次数下，就能查询更多的节点。 -- B+树索引 -- Hash索引 -- Full-Text全文索引 -- R-Tree索引 -#### 从物理存储角度 + - B 树只适合随机检索，B+Tree 叶子节点采用的是双链表连接，同时支持**随机检索和顺序检索** -- 聚集索引（clustered index） -- 非聚集索引（non-clustered index），也叫辅助索引（secondary index） +- **B+Tree 相对于二叉树索引结构的优势：** - 聚集索引和非聚集索引都是B+树结构 + - 与 B+ 树相比，平衡二叉树、红黑树在同等数据量下，高度更高，性能更差，而且它们会频 繁执行再平衡过程，来保证树形结构平衡 -#### 从逻辑角度 + - 对于有 N 个叶子节点的 B+Tree，其搜索复杂度为$O(logdN)$，其中 d 表示节点允许的最大子节点个数为 d 个。在实际的应用当中， d 值是大于100的，这样就保证了，即使数据达到千万级别时，B+Tree 的高度依然维持在 3~4 层左右，也就是说一次数据查询操作只需要做 3~4 次的磁盘 I/O 操作就能查询到目标数据（这里的查询参考上面 B+Tree 的聚簇索引的查询过程）。 -- 主键索引：主键索引是一种特殊的唯一索引，不允许有空值 -- 普通索引或者单列索引：每个索引只包含单个列，一个表可以有多个单列索引 -- 多列索引（复合索引、联合索引）：复合索引指多个字段上创建的索引，只有在查询条件中使用了创建索引时的第一个字段，索引才会被使用。使用复合索引时遵循最左前缀集合 -- 唯一索引或者非唯一索引 -- 空间索引：空间索引是对空间数据类型的字段建立的索引，MYSQL中的空间数据类型有4种，分别是GEOMETRY、POINT、LINESTRING、POLYGON。 - MYSQL使用SPATIAL关键字进行扩展，使得能够用于创建正规索引类型的语法创建空间索引。创建空间索引的列，必须将其声明为NOT NULL，空间索引只能在存储引擎为MYISAM的表中创建 + 而二叉树的每个父节点的儿子节点个数只能是 2 个，意味着其搜索复杂度为 $O(logN)$，这已经比 B+Tree 高出不少，因此二叉树检索到目标数据所经历的磁盘 I/O 次数要更多。 +- **B+Tree 相对于 Hash 表存储结构的优势**： + - 我们知道范围查询是 MySQL 中常见的场景，但是 Hash 表不适合做范围查询，它更适合做等值的查询，这也是 B+Tree 索引要比 Hash 表索引有着更广泛的适用场景的原因。 +- **B+Tree 相对于 跳表存储结构的优势**： + - 与B+ 树相比，跳表在极端情况下会退化为链表，平衡性差，而数据库查询需要一个可预期 的查询时间，并且跳表需要更多的内存。 -> 为什么MySQL 索引中用B+tree，不用B-tree 或者其他树，为什么不用 Hash 索引 +> MyISAM 和 InnoDB 存储引擎，都使用 B+Tree的数据结构，它相对与 B-Tree结构，所有的数据都存放在叶子节点上，且把叶子节点通过指针连接到一起，形成了一条数据链表，以加快相邻数据的检索效率。 > -> 聚簇索引/非聚簇索引，MySQL 索引底层实现，叶子结点存放的是数据还是指向数据的内存地址，使用索引需要注意的几个地方？ +> B-Tree 是为磁盘等外存储设备设计的一种平衡查找树。 +> +> 系统从磁盘读取数据到内存时是以磁盘块（block）为基本单位的，位于同一个磁盘块中的数据会被一次性读取出来，而不是需要什么取什么。 +> +> InnoDB 存储引擎中有页（Page）的概念，页是其磁盘管理的最小单位。InnoDB 存储引擎中默认每个页的大小为16KB。 +> +> 而系统一个磁盘块的存储空间往往没有这么大，因此 InnoDB 每次申请磁盘空间时都会是若干地址连续磁盘块来达到页的大小 16KB。InnoDB 在把磁盘数据读入到磁盘时会以页为基本单位，在查询数据时如果一个页中的每条数据都能有助于定位数据记录的位置，这将会减少磁盘I/O次数，提高查询效率。 +> +> B+Tree 是在 B-Tree 基础上的一种优化，使其更适合实现外存储索引结构。从 B-Tree 结构图中可以看到每个节点中不仅包含数据的 key 值，还有 data 值。而每一个页的存储空间是有限的，如果 data 数据较大时将会导致每个节点（即一个页）能存储的 key 的数量很小，当存储的数据量很大时同样会导致 B-Tree 的深度较大，增大查询时的磁盘 I/O 次数，进而影响查询效率。在 B+Tree 中，**所有数据记录节点都是按照键值大小顺序存放在同一层的叶子节点上**，而非叶子节点上只存储 key 值信息，这样可以大大加大每个节点存储的 key 值数量，降低 B+Tree 的高度。![](https://img.starfish.ink/mysql/MySQL-B%2BTree-store.png) +> +> - **节点存储内容**： +> - **B-Tree**：每个节点可以存储多个键和多个子节点的指针。键被存储在节点内部，并且可以被多次访问。 +> - **B+Tree**：非叶子节点仅存储键作为索引，不存储实际的数据记录，所以**适合放入内存中**。所有的数据记录都存储在叶子节点中，并且叶子节点被额外的指针连接在一起，形成一个有序链表。 +> +> - **查询性能**： +> - **B-Tree**：叶子节点可能包含数据记录，也可能不包含，取决于具体的实现。在查找特定值时，可以在找到对应节点时立即返回结果。 +> - **B+Tree**：所有的数据记录都存储在叶子节点中。在查找特定值时，需要访问叶子节点，但因为**叶子节点形成了有序链表**，所以**范围查询和顺序访问的性能更好**。 +> - **空间效率**： +> - **B-Tree**：因为每个节点存储更多的键和指针，所以每个节点可以有更少的子节点，树的高度可能会更小。 +> - **B+Tree**：每个内部节点可以有更多子节点，因为它们只存储键的索引，这使得树更宽、更浅，减少了树的高度，**提高了 I/O 效率**。 > -> 使用索引查询一定能提高查询的性能吗？为什么? - -### MySQL索引结构 - -**首先要明白索引（index）是在存储引擎（storage engine）层面实现的，而不是server层面**。不是所有的存储引擎都支持所有的索引类型。即使多个存储引擎支持某一索引类型，它们的实现和行为也可能有所差别。 - -#### B+Tree索引 - -MyISAM 和 InnoDB 存储引擎，都使用 B+Tree的数据结构，它相对与 B-Tree结构，所有的数据都存放在叶子节点上，且把叶子节点通过指针连接到一起，形成了一条数据链表，以加快相邻数据的检索效率。 - -**先了解下 B-Tree 和 B+Tree 的区别** - -##### B-Tree - -B-Tree是为磁盘等外存储设备设计的一种平衡查找树。 - -系统从磁盘读取数据到内存时是以磁盘块（block）为基本单位的，位于同一个磁盘块中的数据会被一次性读取出来，而不是需要什么取什么。 - -InnoDB 存储引擎中有页（Page）的概念，页是其磁盘管理的最小单位。InnoDB 存储引擎中默认每个页的大小为16KB，可通过参数 `innodb_page_size` 将页的大小设置为 4K、8K、16K，在 MySQL 中可通过如下命令查看页的大小：`show variables like 'innodb_page_size';` -而系统一个磁盘块的存储空间往往没有这么大，因此 InnoDB 每次申请磁盘空间时都会是若干地址连续磁盘块来达到页的大小 16KB。InnoDB 在把磁盘数据读入到磁盘时会以页为基本单位，在查询数据时如果一个页中的每条数据都能有助于定位数据记录的位置，这将会减少磁盘I/O次数，提高查询效率。 -B-Tree 结构的数据可以让系统高效的找到数据所在的磁盘块。为了描述 B-Tree，首先定义一条记录为一个二元组[key, data] ，key为记录的键值，对应表中的主键值，data 为一行记录中除主键外的数据。对于不同的记录，key值互不相同。 -一棵m阶的B-Tree有如下特性：  -1. 每个节点最多有m个孩子  -2. 除了根节点和叶子节点外，其它每个节点至少有Ceil(m/2)个孩子。 -3. 若根节点不是叶子节点，则至少有2个孩子  -4. **所有叶子节点都在同一层，且不包含其它关键字信息**  -5. 每个非终端节点包含n个关键字信息（P0,P1,…Pn, k1,…kn）  -6. 关键字的个数n满足：ceil(m/2)-1 <= n <= m-1  -7. ki(i=1,…n)为关键字，且关键字升序排序 -8. Pi(i=1,…n)为指向子树根节点的指针。P(i-1)指向的子树的所有节点关键字均小于ki，但都大于k(i-1) +> #### B+Tree 性质 +> +> 在数据库中，B+ 树索引结构的高度 *h* 直接影响到进行一次索引查找所需的 I/O 次数。这是因为每次 I/O 操作通常只能读取一个磁盘块（或页）的数据。 +> +> - **B+ 树高度 h**： +> +> - B+树的高度是由树中节点的最大数量决定的，可以通过以下公式近似计算： $h≈logm(N)$ +> +> - 其中 *N* 是树中存储的总记录数，*m* 是每个磁盘块（页）可以存储的数据项数量。 +> +> 当数据量 N 一定的情况下，m 越大，h 越小；而 m = 磁盘块的大小 / 数据项的大小，磁盘块的大小也就是一个数据页的大小，是固定的（默认 16 KB），如果数据项占的空间越小，数据项的数量越多，树的高度越低。 +> +> 这就是为什么每个数据项，即索引字段要尽量的小，比如 int 占 4 字节，要比 bigint 8 字节少一半。这也是为什么 B+ 树要求把真实的数据放到叶子节点而不是内层节点，一旦放到内层节点，磁盘块的数据项会大幅度下降，导致树增高。当数据项等于1时将会退化成线性表。 +> +> > [!NOTE] +> > +> > 在实际应用中，B+树的高度和 I/O 次数会受到许多因素的影响，包括页的大小、数据的分布、索引的选择性等 +> +> 当 B+ 树的数据项是复合的数据结构，比如(name,age,sex) 的时候，B+ 树是按照从左到右的顺序来建立搜索树的，比如当(张三,20,F) 这样的数据来检索的时候，B+树会优先比较 name 来确定下一步的所搜方向，如果 name 相同再依次比较 age 和 sex，最后得到检索的数据；但当 (20,F) 这样的没有 name 的数据来的时候，B+ 树就不知道下一步该查哪个节点，因为建立搜索树的时候name 就是第一个**比较因子**，必须要先根据 name 来搜索才能知道下一步去哪里查询。比如当 (张三,F) 这样的数据来检索时，B+ 树可以用 name 来指定搜索方向，但下一个字段 age 的缺失，所以只能把名字等于张三的数据都找到，然后再匹配性别是 F 的数据了， 这个是非常重要的性质，就是我们说的**索引的最左匹配特性**。 -B-Tree 中的每个节点根据实际情况可以包含大量的关键字信息和分支，如下图所示为一个 3 阶的 B-Tree： -![索引](https://tva1.sinaimg.cn/large/007S8ZIlly1gg1de1fj9qj30ou08aaas.jpg) -每个节点占用一个盘块的磁盘空间，一个节点上有两个升序排序的关键字和三个指向子树根节点的指针，指针存储的是子节点所在磁盘块的地址。两个关键词划分成的三个范围域对应三个指针指向的子树的数据的范围域。以根节点为例，关键字为17和35，P1指针指向的子树的数据范围为小于17，P2指针指向的子树的数据范围为17~35，P3指针指向的子树的数据范围为大于35。 +### 🎯 说下页分裂？ -模拟查找关键字29的过程： +> InnoDB 的索引是基于 B+ 树实现的，存储单元是 16KB 的页。当一个页的数据写满后，如果需要在其中间插入新数据，InnoDB 会申请新的页，把部分数据迁移过去，并更新父节点指针，这个过程就是“页分裂”。页分裂会带来 **性能开销**（申请页、搬迁数据、更新索引）和 **空间浪费**（页利用率下降），因此在设计表结构时，推荐使用 **自增主键**，减少离散插入，避免频繁页分裂。 -1. 根据根节点找到磁盘块1，读入内存。【磁盘I/O操作第1次】 -2. 比较关键字29在区间（17,35），找到磁盘块1的指针P2。 -3. 根据P2指针找到磁盘块3，读入内存。【磁盘I/O操作第2次】 -4. 比较关键字29在区间（26,30），找到磁盘块3的指针P2。 -5. 根据P2指针找到磁盘块8，读入内存。【磁盘I/O操作第3次】 -6. 在磁盘块8中的关键字列表中找到关键字29。 +**1. 什么是“页”？** -分析上面过程，发现需要3次磁盘I/O操作，和3次内存查找操作。由于内存中的关键字是一个有序表结构，可以利用二分法查找提高效率。而3次磁盘I/O操作是影响整个B-Tree查找效率的决定因素。B-Tree相对于AVLTree缩减了节点个数，使每次磁盘I/O取到内存的数据都发挥了作用，从而提高了查询效率。 +- **InnoDB 的最小存储单元**是 **页（Page）**，默认大小是 **16KB**。 +- 一个索引（不管是聚簇索引还是二级索引），底层都是一个 **B+ 树**，每个节点就是一个 **页**。 -##### B+Tree +**2. 什么是“页分裂”？** -B+Tree 是在 B-Tree 基础上的一种优化，使其更适合实现外存储索引结构，InnoDB 存储引擎就是用 B+Tree 实现其索引结构。 +- 当 **在一个页中插入数据时，空间不足**（16KB 填满了），就会触发 **页分裂**。 +- 页分裂过程： + 1. 申请一个新的页； + 2. 把原来的数据 **一部分迁移到新页**； + 3. 在父节点更新索引指针。 -从上一节中的 B-Tree 结构图中可以看到每个节点中不仅包含数据的 key 值，还有 data 值。而每一个页的存储空间是有限的，如果data数据较大时将会导致每个节点（即一个页）能存储的key的数量很小，当存储的数据量很大时同样会导致B-Tree的深度较大，增大查询时的磁盘I/O次数，进而影响查询效率。在B+Tree中，**所有数据记录节点都是按照键值大小顺序存放在同一层的叶子节点上**，而非叶子节点上只存储key值信息，这样可以大大加大每个节点存储的key值数量，降低B+Tree的高度。 +👉 简单理解：一页塞不下了，就拆成两页，然后更新 B+树结构。 -B+Tree相对于B-Tree有几点不同： +**3. 页分裂的触发场景** -1. 非叶子节点只存储键值信息； -2. 所有叶子节点之间都有一个链指针； -3. 数据记录都存放在叶子节点中 +- **自增主键插入**（推荐方式）： + 插入的数据总是追加到页的末尾，几乎不会引发页分裂（因为新纪录总是在最后一页）。 +- **非自增/离散主键插入**： + 新数据可能插到页的中间，导致页中间腾挪空间，如果塞不下就分裂。 +- **二级索引插入**： + 由于二级索引按字段值排序，也可能导致中间插入，从而引发分裂。 -将上一节中的B-Tree优化，由于B+Tree的非叶子节点只存储键值信息，假设每个磁盘块能存储4个键值及指针信息，则变成B+Tree后其结构如下图所示： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gf3t57jvq1j30sc0aj0tj.jpg) +**4. 页分裂的代价** -通常在B+Tree上有两个头指针，一个指向根节点，另一个指向关键字最小的叶子节点，而且所有叶子节点（即数据节点）之间是一种链式环结构。因此可以对B+Tree进行两种查找运算：一种是对于主键的范围查找和分页查找，另一种是从根节点开始，进行随机查找。 +- **性能损耗**： + - 页分裂需要申请新页、数据搬迁、更新父节点，属于一次 **重操作**。 + - 插入效率会下降。 +- **空间浪费**： + - 分裂后可能出现 **页利用率下降**（例如原来满页 16KB，分裂后两个页各只有 8KB）。 + - 长期频繁分裂 → 索引树更“高”，查询和维护成本上升。 -可能上面例子中只有22条数据记录，看不出B+Tree的优点，下面做一个推算： +**5. 页合并** -InnoDB存储引擎中页的大小为16KB，一般表的主键类型为INT（占用4个字节）或BIGINT（占用8个字节），指针类型也一般为4或8个字节，也就是说一个页（B+Tree中的一个节点）中大概存储16KB/(8B+8B)=1K个键值（因为是估值，为方便计算，这里的K取值为10^3）。也就是说一个深度为3的B+Tree索引可以维护10^3 * 10^3 * 10^3 = 10亿 条记录。 +- 与分裂相反，当删除大量数据后，页空间利用率太低时（小于 50%），InnoDB 会触发 **页合并**，把数据重新压缩到一起，减少浪费。 +- 页合并同样需要数据搬迁，也有开销。 -实际情况中每个节点可能不能填充满，因此在数据库中，B+Tree的高度一般都在2-4层。MySQL的InnoDB存储引擎在设计时是将根节点常驻内存的，也就是说查找某一键值的行记录时最多只需要1~3次磁盘I/O操作。 +**6. 如何减少页分裂？** -B+Tree性质 +1. **使用自增主键**：避免在索引中间频繁插入数据，最大限度减少分裂。 +2. **控制索引数量**：每个二级索引在写入时都可能分裂，减少不必要的索引。 +3. **合理设计字段类型**：让索引页能存放更多记录，降低分裂概率。 +4. **批量插入**：避免随机分散插入，尽量顺序写。 -1. 通过上面的分析，我们知道 IO 次数取决于 b+ 数的高度h，假设当前数据表的数据为 N，每个磁盘块的数据项的数量是 m，则有 h=㏒(m+1)N，当数据量N一定的情况下，m越大，h越小；而m = 磁盘块的大小 / 数据项的大小，磁盘块的大小也就是一个数据页的大小，是固定的，如果数据项占的空间越小，数据项的数量越多，树的高度越低。这就是为什么每个数据项，即索引字段要尽量的小，比如int占4字节，要比bigint8字节少一半。这也是为什么b+树要求把真实的数据放到叶子节点而不是内层节点，一旦放到内层节点，磁盘块的数据项会大幅度下降，导致树增高。当数据项等于1时将会退化成线性表。 -2. 当b+树的数据项是复合的数据结构，比如(name,age,sex)的时候，b+数是按照从左到右的顺序来建立搜索树的，比如当(张三,20,F)这样的数据来检索的时候，b+树会优先比较name来确定下一步的所搜方向，如果name相同再依次比较age和sex，最后得到检索的数据；但当(20,F)这样的没有name的数据来的时候，b+树就不知道下一步该查哪个节点，因为建立搜索树的时候name就是第一个**比较因子**，必须要先根据name来搜索才能知道下一步去哪里查询。比如当(张三,F)这样的数据来检索时，b+树可以用name来指定搜索方向，但下一个字段age的缺失，所以只能把名字等于张三的数据都找到，然后再匹配性别是F的数据了， 这个是非常重要的性质，即**索引的最左匹配特性**。 +### 🎯 聚集索引与非聚集索引的区别？ -#### 数据库为什么使用B+树而不是B树 +> MySQL 索引底层实现，叶子结点存放的是数据还是指向数据的内存地址? -- B 树只适合随机检索，而 B+ 树同时支持随机检索和顺序检索； -- B+ 树空间利用率更高，可减少 I/O 次数，磁盘读写代价更低。一般来说，索引本身也很大，不可能全部存储在内存中，因此索引往往以索引文件的形式存储的磁盘上。这样的话，索引查找过程中就要产生磁盘 I/O 消耗。B+ 树的内部结点并没有指向关键字具体信息的指针，只是作为索引使用，其内部结点比 B 树小，盘块能容纳的结点中关键字数量更多，一次性读入内存中可以查找的关键字也就越多，相对的，IO 读写次数也就降低了。而 IO 读写次数是影响索引检索效率的最大因素； -- B+ 树的查询效率更加稳定。B 树搜索有可能会在非叶子结点结束，越靠近根节点的记录查找时间越短，只要找到关键字即可确定记录的存在，其性能等价于在关键字全集内做一次二分查找。而在 B+ 树中，顺序检索比较明显，随机检索时，任何关键字的查找都必须走一条从根节点到叶节点的路，所有关键字的查找路径长度相同，导致每一个关键字的查询效率相当。 -- B- 树在提高了磁盘 IO 性能的同时并没有解决元素遍历的效率低下的问题。B+ 树的叶子节点使用指针顺序连接在一起，只要遍历叶子节点就可以实现整棵树的遍历。而且在数据库中基于范围的查询是非常频繁的，而B树不支持这样的操作。 -- 增删文件（节点）时，效率更高。因为B+树的叶子节点包含所有关键字，并以有序的链表结构存储，这样可很好提高增删效率。 +聚集索引（Clustered Index）和非聚集索引（Non-clustered Index）是数据库管理系统中常见的两种索引类型，是一种**数据存储方式**的区分，特别是在 MySQL 中。 +- 聚簇索引，也叫“**聚集索引**”，表示索引结构和数据一起存放的索引。 +- 非聚集索引是**索引结构和数据分开存放的索引**。 -### 为什么 MySQL 会选择 B+Tree 当索引数据结构 +因为 InnoDB 默认存储引擎的原因，我们说这个一般指的是 InnoDB 中的聚集索引和非聚集索引 -> 考察两个方面： B+Tree 的索引原理； B+Tree 索引相比于其他索引类型的优势。 -> -> **B+Tree 相对于 B 树 索引结构的优势：** -> -> B+Tree 只在叶子节点存储数据，而 B 树 的非叶子节点也要存储数据，所以 B+Tree 的单个节点的数据量更小，在相同的磁盘 I/O 次数下，就能查询更多的节点。 -> -> 另外，B+Tree 叶子节点采用的是双链表连接，适合 MySQL 中常见的基于范围的顺序查找，而 B 树无法做到这一点。 -> -> **B+Tree 相对于二叉树索引结构的优势：** -> -> 对于有 N 个叶子节点的 B+Tree，其搜索复杂度为O(logdN)，其中 d 表示节点允许的最大子节点个数为 d 个。在实际的应用当中， d 值是大于100的，这样就保证了，即使数据达到千万级别时，B+Tree 的高度依然维持在 3~4 层左右，也就是说一次数据查询操作只需要做 3~4 次的磁盘 I/O 操作就能查询到目标数据（这里的查询参考上面 B+Tree 的聚簇索引的查询过程）。 -> -> 而二叉树的每个父节点的儿子节点个数只能是 2 个，意味着其搜索复杂度为 O(logN)，这已经比 B+Tree 高出不少，因此二叉树检索到目标数据所经历的磁盘 I/O 次数要更多。 -> -> **B+Tree 相对于 Hash 表存储结构的优势**： -> -> 我们知道范围查询是 MySQL 中常见的场景，但是 Hash 表不适合做范围查询，它更适合做等值的查询，这也是 B+Tree 索引要比 Hash 表索引有着更广泛的适用场景的原因。 +**InnoDB 引擎索引结构的叶子节点的数据域，存放的就是实际的数据记录**（对于主索引，此处会存放表中所有的数据记录；对于辅助索引此处会引用主键，检索的时候通过主键到主键索引中找到对应数据行），或者说，**InnoDB 的数据文件本身就是主键索引文件**，这样的索引被称为"“**聚簇索引**”，一个表只能有一个聚簇索引。 -##### MyISAM主键索引与辅助索引的结构 +- **InnoDB 聚集索引**：InnoDB 存储引擎使用聚集索引来存储主键列，并且所有非主键列都包含在聚集索引中，这意味着聚集索引实际上包含了整行数据。一个表只能有一个聚簇索引，通常是主键。 +- **InnoDB 非聚集索引**：InnoDB 的非聚集索引（也称为辅助索引）首先存储非主键索引列的值，然后通过主键列的值来查找对应的行。这种方式称为“索引的索引”，因为非聚集索引首先查找主键。 -MyISAM 引擎的索引文件和数据文件是分离的。**MyISAM引擎索引结构的叶子节点的数据域，存放的并不是实际的数据记录，而是数据记录的地址**。索引文件与数据文件分离，这样的索引称为"**非聚簇索引**"。MyISAM 的主索引与辅助索引区别并不大，只是主键索引不能有重复的关键字。 +![](https://img.starfish.ink/mysql/MySQL-secondary-index.png) -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gewoy5bddkj31bp0u04lv.jpg) -在 MyISAM 中，索引（含叶子节点）存放在单独的 .myi 文件中，叶子节点存放的是数据的物理地址偏移量（通过偏移量访问就是随机访问，速度很快）。 -主索引是指主键索引，键值不可能重复；辅助索引则是普通索引，键值可能重复。 +### 🎯 非聚簇索引一定会回表查询吗? -通过索引查找数据的流程：先从索引文件中查找到索引节点，从中拿到数据的文件指针，再到数据文件中通过文件指针定位了具体的数据。辅助索引类似。 +不一定，这涉及到查询语句所要求的字段是否全部命中了索引，如果全部命中了索引，那么就不必再进行回表查询。 +举个简单的例子：假设我们在员工表的年龄上建立了索引，那么当进行的查询时,在索引的叶子节点上,已经包含了 age 信息，不会再次进行回表查询。 +```sql +select age from employee where age < 20 +``` -##### InnoDB主键索引与辅助索引的结构 -**InnoDB引擎索引结构的叶子节点的数据域，存放的就是实际的数据记录**（对于主索引，此处会存放表中所有的数据记录；对于辅助索引此处会引用主键，检索的时候通过主键到主键索引中找到对应数据行），或者说，**InnoDB的数据文件本身就是主键索引文件**，这样的索引被称为"“聚簇索引”，一个表只能有一个聚簇索引。 -###### 主键索引： +### 🎯 InnoDB 引擎中的索引策略，了解过吗？ -我们知道InnoDB索引是聚集索引，它的索引和数据是存入同一个 .idb 文件中的，因此它的索引结构是在同一个树节点中同时存放索引和数据，如下图中最底层的叶子节点有三行数据，对应于数据表中的 id、stu_id、name数据项。 +InnoDB 索引策略主要包括以下几个方面: -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gewoy2lhr5j320d0u016k.jpg) +- 聚簇索引 +- 辅助索引，也就是非聚簇索引 +- 覆盖索引：查询可以直接通过索引获取所需数据，而无需回表查询 +- 前缀索引：用于对较长的字符串列进行索引，只索引字符串的前 N 个字符 +- 全文索引：用于对大文本字段进行全文检索 -在Innodb中，索引分叶子节点和非叶子节点，非叶子节点就像新华字典的目录，单独存放在索引段中，叶子节点则是顺序排列的，在数据段中。Innodb 的数据文件可以按照表来切分（只需要开启`innodb_file_per_table)`，切分后存放在`xxx.ibd`中，默认不切分，存放在`xxx.ibdata`中。 +每种索引类型都有其独特的用途和优势，通过合理使用这些索引，可以显著提高数据库的查询性能。 -###### 辅助（非主键）索引： -这次我们以示例中学生表中的name列建立辅助索引，它的索引结构跟主键索引的结构有很大差别，在最底层的叶子结点有两行数据，第一行的字符串是辅助索引，按照ASCII码进行排序，第二行的整数是主键的值。 -这就意味着，对name列进行条件搜索，需要两个步骤： +### 🎯 使用索引查询一定能提高查询的性能吗？为什么? -① 在辅助索引上检索name，到达其叶子节点获取对应的主键； +> 其实这个问题也对应的是哪些情况需要建立索引，哪些不需要 +> +> 使用索引需要注意的几个地方？ -② 使用主键在主索引上再进行对应的检索操作 +使用索引查询并不一定总能提高查询性能 -这也就是所谓的“**回表查询**” +**为什么使用索引通常能提高查询性能：** -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gewsc7l623j320r0u0gwt.jpg) +1. 减少需要扫描的数据量来加快数据检索速度 + - 频繁作为查询条件的字段 + - 查询中与其他表关联的字段，外键关系建立索引 + - 在查询涉及的所有列都在索引中时，可以避免回表查询，提高查询效率 +2. 索引可以显著加快 `ORDER BY` 和 `GROUP BY` 操作 +**为什么在某些情况下索引查询反而可能降低性能**： -**InnoDB 索引结构需要注意的点** +1. 小表或低选择性列 -1. 数据文件本身就是索引文件 + - **小表**：对于行数很少的表，索引带来的性能提升有限，因为全表扫描的开销也很小。索引反而增加了额外的维护开销。 -2. 表数据文件本身就是按 B+Tree 组织的一个索引结构文件 -3. 聚集索引中叶节点包含了完整的数据记录 -4. InnoDB 表必须要有主键，并且推荐使用整型自增主键 + **低选择性列**：如果索引列的选择性很低（例如，性别列只有两个值 "M" 和 "F"），使用索引可能会导致大量的行扫描，无法显著减少数据量，索引的效果不明显。 -正如我们上面介绍 InnoDB 存储结构，索引与数据是共同存储的，不管是主键索引还是辅助索引，在查找时都是通过先查找到索引节点才能拿到相对应的数据，如果我们在设计表结构时没有显式指定索引列的话，MySQL 会从表中选择数据不重复的列建立索引，如果没有符合的列，则 MySQL 自动为 InnoDB 表生成一个隐含字段作为主键，并且这个字段长度为6个字节，类型为整型。 +2. 经常增删改的表 -> 那为什么推荐使用整型自增主键而不是选择 UUID？ + - **频繁的写操作**：索引不仅在读取数据时加速查询，还在插入、更新和删除操作时带来额外的开销。每次写操作都需要更新索引，索引越多，写操作的开销就越大。 -- UUID 是字符串，比整型消耗更多的存储空间； +3. 在高并发环境下，索引也可能导致锁竞争，影响查询性能 -- 在 B+ 树中进行查找时需要跟经过的节点值比较大小，整型数据的比较运算比字符串更快速； +是否使用索引以及如何设计索引需要根据具体的查询模式、数据量、更新频率、硬件资源等多种因素综合考虑 -- 自增的整型索引在磁盘中会连续存储，在读取一页数据时也是连续；UUID是随机产生的，读取的上下两行数据存储是分散的，不适合执行 where id > 5 && id < 20 的条件查询语句。 -- 在插入或删除数据时，整型自增主键会在叶子结点的末尾建立新的叶子节点，不会破坏左侧子树的结构；UUID主键很容易出现这样的情况，B+树为了维持自身的特性，有可能会进行结构的重构，消耗更多的时间。 +### 🎯 InnoDB 表为什么要建议用自增列做主键？ -> 为什么非主键索引结构叶子节点存储的是主键值？ +1. **聚簇索引优化**：自增 ID 的顺序插入让数据在磁盘连续存储，避免页拆分和碎片，提升 IO 效率； -保证数据一致性和节省存储空间，可以这么理解：商城系统订单表会存储一个用户ID作为关联外键，而不推荐存储完整的用户信息，因为当我们用户表中的信息（真实名称、手机号、收货地址···）修改后，不需要再次维护订单表的用户数据，同时也节省了存储空间。 +2. **B + 树特性匹配**：插入时仅扩展树的最右节点，减少索引分裂开销，范围查询可利用顺序扫描； +3. **缓存与锁优化**：顺序插入的新记录使得最近插入的数据很可能在相邻的存储位置，这提高了缓存的命中率。 + - **缓存友好**：数据库缓存更容易缓存相邻的存储块，从而提高查询的性能，特别是在高并发的读写环境下。 -#### Hash索引 + -- 主要就是通过Hash算法（常见的Hash算法有直接定址法、平方取中法、折叠法、除数取余法、随机数法），将数据库字段数据转换成定长的Hash值，与这条数据的行指针一并存入Hash表的对应位置；如果发生Hash碰撞（两个不同关键字的Hash值相同），则在对应Hash键下以链表形式存储。 +### 🎯 你们建表会定义自增id么，为什么，自增id用完了怎么办? - 检索算法：在检索查询时，就再次对待查关键字再次执行相同的Hash算法，得到Hash值，到对应Hash表对应位置取出数据即可，如果发生Hash碰撞，则需要在取值时进行筛选。目前使用Hash索引的数据库并不多，主要有Memory等。 +建表时通常会使用自增 ID 作为主键，因为它在写入性能、存储空间和索引效率上有显著优势。 - MySQL目前有Memory引擎和NDB引擎支持Hash索引。 +针对 ID 耗尽问题：首先评估数据规模，小表可重置自增值，核心业务表则升级为 BIGINT（理论可支撑 1.8e19 条数据）；分布式场景用雪花算法，高频删改表可设计 ID 回收机制。 -#### full-text全文索引 -- 全文索引也是MyISAM的一种特殊索引类型，主要用于全文索引，InnoDB从MYSQL5.6版本提供对全文索引的支持。 +### 🎯 如何写 SQL 能够有效的使用到复合索引？ -- 它用于替代效率较低的LIKE模糊匹配操作，而且可以通过多字段组合的全文索引一次性全模糊匹配多个字段。 -- 同样使用B-Tree存放索引数据，但使用的是特定的算法，将字段数据分割后再进行索引（一般每4个字节一次分割），索引文件存储的是分割前的索引字符串集合，与分割后的索引信息，对应Btree结构的节点存储的是分割后的词信息以及它在分割前的索引字符串集合中的位置。 +> MySQL高效索引 -#### R-Tree空间索引 +要有效地使用复合索引（也称为多列索引或组合索引），编写 SQL 查询时需要考虑以下几点： -空间索引是MyISAM的一种特殊索引类型，主要用于地理空间数据类型 +1. **覆盖索引**（Covering Index），或者叫索引覆盖， 也就是平时所说的不需要回表操作 + - 如果查询的列完全包含在复合索引中，那么可以使用覆盖索引，这样可以避免回表查询，提高性能。 +2. **最左前缀法则**： -#### InnoDB表为什么要建议用自增列做主键 + - 复合索引的效率取决于查询条件是否遵循最左前缀法则，即从索引的最左边列开始匹配。 -1、InnoDB引擎表是基于B+树的索引组织表(IOT) + - 例如，如果你有一个 (`c1`, `c2`, `c3`) 的复合索引，那么以下查询可以高效地使用索引： -关于B+树 + ```sql + SELECT * FROM table WHERE c1 = 'value1'; + SELECT * FROM table WHERE c1 = 'value1' AND c2 = 'value2'; + ``` -![img](http://images2015.cnblogs.com/blog/268981/201510/268981-20151009211335362-543150641.jpg) + - 如果查询条件不包含 `c1`，则该复合索引不会被使用。 -（图片来源于网上） +3. **索引列的顺序**：在复合索引中，列的顺序很重要。应该将选择性最高的列（即不同值占总行数比例最高的列）放在前面。 -B+ 树的特点: +4. **使用索引列作为条件**：确保 WHERE 子句中的条件列与复合索引中的列相匹配，并且顺序正确。 -（1）所有关键字都出现在叶子结点的链表中(稠密索引)，且链表中的关键字恰好是有序的; +5. **避免使用函数和表达式**： -（2）不可能在非叶子结点命中; + - 如果在 WHERE 子句中对索引列应用了函数或计算，可能会使索引失效。 + - 例如，如果 `c1` 是索引的一部分，应避免 `WHERE UPPER(col1) = 'VALUE'`，而应使用 `WHERE c1 = 'value'`。 -（3）非叶子结点相当于是叶子结点的索引(稀疏索引)，叶子结点相当于是存储(关键字)数据的数据层; +6. **范围查询和排序**： -2、如果我们定义了主键(PRIMARY KEY)，那么InnoDB会选择主键作为聚集索引、如果没有显式定义主键，则InnoDB会选择第一个不包含有NULL值的唯一索引作为主键索引、如果也没有这样的唯一索引，则InnoDB会选择内置6字节长的ROWID作为隐含的聚集索引(ROWID随着行记录的写入而主键递增，这个ROWID不像ORACLE的ROWID那样可引用，是隐含的)。 + - 复合索引可以用于涉及范围查询的 ORDER BY 和 GROUP BY 子句。 + - 例如，如果有一个 (`c1`, `c2`) 的索引，`ORDER BY c1, c2` 可以有效地使用索引。 -3、数据记录本身被存于主索引（一颗B+Tree）的叶子节点上。这就要求同一个叶子节点内（大小为一个内存页或磁盘页）的各条数据记录按主键顺序存放，因此每当有一条新的记录插入时，MySQL会根据其主键将其插入适当的节点和位置，如果页面达到装载因子（InnoDB默认为15/16），则开辟一个新的页（节点） +7. **限制索引的使用**： -4、如果表使用自增主键，那么每次插入新的记录，记录就会顺序添加到当前索引节点的后续位置，当一页写满，就会自动开辟一个新的页 + - 使用 `LIKE` 操作符进行模糊匹配时，如果模式以通配符（`%`）开头，索引将不会被使用。 + - 例如，使用 `WHERE c1 LIKE '%value'` 将无法利用索引。 -5、如果使用非自增主键（如果身份证号或学号等），由于每次插入主键的值近似于随机，因此每次新纪录都要被插到现有索引页得中间某个位置，此时MySQL不得不为了将新记录插到合适位置而移动数据，甚至目标页面可能已经被回写到磁盘上而从缓存中清掉，此时又要从磁盘上读回来，这增加了很多开销，同时频繁的移动、分页操作造成了大量的碎片，得到了不够紧凑的索引结构，后续不得不通过OPTIMIZE TABLE来重建表并优化填充页面。 +考虑查询的实际条件，如数据量大小、表的更新频率等，以确定是否真正需要复合索引。在实际的数据库环境中测试查询性能，并根据查询执行计划（`EXPLAIN`）来优化索引的使用 - -综上总结，如果 InnoDB 表的数据写入顺序能和 B+ 树索引的叶子节点顺序一致的话，这时候存取效率是最高的，也就是下面这几种情况的存取效率最高： -1、使用自增列(INT/BIGINT类型)做主键，这时候写入顺序是自增的，和B+数叶子节点分裂顺序一致； +### 🎯 数据库不使用索引的几种可能？ -2、该表不指定自增列做主键，同时也没有可以被选为主键的唯一索引(上面的条件)，这时候InnoDB会选择内置的ROWID作为主键，写入顺序和ROWID增长顺序一致； -除此以外，如果一个InnoDB表又没有显示主键，又有可以被选择为主键的唯一索引，但该唯一索引可能不是递增关系时(例如字符串、UUID、多字段联合唯一索引的情况)，该表的存取效率就会比较差。 +> 上一个问题的反向问法 +1. **小型表或数据量少** + - 全表扫描速度快：对于小型表或数据量较少的表，全表扫描的速度可能与使用索引扫描的速度相当甚至更快，因为读取整个表所需的时间较短。 -#### 页分裂 + - 索引开销大：索引的创建和维护需要额外的存储空间和资源，对小型表来说，这些开销可能超过其带来的性能提升。 -http://www.uxys.com/html/MySQL/20190722/70361.html +2. **数据分布不均** + - 低选择性：如果某个列的值的重复率很高，例如性别列只有“男”和“女”两种值，使用索引的选择性很低，索引扫描可能比全表扫描更慢。 + - 数据倾斜：数据在某些特定值上高度集中，这种情况下，使用索引可能不会带来显著的性能提升。 -### 哪些情况需要创建索引 +3. **查询模式不适合** -1. 主键自动建立唯一索引 + - **范围查询**：对于范围查询，例如“BETWEEN”、“>”和“<”，使用索引的效率可能不如期望中的高，因为索引可能需要扫描较多的记录。 -2. 频繁作为查询条件的字段 + > 范围查询，不是一定不会使用索引，成本决定执行计划，优化器会首先针对可能使用到的二级索引划分几个扫描区间，然后分别调查这些区间内有多少条记录，在这些扫描区间内的二级索引记录的总和占总共的记录数量的比例达到某个值时，优化器将放弃使用二级索引执行查询，转而采用全表扫描 -3. 查询中与其他表关联的字段，外键关系建立索引 + - **LIKE 操作**：对于使用通配符“%”在前的LIKE查询（如“%value”），索引无法高效使用，因为数据库需要扫描整个表来找到匹配的值。 -4. 单键/组合索引的选择问题，高并发下倾向创建组合索引 +4. **索引未命中** -5. 查询中排序的字段，排序字段通过索引访问大幅提高排序速度 + - **函数操作**：在查询条件中使用函数操作（如UPPER(column_name) = 'VALUE'）会导致索引无法被使用，因为索引存储的是原始数据。 -6. 查询中统计或分组字段 + - **隐式类型转换**：如果列的数据类型与查询条件中的数据类型不一致（如列为整数，但条件中使用字符串），数据库可能进行隐式类型转换，导致索引失效。 +5. **数据库优化器选择** + - **优化器策略**：数据库优化器根据统计信息和查询成本选择执行计划。在某些情况下，优化器可能判断全表扫描比索引扫描更高效。 -### 哪些情况不要创建索引 + - **统计信息不准确**：如果统计信息不准确或过期，优化器可能做出不合适的决策，选择不使用索引。 -1. 表记录太少 -2. 经常增删改的表 -3. 数据重复且分布均匀的表字段，只应该为最经常查询和最经常排序的数据列建立索引（如果某个数据类包含太多的重复数据，建立索引没有太大意义） -4. 频繁更新的字段不适合创建索引（会加重IO负担） -5. where条件里用不到的字段不创建索引 +6. **索引维护成本** + - **高频更新**：对于高频插入、更新和删除操作的表，索引的维护成本可能较高，影响整体性能。在这种情况下，可能会选择不使用索引或减少索引的数量。 +7. **多列索引的限制** + - **索引列顺序**：多列索引只有在按索引列顺序查询时才能被高效使用，如果查询条件中不包含索引的前导列，索引将无法使用。 -### MySQL高效索引 + - **查询不完全匹配**：对于复合索引，如果查询条件不完全匹配索引定义，索引的使用效果可能不佳。 -https://www.cnblogs.com/myseries/p/11265849.html -**覆盖索引**（Covering Index），或者叫索引覆盖， 也就是平时所说的不需要回表操作 -- 就是 select 的数据列只用从索引中就能够取得，不必读取数据行，MySQL 可以利用索引返回 select 列表中的字段，而不必根据索引再次读取数据文件，换句话说**查询列要被所建的索引覆盖**。 +### 🎯 哪些情况会导致索引失效? -- 索引是高效找到行的一个方法，但是一般数据库也能使用索引找到一个列的数据，因此它不必读取整个行。毕竟索引叶子节点存储了它们索引的数据，当能通过读取索引就可以得到想要的数据，那就不需要读取行了。一个索引包含（覆盖）满足查询结果的数据就叫做覆盖索引。 +索引失效常见的情况包括：在索引列上使用函数/运算、隐式类型转换、OR 连接不同字段、模糊查询前缀 `%`、不满足最左前缀原则、使用 `!=`/`NOT IN`/`IS NOT NULL` 等、范围查询导致后续列失效、ORDER BY / GROUP BY 字段不符合索引顺序、以及数据量太少导致优化器选择全表扫描。 -- **判断标准** +实际项目中，可以通过 **EXPLAIN** 分析执行计划，避免这些写法，并合理设计联合索引。 - 使用 explain，可以通过输出的 extra 列来判断，对于一个索引覆盖查询，显示为**using index**，MySQL 查询优化器在执行查询前会决定是否有索引覆盖查询 +### 🎯 联合索引ABC，现在有个执行语句是 A = XXX and C < XXX，索引怎么走? -### 常见问题 +给定查询语句 `A = XXX AND C < XXX` 和联合索引 `(A, B, C)`，我们来分析索引的使用情况： -#### **非聚簇索引一定会回表查询吗?** +1. **精确匹配 `A`**： + - 由于条件 `A = XXX` 是精确匹配，第一个索引列 `A` 将被使用。 +2. **跳过 `B`**： + - 由于查询条件中没有涉及列 `B`，联合索引的第二列 `B` 将被跳过。 +3. **范围查询 `C`**： + - 条件 `C < XXX` 是范围查询。根据最左前缀法则和范围查询终止索引使用的规则，虽然条件 `C < XXX` 出现在查询中，但因为 `B` 没有出现在条件中，所以索引在 `C` 列上不能继续有效使用。 -> 不一定，这涉及到查询语句所要求的字段是否全部命中了索引，如果全部命中了索引，那么就不必再进行回表查询。 -> -> 举个简单的例子：假设我们在员工表的年龄上建立了索引，那么当进行的查询时,在索引的叶子节点上,已经包含了age信息,不会再次进行回表查询. -> -> ```sql -> select age from employee where age < 20 -> ``` +在这个查询 `A = XXX AND C < XXX` 中，联合索引 `(A, B, C)` 只能部分使用，即只会使用索引的第一列 `A`，后续的 `B` 和 `C` 列将不会被索引利用。具体来说，执行计划会使用索引 `(A, B, C)` 中的 `(A)` 进行查找，然后对找到的记录进行筛选以满足 `C < XXX` 的条件。 -#### 主键索引和唯一索引的区别，Mysql 唯一索引的字段值 允许多个 NULL 值存在吗 +### 🎯 主键索引和唯一索引的区别？ 主键索引是特殊的唯一索引，唯一索引查询会涉及到“回表”操作 -MYSQL 引擎innodb ，设置了唯一索引的列值 允许 多个NULL值存在。 +| 特性 | 主键索引（Primary Key Index） | 唯一索引（Unique Index） | +| ------------- | ----------------------------- | ------------------------------------------------------------ | +| 唯一性 | 必须唯一 | 必须唯一（允许 NULL 值） | +| 是否允许 NULL | 不允许 | 允许多个 NULL 值「这里 NULL 的定义 ，是指 未知值。 所以多个 NULL ，都是未知的」 | +| 聚簇索引 | 是（在 InnoDB 中） | 否（除非是主键） | +| 每个表的数量 | 只能有一个 | 可以有多个 | +| 主要用途 | 唯一标识每一行 | 强制唯一性约束，非主键用途 | +| 创建语法 | `PRIMARY KEY` | `UNIQUE` | + +```sql +CREATE TABLE example ( + id INT AUTO_INCREMENT PRIMARY KEY, + email VARCHAR(100) UNIQUE +); +INSERT INTO example (email) VALUES (NULL), (NULL), (NULL); +``` -因为这里 NULL 的定义 ，是指 未知值。 所以多个 NULL ，都是未知的，不能说它们是相等的，也不能说是不等，就是未知的。所以多个NULL的存在是不违反唯一约束的。 +### 🎯 索引下推？ -## 五、MySQL查询 +> **索引下推（ICP）是 MySQL 5.6 引入的一项优化**，允许在存储引擎层就利用索引字段做部分 `WHERE` 条件过滤，从而减少回表次数，降低 I/O。 +> 例如 `name LIKE 'J%' AND age=20`，如果有 `(name, age)` 联合索引，MySQL 会在存储引擎层就过滤 `age=20`，避免回表后再判断。 +> ICP 只对二级索引有效，可以通过 `EXPLAIN` 的 `Using index condition` 来确认是否生效。 -> count(*) 和 count(1)和count(列名)区别 ps：这道题说法有点多 +**索引下推（Index Condition Pushdown，ICP）** 是 MySQL 5.6 中引入的一种优化技术，用于提升范围查询或排序查询的性能。通过索引下推，MySQL 可以减少不必要的表数据行访问，加快查询速度。 -执行效果上： +**1. 索引下推的由来** -- count(*)包括了所有的列，相当于行数，在统计结果的时候，不会忽略列值为NULL -- count(1)包括了所有列，用1代表代码行，在统计结果的时候，不会忽略列值为NULL -- count(列名)只包括列名那一列，在统计结果的时候，会忽略列值为空（这里的空不是指空字符串或者0，而是表示null）的计数，即某个字段值为NULL时，不统计。 +在 **没有 ICP 之前**： -执行效率上： +- MySQL 在通过索引扫描时，先拿到索引里的主键 ID； +- 然后回表到数据页取出完整的行； +- 最后在 **Server 层**做条件过滤。 -- 列名为主键，count(列名)会比count(1)快 -- 列名不为主键，count(1)会比count(列名)快 -- 如果表多个列并且没有主键，则 count(1) 的执行效率优于 count(*) -- 如果有主键，则 select count（主键）的执行效率是最优的 -- 如果表只有一个字段，则 select count(*) 最优。 +这样即使很多行最终不满足条件，也必须 **回表取出整行数据**，造成 I/O 浪费。 +**2. 什么是索引下推？** +- **索引下推**就是把部分 `WHERE` 条件判断下推到 **存储引擎层**，利用索引本身就能获取到的字段提前过滤数据。 +- 这样可以在**回表之前就过滤掉不必要的行**，减少回表次数，提高查询效率。 -### MySQL中 in和 exists 的区别？ +**3. 举个例子** -- exists：exists对外表用loop逐条查询，每次查询都会查看exists的条件语句，当exists里的条件语句能够返回记录行时（无论记录行是的多少，只要能返回），条件就为真，返回当前loop到的这条记录；反之，如果exists里的条件语句不能返回记录行，则当前loop到的这条记录被丢弃，exists的条件就像一个bool条件，当能返回结果集则为true，不能返回结果集则为false -- in：in查询相当于多个or条件的叠加 +假设有表： ```mysql -SELECT * FROM A WHERE A.id IN (SELECT id FROM B); -SELECT * FROM A WHERE EXISTS (SELECT * from B WHERE B.id = A.id); +CREATE TABLE user ( + id INT PRIMARY KEY, + name VARCHAR(50), + age INT, + KEY idx_name_age (name, age) +); ``` -**如果查询的两个表大小相当，那么用in和exists差别不大**。 - -如果两个表中一个较小，一个是大表，则子查询表大的用exists，子查询表小的用in： - - - -> UNION和UNION ALL的区别? - -UNION和UNION ALL都是将两个结果集合并为一个，**两个要联合的SQL语句 字段个数必须一样，而且字段类型要“相容”（一致）；** - -- UNION在进行表连接后会筛选掉重复的数据记录（效率较低），而UNION ALL则不会去掉重复的数据记录； - -- UNION会按照字段的顺序进行排序，而UNION ALL只是简单的将两个结果合并就返回； +查询： +```mysql +SELECT * FROM user WHERE name LIKE 'J%' AND age = 20; +``` +**没有 ICP 的情况：** -### SQL执行顺序 +- `name LIKE 'J%'` 用到索引（范围扫描）。 +- 但 `age = 20` 只能在回表后做判断。 +- 即使扫描出来 10 万行 `name LIKE 'J%'`，也得回表逐条验证 `age`。 -- 手写 +**有 ICP 的情况：** - ```mysql - SELECT DISTINCT - FROM - JOIN ON - WHERE - GROUP BY - HAVING - ORDER BY - LIMIT - ``` +- MySQL 把 `age = 20` 条件下推到存储引擎层。 +- 存储引擎在扫描 `idx_name_age` 索引时，就能直接判断 `age`。 +- 这样可能只剩下几百行需要回表，大大减少 I/O。 -- 机读 +**4. 哪些场景能触发 ICP？** - ```mysql - FROM - ON - JOIN - WHERE - GROUP BY - HAVING - SELECT - DISTINCT - ORDER BY - LIMIT - ``` +- 只对 **二级索引** 有效（主键索引存的就是全字段，不需要回表）。 +- 查询条件中，**部分字段能利用索引顺序**，部分不能利用。 +- 不支持的情况：某些复杂表达式、函数计算等。 -- 总结 +**5. 如何确认是否使用了 ICP？** - ![sql-parse](https://tva1.sinaimg.cn/large/007S8ZIlly1gf3t8jyy81j30s2083wg2.jpg) +执行 `EXPLAIN`，如果 `Extra` 列里有： - +```mysql +Using index condition +``` -> mysql 的内连接、左连接、右连接有什么区别？ -> -> 什么是内连接、外连接、交叉连接、笛卡尔积呢？ +说明 MySQL 启用了索引下推。 -### Join图 +**索引下推的优势** -![sql-joins](https://tva1.sinaimg.cn/large/007S8ZIlly1gf3t8novxpj30qu0l4wi7.jpg) +- **减少回表次数**：通过提前过滤不符合条件的记录，减少回表操作。 +- **提升查询效率**：尤其是当索引列上的范围条件命中大量记录，而回表的记录较少时，索引下推可以显著减少不必要的 IO 操作。 ------ -## 六、MySQL 事务 - -> 事务的隔离级别有哪些？MySQL的默认隔离级别是什么？ -> -> 什么是幻读，脏读，不可重复读呢？ -> -> MySQL事务的四大特性以及实现原理 -> -> MVCC熟悉吗，它的底层原理？ +## 四、事务与锁机制 🔒 MySQL 事务主要用于处理操作量大，复杂度高的数据。比如说，在人员管理系统中，你删除一个人员，你即需要删除人员的基本资料，也要删除和该人员相关的信息，如信箱，文章等等，这样，这些数据库操作语句就构成一个事务！ +### 🎯 什么是事务？事务有哪些特性？ - -### ACID — 事务基本要素 - -![](https://tva1.sinaimg.cn/large/007S8ZIlly1geu10kkswnj305q05mweo.jpg) - -事务是由一组SQL语句组成的逻辑处理单元，具有4个属性，通常简称为事务的ACID属性。 +事务是由一组 SQL 语句组成的逻辑处理单元，具有 4 个属性，通常简称为事务的 ACID 属性。 - **A (Atomicity) 原子性**：整个事务中的所有操作，要么全部完成，要么全部不完成，不可能停滞在中间某个环节。事务在执行过程中发生错误，会被回滚（Rollback）到事务开始前的状态，就像这个事务从来没有执行过一样 - **C (Consistency) 一致性**：在事务开始之前和事务结束以后，数据库的完整性约束没有被破坏 @@ -744,216 +847,267 @@ MySQL 事务主要用于处理操作量大，复杂度高的数据。比如说 -**并发事务处理带来的问题** - -- 更新丢失（Lost Update)： 事务A和事务B选择同一行，然后基于最初选定的值更新该行时，由于两个事务都不知道彼此的存在，就会发生丢失更新问题 -- 脏读(Dirty Reads)：事务A读取了事务B更新的数据，然后B回滚操作，那么A读取到的数据是脏数据 -- 不可重复读（Non-Repeatable Reads)：事务 A 多次读取同一数据，事务B在事务A多次读取的过程中，对数据作了更新并提交，导致事务A多次读取同一数据时，结果不一致。 -- 幻读（Phantom Reads)：幻读与不可重复读类似。它发生在一个事务A读取了几行数据，接着另一个并发事务B插入了一些数据时。在随后的查询中，事务A就会发现多了一些原本不存在的记录，就好像发生了幻觉一样，所以称为幻读。 - - +### 🎯 什么是脏读、不可重复读和幻读？ -**幻读和不可重复读的区别：** - -- **不可重复读的重点是修改**：在同一事务中，同样的条件，第一次读的数据和第二次读的数据不一样。（因为中间有其他事务提交了修改） -- **幻读的重点在于新增或者删除**：在同一事务中，同样的条件,，第一次和第二次读出来的记录数不一样。（因为中间有其他事务提交了插入/删除） - - - -**并发事务处理带来的问题的解决办法：** - -- “更新丢失”通常是应该完全避免的。但防止更新丢失，并不能单靠数据库事务控制器来解决，需要应用程序对要更新的数据加必要的锁来解决，因此，防止更新丢失应该是应用的责任。 +**并发事务处理带来的问题** -- “脏读” 、 “不可重复读”和“幻读” ，其实都是数据库读一致性问题，必须由数据库提供一定的事务隔离机制来解决： +- 更新丢失（Lost Update)： 事务 A 和事务 B 选择同一行，然后基于最初选定的值更新该行时，由于两个事务都不知道彼此的存在，就会发生丢失更新问题 +- 脏读(Dirty Reads)：事务 A 读取了事务 B 未提交的数据，然后 B 回滚操作，那么 A 读取到的数据是脏数据 +- 不可重复读（Non-Repeatable Reads)：事务 A 多次读取同一数据，事务 B 在事务 A 多次读取的过程中，对数据作了更新并提交，导致事务 A 多次读取同一数据时，结果不一致。 +- 幻读（Phantom Reads)：幻读与不可重复读类似。它发生在一个事务 A 读取了几行数据，接着另一个并发事务 B 插入了一些数据时。在随后的查询中，事务 A 就会发现多了一些原本不存在的记录，就好像发生了幻觉一样，所以称为幻读。 - - 一种是加锁：在读取数据前，对其加锁，阻止其他事务对数据进行修改。 - - 另一种是数据多版本并发控制（MultiVersion Concurrency Control，简称 **MVCC** 或 MCC），也称为多版本数据库：不用加任何锁， 通过一定机制生成一个数据请求时间点的一致性数据快照 （Snapshot)， 并用这个快照来提供一定级别 （语句级或事务级） 的一致性读取。从用户的角度来看，好象是数据库可以提供同一数据的多个版本。 +> **幻读和不可重复读的区别：** +> +> - **不可重复读的重点是修改**：在同一事务中，同样的条件，第一次读的数据和第二次读的数据不一样。（因为中间有其他事务提交了修改） +> - **幻读的重点在于新增或者删除**：在同一事务中，同样的条件,，第一次和第二次读出来的记录数不一样。（因为中间有其他事务提交了插入/删除） -### 事务隔离级别 +### 🎯 MySQL 支持哪些事务隔离级别？各有什么区别？ -数据库事务的隔离级别有4种，由低到高分别为 +MySQL 支持四种事务隔离级别，由低到高分别为： -- **READ-UNCOMMITTED(读未提交)：** 最低的隔离级别，允许读取尚未提交的数据变更，**可能会导致脏读、幻读或不可重复读**。 -- **READ-COMMITTED(读已提交)：** 允许读取并发事务已经提交的数据，**可以阻止脏读，但是幻读或不可重复读仍有可能发生**。 -- **REPEATABLE-READ(可重复读)：** 对同一字段的多次读取结果都是一致的，除非数据是被本身事务自己所修改，**可以阻止脏读和不可重复读，但幻读仍有可能发生**。 +- **READ UNCOMMITTED(读未提交)：** 最低的隔离级别，允许读取尚未提交的数据变更，**可能会导致脏读、幻读或不可重复读**。 +- **READ COMMITTED(读已提交)：** 允许读取并发事务已经提交的数据，**可以阻止脏读，但是幻读或不可重复读仍有可能发生**。 +- **REPEATABLE READ(可重复读)：** 对同一字段的多次读取结果都是一致的，除非数据是被本身事务自己所修改，**可以阻止脏读和不可重复读，但幻读仍有可能发生**。 - **SERIALIZABLE(可串行化)：** 最高的隔离级别，完全服从ACID的隔离级别。所有的事务依次逐个执行，这样事务之间就完全不可能产生干扰，也就是说，**该级别可以防止脏读、不可重复读以及幻读**。 +> **简单点的理解** +> +> 读未提交：别人改数据的事务尚未提交，我在我的事务中也能读到。 +> +> 读已提交：别人改数据的事务已经提交，我在我的事务中才能读到。 +> +> 可重复读：别人改数据的事务已经提交，我在我的事务中也不去读。 +> +> 串行：我的事务尚未提交，别人就别想改数据。 + 查看当前数据库的事务隔离级别： ```mysql show variables like 'tx_isolation' ``` -下面通过事例一一阐述在事务的并发操作中可能会出现脏读，不可重复读，幻读和事务隔离级别的联系。 -数据库的事务隔离越严格，并发副作用越小，但付出的代价就越大，因为事务隔离实质上就是使事务在一定程度上“串行化”进行，这显然与“并发”是矛盾的。同时，不同的应用对读一致性和事务隔离程度的要求也是不同的，比如许多应用对“不可重复读”和“幻读”并不敏感，可能更关心数据并发访问的能力。 -#### Read uncommitted +### 🎯 MySQL 如何实现事务隔离 | 并发事务处理带来的问题的解决办法 -读未提交，就是一个事务可以读取另一个未提交事务的数据。 +- “更新丢失” 通常是应该完全避免的。但防止更新丢失，并不能单靠数据库事务控制器来解决，需要应用程序对要更新的数据加必要的锁来解决，因此，防止更新丢失应该是应用的责任。 -事例：老板要给程序员发工资，程序员的工资是3.6万/月。但是发工资时老板不小心按错了数字，按成3.9万/月，该钱已经打到程序员的户口，但是事务还没有提交，就在这时，程序员去查看自己这个月的工资，发现比往常多了3千元，以为涨工资了非常高兴。但是老板及时发现了不对，马上回滚差点就提交了的事务，将数字改成3.6万再提交。 +- “脏读” 、 “不可重复读”和“幻读” ，其实都是数据库读一致性问题，必须由数据库提供一定的事务隔离机制来解决： -分析：实际程序员这个月的工资还是3.6万，但是程序员看到的是3.9万。他看到的是老板还没提交事务时的数据。这就是脏读。 + - 一种是加**锁**：在读取数据前，对其加锁，阻止其他事务对数据进行修改。MySQL 通过行级锁和表级锁来管理并发访问。行级锁包括共享锁（读锁）和排他锁（写锁），表级锁包括意向锁和元数据锁。 + - 另一种是数据**多版本并发控制**（MultiVersion Concurrency Control，简称 **MVCC**），也称为多版本数据库：不用加任何锁， 通过一定机制生成一个数据请求时间点的一致性数据快照 （Snapshot)， 并用这个快照来提供一定级别 （语句级或事务级） 的一致性读取。从用户的角度来看，好象是数据库可以提供同一数据的多个版本。 -那怎么解决脏读呢？Read committed！读提交，能解决脏读问题。 -#### Read committed -读提交，顾名思义，就是一个事务要等另一个事务提交后才能读取数据。 +MySQL InnoDB 存储引擎的默认支持的隔离级别是 **REPEATABLE-READ（可重读）**。我们可以通过`SELECT @@tx_isolation;`命令来查看，MySQL 8.0 该命令改为`SELECT @@transaction_isolation;` -事例：程序员拿着信用卡去享受生活（卡里当然是只有3.6万），当他埋单时（程序员事务开启），收费系统事先检测到他的卡里有3.6万，就在这个时候！！程序员的妻子要把钱全部转出充当家用，并提交。当收费系统准备扣款时，再检测卡里的金额，发现已经没钱了（第二次检测金额当然要等待妻子转出金额事务提交完）。程序员就会很郁闷，明明卡里是有钱的… +这里需要注意的是：与 SQL 标准不同的地方在于 InnoDB 存储引擎在 **REPEATABLE-READ（可重读）**事务隔离级别下**使用的是 Next-Key Lock 算法，因此可以避免幻读的产生**，这与其他数据库系统(如 SQL Server)是不同的。所以说 InnoDB 存储引擎的默认支持的隔离级别是 REPEATABLE-READ（可重读）已经可以完全保证事务的隔离性要求，即达到了 SQL标准的 **SERIALIZABLE(可串行化)**隔离级别，而且保留了比较好的并发性能。 -分析：这就是读提交，若有事务对数据进行更新（UPDATE）操作时，读操作事务要等待这个更新操作事务提交后才能读取数据，可以解决脏读问题。但在这个事例中，出现了一个事务范围内两个相同的查询却返回了不同数据，这就是**不可重复读**。 +> **Next-Key Locks**：MySQL通过在索引上的间隙加锁（Gap Lock），结合行锁，形成所谓的Next-Key锁，锁定一个范围。这样即使在事务运行期间，其他事务也无法在该范围内插入新的行，从而避免了幻读 -那怎么解决可能的不可重复读问题？Repeatable read ！ +因为隔离级别越低，事务请求的锁越少，所以大部分数据库系统的隔离级别都是**READ-COMMITTED(读已提交):**，但是你要知道的是InnoDB 存储引擎默认使用 **REPEATABLE-READ（可重读）**并不会有任何性能损失。 -#### Repeatable read +> 加锁的基本原则（RR隔离级别下） +> +> - 原则1：加锁的对象是 next-key lock。（是一个前开后闭的区间） +> - 原则2：查找过程中访问到的对象才加锁 +> +> 优化1：唯一索引加锁时，next-key lock 退化为行锁。 +> 索引上的等值查询，向右遍历时最后一个不满足等值条件的时候，next-key lock 退化为间隙锁 +> 唯一索引和普通索引在范围查询的时候 都会访问到不满足条件的第一个值为止 -重复读，就是在开始读取数据（事务开启）时，不再允许修改操作。 **MySQL的默认事务隔离级别** -事例：程序员拿着信用卡去享受生活（卡里当然是只有3.6万），当他埋单时（事务开启，不允许其他事务的UPDATE修改操作），收费系统事先检测到他的卡里有3.6万。这个时候他的妻子不能转出金额了。接下来收费系统就可以扣款了。 -分析：重复读可以解决不可重复读问题。写到这里，应该明白的一点就是，**不可重复读对应的是修改，即UPDATE操作。但是可能还会有幻读问题。因为幻读问题对应的是插入INSERT操作，而不是UPDATE操作**。 +### 🎯 MVCC 熟悉吗，它的底层原理？ -**什么时候会出现幻读？** +> MVCC 是 InnoDB 实现读写并发控制的核心机制，通过 **隐藏列、Undo Log、Read View** 来维护多版本数据。 +> 在快照读时，事务会根据自己的 Read View，决定看到哪个版本。 +> +> - 优点：实现了 **非阻塞读**，大幅提升并发性能。 +> - 适用：主要用于 RC 和 RR 两个隔离级别。 +> 本质上，MVCC 是“**读旧版本数据来避免读写冲突**”。 -事例：程序员某一天去消费，花了2千元，然后他的妻子去查看他今天的消费记录（全表扫描FTS，妻子事务开启），看到确实是花了2千元，就在这个时候，程序员花了1万买了一部电脑，即新增INSERT了一条消费记录，并提交。当妻子打印程序员的消费记录清单时（妻子事务提交），发现花了1.2万元，似乎出现了幻觉，这就是幻读。 +**1. 定义与作用** + MVCC（Multi-Version Concurrency Control，多版本并发控制）是 MySQL InnoDB 引擎用来实现 **高并发下的读写一致性** 的机制。 -那怎么解决幻读问题？Serializable！ +- 作用：保证 **读写并发** 时，读不会被写阻塞（非阻塞读），提升性能。 +- 核心思想：同一行数据在不同时间点可能有多个版本，读操作可以“读历史版本”，而不是等写操作完成。 -#### Serializable 序列化 +**2. 底层原理**（InnoDB 实现） -Serializable 是最高的事务隔离级别，在该级别下，事务串行化顺序执行，可以避免脏读、不可重复读与幻读。简单来说，Serializable会在读取的每一行数据上都加锁，所以可能导致大量的超时和锁争用问题。这种事务隔离级别效率低下，比较耗数据库性能，一般不使用。 +MVCC 主要是借助于版本链来实现的。InnoDB 引擎通过回滚指针，将数据的不同版本串联在一起，也就是版本链。这些串联起来的历史版本，被放到了 undolog 里面。当某一个事务发起查询的时候，MVCC 会根据事务的隔离级别来生成不同的 Read View，从而控制事务查询最终得到的结果。 +MVCC 依赖三个关键机制： +① **隐藏列**（存储事务信息），InnoDB 在每行记录后面有两个隐藏列： -> **简单点的理解** -> -> 读未提交：别人改数据的事务尚未提交，我在我的事务中也能读到。 -> -> 读已提交：别人改数据的事务已经提交，我在我的事务中才能读到。 -> -> 可重复读：别人改数据的事务已经提交，我在我的事务中也不去读。 +- `trx_id`：最后一次修改该行的事务 ID。 +- `roll_pointer`：指向 Undo Log 的指针，用于找到修改前的旧版本。 + +> InnoDB下的Compact行结构，有三个隐藏的列 > -> 串行：我的事务尚未提交，别人就别想改数据。 +> | 列名 | 是否必须 | 描述 | +> | -------------- | -------- | ------------------------------------------------------------ | +> | row_id | 否 | 行ID，唯一标识一条记录（如果定义主键，它就没有啦） | +> | transaction_id | 是 | 事务ID | +> | roll_pointer | 是 | DB_ROLL_PTR是一个回滚指针，用于配合undo日志，指向上一个旧版本 | -#### 比较 +② **Undo Log（回滚日志）** -| 事务隔离级别 | 读数据一致性 | 脏读 | 不可重复读 | 幻读 | -| ---------------------------- | ---------------------------------------- | ---- | ---------- | ---- | -| 读未提交（read-uncommitted） | 最低级被，只能保证不读取物理上损坏的数据 | 是 | 是 | 是 | -| 读已提交（read-committed） | 语句级 | 否 | 是 | 是 | -| 可重复读（repeatable-read） | 事务级 | 否 | 否 | 是 | -| 串行化（serializable） | 最高级别，事务级 | 否 | 否 | 否 | +- 当事务修改数据时，InnoDB 会先把“修改前的旧值”写入 Undo Log。 +- 这样即使数据被更新，仍能通过 Undo Log 找到历史版本。 -需要说明的是，事务隔离级别和数据访问的并发性是对立的，事务隔离级别越高并发性就越差。所以要根据具体的应用来确定合适的事务隔离级别，这个地方没有万能的原则。 +③ **Read View（读视图）** +- 在 **快照读（普通 SELECT）** 时生成，保存当前活跃事务的 ID 列表。 +- 通过对比 `trx_id` 与 `Read View`，决定当前事务能看到哪一个版本的数据。 +👉 简单来说： -### 什么是幻读？如何解决的 +- **读操作** → 根据 Read View 规则，选择可见版本（可能是 Undo Log 里的旧版本）。 +- **写操作** → 新增一个版本（更新 `trx_id`、写 Undo Log），而不是覆盖旧版本。 -> “幻读”面试关注点： -> -> 1. 要想解决幻读不能升级事务隔离级别到“可串行化”，那样数据库也失去了并发处理能力。 -> -> 2. 行锁解决不了幻读，因为即使锁住所有记录，还是阻止不了插入新数据。 -> -> 3. 解决幻读的办法是锁住记录之间的“间隙”，为此 MySQL InnoDB 引入了新的锁，叫间隙锁（Gap Lock），所以在面试中，你也要掌握间隙锁，以及间隙锁与行锁结合的 next-key lock 锁。 +**3. 可见性规则（简化版）** + 判断某条记录的版本是否对当前事务可见： + +1. 如果 `trx_id < min_trx_id`（最小活跃事务 ID），说明版本在当前事务前提交 → 可见。 +2. 如果 `trx_id > max_trx_id`（最大已分配事务 ID），说明版本在当前事务开始后生成 → 不可见。 +3. 如果 `trx_id` 在活跃事务列表里 → 不可见。 +4. 其他情况 → 可见。 -1. 在可重复读隔离级别下，普通的查询是快照读，是不会看到别的事务插入的数据的。因此，幻读在“当前读”下才会出现。 -2. 幻读仅专指“新插入的行” +**4. MVCC 适用的隔离级别** -> 由于在 RR 级别下，普通的读是快照读（一致性读），所以幻读仅发生在当前读的基础上。 +- **读已提交（RC）**：每次查询生成新的 Read View，可能看到最新提交的数据。 +- **可重复读（RR）**：一个事务里只生成一次 Read View，多次查询看到的数据一致。 +- **未提交读（RU）** 和 **串行化** 不走 MVCC（RU 直接读最新，串行化加锁）。 + +> **核心概念** > -> > 一致性读也被称为**快照读**，当我们查询数据库在某个时间点的快照时，只能看到这个时间点之前事务提交更新的结果，而不能看到这个时间点之后事务提交的更新结果。 -> > -> > 与 **快照读** 相对应的则是 **当前读**，**当前读**就是读取最新数据，而不是历史版本的数据。 +> 1. **快照读（Snapshot Read）**： +> - 每个事务在开始时，会获取一个数据快照，事务在读取数据时，总是读取该快照中的数据。 +> - 这意味着即使在事务进行期间，其他事务对数据的更新也不会影响当前事务的读取。 +>2. **版本链（Version Chain）**： +> - 每个数据行都有多个版本，每个版本包含数据和元数据（如创建时间、删除时间等）。 +> - 新版本的数据行会被链接到旧版本的数据行，形成一个版本链。 +> 3. **隐式锁（Implicit Locking）**： +> - MVCC 通过版本管理避免了显式锁定，减少了锁争用问题。 +> - 对于读取操作，事务读取其开始时的快照数据，不会被写操作阻塞。 +> +> MySQL InnoDB 存储引擎使用 MVCC 来实现可重复读（REPEATABLE READ）隔离级别，避免脏读、不可重复读和幻读问题。具体机制如下： +> +> 1. **隐藏列**： +> - InnoDB 在每行记录中存储两个隐藏列：`trx_id`（事务ID，也叫做事务版本号）和`roll_pointer`（回滚指针）。 +> - `trx_id` 记录最后一次修改该行的事务ID，`roll_pointer` 指向该行的上一版本，把每一行的历史版本串联在一起。 +>2. **Undo日志**： +> - 每次数据更新时，InnoDB 会在 Undo 日志中记录旧版本数据。 +> - 如果需要读取旧版本数据，InnoDB 会通过 `roll_pointer` 找到 Undo 日志中的旧版本。 +> 3. **一致性视图（Consistent Read View）**： +> - InnoDB 为每个事务创建一致性视图，记录当前活动的所有事务ID。 +> - 读取数据时，会根据一致性视图决定哪些版本的数据对当前事务可见。 + +> #### MVCC 解决了什么问题 > -> 举例来说： +> - 读写不冲突，极大的增加了系统的并发性能 > -> `select * from t where d=0` 就是快照读，对于同一个事务来说，每次读到的结果是一样的。 +> - 解决脏读，幻读，不可重复读 等问题（注:其实多版本只是解决不可重复读问题，而加上临界（**next-key**）锁(也就是它这里所谓的并发控制)才解决了幻读问题。） > -> `select * from t where d=0 in share mode` 或 `select * from t where d=0 for update` 就是当前读，总是读取当前数据行的最新版本 +> **Next-Key Locking** 是行锁和间隙锁的组合，它锁定的是索引记录以及其附近的间隙，防止其他事务在查询范围内插入或删除记录，确保当前事务在后续的查询中不会看到“幻影”。 > -> 所谓当前读，指的是加锁的 select(S或者X), update, delete 等语句。在 RR 的事务隔离级别下，数据库会使用next-key locks来锁住本条记录以及索引区间。 +> 举例：如果事务A查询了范围 `WHERE age BETWEEN 18 AND 25`，Next-Key Locking 会锁定已经存在的记录以及这个范围的间隙，防止其他事务在这个范围内插入新数据 + +>在可重复读（Repeatable Read）隔离级别下，MySQL的InnoDB存储引擎通过多版本并发控制（MVCC）和next-key锁机制在很大程度上减少了幻读的发生，但并没有完全消除幻读的可能性。 +> +>1. **快照读（Snapshot Read）**：在可重复读隔离级别下，InnoDB使用MVCC来处理普通的SELECT查询。MVCC通过为每个事务创建一个Read View，使得事务在其执行期间看到的是一致的快照数据，即使其他事务在这段时间内插入了新记录，当前事务的查询也不会看到这些新记录。这通常可以避免幻读。 +>2. **当前读（Current Read）**：对于需要锁定结果集的查询，如SELECT ... FOR UPDATE或SELECT ... IN SHARE MODE，InnoDB使用next-key锁，这是记录锁和间隙锁的组合。这种锁机制可以防止其他事务在锁定的范围内插入新记录，从而避免幻读。 > -> 拿上面那个例子来说，在 RR 的情况下，假设使用的是当前读，加锁了的读 +>然而，根据搜索结果中的讨论，即使在可重复读隔离级别下，仍然存在一些特殊情况可能导致幻读： > -> select * from table where id>3 锁住的就是 id=3 这条记录以及 id>3 这个区间范围，锁住索引记录之间的范围，避免范围间插入记录，以避免产生幻影行记录。 +>- 如果事务在执行快照读之后，立即执行更新操作，可能会看到其他事务插入的新记录，因为更新操作会检查最新版本的数据。 +>- 如果事务在执行当前读之前，其他事务已经提交了插入操作，那么当前读可能会观察到这些新记录。 +> +>因此，虽然InnoDB的可重复读隔离级别提供了强有力的幻读保护，但在某些特殊情况下，幻读仍然可能发生。开发者需要了解这些情况，并在必要时采取额外的措施来确保数据的一致性和隔离性。 -MySQL InnoDB 存储引擎的默认支持的隔离级别是 **REPEATABLE-READ（可重读）**。我们可以通过`SELECT @@tx_isolation;`命令来查看，MySQL 8.0 该命令改为`SELECT @@transaction_isolation;` -这里需要注意的是：与 SQL 标准不同的地方在于InnoDB 存储引擎在 **REPEATABLE-READ（可重读）**事务隔离级别下使用的是 Next-Key Lock 算法，因此可以避免幻读的产生，这与其他数据库系统(如 SQL Server)是不同的。所以说 InnoDB 存储引擎的默认支持的隔离级别是 REPEATABLE-READ（可重读）已经可以完全保证事务的隔离性要求，即达到了 SQL标准的 **SERIALIZABLE(可串行化)**隔离级别，而且保留了比较好的并发性能。 -因为隔离级别越低，事务请求的锁越少，所以大部分数据库系统的隔离级别都是**READ-COMMITTED(读已提交):**，但是你要知道的是InnoDB 存储引擎默认使用 **REPEATABLE-READ（可重读）**并不会有任何性能损失。 +### 🎯 当前读与快照读的区别？ +> 在 InnoDB 中，普通的 `SELECT` 是快照读，它基于 MVCC 从 undo log 里读取历史版本，不加锁，性能高；而带锁的查询（如 `SELECT ... FOR UPDATE`）以及 `UPDATE/DELETE/INSERT` 属于当前读，它会加锁并返回记录的最新版本，用来保证数据一致性。 +**1. 快照读（Snapshot Read）** -> 加锁的基本原则（RR隔离级别下） -> 原则1：加锁的对象是next-key lock。（是一个前开后闭的区间） -> 原则2：查找过程中访问到的对象才加锁 -> 优化1：唯一索引加锁时，next-key lock退化为行锁。 -> 索引上的等值查询，向右遍历时最后一个不满足等值条件的时候，next-key lock 退化为间隙锁 -> 唯一索引和普通索引在范围查询的时候 都会访问到不满足条件的第一个值为止 +- **定义**：读取的是数据的 **快照版本**（历史版本），不加锁。 -### MVCC 多版本并发控制 +- **实现机制**：依赖 InnoDB 的 **MVCC（多版本并发控制）**，通过 `undo log` 保存旧版本数据，根据事务的隔离级别和 Read View 来决定能看到哪一条版本。 -MySQL的大多数事务型存储引擎实现都不是简单的行级锁。基于提升并发性考虑，一般都同时实现了多版本并发控制（MVCC），包括Oracle、PostgreSQL。只是实现机制各不相同。 +- **特点**： -可以认为 MVCC 是行级锁的一个变种，但它在很多情况下避免了加锁操作，因此开销更低。虽然实现机制有所不同，但大都实现了非阻塞的读操作，写操作也只是锁定必要的行。 + - 不加锁，读写不冲突 → 性能好。 + - 可能读到旧数据（取决于隔离级别：RC、RR）。 -MVCC 的实现是通过保存数据在某个时间点的快照来实现的。也就是说不管需要执行多长时间，每个事物看到的数据都是一致的。 +- **常见 SQL 场景**： -典型的 MVCC 实现方式，分为**乐观（optimistic）并发控制和悲观（pressimistic）并发控制**。下边通过 InnoDB 的简化版行为来说明 MVCC 是如何工作的。 + ``` + SELECT * FROM user WHERE id = 1; + ``` -InnoDB 的 MVCC，是通过在每行记录后面保存两个隐藏的列来实现。这两个列，一个保存了行的创建时间，一个保存行的过期时间（删除时间）。当然存储的并不是真实的时间，而是系统版本号（system version number）。每开始一个新的事务，系统版本号都会自动递增。事务开始时刻的系统版本号会作为事务的版本号，用来和查询到的每行记录的版本号进行比较。 + （普通的 `SELECT`，没有加 `for update / lock in share mode`） -**REPEATABLE READ（可重读）隔离级别下 MVCC 如何工作：** +**2. 当前读（Current Read）** -- SELECT +- **定义**：读取的是 **记录的最新版本**，并且会加锁（保证数据一致性）。 - InnoDB 会根据以下两个条件检查每行记录： +- **实现机制**：通过加锁（共享锁 / 排他锁）来保证读取的是最新值，阻塞其他事务的修改，避免并发问题。 - - InnoDB 只查找版本早于当前事务版本的数据行，这样可以确保事务读取的行，要么是在开始事务之前已经存在要么是事务自身插入或者修改过的 +- **特点**： - - 行的删除版本号要么未定义，要么大于当前事务版本号，这样可以确保事务读取到的行在事务开始之前未被删除 + - 读取最新数据，带有锁。 + - 和写操作冲突时会等待或死锁。 - 只有符合上述两个条件的才会被查询出来 +- **常见 SQL 场景**： -- INSERT：InnoDB 为新插入的每一行保存当前系统版本号作为行版本号 + ``` + SELECT * FROM user WHERE id = 1 FOR UPDATE; -- 排他锁 + SELECT * FROM user WHERE id = 1 LOCK IN SHARE MODE; -- 共享锁 + UPDATE user SET name = 'Tom' WHERE id = 1; -- 写操作，本质也是当前读 + DELETE FROM user WHERE id = 1; + INSERT INTO user VALUES (...); + ``` -- DELETE：InnoDB 为删除的每一行保存当前系统版本号作为行删除标识 +**3. 核心区别总结** -- UPDATE：InnoDB 为插入的一行新纪录保存当前系统版本号作为行版本号，同时保存当前系统版本号到原来的行作为删除标识 +| 对比点 | 快照读（Snapshot Read） | 当前读（Current Read） | +| ------------ | ------------------------------------ | ----------------------------------------- | +| **是否加锁** | 不加锁 | 加锁（共享/排他） | +| **读的数据** | 历史版本（符合隔离级别的可见性规则） | 最新版本 | +| **性能** | 高，读写不冲突 | 较低，可能阻塞 | +| **典型场景** | 普通 `SELECT` | `SELECT … FOR UPDATE`、`UPDATE`、`DELETE` | -保存这两个额外系统版本号，使大多数操作都不用加锁。使数据操作简单，性能很好，并且也能保证只会读取到符合要求的行。不足之处是每行记录都需要额外的存储空间，需要做更多的行检查工作和一些额外的维护工作。 -**MVCC 只在 COMMITTED READ（读提交）和REPEATABLE READ（可重复读）两种隔离级别下工作**。 +### 🎯 版本链问题？ +我现在有三个事务，ID 分别是 101、102、103。如果事务 101 已经提交了，但是 102、103 还没提交。这个时候，我开启了一个事务，准备读取数据，那么我读到的是哪个事务的数据？如果这时候事务 103 提交了，但是 102 还没提交，那么会读到谁的呢？ +这种题，就和隔离级别有关系了。 -#### MVCC 解决了什么问题 +在MVCC机制中，事务读取数据的可见性取决于事务的隔离级别和事务的开始时间。以下是根据你描述的情况，按照可重复读（Repeatable Read）隔离级别来分析： -- 读写不冲突，极大的增加了系统的并发性能 -- 解决脏读，幻读，不可重复读 等问题（注:其实多版本只是解决不可重复读问题，而加上间隙锁(也 就是它这里所谓的并发控制)才解决了幻读问题。） +1. **事务101已提交，事务102和103未提交时开启新事务读取数据**： + - 当你开启一个新的事务时，这个事务会创建一个Read View。Read View会根据事务的隔离级别来确定哪些数据版本是可见的。在可重复读隔离级别下，新事务的Read View将只能看到在该事务开始之前已经提交的事务所做的修改。因此，如果你的新事务是在事务102和103提交之前开启的，你将能够读取到事务101提交的数据，但是看不到事务102和103的修改。 +2. **事务103提交后，但事务102还未提交时读取数据**： + - 如果在新事务的Read View创建之后，事务103提交了，那么在可重复读隔离级别下，新事务的Read View已经创建完成，它不会包含事务103提交后的数据。因此，即使你的新事务在事务103提交后读取数据，你仍然不会看到事务103的修改，除非你的新事务重新启动并创建一个新的Read View。 -> InnoDB下的Compact行结构，有三个隐藏的列 -> -> | 列名 | 是否必须 | 描述 | -> | -------------- | -------- | ------------------------------------------------------------ | -> | row_id | 否 | 行ID，唯一标识一条记录（如果定义主键，它就没有啦） | -> | transaction_id | 是 | 事务ID | -> | roll_pointer | 是 | DB_ROLL_PTR是一个回滚指针，用于配合undo日志，指向上一个旧版本 | +在可重复读隔离级别下，新事务读取的数据版本是基于事务开始时数据库的快照，这个快照包括了所有在此之前已经提交的事务的修改。一旦Read View创建，即使其他事务提交了，新事务也不会看到这些新提交的修改，除非新事务重新启动并创建一个新的Read View。 + +需要注意的是，如果隔离级别是读已提交（Read Committed），情况会有所不同。在这种情况下，每次读取操作都会看到最新的提交事务的结果，所以如果事务103提交了，即使新事务已经开启，它在读取数据时也会看到事务103的修改。 -### 事务日志 +### 🎯 简单说下事务日志？ InnoDB 使用日志来减少提交事务时的开销。因为日志中已经记录了事务，就无须在每个事务提交时把缓冲池的脏块刷新(flush)到磁盘中。 @@ -976,7 +1130,7 @@ InnoDB 使用一个后台线程智能地刷新这些变更到数据文件。这 -### 事务的实现 +### 🎯 MySQL 事务的 ACID 实现原理？ | 事务的实现？ 事务的实现是基于数据库的存储引擎。不同的存储引擎对事务的支持程度不一样。MySQL 中支持事务的存储引擎有 InnoDB 和 NDB。 @@ -984,251 +1138,347 @@ InnoDB 使用一个后台线程智能地刷新这些变更到数据文件。这 事务的隔离性是通过锁实现，而事务的原子性、一致性和持久性则是通过事务日志实现 。 +>**还看到一种说法**： +> +>从数据库层面，数据库通过原子性、隔离性、持久性来保证一致性。也就是说 ACID 四大特性之中，C(一致性)是目的，A(原子性)、I(隔离性)、D(持久性)是手段，是为了保证一致性，数据库提供的手段。数据库必须要实现AID三大特性，才有可能实现一致性。例如，原子性无法保证，显然一致性也无法保证。我感觉这种更好些 + +MySQL（主要指 InnoDB 引擎）通过 **存储引擎的机制**来保证事务的 **ACID**： + +1. **A（原子性，Atomicity）** + - 原子性保证事务中的操作要么全部成功，要么全部失败。 + - **实现原理**： + - InnoDB 使用 **undo log（回滚日志）** 来保证原子性。 + - 如果事务中途失败，可以用 undo log 回滚到事务开始前的状态。 +2. **C（一致性，Consistency）** + - 一致性保证数据从一个一致状态转换到另一个一致状态（符合约束、触发器等）。 + - **实现原理**： + - 一致性依赖于其他三个特性（A、I、D）的保证； + - 同时依靠 **外键约束、唯一性约束、触发器** 等机制，确保数据完整性。 +3. **I（隔离性，Isolation）** + - 隔离性保证并发事务之间互不干扰。 + - **实现原理**： + - InnoDB 采用 **MVCC（多版本并发控制）+ 锁机制** 实现： + - **MVCC**：通过 **undo log + ReadView**，不同事务在相同时间点读到不同版本的数据，避免读写冲突； + - **锁机制**：行锁、间隙锁、Next-Key 锁，防止写写冲突、幻读。 +4. **D（持久性，Durability）** + - 持久性保证事务一旦提交，数据永久保存，即使宕机也不会丢失。 + - **实现原理**： + - InnoDB 使用 **redo log（重做日志）+ WAL 机制** 实现： + - 提交时先写 redo log（顺序写，落盘快）； + - 后续再将数据异步刷入数据文件； + - 宕机恢复时，依赖 redo log 重放，保证数据持久化。 -> 事务是如何通过日志来实现的，说得越深入越好。 -事务日志包括：**重做日志redo**和**回滚日志undo** +> 分布式事务相关问题，可能还会问到 2PC、3PC，，， -- **redo log（重做日志**） 实现持久性 +### 🎯 MySQL 对分布式事务的支持 - 在innoDB的存储引擎中，事务日志通过重做(redo)日志和innoDB存储引擎的日志缓冲(InnoDB Log Buffer)实现。事务开启时，事务中的操作，都会先写入存储引擎的日志缓冲中，在事务提交之前，这些缓冲的日志都需要提前刷新到磁盘上持久化，这就是DBA们口中常说的“日志先行”(Write-Ahead Logging)。当事务提交之后，在Buffer Pool中映射的数据文件才会慢慢刷新到磁盘。此时如果数据库崩溃或者宕机，那么当系统重启进行恢复时，就可以根据redo log中记录的日志，把数据库恢复到崩溃前的一个状态。未完成的事务，可以继续提交，也可以选择回滚，这基于恢复的策略而定。 +分布式事务的实现方式有很多，既可以采用 InnoDB 提供的原生的事务支持，也可以采用消息队列来实现分布式事务的最终一致性。这里我们主要聊一下 InnoDB 对分布式事务的支持。 - 在系统启动的时候，就已经为redo log分配了一块连续的存储空间，以顺序追加的方式记录Redo Log，通过顺序IO来改善性能。所有的事务共享redo log的存储空间，它们的Redo Log按语句的执行顺序，依次交替的记录在一起。 +MySQL 从 5.0.3 InnoDB 存储引擎开始支持 XA 协议的分布式事务。一个分布式事务会涉及多个行动，这些行动本身是事务性的。所有行动都必须一起成功完成，或者一起被回滚。 -- **undo log（回滚日志）** 实现原子性 +以下是 MySQL 对分布式事务支持的几个关键点： - undo log 主要为事务的回滚服务。在事务执行的过程中，除了记录redo log，还会记录一定量的undo log。undo log记录了数据在每个操作前的状态，如果事务执行过程中需要回滚，就可以根据undo log进行回滚操作。单个事务的回滚，只会回滚当前事务做的操作，并不会影响到其他的事务做的操作。 +1. **XA 事务**：MySQL 的 InnoDB 存储引擎支持 XA 事务，这是分布式事务处理的基础。XA 事务允许跨多个数据库实例的事务操作，要么全部提交，要么全部回滚，以保持数据的一致性。 +2. **两阶段提交**：XA 事务使用两阶段提交协议来确保事务的原子性和一致性。在第一阶段，所有的参与资源（如不同的数据库实例）准备提交事务；在第二阶段，根据第一阶段的准备结果，决定是提交还是回滚事务。 +3. **隔离级别**：在使用 XA 事务时，InnoDB 存储引擎的事务隔离级别必须设置为 `SERIALIZABLE`，这是最高的隔离级别，可以避免脏读、不可重复读和幻读。 +4. **XA 语法**：MySQL 支持 XA 事务的特定语法，包括 `XA START`、`XA END`、`XA PREPARE`、`XA COMMIT` 和 `XA ROLLBACK` 等命令，用于控制分布式事务的流程。 +5. **事务管理器和资源管理器**：在 XA 事务中，事务管理器（TM）负责协调全局事务，而资源管理器（RM）负责管理具体的事务资源，如数据库连接。 +6. **分布式事务的问题**：XA 事务可能面临一些问题，如超时、死锁和资源管理器故障等。此外，MySQL 中的 XA 事务在早期版本中存在一些限制，比如在服务器故障重启后，已准备的事务的二进制日志可能会丢失，导致主从复制的数据不一致问题。 +7. **MySQL 5.7 改进**：在 MySQL 5.7 版本中，对分布式事务的支持有所改进，解决了一些长期存在的问题，比如在客户端退出或服务宕机时，已准备的事务会被正确回滚，以及在服务器故障重启后，相应的 Binlog 被正确处理。 +8. **应用场景**：分布式事务在分布式架构或需要跨多个数据库系统进行数据同步的场景中比较常见，例如金融行业的转账操作。 - Undo记录的是已部分完成并且写入硬盘的未完成的事务，默认情况下回滚日志是记录下表空间中的（共享表空间或者独享表空间） - - > 假设一个值从 1 被按顺序改成了 2、3、4，在回滚日志里面就会有类似下面的记录。 - > - > ![](https://static001.geekbang.org/resource/image/d9/ee/d9c313809e5ac148fc39feff532f0fee.png) - > - > 当前值是 4，但是在查询这条记录的时候，不同时刻启动的事务会有不同的 read-view。如图中看到的，在视图 A、B、C 里面，这一个记录的值分别是 1、2、4，同一条记录在系统中可以存在多个版本，就是数据库的多版本并发控制（MVCC）。对于 read-view A，要得到 1，就必须将当前值依次执行图中所有的回滚操作得到。 +总的来说，MySQL 通过 XA 事务为分布式系统提供了强大的事务支持，确保了跨多个数据库实例的操作能够满足 ACID 原则。随着 MySQL 版本的更新，分布式事务的支持也在不断改进和增强。 -二种日志均可以视为一种恢复操作，redo_log是恢复提交事务修改的页操作，而undo_log是回滚行记录到特定版本。二者记录的内容也不同，redo_log是物理日志，记录页的物理修改操作，而undo_log是逻辑日志，根据每行记录进行记录。 +> 关于分布式事务，首先你需要弄清楚一个东西，就是分布式事务既可以是纯粹多个数据库实例之间的分布式事务，也可以是跨越不同中间件的业务层面上的分布式事务。前者一般是分库分表中间件提供支持，后者一般是独立的第三方中间件提供支持，比如 Seata。 -> 又引出个问题：你知道MySQL 有多少种日志吗？ +### 🎯 在单体应用拆分成微服务架构之后，你怎么解决分布式事务？ -- **错误日志**：记录出错信息，也记录一些警告信息或者正确的信息。 +**常见的解决方案** -- **查询日志**：记录所有对数据库请求的信息，不论这些请求是否得到了正确的执行。 +- **最终一致性：** "最理想的解决方案是通过最终一致性来避免分布式事务。可以通过事件驱动架构、异步消息和服务之间的解耦来处理。每个服务都处理自己的事务，当一个服务完成业务操作后，它会发布一个事件，其他服务订阅并处理相应的事件，逐步确保数据一致性。最终一致性容忍系统中的暂时不一致，但它能有效避免长时间的锁定和事务阻塞问题。" +- **Saga模式：** "Saga模式是解决分布式事务的一种常见方法，它将长事务拆分成多个局部事务，每个局部事务都会发布事件。如果某个事务失败，系统会触发补偿事务来回滚之前的操作。Saga模式有两种实现方式：一种是基于长事务的补偿机制，另一种是基于事件驱动的方式，适用于更高并发的环境。通过Saga模式，我们可以避免分布式事务中常见的性能瓶颈。" +- **两阶段提交（2PC）：** "两阶段提交（2PC）是一种经典的分布式事务解决方案，它通过协调者保证所有参与者在提交事务前的一致性。然而，2PC有一个显著的问题，就是在网络分区或者某些参与者失败时，容易导致系统的阻塞。这使得它不适合高并发和高可用的微服务环境。" +- **三阶段提交（3PC）：** "三阶段提交是2PC的改进，旨在解决2PC中的阻塞问题。它引入了准备阶段、提交阶段和确认阶段来确保系统的一致性。尽管比2PC更安全，但在高并发场景下仍然会对性能造成影响。" +- **TCC模式：** "TCC（Try-Confirm/Cancel）模式将每个操作分为三个阶段：尝试阶段（Try）、确认阶段（Confirm）和取消阶段（Cancel）。如果所有操作都成功，执行确认，失败则执行取消操作回滚之前的所有操作。这种模式适用于复杂的分布式事务场景，确保每个操作的最终一致性。” -- **慢查询日志**：设置一个阈值，将运行时间超过该值的所有SQL语句都记录到慢查询的日志文件中。 +**强调最佳实践与策略：** "在实际应用中，我会根据具体的业务场景选择合适的解决方案。如果业务逻辑允许，我倾向于通过**最终一致性**和**事件驱动架构**来避免复杂的分布式事务管理。如果需要严格的一致性保障，可以选择**Saga模式**，它能较好地平衡可用性与一致性。**TCC模式**适用于事务较为复杂的场景，尤其是在资金交易类系统中。” -- **二进制日志**：记录对数据库执行更改的所有操作。 -- **中继日志**：中继日志也是二进制日志，用来给slave 库恢复 -- **事务日志**：重做日志redo和回滚日志undo +### MySQL 锁机制 +锁是计算机协调多个进程或线程并发访问某一资源的机制。 +在数据库中，除传统的计算资源（如CPU、RAM、I/O等）的争用以外，数据也是一种供许多用户共享的资源。数据库锁定机制简单来说，就是数据库为了保证数据的一致性，而使各种共享资源在被并发访问变得有序所设计的一种规则。 -> 分布式事务相关问题，可能还会问到 2PC、3PC，，， +打个比方，我们到淘宝上买一件商品，商品只有一件库存，这个时候如果还有另一个人买，那么如何解决是你买到还是另一个人买到的问题？这里肯定要用到事务，我们先从库存表中取出物品数量，然后插入订单，付款后插入付款表信息，然后更新商品数量。在这个过程中，使用锁可以对有限的资源进行保护，解决隔离和并发的矛盾。 -### MySQL对分布式事务的支持 +在 MySQL 的 InnoDB 引擎里面，锁是借助索引来实现的。或者说，加锁锁住的其实是索引项，更加具体地来说，就是锁住了**叶子节点** -分布式事务的实现方式有很多，既可以采用 InnoDB 提供的原生的事务支持，也可以采用消息队列来实现分布式事务的最终一致性。这里我们主要聊一下 InnoDB 对分布式事务的支持。 +1. **锁的物理载体**：B+树索引节点（非数据页） +2. **锁升级条件**：无索引或索引失效时退化为表锁 +3. **锁兼容性**：共享锁（S锁）允许并行读，排他锁（X锁）独占写 -MySQL 从 5.0.3 InnoDB 存储引擎开始支持 XA 协议的分布式事务。一个分布式事务会涉及多个行动，这些行动本身是事务性的。所有行动都必须一起成功完成，或者一起被回滚。 +### 🎯 MySQL 中有哪几种锁，列举一下？ -在MySQL中，使用分布式事务涉及一个或多个资源管理器和一个事务管理器。 +**从对数据操作的类型分类**： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gj0sqpwsvdj30k009dtak.jpg) - -如图，MySQL 的分布式事务模型。模型中分三块：应用程序（AP）、资源管理器（RM）、事务管理器（TM）: - -- 应用程序：定义了事务的边界，指定需要做哪些事务； -- 资源管理器：提供了访问事务的方法，通常一个数据库就是一个资源管理器； -- 事务管理器：协调参与了全局事务中的各个事务。 - -分布式事务采用两段式提交（two-phase commit）的方式： +- **读锁**（共享锁）：针对同一份数据，多个读操作可以同时进行，不会互相影响 -- 第一阶段所有的事务节点开始准备，告诉事务管理器ready。 -- 第二阶段事务管理器告诉每个节点是commit还是rollback。如果有一个节点失败，就需要全局的节点全部rollback，以此保障事务的原子性。 +- **写锁**（排他锁）：当前写操作没有完成前，它会阻断其他写锁和读锁 +**从对数据操作的粒度分类**： -### 事务的 ACID 分别是如何实现的 +为了尽可能提高数据库的并发度，每次锁定的数据范围越小越好，理论上每次只锁定当前操作的数据的方案会得到最大的并发度，但是管理锁是很耗资源的事情（涉及获取，检查，释放锁等动作），因此数据库系统需要在高并发响应和系统性能两方面进行平衡，这样就产生了“锁粒度（Lock granularity）”的概念。 -从数据库层面，数据库通过原子性、隔离性、持久性来保证一致性。也就是说ACID四大特性之中，C(一致性)是目的，A(原子性)、I(隔离性)、D(持久性)是手段，是为了保证一致性，数据库提供的手段。数据库必须要实现AID三大特性，才有可能实现一致性。例如，原子性无法保证，显然一致性也无法保证。 +- **表级锁**：开销小，加锁快；不会出现死锁；锁定粒度大，发生锁冲突的概率最高，并发度最低（MyISAM 和 MEMORY 存储引擎采用的是表级锁）； +- **行级锁**：开销大，加锁慢；会出现死锁；锁定粒度最小，发生锁冲突的概率最低，并发度也最高（InnoDB 存储引擎既支持行级锁也支持表级锁，但默认情况下是采用行级锁）； +- **页面锁**：开销和加锁时间界于表锁和行锁之间；会出现死锁；锁定粒度界于表锁和行锁之间，并发度一般。 -原子性保证：`undo log`名为回滚日志，是实现原子性的关键，当事务回滚时能够撤销所有已经成功执行的sql语句，他需要记录你要回滚的相应日志信息。 +适用：从锁的角度来说，表级锁更适合于以查询为主，只有少量按索引条件更新数据的应用，如Web应用；而行级锁则更适合于有大量按索引条件并发更新少量不同数据，同时又有并发查询的应用，如一些在线事务处理（OLTP）系统。 -持久性保证：`redo log` mysql修改数据同时在内存和redo log记录这次操作，宕机的时候可以从redo log恢复。 +| | 行锁 | 表锁 | 页锁 | +| ------ | ---- | ---- | ---- | +| MyISAM | | √ | | +| BDB | | √ | √ | +| InnoDB | √ | √ | | +| Memory | | √ | | -> Mysql是先把磁盘上的数据加载到内存中，在内存中对数据进行修改，再刷回磁盘上。如果此时突然宕机，内存中的数据就会丢失。 +> ##### MyISAM 表锁 +> +> MyISAM 的表锁有两种模式： +> +> - 表共享读锁 （Table Read Lock）：不会阻塞其他用户对同一表的读请求，但会阻塞对同一表的写请求； +> - 表独占写锁 （Table Write Lock）：会阻塞其他用户对同一表的读和写操作； +> +> MyISAM 表的读操作与写操作之间，以及写操作之间是串行的。当一个线程获得对一个表的写锁后， 只有持有锁的线程可以对表进行更新操作。 其他线程的读、 写操作都会等待，直到锁被释放为止。 +> +> 默认情况下，写锁比读锁具有更高的优先级：当一个锁释放时，这个锁会优先给写锁队列中等候的获取锁请求，然后再给读锁队列中等候的获取锁请求。 > -> *怎么解决这个问题？* +> ##### InnoDB 行锁 > -> 简单啊，事务提交前直接把数据写入磁盘就行啊。 +> InnoDB 实现了以下两种类型的**行锁**： > -> *这么做有什么问题？* +> - 共享锁又称为读锁，简称 S 锁，顾名思义，共享锁就是多个事务对于同一数据可以共享一把锁，都能访问到数据，但是只能读不能修改。 > -> - 只修改一个页面里的一个字节，就要将整个页面刷入磁盘，太浪费资源了。毕竟一个页面16kb大小，你只改其中一点点东西，就要将16kb的内容刷入磁盘，听着也不合理。 -> - 毕竟一个事务里的SQL可能牵涉到多个数据页的修改，而这些数据页可能不是相邻的，也就是属于随机IO。显然操作随机IO，速度会比较慢。 +> - 排他锁又称为写锁，简称 X 锁，顾名思义，排他锁就是不能与其他所并存，如一个事务获取了一个数据行的排他锁，其他事务就不能再获取该行的其他锁，包括共享锁和排他锁，但是获取排他锁的事务是可以对数据行读取和修改。 > -> 于是，决定采用`redo log`解决上面的问题。当做数据修改的时候，不仅在内存中操作，还会在`redo log`中记录这次操作。当事务提交的时候，会将`redo log`日志进行刷盘(`redo log`一部分在内存中，一部分在磁盘上)。当数据库宕机重启的时候，会将`redo log`中的内容恢复到数据库中，再根据`undo log`和`binlog`内容决定回滚数据还是提交数据。 +> 为了允许行锁和表锁共存，实现多粒度锁机制，InnoDB 还有两种内部使用的意向锁（Intention Locks），这两种意向锁都是**表锁**： > -> *采用redo log的好处？* +> - 意向共享锁（IS）：事务打算给数据行加行共享锁，事务在给一个数据行加共享锁前必须先取得该表的 IS 锁。 +> - 意向排他锁（IX）：事务打算给数据行加行排他锁，事务在给一个数据行加排他锁前必须先取得该表的 IX 锁。 > -> 其实好处就是将`redo log`进行刷盘比对数据页刷盘效率高，具体表现如下 +> **索引失效会导致行锁变表锁**。比如 varchar 查询不写单引号的情况。 > -> - `redo log`体积小，毕竟只记录了哪一页修改了啥，因此体积小，刷盘快。 -> - `redo log`是一直往末尾进行追加，属于顺序IO。效率显然比随机IO来的快。 +> **InnoDB 的行锁是针对索引加的锁，不是针对记录加的锁。并且该索引不能失效，否则都会从行锁升级为表锁**。 -隔离性保证：利用的是锁和MVCC机制 -一致性保证：一致性由其他三大特性保证、程序代码要保证业务上的一致性 +### 🎯 MySQL 中 InnoDB 引擎的行锁是怎么实现的？ +InnoDB 的行锁是其支持高并发的核心机制，**本质是基于索引记录加锁，通过内存中的锁结构与事务系统实现并发控制**。 ------- +**一、行锁的本质：基于索引记录的 “标记”** -## 七、MySQL 锁机制 +- InnoDB **不会直接锁定物理数据行**，而是通过 **索引 B+ 树上的索引项** 来加锁。 +- 聚簇索引：锁住叶子节点（数据行存储在聚簇索引里）。 +- 二级索引：先锁住二级索引项，再回表锁住聚簇索引项。 +- **无索引或索引失效时** → 行锁退化为表锁。 -> 数据库的乐观锁和悲观锁？ -> -> MySQL 中有哪几种锁，列举一下？ -> -> MySQL中InnoDB引擎的行锁是怎么实现的？ -> -> MySQL 间隙锁有没有了解，死锁有没有了解，写一段会造成死锁的 sql 语句，死锁发生了如何解决，MySQL 有没有提供什么机制去解决死锁 +**例**：对表 `user(id, name)`（`id` 为主键，`name` 为二级索引）执行 `UPDATE user SET age=30 WHERE name='张三'` 时： -锁是计算机协调多个进程或线程并发访问某一资源的机制。 +1. 先锁定 `name='张三'` 对应的二级索引记录； +2. 通过二级索引回表，锁定对应 `id` 的聚簇索引记录。 -在数据库中，除传统的计算资源（如CPU、RAM、I/O等）的争用以外，数据也是一种供许多用户共享的资源。数据库锁定机制简单来说，就是数据库为了保证数据的一致性，而使各种共享资源在被并发访问变得有序所设计的一种规则。 +**二、行锁的类型与数据结构** -打个比方，我们到淘宝上买一件商品，商品只有一件库存，这个时候如果还有另一个人买，那么如何解决是你买到还是另一个人买到的问题？这里肯定要用到事务，我们先从库存表中取出物品数量，然后插入订单，付款后插入付款表信息，然后更新商品数量。在这个过程中，使用锁可以对有限的资源进行保护，解决隔离和并发的矛盾。 +InnoDB 实现了两种基础行锁类型，通过 **锁结构（Lock Struct）** 存储在内存中： - +1. **共享锁（S 锁，读锁）** + - 允许事务读取一行数据，多个事务可同时持有同一行的 S 锁（读不互斥）； + - 加锁方式：`SELECT ... LOCK IN SHARE MODE`。 +2. **排他锁（X 锁，写锁）** + - 允许事务修改或删除一行数据，与其他任何锁（S 或 X）互斥（写独占）； + - 加锁方式：`UPDATE/DELETE` 自动加 X 锁，或 `SELECT ... FOR UPDATE` 显式加 X 锁。 -### 锁的分类 +**锁结构的核心信息**： -**从对数据操作的类型分类**： +- 锁定的索引记录（如 `id=100` 的聚簇索引记录）； +- 锁类型（S 或 X）； +- 持有锁的事务 ID； +- 等待该锁的事务链表（当锁冲突时，等待的事务会被挂入此链表）。 -- **读锁**（共享锁）：针对同一份数据，多个读操作可以同时进行，不会互相影响 +**三、行锁的实现依赖：事务与 undo 日志** -- **写锁**（排他锁）：当前写操作没有完成前，它会阻断其他写锁和读锁 +1. **事务 ID 与锁的关联**每个事务开始时会分配唯一的 `transaction_id`，锁结构中会记录持有锁的 `transaction_id`，用于标识锁的归属。当事务提交或回滚时，InnoDB 会释放该事务持有的所有行锁，并唤醒等待链表中的事务。 +2. **undo 日志与行锁释放**行锁的释放时机与事务状态强相关： + - 对于 `UPDATE/DELETE` 操作，InnoDB 会先写 undo 日志（用于事务回滚），然后加 X 锁修改数据； + - 事务提交后，undo 日志标记为可清理，行锁释放； + - 事务回滚时，通过 undo 日志恢复数据，同时释放行锁。 -**从对数据操作的粒度分类**： +**四、特殊锁机制：间隙锁与临键锁（解决幻读）** +在默认的 **Repeatable Read（可重复读）** 隔离级别下，InnoDB 为了防止 “幻读”（同一事务中，多次查询同一范围返回不同行数），引入了两种特殊锁，本质是对 “行锁粒度的扩展”： -为了尽可能提高数据库的并发度，每次锁定的数据范围越小越好，理论上每次只锁定当前操作的数据的方案会得到最大的并发度，但是管理锁是很耗资源的事情（涉及获取，检查，释放锁等动作），因此数据库系统需要在高并发响应和系统性能两方面进行平衡，这样就产生了“锁粒度（Lock granularity）”的概念。 +1. **记录锁（Record Lock）** + - 锁定单条索引记录 `SELECT * FROM user WHERE id=1 FOR UPDATE;` +2. **间隙锁（Gap Lock）** + - 锁定索引记录之间的 “间隙”（不包含记录本身），防止其他事务在间隙中插入新行； + - 例：表中存在 `id=10, 20`，执行 `UPDATE ... WHERE id BETWEEN 10 AND 20` 时，会锁定间隙 `(10,20)`，阻止插入 `id=15` 的行。 +3. **临键锁（Next-Key Lock）** + - **记录锁 + 前一个间隙**，锁定范围为“左开右闭”。 + - InnoDB 默认使用 Next-Key Lock，保证 RR 隔离级别下无幻读。 + - 如果是唯一索引精确匹配，会优化为 Record Lock。 -- **表级锁**：开销小，加锁快；不会出现死锁；锁定粒度大，发生锁冲突的概率最高，并发度最低（MyISAM 和 MEMORY 存储引擎采用的是表级锁）； +**注意**：若将隔离级别降为 **Read Committed**，间隙锁和临键锁会关闭，仅保留行锁（可能出现幻读，但并发性能提升）。 -- **行级锁**：开销大，加锁慢；会出现死锁；锁定粒度最小，发生锁冲突的概率最低，并发度也最高（InnoDB 存储引擎既支持行级锁也支持表级锁，但默认情况下是采用行级锁）； +**五、行锁的触发与释放流程（以 UPDATE 为例）** -- **页面锁**：开销和加锁时间界于表锁和行锁之间；会出现死锁；锁定粒度界于表锁和行锁之间，并发度一般。 +1. 事务开始，获取 `transaction_id`； +2. 解析 SQL，定位需要修改的索引记录（通过 B+ 树查找）； +3. 对目标索引记录尝试加 X 锁： + - 若锁未被占用，加锁成功，继续执行修改； + - 若锁已被其他事务占用，当前事务进入等待状态，挂入该锁的等待链表； +4. 修改数据（写 redo 日志确保持久化，写 undo 日志用于回滚）； +5. 事务提交 / 回滚：释放所有行锁，唤醒等待链表中的事务重新竞争锁。 -适用：从锁的角度来说，表级锁更适合于以查询为主，只有少量按索引条件更新数据的应用，如Web应用；而行级锁则更适合于有大量按索引条件并发更新少量不同数据，同时又有并发查询的应用，如一些在线事务处理（OLTP）系统。 +**六、核心结论** -| | 行锁 | 表锁 | 页锁 | -| ------ | ---- | ---- | ---- | -| MyISAM | | √ | | -| BDB | | √ | √ | -| InnoDB | √ | √ | | -| Memory | | √ | | +InnoDB 行锁的实现可总结为： +1. **索引是基础**：无索引或索引失效时，行锁会退化为表锁； +2. **锁结构是载体**：通过内存中的锁结构记录锁类型、持有事务和等待队列； +3. **事务是上下文**：锁的生命周期与事务绑定，提交 / 回滚时释放； +4. **特殊锁是补充**：间隙锁和临键锁解决幻读，代价是降低部分并发性能。 +> **最早只有 Record Lock**，只能锁住已有的记录，能保证“当前读”的一致性； +> +> 但是只用 Record Lock 会有 **幻读问题**（别的事务在两次查询之间插入新行）； +> +> 为了解决幻读，引入 **Gap Lock**，把“记录之间的空隙”也锁起来，阻止插入； +> +> 但单独使用 Record Lock + Gap Lock 管理复杂，所以 InnoDB 提出了 **Next-Key Lock**（记录锁 + 前一个间隙），作为默认锁算法，保证 `REPEATABLE READ` 下无幻读。 -### MyISAM 表锁 +### 🎯 MySQL行锁，颗粒度有什么变化 -MyISAM 的表锁有两种模式： +MySQL 的行锁粒度主要体现在不同的存储引擎和索引使用情况。InnoDB 是支持行级锁的，它的粒度会根据索引条件来变化： -- 表共享读锁 （Table Read Lock）：不会阻塞其他用户对同一表的读请求，但会阻塞对同一表的写请求； -- 表独占写锁 （Table Write Lock）：会阻塞其他用户对同一表的读和写操作； +- 如果查询语句命中了索引，通常是**行级锁**，锁定更精细； +- 如果没有命中索引或者索引不够精准，可能会退化为**表级锁**； +- 在事务隔离级别下，不同的加锁策略（比如 `next-key lock`）也会让粒度变粗，涉及到间隙锁、范围锁等。 + 所以行锁的颗粒度不是固定的，会随着 **索引情况、SQL 语句、事务隔离级别**而变化。 -MyISAM 表的读操作与写操作之间，以及写操作之间是串行的。当一个线程获得对一个表的写锁后， 只有持有锁的线程可以对表进行更新操作。 其他线程的读、 写操作都会等待，直到锁被释放为止。 -默认情况下，写锁比读锁具有更高的优先级：当一个锁释放时，这个锁会优先给写锁队列中等候的获取锁请求，然后再给读锁队列中等候的获取锁请求。 +### 🎯 MySQL 隔离级别与锁的关系？ +在 MySQL 中，隔离级别和锁的关系紧密相关，不同的隔离级别通过使用不同的锁机制来控制事务间的并发行为，确保数据的一致性和隔离性。以下是 MySQL 四种隔离级别与锁的关系： -### InnoDB 行锁 +1. **读未提交（Read Uncommitted）** -InnoDB 实现了以下两种类型的**行锁**： + - 锁机制：最低级别，不使用锁，允许读取未提交的数据。 -- 共享锁又称为读锁，简称 S 锁，顾名思义，共享锁就是多个事务对于同一数据可以共享一把锁，都能访问到数据，但是只能读不能修改。 + - 并发性：高。 -- 排他锁又称为写锁，简称 X 锁，顾名思义，排他锁就是不能与其他所并存，如一个事务获取了一个数据行的排他锁，其他事务就不能再获取该行的其他锁，包括共享锁和排他锁，但是获取排他锁的事务是可以对数据行读取和修改。 + - 数据一致性：低，可能导致脏读。 -为了允许行锁和表锁共存，实现多粒度锁机制，InnoDB 还有两种内部使用的意向锁（Intention Locks），这两种意向锁都是**表锁**： -- 意向共享锁（IS）：事务打算给数据行加行共享锁，事务在给一个数据行加共享锁前必须先取得该表的 IS 锁。 -- 意向排他锁（IX）：事务打算给数据行加行排他锁，事务在给一个数据行加排他锁前必须先取得该表的 IX 锁。 +2. **读已提交（Read Committed）** -**索引失效会导致行锁变表锁**。比如 varchar 查询不写单引号的情况。 + - 锁机制：读取时使用共享锁（S Lock），更新时使用排他锁（X Lock）。 -**InnoDB 的行锁是针对索引加的锁，不是针对记录加的锁。并且该索引不能失效，否则都会从行锁升级为表锁**。 + - 并发性：中等。 + - 数据一致性：避免脏读，但可能发生不可重复读。 -#### 加锁机制 +3. **可重复读（Repeatable Read）** -**乐观锁与悲观锁是两种并发控制的思想，可用于解决丢失更新问题** + - 锁机制：读取时使用共享锁（S Lock），更新时使用排他锁（X Lock），并使用间隙锁（Gap Lock）防止幻读。 -乐观锁会“乐观地”假定大概率不会发生并发更新冲突，访问、处理数据过程中不加锁，只在更新数据时再根据版本号或时间戳判断是否有冲突，有则处理，无则提交事务。用数据版本（Version）记录机制实现，这是乐观锁最常用的一种实现方式 + - 并发性：较低。 -悲观锁会“悲观地”假定大概率会发生并发更新冲突，访问、处理数据前就加排他锁，在整个数据处理过程中锁定数据，事务提交或回滚后才释放锁。另外与乐观锁相对应的，**悲观锁是由数据库自己实现了的，要用的时候，我们直接调用数据库的相关语句就可以了。** + - 数据一致性：避免脏读和不可重复读，但在默认设置下防止幻读。 +4. **串行化（Serializable）** -#### 锁模式(InnoDB有三种行锁的算法) + - 锁机制：事务间完全隔离，所有读取和写入都使用表级锁或行级锁，确保完全隔离。 -- **记录锁(Record Locks)**： 单个行记录上的锁。对索引项加锁，锁定符合条件的行。其他事务不能修改和删除加锁项； + - 并发性：最低。 - ```mysql - SELECT * FROM table WHERE id = 1 FOR UPDATE; - ``` + - 数据一致性：最高，避免所有并发问题。 - 它会在 id=1 的记录上加上记录锁，以阻止其他事务插入，更新，删除 id=1 这一行 - 在通过 主键索引 与 唯一索引 对数据行进行 UPDATE 操作时，也会对该行数据加记录锁： +选择适当的隔离级别和锁机制，可以在数据一致性和系统并发性之间找到最佳平衡。 - ```mysql - -- id 列为主键列或唯一索引列 - UPDATE SET age = 50 WHERE id = 1; - ``` -- **间隙锁（Gap Locks）**： 当我们使用范围条件而不是相等条件检索数据，并请求共享或排他锁时，InnoDB 会给符合条件的已有数据记录的索引项加锁。对于键值在条件范围内但并不存在的记录，叫做“间隙”。 - InnoDB 也会对这个“间隙”加锁，这种锁机制就是所谓的间隙锁。 +### 🎯 两个事务 update 同一条数据会发生什么？ - > 如下表，初始化插入了 6 个记录，这就产生了 7 个间隙。 - > - > ![](https://static001.geekbang.org/resource/image/e7/61/e7f7ca0d3dab2f48c588d714ee3ac861.png) - > - > 这样，当你执行 select * from t where d=5 for update 的时候，就不止是给数据库中已有的 6 个记录加上了行锁，还同时加了 7 个间隙锁。这样就确保了无法再插入新的记录。 +在数据库中，如果两个事务同时尝试更新同一条数据，会发生以下几种情况之一，具体取决于数据库的隔离级别和锁机制： - 对索引项之间的“间隙”加锁，锁定记录的范围（对第一条记录前的间隙或最后一条将记录后的间隙加锁），不包含索引项本身。其他事务不能在锁范围内插入数据，这样就防止了别的事务新增幻影行。 +1. **脏读（Dirty Read）**：在读未提交（Read Uncommitted）隔离级别下，一个事务可能会读取到另一个事务未提交的更新数据。如果第二个事务回滚了更改，那么第一个事务就会读到一些最终不会被提交的“脏数据”。 +2. **不可重复读（Non-Repeatable Read）**：在读已提交（Read Committed）隔离级别下，一个事务在读取某条数据后，另一个事务可能会修改或更新这条数据。这导致第一个事务无法再次读取到之前的数据状态，即不可重复读。 +3. **幻读（Phantom Read）**：在可重复读（Repeatable Read）隔离级别下，一个事务在读取某个范围内的数据后，另一个事务可能会插入新数据，导致第一个事务再次读取该范围时，会发现一些“幻读”的数据行。 +4. **更新丢失（Lost Update）**：当两个事务都读取了同一数据项，并且基于读取的值进行更新时，如果它们几乎同时提交，那么第二个提交的事务的更新可能会覆盖第一个事务的更新，导致第一个事务的更新丢失。 +5. **第一提交者胜出**：在大多数情况下，数据库会使用悲观锁或乐观锁来管理并发更新。如果使用悲观锁，那么通常只有一个事务能够锁定数据并进行更新，其他事务必须等待。如果使用乐观锁，事务会检查在读取数据后是否有其他事务对其进行了修改，如果没有修改，才会提交更新。 +6. **写入冲突**：在某些数据库系统中，如果两个事务尝试同时更新同一数据，可能会引发写入冲突。数据库会根据其冲突解决策略来决定如何处理这种情况，可能会回滚其中一个事务，或者提供一种机制让应用层解决冲突。 - 间隙锁基于非唯一索引，它锁定一段范围内的索引记录。间隙锁基于下面将会提到的`Next-Key Locking` 算法，请务必牢记：**使用间隙锁锁住的是一个区间，而不仅仅是这个区间中的每一条数据**。 +为了避免这些问题，数据库通常提供不同的隔离级别，允许开发者根据业务需求选择合适的隔离级别。此外，通过使用事务锁和一致性检查，可以在应用层提供额外的控制来处理并发更新。 + +在设计系统时，应该仔细考虑并发控制策略，以确保数据的完整性和一致性。在实现时，可以使用数据库提供的锁机制，如行级锁、表级锁等，或者在应用层实现乐观锁或悲观锁逻辑。 - ```mysql - SELECT * FROM table WHERE id BETWEN 1 AND 10 FOR UPDATE; - ``` - 即所有在`（1，10）`区间内的记录行都会被锁住，所有id 为 2、3、4、5、6、7、8、9 的数据行的插入会被阻塞，但是 1 和 10 两条记录行并不会被锁住。 - GAP 锁的目的，是为了防止同一事务的两次当前读，出现幻读的情况 +### 🎯 在高并发情况下，如何做到安全的修改同一行数据？ -- **临键锁(Next-key Locks)**： **临键锁**，是**记录锁与间隙锁的组合**，它的封锁范围，既包含索引记录，又包含索引区间。(临键锁的主要目的，也是为了避免**幻读**(Phantom Read)。如果把事务的隔离级别降级为RC，临键锁则也会失效。) +在高并发情况下安全地修改同一行数据需要确保数据的一致性和完整性，避免并发导致的问题，如脏读、不可重复读和幻读。以下是一些常见的策略： - Next-Key 可以理解为一种特殊的**间隙锁**，也可以理解为一种特殊的**算法**。通过**临建锁**可以解决幻读的问题。 每个数据行上的非唯一索引列上都会存在一把临键锁，当某个事务持有该数据行的临键锁时，会锁住一段左开右闭区间的数据。需要强调的一点是，`InnoDB` 中行级锁是基于索引实现的，临键锁只与非唯一索引列有关，在唯一索引列（包括主键列）上不存在临键锁。 +1. **乐观锁**：乐观锁通过在数据表中添加一个版本号或时间戳字段来实现。每次更新数据时，检查版本号或时间戳是否一致，如果不一致，说明数据在读取后被其他事务修改过，当前事务应该放弃更新。 +2. **悲观锁**：悲观锁在事务开始时就对数据行进行锁定，直到事务结束才释放锁。这可以防止其他事务同时修改同一数据行。 +3. **原子操作**：使用数据库提供的原子操作，如 `UPDATE ... WHERE` 语句，确保修改操作的原子性。 +4. **事务隔离级别**：适当设置事务的隔离级别，如可重复读（REPEATABLE READ）或串行化（SERIALIZABLE），以减少并发事务间的干扰。 +5. **数据库的锁机制**：利用数据库的锁机制，如行锁、表锁等，来控制对数据的并发访问。 +6. **应用层控制**：在应用层实现重试逻辑，当检测到更新冲突时，可以重试事务。 +7. **分布式锁**：使用分布式锁来确保在分布式系统中，同一时间只有一个操作能够修改数据。 +8. **消息队列**：将更新操作封装在消息中，通过消息队列顺序处理更新，以避免并发冲突。 +9. **唯一索引**：在可能发生冲突的列上设置唯一索引，确保数据库层面上避免重复数据的插入。 +10. **条件更新**：使用条件更新，如 `UPDATE ... IF EXISTS`，来避免在数据已被其他事务修改的情况下进行更新。 - 对于行的查询，都是采用该方法，主要目的是解决幻读的问题。 -> select for update有什么含义，会锁表还是锁行还是其他 + +### 🎯 数据库的乐观锁和悲观锁？ + +**乐观锁与悲观锁是两种并发控制的思想，可用于解决丢失更新问题** + +乐观锁会“乐观地”假定大概率不会发生并发更新冲突，访问、处理数据过程中不加锁，只在更新数据时再根据版本号或时间戳判断是否有冲突，有则处理，无则提交事务。用数据版本（Version）记录机制实现，这是乐观锁最常用的一种实现方式 + +悲观锁会“悲观地”假定大概率会发生并发更新冲突，访问、处理数据前就加排他锁，在整个数据处理过程中锁定数据，事务提交或回滚后才释放锁。另外与乐观锁相对应的，**悲观锁是由数据库自己实现了的，要用的时候，我们直接调用数据库的相关语句就可以了。** + + + +### 🎯 怎么在数据库里面使用乐观锁？ + +乐观锁（Optimistic Locking）是一种用于解决并发控制问题的技术，特别适用于读多写少的场景。它假设冲突很少发生，因此不在操作开始时加锁，而是在提交更新时检查是否有冲突。通常通过以下几种方式实现： + +- 版本号：在表中添加一个版本号字段，每次更新记录时，版本号加1。更新操作时，检查版本号是否匹配，匹配则更新，不匹配则说明有冲突，需要重新读取数据再进行操作。 +- 时间戳：用时间戳字段记录最后修改时间，更新操作时检查时间戳是否匹配。 + +> 可以用来解决电商中的“超卖”问题。 + + + +### 🎯 select for update有什么含义，会锁表还是锁行还是其他？ for update 仅适用于 InnoDB，且必须在事务块(BEGIN/COMMIT)中才能生效。在进行事务操作时，通过“for update”语句，MySQL 会对查询结果集中每行数据都添加排他锁，其他线程对该记录的更新与删除操作都会阻塞。排他锁包含行锁、表锁。 @@ -1272,9 +1522,31 @@ SELECT * FROM products WHERE id LIKE '3' FOR UPDATE; -> MySQL 遇到过死锁问题吗，你是如何解决的？ +### 🎯 死锁有没有了解，写一段会造成死锁的 sql 语句? + +死锁是指两个或多个事务在等待彼此持有的资源，从而导致所有事务都无法继续执行的情况。在 MySQL 中，死锁通常发生在并发更新相同的资源时。 + +```mysql +START TRANSACTION; +UPDATE table_name SET column_a = 1 WHERE id = 1; +-- 这里事务 1 锁定了 id = 1 的记录 +UPDATE table_name SET column_b = 2 WHERE id = 2; +-- 等待事务 2 释放 id = 2 的锁 +``` + +```mysql +START TRANSACTION; +UPDATE table_name SET column_b = 2 WHERE id = 2; +-- 这里事务 2 锁定了 id = 2 的记录 +UPDATE table_name SET column_a = 1 WHERE id = 1; +-- 等待事务 1 释放 id = 1 的锁 +``` + -### 死锁 + +### 🎯 死锁发生了如何解决，MySQL 有没有提供什么机制去解决死锁？ + +> MySQL 遇到过死锁问题吗，你是如何解决的？ **死锁产生**： @@ -1299,23 +1571,7 @@ SELECT * FROM products WHERE id LIKE '3' FOR UPDATE; -**MyISAM 避免死锁**： - -- 在自动加锁的情况下，MyISAM 总是一次获得 SQL 语句所需要的全部锁，所以 MyISAM 表不会出现死锁。 - -**InnoDB 避免死锁**： - -- 为了在单个 InnoDB 表上执行多个并发写入操作时避免死锁，可以在事务开始时通过为预期要修改的每个元祖（行）使用`SELECT ... FOR UPDATE`语句来获取必要的锁，即使这些行的更改语句是在之后才执行的。 -- 在事务中，如果要更新记录，应该直接申请足够级别的锁，即排他锁，而不应先申请共享锁、更新时再申请排他锁，因为这时候当用户再申请排他锁时，其他事务可能又已经获得了相同记录的共享锁，从而造成锁冲突，甚至死锁 -- 如果事务需要修改或锁定多个表，则应在每个事务中以相同的顺序使用加锁语句。 在应用中，如果不同的程序会并发存取多个表，应尽量约定以相同的顺序来访问表，这样可以大大降低产生死锁的机会 -- 通过`SELECT ... LOCK IN SHARE MODE` 获取行的读锁后，如果当前事务再需要对该记录进行更新操作，则很有可能造成死锁。 -- 改变事务隔离级别 - -如果出现死锁，可以用 `show engine innodb status; `命令来确定最后一个死锁产生的原因。返回结果中包括死锁相关事务的详细信息，如引发死锁的 SQL 语句，事务已经获得的锁，正在等待什么锁，以及被回滚的事务等。据此可以分析死锁产生的原因和改进措施。 - - - -### 如何尽可能避免死锁 +### 🎯 如何尽可能避免死锁？ 1. 合理的设计索引，区分度高的列放到组合索引前面，使业务 SQL 尽可能通过索引`定位更少的行，减少锁竞争`。 2. 调整业务逻辑 SQL 执行顺序， 避免 update/delete 长时间持有锁的 SQL 在事务前面。 @@ -1327,35 +1583,420 @@ SELECT * FROM products WHERE id LIKE '3' FOR UPDATE; -### InnoDB 如何手动锁表 +### 🎯 说个自己遇到的死锁案例？ + +早期我优化过一个死锁问题，是**临键锁引起**的。业务逻辑很简单，先用 SELECT FOR UPDATE 查询数据。如果查询到了数据，那么就执行一段业务逻辑，然后更新结果；如果没有查询到，那么就执行另外一段业务逻辑，然后插入计算结果。 + +那么如果 SELECT FOR UPDATE 查找的数据不存在，那么数据库会使用一个临键锁。此时，如果有两个线程加了临键锁，然后又希望插入计算结果，那么就会造成死锁。 + +我这个优化也很简单，就是上来先不管三七二十一，直接插入数据。如果插入成功，那么就执行没有数据的逻辑，此时不会再持有临键锁，而是持有了行锁。如果插入不成功，那么就执行有数据的业务逻辑。 + +此外，还有两个思路。一个是修改数据库的隔离级别为 RC，那么自然不存在临键锁了，但是这个修改影响太大，被 DBA 否决了。 + +另外一个思路就是使用乐观锁，不过代码改起来要更加复杂，所以就没有使用。 + +> 假设表 t 中最大 id 是 10，那么如果两个业务进来，同时执行这个逻辑。一个准备插入 id=11 的数据，一个准备插入 id = 12 的数据。如果它们的执行时序如下图，那么你就会得到一个死锁错误![](https://img.starfish.ink/mysql/MySQL-dead-lock-demo-1.png) +> +> 造成死锁的原因也很简单。在线程 A 执行 SELECT FOR UPDATE 的时候，因为 id=11 的数据不存在，所以实际上数据库会产生一个(11，supremum] 的临键锁。类似地，线程 B 也会产生一个(10，supremum] 临键锁。 + + + +------ + + + + + +## 五、数据类型与查询优化📊 + +**核心理念**：合理的数据类型选择和高效的查询编写是数据库性能的基础，掌握查询优化技巧能显著提升系统响应速度。 + +> 主要包括以下五大类： +> +> - 整数类型：BIT、BOOL、TINY INT、SMALL INT、MEDIUM INT、 INT、 BIG INT +> - 浮点数类型：FLOAT、DOUBLE、DECIMAL +> - 字符串类型：CHAR、VARCHAR、TINY TEXT、TEXT、MEDIUM TEXT、LONGTEXT、TINY BLOB、BLOB、MEDIUM BLOB、LONG BLOB +> - 日期类型：Date、DateTime、TimeStamp、Time、Year +> - 其他数据类型：BINARY、VARBINARY、ENUM、SET、Geometry、Point、MultiPoint、LineString、MultiLineString、Polygon、GeometryCollection等 + + + +### 🎯 CHAR 和 VARCHAR 的区别？ + +`CHAR` 和 `VARCHAR` 都是用于存储字符串的字段类型，但它们在存储方式、性能和使用场景上存在一些关键区别 + +- **存储方式**：char 是固定长度，varchar 长度可变： + - char(n) 和 varchar(n) 中括号中 n 代表字符的个数，并不代表字节个数，比如 CHAR(30) 就可以存储 30 个字符。 + + - 存储时，char 不管实际存储数据的长度，直接按 char 规定的长度分配存储空间；而 varchar 会根据实际存储的数据分配最终的存储空间，加上 1 或 2 个额外字节用于存储字符串的长度信息 + +- **性能不同**： + + - `CHAR` 因为其固定长度的特性，在某些情况下可能会提供更好的性能，尤其是当处理大量具有相同长度的数据时。 + - `VARCHAR` 由于需要存储长度信息，并且可能需要额外的空间来存储不同长度的字符串，因此在性能上可能略逊于 `CHAR` + +- 使用场景：char 适用于固定长度字符串：如存储状态码、国家代码、MD5 哈希值等。varchar 适用于可变长度字符串：如用户名、电子邮件地址、描述等。 + + + +### 🎯 MySQL 里记录货币用什么字段类型比较好？ + +> 阿里规范：【强制】任何货币金额，均以最小货币单位且整型类型来进行存储。 + +在 MySQL 中记录货币数据时，通常推荐使用 `DECIMAL` 类型。`DECIMAL` 类型提供高精度的存储和计算，非常适合用于存储货币值。以下是使用 `DECIMAL` 类型的原因以及其他可能选择的字段类型和其适用场景： + +**使用 `DECIMAL` 类型的原因** + +1. **高精度**： + - `DECIMAL` 类型可以精确存储货币值，没有浮点运算误差。例如，定义为 `DECIMAL(10, 2)` 表示最多 10 位数字，其中 2 位小数，适合存储最多到亿位的金额，精确到小数点后两位。 +2. **存储效率**： + - 由于货币值通常需要精确到小数点后两位，`DECIMAL` 能够确保存储的每一个值都是精确的，避免了浮点数可能带来的舍入误差。 +3. **计算正确性**： + - 在涉及到财务计算时，使用浮点数类型（如 `FLOAT` 或 `DOUBLE`）可能会因为舍入误差导致计算不准确。`DECIMAL` 类型避免了这些问题，确保计算结果的准确性。 + +当然还**有些业务**，用 `INT` 或者 `BIGINT` 类型存储货币的最小单位也可以（如美分、分），适合对性能有更高要求的场景（整数运算比浮点运算更快），但需要处理转换逻辑。 + + + +### 🎯 datetime 与 timestamp 的区别？ + +> MySQL 的 DATETIME 和 TIMESTAMP 都用来存储日期时间，但有几个关键区别： +> +> 1. DATETIME 与时区无关，存储的是什么取出来就是什么，范围更大（1000 ~ 9999 年），占 8 字节。 +> 2. TIMESTAMP 与时区相关，存储时会转为 UTC，取出时按会话时区转换，范围是 1970 ~ 2038 年，占 4~7 字节。 +> 3. TIMESTAMP 支持 `CURRENT_TIMESTAMP` 和自动更新，常用来存记录的创建时间、修改时间；而 DATETIME 更适合业务逻辑相关的时间点。 + +**1. 存储方式** + +- **DATETIME** + - 以字符串形式存储日期和时间，格式为 `'YYYY-MM-DD HH:MM:SS'`。 + - 与 **时区无关**，存进去什么值，取出来就是什么值。 +- **TIMESTAMP** + - 以 **Unix 时间戳**（从 1970-01-01 00:00:01 UTC 到某一时刻的秒数）存储。 + - 与 **时区相关**，存储时会转成 UTC，取出时会根据会话时区转换。 + +**2. 取值范围** + +- **DATETIME**：`1000-01-01 00:00:00` ~ `9999-12-31 23:59:59` +- **TIMESTAMP**：`1970-01-01 00:00:01 UTC` ~ `2038-01-19 03:14:07 UTC`（32 位整型限制，存在 2038 年问题） + +**3. 存储大小** + +- **DATETIME**：8 字节 +- **TIMESTAMP**：4 字节（MySQL 5.6 之后扩展为 4 ~ 7 字节，取决于小数秒精度） + +**4. 时区影响** + +- **DATETIME**：不受时区影响，适合存储固定的“绝对时间”。 +- **TIMESTAMP**：受时区影响，存储时转 UTC，取出时根据当前时区转换，适合存储事件发生的“真实时间点”。 + +**5. 默认值与自动更新** + +- **DATETIME**：默认值需要显式指定，一般不会自动更新。 +- **TIMESTAMP**：可以默认 `CURRENT_TIMESTAMP`，并支持 `ON UPDATE CURRENT_TIMESTAMP`，自动存储当前时间。 + +**6. 应用场景** + +- **DATETIME**：适合存储“业务层面的日期时间”，如生日、会议时间、账单周期等，保证跨时区不变。 +- **TIMESTAMP**：适合存储“记录生成或修改的时间”，如 `create_time`、`update_time`，自动随时区变化而调整。 + + + +### 🎯 BLOB 和 TEXT 有什么区别？ + +> 这个问题其实很不重要，因为大部分公司不让让使用这两种类型。 +> +> **禁止使用TEXT、BLOB类型**：会浪费更多的磁盘和内存空间，非必要的大量的大字段查询会淘汰掉热数据，导致内存命中率急剧降低，影响数据库性能 + +`BLOB`（Binary Large Object）和 `TEXT` 是 MySQL 中用于存储大型二进制数据和大型文本数据的两种不同的数据类型。它们之间的主要区别包括： + +1. **存储内容**：`BLOB` 用于存储二进制数据，如图片、音频、视频等。`TEXT` 用于存储大型文本数据，如文章、评论等。 +2. **最大长度**： + - `BLOB` 和 `TEXT` 类型的最大长度可以达到 65,535 字节，即 64KB（在 MySQL 5.0.3 之前的版本中，最大长度为 255 字节）。 + - 从 MySQL 5.0.3 版本开始，`BLOB` 和 `TEXT` 类型的列可以存储更大的数据，最大可达到 4GB（使用 `LONGBLOB` 和 `LONGTEXT`）。 +3. **字符编码**：`BLOB` 存储的是二进制数据，与字符编码无关。`TEXT` 存储的是字符数据，受字符编码的影响，如 `utf8`、`latin1` 等。 +4. **存储效率**：`BLOB` 由于存储的是二进制数据，不涉及字符编码转换，通常存储效率更高。`TEXT` 类型在存储时会进行字符编码转换，可能会占用更多的存储空间。 +5. **排序和比较**：`BLOB` 类型的列不能进行排序和比较，因为它们是二进制数据。`TEXT` 类型的列可以进行排序和比较，因为它们是字符数据。 + +在选择 `BLOB` 还是 `TEXT` 时，需要根据数据的特性和应用场景来决定。如果需要存储非文本的二进制数据，应选择 `BLOB`；如果需要存储大量的文本数据，则应选择 `TEXT`。 + + + +### 🎯 count(*) 和 count(1)和count(列名)区别 + +- **COUNT(\*)**：统计表中所有行的数量，包括 `NULL` 值，性能最佳，适用于需要统计总行数的情况 +- **COUNT(1)**：与 `COUNT(*)` 类似，统计表中所有行的数量，包括 `NULL` 值，性能与 `COUNT(*)` 基本相同 +- **COUNT(列名)**：统计指定列中非 `NULL` 值的数量，适用于需要统计特定列中实际值数量的情况 + + + +### 🎯 UNION和UNION ALL的区别? + +UNION和UNION ALL都是将两个结果集合并为一个，**两个要联合的SQL语句 字段个数必须一样，而且字段类型要“相容”（一致）；** + +- UNION 在进行表连接后会筛选掉重复的数据记录（效率较低），而 UNION ALL 则不会去掉重复的数据记录； + +- UNION 会按照字段的顺序进行排序，而 UNION ALL 只是简单的将两个结果合并就返回； + -LOCK TABLES table_name read local; 将当前表设置为只读，不能进行插入或更新操作。 -UNLOCK TABLES;锁住表了，使用UNLOCK进行释放。 +### 🎯 SQL执行顺序 +![The Essential Guide to SQL’s Execution Order](https://img.starfish.ink/mysql/ferrer_essential_guide_sql_execution_order_6.png) +- 手写 -### InnoDB 引擎的行锁是通过加在什么上完成(或称实现) 的? + ```mysql + SELECT DISTINCT + FROM + JOIN ON + WHERE + GROUP BY + HAVING + ORDER BY + LIMIT + ``` -InnoDB 行锁是通过给索引上的索引项加锁来实现的，这一点 MySQL 与 Oracle 不同，后者是通过在数据块中对相应数据行加锁来实现的。InnoDB 这 种行锁实现特点意味着:只有通过索引条件检索数据，InnoDB 才使用行级 锁，否则，InnoDB 将使用表锁! +- 机读 + + ```mysql + FROM + ON + JOIN + WHERE + GROUP BY + HAVING + SELECT + DISTINCT + ORDER BY + LIMIT + ``` + + + +> mysql 的内连接、左连接、右连接有什么区别？ +> +> 什么是内连接、外连接、交叉连接、笛卡尔积呢？ + +**Join图** + +![sql-joins](https://img.starfish.ink/mysql/sql-joins.jpg) ------ +## 六、日志系统 📝 +MySQL 日志其实是各种其他知识模块的基础 -## 八、MySQL 调优 +### 🎯 MySQL 都有哪些日志，分别介绍下作用，执行顺序是怎么样的？ -> 日常工作中你是怎么优化SQL的？ +> - **错误日志**：记录出错信息，也记录一些警告信息或者正确的信息。 +> +> - **通用查询日志**：记录所有对数据库请求的信息，不论这些请求是否得到了正确的执行。 +> +> - **慢查询日志**：设置一个阈值，将运行时间超过该值的所有SQL语句都记录到慢查询的日志文件中。 > -> SQL优化的一般步骤是什么，怎么看执行计划（explain），如何理解其中各个字段的含义？ +> - **二进制日志**：记录对数据库执行更改的所有操作。 +> +> - **中继日志**：中继日志也是二进制日志，用来给slave 库恢复 +> +> - **事务日志**：重做日志 redo 和回滚日志 undo + +时序上先 undo log，redo log 先 prepare， 再写 binlog，最后再把 redo log commit + +![](https://img.starfish.ink/mysql/log-seq.png) + +### 🎯 说下 一条 MySQL 更新语句的执行流程是怎样的吧？ + +1. **解析和优化** + + - **语法解析**：MySQL解析器会对`UPDATE`语句进行语法解析，生成语法树，并检查语句的合法性。 + + - **查询优化器**：优化器会根据表的索引、统计信息等来选择最优的执行计划，以最快的方式查找需要更新的记录。 + +2. **定位记录**（这个过程也被称作**加锁读**） + + - **通过索引定位**：如果更新语句涉及索引，MySQL会利用索引快速定位需要更新的记录。如果没有索引，则会进行全表扫描。 + + - **在Buffer Pool中查找页**：MySQL首先会在Buffer Pool中查找包含目标记录的页（数据页或索引页），如果该页已经存在于Buffer Pool中，则直接使用；否则会将其从磁盘加载到 Buffer Pool 中。 + +3. **生成Undo日志** + + - **生成Undo日志**：为了支持事务的回滚，MySQL 会在更新操作前生成一条 Undo 日志，该日志记录了被更新行的**旧值**。Undo日志存储在回滚段（Rollback Segment）中。 + + - **保存Undo日志**：在发生事务回滚时，MySQL会使用Undo日志将数据恢复到更新前的状态。 + +4. **更新数据** + + - **更新Buffer Pool中的数据页**：MySQL在Buffer Pool中对定位到的记录进行更新操作，修改记录的值。这是一个内存中的操作，数据页此时还没有写回到磁盘。 + + - **标记页为脏页**：被修改的页会被标记为“脏页”，表示其内容与磁盘上的数据不同，需要在适当的时候写回磁盘。 + +5. **生成Redo日志** + + - **生成Redo日志**：Redo日志记录了数据页的物理变化，用于在数据库崩溃时恢复数据一致性。Redo日志包括这次更新操作的具体细节，如页号、偏移量和新值。 + + - **写入Redo日志缓存**：生成的Redo日志首先被写入Redo日志缓存（Log Buffer），而不是直接写入磁盘。 + + > 此时 redo log 处于 prepare 状态。然后告知执行器执行完成了，随时可以提交事务 + +6. **写入Binlog** + + - **生成Binlog**：MySQL会生成一条对应的Binlog（针对事务性表的DML语句）。Binlog记录的是这次更新的逻辑变化（类似于SQL语句或行级变化），主要用于主从复制和数据恢复。 + + - **刷写Binlog**：Binlog首先被写入到Binlog缓存，当事务提交时会将缓存中的Binlog刷写到磁盘上的Binlog文件。 + +7. **事务提交** + + - **刷写Redo日志**：在事务提交前，MySQL会将Redo日志从日志缓存刷写到磁盘的Redo日志文件（ib_logfile0, ib_logfile1）。此操作通常是顺序写入，因此效率较高。 + + - **刷写Binlog**：在事务提交时，Binlog也会被刷写到磁盘。根据MySQL的设置，可能会先刷写Binlog再刷写Redo日志，或以不同顺序执行。 + + - **两阶段提交**：为了确保Binlog和Redo日志的原子性，MySQL使用两阶段提交的机制。具体步骤是：首先写入Redo日志（处于Prepare状态），然后写入Binlog，最后更新Redo日志为Commit状态。 + +8. **数据页刷盘** + + - **异步刷盘**：脏页的刷盘（即将修改后的数据页从Buffer Pool写回到磁盘）通常是异步进行的。InnoDB存储引擎会根据脏页数量、系统空闲时间等条件定期执行刷盘操作。 + + - **检查点**：MySQL通过检查点机制来控制Redo日志的循环使用和脏页的刷盘。当达到检查点时，会将所有脏页刷写到磁盘，同时更新Redo日志的检查点信息。 + +9. **完成更新操作** + + - **事务结束**：当Redo日志和Binlog都刷写到磁盘后，事务就完成了。对于非事务性表，操作可能不会涉及Undo日志和Redo日志。 + + - **释放锁**：在事务完成后，MySQL会释放占用的锁资源。 + + + +### 🎯 两阶段提交？ + +在 MySQL 中，`UPDATE` 操作涉及对数据的修改，为了保证数据的一致性和可靠性，特别是在使用 **InnoDB** 存储引擎时，`UPDATE` 操作需要使用**两阶段提交（Two-Phase Commit）**。两阶段提交的设计主要是为了确保数据的**原子性**和**一致性**，特别是在支持事务和涉及到数据库的**Binlog**（二进制日志）记录的情况下。 + +1. **两阶段提交的原因** + + MySQL 的两阶段提交机制主要用于协调 **InnoDB 引擎的事务日志（Redo Log）** 和 **MySQL 的 Binlog**。当数据库发生崩溃时，保证事务的持久性和一致性是非常重要的。事务的执行不能一部分成功，另一部分失败，这会导致数据不一致。 + + **关键问题：** + + - **Redo Log** 是 InnoDB 的内部事务日志，确保事务的**持久性**（即便崩溃后数据也能恢复）。 + + - **Binlog** 是 MySQL 的二进制日志，主要用于数据的**复制**和**备份**。 + + 如果没有两阶段提交，在执行 `UPDATE` 操作时可能会出现以下问题： + + - 写入 Binlog 成功，但事务日志（Redo Log）失败**：**事务被记录在 Binlog 中，但实际修改的数据没有持久化，导致数据不一致。 + - 写入 Redo Log 成功，但 Binlog 失败：数据修改在本地持久化了，但 Binlog 失败，导致主从复制出现问题，主库和从库数据不一致。 + +​ 因此，MySQL 使用两阶段提交来确保在事务修改数据的过程中，**Binlog 和 Redo Log 同时成功**，从而保证事务的一致性。 + +2. **两阶段提交的流程** + + MySQL 在执行 `UPDATE` 操作时，InnoDB 和 Binlog 通过两阶段提交进行协调。具体步骤如下： + + a. 第一阶段：预提交阶段（Prepare Phase） + + - **开始事务**：InnoDB 首先会执行 `UPDATE` 操作，并将修改记录到内存中的 Undo Log，以便在事务失败时可以回滚。 + + - **记录 Redo Log（prepare）**：修改数据的操作被记录在**Redo Log**中，并标记为 "Prepare" 状态，此时数据尚未真正提交，只是标记为“准备提交”。 + + - **等待事务进入准备状态**：InnoDB 引擎等着上层的 MySQL Server 层确认 Binlog 日志写入成功。 + + 此时，事务还没有被真正提交，但 Redo Log 已经有了准备提交的记录。 + + b. 第二阶段：提交阶段（Commit Phase） + + - **写入 Binlog**：MySQL Server 层会将这次 `UPDATE` 操作记录到 Binlog 中，确保日志记录成功。 + - **提交事务**：当 Binlog 成功写入后，MySQL Server 会通知 InnoDB 提交事务，InnoDB 会将 Redo Log 的状态从 "Prepare" 变为 "Commit"。 + - **持久化 Redo Log**：最后，InnoDB 将 Redo Log 的状态变为已提交，保证数据的修改真正生效，并确保即使系统崩溃，事务也可以在恢复过程中继续完成。 + +​ 通过这样的两阶段提交，MySQL 确保了 Binlog 和 Redo Log 都正确记录，避免了系统崩溃时数据不一致的问题。 + +3. 为什么需要两阶段提交？ + + 两阶段提交的必要性源自于以下几点： + + - **数据的一致性**：事务的修改操作必须同时写入 InnoDB 的事务日志和 MySQL 的 Binlog，确保数据和日志保持一致，尤其是在崩溃恢复或主从复制的场景下。 + - **事务的原子性**：保证要么事务的所有操作都成功，要么所有操作都回滚，不会出现事务部分提交的情况。 + - **崩溃恢复**：在崩溃恢复时，InnoDB 可以依靠已提交的 Redo Log 来恢复数据，而 Binlog 用于恢复操作步骤，并保持主从数据库同步。 + +4. 解决的问题 + + - **防止数据不一致**：没有两阶段提交机制，可能会导致数据和日志之间的不一致，尤其在分布式环境下，数据库的主从复制和日志备份可能会出现问题。 + - **确保事务完整性**：确保所有日志（Binlog 和 Redo Log）和数据一致，保证事务在任何情况下都能正确提交或回滚。 + + + +### 🎯 说说 redo log 、undo log 和 bin log ？ + +在 MySQL 中，特别是在使用 InnoDB 存储引擎时，`redo log`（重做日志）、`undo log`（回滚日志）和 `binlog`（二进制日志）各自承担着不同的角色： + +**1. Redo Log（重做日志）：** + +- **目的**：确保事务的持久性。在系统崩溃后，`redo log` 允许恢复未提交的事务更改，保证数据的完整性和一致性。 +- **内容**：记录了事务对数据页所做的物理更改【**物理日志**】，以便在崩溃恢复时重新应用这些更改。 +- **写入时机**：在事务提交时，将更改刷新到磁盘上的 `redo log` 文件中。 +- **大小和循环**：`redo log` 通常配置为固定大小的日志文件，并且可以循环使用。 +- **用途**：**崩溃恢复**，在数据库崩溃后，通过 redo log 恢复到崩溃前的状态，保证数据一致性。 + +> redo log 不需要写磁盘吗？如果 redo log 也要写磁盘，干嘛不直接修改数据呢？redo log 是需要写磁盘的，但是 redo log 是**顺序写**的，所以也是 WAL（writeahead-log） 的一种。 > -> 如何写sql能够有效的使用到复合索引？ +> redo log 本身也是先写进 redo log buffer，后面再刷新到操作系统的 page cache，或者一步到位刷新到磁盘 > -> 一条sql执行过长的时间，你如何优化，从哪些方面入手？ +> InnoDB 引擎本身提供了参数 `innodb_flush_log_at_trx_commit` 来控制写到磁盘的时机，里面有三个不同值。 > -> 什么是最左前缀原则？什么是最左匹配原则？ +> - 0：每秒刷新到磁盘，是从 redo log buffer 到磁盘。 +> - 1：每次提交的时候刷新到磁盘上，也就是最安全的选项，InnoDB 的**默认值**。 +> - 2：每次提交的时候刷新到 page cache 里，依赖于操作系统后续刷新到磁盘。 + +**2. Undo Log（回滚日志）：** + +- **目的**：提供事务的原子性和一致性。它允许撤销事务的更改，以保持数据的一致状态。 +- **内容**：记录了事务对数据页所做的更改的逆操作【**逻辑日志**】，使得在事务失败或需要回滚时可以恢复原始数据。 +- **写入时机**：当事务进行修改操作时，`undo log` 会记录这些更改的逆操作，通常在事务提交前就已经写入。 +- **用途**：主要用于 MVCC（多版本并发控制）和事务回滚。 + +**3. Binlog（二进制日志）：** + +- **目的**：记录数据库的所有修改操作，用于数据恢复、主从复制和数据审计。 +- **内容**：记录了所有修改数据的 SQL 语句，如 `INSERT`、`UPDATE` 和 `DELETE`，但不记录 `SELECT` 和 `SHOW` 这类的语句。 +- **写入时机**：在 SQL 语句执行后，根据配置，`binlog` 可以立即或事务提交时写入磁盘。 +- **大小和存储**：`binlog` 文件通常不循环使用，它们会随着时间持续增长，直到通过配置的策略进行清理。 + +| 特性 | Redo Log | Undo Log | Bin Log | +| -------- | ---------------------- | -------------------------------- | ---------------------- | +| 主要用途 | 崩溃恢复 | 事务回滚、多版本并发控制（MVCC） | 主从复制和数据恢复 | +| 日志类型 | 物理日志 | 逻辑日志 | 逻辑日志 | +| 存储内容 | 页级物理更改 | 数据快照 | SQL 语句或行级数据变化 | +| 写入方式 | 循环写入 | 按需写入 | 追加写入 | +| 写入时机 | 事务提交时 | 事务操作时 | 事务提交时 | +| 大小 | 固定大小 | 可变大小 | 可变大小 | +| 作用 | 保证数据一致性和持久性 | 提供事务回滚和一致性读支持 | 实现数据复制和备份 | + + + +### 🎯 MySQL 的 binlog 有几种录入格式？分别有什么区别？ + +`binlog`日志有三种格式，分别为`STATMENT`、`ROW`和`MIXED`。 -### 影响 mysql 的性能因素 +> 在 `MySQL 5.7.7`之前，默认的格式是`STATEMENT`，`MySQL 5.7.7`之后，默认值是 `ROW`。日志格式通过 `binlog-format` 指定。 + +- `STATMENT` ：基于 SQL 语句的复制(`statement-based replication, SBR`)，每一条会修改数据的 sql 语句会记录到 binlog 中**。** + - 优点：不需要记录每一行的变化，减少了 binlog 日志量，节约了 IO，从而提高了性能； + - 缺点：在某些情况下会导致主从数据不一致，比如执行`sysdate()`、`slepp()`等。 + +- `ROW` ：基于行的复制(`row-based replication, RBR`)，不记录每条sql语句的上下文信息，仅需记录哪条数据被修改了**。 ** + - 优点：不会出现某些特定情况下的存储过程、或function、或trigger的调用和触发无法被正确复制的问题**；** + - 缺点：会产生大量的日志，尤其是 `alter table` 的时候会让日志暴涨 + +- `MIXED` ：基于 STATMENT 和 ROW 两种模式的混合复制(`mixed-based replication, MBR`)，mixed 格式的意思是，MySQL 自己会判断这条 SQL 语句是否可能引起主备不一致，如果有可能，就用 row 格式，否则就用 statement 格式 + +------ + + + +## 七、性能调优 ⚡ + +### 🎯 影响 MySQL 的性能因素有哪些? - 业务需求对MySQL的影响(合适合度) @@ -1371,23 +2012,108 @@ InnoDB 行锁是通过给索引上的索引项加锁来实现的，这一点 MyS - 准实时的统计信息数据 - 其他一些访问频繁但变更较少的数据 -- Schema设计对系统的性能影响 - - 尽量减少对数据库访问的请求 - - 尽量减少无用数据的查询请求 +- Schema设计对系统的性能影响 + - 尽量减少对数据库访问的请求 + - 尽量减少无用数据的查询请求 + +- 硬件环境对系统性能的影响 + + + +### 🎯 日常工作中你是怎么优化SQL的？ + +优化SQL的日常工作可以从以下几个方面进行： + +1. **索引优化** + + - **创建索引**：为频繁查询的列创建合适的索引，特别是主键和外键列。 + + - **使用覆盖索引**：通过索引来满足查询需求，避免回表查询。 + + - **删除冗余索引**：清理不常用或重复的索引，以减少维护开销。 + + +2. **查询优化** + + - **避免选择所有列**：只选择需要的列，避免使用 `SELECT *`。 + + - **使用合适的SQL语法**：如使用 `JOIN` 替代子查询，避免N+1查询问题。 + + - **优化WHERE子句**：使用索引列进行过滤，避免在过滤条件中进行函数运算或转换。 + + +3. **数据库结构优化** + + - **规范化与反规范化**：根据实际需求选择合适的数据库设计，平衡数据冗余和查询性能。 + + - **分区表**：对于大表，使用分区技术来提升查询和维护性能。 + + +4. **缓存机制** + + - **应用层缓存**：如Memcached或Redis，缓存频繁访问的数据，减少数据库负载。 + + - **数据库缓存**：合理设置数据库缓存参数，优化数据库内存使用。 + + +5. **SQL分析与监控** + + - **执行计划分析**：使用 `EXPLAIN` 分析SQL的执行计划，了解查询的执行步骤和时间。 + + - **慢查询日志**：启用慢查询日志，找出并优化执行时间较长的SQL语句。 + + - **性能监控工具**：如使用New Relic、APM等工具，持续监控数据库性能。 + + +6. **事务控制** + + - **减少事务范围**：尽量缩小事务的范围和持续时间，避免长时间锁定资源。 + + - **合理设置隔离级别**：根据业务需求选择合适的事务隔离级别，平衡并发性和数据一致性。 + + +7. **数据库参数调整** + + - **调整连接池**：合理设置数据库连接池大小，避免过多连接导致资源争用。 + + - **优化数据库配置**：根据硬件资源和业务需求，调整数据库内存、缓存、IO等参数。 + + +通过以上方法，可以有效地优化SQL性能，提高数据库的响应速度和稳定性。持续关注数据库的运行情况，并根据实际需求进行调整，是保持数据库高效运行的关键。 + -- 硬件环境对系统性能的影响 + +### 🎯 什么是最左前缀原则？什么是最左匹配原则？ + +**最左前缀原则** 和 **最左匹配原则** 是在使用索引时的两个相关概念，它们通常与复合索引（即在多个列上创建的索引）的使用相关： + +1. **最左前缀原则**： + - 当使用复合索引时，最左前缀原则指的是查询优化器只会使用复合索引中最左边的列（或前几列）来查找数据。 + - 这意味着，如果要利用复合索引，查询条件中必须包含最左边的列。如果查询条件不包含最左边的列，那么索引将不会被使用，或者不会完全被使用。 +2. **最左匹配原则**： + - 最左匹配原则是指在复合索引中，只有当前面的列匹配后，才能继续向后匹配。换句话说，只有当前一个列的值已经确定，才能利用下一个列的索引。 + - 例如，如果你有一个 (`col1`, `col2`, `col3`) 的复合索引，那么只有当 `col1` 的值确定后，`col2` 的索引才会被使用；同样，只有当 `col1` 和 `col2` 的值都确定后，`col3` 的索引才会被使用。 + +> 在 MySQL 中，**联合索引 (a, b, c)** 的最左匹配原则使用情况如下： +> +> | **查询条件** | **是否使用索引** | **使用索引的字段** | **底层原因** | +> | --------------------------- | -------------------- | ------------------ | -------------------------------------------- | +> | `WHERE a=1 AND b=2 AND c=3` | ✅ 完全使用 | `a, b, c` | 严格遵循最左顺序，B+ 树逐层定位 | +> | `WHERE c=3 AND b=2 AND a=1` | ✅ 完全使用 | `a, b, c` | 优化器调整顺序后等价于 `a=1 AND b=2 AND c=3` | +> | `WHERE a=1 AND c=3` | ⚠️ 部分使用（仅 `a`） | `a` | 跳过 `b`，`c` 无法直接通过索引定位 | +> | `WHERE b=2 AND c=3` | ❌ 索引失效 | 无 | 未包含最左列 `a`，无法触发索引路径 | -### 性能分析 +### 🎯 MySQL常见性能分析手段？ -#### MySQL Query Optimizer +**MySQL Query Optimizer** 1. MySQL 中有专门负责优化 SELECT 语句的优化器模块，主要功能：通过计算分析系统中收集到的统计信息，为客户端请求的 Query 提供他认为最优的执行计划（他认为最优的数据检索方式，但不见得是 DBA 认为是最优的，这部分最耗费时间） 2. 当客户端向 MySQL 请求一条 Query，命令解析器模块完成请求分类，区别出是 SELECT 并转发给 MySQL Query Optimizer 时，MySQL Query Optimizer 首先会对整条 Query 进行优化，处理掉一些常量表达式的预算，直接换算成常量值。并对 Query 中的查询条件进行简化和转换，如去掉一些无用或显而易见的条件、结构调整等。然后分析 Query 中的 Hint 信息（如果有），看显示 Hint 信息是否可以完全确定该 Query 的执行计划。如果没有 Hint 或 Hint 信息还不足以完全确定执行计划，则会读取所涉及对象的统计信息，根据 Query 进行写相应的计算分析，然后再得出最后的执行计划。 -#### MySQL常见瓶颈 +**MySQL常见瓶颈** - CPU：CPU 在饱和的时候一般发生在数据装入内存或从磁盘上读取数据时候 @@ -1395,20 +2121,18 @@ InnoDB 行锁是通过给索引上的索引项加锁来实现的，这一点 MyS - 服务器硬件的性能瓶颈：top，free，iostat 和 vmstat 来查看系统的性能状态 -#### 性能下降SQL慢 执行时间长 等待时间长 原因分析 +**性能下降SQL慢 执行时间长 等待时间长 原因分析** - 查询语句写的烂 - 索引失效（单值、复合） - 关联查询太多 join（设计缺陷或不得已的需求） - 服务器调优及各个参数设置（缓冲、线程数等） +在优化 MySQL 时，通常需要对数据库进行分析，常见的分析手段有**慢查询日志**，**EXPLAIN 分析查询**，**profiling分析**以及**show命令查询系统状态及系统变量**，通过定位分析性能的瓶颈，才能更好的优化数据库系统的性能。 -#### MySQL常见性能分析手段 - -在优化 MySQL 时，通常需要对数据库进行分析，常见的分析手段有**慢查询日志**，**EXPLAIN 分析查询**，**profiling分析**以及**show命令查询系统状态及系统变量**，通过定位分析性能的瓶颈，才能更好的优化数据库系统的性能。 -##### 性能瓶颈定位 +### 🎯 性能瓶颈定位 我们可以通过 show 命令查看 MySQL 状态及变量，找到系统的瓶颈： @@ -1428,585 +2152,698 @@ Shell> mysqladmin extended-status -u username -p password——显示状态信 -##### Explain(执行计划) +### 🎯 怎么看执行计划（explain），如何理解其中各个字段的含义？ -是什么：使用 **Explain** 关键字可以模拟优化器执行 SQL 查询语句，从而知道 MySQL 是如何处理你的 SQL 语句的。分析你的查询语句或是表结构的性能瓶颈 +使用 **Explain** 关键字可以模拟优化器执行 SQL 查询语句，从而知道 MySQL 是如何处理你的 SQL 语句的。分析你的查询语句或是表结构的性能瓶颈 -能干吗： -- 表的读取顺序 -- 数据读取操作的操作类型 -- 哪些索引可以使用 -- 哪些索引被实际使用 -- 表之间的引用 -- 每张表有多少行被优化器查询 - -怎么玩： - -- Explain + SQL语句 -- 执行计划包含的信息（如果有分区表的话还会有**partitions**） - -![expalin](https://tva1.sinaimg.cn/large/007S8ZIlly1gf2hsjk9zcj30kq01adfn.jpg) +> ```sql +> create table t1 +> ( +> id int auto_increment primary key, +> col1 varchar(100) null, +> col2 int null, +> col3 varchar(100) null, +> part1 varchar(100) null, +> part2 varchar(100) null, +> part3 varchar(100) null, +> common_field varchar(100) null, +> constraint idx_key2 unique (col2) +> )charset = utf8mb3; +> +> create index idx_key1 +> on t1 (col1); +> +> create index idx_key3 +> on t1 (col3); +> +> create index idx_key_part +> on t1 (part1, part2, part3); +> ``` 各字段解释 -- **id**（select 查询的序列号，包含一组数字，表示查询中执行select子句或操作表的顺序） +- **id**（select 查询的序列号，包含一组数字，表示查询中执行 select 子句或操作表的顺序） - id 相同，执行顺序从上往下 - - id 全不同，如果是子查询，id 的序号会递增，id 值越大优先级越高，越先被执行 - - id 部分相同，执行顺序是先按照数字大的先执行，然后数字相同的按照从上往下的顺序执行 + - id 不同，数字越大，越优先执行（子查询会有更大的 id） + - id 相同不同，同时存在，相同的属于一组，从上往下执行 -- **select_type**（查询类型，用于区别普通查询、联合查询、子查询等复杂查询） +- **select_type**（查询的类型，用于区别普通查询、联合查询、子查询等复杂查询） - **SIMPLE** ：简单的 select 查询，查询中不包含子查询或 UNION - **PRIMARY**：查询中若包含任何复杂的子部分，最外层查询被标记为 PRIMARY - - **SUBQUERY**：在select或where列表中包含了子查询 - - **DERIVED**：在 from 列表中包含的子查询被标记为 DERIVED，MySQL会递归执行这些子查询，把结果放在临时表里 - - **UNION**：若第二个select出现在UNION之后，则被标记为UNION，若UNION包含在from子句的子查询中，外层select将被标记为DERIVED - - **UNION RESULT**：从UNION表获取结果的select + - **SUBQUERY**：在 select 或 where 列表中包含了子查询 + - **DERIVED**：在 from 列表中包含的子查询被标记为 DERIVED，mysql 会递归执行这些子查询，把结果放在临时表里 + - **UNION**：若第二个 select 出现在 UNION 之后，则被标记为 UNION，若 UNION 包含在 from 子句的子查询中，外层 select 将被标记为 DERIVED + - **UNION RESULT**：从 UNION 表获取结果的 select - **table**（显示这一行的数据是关于哪张表的） -- **type**（显示查询使用了那种类型，从最好到最差依次排列 **system > const > eq_ref > ref > fulltext > ref_or_null > index_merge > unique_subquery > index_subquery > range > index > ALL** ） +- **partitions**（匹配的分区信息，高版本才有的） + +- **type**（显示查询使用了那种类型，从最好到最差依次排列 **system > const > eq_ref > ref > fulltext > ref_or_null > index_merge > unique_subquery > index_subquery > range > index > ALL** ） - system：表只有一行记录（等于系统表），是 const 类型的特例，平时不会出现 - - const：表示通过索引一次就找到了，const 用于比较 primary key 或 unique 索引，因为只要匹配一行数据，所以很快，如将主键置于 where 列表中，mysql 就能将该查询转换为一个常量 + - const：通过主键或唯一索引查找时，表中最多返回一条数据 - eq_ref：唯一性索引扫描，对于每个索引键，表中只有一条记录与之匹配，常见于主键或唯一索引扫描 - - ref：非唯一性索引扫描，范围匹配某个单独值得所有行。本质上也是一种索引访问，他返回所有匹配某个单独值的行，然而，它可能也会找到多个符合条件的行，多以他应该属于查找和扫描的混合体 - - range：只检索给定范围的行，使用一个索引来选择行。key列显示使用了哪个索引，一般就是在你的where语句中出现了between、<、>、in等的查询，这种范围扫描索引比全表扫描要好，因为它只需开始于索引的某一点，而结束于另一点，不用扫描全部索引 - - index：Full Index Scan，index于ALL区别为index类型只遍历索引树。通常比ALL快，因为索引文件通常比数据文件小。（**也就是说虽然all和index都是读全表，但index是从索引中读取的，而all是从硬盘中读的**） - - ALL：Full Table Scan，将遍历全表找到匹配的行 + - ref：使用非唯一性索引查询，返回匹配某个索引值的所有行 + - ref_or_null：当对普通二级索引进行等值匹配查询，该索引列的值也可以是`NULL`值时，那么对该表的访问方法就可能是ref_or_null + - index_merge: 在某些场景下可以使用`Intersection`、`Union`、`Sort-Union`这三种索引合并的方式来执行查询 + - range：只检索给定范围的行，使用一个索引来选择行。key 列显示使用了哪个索引，一般就是在你的 where 语句中出现了between、<、>、in等的查询，这种范围扫描索引比全表扫描要好，因为它只需开始于索引的某一点，而结束于另一点，不用扫描全部索引 + - index：全表扫描,但仅扫描索引树（**也就是说虽然 all 和 index 都是读全表，但 index 是从索引中读取的，而 all 是从硬盘中读的**） + - all：全表扫描，将遍历全表找到匹配的行 - tip: 一般来说，得保证查询至少达到range级别，最好到达ref + > 一般来说，得保证查询至少达到 range 级别，最好到达 ref - **possible_keys**（显示可能应用在这张表中的索引，一个或多个，查询涉及到的字段若存在索引，则该索引将被列出，但不一定被查询实际使用） - **key** - - 实际使用的索引，如果为 NULL，则没有使用索引 + - 实际使用的索引，如果为NULL，则没有使用索引 - - **查询中若使用了覆盖索引，则该索引和查询的 select 字段重叠，仅出现在key列表中** - -![explain-key](https://tva1.sinaimg.cn/large/007S8ZIlly1gf2hsty7iaj30nt0373yb.jpg) + - **查询中若指定了使用了覆盖索引，则该索引和查询的 select 字段重叠，仅出现在 key 列表中**![](https://img.starfish.ink/mysql/explain-key.png) - **key_len** - 表示索引中使用的字节数，可通过该列计算查询中使用的索引的长度。在不损失精确性的情况下，长度越短越好 - - key_len显示的值为索引字段的最大可能长度，并非实际使用长度，即key_len是根据表定义计算而得，不是通过表内检索出的 + - key_len 显示的值为索引字段的最大可能长度，并非实际使用长度，即 key_len 是根据表定义计算而得，不是通过表内检索出的 -- **ref** （显示索引的哪一列被使用了，如果可能的话，是一个常数。哪些列或常量被用于查找索引列上的值） +- **ref** （显示索引的哪一列被使用了，如果可能的话，是一个常数。哪些列或常量被用于查找索引列上的值）![](https://img.starfish.ink/mysql/explain-ref.png) - **rows** （根据表统计信息及索引选用情况，大致估算找到所需的记录所需要读取的行数） -- **Extra**（包含不适合在其他列中显示但十分重要的额外信息） - - 1. using filesort: 说明mysql会对数据使用一个外部的索引排序，不是按照表内的索引顺序进行读取。mysql中无法利用索引完成的排序操作称为“文件排序”。常见于order by和group by语句中 - - 2. Using temporary：使用了临时表保存中间结果，mysql在对查询结果排序时使用临时表。常见于排序order by和分组查询group by。 - - 3. using index：表示相应的select操作中使用了覆盖索引，避免访问了表的数据行，效率不错，如果同时出现using where，表明索引被用来执行索引键值的查找；否则索引被用来读取数据而非执行查找操作 - - 4. using where：使用了where过滤 +- **filtered**（某个表经过搜索条件过滤后剩余记录条数的百分比） - 5. using join buffer：使用了连接缓存 - - 6. impossible where：where子句的值总是false，不能用来获取任何元祖 - - 7. select tables optimized away：在没有group by子句的情况下，基于索引优化操作或对于MyISAM存储引擎优化COUNT(*)操作，不必等到执行阶段再进行计算，查询执行计划生成的阶段即完成优化 +- **Extra**（包含不适合在其他列中显示但十分重要的额外信息） - 8. distinct：优化distinct操作，在找到第一匹配的元祖后即停止找同样值的动作 + 额外信息有好几十个，我们看几个常见的 - + 1. `using filesort`：说明 MySQL 会对数据使用一个外部的索引排序，不是按照表内的索引顺序进行读取。MySQL 中无法利用索引完成的排序操作称为“文件排序”![](https://img.starfish.ink/mysql/explain-extra-using-filesort.png) -**case**: + 2. `Using temporary`：使用了临时表保存中间结果，比如去重、排序之类的，比如我们在执行许多包含`DISTINCT`、`GROUP BY`、`UNION`等子句的查询过程中，如果不能有效利用索引来完成查询，`MySQL`很有可能寻求通过建立内部的临时表来执行查询。![](https://img.starfish.ink/mysql/explain-extra-using-tmp.png) -![explain-demo](https://tva1.sinaimg.cn/large/007S8ZIlly1gf2hszmc0lj30lc05w75c.jpg) + 3. `using index`：表示相应的 select 操作中使用了覆盖索引，避免访问了表的数据行，效率不错，如果同时出现 `using where`，表明索引被用来执行索引键值的查找；否则索引被用来读取数据而非执行查找操作![](https://img.starfish.ink/mysql/explain-extra-using-index.png) -1. 第一行（执行顺序4）：id列为1，表示是union里的第一个select，select_type列的primary表示该查询为外层查询，table列被标记为\，表示查询结果来自一个衍生表，其中derived3中3代表该查询衍生自第三个select查询，即id为3的select。【select d1.name......】 + 4. `using where`：当某个搜索条件需要在`server层`进行判断时![](https://img.starfish.ink/mysql/explain-extra-using-where.png) -2. 第二行（执行顺序2）：id为3，是整个查询中第三个select的一部分。因查询包含在from中，所以为derived。【select id,name from t1 where other_column=''】 -3. 第三行（执行顺序3）：select列表中的子查询select_type为subquery，为整个查询中的第二个select。【select id from t3】 -4. 第四行（执行顺序1）：select_type为union，说明第四个select是union里的第二个select，最先执行【select name,id from t2】 -5. 第五行（执行顺序5）：代表从union的临时表中读取行的阶段，table列的表示用第一个和第四个select的结果进行union操作。【两个结果union操作】 + 5. `using join buffer`：使用了连接缓存![](https://img.starfish.ink/mysql/explain-extra-using-join-buffer.png) + 6. `impossible where`：where 子句的值总是 false，不能用来获取任何元祖![](https://img.starfish.ink/mysql/explain-extra-impossible-where.png) + 7. `Using index condition` : 查询使用了索引，但是查询条件不能完全由索引本身来满足![](https://img.starfish.ink/mysql/explain-extra-using-index-condition.png) -##### 慢查询日志 + `Using index condition `通常出现在以下几种情况： -MySQL 的慢查询日志是 MySQL 提供的一种日志记录，它用来记录在 MySQL 中响应时间超过阈值的语句，具体指运行时间超过 `long_query_time` 值的 SQL，则会被记录到慢查询日志中。 + - **索引条件下推（Index Condition Pushdown, ICP）**：这是 MySQL 的一个优化策略，它将查询条件的过滤逻辑“下推”到存储引擎层，而不是在服务器层处理。这样可以减少从存储引擎检索的数据量，从而提高查询效率。 + - **部分索引**：当查询条件只涉及索引的一部分列时，MySQL 可以使用索引来快速定位到满足条件的行，但是可能需要回表（即访问表的实际数据行）来检查剩余的条件。 + - **复合索引**：在使用复合索引（即索引包含多个列）的情况下，如果查询条件只匹配索引的前几列，那么剩余的列可能需要通过 `Using index condition` 来进一步过滤。 -- `long_query_time` 的默认值为10，意思是运行10秒以上的语句 -- 默认情况下，MySQL数据库没有开启慢查询日志，需要手动设置参数开启 + 8. `select tables optimized away`：在没有 group by 子句的情况下，基于索引优化操作或对于 MyISAM 存储引擎优化COUNT(*) 操作，不必等到执行阶段再进行计算，查询执行计划生成的阶段即完成优化 -**查看开启状态** + 9. `distinct`：优化 distinct 操作，在找到第一匹配的元祖后即停止找同样值的动作 -```mysql -SHOW VARIABLES LIKE '%slow_query_log%' -``` +> 在 MySQL 的 EXPLAIN 输出中，`possible_keys` 和 `key` 这两个字段看似相似，但实际上提供了不同的信息： +> +> - `possible_keys`：显示 MySQL 可能使用哪些索引来查找表中的行。 +> - `key`：显示 MySQL 实际决定使用的索引。 +> +> 为什么两者都需要？ +> +> 1. **优化潜力**： `possible_keys` 显示了所有可能的选项，而 `key` 显示了优化器最终的选择。这种对比可以帮助数据库管理员（DBA）了解是否有更好的索引选择。 +> 2. **查询分析**： 通过比较 `possible_keys` 和 `key`，我们可以了解优化器的决策过程，这对于复杂查询的优化非常有用。 +> 3. **索引使用情况**： `possible_keys` 可能列出多个索引，而 `key` 只会显示实际使用的一个。这有助于识别冗余索引或缺失的索引。 +> 4. **优化器行为**： 有时，`possible_keys` 可能列出多个索引，但 `key` 可能是 NULL，这表明 MySQL 认为不使用索引更有效。 -**开启慢查询日志** -- 临时配置： -```mysql -mysql> set global slow_query_log='ON'; -mysql> set global slow_query_log_file='/var/lib/mysql/hostname-slow.log'; -mysql> set global long_query_time=2; -``` +### 🎯 一般你们怎么建 MySQL 索引，基于什么原则，遇到过索引失效的情况么，怎么优化的? -​ 也可 set 文件位置，系统会默认给一个缺省文件 host_name-slow.log +#### 1. MySQL索引建立的原则 -​ 使用 set 操作开启慢查询日志只对当前数据库生效，如果 MySQL 重启则会失效。 +> 1. 最左前缀匹配原则，非常重要的原则，MySQL 会一直向右匹配直到遇到范围查询(>、<、between、like)就停止匹配，比如 `a = 1 and b = 2 and c > 3 and d = 4` 如果建立(a,b,c,d)顺序的索引，d是用不到索引的，如果建立(a,b,d,c)的索引则都可以用到，a,b,d的顺序可以任意调整。 +> 2. =和in可以乱序，比如 `a = 1 and b = 2 and c = 3` 建立(a,b,c)索引可以任意顺序，mysql 的查询优化器会帮你优化成索引可以识别的形式。 +> 3. 尽量选择**区分度高**的列作为索引，区分度的公式是 `区分度 = distinct(col)/count(*)`，表示字段不重复的比例，比例越大我们扫描的记录数越少，唯一键的区分度是1，而一些状态、性别字段可能在大数据面前区分度就是0，那可能有人会问，这个比例有什么经验值吗？使用场景不同，这个值也很难确定，一般需要join的字段我们都要求是0.1以上，即平均1条扫描10条记录。 +> 4. 索引列不能参与计算，保持列“干净”，比如 `from_unixtime(create_time) = ’2014-05-29’` 就不能使用到索引，原因很简单，b+树中存的都是数据表中的字段值，但进行检索时，需要把所有元素都应用函数才能比较，显然成本太大。所以语句应该写成 `create_time = unix_timestamp(’2014-05-29’)`。 +> 5. 尽量的扩展索引，不要新建索引。比如表中已经有 a 的索引，现在要加 (a,b) 的索引，那么只需要修改原来的索引即可。 -- 永久配置 +- **选择合适的列**：优先考虑在查询条件、排序（`ORDER BY`）、分组（`GROUP BY`）、连接（`JOIN`）中频繁使用的列上建立索引。这些列通常对查询性能有显著影响。 +- **唯一性**：在唯一性要求较高的列上建立唯一索引（`UNIQUE`），如ID号、邮箱等。唯一索引不仅能加快查询速度，还能保证数据的唯一性。 +- **覆盖索引**：尽量选择创建覆盖索引（即索引包含了查询所需的所有列），避免回表操作。这样可以显著提升查询性能，尤其是涉及多列的查询。 +- **前缀索引**：对于文本类型（如`VARCHAR`、`TEXT`）的列，如果列值较长且前缀具有较高区分度，可以使用前缀索引来节省空间和提高查询效率。 +- **复合索引**：在多个列上建立复合索引（即组合索引），以优化涉及多列的查询。但要注意列的顺序，通常将选择性更高的列放在最前面。 +- **考虑查询频率**：根据查询的频率和响应时间要求，对高频查询的列进行索引优化。在写操作频繁的表上，要平衡索引的数量，以避免过多索引导致的插入和更新性能下降。 +- **避免过多索引**：虽然索引可以加快查询速度，但过多的索引会增加插入、更新、删除操作的成本。因此，需要在查询性能和写性能之间取得平衡。 - 修改配置文件 my.cnf 或 my.ini，在[mysqld]一行下面加入两个配置参数 +#### 2. 常见的索引失效情况 -```mysql -[mysqld] -slow_query_log = ON -slow_query_log_file = /var/lib/mysql/hostname-slow.log -long_query_time = 3 -``` +- **查询条件中使用了函数或表达式**：当在查询条件中对索引列使用了函数或表达式（如`UPPER(column_name)`），索引可能失效。MySQL需要扫描所有行来计算函数结果，导致全表扫描。 +- **隐式类型转换**：如果查询条件中的列和参数类型不匹配（如将字符串列与数字比较），MySQL会进行隐式类型转换，导致索引失效。 +- **模糊查询以通配符开头**：使用`LIKE '%value'`形式的模糊查询时，由于通配符位于开头，索引无法使用，MySQL需要进行全表扫描。 +- **索引列不在最左侧**：对于复合索引，如果查询条件中未使用复合索引的最左侧列，索引将无法使用（“最左前缀”原则）。 +- **`OR`条件未全部使用索引**：如果查询条件中有`OR`，且每个条件都未使用索引，则MySQL无法利用索引，需要进行全表扫描。 +- **查询条件中有NULL值**：在某些情况下，索引列的查询条件中如果包含`IS NULL`或`IS NOT NULL`，可能会导致索引失效。 +- **查询条件中使用不等号**：使用`<>`或`!=`查询条件时，MySQL可能会选择不使用索引，因为这种条件通常需要扫描大量行。 -注：log-slow-queries 参数为慢查询日志存放的位置，一般这个目录要有 MySQL 的运行帐号的可写权限，一般都将这个目录设置为 MySQL 的数据存放目录；long_query_time=2 中的 2 表示查询超过两秒才记录；在my.cnf或者 my.ini 中添加 log-queries-not-using-indexes 参数，表示记录下没有使用索引的查询。 +#### 3. 索引优化方法 -可以用 `select sleep(4)` 验证是否成功开启。 +- **重构查询**：避免在索引列上使用函数、表达式、隐式类型转换等操作。尽可能让查询条件直接作用于索引列，确保索引生效。 +- **使用合适的类型**：确保查询条件中的类型与列的类型匹配，避免隐式类型转换。 +- **合理使用通配符**：对于模糊查询，尽量避免通配符开头。如果业务允许，可以考虑在应用层进行拆分查询或引入全文索引（`FULLTEXT`）来处理文本搜索。 +- **优化复合索引的顺序**：根据查询条件的使用情况，调整复合索引的列顺序，确保最左前缀列经常在查询条件中使用。 +- **拆分复杂查询**：对于使用`OR`的复杂查询，可以尝试将查询拆分为多个子查询，并使用`UNION`合并结果，确保每个子查询都能利用索引。 +- **使用覆盖索引**：如果可能，创建覆盖索引，使查询能够直接从索引中获取所需数据，避免回表，提高查询效率。 +- **分析查询性能**：使用`EXPLAIN`命令分析查询的执行计划，检查索引是否被使用。根据执行计划的结果，调整索引设计和查询语句。 +- **定期维护索引**：对于频繁更新的表，定期进行索引重建或优化，以保持索引结构的高效性。 -在生产环境中，如果手工分析日志，查找、分析SQL，还是比较费劲的，所以MySQL提供了日志分析工具**mysqldumpslow**。 +通过合理的索引设计和优化，可以显著提高MySQL的查询性能。但在实际应用中，需要根据具体的业务需求、数据量和查询频率等因素来灵活调整索引策略，避免索引失效带来的性能问题。 -通过 mysqldumpslow --help 查看操作帮助信息 -- 得到返回记录集最多的10个SQL - `mysqldumpslow -s r -t 10 /var/lib/mysql/hostname-slow.log` +> ##### 如何写sql能够有效的使用到复合索引？ +> +> 1. 全值匹配我最爱 +> +> 2. **最佳左前缀法则**，比如建立了一个联合索引(a,b,c)，那么其实我们可利用的索引就有(a), (a,b), (a,b,c) +> +> 3. 不在索引列上做任何操作（计算、函数、(自动or手动)类型转换），会导致索引失效而转向全表扫描 +> +> 4. 存储引擎不能使用索引中范围条件右边的列 +> +> 5. 尽量使用**覆盖索引**(只访问索引的查询(索引列和查询列一致))，减少select +> +> 6. is null ,is not null 也无法使用索引 +> +> 7. like "xxxx%" 是可以用到索引的，like "%xxxx" 则不行(like "%xxx%" 同理)。like以通配符开头('%abc...')索引失效会变成全表扫描的操作， +> +> 8. 字符串不加单引号索引失效 +> +> 9. 少用or，用它来连接时会索引失效 +> +> 10. <，<=，=，>，>=，BETWEEN，IN 可用到索引，<>，not in ，!= 则不行，会导致全表扫描 +> +> 11. 前缀索引：前缀索引就是用某个字段中，字符串的前几个字符建立索引，比如我们可以在订单表上对商品名称字段的前 5 个字符建立索引。使用前缀索引是为了减小索引字段大小，可以增加一个索引页中存储的索引值，有效提高索引的查询速度。在一些大字符串的字段作为索引时，使用前缀索引可以帮助我们减小索引项的大小。 +> +> 但是，前缀索引有一定的局限性，例如 order by 就无法使用前缀索引，无法把前缀索引用作覆盖索引。 -- 得到访问次数最多的10个SQL - `mysqldumpslow -s c -t 10 /var/lib/mysql/hostname-slow.log` -- 得到按照时间排序的前10条里面含有左连接的查询语句 +### 🎯 一条sql执行过长的时间，你如何优化，从哪些方面？ - `mysqldumpslow -s t -t 10 -g "left join" /var/lib/mysql/hostname-slow.log` +1. 查看sql是否涉及多表的联表或者子查询，如果有，看是否能进行业务拆分，相关字段冗余或者合并成临时表（业务和算法的优化） +2. 涉及连表的查询，是否能进行分表查询，单表查询之后的结果进行字段整合 +3. 如果以上两种都不能操作，非要连表查询，那么考虑对相对应的查询条件做索引。加快查询速度 +4. 针对数量大的表进行历史表分离（如交易流水表） +5. 数据库主从分离，读写分离，降低读写针对同一表同时的压力，至于主从同步，mysql有自带的binlog实现 主从同步 +6. explain分析sql语句，查看执行计划，分析索引是否用上，分析扫描行数等等 +7. 查看mysql执行日志，看看是否有其他方面的问题 -- 也可以和管道配合使用 - `mysqldumpslow -s r -t 10 /var/lib/mysql/hostname-slow.log | more` -**也可使用 pt-query-digest 分析 RDS MySQL 慢查询日志** +### 🎯 大表优化思路？ +大表优化我一般从几个层面考虑： +1. **存储层面**：分库分表、冷热数据分离； +2. **索引层面**：建合适的联合索引、覆盖索引，必要时用分区表； +3. **SQL 层面**：避免全表扫描、避免函数导致索引失效、批量处理代替逐行； +4. **维护层面**：归档历史数据、定期优化表结构； +5. **架构层面**：读写分离、引入缓存、甚至用 Elasticsearch/ClickHouse 处理分析类查询。 + 通过这些手段，把大表的单次查询和维护压力控制在可接受范围内。 -##### Show Profile 分析查询 -通过慢日志查询可以知道哪些 SQL 语句执行效率低下，通过 explain 我们可以得知 SQL 语句的具体执行情况，索引使用等，还可以结合`Show Profile`命令查看执行状态。 -- Show Profile 是 MySQL 提供可以用来分析当前会话中语句执行的资源消耗情况。可以用于 SQL 的调优的测量 +### 🎯 数据库是如何调优的？ -- 默认情况下，参数处于关闭状态，并保存最近15次的运行结果 +> 数据库调优我一般从五个层次来考虑： +> +> 1. **架构层**：比如读写分离、分库分表、加缓存，把整体压力降下来。 +> 2. **索引优化**：结合最左前缀原则，避免索引失效，尽量用覆盖索引减少回表。 +> 3. **SQL 优化**：用 explain 看执行计划，避免 select *、大事务，分页优化。 +> 4. **参数调优**：调整 buffer_pool、连接池、慢查询日志。 +> 5. **硬件和运维**：SSD、加内存、监控慢 SQL。 +> +> 在项目里，我做过分页优化，把 `limit offset` 深分页改成基于主键范围查询，单次查询延迟从几秒降到几十毫秒；也做过索引重构，把一个多表 join 改成冗余字段 + 单表查询，性能提升明显。 -- 分析步骤 +这个问题很常见，面试官想听你是否系统性理解过数据库调优（不仅仅是写 `explain` 看执行计划，而是从 **架构、SQL、索引、参数、硬件** 全链路考虑） - 1. 是否支持，看看当前的mysql版本是否支持 +**数据库调优思路（五个层次）** - ```mysql - mysql>Show variables like 'profiling'; --默认是关闭，使用前需要开启 - ``` +**1. 架构层面** - 2. 开启功能，默认是关闭，使用前需要开启 +- **读写分离**：主库写，从库读，缓解单库压力。 +- **分库分表**：数据量过大时按业务或范围拆分（如订单库按用户 ID hash 分表）。 +- **引入缓存**：热点数据放在 Redis，减少 DB 压力。 +- **异步化**：非核心操作走消息队列（MQ），削峰填谷。 - ```mysql - mysql>set profiling=1; - ``` +**2. 索引优化** - 3. 运行SQL +- 合理建立 **联合索引**，遵循最左前缀原则。 +- 避免索引失效（如函数操作、隐式类型转换、`!=`、`like '%xx'`）。 +- 使用 **覆盖索引**，减少回表操作。 +- 定期分析表和索引碎片，必要时 `analyze table` 或重建索引。 - 4. 查看结果 +**3. SQL 优化** - ```mysql - mysql> show profiles; - +----------+------------+---------------------------------+ - | Query_ID | Duration | Query | - +----------+------------+---------------------------------+ - | 1 | 0.00385450 | show variables like "profiling" | - | 2 | 0.00170050 | show variables like "profiling" | - | 3 | 0.00038025 | select * from t_base_user | - +----------+------------+---------------------------------+ - ``` - - 5. 诊断SQL，show profile cpu,block io for query id(上一步前面的问题SQL数字号码) - 6. 日常开发需要注意的结论 - - - converting HEAP to MyISAM 查询结果太大，内存都不够用了往磁盘上搬了。 - - - create tmp table 创建临时表，这个要注意 - - - Copying to tmp table on disk 把内存临时表复制到磁盘 - - - locked +- 使用 `EXPLAIN` 查看执行计划，关注 `type`、`rows`、`Extra`。 +- 避免 `select *`，只查需要的列。 +- 控制分页深度：大 offset 的分页用 **覆盖索引 + id 范围** 或 **search_after**。 +- 大事务拆小事务，避免长时间锁表。 +- 批量写入用 `batch insert`，减少单条 SQL。 +**4. 参数调优** +- **连接池**：合理配置 `max_connections`，避免过大导致上下文切换。 +- **缓冲池**：InnoDB 的 `innodb_buffer_pool_size` 一般配置为物理内存的 60%~70%。 +- **日志参数**：调优 `innodb_log_file_size`，提升写性能。 +- **慢查询日志**：开启 `slow_query_log`，对慢 SQL 定位和优化。 -> 查询中哪些情况不会使用索引？ +**5. 硬件与运维** -### 性能优化 +- SSD 替代机械硬盘，IOPS 提升明显。 +- 提升内存，增大缓存命中率。 +- 分区表、冷热数据分离。 +- 监控（Prometheus + Grafana），实时发现慢 SQL。 -#### 索引优化 -1. 全值匹配我最爱 -2. **最佳左前缀法则**，比如建立了一个联合索引(a,b,c)，那么其实我们可利用的索引就有(a), (a,b), (a,b,c) +### 🎯 MySQL 8.0 升级点有哪些 -3. 不在索引列上做任何操作（计算、函数、(自动or手动)类型转换），会导致索引失效而转向全表扫描 +MySQL 8.0 相比 5.7 有很多重要升级，最典型的有： -4. 存储引擎不能使用索引中范围条件右边的列 +1. **数据字典统一化**：以前的元数据分散在 `.frm`、`.par` 文件里，现在集中在系统表里，更一致也更安全。 +2. 8.0 支持 **函数索引**（如 `INDEX idx_name (UPPER(name))`），5.7 中对索引列使用函数（如 `UPPER(name)`）会导致索引失效，8.0 可直接命中函数索引，查询效率提升显著。 +3. **默认字符集改为 utf8mb4**，彻底支持 Emoji 等四字节字符。 +4. **事务性 DDL**：大多数 DDL（比如 `ALTER TABLE`）可以回滚，不像以前执行失败会半途残留。 +5. **窗口函数和公用表表达式（CTE）**，SQL 能力更强。 + - 新增 `ROW_NUMBER()`、`RANK()`、`LEAD()`、`LAG()` 等函数，支持复杂排名和分组统计。 + - 以前需要子查询 + 变量才能实现，现在 SQL 更简洁。 +6. **更强的 JSON 支持**，比如 JSON 表函数、索引优化。 +7. **性能优化**：更高效的并行查询、持久化执行计划、历史表统计信息。 +8. **安全性增强**：默认使用 `caching_sha2_password` 认证插件，加密更强。 -5. 尽量使用**覆盖索引**(只访问索引的查询(索引列和查询列一致))，减少select +| 维度 | MySQL 5.7 现状 | MySQL 8.0 优势 | 适用场景收益 | +| -------- | ------------------------------- | ------------------------------------- | ------------------------------ | +| 性能 | 大事务、大表关联性能瓶颈 | 事务 / 索引 / 查询优化，性能提升 30%+ | 电商订单、金融交易等高并发场景 | +| 安全性 | 默认不加密，权限管理繁琐 | TLS 1.2 + 角色权限，防破解 / 篡改 | 金融、医疗等敏感数据场景 | +| 主从同步 | 延迟高，切换复杂 | 增强半同步 + GTID 自动定位 | 高可用架构（如 MGR、主从切换） | +| 功能扩展 | JSON / 时间精度有限，无函数索引 | JSON 表函数 + 微秒级时间 + 函数索引 | 混合数据存储、高频交易场景 | +| 可运维性 | 部分参数需重启，监控粒度粗 | 在线参数修改 + 线程级监控 | 大规模集群运维，减少停机时间 | -6. is null ,is not null 也无法使用索引 +------ -7. like "xxxx%" 是可以用到索引的，like "%xxxx" 则不行(like "%xxx%" 同理)。like以通配符开头('%abc...')索引失效会变成全表扫描的操作， -8. 字符串不加单引号索引失效 -9. 少用or，用它来连接时会索引失效 +## 八、分库分表与集群 🚀 -10. <，<=，=，>，>=，BETWEEN，IN 可用到索引，<>，not in ，!= 则不行，会导致全表扫描 +### 🎯 MySQL分区？ -11. 前缀索引：前缀索引就是用某个字段中，字符串的前几个字符建立索引，比如我们可以在订单表上对商品名称字段的前 5 个字符建立索引。使用前缀索引是为了减小索引字段大小，可以增加一个索引页中存储的索引值，有效提高索引的查询速度。在一些大字符串的字段作为索引时，使用前缀索引可以帮助我们减小索引项的大小。 +一般情况下我们创建的表对应一组存储文件 - 但是，前缀索引有一定的局限性，例如 order by 就无法使用前缀索引，无法把前缀索引用作覆盖索引。 +1. **未分区的表文件结构** + - **MyISAM引擎**： `.frm`（表结构） + `.MYD`（数据文件） + `.MYI`（索引文件） *例如：`user.frm`、`user.MYD`、`user.MYI`* + - **InnoDB引擎**： `.frm`（表结构） + `.ibd`（数据+索引文件） *例如：`user.frm`、`user.ibd`* +当数据量较大时（一般千万条记录级别以上），MySQL的性能就会开始下降，这时我们就需要将数据分散到多组存储文件，保证其单个文件的执行效率 +2. **分区后的表文件结构** 每个分区对应独立的物理文件，文件命名规则为： `表名#分区名.ibd` *例如：`user#p0.ibd`、`user#p1.ibd`* -#### 建索引的几大原则 +MySQL分区是一种数据库优化技术，通过将表的数据划分为更小、更易管理的部分，来提高查询性能和管理效率。下面是关于MySQL分区的一些关键点，适合在面试中讨论： -1. 最左前缀匹配原则，非常重要的原则，mysql 会一直向右匹配直到遇到范围查询(>、<、between、like)就停止匹配，比如 `a = 1 and b = 2 and c > 3 and d = 4` 如果建立(a,b,c,d)顺序的索引，d是用不到索引的，如果建立(a,b,d,c)的索引则都可以用到，a,b,d的顺序可以任意调整。 -2. =和in可以乱序，比如 `a = 1 and b = 2 and c = 3` 建立(a,b,c)索引可以任意顺序，mysql 的查询优化器会帮你优化成索引可以识别的形式。 -3. 尽量选择**区分度高**的列作为索引，区分度的公式是 `区分度 = distinct(col)/count(*)`，表示字段不重复的比例，比例越大我们扫描的记录数越少，唯一键的区分度是1，而一些状态、性别字段可能在大数据面前区分度就是0，那可能有人会问，这个比例有什么经验值吗？使用场景不同，这个值也很难确定，一般需要join的字段我们都要求是0.1以上，即平均1条扫描10条记录。 -4. 索引列不能参与计算，保持列“干净”，比如 `from_unixtime(create_time) = ’2014-05-29’` 就不能使用到索引，原因很简单，b+树中存的都是数据表中的字段值，但进行检索时，需要把所有元素都应用函数才能比较，显然成本太大。所以语句应该写成 `create_time = unix_timestamp(’2014-05-29’)`。 -5. 尽量的扩展索引，不要新建索引。比如表中已经有 a 的索引，现在要加 (a,b) 的索引，那么只需要修改原来的索引即可。 +**能干嘛** +- 逻辑数据分割 +- 提高单一的写和读应用速度 +- 提高分区范围读查询的速度 +- 分割数据能够有多个不同的物理文件路径 +- 高效的保存历史数据 +**分区类型及操作** -**一般性建议** +| 类型 | 说明 | 适用场景 | 性能风险点 | 示例场景 | +| --------- | ------------------------------------------------------------ | ------------------------ | -------------------------------- | ---------------------- | +| **RANGE** | 基于属于一个给定连续区间的列值，把多行分配给分区 | 时间序列、连续数值 | 数据倾斜导致热点分区（如最新月） | 订单表按创建年份分区 | +| **LIST** | 按列表划分，类似于RANGE分区，但使用的是明确的值列表 | 离散枚举值（地区、状态） | 分区键值变更需重构分区 | 用户表按国家代码分区 | +| **HASH** | 按哈希算法划分，将数据根据某个列的哈希值均匀分布到不同的分区中 | 均匀分布请求压力 | 扩容需重新计算哈希分布 | 评论表按用户ID哈希分区 | +| **KEY** | 类似于HASH分区，但使用MySQL内部的哈希函数 | 非整型字段的均匀分布 | 依赖MySQL内置哈希算法 | 日志表按UUID前缀分区 | -- 对于单键索引，尽量选择针对当前 query 过滤性更好的索引 +**看上去分区表很帅气，为什么大部分互联网还是更多的选择自己分库分表来水平扩展咧？** -- 在选择组合索引的时候，当前 query 中过滤性最好的字段在索引字段顺序中，位置越靠前越好 +- 分区表，分区键设计不太灵活，如果不走分区键，很容易出现全表锁 +- 一旦数据并发量上来，如果在分区表实施关联，就是一个灾难 +- 自己分库分表，自己掌控业务场景与访问模式，可控。分区表，研发写了一个sql，都不确定mysql是怎么玩的，不太可控 -- 在选择组合索引的时候，尽量选择可以能够包含当前 query 中的 where 字句中更多字段的索引 -- 尽可能通过分析统计信息和调整 query 的写法来达到选择合适索引的目的 -- 少用 Hint 强制索引 +### 🎯 如何确定分库还是分表？ - +> 针对“如何确定分库还是分表？”的问题，你要结合具体的场景。 -#### 查询优化 +**何时分表** -##### 为查询缓存优化你的查询 +当数据量过大造成事务执行缓慢时，就要考虑分表，因为减少每次查询数据总量是解决数据查询缓慢的主要原因。你可能会问：“查询可以通过主从分离或缓存来解决，为什么还要分表？”但这里的查询是指事务中的查询和更新操作。 -大多数的 MySQL 服务器都开启了查询缓存。这是提高性最有效的方法之 一，而且这是被 MySQL 的数据库引擎处理的。当有很多相同的查询被执行了多次的时候，这些查询结果会被放到一个缓存中，这样，后续的相同的查询就不用操作表而直接访问缓存结果了。 +**何时分库** -这里最主要的问题是，对于程序员来说，这个事情是很容易被忽略的。因为，我们某些查询语句会让 MySQL 不使用缓存。请看下面的示例: +为了应对高并发，一个数据库实例撑不住，即单库的性能无法满足高并发的要求，就把并发请求分散到多个实例中去 -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h3b1ms39aaj218605u75x.jpg) +总的来说，分库分表使用的场景不一样： -上面两条 SQL 语句的差别就是 CURDATE() ，MySQL 的查询缓存对这个函数不起作用。 +- **分表是因为数据量比较大，导致事务执行缓慢；** -所以，像 NOW() 和 RAND() 或是其它的诸如此类的 SQL 函数都不会开启查询缓存，因为这些函数的返回是会不定的易变的。所以，你所需要的就是 用一个变量来代替 MySQL 的函数，从而开启缓存。 +- **分库是因为单库的性能无法满足要求。** -##### 永远小标驱动大表（小的数据集驱动大的数据集） +### 🎯 MySQL分库? -```mysql -slect * from A where id in (select id from B)`等价于 -#等价于 -select id from B -select * from A where A.id=B.id -``` +**为什么要分库?** -当 B 表的数据集必须小于 A 表的数据集时，用 in 优于 exists +数据库集群环境后都是多台 slave，基本满足了读取操作; 但是写入或者说大数据、频繁的写入操作对 master 性能影响就比较大，这个时候，单库并不能解决大规模并发写入的问题，所以就会考虑分库。 -```mysql -select * from A where exists (select 1 from B where B.id=A.id) -#等价于 -select * from A -select * from B where B.id = A.id` -``` +**分库是什么？** -当 A 表的数据集小于 B 表的数据集时，用 exists 优于用 in +一个库里表太多了，导致了海量数据，系统性能下降，把原本存储于一个库的表拆分存储到多个库上， 通常是将表按照功能模块、关系密切程度划分出来，部署到不同库上。 -注意：A 表与 B 表的 ID 字段应建立索引。 +**分库的优点：** +- 减少增量数据写入时的锁对查询的影响 +- 由于单表数量下降，常见的查询操作由于减少了需要扫描的记录，使得单表单次查询所需的检索行数变少，减少了磁盘IO，时延变短 -##### order by 关键字优化 +但是它无法解决单表数据量太大的问题 -- order by 子句，尽量使用 Index 方式排序，避免使用 FileSort 方式排序 -- MySQL 支持两种方式的排序，FileSort 和 Index，Index效率高，它指 MySQL 扫描索引本身完成排序，FileSort 效率较低； - > https://blog.csdn.net/yangyu112654374/article/details/4251624 看个例子 +### 🎯 MySQL分表? -- ORDER BY 满足两种情况，会使用 Index 方式排序； - - ORDER BY 语句使用索引最左前列 - - 使用 where 子句与 ORDER BY 子句条件列组合满足索引最左前列 - -- 尽可能在索引列上完成排序操作，遵照建索引的最左前缀 +分表有两种分割方式，一种垂直拆分，另一种水平拆分。 -- 如果不在索引列上，filesort 有两种算法，mysql 就要启动双路排序和单路排序 - - 双路排序：MySQL 4.1之前是使用双路排序，字面意思就是两次扫描磁盘，最终得到数据 - - 单路排序：从磁盘读取查询需要的所有列，按照 order by 列在 buffer 对它们进行排序，然后扫描排序后的列表进行输出，效率高于双路排序 - -- 优化策略 +- **垂直拆分** - - 增大 sort_buffer_size 参数的设置 - - 增大 max_lencth_for_sort_data 参数的设置 + 垂直分表，通常是按照业务功能的使用频次，把主要的、热门的字段放在一起做为主要表。然后把不常用的，按照各自的业务属性进行聚集，拆分到不同的次要表中；主要表和次要表的关系一般都是一对一的。 +- **水平拆分(数据分片)** + 单表的容量不超过500W，否则建议水平拆分。是把一个表复制成同样表结构的不同表，然后把数据按照一定的规则划分，分别存储到这些表中，从而保证单表的容量不会太大，提升性能；当然这些结构一样的表，可以放在一个或多个数据库中。 -##### GROUP BY 关键字优化 + 水平分割的几种方法： -- group by 实质是先排序后进行分组，遵照索引建的最佳左前缀 -- 当无法使用索引列，增大 `max_length_for_sort_data` 参数的设置，增大 `sort_buffer_size` 参数的设置 -- where 高于 having，能写在 where 限定的条件就不要去 having 限定了 + - 使用MD5哈希，做法是对UID进行md5加密，然后取前几位（我们这里取前两位），然后就可以将不同的UID哈希到不同的用户表（user_xx）中了。 + - 还可根据时间放入不同的表，比如：article_201601，article_201602。 + - 按热度拆分，高点击率的词条生成各自的一张表，低热度的词条都放在一张大表里，待低热度的词条达到一定的贴数后，再把低热度的表单独拆分成一张表。 + - 根据ID的值放入对应的表，第一个表user_0000，第二个100万的用户数据放在第二 个表user_0001中，随用户增加，直接添加用户表就行了。 -#### 数据类型优化 +### 🎯 做过分库分表么，为什么要分库分表，会有什么问题，多少数据适合分库分表，跨库，聚合操作怎么做？ -MySQL 支持的数据类型非常多，选择正确的数据类型对于获取高性能至关重要。不管存储哪种类型的数据，下面几个简单的原则都有助于做出更好的选择。 +在电商和金融类项目中，我负责过订单、交易记录等核心表的分库分表设计，主要基于 Sharding-JDBC 实现。分库分表本质是 “突破单库单表的性能和容量瓶颈”，但也会引入新的复杂度，具体可以从 **“为什么做→怎么做→问题与解决”** 展开说明： -- 更小的通常更好：一般情况下，应该尽量使用可以正确存储数据的最小数据类型。 +**一、为什么要分库分表？（核心痛点）** - 简单就好：简单的数据类型通常需要更少的CPU周期。例如，整数比字符操作代价更低，因为字符集和校对规则（排序规则）使字符比较比整型比较复杂。 +单库单表在数据量增长到一定规模后，会遇到 **性能瓶颈** 和 **容量瓶颈**，具体表现为： -- 尽量避免NULL：通常情况下最好指定列为NOT NULL +1. 查询性能急剧下降：单表数据量超过 1000 万行后，即使加了索引，SQL 执行也会变慢（B + 树索引层级增加，磁盘 IO 次数增多）。比如电商订单表，3 年数据可能达 5000 万行，查询 “近 3 个月订单” 需要扫描大量数据，响应时间从 100ms 飙升到 1s+。 +2. 写入性能受限：单库的并发写入能力有限（MySQL 单库 TPS 一般在 1-2 万），若秒杀场景下每秒产生 5 万订单，单库会出现 “锁等待”“连接耗尽”，导致写入超时。 +3. 运维风险高：单表数据量过大，备份 / 恢复时间极长（比如 100GB 的表，备份需几小时），一旦数据库故障，恢复周期长，影响业务可用性。 +分库分表通过 “将大表拆成小表、大库拆成小库”，把压力分散到多个数据库节点，解决上述问题。 +**二、多少数据适合分库分表？（无绝对标准，看业务）** -### 说一下大表的优化方案 +没有固定阈值，核心看 **“当前数据量是否影响业务性能”**，结合数据库类型和硬件配置，行业有通用参考： -https://blog.csdn.net/u011516972/article/details/89098732 +- **MySQL**：单表数据量建议控制在 **500 万 - 1000 万行**，单库表数量控制在 200-300 张以内（超过后，元数据管理、锁竞争会变慢）。 +- **业务驱动优先**：即使数据量没到阈值，但未来 6-12 个月会快速增长（如预期从 300 万涨到 1500 万），建议提前分库分表（避免后期数据迁移的复杂度）。 +- **反例**：若表是 “配置表”“字典表”，数据量长期稳定在 10 万以内，无需分库分表（过度设计反而增加复杂度）。 +**三、分库分表会有什么问题？（核心挑战）** +分库分表打破了 “单库单表的完整性”，会引入新的技术难题： -**一条sql执行过长的时间，你如何优化，从哪些方面？** +1. 跨库跨表查询 / 聚合难：比如 “查询用户近 1 年的所有订单 + 关联商品信息”，若订单表按用户 ID 分库，商品表按商品 ID 分库，跨库关联查询无法直接用 SQL 实现，需业务层处理。 +2. 分布式事务一致性：比如 “创建订单” 需要同时写订单表（分库 A）和库存表（分库 B），若其中一个库写入失败，如何保证 “要么全成功，要么全失败”？单库事务无法覆盖。 +3. 全局 ID 生成难：单库可用自增 ID，但分库分表后，多个表不能用自增（会重复），需生成全局唯一的 ID（如雪花算法、UUID）。 +4. 数据迁移与扩容复杂：后期需要增加分库分表节点（如从 8 分表扩到 16 分表），需迁移历史数据，且迁移过程中要保证业务不中断。 +5. 运维成本高：多个数据库节点需要监控、备份、故障转移，运维复杂度比单库高一个量级。 -> 1、查看sql是否涉及多表的联表或者子查询，如果有，看是否能进行业务拆分，相关字段冗余或者合并成临时表（业务和算法的优化） -> -> 2、涉及连表的查询，是否能进行分表查询，单表查询之后的结果进行字段整合 -> -> 3、如果以上两种都不能操作，非要连表查询，那么考虑对相对应的查询条件做索引。加快查询速度 -> -> 4、针对数量大的表进行历史表分离（如交易流水表） -> -> 5、数据库主从分离，读写分离，降低读写针对同一表同时的压力，至于主从同步，mysql有自带的binlog实现 主从同步 -> -> 6、explain分析sql语句，查看执行计划，分析索引是否用上，分析扫描行数等等 -> -> 7、查看mysql执行日志，看看是否有其他方面的问题 +**四、跨库 / 聚合操作怎么做？（解决方案）** +针对分库分表后的跨库、聚合问题，行业有成熟的解决思路，核心是 “业务层适配 + 工具支持”： +**1. 跨库查询 / 关联：优先 “避免跨库”，其次 “业务层拆分”** ------- +- **设计阶段规避**：尽量让关联表按同一字段分片（如订单表和订单明细表都按 “订单 ID” 分库，用户表和用户地址表都按 “用户 ID” 分库），确保关联查询在同一库内。 +- 业务层拆分查询：若必须跨库，分两步处理： + 例：查询 “用户 ID=123 的订单及关联商品”（订单表按用户 ID 分库，商品表按商品 ID 分库）： -## 九、分区、分表、分库 + ① 先查订单表（找到用户 123 的所有订单，获取商品 ID 列表）； -### MySQL分区 + ② 再查商品表（根据商品 ID 列表，批量获取商品信息）； -一般情况下我们创建的表对应一组存储文件，使用`MyISAM`存储引擎时是一个`.MYI`和`.MYD`文件，使用`Innodb`存储引擎时是一个`.ibd`和`.frm`（表结构）文件。 + ③ 业务层将订单和商品数据拼接，返回结果。 -当数据量较大时（一般千万条记录级别以上），MySQL的性能就会开始下降，这时我们就需要将数据分散到多组存储文件，保证其单个文件的执行效率 +- **工具支持**：用 Sharding-JDBC 等中间件的 “跨库关联” 能力（本质是中间件帮你做了拆分查询 + 结果合并），但性能比单库关联差，需谨慎使用。 -**能干嘛** +**2. 聚合操作（如 count、sum、group by）：分 “预计算” 和 “实时计算”** -- 逻辑数据分割 -- 提高单一的写和读应用速度 -- 提高分区范围读查询的速度 -- 分割数据能够有多个不同的物理文件路径 -- 高效的保存历史数据 +- 实时聚合（小数据量）：中间件（Sharding-JDBC、MyCat）会先在每个分表上执行聚合 SQL（如 `count(*)`），再将结果汇总（如 8 个分表各返回 1000，总 count=8000）。 -**怎么玩** + 适合数据量小的场景（如 “查询用户近 7 天的订单数”），若数据量大（如 “查询全量订单的 sum (金额)”），实时聚合会很慢。 -首先查看当前数据库是否支持分区 +- 预计算（大数据量）：用 “离线计算 + 实时同步” 的方式，提前计算聚合结果： -- MySQL5.6以及之前版本： + ① 用 Flink/Spark 等计算引擎，每天离线计算 “全量订单的 sum/avg/count”，结果存到 “聚合结果表”（单库）； - ```mysql - SHOW VARIABLES LIKE '%partition%'; - ``` + ② 实时新增的数据，通过 Binlog 同步到计算引擎，更新聚合结果； -- MySQL5.6： + ③ 业务查询时，直接查 “聚合结果表”，无需跨库计算（如报表统计、大屏展示常用此方案）。 - ```mysql - show plugins; - ``` +**3. 分布式事务：用 “柔性事务” 平衡一致性和性能** -**分区类型及操作** +- 非核心业务：用 “最终一致性” 方案（如可靠消息队列）： -- **RANGE分区**：基于属于一个给定连续区间的列值，把多行分配给分区。mysql将会根据指定的拆分策略，,把数据放在不同的表文件上。相当于在文件上,被拆成了小块.但是,对外给客户的感觉还是一张表，透明的。 + 例：订单创建→扣减库存： - 按照 range 来分，就是每个库一段连续的数据，这个一般是按比如**时间范围**来的，比如交易表啊，销售表啊等，可以根据年月来存放数据。可能会产生热点问题，大量的流量都打在最新的数据上了。 + ① 订单表写入成功后，发送 “扣库存” 消息到 MQ； - range 来分，好处在于说，扩容的时候很简单。 + ② 库存服务消费消息，扣减库存； -- **LIST分区**：类似于按RANGE分区，每个分区必须明确定义。它们的主要区别在于，LIST分区中每个分区的定义和选择是基于某列的值从属于一个值列表集中的一个值，而RANGE分区是从属于一个连续区间值的集合。 + ③ 若库存扣减失败，MQ 重试，直到成功（需保证库存扣减接口幂等）。 -- **HASH分区**：基于用户定义的表达式的返回值来进行选择的分区，该表达式使用将要插入到表中的这些行的列值进行计算。这个函数可以包含MySQL 中有效的、产生非负整数值的任何表达式。 +- 核心业务：用 “TCC 事务” 或 “Seata 等中间件”： - hash 分发，好处在于说，可以平均分配每个库的数据量和请求压力；坏处在于说扩容起来比较麻烦，会有一个数据迁移的过程，之前的数据需要重新计算 hash 值重新分配到不同的库或表 + TCC 分三步：Try（预留资源，如冻结库存）→ Confirm（确认执行，如扣减冻结的库存）→ Cancel（回滚，如释放冻结的库存），通过业务层代码保证跨库一致性； -- **KEY分区**：类似于按HASH分区，区别在于KEY分区只支持计算一列或多列，且MySQL服务器提供其自身的哈希函数。必须有一列或多列包含整数值。 + Seata 等中间件封装了 TCC、SAGA 等模式，降低开发成本（如电商订单支付场景常用 Seata）。 -**看上去分区表很帅气，为什么大部分互联网还是更多的选择自己分库分表来水平扩展咧？** +**五、总结** -- 分区表，分区键设计不太灵活，如果不走分区键，很容易出现全表锁 -- 一旦数据并发量上来，如果在分区表实施关联，就是一个灾难 -- 自己分库分表，自己掌控业务场景与访问模式，可控。分区表，研发写了一个sql，都不确定mysql是怎么玩的，不太可控 +分库分表是 “业务发展到一定阶段的必然选择”，但不是银弹 ——**能不分就不分，要分就早分**。设计时需优先规避跨库、分布式事务等复杂问题，选择成熟的中间件（如 Sharding-JDBC）降低开发和运维成本，同时做好数据扩容、监控的预案。我们项目中，订单表按 “用户 ID 哈希” 分 8 库 16 表，核心解决了 “千万级订单的查询和写入性能问题”，跨库操作通过 “业务层拆分 + 预计算” 处理，整体性能和稳定性满足了业务需求。 -> 随着业务的发展，业务越来越复杂，应用的模块越来越多，总的数据量很大，高并发读写操作均超过单个数据库服务器的处理能力怎么办？ +### 🎯 分布式ID生成方案？ -这个时候就出现了**数据分片**，数据分片指按照某个维度将存放在单一数据库中的数据分散地存放至多个数据库或表中。数据分片的有效手段就是对关系型数据库进行分库和分表。 +> 分库分表之后，id主键如何处理？ +> +> 推荐：https://zhuanlan.zhihu.com/p/107939861 -区别于分区的是，分区一般都是放在单机里的，用的比较多的是时间范围分区，方便归档。只不过分库分表需要代码实现，分区则是mysql内部实现。分库分表和分区并不冲突，可以结合使用。 +- UUID：`UUID`的生成简单到只有一行代码，输出结果 `c2b8c2b9e46c47e3b30dca3b0d447718`，但UUID却并不适用于实际的业务需求。像用作订单号`UUID`这样的字符串没有丝毫的意义，看不出和订单相关的有用信息；而对于数据库来说用作业务`主键ID`，它不仅是太长还是字符串，而且不是自增的，存储性能差查询也很耗时，所以不推荐用作`分布式ID`。 + > UUID 最大的缺陷是它产生的 ID 不是递增的。一般来说，我们倾向于在数据库中使用自增主键，因为这样可以迫使数据库的树朝着一个方向增长，而不会造成中间叶节点分裂，这样插入性能最好。而整体上 UUID 生成的 ID 可以看作是随机，那么就会导致数据往页中间插入，引起更加频繁地页分裂，在糟糕的情况下，这种分裂可能引起连锁反应，整棵树的树形结构都会受到影响。所以我们普遍倾向于采用递增的主键。 +- 数据库自增ID：需要一个单独的MySQL实例用来生成ID（DB单点存在宕机风险，无法扛住高并发场景） -### 如何确定分库还是分表？ +- 数据库多主模式 -> 针对“如何确定分库还是分表？”的问题，你要结合具体的场景。 +- 号段模式 -#### 何时分表 +- Redis：利用`redis`的 `incr`命令实现ID的原子性自增。 -当数据量过大造成事务执行缓慢时，就要考虑分表，因为减少每次查询数据总量是解决数据查询缓慢的主要原因。你可能会问：“查询可以通过主从分离或缓存来解决，为什么还要分表？”但这里的查询是指事务中的查询和更新操作。 +- 雪花算法（SnowFlake）：`Snowflake`生成的是Long类型的ID，一个Long类型占8个字节，每个字节占8比特，也就是说一个Long类型占64个比特 -#### 何时分库 + Snowflake ID 组成结构：`正数位`（占1比特）+ `时间戳`（占41比特）+ `机器ID`（占5比特）+ `数据中心`（占5比特）+ `自增值`（占12比特），总共64比特组成的一个Long类型。 -为了应对高并发，一个数据库实例撑不住，即单库的性能无法满足高并发的要求，就把并发请求分散到多个实例中去（这种应对高并发的思路我之前也说过）。 + - **缺点**：时钟回拨需特殊处理 + - 改进： + - 百度UidGenerator：自定义时间位、引入RingBuffer + - 美团Leaf：混用号段模式应对时钟问题 -总的来说，分库分表使用的场景不一样： +- 滴滴出品（TinyID）：基于ZooKeeper的号段服务化 -- **分表是因为数据量比较大，导致事务执行缓慢；** +- 百度 （Uidgenerator） -- **分库是因为单库的性能无法满足要求。** +- 美团（Leaf）：号段模式 + 双Buffer预加载 -### MySQL分库 +### 🎯 分库分表容量是怎么确定的？ -#### 为什么要分库? +**容量确定的原则** -数据库集群环境后都是多台 slave，基本满足了读取操作; 但是写入或者说大数据、频繁的写入操作对 master 性能影响就比较大，这个时候，单库并不能解决大规模并发写入的问题，所以就会考虑分库。 +1. **单表数据量控制：** + - **建议单表数据量控制在**500万到2000万 条记录以内。 + + > **单表数据量超过阈值** + > + > - 行数阈值：单表行数超过500万（一般建议）或2000万（B+树存储结构限制，3层树高对应约2000万行数据，查询效率最优）。 + > - **表容量阈值**：单表存储超过2GB，尤其是包含大字段（如BLOB、TEXT）时，读写性能显著下降 + + - **原因**：单表数据量过大，可能导致查询和索引效率下降，备份和恢复时间也会变长。 + +2. **单库数据量控制：** + - **建议单库的数据量不超过**100GB。 + - **原因**：单库数据量过大，可能导致磁盘I/O成为瓶颈，影响数据库性能。 + +3. **分片数量规划：** + - **预留空间**：根据未来的数据增长预期，预留足够的分片数量，避免频繁扩容。 + - **均衡分布**：确保数据在各个分片之间均匀分布，避免出现热点分片。 -#### 分库是什么？ -一个库里表太多了，导致了海量数据，系统性能下降，把原本存储于一个库的表拆分存储到多个库上， 通常是将表按照功能模块、关系密切程度划分出来，部署到不同库上。 -#### 分库的优点： +### 🎯 id哈希映射分库的话会产生什么问题？如何解决？ -- 减少增量数据写入时的锁对查询的影响 +使用 **ID 哈希映射**进行分库时，会将数据分散到不同的数据库实例或节点上，基于用户 ID 或其他字段的哈希值来决定数据的存储位置。这种方法看似能解决大规模数据的存储和查询性能问题，但在实际操作中会带来一些挑战和问题。 -- 由于单表数量下降，常见的查询操作由于减少了需要扫描的记录，使得单表单次查询所需的检索行数变少，减少了磁盘IO，时延变短 +1. **数据倾斜 (Data Skew)** -但是它无法解决单表数据量太大的问题 + 问题**： 哈希映射的目的是均匀分散数据到多个数据库中，但如果哈希函数或分库策略不合理，可能导致某些数据库或分片存储的数据量远大于其他数据库，产生**数据倾斜**，也就是数据分布不均匀。这样，某些数据库会成为性能瓶颈。** + 解决方案： + - **改进哈希函数**：选择更加均匀的哈希算法，避免出现某些特定范围的值过于集中。 -### MySQL分表 + - **范围分片**：有时可以结合哈希分片与范围分片（例如，按地域、注册时间等划分）来确保更均匀的数据分布。 -分表有两种分割方式，一种垂直拆分，另一种水平拆分。 + - **分片重新分配**：在检测到数据倾斜后，可以定期或动态地调整数据的分布，通过数据迁移来平衡负载。 -- **垂直拆分** +2. **跨库查询复杂度增加 (Cross-shard Querying)** - 垂直分表，通常是按照业务功能的使用频次，把主要的、热门的字段放在一起做为主要表。然后把不常用的，按照各自的业务属性进行聚集，拆分到不同的次要表中；主要表和次要表的关系一般都是一对一的。 + 问题： 使用哈希分库后，查询可能会涉及多个数据库，尤其是当查询需要合并不同分片的数据时。传统的 JOIN 或聚合查询跨越多个分库时会变得非常复杂和低效，尤其是如果分库策略没有设计好，查询性能会显著下降。 -- **水平拆分(数据分片)** + 解决方案： - 单表的容量不超过500W，否则建议水平拆分。是把一个表复制成同样表结构的不同表，然后把数据按照一定的规则划分，分别存储到这些表中，从而保证单表的容量不会太大，提升性能；当然这些结构一样的表，可以放在一个或多个数据库中。 + - **避免跨库 JOIN**：尽量避免需要跨多个分片或数据库的复杂 JOIN 操作。通过数据 denormalization 或者将数据聚合到单个数据库中来减少跨库查询的复杂度。 - 水平分割的几种方法： + - **分库查询优化**：当跨库查询不可避免时，可以使用 **分布式查询引擎** 或中间件（例如 **Hadoop**, **Presto**, **Apache Drill**）来优化跨库查询。 - - 使用MD5哈希，做法是对UID进行md5加密，然后取前几位（我们这里取前两位），然后就可以将不同的UID哈希到不同的用户表（user_xx）中了。 - - 还可根据时间放入不同的表，比如：article_201601，article_201602。 - - 按热度拆分，高点击率的词条生成各自的一张表，低热度的词条都放在一张大表里，待低热度的词条达到一定的贴数后，再把低热度的表单独拆分成一张表。 - - 根据ID的值放入对应的表，第一个表user_0000，第二个100万的用户数据放在第二 个表user_0001中，随用户增加，直接添加用户表就行了。 + - **聚合和计算预处理**：如果查询频繁，考虑将结果预计算并存储（例如，通过缓存或者周期性计算）。减少实时计算的需求，提升查询性能。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1geuibkd9mjj31ns0u0aj1.jpg) +3. **数据迁移与扩展困难 (Data Migration and Scaling)** + 问题： 当数据量增加时，可能需要重新划分分片或迁移数据。在哈希映射的分库策略下，若重新划分分库或添加新的分片，现有的数据必须重新哈希并迁移到新的数据库实例，这个过程会非常复杂，且可能需要停机或者长时间的迁移操作。 + 解决方案： + - **分片重新平衡**：设计支持**动态扩展**和分片重新平衡的机制。使用可以实时调整的 **虚拟节点** 或 **哈希槽** 来减少数据迁移的复杂性。 + - **使用分布式数据库系统**：一些分布式数据库系统（如 **Cassandra**, **CockroachDB**）提供自动扩展和数据迁移的能力，可以在不中断服务的情况下平衡分片和迁移数据。 -**分库分表后的难题** + - **预留扩展性**：在设计分库方案时，可以预留扩展的空间，并考虑将来可能需要添加更多分库或分片的情况。 -分布式事务的问题，数据的完整性和一致性问题。 +4. **跨库事务管理 (Distributed Transactions)** -数据操作维度问题：用户、交易、订单各个不同的维度，用户查询维度、产品数据分析维度的不同对比分析角度。 跨库联合查询的问题，可能需要两次查询 跨节点的count、order by、group by以及聚合函数问题，可能需要分别在各个节点上得到结果后在应用程序端进行合并 额外的数据管理负担，如：访问数据表的导航定位 额外的数据运算压力，如：需要在多个节点执行，然后再合并计算程序编码开发难度提升，没有太好的框架解决，更多依赖业务看如何分，如何合，是个难题。 + 问题： 哈希分库导致数据分布在多个数据库中，而在一些操作中可能需要跨多个数据库的事务操作。例如，用户在多个数据库中有数据需要更新或修改时，如何保证事务的一致性（即 ACID 特性）就变得非常复杂。 + 解决方案： + - **使用 Saga 模式**：Saga 是一种长事务模式，将一个大的分布式事务分解成多个小的子事务，并在子事务失败时通过补偿操作进行回滚。适用于大多数分布式事务场景，尤其是对于微服务架构中的分布式数据更新。 -### 分布式ID生成方案 + - **采用最终一致性**：在一些业务场景中，避免使用强一致性，而是采用**最终一致性**来允许系统在短时间内不一致，但最终会恢复一致性。可以使用消息队列或事件驱动的方式来保证数据的最终一致性。 -> 分库分表之后，id主键如何处理？ -> -> 推荐：https://zhuanlan.zhihu.com/p/107939861 + - **分布式事务管理器**：使用分布式事务管理器（如 **Atomikos** 或 **Narayana**）来处理跨多个数据库的事务。 -- UUID：`UUID`的生成简单到只有一行代码，输出结果 `c2b8c2b9e46c47e3b30dca3b0d447718`，但UUID却并不适用于实际的业务需求。像用作订单号`UUID`这样的字符串没有丝毫的意义，看不出和订单相关的有用信息；而对于数据库来说用作业务`主键ID`，它不仅是太长还是字符串，存储性能差查询也很耗时，所以不推荐用作`分布式ID`。 +5. **查找和聚合性能差 (Lookup and Aggregation Performance)** -- 数据库自增ID：需要一个单独的MySQL实例用来生成ID（DB单点存在宕机风险，无法扛住高并发场景） + 问题： 哈希映射分库后，对于某些查询（如获取某个用户的所有数据或跨多个分片进行聚合查询），如果不采取合适的优化策略，查找和聚合性能会大大下降。 -- 数据库多主模式 + **解决方案**： -- 号段模式 + - **数据冗余**：可以使用 **数据冗余** 或 **复制** 来减少跨库查询。例如，某些字段的冗余存储可以提高查询效率，避免每次都跨多个分片查询。 -- Redis：利用`redis`的 `incr`命令实现ID的原子性自增。 + - **聚合操作分片**：对于聚合类操作，采用 **分布式计算框架**（如 **Apache Spark**、**Flink**）来进行分片内聚合，然后再合并结果。 -- 雪花算法（SnowFlake）：`Snowflake`生成的是Long类型的ID，一个Long类型占8个字节，每个字节占8比特，也就是说一个Long类型占64个比特 +6. **数据一致性和延迟问题 (Consistency and Latency)** - Snowflake ID组成结构：`正数位`（占1比特）+ `时间戳`（占41比特）+ `机器ID`（占5比特）+ `数据中心`（占5比特）+ `自增值`（占12比特），总共64比特组成的一个Long类型。 + 问题： 在分库哈希策略中，可能会因为多个数据库或分片的网络延迟而引入一定的延迟问题，尤其是在高并发环境下，多个数据库的访问可能会导致较高的延迟，影响用户体验。 -- 滴滴出品（TinyID） + 解决方案： -- 百度 （Uidgenerator） + - **本地缓存与副本**：通过使用本地缓存（如 **Redis**）来减少对远程数据库的访问，提升响应速度。同时，可以在多个分片之间保持副本，提高数据访问速度。 -- 美团（Leaf） + - **数据同步机制**：采用实时或批量数据同步机制，将热点数据或常用数据同步到访问频繁的分片。 -## 十、主从复制 +### 集群 > 配主从，正经公司的话，也不会让 Javaer 去搞的，但还是要知道 -### 复制的基本原理 +### 🎯 说下 MySQL 主从？ + +1. **什么是 MySQL 主从复制？** + - 主从复制用于建立一个或多个与主库相同的数据库，称为从库，实现读写分离，提高并发处理能力。 +2. **主从复制的作用是什么？** + - 主从复制用于数据热备份、架构扩展、提高并发处理能力，实现读写分离。 +3. **MySQL 主从复制是如何实现的？** + - 主从复制通过 I/O 线程和 SQL 线程实现，I/O 线程负责从主库请求 binlog，SQL 线程负责将 binlog 应用到从库。 +4. **主从复制可能会遇到哪些问题？** + - 可能遇到的问题包括复制延迟、数据不一致、锁表导致的阻塞、宕机导致的数据丢失。 +5. **如何解决主从复制的问题？** + - 可以通过半同步复制策略减少数据丢失风险，采用并行复制减少复制延迟。 +6. **什么是 MySQL 集群？** + - MySQL 集群是一组 MySQL 服务器的集合，它们协同工作以提供高可用性、负载均衡和读写分离。 +7. **MySQL 集群有哪些类型？** + - 包括主从集群、互主集群、Galera 集群等，每种集群有其特定的应用场景和特点。 +8. **如何搭建 MySQL 集群？** + - 搭建 MySQL 集群通常涉及配置多个 MySQL 服务实例，实现主从复制，配置读写分离，以及设置故障转移机制。 +9. **什么是 GTID 同步集群？** + - GTID（全局事务 ID）同步集群是一种基于全局唯一 ID 标识事务的复制方式，引入于 MySQL 5.6 版本，用于确保事务在复制集群中的一致性。 +10. **如何实现 MySQL 的读写分离？** + - 读写分离通常由业务层实现，可以通过智能路由、负载均衡器或中间件如 ShardingSphere、MyCat 来实现。 +11. **什么是半同步复制？** + - 半同步复制是一种提高数据安全性的机制，主库在事务提交后等待至少一个从库接收并写入 relay log 后才返回客户端响应。 +12. **MySQL 集群扩容和数据迁移怎么做？** + - 扩容集群可能需要数据迁移，可以通过 mysqldump 工具备份数据，然后在新节点上恢复数据，再配置数据同步。 +13. **如何解决 MySQL 主从复制的延迟问题？** + - 可以通过优化网络条件、升级硬件、使用并行复制等方法减少延迟。 +14. **MySQL 集群的高可用性是如何实现的？** + - 高可用性可以通过故障检测、自动故障转移、多副本等机制实现。 +15. **MySQL 集群中的分库分表是如何考虑的？** + - 分库分表需要考虑数据量、查询模式、业务逻辑等因素，以优化性能和扩展性 + + + +### 🎯 复制的基本原理？ + +主从复制用于建立一个或多个与主库相同的数据库，称为从库，实现读写分离，提高并发处理能力 - slave 会从 master 读取 binlog 来进行数据同步 - 三个步骤 - 1. master将改变记录到二进制日志（binary log）。这些记录过程叫做二进制日志事件，binary log events； - 2. salve 将 master 的 binary log events 拷贝到它的中继日志（relay log）; - 3. slave 重做中继日志中的事件，将改变应用到自己的数据库中。MySQL 复制是异步且是串行化的。 - - > 这么记忆 - > - > - 写入 Binlog：主库写 binlog 日志，提交事务，并更新本地存储数据。 - > - > - 同步 Binlog：把 binlog 复制到所有从库上，每个从库把 binlog 写到暂存日志中。 - > - > - 回放 Binlog：回放 binlog，并更新存储数据 + **1. 主库写入 binlog（Binary Log）** + + - 主库上的所有增删改操作（DDL/DML），都会被记录到 **binlog** 中，形成一条条事件（event）。 + - binlog 是逻辑日志，记录了 SQL 或行级别的更改。 - ![](https://picbed-1302638964.cos.ap-beijing.myqcloud.com/mysql/94aec4abf353527cbbe2bef5a484471d.jpeg) + **2. 从库读取 relay log（中继日志）** + + - 从库会启动一个 **I/O 线程**，连接主库，请求新的 binlog。 + - 主库的 **binlog dump 线程** 会把 binlog 内容发送给从库。 + - 从库的 I/O 线程把接收到的内容写入 **relay log**（中继日志）。 + + **3. 从库重放 relay log** + + - 从库启动 **SQL 线程**，从 relay log 里取出日志，执行里面的 SQL/行事件，最终更新从库数据。 + -### MySQL 一主多从 +### 🎯 MySQL 一主多从？ 一旦你提及“一主多从”，面试官很容易设陷阱问你：那大促流量大时，是不是只要多增加几台从库，就可以抗住大促的并发读请求了？ @@ -2028,51 +2865,153 @@ https://blog.csdn.net/u011516972/article/details/89098732 -### 复制的基本原则 +### 🎯 主从复制的延迟与一致性问题 + +> MySQL 主从复制是基于 binlog 的异步过程，主库写入 binlog，从库通过 relay log 重放。复制延迟的原因主要有网络问题、主库压力大、从库执行慢、单线程复制瓶颈、大事务等。 +> 复制延迟会导致读写分离场景下的数据不一致。 +> 优化方法有：使用 MySQL 5.7+ 的多线程复制，避免大事务，优化从库 SQL 和索引，提升硬件和网络。 +> 一致性上，可以通过 **强制读主库、半同步复制、组复制** 或 **Proxy 层路由策略** 来解决。 + +**1. 主从复制原理（简要）** + +MySQL 主从复制通常基于 **binlog**： + +1. **主库（Master）**：把事务操作写入 **binlog**。 +2. **从库 I/O 线程**：从主库拉取 binlog，写入 **relay log**。 +3. **从库 SQL 线程**：读取 relay log，并在从库重放执行。 + +因此，从库的数据落后于主库，会存在一定延迟。 + +**2. 延迟的原因** + +1. **网络延迟**：主从之间的网络传输慢。 +2. **主库压力大**：binlog 写入速度快，从库拉取不过来。 +3. **从库 SQL 执行性能差**：从库执行 binlog SQL 比主库慢（比如没有合适的索引、单机性能差）。 +4. **单线程复制瓶颈（传统复制）**：MySQL 5.6 之前，SQL 线程是单线程，执行大事务时延迟严重。 +5. **大事务 / 批量更新**：一次性更新、删除上百万行，导致 binlog 很大，从库应用时间很长。 + +**3. 一致性问题** + +- **读写分离下的数据不一致**：如果应用在从库读数据，可能读到的是**旧数据**，因为主库刚写入，从库还没同步。 +- **事务一致性问题**：主库写入成功，但从库延迟，导致业务逻辑判断错误（比如库存、余额）。 + +**4. 解决思路** + +（1）减少延迟 + +- **多线程复制**：MySQL 5.7 开始支持 **并行复制**（基于库级并行、基于组提交并行），大幅降低延迟。 +- **优化 SQL** + - 避免大事务，改成小批量操作。 + - 保证主从索引一致，防止从库回放慢。 +- **硬件优化**：提升从库磁盘/CPU 性能，减少执行耗时。 +- **网络优化**：使用更低延迟的链路。 -- 每个 slave只有一个 master -- 每个 salve只能有一个唯一的服务器 ID -- 每个master可以有多个salve +（2）一致性保证 +- **强制读主库**：对于关键数据（如支付、库存），读写都走主库。 +- **semi-sync 半同步复制** + - 主库写事务时，至少要等一个从库确认收到 binlog 才返回客户端，保证数据至少写到一个从库。 + - 缺点：降低写性能。 +- **组复制 / MGR (MySQL Group Replication)** + - 多主复制，保证强一致性，但性能有损耗。 +- **Proxy 层策略** + - 在中间件（如 MyCat、ShardingSphere、ProxySQL）里，对延迟敏感的查询强制走主库，其它查询走从库。 +- **延迟监控 + 降级** + - 通过 `SHOW SLAVE STATUS` 监控 `Seconds_Behind_Master`，大于阈值时从库不提供读服务。 -### 复制的最大问题 + +### 🎯 复制的最大问题 - 延时 -### 从架构上解决主从复制延迟 +------ + + + +## 九、SQL实战编程 💻 + +### 🎯 MySQL 设计需要注意什么? + +在设计MySQL数据库时，有许多方面需要注意，以确保数据库的性能、可扩展性、安全性和可维护性 + +- 表结构设计：**规范化**、合适的数据类型 +- 索引：覆盖索引 +- 查询优化：合理使用JOIN +- 分区与分库分表 + + + +### 🎯 如何在不停机的情况下保证迁移数据的一致性？ + +迁移数据时最核心的挑战： + +1. **源库与目标库要保持一致**（全量 + 增量）。 +2. **迁移过程不中断业务**（不停机，业务可读写）。 +3. **最终一致性**（迁移完成后保证数据不丢、不重、不错）。 + +**1. 常见方案步骤** + +步骤 1：全量迁移 + +- 使用工具（如 **mysqldump、mydumper、pt-archiver**，或大数据同步工具如 **Canal、Debezium、DataX、DTS**）将源库的历史数据 **批量导入**到目标库。 +- 这一步通常需要 **只读快照** 或 **事务隔离** 保证导出一致性。 -- 使用数据冗余 -- 使用缓存解决 +步骤 2：增量同步 + +- 全量迁移的过程中，源库业务仍在写入，这部分数据必须捕捉并同步。 +- 常见做法是基于 **binlog**（MySQL）或者 **WAL**（Postgres），利用 **CDC（Change Data Capture）机制** 实时同步增量数据到目标库。 +- 代表工具： + - MySQL → **Canal、Debezium、Maxwell** + - Kafka + sink → 目标库 + +步骤 3：双写验证（可选） + +- 在迁移过程中，业务层可以同时写 **源库和目标库**，然后通过 **校验服务** 或 **对账机制**（hash 校验、抽样比对）确认一致性。 + +步骤 4：流量切换（灰度迁移） + +- 在验证数据无误后，将业务读写请求逐步切换到新库。 +- 可以采用 **读流量先切**，再切写流量，避免一次性切换导致大故障。 +- 这里推荐 **蓝绿发布** 或 **双活切换**。 + +步骤 5：确认一致性并下线旧库 + +- 切换后短时间保留双写或增量同步，待验证无误后下线旧库。 ------ +**2. 保证一致性的关键点** +- **全量 + 增量结合**：先拷贝静态数据，再捕获实时变化。 +- **校验机制**：对关键表做 **row count + checksum/hash 校验**，确保无丢失。 +- **幂等性**：迁移程序必须保证重复消费 binlog 时不会产生脏数据。 +- **最终一致性**：接受迁移过程中存在短暂延迟，但最终必须对齐。 +- **流量切换要平滑**：避免一次性大规模切换引发不可控风险。 -## 十一、其他问题 +------ -### 说一说三个范式 +**3. 常见工具链** -- 第一范式（1NF）：数据库表中的字段都是单一属性的，不可再分。这个单一属性由基本类型构成，包括整型、实数、字符型、逻辑型、日期型等。 -- 第二范式（2NF）：数据库表中不存在非关键字段对任一候选关键字段的部分函数依赖，也即所有非关键字段都完全依赖于任意一组候选关键字。(数据库表中的非主属性只依赖于主键) -- 第三范式（3NF）：在第二范式的基础上，数据表中如果不存在非关键字段对任一候选关键字段的传递函数依赖则符合第三范式。所谓传递函数依赖，指的是如果存在"A → B → C"的决定关系，则C传递函数依赖于A。因此，满足第三范式的数据库表应该不存在如下依赖关系： 关键字段 → 非关键字段 x → 非关键字段y +- **MySQL**：pt-online-schema-change、gh-ost（用于表结构变更不停机） +- **数据迁移/同步**：Canal、Debezium、Maxwell、DataX、DTS（阿里云） +- **消息队列中转**：Kafka（承接 binlog 流，再同步到目标库） -### 百万级别或以上的数据如何删除 +### 🎯 说一说三个范式？ -关于索引：由于索引需要额外的维护成本，因为索引文件是单独存在的文件，所以当我们对数据的增加、修改、删除，都会产生额外的对索引文件的操作，这些操作需要消耗额外的IO，会降低增/改/删的执行效率。所以，在我们删除数据库百万级别数据的时候，查询MySQL官方手册得知删除数据的速度和创建的索引数量是成正比的。 +数据库设计中的三个范式（3NF）是用于规范数据库的结构，以减少数据冗余和提高数据的一致性。 -1. 所以我们想要删除百万数据的时候可以先删除索引（此时大概耗时三分多钟） -2. 然后删除其中无用数据（此过程需要不到两分钟） -3. 删除完成后重新创建索引(此时数据较少了)创建索引也非常快，约十分钟左右。 -4. 与之前的直接删除绝对是要快速很多，更别说万一删除中断，一切删除会回滚。那更是坑了。 +- 第一范式（1NF）：数据库表中的字段都是单一属性的，不可再分。这个单一属性由基本类型构成，包括整型、实数、字符型、逻辑型、日期型等。 +- 第二范式（2NF）：第二范式在第一范式的基础上进一步规范化，要求表中的每一列都与主键直接相关，而不是间接相关 +- 第三范式（3NF）：第三范式要求列之间没有传递依赖，即非主键列之间不能相互依赖。所谓传递函数依赖，指的是如果存在"A → B → C"的决定关系，则C传递函数依赖于A。因此，满足第三范式的数据库表应该不存在如下依赖关系： 关键字段 → 非关键字段 x → 非关键字段y -### limit 100000 加载很慢的话，你是怎么解决的呢？ +### 🎯 limit 100000 加载很慢的话，你是怎么解决的呢？ 在 mysql 中 limit 可以实现快速分页，但是如果数据到了几百万时我们的 limit 必须优化才能有效的合理的实现分页了，否则可能卡死你的服务器 @@ -2114,11 +3053,13 @@ left join wl_tagindex b on a.id=b.id 执行时间为 0.11s 速度明显提升 +- 原查询需要扫描并丢弃前 300,000 行数据。优化后的子查询只选择 id 列，大大减少了需要处理的数据量 + 这里需要说明的是 我这里用到的字段是 byname ,id 需要把这两个字段做复合索引，否则的话效果提升不明显 -### 在高并发情况下，如何做到安全的修改同一行数据？ +### 🎯 在高并发情况下，如何做到安全的修改同一行数据？ **1、使用悲观锁** @@ -2128,7 +3069,7 @@ left join wl_tagindex b on a.id=b.id 直接将请求放入队列中，就不会导致某些请求永远获取不到锁。看到这里，是不是有点强行将多线程变成单线程的感觉哈。 -![在这里插入图片描述](https://img-blog.csdnimg.cn/20190508231654761.) +![](https://img-blog.csdnimg.cn/20190508231654761.) 然后，我们现在解决了锁的问题，全部请求采用“先进先出”的队列方式来处理。那么新的问题来了，高并发的场景下，因为请求很多，很可能一瞬间将队列内存“撑爆”，然后系统又陷入到了异常状态。或者设计一个极大的内存队列，也是一种方案，但是，系统处理完一个队列内请求的速度根本无法和疯狂涌入队列中的数目相比。也就是说，队列内的请求会越积累越多，最终Web系统平均响应时间还是会大幅下降，系统还是陷入异常。 @@ -2138,27 +3079,729 @@ left join wl_tagindex b on a.id=b.id -### 表中有大字段 **X**(例如:**text** 类型)，且字段 **X** 不会经常更新，以读为 为主，将该字段拆成子表好处是什么? +### 🎯 表中有大字段 **X**(例如:**text** 类型)，且字段 **X** 不会经常更新，以读为 为主，将该字段拆成子表好处是什么? 如果字段里面有大字段(text,blob)类型的，而且这些字段的访问并不多，这 时候放在一起就变成缺点了。 MYSQL 数据库的记录存储是按行存储的，数据 块大小又是固定的(16K)，每条记录越小，相同的块存储的记录就越多。此 时应该把大字段拆走，这样应付大部分小字段的查询时，就能提高效率。当需 要查询大字段时，此时的关联查询是不可避免的，但也是值得的。拆分开后， 对字段的 UPDAE 就要 UPDATE 多个表了 +### 🎯 MySQL 数据达到多少会产生瓶颈？ + +MySQL在处理大型数据集时，性能瓶颈的出现并非仅取决于数据量的大小，还与硬件配置、表结构设计、索引情况、查询复杂度和并发访问量等多种因素密切相关。因此，很难给出一个精确的数据量阈值来确定何时会出现瓶颈。 + +**一般情况下，以下情况可能会导致MySQL产生性能瓶颈：** + +1. **单表数据量过大：** + - **数据量级别**：当单表记录数达到**数百万到数千万**时，查询性能可能会明显下降。 + - **影响因素**：如果缺乏合理的索引和优化，查询速度会受到显著影响。 +2. **索引设计不合理：** + - **缺少必要索引**：没有为常用查询添加索引，导致全表扫描。 + - **过多索引**：索引过多会增加写入和更新的开销。 + - **索引碎片**：频繁的插入和删除操作会导致索引碎片化。 +3. **硬件资源限制：** + - **内存不足**：无法将常用数据缓存到内存中，导致频繁的磁盘I/O。 + - **磁盘性能**：传统HDD的读写速度较慢，可能成为瓶颈。 + - **CPU性能**：复杂查询和高并发需要更高的CPU处理能力。 +4. **高并发访问：** + - **连接数过多**：大量的并发连接会消耗系统资源，导致性能下降。 + - **锁竞争**：高并发写操作会导致锁竞争，影响事务的执行效率。 +5. **查询复杂度高：** + - **复杂的JOIN操作**：多表关联查询会增加数据库的计算负担。 + - **未优化的SQL语句**：如使用`SELECT *`或缺少条件过滤。 +6. **配置参数不当：** + - **默认配置不适合大数据量**：需要根据业务场景调整MySQL的配置参数，如`innodb_buffer_pool_size`。 + - **连接池设置不合理**：可能导致资源浪费或不足。 +7. **事务和锁机制的影响：** + - **长事务**：长时间占用锁资源，阻塞其他事务。 + - **死锁问题**：不合理的事务管理可能导致死锁。 + + + +### 🎯 SQL 注入？ + +SQL注入是一种常见且危险的安全漏洞，但有几种有效的方法可以防止它。以下是解决SQL注入问题的主要方法： + +1. 使用参数化查询（预处理语句）： + + 这是防止SQL注入最有效和推荐的方法。参数化查询将SQL语句和数据分开处理，从而防止恶意输入被解释为SQL命令。 + + **不安全的 SQL 查询：** + + ```sql + String query = "SELECT * FROM users WHERE username = '" + username + "' AND password = '" + password + "'"; + ``` + + 攻击者可以通过输入 `" OR "1" = "1` 这样类似的内容绕过验证，导致 SQL 注入。 + + **使用预编译语句的安全查询：** + + ```java + String query = "SELECT * FROM users WHERE username = ? AND password = ?"; + PreparedStatement stmt = connection.prepareStatement(query); + stmt.setString(1, username); + stmt.setString(2, password); + ResultSet rs = stmt.executeQuery(); + ``` + +2. 使用ORM（对象关系映射）：ORM工具通常会自动使用参数化查询，提供额外的安全层。 +3. 输入验证和清洗： + - 使用白名单策略（允许合法字符），拒绝非预期的输入 + - 限制输入的长度，避免输入过多字符 + - 对输入的数据类型进行严格验证，如预期是数字类型的字段必须验证输入为数字 + - 对特殊字符进行转义或过滤（如 `'`, `"`, `;` 等） + +4. **最小权限原则**：确保应用程序连接数据库的账号仅具备完成任务所需的最小权限，避免攻击者一旦突破防线就能全面操控数据库。 +5. 当然，还有些 统一编码、定期安全审计、保持软件更新 等措施 + + + +## 十、 手撕 SQL 🖊️ + +### 🎯 十岁为一组，统计每个年龄段的用户数量 + +要以每 10 岁为一组统计用户数量，可以使用 `FLOOR` 函数（向下取整）对用户的年龄进行分组，然后使用 `GROUP BY` 和 `COUNT(*)` 来统计每个年龄段的用户数量 + +```sql +SELECT + CASE + WHEN age BETWEEN 0 AND 9 THEN '0-9' + WHEN age BETWEEN 10 AND 19 THEN '10-19' + WHEN age BETWEEN 20 AND 29 THEN '20-29' + WHEN age BETWEEN 30 AND 39 THEN '30-39' + WHEN age BETWEEN 40 AND 49 THEN '40-49' + WHEN age BETWEEN 50 AND 59 THEN '50-59' + WHEN age BETWEEN 60 AND 69 THEN '60-69' + WHEN age BETWEEN 70 AND 79 THEN '70-79' + WHEN age BETWEEN 80 AND 89 THEN '80-89' + WHEN age >= 90 THEN '90+' + ELSE 'Unknown' + END AS age_group, + COUNT(*) AS user_count +FROM users +GROUP BY age_group +ORDER BY age_group; + +--------- +SELECT + CONCAT(FLOOR(age / 10) * 10, '-', FLOOR(age / 10) * 10 + 9) AS age_range, + COUNT(*) AS user_count +FROM users +GROUP BY FLOOR(age / 10) +ORDER BY FLOOR(age / 10); +``` + + + +### 🎯 给学生表、课程成绩表，求不存在01课程但存在02课程的学生的成绩 + +这种方法比较多，我用最简单的， 使用 `LEFT JOIN` 和 `IS NULL` + +```sql +SELECT + cg.student_id, + s.name, + cg.course_id, + cg.grade +FROM + course_grades cg + JOIN students s ON cg.student_id = s.student_id + LEFT JOIN course_grades cg2 ON cg.student_id = cg2.student_id AND cg2.course_id = '01' +WHERE + cg.course_id = '02' + AND cg2.student_id IS NULL; +``` + +还可以使用 `NOT IN` 子查询 + + + +### 🎯 查询第二大的数值 + +1. 使用 ORDER BY 和 LIMIT + + ```sql + SELECT DISTINCT column_name FROM table_name + ORDER BY column_name DESC + LIMIT 1 OFFSET 1 + ``` + + 这个查询先按降序排列,然后跳过第一个结果(OFFSET 1),取下一个结果(LIMIT 1) + +2. 使用子查询 + + ```sql + SELECT MAX(column_name) + FROM table_name + WHERE column_name < (SELECT MAX(column_name) FROM table_name) + ``` + +3. 使用 `DENSE_RANK()` 窗口函数【MySQL 8.0+ 支持】 + + ```sql + SELECT column_name + FROM ( + SELECT column_name, DENSE_RANK() OVER (ORDER BY column_name DESC) AS rank + FROM table_name + ) AS ranked + WHERE rank = 2; + ``` + + + +### 🎯 经典排名问题 + +排名问题是SQL面试的经典题型，考察对窗口函数和聚合查询的掌握： + +**💻 排名问题SQL实现**： + +```sql +-- ===== 基础排名问题 ===== + +-- 题目1：查询各科目成绩前3名的学生 +CREATE TABLE student_scores ( + student_id INT, + student_name VARCHAR(50), + subject VARCHAR(50), + score INT, + exam_date DATE +); + +-- 插入测试数据 +INSERT INTO student_scores VALUES +(1, '张三', '数学', 95, '2024-01-15'), +(2, '李四', '数学', 88, '2024-01-15'), +(3, '王五', '数学', 92, '2024-01-15'), +(4, '赵六', '数学', 85, '2024-01-15'), +(5, '张三', '英语', 90, '2024-01-15'), +(6, '李四', '英语', 95, '2024-01-15'), +(7, '王五', '英语', 88, '2024-01-15'); + +-- 解法1：使用窗口函数 +WITH ranked_scores AS ( + SELECT + student_id, + student_name, + subject, + score, + ROW_NUMBER() OVER (PARTITION BY subject ORDER BY score DESC) as rn, + RANK() OVER (PARTITION BY subject ORDER BY score DESC) as rnk, + DENSE_RANK() OVER (PARTITION BY subject ORDER BY score DESC) as dense_rnk + FROM student_scores +) +SELECT + student_id, + student_name, + subject, + score, + rn as row_number_rank, + rnk as rank_with_gaps, + dense_rnk as dense_rank +FROM ranked_scores +WHERE rn <= 3 +ORDER BY subject, score DESC; + +-- 题目2：查询每个部门薪资前20%的员工 +WITH salary_percentiles AS ( + SELECT + employee_id, + employee_name, + department, + salary, + PERCENT_RANK() OVER (PARTITION BY department ORDER BY salary DESC) as percentile_rank + FROM employees +) +SELECT + employee_id, + employee_name, + department, + salary, + ROUND(percentile_rank * 100, 2) as top_percentage +FROM salary_percentiles +WHERE percentile_rank <= 0.2 -- 前20% +ORDER BY department, salary DESC; +``` + +### 🎯 连续问题求解 + +连续问题是考察逻辑思维的重要题型： + +**💻 连续问题SQL实现**： + +```sql +-- ===== 连续登录问题 ===== + +-- 题目：找出连续登录3天以上的用户 +CREATE TABLE user_login_log ( + user_id INT, + login_date DATE, + login_time TIMESTAMP +); + +-- 解法：使用ROW_NUMBER()找连续区间 +WITH date_with_row AS ( + SELECT DISTINCT + user_id, + login_date, + ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY login_date) as rn + FROM user_login_log +), +consecutive_groups AS ( + SELECT + user_id, + login_date, + DATE_SUB(login_date, INTERVAL rn DAY) as group_date + FROM date_with_row +), +consecutive_counts AS ( + SELECT + user_id, + group_date, + COUNT(*) as consecutive_days, + MIN(login_date) as start_date, + MAX(login_date) as end_date + FROM consecutive_groups + GROUP BY user_id, group_date +) +SELECT + user_id, + consecutive_days, + start_date, + end_date +FROM consecutive_counts +WHERE consecutive_days >= 3 +ORDER BY user_id, start_date; + +-- 题目：股票连续上涨问题 +WITH price_changes AS ( + SELECT + stock_code, + trade_date, + closing_price, + LAG(closing_price) OVER (PARTITION BY stock_code ORDER BY trade_date) as prev_price, + CASE + WHEN closing_price > LAG(closing_price) OVER (PARTITION BY stock_code ORDER BY trade_date) + THEN 1 ELSE 0 + END as is_up + FROM stock_prices +), +consecutive_ups AS ( + SELECT + stock_code, + COUNT(*) as up_days, + MIN(trade_date) as start_date, + MAX(trade_date) as end_date + FROM ( + SELECT + stock_code, + trade_date, + SUM(CASE WHEN is_up = 0 THEN 1 ELSE 0 END) + OVER (PARTITION BY stock_code ORDER BY trade_date) as group_id + FROM price_changes + WHERE is_up = 1 + ) grouped + GROUP BY stock_code, group_id +) +SELECT * FROM consecutive_ups +WHERE up_days >= 3 +ORDER BY stock_code, start_date; +``` + +### 🎯 复杂业务场景 + +实际业务中的复杂查询场景： + +**💻 业务场景SQL实现**： + +```sql +-- ===== 电商用户行为分析 ===== + +-- 题目：找出"流失预警"用户（最后购买>30天，但历史活跃） +WITH user_purchase_stats AS ( + SELECT + user_id, + COUNT(*) as total_orders, + SUM(order_amount) as total_spent, + AVG(order_amount) as avg_order_value, + MAX(order_date) as last_purchase_date, + DATEDIFF(NOW(), MAX(order_date)) as days_since_last_purchase + FROM orders + WHERE order_status = 'completed' + GROUP BY user_id +), +user_segments AS ( + SELECT + *, + CASE + WHEN total_orders >= 10 AND avg_order_value >= 200 THEN 'VIP客户' + WHEN total_orders >= 5 AND total_spent >= 500 THEN '优质客户' + WHEN total_orders >= 2 THEN '普通客户' + ELSE '新客户' + END as customer_segment, + CASE + WHEN days_since_last_purchase > 60 THEN '高风险流失' + WHEN days_since_last_purchase > 30 AND total_orders >= 5 THEN '流失预警' + WHEN days_since_last_purchase <= 7 THEN '活跃用户' + ELSE '一般用户' + END as churn_risk_level + FROM user_purchase_stats +) +SELECT + customer_segment, + churn_risk_level, + COUNT(*) as user_count, + ROUND(AVG(total_orders), 2) as avg_orders, + ROUND(AVG(total_spent), 2) as avg_total_spent +FROM user_segments +GROUP BY customer_segment, churn_risk_level +ORDER BY + FIELD(customer_segment, 'VIP客户', '优质客户', '普通客户', '新客户'), + FIELD(churn_risk_level, '高风险流失', '流失预警', '一般用户', '活跃用户'); + +-- ===== 树形递归查询 ===== + +-- 题目：查询员工的所有下属 +WITH RECURSIVE subordinates AS ( + -- 锚点：直接下属 + SELECT + emp_id, + emp_name, + manager_id, + 1 as level + FROM employees + WHERE manager_id = 1001 -- 查询员工1001的下属 + + UNION ALL + + -- 递归：下属的下属 + SELECT + e.emp_id, + e.emp_name, + e.manager_id, + s.level + 1 + FROM employees e + INNER JOIN subordinates s ON e.manager_id = s.emp_id + WHERE s.level < 5 -- 限制层级 +) +SELECT + emp_id, + emp_name, + level, + CONCAT(REPEAT(' ', level-1), emp_name) as hierarchy_display +FROM subordinates +ORDER BY level, emp_id; +``` + +--- + +## + +## 十一、运维与监控 🔧 + +**核心理念**：数据库运维与监控是保障系统稳定运行的关键，及时发现和解决问题能够避免业务中断和数据丢失。 + +### 🎯 MySQL备份和恢复策略？ + +MySQL备份恢复是数据安全的最后一道防线，需要制定完善的备份策略： + +**💻 备份恢复实战**： + +```sql +-- ===== 逻辑备份（mysqldump）===== + +/* +# 完整数据库备份 +mysqldump -u root -p --single-transaction --routines --triggers \ + --all-databases > full_backup_$(date +%Y%m%d_%H%M%S).sql + +# 单个数据库备份 +mysqldump -u root -p --single-transaction --routines --triggers \ + ecommerce > ecommerce_backup_$(date +%Y%m%d_%H%M%S).sql + +# 只备份结构不备份数据 +mysqldump -u root -p --no-data ecommerce > ecommerce_schema.sql + +# 只备份数据不备份结构 +mysqldump -u root -p --no-create-info ecommerce > ecommerce_data.sql + +# 备份特定表 +mysqldump -u root -p ecommerce users orders > tables_backup.sql + +# 压缩备份 +mysqldump -u root -p --single-transaction ecommerce | gzip > backup.sql.gz +*/ + +-- ===== 物理备份（MySQL Enterprise Backup / Percona XtraBackup）===== + +/* +# 使用Percona XtraBackup进行热备份 +# 完整备份 +innobackupex --user=backup_user --password=backup_pass /backup/full/ + +# 增量备份（基于完整备份） +innobackupex --user=backup_user --password=backup_pass \ + --incremental /backup/inc1/ \ + --incremental-basedir=/backup/full/ + +# 准备备份（应用redo log） +innobackupex --apply-log /backup/full/ + +# 恢复数据 +innobackupex --copy-back /backup/full/ +*/ + +-- ===== 基于binlog的时点恢复 ===== + +-- 查看binlog位置信息 +SHOW MASTER STATUS; +SHOW BINARY LOGS; + +-- 查看特定时间点的binlog位置 +SHOW BINLOG EVENTS IN 'mysql-bin.000001' +WHERE Start_time >= '2024-01-01 10:00:00' +LIMIT 1; + +/* +# 时点恢复步骤 +# 1. 恢复最新全备份 +mysql -u root -p ecommerce < ecommerce_backup_20240101_020000.sql + +# 2. 应用binlog到指定时间点 +mysqlbinlog --start-datetime="2024-01-01 02:00:00" \ + --stop-datetime="2024-01-01 09:30:00" \ + mysql-bin.000001 mysql-bin.000002 | mysql -u root -p ecommerce + +# 3. 跳过错误事务，继续恢复 +mysqlbinlog --start-position=1000 --stop-position=2000 \ + mysql-bin.000001 | mysql -u root -p ecommerce +*/ + +-- ===== 自动化备份脚本示例 ===== + +/* +#!/bin/bash +# MySQL自动备份脚本 + +DATE=$(date +%Y%m%d_%H%M%S) +BACKUP_DIR="/backup/mysql" +LOG_FILE="$BACKUP_DIR/backup.log" +RETENTION_DAYS=7 + +# 创建备份目录 +mkdir -p $BACKUP_DIR + +# 执行备份 +echo "$(date): Starting backup..." >> $LOG_FILE +mysqldump -u backup_user -p$BACKUP_PASSWORD \ + --single-transaction --routines --triggers \ + --all-databases | gzip > $BACKUP_DIR/full_backup_$DATE.sql.gz + +if [ $? -eq 0 ]; then + echo "$(date): Backup completed successfully" >> $LOG_FILE + + # 清理过期备份 + find $BACKUP_DIR -name "full_backup_*.sql.gz" -mtime +$RETENTION_DAYS -delete + echo "$(date): Old backups cleaned" >> $LOG_FILE +else + echo "$(date): Backup failed!" >> $LOG_FILE + # 发送告警邮件 + echo "MySQL backup failed at $(date)" | mail -s "Backup Alert" admin@company.com +fi +*/ + +-- ===== 备份验证 ===== + +-- 验证备份完整性的存储过程 +DELIMITER // +CREATE PROCEDURE ValidateBackup(IN backup_file VARCHAR(255)) +BEGIN + DECLARE backup_size BIGINT; + DECLARE table_count INT; + DECLARE record_count BIGINT; + + -- 这里应该包含备份文件大小检查 + -- 恢复到临时数据库进行验证 + -- 检查表数量和记录数量 + + SELECT + COUNT(*) as tables, + SUM(TABLE_ROWS) as total_rows + INTO table_count, record_count + FROM information_schema.TABLES + WHERE TABLE_SCHEMA = 'backup_validation_db'; + + SELECT + backup_file, + table_count, + record_count, + CASE + WHEN table_count > 0 AND record_count > 0 THEN 'VALID' + ELSE 'INVALID' + END as validation_result; +END // +DELIMITER ; +``` + +### 🎯 MySQL监控指标和故障排查？ + +MySQL监控需要关注多个维度的指标，及时发现性能瓶颈和潜在问题： + +**💻 监控和故障排查**： + +```sql +-- ===== 关键性能指标监控 ===== + +-- 连接状态监控 +SELECT + VARIABLE_NAME, + VARIABLE_VALUE, + CASE VARIABLE_NAME + WHEN 'Max_used_connections' THEN + CONCAT(ROUND(VARIABLE_VALUE / @@max_connections * 100, 2), '%') + ELSE '' + END as usage_percentage +FROM performance_schema.global_status +WHERE VARIABLE_NAME IN ( + 'Connections', 'Max_used_connections', 'Threads_connected', 'Threads_running' +); + +-- 查询性能指标 +SELECT + VARIABLE_NAME, + VARIABLE_VALUE, + CASE VARIABLE_NAME + WHEN 'Questions' THEN CONCAT(ROUND(VARIABLE_VALUE / @@uptime, 2), ' QPS') + WHEN 'Slow_queries' THEN + CONCAT(ROUND(VARIABLE_VALUE / + (SELECT VARIABLE_VALUE FROM performance_schema.global_status WHERE VARIABLE_NAME = 'Questions') * 100, 4), '%') + ELSE '' + END as rate_info +FROM performance_schema.global_status +WHERE VARIABLE_NAME IN ( + 'Questions', 'Queries', 'Slow_queries', 'Select_scan', 'Sort_merge_passes' +); + +-- InnoDB缓冲池监控 +SELECT + 'Buffer Pool Hit Rate' as metric, + ROUND(( + 1 - (reads.VARIABLE_VALUE / requests.VARIABLE_VALUE) + ) * 100, 2) as hit_rate_percent, + CASE + WHEN (1 - (reads.VARIABLE_VALUE / requests.VARIABLE_VALUE)) * 100 >= 99 THEN '优秀' + WHEN (1 - (reads.VARIABLE_VALUE / requests.VARIABLE_VALUE)) * 100 >= 95 THEN '良好' + ELSE '需要优化' + END as status +FROM + (SELECT VARIABLE_VALUE FROM performance_schema.global_status WHERE VARIABLE_NAME = 'Innodb_buffer_pool_reads') reads, + (SELECT VARIABLE_VALUE FROM performance_schema.global_status WHERE VARIABLE_NAME = 'Innodb_buffer_pool_read_requests') requests; + +-- ===== 实时性能分析 ===== + +-- 当前运行的查询 +SELECT + ID, + USER, + HOST, + DB, + COMMAND, + TIME, + STATE, + LEFT(INFO, 100) as QUERY_SAMPLE, + CASE + WHEN TIME > 60 THEN '长时间运行' + WHEN TIME > 10 THEN '需要关注' + ELSE '正常' + END as status +FROM information_schema.PROCESSLIST +WHERE COMMAND != 'Sleep' +ORDER BY TIME DESC; + +-- 锁等待分析 +SELECT + r.trx_id AS waiting_trx, + r.trx_mysql_thread_id AS waiting_thread, + r.trx_query AS waiting_query, + b.trx_id AS blocking_trx, + b.trx_mysql_thread_id AS blocking_thread, + b.trx_query AS blocking_query, + TIMESTAMPDIFF(SECOND, r.trx_started, NOW()) as wait_time_seconds +FROM information_schema.INNODB_LOCK_WAITS w +JOIN information_schema.INNODB_TRX b ON b.trx_id = w.blocking_trx_id +JOIN information_schema.INNODB_TRX r ON r.trx_id = w.requesting_trx_id; + +-- ===== 故障排查查询 ===== + +-- 查找占用空间最大的表 +SELECT + TABLE_SCHEMA, + TABLE_NAME, + ROUND(((DATA_LENGTH + INDEX_LENGTH) / 1024 / 1024), 2) AS size_mb, + TABLE_ROWS, + ROUND((INDEX_LENGTH / 1024 / 1024), 2) AS index_size_mb, + ROUND((DATA_LENGTH / 1024 / 1024), 2) AS data_size_mb +FROM information_schema.TABLES +WHERE TABLE_SCHEMA NOT IN ('information_schema', 'mysql', 'performance_schema', 'sys') +ORDER BY (DATA_LENGTH + INDEX_LENGTH) DESC +LIMIT 20; + +-- 分析表碎片化情况 +SELECT + TABLE_SCHEMA, + TABLE_NAME, + TABLE_ROWS, + AVG_ROW_LENGTH, + ROUND((DATA_LENGTH / 1024 / 1024), 2) as data_mb, + ROUND((DATA_FREE / 1024 / 1024), 2) as free_mb, + ROUND((DATA_FREE / (DATA_LENGTH + DATA_FREE)) * 100, 2) as fragmentation_percent +FROM information_schema.TABLES +WHERE TABLE_SCHEMA NOT IN ('information_schema', 'mysql', 'performance_schema', 'sys') + AND DATA_FREE > 0 +ORDER BY fragmentation_percent DESC; +``` + +--- +## 🎯 面试重点总结 +### 高频考点速览 +- **🏗️ 基础与架构**：MySQL架构组件、DDL/DML/DCL区别、SQL语法和最佳实践 +- **🗄️ 存储引擎**：InnoDB vs MyISAM特性、内存结构、磁盘结构、缓冲池机制 +- **🔍 索引机制**：B+树原理、索引类型、联合索引最左前缀、覆盖索引、索引失效场景 +- **🔒 事务与锁**：ACID特性实现、隔离级别对比、锁机制、MVCC原理、死锁处理 +- **📊 查询优化**：JOIN类型优化、窗口函数、执行计划分析、数据类型选择 +- **📝 日志系统**：redo log、undo log、binlog机制、WAL原理、恢复策略 +- **⚡ 性能调优**：慢查询分析、参数调优、缓存策略、硬件优化 +- **🚀 分库分表**：主从复制、读写分离、分片策略、数据迁移、集群部署 +- **💻 SQL实战**：复杂查询编写、存储过程、函数、CTE递归查询 +- **🔧 运维监控**：备份恢复、监控指标、故障排查、容量规划、日常维护 -## 参考与感谢： +### 面试答题策略 -https://zhuanlan.zhihu.com/p/29150809 +1. **基础概念题**：先说定义和原理，再举具体应用例子，最后分析优缺点和适用场景 +2. **性能优化题**：分析性能瓶颈，提出具体优化方案，说明效果评估方法 +3. **架构设计题**：从业务需求出发，考虑数据量和并发量，选择合适的架构方案 +4. **故障排查题**：描述排查思路和工具，定位根本原因，提供解决方案和预防措施 -https://juejin.im/post/5e3eb616f265da570d734dcb#heading-105 +### 核心设计原则 -https://blog.csdn.net/yin767833376/article/details/81511377 +1. **性能优先**：合理设计索引，优化查询语句，配置合适的参数，选择适合的存储引擎 +2. **数据安全**：事务保证一致性，完善的备份恢复策略，严格的权限控制机制 +3. **高可用设计**：消除单点故障，实现故障自动切换，多层次的监控告警体系 +4. **可扩展性**：分库分表应对数据增长，读写分离提升并发能力，集群化部署 +5. **运维规范**：标准化的部署流程，完善的监控体系，及时的故障响应机制 +--- +## 📚 扩展学习 +- **MySQL官方文档**：深入学习存储引擎原理、性能调优最佳实践 +- **经典书籍**：《高性能MySQL》、《MySQL技术内幕》、《数据库系统概念》 +- **开源工具**：Percona Toolkit、pt-query-digest、MySQL Workbench使用 +- **监控方案**：Prometheus+Grafana、Zabbix、云监控平台实践 +- **新版本特性**：MySQL 8.0新特性、JSON支持、窗口函数、CTE等 +**记住：数据库是应用系统的核心，扎实的MySQL基础和丰富的优化经验是后端工程师的核心竞争力！** 🚀 diff --git a/docs/interview/Netty-FAQ.md b/docs/interview/Netty-FAQ.md new file mode 100755 index 0000000000..e0f837ed82 --- /dev/null +++ b/docs/interview/Netty-FAQ.md @@ -0,0 +1,40 @@ +1. Netty 的高性能表现在哪些方面？对你平时的项目开发有何启发？ +2. Netty 中有哪些重要组件，它们之间有什么联系？ +3. Netty 的内存池、对象池是如何设计的？ +4. 针对 Netty 你有哪些印象比较深刻的系统调优案例？ + +![image ](https://learn.lianglianglee.com/%E4%B8%93%E6%A0%8F/Netty%20%E6%A0%B8%E5%BF%83%E5%8E%9F%E7%90%86%E5%89%96%E6%9E%90%E4%B8%8E%20RPC%20%E5%AE%9E%E8%B7%B5-%E5%AE%8C/assets/CgqCHl-NAQaABGcDAAZa0pmBs40719.png) + +**通过 Netty 的学习，还可以锻炼你的编程思维，对 Java 其他的知识体系起到融会贯通的作用** + + + + + +### Netty 整体结构 + +Netty 是一个设计非常用心的**网络基础组件**，Netty 官网给出了有关 Netty 的整体功能模块结构，却没有其他更多的解释。从图中，我们可以清晰地看出 Netty 结构一共分为三个模块： + +![Drawing 0.png](https://learn.lianglianglee.com/%e4%b8%93%e6%a0%8f/Netty%20%e6%a0%b8%e5%bf%83%e5%8e%9f%e7%90%86%e5%89%96%e6%9e%90%e4%b8%8e%20RPC%20%e5%ae%9e%e8%b7%b5-%e5%ae%8c/assets/CgqCHl-NO7eATPMMAAH8t8KvehQ985.png) + +#### 1. Core 核心层 + +Core 核心层是 Netty 最精华的内容，它提供了底层网络通信的通用抽象和实现，包括可扩展的事件模型、通用的通信 API、支持零拷贝的 ByteBuf 等。 + +#### 2. Protocol Support 协议支持层 + +协议支持层基本上覆盖了主流协议的编解码实现，如 HTTP、SSL、Protobuf、压缩、大文件传输、WebSocket、文本、二进制等主流协议，此外 Netty 还支持自定义应用层协议。Netty 丰富的协议支持降低了用户的开发成本，基于 Netty 我们可以快速开发 HTTP、WebSocket 等服务。 + +#### 3. Transport Service 传输服务层 + +传输服务层提供了网络传输能力的定义和实现方法。它支持 Socket、HTTP 隧道、虚拟机管道等传输方式。Netty 对 TCP、UDP 等数据传输做了抽象和封装，用户可以更聚焦在业务逻辑实现上，而不必关系底层数据传输的细节。 + +Netty 的模块设计具备较高的**通用性和可扩展性**，它不仅是一个优秀的网络框架，还可以作为网络编程的工具箱。Netty 的设计理念非常优雅，值得我们学习借鉴。 + + + +### Netty 逻辑架构 + +下图是 Netty 的逻辑处理架构。Netty 的逻辑处理架构为典型网络分层架构设计，共分为网络通信层、事件调度层、服务编排层，每一层各司其职。图中包含了 Netty 每一层所用到的核心组件。我将为你介绍 Netty 的每个逻辑分层中的各个核心组件以及组件之间是如何协调运作的。 + +![Drawing 1.png](https://learn.lianglianglee.com/%e4%b8%93%e6%a0%8f/Netty%20%e6%a0%b8%e5%bf%83%e5%8e%9f%e7%90%86%e5%89%96%e6%9e%90%e4%b8%8e%20RPC%20%e5%ae%9e%e8%b7%b5-%e5%ae%8c/assets/Ciqc1F-NO9KAUOtaAAE1S5uRlDE275.png) \ No newline at end of file diff --git a/docs/interview/Network-FAQ.md b/docs/interview/Network-FAQ.md index ddd25df33d..174134bb66 100644 --- a/docs/interview/Network-FAQ.md +++ b/docs/interview/Network-FAQ.md @@ -1,830 +1,2388 @@ -> 你好，我是 π大新，目前在一家名字等于周角的公司就职，精通 Java，熟悉计算机网络，， +--- +title: 网络编程面试题大全 +date: 2024-12-15 +tags: + - Network + - HTTP + - TCP + - UDP + - Interview +categories: Interview +--- -然后就~~~~ +![](https://img.starfish.ink/common/faq-banner.png) -> 在浏览器中输入一个 URL 至页面呈现，网络上都发生了什么事？ +网络编程作为后端开发的**核心基础技能**，是Java后端面试的**必考重点**。从OSI七层模型到TCP/UDP协议，从HTTP协议到Socket编程，从网络IO模型到性能优化，每个知识点都可能成为面试的关键。本文档将**网络编程核心技术**整理成**系统化知识体系**，涵盖协议原理、网络编程、性能调优等关键领域，助你在面试中游刃有余！ + +网络编程面试，围绕着这么几个核心方向准备： + +- **网络基础**（OSI模型、TCP/IP协议栈、网络分层、数据封装） +- **传输层协议**（TCP可靠性保证、UDP特性、三次握手、四次挥手、拥塞控制） +- **应用层协议**（HTTP协议详解、HTTPS加密、HTTP/1.1 vs HTTP/2、WebSocket） +- **网络编程**（Socket编程、BIO/NIO/AIO、Netty框架、Reactor模式） +- **性能优化**（网络调优、连接池、缓存策略、负载均衡） +- **高级话题**（网络安全、CORS、CDN、DNS解析、分布式网络） + +## 🗺️ 知识导航 + +### 📊 按面试频率和重要性分类 + +#### 🔥 高频必考（面试必备核心） + +1. **传输层协议**：TCP/UDP原理、三次握手四次挥手、滑动窗口、拥塞控制 +2. **应用层协议**：HTTP/HTTPS详解、状态码、缓存机制、Keep-Alive +3. **网络编程实战**：Socket编程、BIO/NIO/AIO模型、Netty框架、Reactor模式 + +#### 📈 中频重点（提升竞争力） + +4. **网络层协议**：IP协议、路由转发、ARP解析、ICMP应用 +5. **网络安全**：常见攻击防护、加密算法、DDoS防范 + +#### 📚 低频基础（知识体系完整性） + +6. **网络理论基础**：OSI七层模型、TCP/IP分层、协议设计原理 +7. **物理层基础**：信号传输、编码调制、传输介质 +8. **数据链路层**：帧结构、错误检测、MAC地址、以太网协议 +9. **性能优化与监控**：网络调优、故障排查、监控体系、性能分析 + +--- + +## 一、传输层协议 + +### 🎯 TCP和UDP协议的区别？ + +都属于传输层协议。 + +- TCP（Transmission Control Protocol，传输控制协议）是面向连接的协议，也就是说，在收发数据前，必须和对方建立可靠的连接。一个 TCP 连接必须有三次握手、四次挥手。 + +- UDP（User Data Protocol，用户数据报协议）是一个非连接的协议，传输数据之前源端和终端不建立连接， 当它想传送时就简单地去抓取来自应用程序的数据，并尽可能快地把它扔到网络上 + +| | TCP | UDP | +| :--------- | :--------------------------------------------- | :--------------------------- | +| 连接性 | 面向连接 | 面向非连接 | +| 传输可靠性 | 可靠 | 不可靠 | +| 报文 | 面向字节流 | 面向报文 | +| 效率 | 传输效率低 | 传输效率高 | +| 流量控制 | 滑动窗口 | 无 | +| 拥塞控制 | 慢开始、拥塞避免、快重传、快恢复 | 无 | +| 传输速度 | 慢 | 快 | +| 应用场合 | 对效率要求低，对准确性要求高或要求有连接的场景 | 对效率要求高，对准确性要求低 | + +TCP 和 UDP 协议的一些应用 + +![img](https://img.starfish.ink/network/nr4vfd9rjq.jpeg) + + + +### 🎯 TCP 连接的建立与终止？ + +> TCP 和 UDP 的报文结构了解么 + +TCP 虽然是面向字节流的，但TCP传送的数据单元却是报文段。一个 TCP 报文段分为首部和数据两部分，而 TCP 的全部功能体现在它首部中的各字段的作用。 + +TCP 报文段首部的前 20 个字节是固定的（下图），后面有 4n 字节是根据需要而增加的选项（n是整数）。因此 TCP 首部的最小长度是20 字节。 + +``` + 源端口号（16位） | 目的端口号（16位） +----------------------------------------------- +序列号（32位） +----------------------------------------------- +确认号（32位） +----------------------------------------------- +数据偏移（4位）|保留位（6位）|控制位（6位）|窗口大小（16位） +----------------------------------------------- +校验和（16位）|紧急指针（16位） +----------------------------------------------- +选项（可选，最长40字节） +----------------------------------------------- +数据部分（长度可变） +``` + +![](https://img.starfish.ink/network/cs0sawogj4.jpeg) + +**TCP报文首部** + +- 源端口和目的端口，各占 2 个字节，都是 16 位，分别写入源端口和目的端口； +- **序列号**（Sequence number），占4字节，32位。序号范围是【0，2^32 - 1】，共2^32个序号。序号增加到 2^32-1后，下一个序号就又回到 0。TCP是面向字节流的。在一个TCP连接中传送的字节流中的每一个字节都按顺序编号。整个要传送的字节流的起始序号必须在连接建立时设置。首部中的序号字段值则是指的是本报文段所发送的数据的第一个字节的序号。例如，一报文段的序号是301，而接待的数据共有100字节。这就表明：本报文段的数据的第一个字节的序号是301，最后一个字节的序号是400。显然，下一个报文段（如果还有的话）的数据序号应当从401开始，即下一个报文段的序号字段值应为401。这个字段的序号也叫“报文段序号”; +- **确认号**（Acknowledge number），占4个字节，是期望收到对方下一个报文的第一个数据字节的序号。例如，B收到了A发送过来的报文，其序列号字段是501，而数据长度是200字节，这表明B正确的收到了A发送的到序号700为止的数据。因此，B期望收到A的下一个数据序号是701，于是B在发送给A的确认报文段中把确认号置为701； +- **数据偏移（Data Offset）**，占 4 位，它指出TCP报文段的数据起始处距离TCP报文段的起始处有多远。 +- **保留（Reserved）**，占 6 位，保留为今后使用，但目前应置为0； +- **控制位（Control Flags）**： + - 6 位，包括 URG（紧急指针有效）、ACK（确认号有效）、PSH（推送功能）、RST（重置连接）、SYN（同步序列编号）、FIN（结束连接）。 +- **窗口大小（Window Size）**： + - 16 位，用于流量控制，指示接收方的接收窗口大小。 +- **校验和（Checksum）**： + - 16 位，用于错误检测，对 TCP 头部和数据部分进行校验。 +- **紧急指针（Urgent Pointer）**： + - 16 位，仅当 URG 标志位被设置时使用，指向数据中紧急数据的末尾。 +- **选项（Options）**： + - 可变长度，用于设置 TCP 参数，如最大报文段长度（MSS）、窗口缩放因子、选择性确认（SACK）等。 +- **填充（Padding）**： + - 确保 TCP 头部是 32 位字的整数倍。 +- **数据（Data）**： + - TCP 报文的实际数据部分，长度可变。 + + + +**UDP 报文头（8 字节，简单高效）** + +UDP 报文头非常精简，仅 4 个字段： + +| 字段 | 长度 | 作用 | +| ---------------------------- | ------ | ------------------- | +| 源端口（Source Port） | 16 bit | 标识发送方端口 | +| 目标端口（Destination Port） | 16 bit | 标识接收方端口 | +| 长度（Length） | 16 bit | 报头 + 数据的总长度 | +| 校验和（Checksum） | 16 bit | 检测报文是否出错 | + + 特点： + +- 没有连接管理、序列号、确认机制。 +- 只提供最基本的端口定位和数据完整性校验。 +- **优势**：开销小，实时性好，常用于视频、语音、DNS。 + + + +### 🎯 介绍一下 TCP 的三次握手机制，为什么要三次握手？挥手却又是四次呢？ + +TCP是一种面向连接的**单播协议**，在发送数据前，通信双方必须在彼此间建立一条连接。所谓的“连接”，其实是客户端和服务器的内存里保存的一份关于对方的信息，如ip地址、端口号等。 + +**TCP 三次握手** + +所谓三次握手(Three-way Handshake)，是指建立一个 TCP 连接时，需要客户端和服务器总共发送 3 个包。 + +三次握手的目的是连接服务器指定端口，建立 TCP 连接，并同步连接双方的序列号和确认号，交换 TCP 窗口大小信息。 + +![img](https://miro.medium.com/v2/resize:fit:1102/0*8j0qdKAShOds5Cof.png) + +- **第一次握手**（SYN）：客户端向服务器发送一个SYN（Synchronize）报文段，用于请求建立连接。这个报文段包含客户端的初始序列号（ISN），用于同步序列号。 + +- **第二次握手**（SYN-ACK）：服务器收到SYN报文后，确认收到请求，并向客户端发送一个SYN-ACK（Synchronize-Acknowledgment）报文。这个报文段包含服务器的初始序列号，并确认接收到的客户端的序列号。 + +- **第三次握手**（ACK）：客户端收到服务器的SYN-ACK报文后，再次向服务器发送一个ACK（Acknowledgment）报文，确认收到服务器的序列号。至此，连接建立完毕，客户端和服务器可以开始数据传输。 + + + + +#### 为什么需要三次握手呢？两次不行吗？ + +- **确保双向通信**：三次握手可以确保通信的双向性。通过三次握手，客户端和服务器都确认了对方的存在，并且双方都同步了初始序列号，为接下来的数据传输做准备。 + +- **防止旧连接的混淆**：如果只有两次握手，可能会存在旧的、失效的 SYN 报文被误认为是新的连接请求，导致混淆。三次握手能够有效避免这种情况。 + +> 具体例子：“已失效的连接请求报文段”的产生在这样一种情况下：client 发出的第一个连接请求报文段并没有丢失，而是在某个网络结点长时间的滞留了，以致延误到连接释放以后的某个时间才到达 server。本来这是一个早已失效的报文段。但 server 收到此失效的连接请求报文段后，就误认为是 client 再次发出的一个新的连接请求。于是就向client发出确认报文段，同意建立连接。假设不采用“三次握手”，那么只要server发出确认，新的连接就建立了。由于现在client并没有发出建立连接的请求，因此不会理睬server的确认，也不会向server发送数据。但server却以为新的运输连接已经建立，并一直等待client发来数据。这样，server的很多资源就白白浪费掉了。采用“三次握手”的办法可以防止上述现象发生。例如刚才那种情况，client不会向server的确认发出确认。server由于收不到确认，就知道client并没有要求建立连接。” + + + +#### TCP 四次挥手 + +TCP 的连接释放过程需要 **四次挥手（Four-way Handshake）**，因为 TCP 是全双工的，关闭时两端都要单独发 FIN 包确认关闭。 + +**过程拆解：** + +1. **第一次挥手**： + - 主机 A（主动关闭方）发送 `FIN=1`，告诉主机 B：我这边没有数据要发了。 + - A 进入 `FIN_WAIT_1` 状态。 +2. **第二次挥手**： + - 主机 B 收到 FIN 后，返回 `ACK=1`，表示“我知道了”。 + - A 收到 ACK 后进入 `FIN_WAIT_2` 状态。 + - 注意：此时 B 可能还有数据要发给 A，所以连接还没完全关闭。 +3. **第三次挥手**： + - B 处理完数据后，发送 `FIN=1`，告诉 A：我也要关闭了。 + - B 进入 `LAST_ACK` 状态，等待 A 的确认。 +4. **第四次挥手**： + - A 收到 B 的 FIN 后，返回 `ACK=1`，表示确认。 + - A 进入 `TIME_WAIT` 状态，等待 **2MSL** 时间（两个最大报文生存时间），确保 B 收到自己的 ACK。 + - B 收到 ACK 后直接进入 `CLOSED` 状态，连接关闭。 + - A 在 `TIME_WAIT` 结束后也进入 `CLOSED`。 + +![img](https://img.starfish.ink/network/tv0i5jc3xp.jpeg) + +TCP 的连接的拆除需要发送四个包，因此称为四次挥手(Four-way handshake)，也叫做改进的三次握手。**客户端或服务器均可主动发起挥手动作**。 + + + +#### 为什么需要 四次？ + +- **全双工通信的特性**：TCP是全双工通信协议，双方的发送和接收通道是独立的。在关闭连接时，双方都需要独立地关闭各自的发送和接收通道，因此需要四次挥手。（A 发 FIN 只是表示自己不再发送数据，但还能接收数据；所以 B 需要分开确认（ACK）和关闭（FIN）） + +- **确保数据完整传输**：四次挥手允许双方有机会处理完所有未发送的数据。即使主动关闭一方不再发送数据，被动关闭一方仍然可以继续发送尚未传输完毕的数据，直到确认所有数据都已接收。 + +> **由于 TCP 协议是全双工的，也就是说客户端和服务端都可以发起断开连接。两边各发起一次断开连接的申请，加上各自的两次确认，看起来就像执行了四次挥手**。 + +#### 为什么需要 **TIME_WAIT（2MSL）**？ + +MSL 是Maximum Segment Lifetime英文的缩写，中文可以译为“报文最大生存时间”，他是任何报文在网络上存在的最长时间，超过这个时间报文将被丢弃。 + +2MSL 是两倍的这个时间。 + +虽然按道理，四个报文都发送完毕，我们可以直接进入 CLOSE 状态了，但是我们必须假想网络是不可靠的，有可能最后一个ACK丢失。所以 TIME_WAIT 状态就是用来重发可能丢失的 ACK 报文。 + +还有一个原因，防止类似与“三次握手”中提到了的“已经失效的连接请求报文段”出现在本连接中。客户端发送完最后一个确认报文后，在这个 2MSL 时间中，就可以使本连接持续的时间内所产生的所有报文段都从网络中消失。这样新的连接中不会出现旧连接的请求报文。 + +主机 1 等待了某个固定时间（两个最大段生命周期，2MSL，2 Maximum Segment Lifetime）之后，没有收到服务器端的 ACK ，认为服务器端已经正常关闭连接，于是自己也关闭连接，进入 `CLOSED` 状态。 + +> **Linux 系统**：默认 MSL 通常为 **60 秒**（可通过 `/proc/sys/net/ipv4/tcp_fin_timeout` 查看），因此 2MSL 对应 **120 秒（120,000 毫秒）** > -> 能说说 ISO 七层模型和 TCP/IP 四层模型吗？ +> 1. 确保最后一个 ACK 能到达 B，避免 B 认为没有收到 ACK 而重发 FIN。 +> 2. 保证旧连接的报文不会影响新连接（等待足够长，旧报文会自然消失）。 + + + +### 🎯 UDP 为什么是不可靠的？bind 和 connect 对于 UDP 的作用是什么 + +UDP 只有一个 socket 接收缓冲区，没有 socket 发送缓冲区，即只要有数据就发，不管对方是否可以正确接收。而在对方的 socket 接收缓冲区满了之后，新来的数据报无法进入到 socket 接受缓冲区，此数据报就会被丢弃，因此 UDP 不能保证数据能够到达目的地，此外，UDP 也没有流量控制和重传机制，故UDP的数据传输是不可靠的。 + +和 TCP 建立连接时采用三次握手不同，UDP 中调用 connect 只是把对端的 IP 和 端口号记录下来，并且 UDP 可多多次调用 connect 来指定一个新的 IP 和端口号，或者断开旧的 IP 和端口号（通过设置 connect 函数的第二个参数）。和普通的 UDP 相比，调用 connect 的 UDP 会提升效率，并且在高并发服务中会增加系统稳定性。 + +当 UDP 的发送端调用 bind 函数时，就会将这个套接字指定一个端口，若不调用 bind 函数，系统内核会随机分配一个端口给该套接字。当手动绑定时，能够避免内核来执行这一操作，从而在一定程度上提高性能。 + + + +### 🎯 TCP 协议如何来保证传输的可靠性？ + +> 如何设计一个稳定的 UDP 协议， 也可以参考这个回答 + +1. **数据分段与重组** + + - **分段**：TCP将应用层数据分割成多个数据段（segment），每个数据段都附有一个序列号（Sequence Number），用于标识该段在整个数据流中的位置。 + + - **重组**：接收方根据序列号将接收到的数据段重新组装成原始数据，确保数据按正确的顺序传递给应用层。 + +2. **确认应答机制（Acknowledgment）** + - **确认（ACK）**：接收方在收到数据段后，会向发送方发送一个确认（ACK）报文，告知发送方已成功接收到数据段，并且表明下一个期望接收的数据段的序列号。 + + - **超时重传**：发送方在发送数据段后，会启动一个定时器，如果在一定时间内没有收到接收方的ACK报文，发送方会认为数据段丢失，并重新发送该数据段。 + +3. **滑动窗口机制（Sliding Window）** + - **窗口大小**：TCP使用滑动窗口来控制发送方可以连续发送而不必等待确认的最大数据量。窗口大小是动态调整的，取决于接收方的处理能力和网络的实际状况。 + + - **流量控制**：滑动窗口机制还实现了流量控制，防止发送方发送过多的数据段，导致接收方无法及时处理，从而引发网络拥塞或数据丢失。 + +4. **重传机制** + - **超时重传**：如果发送方在预定的时间内没有收到ACK，TCP会触发超时重传，将未被确认的数据段重新发送。 + + - **快速重传**：当接收方发现数据段丢失时，会发送多个重复的ACK报文，发送方在收到三个相同的ACK报文后，不等待定时器超时，直接重传丢失的数据段。 + +5. **拥塞控制** + - **拥塞避免（Congestion Avoidance）**：一旦到达拥塞阈值，窗口大小增长速度会放缓，采取线性增长方式，以进一步防止拥塞。 + + - **快速恢复（Fast Recovery）**：在快速重传后，发送方会将窗口大小减半，并继续数据传输，而不进入慢启动阶段，尽量保持网络效率。 + +6. **数据校验** + - **校验和（Checksum）**：每个TCP报文段都包含一个校验和字段，用于验证数据在传输过程中是否被修改。接收方会计算收到的数据段的校验和，并与报文段中的校验和进行比较，如果不匹配，则认为数据有误，丢弃该段，并请求重传。 + +7. **序列号与确认号** + - **序列号（Sequence Number）**：用于标识发送的数据段在数据流中的位置。 + + - **确认号（Acknowledgment Number）**：用于通知发送方下一个期望接收的数据段的序列号。序列号与确认号结合使用，确保所有数据段都能被正确接收和重组。 + +8. **连接管理（Connection Management）** + + - **三次握手**：在建立连接时，通过三次握手机制确认通信双方都已准备好，确保连接的可靠性。 + + + - **四次挥手**：在断开连接时，通过四次挥手机制确保双方都已经完成数据传输，安全地关闭连接。 + + + +通过以上这些机制，TCP能够在一个不可靠的网络环境中，提供端到端的可靠数据传输服务。这些机制确保数据完整、有序地传输，并能够适应网络中的动态变化。 + + + +### 🎯 详细讲一下TCP的滑动窗口？知道流量控制和拥塞控制吗？ + +**1. 滑动窗口（Sliding Window）——流量控制的核心机制** + +- **本质**：窗口是缓冲区的可视化抽象，用于限制「未被确认的数据」数量。 + +- **两类窗口**： + + - **发送窗口**：分为已发送已确认、已发送未确认、可发送、不可发送四个区域。 + - **接收窗口**：表示接收方还能接收多少数据，通过 ACK 包的 `Window` 字段告诉发送方。 + +- **原理**： + 发送方在窗口范围内可以连续发送多个报文段，不必逐个等待 ACK；接收方确认后，窗口右移，新的数据进入窗口。 + + > 如果发送方把数据发送得过快，接收方可能会来不及接收，这就会造成数据的丢失。`所谓流量控制就是让发送方的发送速率不要太快`，要让接收方来得及接收。 + > + > 利用**滑动窗口机制**可以很方便地在 TCP 连接上实现对发送方的流量控制。 + > + > ![](https://img.starfish.ink/network/sliding-window-sender-side-cumulative-acknowledgments-n.jpg) + > + > 从上面的图可以看到滑动窗口左边的是已发送并且被确认的分组，滑动窗口右边是还没有轮到的分组。 + > + > 滑动窗口里面也分为两块，一块是已经发送但是未被确认的分组，另一块是窗口内等待发送的分组。随着已发送的分组不断被确认，窗口内等待发送的分组也会不断被发送。整个窗口就会往右移动，让还没轮到的分组进入窗口内。 + > + > **滑动窗口的工作原理** + > + > 1. **窗口大小（Window Size）**：滑动窗口的大小表示发送方在等待接收方确认之前，可以发送的未确认数据段的总量。窗口大小是一个动态的值，由接收方通过TCP报文中的窗口字段（window field）告知发送方。 + > 2. **发送窗口（Send Window）**：发送方维护一个发送窗口，表示可以发送的数据段范围。窗口左边界是已确认的数据段，右边界是窗口的大小。发送方可以在发送窗口范围内连续发送数据段，而无需等待前一个数据段的确认。 + > 3. **接收窗口（Receive Window）**：接收方也维护一个接收窗口，表示可以接收的数据段范围。接收方会根据自己的缓冲区大小，动态调整接收窗口的大小，并通过ACK报文通知发送方。 + > 4. **窗口滑动**：每当发送方收到接收方的ACK确认报文时，窗口会向前滑动，允许发送方继续发送更多的数据段。窗口的滑动意味着已确认的数据段从发送窗口中移出，新的未发送数据段可以加入发送窗口。 + +**2. 流量控制（Flow Control）** + +- **目的**：避免**接收方被撑爆**。 +- **实现**：基于滑动窗口，接收方根据自己的缓冲区大小，动态调整 `rwnd`（receiver window），在 ACK 中返回给发送方。 +- **典型场景**： + 如果接收方应用层消费太慢，缓冲区快满，就会把窗口缩小甚至设为 0，发送方必须暂停发送，直到窗口更新。 + +**3. 拥塞控制（Congestion Control）** + +- **目的**：避免**网络被撑爆**（链路丢包、路由器队列溢出）。 +- **方法**：TCP 在发送方额外维护一个 **拥塞窗口 cwnd**，实际能发的窗口 = `min(rwnd, cwnd)`。 +- **四个核心算法**： + 1. **慢启动**：cwnd 从 1 MSS 开始，每次 ACK 指数级增长（1→2→4→8…），直到阈值。 + 2. **拥塞避免**：达到阈值后改为线性增长。 + 3. **快速重传**：收到 3 个重复 ACK，立即重传丢失报文，而不用等超时。 + 4. **快速恢复**：出现丢包后 cwnd 减半而不是归 1，避免网络利用率大幅下降。 + + + +### 🎯 如果接收方滑动窗口满了，发送方会怎么做？ + +> 如果接收方的滑动窗口满了，它会在 ACK 中通告 `rwnd=0`。发送方收到后会暂停发送，并启动 **持续计时器**定期发送探测报文，避免零窗口死锁。一旦接收方窗口恢复（rwnd>0），发送方就会继续正常发送数据。 + +**接收方滑动窗口满了** + +- 接收方的缓冲区写满了，无法再接收新的数据。 +- 此时，接收方在返回的 **ACK 包里，把 `rwnd`（接收窗口大小）置为 0**，告诉发送方“暂停发送”。 + +**发送方的行为** + +1. **停止发送新的数据**：因为窗口大小是 0，不能再发，避免接收方溢出。 +2. **保留已发送但未确认的数据**：发送方的发送窗口会冻结在某个位置，等待 ACK。 +3. **启动持续计时器（Persist Timer）**： + - 防止“零窗口死锁”——如果接收方窗口恢复了，但 ACK 包丢了，发送方可能永远收不到更新的窗口信息。 + - 所以发送方会定时发送 **探测报文（Window Probe）**，确认接收方窗口是否恢复。 +4. **窗口恢复后继续发送**：接收方应用层消费掉数据，缓冲区有空间，会在 ACK 中汇报一个大于 0 的 `rwnd`，发送方就恢复发送。 + + + +### 🎯 滑动窗口、流量控制与拥塞控制的关系 + +- **滑动窗口**：是TCP实现高效数据传输的基本机制，它在不等待每个数据段确认的情况下，允许发送多个数据段。这一机制与流量控制和拥塞控制密切相关。 +- **流量控制**：通过接收窗口的调整，控制发送方的发送速度，确保接收方能够处理接收到的数据。 +- **拥塞控制**：通过动态调整拥塞窗口（cwnd），管理发送方的发送速率，以防止网络拥塞，确保网络的稳定性和数据传输的可靠性。 + + + +### 🎯 TCP的拥塞处理 ？ + +计算机网络中的带宽、交换结点中的缓存及处理机等都是网络的资源。在某段时间，若对网络中某一资源的需求超过了该资源所能提供的可用部分，网络的性能就会变坏，这种情况就叫做拥塞。 + +拥塞控制就是防止过多的数据注入网络中，这样可以使网络中的路由器或链路不致过载。注意，**拥塞控制和流量控制不同，前者是一个全局性的过程，而后者指点对点通信量的控制**。拥塞控制的方法主要有以下四种： + +##### 1. **慢启动（Slow Start）** + +- **目标**：初始阶段探测网络容量，避免突发流量导致拥塞。 +- 机制： + - 发送方初始拥塞窗口（`cwnd`）设为 1 个 MSS（最大段大小），每次收到确认后，`cwnd` 按指数增长（翻倍）。 + - 当 `cwnd` 超过拥塞阈值（`ssthresh`）时，切换至「拥塞避免」阶段。 +- **示例**：若初始 `cwnd=1`，则第 1 轮发 1 个包，第 2 轮发 2 个包，第 3 轮发 4 个包，依此类推，直到达到 `ssthresh`。 + +##### 2. **拥塞避免（Congestion Avoidance）** + +- **目标**：在探测到网络拥塞前，缓慢增加发送速率，避免过载。 +- 机制： + - 当 `cwnd ≥ ssthresh` 时，进入线性增长阶段：每经过一个 RTT（往返时间），`cwnd` 仅增加 1 个 MSS。 + - 此阶段 `cwnd` 按线性规律增长，降低拥塞风险。 +- **示例**：若 `ssthresh=8`，`cwnd` 从 8 开始，每轮 RTT 增加 1，即 8→9→10→… + +##### 3. **快重传（Fast Retransmit）** + +- **目标**：快速检测并重传丢失的数据包，减少丢包导致的延迟。 +- 机制： + - 接收方收到失序报文段时，立即发送重复确认（Duplicate ACK），不等待确认。 + - 发送方若收到 **3 个重复 ACK**，判定数据包丢失，立即重传该包（无需等待超时）。 +- **优势**：相比超时重传（需等待 RTO 时间），快重传可减少约一半的延迟。 + +##### 4. **快恢复（Fast Recovery）** + +- **目标**：在快重传后，快速恢复发送速率，避免过度降低带宽利用率。 +- 机制： + 1. 收到 3 个重复 ACK 时，执行「乘法减小」：`ssthresh = cwnd / 2`（门限减半）。 + 2. 但此时不进入慢启动，而是将 `cwnd` 设置为 `ssthresh`，直接进入拥塞避免阶段（线性增长）。 +- **逻辑**：发送方认为丢包可能由短暂拥塞引起，而非网络严重过载，因此无需从 `cwnd=1` 重新开始。 + + + +### 🎯 拥塞控制和流量控制的本质区别是什么？ + +流量控制是端到端的控制（接收方→发送方），目标是保护接收方不被过量数据淹没； + +而拥塞控制是全局控制（发送方根据网络状态自我调整），目标是防止网络中所有节点因过载而丢包。前者关注接收方处理能力，后者关注网络整体容量。 + +| **维度** | **流量控制** | **拥塞控制** | +| ------------ | ------------------------------------ | --------------------------------- | +| **核心目标** | 避免接收方缓冲区溢出 | 避免网络拥塞（路由器队列溢出） | +| **控制方** | 接收方（通过 Window 字段通知发送方） | 发送方（根据网络状态自适应调整） | +| **影响因素** | 接收方缓冲区剩余空间 | 网络链路带宽、路由器队列容量 | +| **典型机制** | 滑动窗口、糊涂窗口避免 | 慢启动、拥塞避免、快速重传 / 恢复 | +| **触发条件** | 接收方处理速度慢于数据到达速度 | 网络中数据量超过链路承载能力 | + + + +### 🎯 TCP 超时重传的原理 + +发送方在发送一次数据后就开启一个定时器，在一定时间内如果没有得到发送数据包的 ACK 报文，那么就重新发送数据，在达到一定次数还没有成功的话就放弃重传并发送一个复位信号。其中超时时间的计算是超时的核心，而定时时间的确定往往需要进行适当的权衡，因为当定时时间过长会造成网络利用率不高，定时太短会造成多次重传，使得网络阻塞。在 TCP 连接过程中，会参考当前的网络状况从而找到一个合适的超时时间。 + + + +### 🎯 TCP 的停止等待协议是什么 + +停止等待协议是为了实现 TCP 可靠传输而提出的一种相对简单的协议，该协议指的是发送方每发完一组数据后，直到收到接收方的确认信号才继续发送下一组数据。我们通过四种情形来帮助理解停等协议是如何实现可靠传输的： + +![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/eb64698e5881443d9455c76bf01597e0~tplv-k3u1fbpfcp-watermark.awebp) + +① 无差错传输 + +如上述左图所示，A 发送分组 Msg 1，发完就暂停发送，直到收到接收方确认收到 Msg 1 的报文后，继续发送 Msg 2，以此类推，该情形是通信中的一种理想状态。 + +② 出现差错 + +如上述右图所示，发送方发送的报文出现差错导致接收方不能正确接收数据，出现差错的情况主要分为两种： + +- 发送方发送的 Msg 1 在中途丢失了，接收方完全没收到数据。 +- 接收方收到 Msg 1 后检测出现了差错，直接丢弃 Msg 1。 + +上面两种情形，接收方都不会回任何消息给发送方，此时就会触发超时传输机制，即发送方在等待一段时间后仍然没有收到接收方的确认，就认为刚才发送的数据丢失了，因此重传前面发送过的数据。 + +![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/99b8534c772647f3b0fc7c41272e72f3~tplv-k3u1fbpfcp-watermark.awebp) + +③ 确认丢失 + +当接收方回应的 Msg 1 确认报文在传输过程中丢失，发送方无法接收到确认报文。于是发送方等待一段时间后重传 Msg 1，接收方将收到重复的 Msg1 数据包，此时接收方会丢弃掉这个重复报文并向发送方再次发送 Msg1 的确认报文。 + +④ 确认迟到 + +当接收方回应的 Msg 1 确认报文由于网络各种原因导致发送方没有及时收到，此时发送方在超时重传机制的作用下再次发送了 Msg 数据包，接收方此时进行和确认丢失情形下相同的动作（丢弃重复的数据包并再次发送 Msg 1 确认报文）。发送方此时收到了接收方的确认数据包，于是继续进行数据发送。过了一段时间后，发送方收到了迟到的 Msg 1 确认包会直接丢弃。 + +上述四种情形即停止等待协议中所出现的所有可能情况。 + + + +### 🎯 TCP 最大连接数限制 + +- **Client 最大 TCP 连接数** + + client 在每次发起 TCP 连接请求时，如果自己并不指定端口的话，系统会随机选择一个本地端口（local port），该端口是独占的，不能和其他 TCP 连接共享。TCP 端口的数据类型是 unsigned short，因此本地端口个数最大只有 65536，除了端口 0不能使用外，其他端口在空闲时都可以正常使用，这样可用端口最多有 65535 个。 + +- **Server最大 TCP 连接数** + + server 通常固定在某个本地端口上监听，等待 client 的连接请求。不考虑地址重用（Unix 的 SO_REUSEADDR 选项）的情况下，即使 server 端有多个 IP，本地监听端口也是独占的，因此 server 端 TCP 连接 4 元组中只有客户端的 IP 地址和端口号是可变的，因此最大 TCP 连接为客户端 IP 数 × 客户端 port 数，对 IPV4，在不考虑 IP 地址分类的情况下，最大 TCP 连接数约为 2 的 32 次方（IP 数）× 2 的 16 次方（port 数），也就是 server 端单机最大 TCP 连接数约为 2 的 48 次方。 + + 然而上面给出的是只是理论上的单机最大连接数，在实际环境中，受到明文规定（一些 IP 地址和端口具有特殊含义，没有对外开放）、机器资源、操作系统等的限制，特别是 sever 端，其最大并发 TCP 连接数远不能达到理论上限。对 server 端，通过增加内存、修改最大文件描述符个数等参数，单机最大并发 TCP 连接数超过 10 万 是没问题的。 + + + +### 🎯 TCP 连接client和server有哪些状态? + +在 TCP 连接建立和断开过程中，客户端和服务器会经历一系列状态转换，这些状态定义了 TCP 连接的不同阶段。了解这些状态有助于理解 TCP 如何建立、维护和终止连接。 + +**TCP连接的主要状态** + +1. **CLOSED**：初始状态。这个状态表示连接未建立或者已关闭。 + - **适用对象**：客户端或服务器在启动前或连接结束后。 +2. **LISTEN**：服务器处于监听状态，等待客户端发起连接请求。 + - **适用对象**：服务器。 +3. **SYN-SENT**：客户端发送了SYN报文并等待服务器的SYN-ACK响应。这是三次握手的第一步。 + - **适用对象**：客户端。 +4. **SYN-RECEIVED**：服务器收到客户端的SYN报文后，发送SYN-ACK报文，并等待客户端的ACK。这是三次握手的第二步。 + - **适用对象**：服务器。 +5. **ESTABLISHED**：连接已经建立，客户端和服务器可以进行数据传输。 + - **适用对象**：客户端和服务器。 +6. **FIN-WAIT-1**：客户端或服务器主动关闭连接，发送FIN报文，并等待对方的ACK。 + - **适用对象**：主动关闭连接的一方。 +7. **FIN-WAIT-2**：主动关闭连接的一方收到对方的ACK后，进入FIN-WAIT-2状态，等待对方发送FIN报文。 + - **适用对象**：主动关闭连接的一方。 +8. **CLOSE-WAIT**：被动关闭连接的一方收到FIN报文后，发送ACK并进入CLOSE-WAIT状态。此时，这一方准备关闭连接，但可能还有未处理的数据。 + - **适用对象**：被动关闭连接的一方。 +9. **CLOSING**：双方几乎同时发送FIN报文。此时双方都在等待对方的ACK。 + - **适用对象**：客户端或服务器。 +10. **LAST-ACK**：被动关闭连接的一方在发送了自己的FIN报文并收到ACK后，进入LAST-ACK状态，等待最后一个ACK的到来。 + - **适用对象**：被动关闭连接的一方。 +11. **TIME-WAIT**：主动关闭连接的一方在发送最后的ACK报文后进入TIME-WAIT状态，等待一段时间，以确保对方收到ACK。如果在此期间未收到对方的任何数据包，连接最终关闭。 + - **适用对象**：主动关闭连接的一方。 +12. **CLOSED**：连接最终关闭，所有资源释放。 + - **适用对象**：客户端和服务器。 + + + +### 🎯 服务器出现了大量 CLOSE_WAIT 状态如何解决？ + +大量 CLOSE_WAIT 表示程序出现了问题，对方的 socket 已经关闭连接，而我方忙于读或写没有及时关闭连接，需要检查代码，特别是释放资源的代码，或者是处理请求的线程配置。 + + + +### 🎯 讲一讲SYN超时，洪泛攻击，以及解决策略 + +SYN 超时是指在 TCP 三次握手的过程中，客户端发送了 SYN 包，但由于网络问题或服务器未响应，客户端在等待 SYN-ACK 包的过程中发生了超时。 + +**解决策略** + +1. **重试机制**：客户端在发生 SYN 超时时，会重试发送 SYN 包。一般情况下，TCP 协议会尝试重发 SYN 包若干次，直到达到最大重试次数。如果超过最大重试次数仍未收到 SYN-ACK 包，TCP 会放弃连接建立。 +2. **调整超时时间**：根据网络环境调整 SYN 包的超时时间和重试次数，以适应网络的实际情况，确保在合理的时间内重试足够多次。 +3. **网络诊断**：使用网络诊断工具（如 `ping`、`traceroute`、`tcpdump`）检查网络路径是否存在问题，排查网络设备和路由的故障。 + +##### 什么是 SYN 洪泛攻击？ + +**SYN 洪泛攻击（SYN Flood Attack）** 是一种经典的 **拒绝服务攻击（DoS, Denial of Service）** 或分布式拒绝服务攻击（DDoS）方式。攻击者通过向目标服务器发送大量伪造的 TCP **SYN 请求包**，试图耗尽服务器的资源（如内存、CPU 或连接表），从而导致服务器无法正常处理合法用户的请求。 + +**解决策略** + +1. **SYN Cookies**：SYN Cookies 是一种防御 SYN 洪泛攻击的技术。服务器在收到 SYN 包时，不立即分配资源，而是生成一个特殊的序列号（Cookie）并发送给客户端。如果客户端返回正确的 Cookie，服务器才分配资源并建立连接。 +2. **限制半开连接数量**：配置服务器限制半开连接（即已发送 SYN-ACK 但未收到 ACK）的数量。当半开连接数量达到限制时，新的 SYN 请求将被丢弃或延迟处理。 +3. **缩短超时时间**：减小半开连接的超时时间，使得服务器更快地释放未完成的连接资源。 +4. **网络层防护**：使用防火墙和入侵检测系统（IDS）来过滤和阻止可疑的 SYN 包。可以配置防火墙规则来限制每秒钟的 SYN 包数量，或者启用流量分析来检测和防御洪泛攻击。 +5. **负载均衡**：通过部署负载均衡器，将流量分散到多个服务器，从而缓解单个服务器的负载压力，提高抗攻击能力。 +6. **云服务防护**：利用云服务提供商的安全防护措施（如 DDoS 防护服务），通过全球分布的节点和强大的处理能力来抵御大规模的洪泛攻击。 + + + +### 🎯 linux 最多可以建立多少个tcp连接，client端，server端，超过了怎么办? + +Linux系统上TCP连接的数量限制主要受以下几个因素影响： + +1. **文件描述符限制**：Linux系统中每个进程可以打开的文件描述符数量是有限的。可以通过修改`/etc/security/limits.conf`文件来调整这一限制，例如设置`* soft nofile 65535`和`* hard nofile 65535`来分别设置软限制和硬限制 。 +2. **系统级文件打开限制**：Linux系统级也有一个最大文件打开数量的硬限制，可以通过`/proc/sys/fs/file-max`查看和设置。如果需要，可以通过修改`/etc/rc.local`脚本来调整这个限制 。 +3. **端口范围限制**：TCP连接的端口范围通常是0到65535，其中1024以下的端口通常保留给系统或特殊用途。因此，对于用户应用来说，可以使用的端口数大约为65535 - 1024 = 64511个。 客户端通常在临时端口范围内分配端口，默认范围在32768到60999之间（根据系统不同而不同），因此单个客户端最多能建立约28000个连接。可以通过调整`/proc/sys/net/ipv4/ip_local_port_range`来扩展这个范围。 +4. **TCP连接跟踪限制**：Linux内核的网络防火墙模块会对TCP连接状态进行跟踪，这需要内存资源。可以通过修改`/etc/sysctl.conf`文件中的`net.ipv4.ip_conntrack_max`来调整TCP连接跟踪的最大数量 。 +5. **内核参数**：Linux内核的多个参数影响TCP连接数，例如`net.core.netdev_max_backlog`（网络设备接收队列的最大包数）、`net.ipv4.somaxconn`（监听套接字的 backlog 限制）、`net.ipv4.tcp_max_orphans`（没有文件句柄的TCP套接字的最大数量）等。这些参数可以通过`sysctl`命令或`/etc/sysctl.conf`文件进行调整 。 +6. **编程技术**：使用支持高并发网络I/O的编程技术，如epoll或AIO，可以提高程序对高并发TCP连接的支持 。 +7. **防火墙规则**：防火墙规则可能限制了最大连接数，例如使用iptables的`-A INPUT -p tcp --syn --dport`命令可以限制每个IP地址的连接数 。 +8. **Socket缓冲区大小**：TCP连接的性能也受到Socket缓冲区大小的限制，可以通过`net.ipv4.tcp_rmem`和`net.ipv4.tcp_wmem`进行调整 。 +9. **TIME_WAIT套接字重用**：在高并发场景下，允许重用处于TIME_WAIT状态的套接字可以节省资源，可以通过设置`net.ipv4.tcp_tw_reuse`来实现 。 +10. **系统资源**：最终，系统资源（如内存和CPU）也会影响TCP连接的最大数量。 + +**超出限制时的处理方法** + +- **客户端**： + - **端口耗尽**：当客户端的端口耗尽时，它将无法再建立新的连接。可以通过扩展临时端口范围或使用多台客户端来分担连接负载。 + - **负载均衡**：使用负载均衡器将连接分发到多个服务器，减少单一服务器的压力。 +- **服务器**： + - **文件描述符限制**：如果服务器的文件描述符限制达到了上限，新的连接请求将被拒绝。可以增加文件描述符限制或分布式处理连接。 + - **内存不足**：内存不足时，可能会导致系统变慢或崩溃。可以增加物理内存，或优化应用程序的内存使用。 + - **连接重用**：通过启用连接重用和TIME_WAIT状态的优化，可以减少对可用端口和连接数量的需求。 + - **缩短TIME_WAIT持续时间**：通过调整`tcp_fin_timeout`和`tcp_tw_reuse`，可以减少TIME_WAIT状态的持续时间和对资源的占用。 + + + +### 🎯 TCP 粘包问题 + +> TCP 是面向字节流的协议，不保证消息边界，所以会出现粘包和拆包。拆包通常发生在数据超过缓冲区或 MSS 时；粘包则是多个小包被合并发送或接收方缓存合并。常见解决办法有三类：**消息长度字段、固定长度、分隔符协议**。实际项目中，像 RPC、消息队列、IM 系统都需要处理粘包，而文件传输、流媒体则不需要。 + +**TCP 粘包/拆包问题** + +**1. 为什么会发生粘包和拆包？** + +TCP 是**面向字节流**的协议，本身不保留消息边界。发送和接收的数据以字节流形式传输，底层可能发生以下情况： + +- **拆包**： + ① 发送方写入的数据 **大于套接字缓冲区**或 **大于 MSS**（最大报文长度），必须拆成多个包发送。 + ② 一个完整的应用层消息被拆分成多个 TCP 报文。 +- **粘包**： + ① 发送方写入的数据 **小于套接字缓冲区大小**，TCP 可能合并多个小包一起发送（Nagle 算法作用）。 + ② **发送太快，接收方来不及处理**，多个小包在接收缓冲区中合并成一个大包。 + +简单理解：**拆包是“消息被切开”，粘包是“消息黏一起”。** + +**2. 常见解决方法** + +1. **消息头 + 长度字段**（最常见） + - 在每条消息前加上消息体长度字段，接收方先读长度，再按长度读完整消息。 + - ✅ 高效、通用，广泛用于 RPC、HTTP/2 等协议。 +2. **固定长度消息** + - 每条消息固定长度，不够补齐，超过则拆分。 + - ❌ 简单但浪费带宽。 +3. **分隔符协议** + - 在消息间加分隔符（如 `\n`、`$`），接收方按分隔符切分。 + - 典型应用：FTP、Redis 协议。 + +**3. 什么时候需要处理？** + +- **需要处理**：应用层消息是离散的，接收端必须严格区分（如 RPC 请求/响应、IM 聊天消息）。 +- **不需要处理**：如果本身消息就是一个连续流（如文件下载、视频流），不存在粘包的语义问题。 + +--- + + + +## 二、应用层协议 + +### 🎯 HTTP/HTTPS详解 + +HTTP 全称是 HyperText Transfer Protocal，即：超文本传输协议。是互联网上应用最为广泛的一种**网络通信协议**，它允许将超文本标记语言（HTML）文档从 Web 服务器传送到客户端的浏览器。目前我们使用的是**HTTP/1.1 版本**。所有的 WWW 文件都必须遵守这个标准。设计 HTTP 最初的目的是为了提供一种发布和接收 HTML 页面的方法。1960 年美国人 Ted Nelson 构思了一种通过计算机处理文本信息的方法，并称之为超文本（hypertext），这成为了HTTP超文本传输协议标准架构的发展根基。 + +HTTP 是个应用层协议。HTTP 无需操心网络通信的具体细节，而是把这些细节都交给了通用可靠的因特网传输协议 TCP/IP。 + +在 HTTP 客户端向服务器发送报文之前，需要用网络协议（Internet Protocol，IP）地址和端口号在客户端和服务器之间建立一条 TCP/IP 协议。而 IP 地址就是通过 URL 提供的，像 `http://207.200.21.11:80/index.html`，还有使用域名服务（Domain Name Services，DNS）的 `http://www.starfish.ink`。 + +![img](https://ask.qcloudimg.com/http-save/yehe-5359587/vtnvzdv7gt.jpeg) + + + +### 🎯 协议版本之间的区别？ + +- **HTTP/0.9** + + HTTP协议的最初版本，功能简陋 + + - **特点**： + + - 仅支持 GET 方法。 + + - 仅支持简单的 HTML 文本传输，不支持图片、CSS、JS 等内容。 + + - 无状态，无请求头和响应头。 + + - **用途**：非常基础，主要用于早期的超文本传输。 + +- **HTTP/1.0** + + - **新增功能**： + - 支持更多请求方法：GET、POST、HEAD。 + - 支持请求头和响应头，允许传递元信息（如编码、内容类型等）。 + - 支持非 HTML 类型文件传输（如图片、视频）。 + - 每次请求建立一个新的 TCP 连接（无连接复用）。 + + - **缺点**： + - 1.0版本的工作方式是每次TCP连接只能发送一个请求，当服务器响应后就会关闭这次连接，下一个请求需要再次建立TCP连接，就是不支持keepalive。每次请求都需要新建和关闭 TCP 连接，导致性能低下。 + +- **HTTP/1.0+** + + 在 20 世纪 90 年代中叶，为满足飞快发展的万维网，很多流行的 Web 客户端和服务器飞快的向 HTTP 中添加各种特性，包括持久的 keep-alive 连接、虚拟主机支持，以及代理连接支持都被加入到 HTTP 中，并称为非官方的事实标准。这种非正式的 HTTP 扩展版本通常称为 HTTP/1.0+ + +- **HTTP/1.1** + + http1.1是目前最为主流的http协议版本，从1997年发布至今，仍是主流的http协议版本。 + + - **改进点**： + 1. 引入了持久连接，或叫长连接（ persistent connection），即TCP连接默认不关闭，可以被多个请求复用，不用声明Connection: keep-alive + 2. 分块传输编码（Chunked Encoding）：支持动态内容的传输，服务器可以分块发送数据，不需要知道整体数据长度。 + 3. 增加新方法：增加 PUT、DELETE、OPTIONS 等方法，增强了 RESTful 风格接口支持。 + 4. 缓存机制增强：引入了更复杂的缓存控制（如 `Cache-Control` 和 `ETag`）。 + 5. 引入了管道机制（ pipelining），即在同一个TCP连接里，客户端可以同时发送多个请求，进一步改进了HTTP协议的效率 + + - **缺点**： + - 受限于 TCP 的阻塞问题（即“队头阻塞”）。 + +- **HTTP/2.0（又名 HTTP-NG）** + + http/2 发布于 2015 年，目前应用还比较少。 + + - **改进点**： + 1. 二进制帧传输：http/2是一个彻底的二进制协议，头信息和数据体都是二进制，并且统称为"帧"（frame）：头信息帧和数据帧，提升传输效率和解析速度。 + 2. 多路复用（Multiplexing）：同一个 TCP 连接中可以同时处理多个请求，不会相互阻塞。 + 3. Header 压缩：通过 HPACK 算法对请求头和响应头进行压缩，减少传输大小。 + 4. 服务器推送（Server Push）：服务器可以主动推送资源（如 CSS、JS 文件），减少客户端请求等待时间。 + - **缺点**： + - 仍然依赖 TCP 协议，队头阻塞的问题未完全解决。 + +- **HTTP/3** + + - 改进点： + 1. 基于 QUIC 协议：使用 UDP 代替 TCP，解决了队头阻塞问题。 + 2. 连接迁移：支持连接迁移功能（如在网络切换时，无需重新建立连接）。 + 3. 更低的延迟：减少了连接建立时的握手延迟。 + + - 优势：更高效的传输性能，适合现代化的应用需求。 + + + +### 🎯 HTTP/3 了解吗？ + +**HTTP/2 存在的问题** + +我们知道，传统 Web 平台的数据传输都基于 TCP 协议，而 TCP 协议在创建连接之前不可避免的需要三次握手，如果需要提高数据交互的安全性，即增加传输层安全协议（TLS），还会增加更多的握手次数。 HTTP 从 1.0 到 2.0，其传输层都是基于 TCP 协议的。即使是带来巨大性能提升的 HTTP/2，也无法完全解决 TCP 协议存在的固有问题（慢启动，拥塞窗口尺寸的设置等）。此外，HTTP/2 多路复用只是减少了连接数，其队头的拥塞问题并没有完全解决，倘若 TCP 丢包率过大，则 HTTP/2 的表现将不如 HTTP/1.1。 + +**QUIC 协议** + +QUIC（Quick UDP Internet Connections），直译为快速 UDP 网络连接，是谷歌制定的一种基于 UDP 的低延迟传输协议。其主要目的是解决采用传输层 TCP 协议存在的问题，同时满足传输层和应用层对多连接、低延迟等的需求。该协议融合了 TCP, TLS, HTTP/2 等协议的特性，并基于 UDP传输。该协议带来的主要提升有： + +低延迟连接。当客户端第一次连接服务器时，QUIC 只需要 1 RTT（Round-Trid Time）延迟就可以建立安全可靠的连接（采用 TLS 1.3 版本），相比于 TCP + TLS 的 3 次 RTT 要更加快捷。之后，客户端可以在本地缓存加密的认证信息，当再次与服务器建立连接时可以实现 0 RTT 的连接建立延迟。 + +QUIC 复用了 HTTP/2 协议的多路复用功能，由于 QUIC 基于 UDP，所以也避免了 HTTP/2存在的队头阻塞问题。 + +基于 UDP 协议的 QUIC 运行在用户域而不是系统内核，这使得 QUIC 协议可以快速的更新和部署，从而很好地解决了 TPC 协议部署及更新的困难。 + +QUIC 的报文是经过加密和认证的，除了少量的报文，其它所有的 QUIC 报文头部都经过了认证，报文主体经过了加密。只要有攻击者篡改 QUIC 报文，接收端都能及时发现。 + +具有向前纠错机制，每个数据包携带了除了本身内容外的部分其他数据包的内容，使得在出现少量丢包的情况下，尽量地减少其它包的重传次数，其通过牺牲单个包所携带的有效数据大小换来更少的重传次数，这在丢包数量较小的场景下能够带来一定程度的性能提升。 + +**HTTP/3** + +HTTP/3 是在 QUIC 基础上发展起来的，其底层使用 UDP 进行数据传输，上层仍然使用 HTTP/2。在 UDP 与 HTTP/2 之间存在一个 QUIC 层，其中 TLS 加密过程在该层进行处理。HTTP/3 主要有以下几个特点： + +1. 使用 UDP 作为传输层进行通信； +2. 在 UDP 之上的 QUIC 协议保证了 HTTP/3 的安全性。QUIC 在建立连接的过程中就完成了 TLS 加密握手； +3. 建立连接快，正常只需要 1 RTT 即可建立连接。如果有缓存之前的会话信息，则直接验证和建立连接，此过程 0 RTT。建立连接时，也可以带有少量业务数据； +4. 不和具体底层连接绑定，QUIC 为每个连接的两端分别分配了一个唯一 ID，上层连接只认这对逻辑 ID。网络切换或者断连时，只需要继续发送数据包即可完成连接的建立； +5. 使用 QPACK 进行头部压缩，因为 在 HTTP/2 中的 HPACK 要求传输过程有序，这会导致队头阻塞，而 QPACK 不存在这个问题。 + +最后我们使用一张图来清晰的表示出 HTTP 协议的发展变化： ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/1ef086415a1b455d98f8b4a74daff170~tplv-k3u1fbpfcp-watermark.awebp) + + + +### 🎯 URI 和 URL 区别？ + +1. **URI（统一资源标识符）** + + - **定义**：URI 是一个更宽泛的概念，用于唯一标识网络中的资源，不强调资源的位置信息。 + + - **本质**：URI 的核心是 “标识” 资源，就像给资源一个 “身份证号”，只要能唯一区分不同资源即可。 + + - 示例： + - `mailto:user@example.com`（标识邮件地址） + - `isbn:1234567890`（标识书籍 ISBN 编号） + - `urn:uuid:123e4567-e89b-12d3-a456-426614174000`（用 URN 格式标识资源） + +2. **URL（统一资源定位符）** + + - **定义**：URL 是 URI 的子集，不仅标识资源，还明确指出资源在网络中的具体位置（如通过网络协议、服务器地址、路径等）。 + + - **本质**：URL 的核心是 “定位” 资源，相当于给资源一个 “家庭地址”，可直接通过地址访问。 + + - 示例： + - `https://www.example.com/index.html`（通过 HTTP 协议访问网页） + - `file:///C:/data/document.pdf`（定位本地文件路径） + - `ftp://ftp.example.com/pub/files`（通过 FTP 协议访问文件） + +　 + +### 🎯 HTTP消息的结构 + +**事务和报文** + +客户端是怎样通过 HTTP 与 Web 服务器及其资源进行事务处理的呢？一个 **HTTP 事务**由一条请求命令（从客户端发往服务器）和一个响应（从服务器发回客户端）结果组成。这种通信是通过名为**HTTP报文**（HTTP Message）的格式化数据块进行的。 + +![img](https://ask.qcloudimg.com/http-save/yehe-5359587/66w65aallf.jpeg) + +HTTP 报文是纯文本，不是二进制代码。从 Web 客户端发往 Web 服务器的 HTTP 报文称为请求报文（request message）。从服务器发往客户端的报文称为响应报文。 + +![img](https://ask.qcloudimg.com/http-save/yehe-5359587/mhguwb92lc.jpeg) + +HTTP 报文包括三部分： + +- 起始行 +- 首部字段 +- 主体 + +**常见HTTP 首部字段：** + +**a、通用首部字段**（请求报文与响应报文都会使用的首部字段） + +![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/f8b770232b8947b6aa7f6cfd90529281~tplv-k3u1fbpfcp-watermark.awebp) + +**b、请求首部字段**（请求报文会使用的首部字段） + +![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/dae9893ab7ba4b14be5e26c2e90498b7~tplv-k3u1fbpfcp-watermark.awebp) + +**c、响应首部字段（**响应报文会使用的首部字段） + +![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/3ffb1fa2a46544d0a5da0658d4dddf07~tplv-k3u1fbpfcp-watermark.awebp) + +**d、实体首部字段**（请求报文与响应报文的的实体部分使用的首部字段） + +![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/717e4a10362c4efb8dae4bd81a953c27~tplv-k3u1fbpfcp-watermark.awebp) + + + +> HTTP请求结构： 请求方式 + 请求URI + 协议及其版本 > -> TCP/IP 与 HTTP 有什么关系吗？ +> HTTP响应结构： 状态码 + 原因短语 + 协议及其版本 + + + +### 🎯 Keep-Alive 和非 Keep-Alive 区别，对服务器性能有影响吗 + +在早期的 HTTP/1.0 中，浏览器每次 发起 HTTP 请求都要与服务器创建一个新的 TCP 连接，服务器完成请求处理后立即断开 TCP 连接，服务器不跟踪每个客户也不记录过去的请求。然而创建和关闭连接的过程需要消耗资源和时间，为了减少资源消耗，缩短响应时间，就需要重用连接。在 HTTP/1.1 版本中默认使用持久连接，在此之前的 HTTP 版本的默认连接都是使用非持久连接，如果想要在旧版本的 HTTP 协议上维持持久连接，则需要指定 connection 的首部字段的值为 Keep-Alive 来告诉对方这个请求响应完成后不要关闭，下一次咱们还用这个请求继续交流，我们用一个示意图来更加生动的表示两者的区别： + +![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/10194b7d0e304fd786bebda28fb69718~tplv-k3u1fbpfcp-watermark.awebp) + +对于非 Keep=Alive 来说，必须为每一个请求的对象建立和维护一个全新的连接。对于每一个这样的连接，客户机和服务器都要分配 TCP 的缓冲区和变量，这给服务器带来的严重的负担，因为一台 Web 服务器可能同时服务于数以百计的客户机请求。在 Keep-Alive 方式下，服务器在响应后保持该 TCP 连接打开，在同一个客户机与服务器之间的后续请求和响应报文可通过相同的连接进行传送。甚至位于同一台服务器的多个 Web 页面在从该服务器发送给同一个客户机时，可以在单个持久 TCP 连接上进行。 + +然而，Keep-Alive 并不是没有缺点的，当长时间的保持 TCP 连接时容易导致系统资源被无效占用，若对 Keep-Alive 模式配置不当，将有可能比非 Keep-Alive 模式带来的损失更大。因此，我们需要正确地设置 keep-alive timeout 参数，当 TCP 连接在传送完最后一个 HTTP 响应，该连接会保持 keepalive_timeout 秒，之后就开始关闭这个链接。 + + + +### 🎯 GET与POST的区别? + +> HTTP/1.0 定义了三种请求方法：GET, POST 和 HEAD 方法。 > -> TCP协议与UDP协议的区别？ +> HTTP/1.1 增加了六种请求方法：OPTIONS, PUT, PATCH, DELETE, TRACE 和 CONNECT 方法。 + +GET与POST是我们常用的两种HTTP Method，二者之间的区别主要包括如下五个方面： + +1. 从功能上讲，GET一般用来从服务器上获取资源，POST一般用来更新服务器上的资源； +2. 从REST服务角度上说，GET是幂等的，即读取同一个资源，总是得到相同的数据，而POST不是幂等的，因为每次请求对资源的改变并不是相同的；进一步地，GET不会改变服务器上的资源，而POST会对服务器资源进行改变； +3. 从请求参数形式上看，GET请求的数据会附在URL之后，即将请求数据放置在HTTP报文的请求头中，以 ? 分割URL和传输数据，参数之间以 & 相连。特别地，如果数据是英文字母/数字，原样发送；否则，会将其编码为 application/x-www-form-urlencoded MIME 字符串(如果是空格，转换为+，如果是中文/其他字符，则直接把字符串用BASE64加密，得出如：%E4%BD%A0%E5%A5%BD，其中％XX中的XX为该符号以16进制表示的ASCII)；而POST请求会把提交的数据则放置在是HTTP请求报文的 请求体 中。 +4. 就安全性而言，POST的安全性要比GET的安全性高，因为GET请求提交的数据将明文出现在URL上，而且POST请求参数则被包装到请求体中，相对更安全。 +5. 从请求的大小看，GET请求的长度受限于浏览器或服务器对URL长度的限制，允许发送的数据量比较小，而POST请求则是没有大小限制的。 + + + +### 🎯 GET 的长度限制是多少? + +HTTP 中的 GET 方法是通过 URL 传递数据的，而 URL 本身并没有对数据的长度进行限制。 + +GET 请求的长度限制主要来自浏览器和服务器的双重约束。主流浏览器限制 URL 在 8KB 左右（IE 仅 2KB），而 Nginx/Apache 等服务器默认限制 8KB。实际开发中建议优先使用 POST 传输大数据，或通过参数拆分解决。当触发 414 错误时需要服务端调优配置。 + + + +### 🎯 常见的状态码? + +> 之前面试被问到过，206 是什么意思、状态码 301 和 302 的区别？ + +每条HTTP响应报文返回时都会携带一个状态码。状态码是一个三位数字的代码，告知客户端请求是否成功，或者是都需要采取其他动作。 + +> - 1xx：表明服务端接收了客户端请求，客户端继续发送请求； +> - 2xx：客户端发送的请求被服务端成功接收并成功进行了处理； +> - 3xx：服务端给客户端返回用于重定向的信息； +> - 4xx：客户端的请求有非法内容； +> - 5xx：服务端未能正常处理客户端的请求而出现意外错误。 + +- **200 OK**：表示从客户端发送给服务器的请求被正常处理并返回； + +- **204 No Content**：表示客户端发送给客户端的请求得到了成功处理，但在返回的响应报文中不含实体的主体部分（没有资源可以返回） + +- **206 Patial Content**：表示客户端进行了范围请求，并且服务器成功执行了这部分的GET请求，响应报文中包含由Content-Range指定范围的实体内容。 + +- **301 Moved Permanently**：永久性重定向，表示请求的资源被分配了新的URL，之后应使用更改的URL； + +- **302 Found**：临时性重定向，表示请求的资源被分配了新的URL，希望本次访问使用新的URL； + +- **303 See Other**：表示请求的资源被分配了新的URL，应使用GET方法定向获取请求的资源 + +- 304 Not Modified：表示客户端发送附带条件（是指采用GET方法的请求报文中包含if-Match、If-Modified-Since、If-None-Match、If-Range、If-Unmodified-Since中任一首部）的请求时，服务器端允许访问资源，但是请求为满足条件的情况下返回改状态码； + +- **400 Bad Request**：表示请求报文中存在语法错误； + +- **401 Unauthorized**：未经许可，需要通过 HTTP 认证； + +- **403 Forbidden**：服务器拒绝该次访问（访问权限出现问题） + + > - **身份验证 vs. 授权**：401 表示身份验证问题，即用户未提供凭证或凭证无效。403 表示授权问题，即用户已经提供了凭证，但凭证不足以访问特定资源。 + > - **原因**：401 通常是因为缺少认证信息，而 403 是因为服务器拒绝了用户的请求，即使认证信息是有效的。 + +- **404 Not Found**：表示服务器上无法找到请求的资源，除此之外，也可以在服务器拒绝请求但不想给拒绝原因时使用； + +- **500 Inter Server Error**：表示服务器在执行请求时发生了错误，也有可能是web应用存在的bug或某些临时的错误时； + +- **502 Bad Gateway**：服务器作为网关或代理，从上游服务器收到无效响应。 + +- **503 Server Unavailable**：表示服务器暂时处于超负载或正在进行停机维护，无法处理请求； + + + +### 🎯 HTTPS 聊一聊 + +HTTP 缺点： + +1. 通信使用明文不对数据进行加密（内容容易被窃听） +2. 不验证通信方身份（容易伪装） +3. 无法确定报文完整性（内容易被篡改） + +因此，HTTP 协议不适合传输一些敏感信息，比如：信用卡号、密码等支付信息。 + +为了解决 HTTP 协议的这一缺陷，需要使用另一种协议：安全套接字层超文本传输协议 HTTPS，为了数据传输的安全，HTTPS 在 HTTP 的基础上加入了 SSL（安全套接层）协议，SSL 依靠证书来验证服务器的身份，并为浏览器和服务器之间的通信加密。 + +**与 SSL（安全套接层）组合使用的 HTTP 就是 HTTPS** + +![img](https://ask.qcloudimg.com/http-save/yehe-5359587/1qyntrrxsm.jpeg) + +![img](https://ask.qcloudimg.com/http-save/yehe-5359587/0tmozbz23f.jpeg) + +### 🎯 HTTP 与 HTTPs 的工作方式【建立连接的过程】 + +**HTTP** + +HTTP（Hyper Text Transfer Protocol: 超文本传输协议） 是一种简单的请求 - 响应协议，被用于在 Web 浏览器和网站服务器之间传递消息。HTTP 使用 TCP（而不是 UDP）作为它的支撑运输层协议。其默认工作在 TCP 协议 80 端口，HTTP 客户机发起一个与服务器的 TCP 连接，一旦连接建立，浏览器和服务器进程就可以通过套接字接口访问 TCP。客户机从套接字接口发送 HTTP 请求报文和接收 HTTP 响应报文。类似地，服务器也是从套接字接口接收 HTTP 请求报文和发送 HTTP 响应报文。其通信内容以明文的方式发送，不通过任何方式的数据加密。当通信结束时，客户端与服务器关闭连接。 + +**HTTPS** + +HTTPS（Hyper Text Transfer Protocol over Secure Socket Layer）是以安全为目标的 HTTP 协议，在 HTTP 的基础上通过传输加密和身份认证的方式保证了传输过程的安全性。其工作流程如下： + +1. Client 使用 https 的 URL 访问 Server，要求与 Server 建立 SSL 连接 +2. Server 把事先配置好的公钥证书返回给客户端。 +3. Client 验证公钥证书：比如是否在有效期内，证书的用途是不是匹配 Client 请求的站点，是不是在 CRL 吊销列表里面，它的上一级证书是否有效，这是一个递归的过程，直到验证到根证书（操作系统内置的Root证书或者Client内置的Root证书）。如果验证通过则继续，不通过则显示警告信息。 +4. Client 使用伪随机数生成器生成加密所使用的对称密钥，然后用证书的公钥加密这个对称密钥，发给Server。 +5. Server使用自己的私钥（private key）解密这个消息，得到对称密钥。至此，Client和Server双方都持有了相同的对称密钥。 +6. Server使用对称密钥加密“明文内容A”，发送给Client。 +7. Client使用对称密钥解密响应的密文，得到“明文内容A”。 +8. Client再次发起HTTPS的请求，使用对称密钥加密请求的“明文内容B”，然后Server使用对称密钥解密密文，得到“明文内容B”。 + +![img](https://ask.qcloudimg.com/http-save/yehe-5359587/qvh9qg13jv.jpeg) + +### 🎯 HTTP 和 HTTPS 的区别？ + +HTTP 协议传输的数据都是未加密的，也就是明文的，因此使用 HTTP 协议传输隐私信息非常不安全，为了保证这些隐私数据能加密传输，于是网景公司设计了 SSL（Secure Sockets Layer）协议用于对 HTTP 协议传输的数据进行加密，从而就诞生了 HTTPS。简单来说，HTTPS 协议是由 SSL+HTTP 协议构建的可进行加密传输、身份认证的网络协议，要比 HTTP 协议安全。 + +1. HTTP 协议以明文方式发送内容，数据都是未加密的，安全性较差。HTTPS 数据传输过程是加密的，安全性较好。 +2. HTTP 和 HTTPS 使用的是完全不同的连接方式，用的端口也不一样，前者是 80 端口，后者是 443 端口。 +3. HTTPS 协议需要到数字认证机构（Certificate Authority, CA）申请证书，一般需要一定的费用。 +4. HTTP 页面响应比 HTTPS 快，主要因为 HTTP 使用 3 次握手建立连接，客户端和服务器需要握手 3 次，而 HTTPS 除了 TCP 的 3 次握手，还需要经历一个 SSL 协商过程。 + + + +### 🎯 说一下对称加密与非对称加密？ + +主要的加密方法分为两种：一种是共享密钥加密（对称密钥加密），一种是公开密钥加密（非对称密钥加密） + +**共享密钥加密(对称秘钥加密)** + +加密与解密使用同一个密钥，常见的对称加密算法：DES，AES，3DES等。 + +![img](https://ask.qcloudimg.com/http-save/yehe-5359587/31ra254n5d.jpeg) + +也就是说在加密的同时，也会把密钥发送给对方。在发送密钥过程中可能会造成密钥被窃取，那么如何解决这一问题呢？ + +**公开密钥（非对称密钥）** + +公开密钥使用一对非对称密钥。一把叫私有密钥，另一把叫公开密钥。私有密钥不让任何人知道，公有密钥随意发送。公钥加密的信息，只有私钥才能解密。常见的非对称加密算法：RSA，ECC等。 + +也就是说，发送密文方使用对方的公开密钥进行加密，对方接收到信息后，使用私有密钥进行解密。 + +![img](https://ask.qcloudimg.com/http-save/yehe-5359587/ngbjeh0t39.jpeg) + + + +对称加密加密与解密使用的是同样的密钥，所以速度快，但由于需要将密钥在网络传输，所以安全性不高。 + +非对称加密使用了一对密钥，公钥与私钥，所以安全性高，但加密与解密速度慢。 + +为了解决这一问题，https 采用对称加密与非对称加密的混合加密方式。 + + + +**非对称加密有哪些缺点？** + +非对称加密在某些方面存在一些缺点，主要包括： + +1. **性能开销**：非对称加密通常比对称加密慢，因为它涉及更复杂的数学运算，这使得它在处理大量数据时效率较低。 +2. **加密速度**：非对称加密的加密和解密速度通常较慢，这限制了它在需要快速处理的场景中的应用。 +3. **密钥管理**：虽然非对称加密的公钥可以公开，但私钥必须严格保密，这增加了密钥管理的复杂性。 +4. **密钥长度**：为了确保安全性，非对称加密通常需要较长的密钥长度，这可能导致存储和传输的开销增加。 +5. **资源消耗**：非对称加密算法在执行时可能消耗更多的计算资源，这在资源受限的环境中可能是一个问题。 +6. **数字签名**：非对称加密常用于数字签名，但如果私钥被泄露，可能会对系统的安全性造成威胁。 +7. **算法限制**：某些非对称加密算法可能受到特定的算法限制，例如RSA算法受到素数生成技术的限制。 +8. **适用场景限制**：非对称加密通常不适用于需要快速加解密的场景，如实时通信或大量数据的加密存储。 + + + +### 🎯 HTTPS加密过程概述？ + +最开始还是TCP三次握手，之后，HTTPS需要进行TLS握手以建立安全连接 + +1. **客户端发起HTTPS请求**： + - 用户在浏览器中输入网址（如`https://www.example.com`），浏览器会向服务器发起HTTPS请求。 +2. **服务器响应并发送证书**： + - 服务器接收到客户端请求后，向客户端发送服务器的数字证书。这个证书由受信任的证书颁发机构（CA）签发，包含服务器的公钥和其他信息。 +3. **客户端验证证书**： + - 客户端（浏览器）接收到服务器的数字证书后，会验证证书的有效性，检查证书是否由受信任的CA签发，证书是否在有效期内，证书的域名是否与访问的域名匹配。如果证书验证通过，客户端将继续加密过程；否则，客户端会显示警告，提示用户证书无效。 +4. **生成会话密钥**： + - 客户端在验证证书通过后，会生成一个随机的会话密钥（对称密钥），用于加密后续的通信数据。因为对称加密速度快且效率高，所以HTTPS在数据传输阶段使用对称加密。 +5. **加密会话密钥并传输**： + - 客户端使用服务器的公钥（从证书中获取）加密生成的会话密钥，然后将加密后的会话密钥发送给服务器。由于非对称加密的特性，只有服务器能够使用其私钥解密这个会话密钥。 +6. **服务器解密会话密钥**： + - 服务器使用自己的私钥解密客户端传来的加密会话密钥，得到会话密钥。至此，客户端和服务器都拥有了相同的会话密钥，可以用它来加密和解密后续的通信数据。 +7. **使用对称加密进行数据传输**： + - 在整个会话期间，客户端和服务器都使用这个对称会话密钥对数据进行加密和解密。数据在传输过程中即使被拦截，由于使用了对称加密，攻击者无法解密数据。 +8. **会话结束**： + - 当通信结束时，客户端和服务器都会丢弃会话密钥。如果需要再进行通信，会重新启动一个新的加密过程。 + + + +### 🎯 SSL/TSL + +SSL（Secure Sockets Layer），中文叫做“安全套接层”。它是在上世纪90年代中期，由网景公司设计的。 + +SSL 协议就是用来解决 HTTP 传输过程的不安全问题，到了1999年，SSL 因为应用广泛，已经成为互联网上的事实标准。IETF 就在那年把 SSL 标准化。标准化之后的名称改为 TLS（是“Transport Layer Security”的缩写），中文叫做“传输层安全协议”。 + +很多相关的文章都把这两者并列称呼（SSL/TLS），因为这两者可以视作同一个东西的不同阶段。 + +SSL/TLS协议的基本思路是采用[公钥加密法](http://en.wikipedia.org/wiki/Public-key_cryptography)，也就是说，客户端先向服务器端索要公钥，然后用公钥加密信息，服务器收到密文后，用自己的私钥解密。 + +但是，这里有两个问题。 + +- **如何保证公钥不被篡改？** + +​ 解决方法：将公钥放在数字证书中。只要证书是可信的，公钥就是可信的。 + +- **公钥加密计算量太大，如何减少耗用的时间？** + + 每一次对话（session），客户端和服务器端都生成一个"对话密钥"（session key），用它来加密信息。由于"对话密钥"是对称加密，所以运算速度非常快，而服务器公钥只用于加密"对话密钥"本身，这样就减少了加密运算的消耗时间。 + +因此，SSL/TLS协议的基本过程是这样的： + +1. 服务端将非对称加密的公钥发送给客户端； + +2. 客户端拿着服务端发来的公钥，对对称加密的key做加密并发给服务端； + +3. 服务端拿着自己的私钥对发来的密文解密，从而获取到对称加密的key； + +4. 二者利用对称加密的key对需要传输的消息做加解密传输。 + + + +HTTPS 相比 HTTP，在请求前多了一个「握手」的环节。 + +握手过程中确定了数据加密的密码。在握手过程中，网站会向浏览器发送 SSL 证书，SSL 证书和我们日常用的身份证类似，是一个支持 HTTPS 网站的身份证明，SSL 证书里面包含了网站的域名，证书有效期，证书的颁发机构以及用于加密传输密码的公钥等信息，由于公钥加密的密码只能被在申请证书时生成的私钥解密，因此浏览器在生成密码之前需要先核对当前访问的域名与证书上绑定的域名是否一致，同时还要对证书的颁发机构进行验证，如果验证失败浏览器会给出证书错误的提示。 + +### 🎯 证书 + +![img](https://ask.qcloudimg.com/http-save/yehe-5359587/ndvlxlzgic.jpeg) + +实际上，我们使用的证书分很多种类型，SSL证书只是其中的一种。证书的格式是由 X.509 标准定义。SSL 证书负责传输公钥，是一种PKI（Public Key Infrastructure，公钥基础结构）证书。 + +我们常见的证书根据用途不同大致有以下几种： + +1. SSL证书，用于加密HTTP协议，也就是HTTPS。 +2. 代码签名证书，用于签名二进制文件，比如Windows内核驱动，Firefox插件，Java代码签名等等。 +3. 客户端证书，用于加密邮件。 +4. 双因素证书，网银专业版使用的USB Key里面用的就是这种类型的证书。 + +这些证书都是由受认证的证书颁发机构——我们称之为CA（Certificate Authority）机构来颁发，针对企业与个人的不同，可申请的证书的类型也不同，价格也不同。CA机构颁发的证书都是受信任的证书，对于 SSL 证书来说，如果访问的网站与证书绑定的网站一致就可以通过浏览器的验证而不会提示错误。 + + + +### 🎯 客户端为什么信任第三方证书 + +假设中间人篡改了证书原文，由于他没有 CA 机构的私钥，所以无法得到此时加密后的签名，因此无法篡改签名。客户端浏览器收到该证书后会发现原文和签名解密后的值不一致，则说明证书被中间人篡改，证书不可信，从而终止向服务器传输信息。 + +上述过程说明证书无法被篡改，我们考虑更严重的情况，例如中间人拿到了 CA 机构认证的证书，它想窃取网站 A 发送给客户端的信息，于是它成为中间人拦截到了 A 传给客户端的证书，然后将其替换为自己的证书。此时客户端浏览器收到的是被中间人掉包后的证书，但由于证书里包含了客户端请求的网站信息，因此客户端浏览器只需要把证书里的域名与自己请求的域名比对一下就知道证书有没有被掉包了。 + + + +### 🎯 HTTPS的优缺点 + +尽管 HTTPS 并非绝对安全，掌握根证书的机构、掌握加密算法的组织同样可以进行中间人形式的攻击，但 HTTPS仍是现行架构下最安全的解决方案，主要有以下几个好处： + +1. 使用HTTPS协议可认证用户和服务器，确保数据发送到正确的客户机和服务器； +2. HTTPS协议是由SSL+HTTP协议构建的可进行加密传输、身份认证的网络协议，要比http协议安全，可防止数据在传输过程中不被窃取、改变，确保数据的完整性。 +3. HTTPS是现行架构下最安全的解决方案，虽然不是绝对安全，但它大幅增加了中间人攻击的成本。 +4. 谷歌曾在2014年8月份调整搜索引擎算法，并称“比起同等HTTP网站，采用HTTPS加密的网站在搜索结果中的排名将会更高”。 + +**HTTPS的缺点** + +虽然说HTTPS有很大的优势，但其相对来说，还是存在不足之处的： + +1. HTTPS协议握手阶段比较费时，会使页面的加载时间延长近50%，增加10%到20%的耗电； +2. HTTPS连接缓存不如HTTP高效，会增加数据开销和功耗，甚至已有的安全措施也会因此而受到影响； +3. SSL证书需要钱，功能越强大的证书费用越高，个人网站、小网站没有必要一般不会用。 +4. SSL证书通常需要绑定IP，不能在同一IP上绑定多个域名，IPv4资源不可能支撑这个消耗。 +5. HTTPS协议的加密范围也比较有限，在黑客攻击、拒绝服务攻击、服务器劫持等方面几乎起不到什么作用。最关键的，SSL证书的信用链体系并不安全，特别是在某些国家可以控制CA根证书的情况下，中间人攻击一样可行。 + +> **标准回答**： “HTTPS 的核心优势是提供加密传输、身份认证和数据完整性，防止中间人攻击；主要缺点是性能开销和部署复杂度。现代优化手段如 TLS 1.3 和 CDN 加速已大幅降低损耗，对于涉及用户数据的场景，HTTPS 是必备的安全实践。” + +> **进阶回答**： “HTTPS 本质是通过 TLS 在 TCP 与应用层之间插入安全层。性能损耗主要来自握手阶段的非对称加密（RSA/ECC）和证书链验证。我们通过 OSCP Stapling 减少 300ms 验证延迟，配合 QUIC 协议实现 0-RTT 握手，实践中性能差距已控制在 5% 以内。安全收益远超成本，尤其对抗公共 WiFi 嗅探等威胁。” + + + +### 🎯 HTTP 切换到 HTTPS + +1. 通过获取 SSL/TLS 证书 +2. 配置 Web 服务器：不同的 Web 服务器（如 Nginx、Apache）配置方式不同 +3. 重定向 HTTP 到 HTTPS、 +4. 更新应用配置和链接 + - 更新应用配置：如果你的应用中有硬编码的 HTTP 链接，确保将它们更新为 HTTPS + - 更新静态资源链接：确保所有静态资源（如图片、CSS、JS 文件）的链接使用 HTTPS +5. 配置 HSTS：HSTS 强制客户端（如浏览器）使用 HTTPS 访问你的站点，进一步提高安全性 +6. 进行测试和验证 + +--- + +## 三、网络编程实战 + +### 🎯 从输入网址到获得页面的过程 + +1. 浏览器查询 DNS，获取域名对应的 IP 地址：具体过程包括浏览器搜索自身的DNS缓存、搜索操作系统的DNS缓存、读取本地的Host文件和向本地DNS服务器进行查询等。对于向本地DNS服务器进行查询，如果要查询的域名包含在本地配置区域资源中，则返回解析结果给客户机，完成域名解析(此解析具有权威性)；如果要查询的域名不由本地DNS服务器区域解析，但该服务器已缓存了此网址映射关系，则调用这个IP地址映射，完成域名解析（此解析不具有权威性）。如果本地域名服务器并未缓存该网址映射关系，那么将根据其设置发起递归查询或者迭代查询； +2. 浏览器获得域名对应的 IP 地址以后，浏览器向服务器请求建立链接，发起三次握手； +3. TCP/IP 链接建立起来后，浏览器向服务器发送 HTTP 请求； +4. 服务器接收到这个请求，并根据路径参数映射到特定的请求处理器进行处理，并将处理结果及相应的视图返回给浏览器； +5. 浏览器解析并渲染视图，若遇到对js文件、css文件及图片等静态资源的引用，则重复上述步骤并向服务器请求这些资源； +6. 浏览器根据其请求到的资源、数据渲染页面，最终向用户呈现一个完整的页面。 + +**简单版** + +1. DNS解析 +2. TCP连接 +3. 发送HTTP请求 +4. 服务器处理请求并返回HTTP报文 +5. 浏览器解析渲染页面 +6. 连接结束 + +![img](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/dadeadd36a41416bb7f89026d68b6a77~tplv-k3u1fbpfcp-watermark.awebp) + +### 🎯 socket() 套接字有哪些 + +套接字（Socket）是对网络中不同主机上的应用进程之间进行双向通信的端点的抽象，网络进程通信的一端就是一个套接字，不同主机上的进程便是通过套接字发送报文来进行通信。例如 TCP 用主机的 IP 地址 + 端口号作为 TCP 连接的端点，这个端点就叫做套接字。 + +套接字主要有以下三种类型： + +1. 流套接字（SOCK_STREAM）：流套接字基于 TCP 传输协议，主要用于提供面向连接、可靠的数据传输服务。由于 TCP 协议的特点，使用流套接字进行通信时能够保证数据无差错、无重复传送，并按顺序接收，通信双方不需要在程序中进行相应的处理。 +2. 数据报套接字（SOCK_DGRAM）：和流套接字不同，数据报套接字基于 UDP 传输协议，对应于无连接的 UDP 服务应用。该服务并不能保证数据传输的可靠性，也无法保证对端能够顺序接收到数据。此外，通信两端不需建立长时间的连接关系，当 UDP 客户端发送一个数据给服务器后，其可以通过同一个套接字给另一个服务器发送数据。当用 UDP 套接字时，丢包等问题需要在程序中进行处理。 +3. 原始套接字（SOCK_RAW）：由于流套接字和数据报套接字只能读取 TCP 和 UDP 协议的数据，当需要传送非传输层数据包（例如 Ping 命令时用的 ICMP 协议数据包）或者遇到操作系统无法处理的数据包时，此时就需要建立原始套接字来发送。 + +--- + + + +## 四、网络层协议 + +### 🎯 IP 协议的定义和作用 + +IP 协议（Internet Protocol）又称互联网协议，是支持网间互联的数据包协议。该协议工作在网络层，主要目的就是为了提高网络的可扩展性，和传输层 TCP 相比，IP 协议提供一种无连接/不可靠、尽力而为的数据包传输服务，其与TCP协议（传输控制协议）一起构成了TCP/IP 协议族的核心。IP 协议主要有以下几个作用： + +- 寻址和路由：在IP 数据包中会携带源 IP 地址和目的 IP 地址来标识该数据包的源主机和目的主机。IP 数据报在传输过程中，每个中间节点（IP 网关、路由器）只根据网络地址进行转发，如果中间节点是路由器，则路由器会根据路由表选择合适的路径。IP 协议根据路由选择协议提供的路由信息对 IP 数据报进行转发，直至抵达目的主机。 +- 分段与重组：IP 数据包在传输过程中可能会经过不同的网络，在不同的网络中数据包的最大长度限制是不同的，IP 协议通过给每个 IP 数据包分配一个标识符以及分段与组装的相关信息，使得数据包在不同的网络中能够传输，被分段后的 IP 数据报可以独立地在网络中进行转发，在到达目的主机后由目的主机完成重组工作，恢复出原来的 IP 数据包。 + +### 🎯 域名和 IP 的关系，一个 IP 可以对应多个域名吗 + +IP 在同一个网络中是唯一的，用来标识每一个网络上的设备，其相当于一个人的身份证号；域名在同一个网络中也是唯一的，就像一个人的名字，绰号。假如你有多个不同的绰号，你的朋友可以用其中任何一个绰号叫你，但你的身份证号码却是唯一的。由此我们可以看出一个域名只能对应一个 IP 地址，是一对一的关系；而一个 IP 却可以对应多个域名，是一对多的关系。 + +> 一个域名可以对应多个IP地址，这种能力主要得益于DNS（域名系统）的工作原理 > -> 请详细介绍一下 TCP 的三次握手机制，为什么要三次握手？挥手却又是四次呢？ +> 在DNS记录中，A记录（Address Record）用于将域名映射到一个IPv4地址 > -> 详细讲一下TCP的滑动窗口？知道流量控制和拥塞控制吗？ +> 一个域名可以有多个A记录或AAAA记录，这意味着它可以对应多个IPv4或IPv6地址 + +### 🎯 IPV4 地址不够如何解决 + +- DHCP：动态主机配置协议。动态分配 IP 地址，只给接入网络的设备分配IP地址，因此同一个 MAC 地址的设备，每次接入互联网时，得到的IP地址不一定是相同的，该协议使得空闲的 IP 地址可以得到充分利用。 +- CIDR：无类别域间路由。CIDR 消除了传统的 A 类、B 类、C 类地址以及划分子网的概念，因而更加有效的分配 IPv4 的地址空间，但无法从根本上解决地址耗尽问题。 +- NAT：网络地址转换协议。我们知道属于不同局域网的主机可以使用相同的 IP 地址，从而一定程度上缓解了 IP 资源枯竭的问题。然而主机在局域网中使用的 IP 地址是不能在公网中使用的，当局域网主机想要与公网进行通信时， NAT 方法可以将该主机 IP 地址转换成全球 IP 地址。该协议能够有效解决 IP 地址不足的问题。 +- IPv6 ：作为接替 IPv4 的下一代互联网协议，其可以实现 2 的 128 次方个地址，而这个数量级，即使是给地球上每一颗沙子都分配一个IP地址，该协议能够从根本上解决 IPv4 地址不够用的问题。 + +> ##### IPv4 和 IPv6 的区别？ > -> 说一下对称加密与非对称加密？ +> **地址长度** > -> 状态码 206 是什么意思？ +> - IPv4：地址长度为 32 位（二进制位），通常用点分十进制表示，如：`192.168.1.1`。 +> - 地址数量：大约 **42 亿个**（2322^{32}232）。 +> - IPv6：地址长度为 128 位，通常用冒分十六进制表示，如：`2001:0db8:85a3:0000:0000:8a2e:0370:7334`。 +> - 地址数量：大约 21282^{128}2128，理论上几乎是无限的（约 3.4×10383.4 \times 10^{38}3.4×1038 个地址）。 > -> 你们用的 https 是吧，https 工作原理是什么？ +> **地址表示** > -> ...... +> - **IPv4**：点分十进制表示，分为 4 个八位字节（4 个字节），例如：`192.168.1.1`。 +> - **IPv6**：冒分十六进制表示，由 8 组 16 位（每组用冒号分隔），例如：`2001:0db8:85a3:0000:0000:8a2e:0370:7334`。 + +### 🎯 路由器的分组转发流程 + +① 从 IP 数据包中提取出目的主机的 IP 地址，找到其所在的网络； + +② 判断目的 IP 地址所在的网络是否与本路由器直接相连，如果是，则不需要经过其它路由器直接交付，否则执行 ③； + +③ 检查路由表中是否有目的 IP 地址的特定主机路由。如果有，则按照路由表传送到下一跳路由器中，否则执行 ④； + +④ 逐条检查路由表，若找到匹配路由，则按照路由表转发到下一跳路由器中，否则执行步骤 ⑤； + +⑤ 若路由表中设置有默认路由，则按照默认路由转发到默认路由器中，否则执行步骤 ⑥； + +⑥ 无法找到合适路由，向源主机报错。 + +### 🎯 路由器和交换机的区别 + +- 交换机：交换机用于局域网，利用主机的物理地址（MAC 地址）确定数据转发的目的地址，它工作与数据链路层。 +- 路由器：路由器通过数据包中的目的 IP 地址识别不同的网络从而确定数据转发的目的地址，网络号是唯一的。路由器根据路由选择协议和路由表信息从而确定数据的转发路径，直到到达目的网络，它工作于网络层。 + +### 🎯 ICMP 协议概念/作用 + +ICMP（Internet Control Message Protocol）是因特网控制报文协议，主要是实现 IP 协议中未实现的部分功能，是一种网络层协议。该协议并不传输数据，只传输控制信息来辅助网络层通信。其主要的功能是验证网络是否畅通（确认接收方是否成功接收到 IP 数据包）以及辅助 IP 协议实现可靠传输（若发生 IP 丢包，ICMP 会通知发送方 IP 数据包被丢弃的原因，之后发送方会进行相应的处理）。 + +### 🎯 ICMP 的应用 + +- Ping + +Ping（Packet Internet Groper），即因特网包探测器，是一种工作在网络层的服务命令，主要用于测试网络连接量。本地主机通过向目的主机发送 ICMP Echo 请求报文，目的主机收到之后会发送 Echo 响应报文，Ping 会根据时间和成功响应的次数估算出数据包往返时间以及丢包率从而推断网络是否通常、运行是否正常等。 + +- TraceRoute + +TraceRoute 是 ICMP 的另一个应用，其主要用来跟踪一个分组从源点耗费最少 TTL 到达目的地的路径。TraceRoute 通过逐渐增大 TTL 值并重复发送数据报来实现其功能，首先，TraceRoute 会发送一个 TTL 为 1 的 IP 数据报到目的地，当路径上的第一个路由器收到这个数据报时，它将 TTL 的值减 1，此时 TTL = 0，所以路由器会将这个数据报丢掉，并返回一个差错报告报文，之后源主机会接着发送一个 TTL 为 2 的数据报，并重复此过程，直到数据报能够刚好到达目的主机。此时 TTL = 0，因此目的主机要向源主机发送 ICMP 终点不可达差错报告报文，之后源主机便知道了到达目的主机所经过的路由器 IP 地址以及到达每个路由器的往返时间。 + +### 🎯 两台电脑连起来后 ping 不通，你觉得可能存在哪些问题？ + +1. 首先看网络是否连接正常，检查网卡驱动是否正确安装。 +2. 局域网设置问题，检查 IP 地址是否设置正确。 +3. 看是否被防火墙阻拦（有些设置中防火墙会对 ICMP 报文进行过滤），如果是的话，尝试关闭防火墙 。 +4. 看是否被第三方软件拦截。 +5. 两台设备间的网络延迟是否过大（例如路由设置不合理），导致 ICMP 报文无法在规定的时间内收到。 + +### 🎯 ARP 地址解析协议的原理和地址解析过程 + +ARP（Address Resolution Protocol）是地址解析协议的缩写，该协议提供根据 IP 地址获取物理地址的功能，它工作在第二层，是一个数据链路层协议，其在本层和物理层进行联系，同时向上层提供服务。当通过以太网发送 IP 数据包时，需要先封装 32 位的 IP 地址和 48位 MAC 地址。在局域网中两台主机进行通信时需要依靠各自的物理地址进行标识，但由于发送方只知道目标 IP 地址，不知道其 MAC 地址，因此需要使用地址解析协议。 ARP 协议的解析过程如下： + +① 首先，每个主机都会在自己的 ARP 缓冲区中建立一个 ARP 列表，以表示 IP 地址和 MAC 地址之间的对应关系； + +② 当源主机要发送数据时，首先检查 ARP 列表中是否有 IP 地址对应的目的主机 MAC 地址，如果存在，则可以直接发送数据，否则就向同一子网的所有主机发送 ARP 数据包。该数据包包括的内容有源主机的 IP 地址和 MAC 地址，以及目的主机的 IP 地址。 + +③ 当本网络中的所有主机收到该 ARP 数据包时，首先检查数据包中的 目的 主机IP 地址是否是自己的 IP 地址，如果不是，则忽略该数据包，如果是，则首先从数据包中取出源主机的 IP 和 MAC 地址写入到 ARP 列表中，如果已经存在，则覆盖，然后将自己的 MAC 地址写入 ARP 响应包中，告诉源主机自己是它想要找的 MAC 地址。 + +④ 源主机收到 ARP 响应包后。将目的主机的 IP 和 MAC 地址写入 ARP 列表，并利用此信息发送数据。如果源主机一直没有收到 ARP 响应数据包，表示 ARP 查询失败。 + +### 🎯 网络地址转换 NAT + +NAT（Network Address Translation），即网络地址转换，它是一种把内部私有网络地址翻译成公有网络 IP 地址的技术。该技术不仅能解决 IP 地址不足的问题，而且还能隐藏和保护网络内部主机，从而避免来自外部网络的攻击。 + +NAT 的实现方式主要有三种： + +- 静态转换：内部私有 IP 地址和公有 IP 地址是一对一的关系，并且不会发生改变。通过静态转换，可以实现外部网络对内部网络特定设备的访问，这种方式原理简单，但当某一共有 IP 地址被占用时，跟这个 IP 绑定的内部主机将无法访问 Internet。 +- 动态转换：采用动态转换的方式时，私有 IP 地址每次转化成的公有 IP 地址是不唯一的。当私有 IP 地址被授权访问 Internet 时会被随机转换成一个合法的公有 IP 地址。当 ISP 通过的合法 IP 地址数量略少于网络内部计算机数量时，可以采用这种方式。 +- 端口多路复用：该方式将外出数据包的源端口进行端口转换，通过端口多路复用的方式，实现内部网络所有主机共享一个合法的外部 IP 地址进行 Internet 访问，从而最大限度地节约 IP 地址资源。同时，该方案可以隐藏内部网络中的主机，从而有效避免来自 Internet 的攻击。 + +### 🎯 TTL 是什么？有什么作用 + +TTL 是指生存时间，简单来说，它表示了数据包在网络中的时间。每经过一个路由器后 TTL 就减一，这样 TTL 最终会减为 0 ，当 TTL 为 0 时，则将数据包丢弃。通过设置 TTL 可以避免这两个路由器之间形成环导致数据包在环路上死转的情况，由于有了 TTL ，当 TTL 为 0 时，数据包就会被抛弃。 + +--- + + + +## 五、网络安全 + +### 🎯 安全攻击有哪些 -> 文章收录在 GitHub [JavaKeeper](https://github.com/Jstarfish/JavaKeeper) ，N线互联网开发必备技能兵器谱，有你想要的。 +网络安全攻击主要分为被动攻击和主动攻击两类： -## 一、计算机网络 +- 被动攻击：攻击者窃听和监听数据传输，从而获取到传输的数据信息，被动攻击主要有两种形式：消息内容泄露攻击和流量分析攻击。由于攻击者并没有修改数据，使得这种攻击类型是很难被检测到的。 +- 主动攻击：攻击者修改传输的数据流或者故意添加错误的数据流，例如假冒用户身份从而得到一些权限，进行权限攻击，除此之外，还有重放、改写和拒绝服务等主动攻击的方式。 -### 通信协议 +### 🎯 ARP 攻击 -通信协议（communications protocol）是指双方实体完成通信或服务所必须遵循的规则和约定。通过通信信道和设备互连起来的多个不同地理位置的数据通信系统，要使其能协同工作实现信息交换和资源共享，它们之间必须具有共同的语言。交流什么、怎样交流及何时交流，都必须遵循某种互相都能接受的规则。这个规则就是通信协议。 +在 ARP 的解析过程中，局域网上的任何一台主机如果接收到一个 ARP 应答报文，并不会去检测这个报文的真实性，而是直接记入自己的 ARP 缓存表中。并且这个 ARP 表是可以被更改的，当表中的某一列长时间不适使用，就会被删除。ARP 攻击就是利用了这一点，攻击者疯狂发送 ARP 报文，其源 MAC 地址为攻击者的 MAC 地址，而源 IP 地址为被攻击者的 IP 地址。通过不断发送这些伪造的 ARP 报文，让网络内部的所有主机和网关的 ARP 表中被攻击者的 IP 地址所对应的 MAC 地址为攻击者的 MAC 地址。这样所有发送给被攻击者的信息都会发送到攻击者的主机上，从而产生 ARP 欺骗。通常可以把 ARP 欺骗分为以下几种： +- 洪泛攻击 + 攻击者恶意向局域网中的网关、路由器和交换机等发送大量 ARP 报文，设备的 CPU 忙于处理 ARP 协议，而导致难以响应正常的服务请求。其表现通常为：网络中断或者网速很慢。 -### 网络模型 +- 欺骗主机 -随着技术的发展，计算机的应用越来越广泛，计算机之间的通信开始了百花齐放的状态，每个具有独立计算服务体系的信息技术公司都会建立自己的计算机通信规则，而这种情况会导致异构计算机之间无法通信，极大的阻碍了网络通信的发展，至此为了解决这个问题，国际标准化组织（ISO）制定了 OSI 模型，该模型定义了不同计算机互联的标准，OSI 模型把网络通信的工作分为 7 层，分别是**物理层、数据链路层、网络层、传输层、会话层、表示层和应用层**。 + 这种攻击方式也叫仿冒网关攻击。攻击者通过 ARP 欺骗使得网络内部被攻击主机发送给网关的信息实际上都发送给了攻击者，主机更新的 ARP 表中对应的 MAC 地址为攻击者的 MAC。当用户主机向网关发送重要信息使，该攻击方式使得用户的数据存在被窃取的风险。 -这七层模型是设计层面的概念，每一层都有固定要完成的职责和功能，分层的好处在于清晰和功能独立性，但分层过多会使层次变的更加复杂，虽然不需要实现本层的功能，但是也需要构造本层的上下文，空耗系统资源，所以在落地实施网络通信模型的时候将这七层模型简化合并为四层模型分别是**应用层、传输层、网络层、网络接口层**（各层之间的模型、协议统称为：**TCP/IP协议簇**）。 +- 欺骗网关 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gds66rxwnaj30ku0dr0tn.jpg) + 该攻击方式和欺骗主机的攻击方式类似，不过这种攻击的欺骗对象是局域网的网关，当局域网中的主机向网关发送数据时，网关会把数据发送给攻击者，这样攻击者就会源源不断地获得局域网中用户的信息。该攻击方式同样会造成用户数据外泄。 -从上图可以看到，TCP/IP 模型合并了 OSI 模型的应用层、表示层和会话层，将 OSI 模型的数据链路层和物理层合并为网络访问层。 +- 中间人攻击：攻击者同时欺骗网关和主机，局域网的网关和主机发送的数据最后都会到达攻击者这边。这样，网关和用户的数据就会泄露。 -上图还列出了各层模型对应 TCP/IP 协议栈中的协议以及各层协议之间的关系。比如 DNS 协议是建立在 TCP 和 UDP 协议的基础上，FTP、HTTP、TELNET 协议建立在 TCP 协议的基础上，NTP、TFTP、SNMP建立在UDP协议的基础上，而 TCP、UDP 协议又建立在 IP 协议的基础上，以此类推…. +- IP 地址冲突：攻击者对局域网中的主机进行扫描，然后根据物理主机的 MAC 地址进行攻击，导致局域网内的主机产生 IP 冲突，使得用户的网络无法正常使用。 -| OSI中的层 | 功能 | TCP/IP协议族 | -| :------------- | ------------------------------------------------------ | :----------------------------------------------------------- | -| **应用层** | 文件传输，电子邮件，文件服务，虚拟终端 | TFTP，HTTP，SNMP，FTP，SMTP，DNS，RIP，Telnet | -| **表示层** | 数据格式化，代码转换，数据加密 | 无 | -| **会话层** | 控制应用程序之间会话能力；如不同软件数据分发给不同软件 | ASAP、TLS、SSH、ISO 8327 / CCITT X.225、RPC、NetBIOS、ASP、Winsock、BSD sockets | -| **传输层** | 端到端传输数据的基本功能 | TCP、UDP | -| **网络层** | 定义IP编址，定义路由功能；如不同设备的数据转发 | IP，ICMP，RIP，OSPF，BGP，IGMP | -| **数据链路层** | 定义数据的基本格式，如何传输，如何标识 | SLIP，CSLIP，PPP，ARP，RARP，MTU | -| **物理层** | 以**二进制**数据形式在物理媒体上传输数据 | ISO2110，IEEE802 | -当我们某一个网站上不去的时候。通常会 ping 一下这个网站 -`ping` 可以说是 ICMP 的最著名的应用，是 TCP/IP 协议的一部分。利用 `ping` 命令可以检查网络是否连通，可以很好地帮助我们分析和判定网络故障。 +### 🎯 AES 的过程 +AES（Advanced Encryption Standard）即密码学的高级加密标准，也叫做 Rijndeal 加密法，是最为常见的一种对称加密算法，和传统的对称加密算法大致的流程类似，在发送端需要采用加密算法对明文进行加密，在接收端需要采用与加密算法相同的算法进行解密，不同的是， AES 采用分组加密的方式，将明文分成一组一组的，每组长度相等，每次加密一组数据，直到加密完整个明文。在 AES 标准中，分组长度固定为 128 位，即每个分组为 16 个字节（每个字节有 8 位）。而密钥的长度可以是 128 位，192 位或者 256 位。并且密钥的长度不同，推荐加密的轮数也不同。 +我们以 128 位密钥为例（加密轮次为 10），已知明文首先需要分组，每一组大小为16个字节并形成 4 × 4 的状态矩阵（矩阵中的每一个元素代表一个字节）。类似地，128 位密钥同样用 4 × 4 的字节矩阵表示，矩阵中的每一列称为 1 个 32 位的比特字。通过密钥编排函数该密钥矩阵被扩展成一个由 44 个字组成的序列，该序列的前四个字是原始密钥，用于 AES 的初始密钥加过程，后面 40 个字分为 10 组，每组 4 个字分别用于 10 轮加密运算中的轮密钥加。在每轮加密过程中主要包括四个步骤： -## 二、TCP/IP +① **字节代换**：AES 的字节代换其实是一个简易的查表操作，在 AES 中定义了一个 S-box 和一个逆 S-box，我们可以将其简单地理解为两个映射表，在做字节代换时，状态矩阵中的每一个元素（字节）的高四位作为行值，低四位作为列值，取出 S-box 或者逆 S-box 中对应的行或者列作为输出。 -数据在网络中传输最终一定是通过物理介质传输。物理介质就是把电脑连接起来的物理手段，常见的有光纤、双绞线，以及无线电波，它决定了电信号(0和1)的传输方式，物理介质的不同决定了电信号的传输带宽、速率、传输距离以及抗干扰性等等。网络数据传输就像快递邮寄，数据就是快件。只有路打通了，你的”快递”才能送到，因此物理介质是网络通信的基石。 +② **行位移**：顾名思义，就是对状态矩阵的每一行进行位移操作，其中状态矩阵的第 0 行左移 0 位，第 1 行左移 1 位，以此类推。 -寄快递首先得称重、确认体积(确认数据大小)，贵重物品还得层层包裹填充物确保安全，封装，然后填写发件地址(源主机地址)和收件地址(目标主机地址)，确认快递方式。对于偏远地区，快递不能直达，还需要中途转发。网络通信也是一样的道理，只不过把这些步骤都规定成了各种协议。 +③ **列混合**：列混合变换是通过矩阵相乘来实现的，经唯一后的状态矩阵与固定的矩阵相乘，从而得到混淆后的状态矩阵。其中矩阵相乘中涉及到的加法等价于两个字节的异或运算，而乘法相对复杂一些，对于状态矩阵中的每一个 8 位二进制数来说，首先将其与 00000010 相乘，其等效为将 8 位二进制数左移一位，若原二进制数的最高位是 1 的话再将左移后的数与 00011011 进行异或运算。 -TCP/IP 的模型的每一层都需要下一层所提供的协议来完成自己的目的。我们来看下数据是怎么通过 TCP/IP 协议模型从一台主机发送到另一台主机的。 +④ **轮密相加**：在开始时我们提到，128 位密钥通过密钥编排函数被扩展成 44 个字组成的序列，其中前 4 个字用于加密过程开始时对原始明文矩阵进行异或运算，而后 40 个字中每四个一组在每一轮中与状态矩阵进行异或运算（共计 10 轮）。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gds66lxjnqj30i00f6t9b.jpg) +上述过程即为 AES 加密算法的主要流程，在我们的例子中，上述过程需要经过 10 轮迭代。而 AES 的解密过程的各个步骤和加密过程是一样的，只是用逆变换取代原来的变换。 -当用户通过HTTP协议发起一个请求，应用层、传输层、网络互联层和网络访问层的相关协议依次对该请求进行包装并携带对应的首部，最终在网络访问层生成以太网数据包，以太网数据包通过物理介质传输给对方主机，对方接收到数据包以后，然后再一层一层采用对应的协议进行拆包，最后把应用层数据交给应用程序处理。 +### 🎯 RSA 和 AES 算法有什么区别 +- RSA：采用非对称加密的方式，采用公钥进行加密，私钥解密的形式。其私钥长度一般较长，除此之外，由于需要大数的乘幂求模等运算，其运算速度较慢，不适合大量数据文件加密。 +- AES：采用对称加密的方式，其密钥长度最长只有 256 个比特，加密和解密速度较快，易于硬件实现。由于是对称加密，通信双方在进行数据传输前需要获知加密密钥。 -### TCP/IP 与 HTTP +基于上述两种算法的特点，一般使用 RSA 传输密钥给对方，之后使用 AES 进行加密通信。 -TCP/IP（Transmission Control Protocol/Internet Protocol，传输控制协议/网际协议）是指能够在多个不同网络间实现信息传输的协议簇。TCP/IP 协议不仅仅指的是 TCP 和 IP 两个协议，而是指一个由 FTP、SMTP、TCP、UDP、IP等协议构成的协议簇， 只是因为在TCP/IP协议中TCP协议和IP协议最具代表性，所以被称为TCP/IP协议。 +### 🎯 DDoS 有哪些，如何防范 -**而HTTP是应用层协议，主要解决如何包装数据。** +DDoS 为分布式拒绝服务攻击，是指处于不同位置的多个攻击者同时向一个或数个目标发动攻击，或者一个攻击者控制了不同位置上的多台机器并利用这些机器对受害者同时实施攻击。和单一的 DoS 攻击相比，DDoS 是借助数百台或者数千台已被入侵并添加了攻击进程的主机一起发起网络攻击。 -“IP”代表网际协议，TCP 和 UDP 使用该协议从一个网络传送数据包到另一个网络。把**IP想像成一种高速公路**，它允许其它协议在上面行驶并找到到其它电脑的出口。**TCP和UDP是高速公路上的“卡车”，它们携带的货物就是像HTTP**，文件传输协议FTP这样的协议等。 +DDoS 攻击主要有两种形式：流量攻击和资源耗尽攻击。前者主要针对网络带宽，攻击者和已受害主机同时发起大量攻击导致网络带宽被阻塞，从而淹没合法的网络数据包；后者主要针对服务器进行攻击，大量的攻击包会使得服务器资源耗尽或者 CPU 被内核应用程序占满从而无法提供网络服务。 +常见的 DDos 攻击主要有：TCP 洪水攻击（SYN Flood）、放射性攻击（DrDos）、CC 攻击（HTTP Flood）等。 +针对 DDoS 中的流量攻击，最直接的方法是增加带宽，理论上只要带宽大于攻击流量就可以了，但是这种方法成本非常高。在有充足网络带宽的前提下，我们应尽量提升路由器、网卡、交换机等硬件设施的配置。 -### TCP 与 UDP +针对资源耗尽攻击，我们可以升级主机服务器硬件，在网络带宽得到保证的前提下，使得服务器能有效对抗海量的 SYN 攻击包。我们也可以安装专业的抗 DDoS 防火墙，从而对抗 SYN Flood等流量型攻击。此外，负载均衡，CDN 等技术都能够有效对抗 DDoS 攻击 -都属于传输层协议。 -TCP（Transmission Control Protocol，传输控制协议）是面向连接的协议，也就是说，在收发数据前，必须和对方建立可靠的连接。一个 TCP 连接必须有三次握手、四次挥手。 -UDP（User Data Protocol，用户数据报协议）是一个非连接的协议，传输数据之前源端和终端不建立连接， 当它想传送时就简单地去抓取来自应用程序的数据，并尽可能快地把它扔到网络上 +### 🎯 XSS 攻击 -| | TCP | UDP | -| :--------- | :--------------------------------------------- | :--------------------------- | -| 连接性 | 面向连接 | 面向非连接 | -| 传输可靠性 | 可靠 | 不可靠 | -| 报文 | 面向字节流 | 面向报文 | -| 效率 | 传输效率低 | 传输效率高 | -| 流量控制 | 滑动窗口 | 无 | -| 拥塞控制 | 慢开始、拥塞避免、快重传、快恢复 | 无 | -| 传输速度 | 慢 | 快 | -| 应用场合 | 对效率要求低，对准确性要求高或要求有连接的场景 | 对效率要求高，对准确性要求低 | +**XSS 攻击**（Cross-Site Scripting，跨站脚本攻击）是一种常见的网络安全攻击，攻击者通过在网站的输入字段中注入恶意脚本，当其他用户访问该网站时，恶意脚本会在他们的浏览器中执行，从而窃取敏感信息、篡改页面内容或进行其他恶意操作。 -TCP 和 UDP 协议的一些应用 +XSS 攻击可以分为三种类型： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gds67b566dj30yw0r6gza.jpg) +1. **存储型 XSS**： + - 攻击者的脚本被存储在目标服务器上，通常是在数据库中。 + - 当其他用户访问受感染的页面时，恶意脚本作为正常内容的一部分被发送到用户的浏览器中执行。 +2. **反射型 XSS**： + - 攻击者的脚本不是存储在服务器上，而是在用户访问特定页面或请求时，通过 URL 参数或其他方式传递给服务器。 + - 服务器将恶意脚本作为响应的一部分发送回用户的浏览器，如果浏览器解析并执行了这些脚本，就构成了攻击。 +3. **DOM 型 XSS**： + - 这种类型的 XSS 攻击与服务器无关，恶意脚本完全在客户端执行。 + - 攻击者利用浏览器的 DOM 解析特性，通过修改页面的 DOM 来注入恶意脚本。 +**防御 XSS 攻击的策略：** +1. **输入验证**：对所有用户输入进行严格的验证，确保不接受潜在的恶意代码。 +2. **输出编码**：在将数据发送到浏览器之前，对所有输出进行适当的编码，以确保潜在的脚本被安全地呈现。 +3. **内容安全策略（CSP）**：使用内容安全策略来限制可以执行的脚本的来源，减少 XSS 攻击的风险。 +4. **HTTP 头**：设置适当的 HTTP 头，如 `X-XSS-Protection`，以启用浏览器的 XSS 过滤功能。 -### TCP连接的建立与终止 +--- -TCP虽然是面向字节流的，但TCP传送的数据单元却是报文段。一个TCP报文段分为首部和数据两部分，而TCP的全部功能体现在它首部中的各字段的作用。 +## 六、网络理论基础 -TCP报文段首部的前20个字节是固定的（下图），后面有 4n 字节是根据需要而增加的选项（n是整数）。因此TCP首部的最小长度是20字节。 +### 🎯 OSI七层模型和TCP/IP四层模型 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdr6e2kp1lj30u60jsdhn.jpg) +**OSI七层模型**： -#### TCP报文首部 +1. **物理层**：负责比特流的传输，定义电压、接口等物理特性 +2. **数据链路层**：负责帧的传输，错误检测和纠正 +3. **网络层**：负责数据包的路由和转发，如IP协议 +4. **传输层**：负责端到端的数据传输，如TCP、UDP协议 +5. **会话层**：负责建立、管理和终止会话 +6. **表示层**：负责数据的编码、加密和压缩 +7. **应用层**：负责为用户提供网络服务，如HTTP、FTP等 -- 源端口和目的端口，各占2个字节，分别写入源端口和目的端口； -- **序列号**（Sequence number），占4字节。序号范围是【0，2^32 - 1】，共2^32个序号。序号增加到 2^32-1后，下一个序号就又回到 0。TCP是面向字节流的。在一个TCP连接中传送的字节流中的每一个字节都按顺序编号。整个要传送的字节流的起始序号必须在连接建立时设置。首部中的序号字段值则是指的是本报文段所发送的数据的第一个字节的序号。例如，一报文段的序号是301，而接待的数据共有100字节。这就表明：本报文段的数据的第一个字节的序号是301，最后一个字节的序号是400。显然，下一个报文段（如果还有的话）的数据序号应当从401开始，即下一个报文段的序号字段值应为401。这个字段的序号也叫“报文段序号”; -- **确认号**（Acknowledge number），占4个字节，是期望收到对方下一个报文的第一个数据字节的序号。例如，B收到了A发送过来的报文，其序列号字段是501，而数据长度是200字节，这表明B正确的收到了A发送的到序号700为止的数据。因此，B期望收到A的下一个数据序号是701，于是B在发送给A的确认报文段中把确认号置为701； -- 数据偏移，占4位，它指出TCP报文段的数据起始处距离TCP报文段的起始处有多远。 -- 保留，占6位，保留为今后使用，但目前应置为0； -- 紧急URG（URGent），当URG=1，表明紧急指针字段有效。告诉系统此报文段中有紧急数据； -- 确认ACK（ACKnowledgment），仅当ACK=1时，确认号字段才有效。**TCP规定，在连接建立后所有报文的传输都必须把ACK置1**； -- 推送PSH（PuSH） ，当两个应用进程进行交互式通信时，有时在一端的应用进程希望在键入一个命令后立即就能收到对方的响应，这时候就将PSH=1； -- 复位RST（ReSeT），当RST=1，表明TCP连接中出现严重差错，必须释放连接，然后再重新建立连接； -- 同步SYN（SYNchronization），在连接建立时用来同步序号。**当SYN=1，ACK=0，表明是连接请求报文，若同意连接，则响应报文中应该使SYN=1，ACK=1**； -- 终止FIN（FINis），用来释放连接。**当FIN=1，表明此报文的发送方的数据已经发送完毕，并且要求释放**； - - 窗口，占2字节，指的是通知接收方，发送本报文你需要有多大的空间来接受； -- 检验和，占2字节，校验首部和数据这两部分； -- 紧急指针，占2字节，指出本报文段中的紧急数据的字节数； -- 选项，长度可变，定义一些其他的可选的参数 +**TCP/IP四层模型**： +1. **网络接口层**（对应OSI的物理层和数据链路层） +2. **网络层**（对应OSI的网络层）：IP协议 +3. **传输层**（对应OSI的传输层）：TCP、UDP协议 +4. **应用层**（对应OSI的会话层、表示层、应用层）：HTTP、FTP、DNS等 -TCP是一种面向连接的单播协议，在发送数据前，通信双方必须在彼此间建立一条连接。所谓的“连接”，其实是客户端和服务器的内存里保存的一份关于对方的信息，如ip地址、端口号等。 +### 🎯 IP地址的分类 -#### TCP 三次握手 +IP 地址是指互联网协议地址，是 IP 协议提供的一种统一的地址格式，它为互联网上的每一个网络和每一台主机分配一个逻辑地址，以此来屏蔽物理地址的差异。IP地址编址方案将IP地址空间划分为A、B、C、D、E五类，其中A、B、C是基本类，D、E类作为多播和保留使用，为特殊地址。 -所谓三次握手(Three-way Handshake)，是指建立一个 TCP 连接时，需要客户端和服务器总共发送3个包。 +每个IP地址包括两个标识码（ID），即网络ID和主机ID。同一个物理网络上的所有主机都使用同一个网络ID，网络上的一个主机（包括网络上工作站，服务器和路由器等）有一个主机ID与其对应。A~E类地址的特点如下： -三次握手的目的是连接服务器指定端口，建立 TCP 连接，并同步连接双方的序列号和确认号，交换 TCP 窗口大小信息。 +A类地址：以0开头，第一个字节范围：0~127； -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gds67rwlvsj30ra0e9n07.jpg) +B类地址：以10开头，第一个字节范围：128~191； -- **第一次握手**(SYN=1, seq=x) +C类地址：以110开头，第一个字节范围：192~223； - 建立连接。客户端发送连接请求报文段，这是报文首部中的同步位SYN=1，同时选择一个初始序列号 seq=x ，此时，客户端进程进入了 SYN-SENT（同步已发送状态）状态。TCP规定，SYN报文段（SYN=1的报文段）不能携带数据，但需要消耗掉一个序号； +D类地址：以1110开头，第一个字节范围为224~239； -- **第二次握手**(SYN=1, ACK=1, seq=y, ACKnum=x+1) +E类地址：以1111开头，保留地址 - 服务器收到客户端的SYN报文段，如果同意连接，则发出确认报文。确认报文中应该 ACK=1，SYN=1，确认号ACKnum=x+1，同时，自己还要发送SYN请求信息，SYN=1，为自己初始化一个序列号 seq=y，服务器端将上述所有信息放到一个报文段（即SYN+ACK报文段）中，一并发送给客户端，此时，TCP服务器进程进入了SYN-RCVD（同步收到）状态。这个报文也不能携带数据，但是同样要消耗一个序号 +![img](https://ask.qcloudimg.com/http-save/yehe-5359587/3jrhedfg36.jpeg) -- **第三次握手**(ACK=1，ACKnum=y+1) - 客户端收到服务器的SYN+ACK报文段，再次发送确认包(ACK)，**SYN 标志位为0**，ACK 标志位为1，确认号 ACKnum = y+1，这个报文段发送完毕以后，客户端和服务器端都进入ESTABLISHED（已建立连接）状态，完成TCP三次握手。 +### 🎯 HTTP 是不保存状态的协议,如何保存用户状态 +我们知道，假如某个特定的客户机在短时间内两次请求同一个对象，服务器并不会因为刚刚为该用户提供了该对象就不再做出反应，而是重新发送该对象，就像该服务器已经完全忘记不久之前所做过的事一样。因为一个 HTTP 服务器并不保存关于客户机的任何信息，所以我们说 HTTP 是一个无状态协议。 -> 为什么需要三次握手呢？两次不行吗？ +通常有两种解决方案： -为了防止已失效的连接请求报文段突然又传送到了服务端，因而产生错误。 +① 基于 Session 实现的会话保持 -具体例子：“已失效的连接请求报文段”的产生在这样一种情况下：client 发出的第一个连接请求报文段并没有丢失，而是在某个网络结点长时间的滞留了，以致延误到连接释放以后的某个时间才到达 server。本来这是一个早已失效的报文段。但 server 收到此失效的连接请求报文段后，就误认为是 client 再次发出的一个新的连接请求。于是就向client发出确认报文段，同意建立连接。假设不采用“三次握手”，那么只要server发出确认，新的连接就建立了。由于现在client并没有发出建立连接的请求，因此不会理睬server的确认，也不会向server发送数据。但server却以为新的运输连接已经建立，并一直等待client发来数据。这样，server的很多资源就白白浪费掉了。采用“三次握手”的办法可以防止上述现象发生。例如刚才那种情况，client不会向server的确认发出确认。server由于收不到确认，就知道client并没有要求建立连接。” +在客户端第一次向服务器发送 HTTP 请求后，服务器会创建一个 Session 对象并将客户端的身份信息以键值对的形式存储下来，然后分配一个会话标识（SessionId）给客户端，这个会话标识一般保存在客户端 Cookie 中，之后每次该浏览器发送 HTTP 请求都会带上 Cookie 中的 SessionId 到服务器，服务器根据会话标识就可以将之前的状态信息与会话联系起来，从而实现会话保持。 +优点：安全性高，因为状态信息保存在服务器端。 +缺点：由于大型网站往往采用的是分布式服务器，浏览器发送的 HTTP 请求一般要先通过负载均衡器才能到达具体的后台服务器，倘若同一个浏览器两次 HTTP 请求分别落在不同的服务器上时，基于 Session 的方法就不能实现会话保持了。 -#### TCP 四次挥手 +【解决方法：采用中间件，例如 Redis，我们通过将 Session 的信息存储在 Redis 中，使得每个服务器都可以访问到之前的状态信息】 -TCP 的连接的拆除需要发送四个包，因此称为四次挥手(Four-way handshake)，也叫做改进的三次握手。**客户端或服务器均可主动发起挥手动作**。 +② 基于 Cookie 实现的会话保持 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gds6835mzjj30qw0g4dit.jpg) +当服务器发送响应消息时，在 HTTP 响应头中设置 Set-Cookie 字段，用来存储客户端的状态信息。客户端解析出 HTTP 响应头中的字段信息，并根据其生命周期创建不同的 Cookie，这样一来每次浏览器发送 HTTP 请求的时候都会带上 Cookie 字段，从而实现状态保持。基于 Cookie 的会话保持与基于 Session 实现的会话保持最主要的区别是前者完全将会话状态信息存储在浏览器 Cookie 中。 -- 第一次挥手(FIN=1，seq=x) +优点：服务器不用保存状态信息， 减轻服务器存储压力，同时便于服务端做水平拓展。 - 主机1（可以使客户端，也可以是服务器端），设置seq=x，向主机2发送一个FIN报文段；此时，主机1进入`FIN_WAIT_1`状态；这表示主机1没有数据要发送给主机2了； +缺点：该方式不够安全，因为状态信息存储在客户端，这意味着不能在会话中保存机密数据。除此之外，浏览器每次发起 HTTP 请求时都需要发送额外的 Cookie 到服务器端，会占用更多带宽。 -- 第二次挥手(ACK=1，ACKnum=x+1) +拓展：Cookie被禁用了怎么办？ - 主机2收到了主机1发送的FIN报文段，向主机1回一个ACK报文段，Acknum=x+1，主机1进入`FIN_WAIT_2`状态；主机2告诉主机1，我“同意”你的关闭请求； +若遇到 Cookie 被禁用的情况，则可以通过重写 URL 的方式将会话标识放在 URL 的参数里，也可以实现会话保持。 -- 第三次挥手(FIN=1，seq=y) - 主机2向主机1发送FIN报文段，请求关闭连接，同时主机2进入`LAST_ACK` 状态 -- 第四次挥手(ACK=1，ACKnum=y+1) +### 🎯 什么是Cookie，Cookie的使用过程是怎么样的？ - 主机1收到主机2发送的FIN报文段，向主机2发送ACK报文段，然后主机1进入`TIME_WAIT`状态；主机2收到主机1的ACK报文段以后，就关闭连接；此时，**主机1等待2MSL后依然没有收到回复**，则证明Server端已正常关闭，那好，主机1也可以关闭连接了，进入 `CLOSED` 状态。 +由于 http 协议是无状态协议，如果客户通过浏览器访问 web 应用时没有一个保存用户访问状态的机制，那么将不能持续跟踪应用的操作。比如当用户往购物车中添加了商品，web 应用必须在用户浏览别的商品的时候仍保存购物车的状态，以便用户继续往购物车中添加商品。 +cookie 是浏览器的一种缓存机制，它可用于维持客户端与服务器端之间的会话。由于下面一题会讲到 session，所以这里要强调cookie会将会话保存在客户端（session则是把会话保存在服务端） -> **第一个消息：A发FIN** -> -> 第二个消息：B回复ACK -> -> **第三个消息：B发出FIN** -> -> 此时此刻：B单方面认为自己与A达成了共识，即双方都同意关闭连接。 -> -> 此时，B能释放这个TCP连接占用的内存资源吗？**不能，B一定要确保A收到自己的ACK、FIN。** -> -> 所以B需要静静地等待A的第四个消息的到来： -> -> **第四个消息：A发出ACK，用于确认收到B的FIN** +这里以最常见的登陆案例讲解cookie的使用过程： -主机 1 等待了某个固定时间（两个最大段生命周期，2MSL，2 Maximum Segment Lifetime）之后，没有收到服务器端的 ACK ，认为服务器端已经正常关闭连接，于是自己也关闭连接，进入 `CLOSED` 状态。 +1. 首先用户在客户端浏览器向服务器发起登陆请求 +2. 登陆成功后，服务端会把登陆的用户信息设置 cookie 中，返回给客户端浏览器 +3. 客户端浏览器接收到 cookie 请求后，会把 cookie 保存到本地（可能是内存，也可能是磁盘，看具体使用情况而定） +4. 以后再次访问该 web 应用时，客户端浏览器就会把本地的 cookie 带上，这样服务端就能根据 cookie 获得用户信息了 -MSL 是Maximum Segment Lifetime英文的缩写，中文可以译为“报文最大生存时间”，他是任何报文在网络上存在的最长时间，超过这个时间报文将被丢弃。 -在 Linux 系统里 `2MSL` 默认是 `60` 秒，那么一个 `MSL` 也就是 `30` 秒。**Linux 系统停留在 TIME_WAIT 的时间为固定的 60 秒**。 +### 🎯 什么是session，有哪些实现session的机制？ +session 是一种维持客户端与服务器端会话的机制。但是与 **cookie 把会话信息保存在客户端本地不一样，session 把会话保留在浏览器端。** -> 为什么连接的时候是三次握手，关闭的时候却是四次握手？ +我们同样以登陆案例为例子讲解 session 的使用过程： -因为当Server端收到Client端的SYN连接请求报文后，可以直接发送SYN+ACK报文。其中ACK报文是用来应答的，SYN报文是用来同步的。但是关闭连接时，当Server端收到FIN报文时，很可能并不会立即关闭SOCKET，所以只能先回复一个ACK报文，告诉Client端，"你发的FIN报文我收到了"。只有等到我Server端所有的报文都发送完了，我才能发送FIN报文，因此不能一起发送。故需要四步握手。 +1. 首先用户在客户端浏览器发起登陆请求 +2. 登陆成功后，服务端会把用户信息保存在服务端，并返回一个唯一的 session 标识给客户端浏览器。 +3. 客户端浏览器会把这个唯一的 session 标识保存在起来 +4. 以后再次访问 web 应用时，客户端浏览器会把这个唯一的 session 标识带上，这样服务端就能根据这个唯一标识找到用户信息。 -由于 TCP 协议是全双工的，也就是说客户端和服务端都可以发起断开连接。两边各发起一次断开连接的申请，加上各自的两次确认，看起来就像执行了四次挥手。 +看到这里可能会引起疑问：把唯一的 session 标识返回给客户端浏览器，然后保存起来，以后访问时带上，这难道不是 cookie 吗？ +没错，s**ession 只是一种会话机制，在许多 web 应用中，session 机制就是通过 cookie 来实现的**。也就是说它只是使用了 cookie 的功能，并不是使用 cookie 完成会话保存。与 cookie 在保存客户端保存会话的机制相反，session 通过 cookie 的功能把会话信息保存到了服务端。 +进一步地说，session 是一种维持服务端与客户端之间会话的机制，它可以有不同的实现。以现在比较流行的小程序为例，阐述一个 session 的实现方案： -> **为什么TIME_WAIT状态需要经过2MSL(最大报文段生存时间)才能返回到CLOSE状态？** +1. 首先用户登陆后，需要把用户登陆信息保存在服务端，这里我们可以采用 redis。比如说给用户生成一个 userToken，然后以 userId 作为键，以 userToken 作为值保存到 redis 中，并在返回时把 userToken 带回给小程序端。 +2. 小程序端接收到 userToken 后把它缓存起来，以后每当访问后端服务时就把 userToken 带上。 +3. 在后续的服务中服务端只要拿着小程序端带来的 userToken 和 redis 中的 userToken 进行比对，就能确定用户的登陆状态了。 -虽然按道理，四个报文都发送完毕，我们可以直接进入CLOSE状态了，但是我们必须假象网络是不可靠的，有可以最后一个ACK丢失。所以TIME_WAIT状态就是用来重发可能丢失的ACK报文。 -还有一个原因，防止类似与“三次握手”中提到了的“已经失效的连接请求报文段”出现在本连接中。客户端发送完最后一个确认报文后，在这个2MSL时间中，就可以使本连接持续的时间内所产生的所有报文段都从网络中消失。这样新的连接中不会出现旧连接的请求报文。 +### 🎯 session和cookie有什么区别 -### TCP协议如何来保证传输的可靠性 +经过上面两道题的阐述，这道题就很清晰了 -对于可靠性，TCP 通过以下方式进行保证： +1. cookie 是浏览器提供的一种缓存机制，它可以用于维持客户端与服务端之间的会话 +2. session 指的是维持客户端与服务端会话的一种机制，它可以通过 cookie 实现，也可以通过别的手段实现。 +3. 如果用 cookie 实现会话，那么会话会保存在客户端浏览器中 +4. 而 session 机制提供的会话是保存在服务端的。 -- 数据包校验：目的是检测数据在传输过程中的任何变化，若校验出包有错，则丢弃报文段并且不给出响应，这时TCP发送数据端超时后会重发数据； -- 对失序数据包重排序：既然TCP报文段作为IP数据报来传输，而IP数据报的到达可能会失序，因此TCP报文段的到达也可能会失序。TCP将对失序数据进行重新排序，然后才交给应用层； +## 七、应用层深入 -- 丢弃重复数据：对于重复数据，能够丢弃重复数据； +### 🎯 如果你访问一个网站很慢，怎么排查和解决 -- 应答机制：当TCP收到发自TCP连接另一端的数据，它将发送一个确认。这个确认不是立即发送，通常将推迟几分之一秒； +网页打开速度慢的原因有很多，这里列举出一些较常出现的问题： -- 超时重发：当TCP发出一个段后，它启动一个定时器，等待目的端确认收到这个报文段。如果不能及时收到一个确认，将重发这个报文段； +① 首先最直接的方法是查看本地网络是否正常，可以通过网络测速软件例如电脑管家等对电脑进行测速，若网速正常，我们查看网络带宽是否被占用，例如当你正在下载电影时并且没有限速，是会影响你打开网页的速度的，这种情况往往是处理器内存小导致的； -- 流量控制：TCP连接的每一方都有固定大小的缓冲空间。TCP的接收端只允许另一端发送接收端缓冲区所能接纳的数据，这可以防止较快主机致使较慢主机的缓冲区溢出，这就是流量控制。TCP使用的流量控制协议是可变大小的滑动窗口协议。 +② 当网速测试正常时，我们对网站服务器速度进行排查，通过 ping 命令查看链接到服务器的时间和丢包等情况，一个速度好的机房，首先丢包率不能超过 1%，其次 ping 值要小，最后是 ping 值要稳定，如最大和最小差值过大说明路由不稳定。或者我们也可以查看同台服务器上其他网站的打开速度，看是否其他网站打开也慢。 +③ 如果网页打开的速度时快时慢，甚至有时候打不开，有可能是空间不稳定的原因。当确定是该问题时，就要找你的空间商解决或换空间商了，如果购买空间的话，可选择购买购买双线空间或多线空间；如果是在有的地方打开速度快，有的地方打开速度慢，那应该是网络线路的问题。电信线路用户访问放在联通服务器的网站，联通线路用户访问放在电信服务器上的网站，相对来说打开速度肯定是比较慢。 +④ 从网站本身找原因。网站的问题主要包括网站程序设计、网页设计结构和网页内容三个部分。 -> 详细讲一下TCP的滑动窗口 +- 网站程序设计：当访问网页中有拖慢网站打开速度的代码，会影响网页的打开速度，例如网页中的统计代码，我们最好将其放在网站的末尾。因此我们需要查看网页程序的设计结构是否合理； +- 网页设计结构：如果是 table 布局的网站，查看是否嵌套次数太多，或是一个大表格分成多个表格这样的网页布局，此时我们可以采用 div 布局并配合 css 进行优化。 +- 网页内容：查看网页中是否有许多尺寸大的图片或者尺寸大的 flash 存在，我们可以通过降低图片质量，减小图片尺寸，少用大型 flash 加以解决。此外，有的网页可能过多地引用了其他网站的内容，若某些被引用的网站访问速度慢，或者一些页面已经不存在了，打开的速度也会变慢。一种直接的解决方法是去除不必要的加载项。 -### 滑动窗口机制 -如果发送方把数据发送得过快，接收方可能会来不及接收，这就会造成数据的丢失。`所谓流量控制就是让发送方的发送速率不要太快`，要让接收方来得及接收。 -利用**滑动窗口机制**可以很方便地在 TCP 连接上实现对发送方的流量控制。 +> 这部分内容对常规后端开发，，，了解点就可以　　　 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gds6d75md5j30si0ermyk.jpg) +### 🎯 DNS 的作用和原理？ -从上面的图可以看到滑动窗口左边的是已发送并且被确认的分组，滑动窗口右边是还没有轮到的分组。滑动窗口里面也分为两块，一块是已经发送但是未被确认的分组，另一块是窗口内等待发送的分组。随着已发送的分组不断被确认，窗口内等待发送的分组也会不断被发送。整个窗口就会往右移动，让还没轮到的分组进入窗口内。 +DNS（Domain Name System）是域名系统的英文缩写，是一种组织成域层次结构的计算机和网络服务命名系统，用于 TCP/IP 网络。 -可以看到滑动窗口起到了一个限流的作用，也就是说当前滑动窗口的大小决定了当前 TCP 发送包的速率，而滑动窗口的大小取决于拥塞控制窗口和流量控制窗口的两者间的最小值。 +通常我们有两种方式识别主机：通过主机名或者 IP 地址。人们喜欢便于记忆的主机名表示，而路由器则喜欢定长的、有着层次结构的 IP 地址。为了满足这些不同的偏好，我们就需要一种能够进行主机名到 IP 地址转换的目录服务，域名系统作为将域名和 IP 地址相互映射的一个分布式数据库，能够使人更方便地访问互联网。 +**DNS 域名解析原理** +DNS 采用了分布式的设计方案，其域名空间采用一种树形的层次结构： ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/86c84543fb6c40149ec721b5f015247d~tplv-k3u1fbpfcp-watermark.awebp) -#### 流量控制 +上图展示了 DNS 服务器的部分层次结构，从上到下依次为根域名服务器、顶级域名服务器和权威域名服务器。其实根域名服务器在因特网上有13个，大部分位于北美洲。第二层为顶级域服务器，这些服务器负责顶级域名（如 com、org、net、edu）和所有国家的顶级域名（如uk、fr、ca 和 jp）。在第三层为权威 DNS 服务器，因特网上具有公共可访问主机（例如 Web 服务器和邮件服务器）的每个组织机构必须提供公共可访问的 DNS 记录，这些记录由组织机构的权威 DNS 服务器负责保存，这些记录将这些主机的名称映射为 IP 地址。 -TCP 是全双工的，客户端和服务器均可作为发送方或接收方，我们现在假设一个发送方向接收方发送数据的场景来讲解流量控制。首先我们的接收方有一块接收缓存，当数据来到时会先把数据放到缓存中，上层应用等缓存中有数据时就会到缓存中取数据。假如发送方没有限制地不断地向接收方发送数据，接收方的应用程序又没有及时把接收缓存中的数据读走，就会出现缓存溢出，数据丢失的现象，为了解决这个问题，我们引入流量控制窗口。 +除此之外，还有一类重要的 DNS 服务器，叫做本地 DNS 服务器。本地 DNS 服务器严格来说不在 DNS 服务器的层次结构中，但它对 DNS 层次结构是很重要的。一般来说，每个网络服务提供商（ISP） 都有一台本地 DNS 服务器。当主机与某个 ISP 相连时，该 ISP 提供一台主机的 IP 地址，该主机具有一台或多台其本地 DNS 服务器的 IP 地址。主机的本地 DNS 服务器通常和主机距离较近，当主机发起 DNS 请求时，该请求被发送到本地 DNS 服务器，它起着代理的作用，并将该请求转发到 DNS 服务器层次结构中。 -假设应用程序最后读走的数据序号是 lastByteRead，接收缓存中接收到的最后一个数据序号是 lastByteRcv，接收缓存的大小为 RcvSize，那么必须要满足 `lastByteRcv - lastByteRead <= RcvSize` 才能保证接收缓存不会溢出，所以我们定义流量窗口为接收缓存剩余的空间，也就是 `Rcv = RcvSize - (lastByteRcv - lastByteRead)`。只要接收方在响应 ACK 的时候把这个窗口的值带给发送方，发送方就能知道接收方的接收缓存还有多大的空间，进而设置滑动窗口的大小。 +我们以一个例子来了解 DNS 的工作原理，假设主机 A（IP 地址为 abc.xyz.edu） 想知道主机 B 的 IP 地址 （def.mn.edu），如下图所示，主机 A 首先向它的本地 DNS 服务器发送一个 DNS 查询报文。该查询报文含有被转换的主机名 def.mn.edu。本地 DNS 服务器将该报文转发到根 DNS 服务器，根 DNS 服务器注意到查询的 IP 地址前缀为 edu 后向本地 DNS 服务器返回负责 edu 的顶级域名服务器的 IP 地址列表。该本地 DNS 服务器则再次向这些 顶级域名服务器发送查询报文。该顶级域名服务器注意到 mn.edu 的前缀，并用权威域名服务器的 IP 地址进行响应。通常情况下，顶级域名服务器并不总是知道每台主机的权威 DNS 服务器的 IP 地址，而只知道中间的某个服务器，该中间 DNS 服务器依次能找到用于相应主机的 IP 地址，我们假设中间经历了权威服务器 ① 和 ②，最后找到了负责 def.mn.edu 的权威 DNS 服务器 ③，之后，本地 DNS 服务器直接向该服务器发送查询报文从而获得主机 B 的IP 地址。 +![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/f6dba7c39fd1418aa3f8b007771b0953~tplv-k3u1fbpfcp-watermark.awebp) +在上图中，IP 地址的查询其实经历了两种查询方式，分别是递归查询和迭代查询。 -#### 拥塞控制 +**拓展：域名解析查询的两种方式** -拥塞控制是指发送方先设置一个小的窗口值作为发送速率，当成功发包并接收到 ACK 时，便以指数速率增大发送窗口的大小，直到遇到丢包（超时/三个冗余ACK），才停止并调整窗口的大小。这么做能最大限度地利用带宽，又不至于让网络环境变得太过拥挤。 +**递归查询**：如果主机所询问的本地域名服务器不知道被查询域名的 IP 地址，那么本地域名服务器就以 DNS 客户端的身份，向其他根域名服务器继续发出查询请求报文，即替主机继续查询，而不是让主机自己进行下一步查询，如上图步骤（1）和（10）。 -最终滑动窗口的值将设置为流量控制窗口和拥塞控制窗口中的较小值。 +**迭代查询**：当根域名服务器收到本地域名服务器发出的迭代查询请求报文时，要么给出所要查询的 IP 地址，要么告诉本地服务器下一步应该找哪个域名服务器进行查询，然后让本地服务器进行后续的查询，如上图步骤（2）~（9）。 +### 🎯 DNS 为什么用 UDP +DNS 既使用 TCP 又使用 UDP。 -### TCP的拥塞处理 +当进行区域传送（主域名服务器向辅助域名服务器传送变化的那部分数据）时会使用 TCP，因为数据同步传送的数据量比一个请求和应答的数据量要多，而 TCP 允许的报文长度更长，因此为了保证数据的正确性，会使用基于可靠连接的 TCP。 -计算机网络中的带宽、交换结点中的缓存及处理机等都是网络的资源。在某段时间，若对网络中某一资源的需求超过了该资源所能提供的可用部分，网络的性能就会变坏，这种情况就叫做拥塞。拥塞控制就是防止过多的数据注入网络中，这样可以使网络中的路由器或链路不致过载。注意，拥塞控制和流量控制不同，前者是一个全局性的过程，而后者指点对点通信量的控制。拥塞控制的方法主要有以下四种： +当客户端向 DNS 服务器查询域名 ( 域名解析) 的时候，一般返回的内容不会超过 UDP 报文的最大长度，即 512 字节。用 UDP 传输时，不需要经过 TCP 三次握手的过程，从而大大提高了响应速度，但这要求域名解析器和域名服务器都必须自己处理超时和重传从而保证可靠性。 -1. 慢启动：不要一开始就发送大量的数据，先探测一下网络的拥塞程度，也就是说由小到大逐渐增加拥塞窗口的大小; -2. 拥塞避免：拥塞避免算法让拥塞窗口缓慢增长，即每经过一个往返时间 RTT 就把发送方的拥塞窗口 cwnd 加1，而不是加倍，这样拥塞窗口按线性规律缓慢增长。　　　　　　　　　　 -3. 快重传：快重传要求接收方在收到一个失序的报文段后就立即发出重复确认（为的是使发送方及早知道有报文段没有到达对方）而不要等到自己发送数据时捎带确认。快重传算法规定，发送方只要一连收到三个重复确认就应当立即重传对方尚未收到的报文段，而不必继续等待设置的重传计时器时间到期。　　　　　　　　　 -4. 快恢复：快重传配合使用的还有快恢复算法，当发送方连续收到三个重复确认时，就执行“乘法减小”算法，把ssthresh 门限减半，但是接下去并不执行慢开始算法：因为如果网络出现拥塞的话就不会收到好几个重复的确认，所以发送方现在认为网络可能没有出现拥塞。所以此时不执行慢开始算法，而是将 cwnd 设置为ssthresh 的大小，然后执行拥塞避免算法。 +### 🎯 怎么实现 DNS 劫持 +DNS 劫持即域名劫持，是通过将原域名对应的 IP 地址进行替换从而使得用户访问到错误的网站或者使得用户无法正常访问网站的一种攻击方式。域名劫持往往只能在特定的网络范围内进行，范围外的 DNS 服务器能够返回正常的 IP 地址。攻击者可以冒充原域名所属机构，通过电子邮件的方式修改组织机构的域名注册信息，或者将域名转让给其它组织，并将新的域名信息保存在所指定的 DNS 服务器中，从而使得用户无法通过对原域名进行解析来访问目的网址。 +具体实施步骤如下： -### 服务器出现了大量CLOSE_WAIT状态如何解决 +1. 获取要劫持的域名信息：攻击者首先会访问域名查询站点查询要劫持的域名信息。 +2. 控制域名相应的 E-MAIL 账号：在获取到域名信息后，攻击者通过暴力破解或者专门的方法破解公司注册域名时使用的 E-mail 账号所对应的密码。更高级的攻击者甚至能够直接对 E-mail 进行信息窃取。 +3. 修改注册信息：当攻击者破解了 E-MAIL 后，会利用相关的更改功能修改该域名的注册信息，包括域名拥有者信息，DNS 服务器信息等。 +4. 使用 E-MAIL 收发确认函：在修改完注册信息后，攻击者在 E-mail 真正拥有者之前收到修改域名注册信息的相关确认信息，并回复确认修改文件，待网络公司恢复已成功修改信件后，攻击者便成功完成 DNS 劫持。 -大量 CLOSE_WAIT 表示程序出现了问题，对方的 socket 已经关闭连接，而我方忙于读或写没有及时关闭连接，需要检查代码，特别是释放资源的代码，或者是处理请求的线程配置。 +**用户端的一些预防手段：** +直接通过 IP 地址访问网站，避开 DNS 劫持。 由于域名劫持往往只能在特定的网络范围内进行，因此一些高级用户可以通过网络设置让 DNS 指向正常的域名服务器以实现对目的网址的正常访问，例如将计算机首选 DNS 服务器的地址固定为 8.8.8.8。 +### 🎯 socket() 套接字有哪些 -### 讲一讲SYN超时，洪泛攻击，以及解决策略 +套接字（Socket）是对网络中不同主机上的应用进程之间进行双向通信的端点的抽象，网络进程通信的一端就是一个套接字，不同主机上的进程便是通过套接字发送报文来进行通信。例如 TCP 用主机的 IP 地址 + 端口号作为 TCP 连接的端点，这个端点就叫做套接字。 -什么 SYN 是洪泛攻击？ 在 TCP 的三次握手机制的第一步中，客户端会向服务器发送 SYN 报文段。服务器接收到 SYN 报文段后会为该 TCP 分配缓存和变量，如果攻击分子大量地往服务器发送 SYN 报文段，服务器的连接资源终将被耗尽，导致内存溢出无法继续服务。 +套接字主要有以下三种类型： -解决策略： 当服务器接受到 SYN 报文段时，不直接为该 TCP 分配资源，而只是打开一个半开的套接字。接着会使用 SYN 报文段的源 Id，目的 Id，端口号以及只有服务器自己知道的一个秘密函数生成一个 cookie，并把 cookie 作为序列号响应给客户端。 +1. 流套接字（SOCK_STREAM）：流套接字基于 TCP 传输协议，主要用于提供面向连接、可靠的数据传输服务。由于 TCP 协议的特点，使用流套接字进行通信时能够保证数据无差错、无重复传送，并按顺序接收，通信双方不需要在程序中进行相应的处理。 +2. 数据报套接字（SOCK_DGRAM）：和流套接字不同，数据报套接字基于 UDP 传输协议，对应于无连接的 UDP 服务应用。该服务并不能保证数据传输的可靠性，也无法保证对端能够顺序接收到数据。此外，通信两端不需建立长时间的连接关系，当 UDP 客户端发送一个数据给服务器后，其可以通过同一个套接字给另一个服务器发送数据。当用 UDP 套接字时，丢包等问题需要在程序中进行处理。 +3. 原始套接字（SOCK_RAW）：由于流套接字和数据报套接字只能读取 TCP 和 UDP 协议的数据，当需要传送非传输层数据包（例如 Ping 命令时用的 ICMP 协议数据包）或者遇到操作系统无法处理的数据包时，此时就需要建立原始套接字来发送。 -如果客户端是正常建立连接，将会返回一个确认字段为 cookie + 1 的报文段。接下来服务器会根据确认报文的源Id，目的 Id，端口号以及秘密函数计算出一个结果，如果结果的值 +1等于确认字段的值，则证明是刚刚请求连接的客户端，这时候才为该 TCP 分配资源 -这样一来就不会为恶意攻击的 SYN 报文段分配资源空间，避免了攻击。 +### 🎯 REST 和 WebSocket 的区别？ +REST（Representational State Transfer）和WebSocket是两种不同的网络通信协议，它们在用途、工作原理和使用场景上有所区别： -## 三、HTTP +1. **协议类型**： + - **REST**：是一种基于HTTP协议的架构风格，用于网络资源的状态转移和管理系统。 + - **WebSocket**：是一种网络通信协议，提供了在单个TCP连接上进行全双工通信的能力。 +2. **通信模式**： + - **REST**：通常是基于请求/响应模式，客户端发送请求，服务器响应请求。 + - **WebSocket**：允许服务器主动向客户端发送消息，实现服务器推送。 +3. **连接持久性**： + - **REST**：每次请求/响应完成后，连接通常会关闭，除非使用了HTTP持久连接（HTTP/1.1的keep-alive或HTTP/2）。 + - **WebSocket**：建立了一个持久的连接，可以保持开放状态，用于实时双向通信。 +4. **使用场景**： + - **REST**：适用于需要获取、创建、修改或删除网络资源的场景，如API调用、Web服务等。 + - **WebSocket**：适用于需要实时数据传输的场景，如在线游戏、实时聊天应用、股票行情更新等。 +5. **数据格式**： + - **REST**：通常使用JSON或XML作为数据交换格式。 + - **WebSocket**：可以传输任何格式的数据，包括文本和二进制数据。 +6. **性能**： + - **REST**：可能涉及较多的HTTP请求和响应，对于需要频繁通信的场景可能性能较低。 + - **WebSocket**：由于连接持久，减少了建立和关闭连接的开销，适用于需要频繁通信的场景。 +7. **安全性**： + - **REST**：可以通过HTTPS提供安全通信。 + - **WebSocket**：也可以通过WSS（WebSocket Secure）提供安全通信。 +8. **兼容性**： + - **REST**：几乎所有的Web服务器和客户端都支持HTTP协议。 + - **WebSocket**：需要服务器和客户端支持WebSocket协议。 +9. **API设计**： + - **REST**：强调资源的统一接口和无状态操作，易于理解和使用。 + - **WebSocket**：提供了一种更为灵活的通信方式，但可能需要更复杂的逻辑来管理连接和数据流。 -> HTTP1.0、HTTP1.1、HTTP2.0 的区别 -> -> post 和 get 的区别 +总的来说，REST和WebSocket各有优势，选择哪种技术取决于具体的应用需求和场景。 -HTTP 全称是 HyperText Transfer Protocal，即：超文本传输协议。是互联网上应用最为广泛的一种**网络通信协议**，它允许将超文本标记语言（HTML）文档从 Web 服务器传送到客户端的浏览器。目前我们使用的是**HTTP/1.1 版本**。所有的 WWW 文件都必须遵守这个标准。设计 HTTP 最初的目的是为了提供一种发布和接收 HTML 页面的方法。1960 年美国人 Ted Nelson 构思了一种通过计算机处理文本信息的方法，并称之为超文本（hypertext），这成为了HTTP超文本传输协议标准架构的发展根基。 -### URI 和 URL -每个Web 服务器资源都有一个名字，这样客户端就可以说明他们感兴趣的资源是什么了，服务器资源名被称为统一资源标识符（Uniform Resource Identifier,URI）。URI 就像因特网上的邮政地址一样，在世界范围内唯一标识并定位信息资源。 +### 🎯 HTTP缓存怎么实现的 -统一资源定位符（URL）是资源标识符最常见的形式。 URL 描述了一台特定服务器上某资源的特定位置。 +**HTTP 缓存** 是一种通过在客户端（如浏览器）或中间服务器（如代理服务器、CDN）存储资源副本，减少服务器负载并提高网页加载速度的技术。它通过缓存经常请求的资源，避免每次都向服务器发送相同的请求，从而提升性能。 -现在几乎所有的 URI 都是 URL。 +**HTTP 缓存的基本概念** -URI 的第二种形式就是统一资源名（URN）。URN 是作为特定内容的唯一名称使用的，与目前的资源所在地无关。　 +1. **强缓存（强制缓存 / 本地缓存）**： + - 浏览器直接从缓存中读取资源，而不与服务器通信。 + - 如果缓存资源在缓存期间有效，浏览器不会向服务器发送请求。 +2. **协商缓存（对比缓存）**： + - 浏览器会向服务器验证缓存是否仍然有效。 + - 如果资源没有更改，服务器会返回 `304 Not Modified`，浏览器继续使用缓存中的副本。 -### HTTP消息的结构 +**缓存相关的 HTTP 响应头** -**事务和报文** +服务器通过响应头告诉客户端如何缓存资源。以下是常用的缓存控制头： -客户端是怎样通过 HTTP 与 Web 服务器及其资源进行事务处理的呢？一个 **HTTP 事务**由一条请求命令（从客户端发往服务器）和一个响应（从服务器发回客户端）结果组成。这种通信是通过名为**HTTP报文**（HTTP Message）的格式化数据块进行的。 +1. `Cache-Control`：`Cache-Control` 是控制缓存行为的最重要的 HTTP 头，可以定义资源的缓存策略。常见的 `Cache-Control` 指令包括： -#### HTTP事务： + - **`max-age`**：定义资源可以缓存的最大时间（以秒为单位）。例如，`max-age=3600` 表示缓存 1 小时。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gds68n7iduj30jx08caag.jpg) + - **`no-cache`**：每次请求都会去服务器进行验证，协商缓存是否有效。 -#### 报文： + - **`no-store`**：禁止任何缓存，无论是强缓存还是协商缓存。 -HTTP 报文是纯文本，不是二进制代码。从 Web 客户端发往 Web 服务器的 HTTP 报文称为请求报文（request message）。从服务器发往客户端的报文称为响应报文。 + - **`public`**：资源可以被任何缓存（包括客户端和代理服务器）缓存。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdpnh0qepnj30p006eacq.jpg) + - **`private`**：资源只能被客户端缓存，不能被代理服务器缓存。 -HTTP 报文包括三部分： + - **`must-revalidate`**：在缓存过期后，必须向服务器验证资源是否还有效。 -- 起始行 -- 首部字段 -- 主体 +2. `Expires` -#### 常见HTTP 首部字段： + `Expires` 头部用于指定资源的过期时间，表示在此时间之前可以直接使用缓存。它是 `HTTP/1.0` 版本中的缓存机制，通常会被 `Cache-Control` 的 `max-age` 覆盖。 -**a、通用首部字段**（请求报文与响应报文都会使用的首部字段） +3. `ETag` -- Date：创建报文时间 -- Connection：连接的管理 -- Cache-Control：缓存的控制 -- Transfer-Encoding：报文主体的传输编码方式 + `ETag` 是资源的唯一标识符，用于协商缓存。当客户端请求资源时，会带上 `ETag`，服务器通过对比 `ETag` 判断资源是否发生变化。 -**b、请求首部字段**（请求报文会使用的首部字段） +4. `Last-Modified` -- Host：请求资源所在服务器 -- Accept：可处理的媒体类型 -- Accept-Charset：可接收的字符集 -- Accept-Encoding：可接受的内容编码 -- Accept-Language：可接受的自然语言 + `Last-Modified` 记录资源最后一次修改的时间。客户端可以通过 `If-Modified-Since` 请求头询问服务器该资源是否自该时间以来发生了变化。 -**c、响应首部字段（**响应报文会使用的首部字段） +**强缓存与协商缓存的工作流程** -- Accept-Ranges：可接受的字节范围 -- Location：令客户端重新定向到的URI -- Server：HTTP服务器的安装信息 +1. **强缓存**：强缓存是浏览器在缓存资源有效期内直接从本地缓存中获取资源，不与服务器通信。常用的头部有 `Cache-Control` 和 `Expires`。 -**d、实体首部字段**（请求报文与响应报文的的实体部分使用的首部字段） + **工作流程：** -- Allow：资源可支持的HTTP方法 -- Content-Type：实体主类的类型 -- Content-Encoding：实体主体适用的编码方式 -- Content-Language：实体主体的自然语言 -- Content-Length：实体主体的的字节数 -- Content-Range：实体主体的位置范围，一般用于发出部分请求时使用 + - 浏览器发起请求并获取资源及其缓存策略（例如 `Cache-Control: max-age=3600`）。 + - 在 3600 秒内，浏览器再次请求该资源时，直接从本地缓存中读取资源，而不会发送请求到服务器。 +2. **协商缓存**：当强缓存失效时，浏览器会与服务器进行通信，询问资源是否有更新。协商缓存通过 `ETag` 或 `Last-Modified` 进行判断。 -### 方法 + 工作流程： -Http 协议定义了很多与服务器交互的方法，最基本的有 4 种，分别是 **GET,POST,PUT,DELETE**. 一个 URL 地址用于描述一个网络上的资源，而 HTTP 中的 GET, POST, PUT, DELETE 就对应着对这个资源的查，改，增，删4个操作。 我们最常见的就是 GET 和 POST 了。GET 一般用于获取/查询资源信息，而 POST 一般用于更新资源信息。 + - 浏览器发送请求，附带 `If-None-Match` 或 `If-Modified-Since` 头部。 -- GET -- HEAD -- PUT -- POST -- TRACE -- OPTIONS -- DELETE + - 服务器检查资源是否发生变化： + - 如果资源未变化，服务器返回 `304 Not Modified`，浏览器使用本地缓存的副本。 + - 如果资源已变化，服务器返回最新的资源及状态码 `200`。 +**缓存的优先级** +1. **`Cache-Control` vs `Expires`**： 如果 `Cache-Control` 和 `Expires` 同时存在，`Cache-Control` 的 `max-age` 优先级更高。 +2. **`ETag` vs `Last-Modified`**： `ETag` 的优先级高于 `Last-Modified`。如果两者都存在，服务器通常会首先比较 `ETag`，然后再检查 `Last-Modified`。 -### GET与POST的区别 -GET与POST是我们常用的两种HTTP Method，二者之间的区别主要包括如下五个方面： -1. 从功能上讲，GET一般用来从服务器上获取资源，POST一般用来更新服务器上的资源； -2. 从REST服务角度上说，GET是幂等的，即读取同一个资源，总是得到相同的数据，而POST不是幂等的，因为每次请求对资源的改变并不是相同的；进一步地，GET不会改变服务器上的资源，而POST会对服务器资源进行改变； -3. 从请求参数形式上看，GET请求的数据会附在URL之后，即将请求数据放置在HTTP报文的请求头中，以 ? 分割URL和传输数据，参数之间以 & 相连。特别地，如果数据是英文字母/数字，原样发送；否则，会将其编码为 application/x-www-form-urlencoded MIME 字符串(如果是空格，转换为+，如果是中文/其他字符，则直接把字符串用BASE64加密，得出如：%E4%BD%A0%E5%A5%BD，其中％XX中的XX为该符号以16进制表示的ASCII)；而POST请求会把提交的数据则放置在是HTTP请求报文的 请求体 中。 -4. 就安全性而言，POST的安全性要比GET的安全性高，因为GET请求提交的数据将明文出现在URL上，而且POST请求参数则被包装到请求体中，相对更安全。 -5. 从请求的大小看，GET请求的长度受限于浏览器或服务器对URL长度的限制，允许发送的数据量比较小，而POST请求则是没有大小限制的。 +### 🎯 什么是幂等性？如何设计一个幂等的接口？ +幂等性（Idempotence）是指一个操作多次执行和一次执行的效果相同，不会因为多次请求而产生额外的副作用。 +在数学中，如果函数 f(x) 满足 f(f(x)) = f(x)，则称该函数是幂等的。在计算机科学和网络通信中，幂等性通常指以下两种情况： -HTTP请求结构： 请求方式 + 请求URI + 协议及其版本 +1. **重复请求**：对于同一个操作的多次请求，系统应该能够处理重复的请求而不产生额外的副作用。 +2. **并发请求**：对于同时发起的多个相同请求，系统应该能够确保操作只被执行一次。 -HTTP响应结构： 状态码 + 原因短语 + 协议及其版本 +设计幂等接口时，需要考虑以下几个关键点： -### 状态码 +1. **根据 HTTP 方法的语义设计** -每条HTTP响应报文返回时都会携带一个状态码。状态码是一个三位数字的代码，告知客户端请求是否成功，或者是都需要采取其他动作。 + - **GET**：天然幂等，因为它只是查询资源，不会修改服务器状态。 -- 1xx：表明服务端接收了客户端请求，客户端继续发送请求； -- 2xx：客户端发送的请求被服务端成功接收并成功进行了处理； -- 3xx：服务端给客户端返回用于重定向的信息； -- 4xx：客户端的请求有非法内容； -- 5xx：服务端未能正常处理客户端的请求而出现意外错误。 + - **DELETE**：确保重复删除同一个资源不会出错，比如返回 "Resource Not Found" 表示已经删除。 + - **PUT**：确保更新逻辑只会修改指定资源，比如通过资源 ID 定位并更新。 +2. **唯一标识符**：为每个请求分配一个唯一的标识符（如订单号、交易ID等），确保可以通过这个标识符检查操作是否已经执行过。 +3. **状态检查**：在执行操作前，检查当前状态是否允许执行该操作。如果操作已经完成或正在进行中，则拒绝重复的请求。 +4. **数据库设计**：在数据库中设计适当的约束（如唯一索引）和事务控制，确保数据的一致性和完整性。 -- **200 OK**：表示从客户端发送给服务器的请求被正常处理并返回； +------ -- **204 No Content**：表示客户端发送给客户端的请求得到了成功处理，但在返回的响应报文中不含实体的主体部分（没有资源可以返回） -- **206 Patial Content**：表示客户端进行了范围请求，并且服务器成功执行了这部分的GET请求，响应报文中包含由Content-Range指定范围的实体内容。 -- **301 Moved Permanently**：永久性重定向，表示请求的资源被分配了新的URL，之后应使用更改的URL； +## 八、数据链路层 -- **302 Found**：临时性重定向，表示请求的资源被分配了新的URL，希望本次访问使用新的URL； +### 🎯 数据链路层概述 -- **303 See Other**：表示请求的资源被分配了新的URL，应使用GET方法定向获取请求的资源 +数据链路层（Data Link Layer）是OSI七层模型的第二层，位于物理层之上、网络层之下。它的主要功能是在相邻的网络节点间提供可靠的数据传输服务，并处理物理层可能产生的错误。 -- 304 Not Modified：表示客户端发送附带条件（是指采用GET方法的请求报文中包含if-Match、If-Modified-Since、If-None-Match、If-Range、If-Unmodified-Since中任一首部）的请求时，服务器端允许访问资源，但是请求为满足条件的情况下返回改状态码； +#### 数据链路层的主要功能 -- **400 Bad Request**:表示请求报文中存在语法错误； +1. **成帧（Framing）**：将网络层传下来的数据包封装成帧，添加帧头和帧尾标识 +2. **错误检测和纠正**：通过校验和、CRC等方式检测和纠正传输错误 +3. **流量控制**：调节数据发送速率，防止接收方缓冲区溢出 +4. **访问控制**：在共享媒体中控制对传输媒体的访问 -- **401 Unauthorized**：未经许可，需要通过 HTTP 认证； +#### 帧结构详解 -- **403 Forbidden**：服务器拒绝该次访问（访问权限出现问题） +**基本帧格式**： -- **404 Not Found**：表示服务器上无法找到请求的资源，除此之外，也可以在服务器拒绝请求但不想给拒绝原因时使用； +``` ++----------+----------+----------+----------+ +| 帧起始符 | 帧头部 | 数据部分 | 帧尾部 | ++----------+----------+----------+----------+ +``` -- **500 Inter Server Error**：表示服务器在执行请求时发生了错误，也有可能是web应用存在的bug或某些临时的错误时； +**以太网帧结构**： -- 502（错误网关）：服务器作为网关或代理，从上游服务器收到无效响应。 +``` ++----------+----------+------+----------+--------+----------+ +| 前导码 | 目的地址 | 源地址| 类型/长度| 数据 | 帧校验序列| +| 8字节 | 6字节 | 6字节 | 2字节 |46-1500 | 4字节 | ++----------+----------+------+----------+--------+----------+ +``` -- **503 Server Unavailable**：表示服务器暂时处于超负载或正在进行停机维护，无法处理请求； +- **前导码**：用于同步，包含7个字节的前导码和1个字节的帧起始定界符 +- **目的地址/源地址**：48位MAC地址，标识帧的接收方和发送方 +- **类型/长度**：表示上层协议类型或帧中数据的长度 +- **数据**：实际传输的数据，最小46字节，最大1500字节 +- **帧校验序列**：32位CRC校验码，用于错误检测 - +### 🎯 MAC地址深入解析 -HTTP 是个应用层协议。HTTP 无需操心网络通信的具体细节，而是把这些细节都交给了通用可靠的因特网传输协议 TCP/IP。 +#### MAC地址的结构和特性 -在 HTTP 客户端向服务器发送报文之前，需要用网络协议（Internet Protocol，IP）地址和端口号在客户端和服务器之间建立一条 TCP/IP 协议。而 IP 地址就是通过 URL 提供的，像 `http://207.200.21.11:80/index.html`，还有使用域名服务（Domain Name Services，DNS）的 `http://www.lazyegg.net`。 +MAC（Media Access Control）地址是数据链路层和物理层使用的地址，长度为48位（6字节），通常用十六进制表示。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdpo1kf1lhj30rq0p8k4t.jpg) +**MAC地址结构**： +``` +XX:XX:XX:XX:XX:XX +|----| |---------| + OUI NIC +组织唯一 网络接口 +标识符 控制器 +``` +- **前24位（3字节）**：OUI（Organizationally Unique Identifier），由IEEE分配给厂商 +- **后24位（3字节）**：NIC（Network Interface Controller），由厂商自行分配 -### 协议版本 +#### MAC地址的类型 -- **HTTP/0.9** +1. **单播地址**：第一个字节的最低位为0，用于点对点通信 +2. **多播地址**：第一个字节的最低位为1，用于一对多通信 +3. **广播地址**：FF:FF:FF:FF:FF:FF，用于向网段内所有设备发送数据 - HTTP协议的最初版本，功能简陋，仅支持 GET 方法，并且仅能请求访问 HTML 格式的资源 +#### MAC 地址和 IP 地址分别有什么作用 -- **HTTP/1.0** +- **MAC 地址**：数据链路层和物理层使用的地址，是写在网卡上的物理地址。MAC 地址用来定义网络设备的位置，在局域网内唯一标识设备。 +- **IP 地址**：网络层和以上各层使用的地址，是一种逻辑地址。IP 地址用来区别网络上的计算机，实现跨网络的路由寻址。 - - 增加了请求方式 POST 和 HEAD - - 不再局限于0.9版本的HTML格式，根据Content-Type可以支持多种数据格式，即MIME多用途互联网邮件扩展，例如text/html、image/jpeg等 - - 同时也开始支持 cache，就是当客户端在规定时间内访问统一网站，直接访问cache即可 - - HTTP请求和回应的格式也变了。除了数据部分，每次通信都必须包括头信息（HTTP header），用来描述一些元数据。其他的新增功能还包括状态码（status code）、多字符集支持、多部分发送（multi-part type）、权限（authorization）、缓存（cache）、内容编码（content encoding）等 - - 但是1.0版本的工作方式是每次TCP连接只能发送一个请求，当服务器响应后就会关闭这次连接，下一个请求需要再次建立TCP连接，就是不支持keepalive +### 🎯 错误检测机制 -- **HTTP/1.0+** +#### CRC循环冗余校验 - 在20世纪90年代中叶，为满足飞快发展的万维网，很多流行的 Web 客户端和服务器飞快的向 HTTP 中添加各种特性，包括持久的 keep-alive 连接、虚拟主机支持，以及代理连接支持都被假如到 HTTP 中，并称为非官方的事实标准。这种非正式的 HTTP 扩展版本通常称为 HTTP/1.0+ +CRC（Cyclic Redundancy Check）是数据链路层最常用的错误检测方法： -- **HTTP/1.1** +**工作原理**： +1. 发送方根据数据和预定的生成多项式计算CRC校验码 +2. 将校验码附加在数据后面发送 +3. 接收方用相同的生成多项式对收到的数据进行校验 +4. 如果校验结果为0，说明传输正确；否则存在错误 - - http1.1是目前最为主流的http协议版本，从1997年发布至今，仍是主流的http协议版本。 - - 引入了持久连接，或叫长连接（ persistent connection），即TCP连接默认不关闭，可以被多个请求复用，不用声明Connection: keep-alive。 - - 引入了管道机制（ pipelining），即在同一个TCP连接里，客户端可以同时发送多个请求，进一步改进了HTTP协议的效率。 - - 新增方法：PUT、 PATCH、 OPTIONS、 DELETE。 - - http协议不带有状态，每次请求都必须附上所有信息。请求的很多字段都是重复的，浪费带宽，影响速度。 +**常用CRC标准**： +- CRC-8：8位校验码 +- CRC-16：16位校验码 +- CRC-32：32位校验码（以太网使用） -- **HTTP/2.0（又名 HTTP-NG）** +#### 奇偶校验 - - http/2发布于2015年，目前应用还比较少。 - - http/2是一个彻底的二进制协议，头信息和数据体都是二进制，并且统称为"帧"（frame）：头信息帧和数据帧。 - - 复用TCP连接，在一个连接里，客户端和浏览器都可以同时发送多个请求或回应，且不用按顺序一一对应，避免了队头堵塞的问题，此双向的实时通信称为多工（ Multiplexing）。 - - HTTP/2 允许服务器未经请求，主动向客户端发送资源，即服务器推送。 - - 引入头信息压缩机制（ header compression） ,头信息使用gzip或compress压缩后再发送。 +**简单奇偶校验**： +- 奇校验：数据位中1的个数加上校验位为奇数 +- 偶校验：数据位中1的个数加上校验位为偶数 +**海明码**： +- 能够检测双比特错误，纠正单比特错误 +- 使用多个校验位对数据的不同位进行保护 +### 🎯 以太网协议详解 -## 四、HTTPS +#### 以太网的发展历史 -HTTP 缺点： +1. **标准以太网**（10 Mbps）：10BASE-5, 10BASE-2, 10BASE-T +2. **快速以太网**（100 Mbps）：100BASE-TX, 100BASE-FX +3. **千兆以太网**（1 Gbps）：1000BASE-T, 1000BASE-SX +4. **万兆以太网**（10 Gbps）：10GBASE-T, 10GBASE-SR -1. 通信使用明文不对数据进行加密（内容容易被窃听） -2. 不验证通信方身份（容易伪装） -3. 无法确定报文完整性（内容易被篡改） +#### 以太网的特点 -因此，HTTP 协议不适合传输一些敏感信息，比如：信用卡号、密码等支付信息。 +- **无连接**：发送数据前不需要建立连接 +- **不可靠**：不保证数据一定能够到达目的地 +- **使用CSMA/CD协议**：载波侦听多路访问/冲突检测 -为了解决 HTTP 协议的这一缺陷，需要使用另一种协议：安全套接字层超文本传输协议 HTTPS，为了数据传输的安全，HTTPS 在 HTTP 的基础上加入了 SSL（安全套接层）协议，SSL 依靠证书来验证服务器的身份，并为浏览器和服务器之间的通信加密。 +### 🎯 以太网中的 CSMA/CD 协议详解 -**与 SSL（安全套接层）组合使用的 HTTP 就是 HTTPS** +CSMA/CD（Carrier Sense Multiple Access with Collision Detection）为载波侦听多路访问/冲突检测，是以太网采用的一种重要机制。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdrb5imj5uj30ro0aqq6q.jpg) +#### CSMA/CD工作原理 +1. **载波侦听（Carrier Sense）**： + - 发送前先侦听信道是否空闲 + - 如果信道忙，则等待直到信道变空闲 + - 如果信道空闲，立即开始发送 +2. **多路访问（Multiple Access）**： + - 多个站点共享同一个传输媒体 + - 允许多个节点同时监听信道状态 -![img](https://tva1.sinaimg.cn/large/007S8ZIlly1gds4ejm6cuj30r60cm40n.jpg) +3. **冲突检测（Collision Detection）**： + - 边发送边监听，检测是否发生冲突 + - 一旦检测到冲突，立即停止发送 + - 发送干扰信号通知其他站点 -### HTTP 和 HTTPS 对比 +#### 二进制指数退避算法 -HTTP 协议传输的数据都是未加密的，也就是明文的，因此使用 HTTP 协议传输隐私信息非常不安全，为了保证这些隐私数据能加密传输，于是网景公司设计了 SSL（Secure Sockets Layer）协议用于对 HTTP 协议传输的数据进行加密，从而就诞生了 HTTPS。简单来说，HTTPS 协议是由 SSL+HTTP 协议构建的可进行加密传输、身份认证的网络协议，要比 HTTP 协议安全。 +当发生冲突时，CSMA/CD使用二进制指数退避算法： -HTTPS 和 HTTP 的区别主要如下： +1. 确定参数k = min(重传次数, 10) +2. 在{0, 1, 2, ..., 2^k-1}中随机选择一个数r +3. 等待r×512位时间后重传 +4. 重传16次后放弃，向上层报告错误 -1. https协议需要到ca申请证书，一般免费证书较少，因而需要一定费用。 -2. http是超文本传输协议，信息是明文传输，https则是具有安全性的ssl加密传输协议。 -3. http和https使用的是完全不同的连接方式，用的端口也不一样，前者是80，后者是443。 -4. http的连接很简单，是无状态的；HTTPS协议是由SSL+HTTP协议构建的可进行加密传输、身份认证的网络协议，比http协议安全。 +### 🎯 交换技术 +#### 网桥和交换机 +**网桥的工作原理**： +- 存储转发：先接收完整帧，检查无误后再转发 +- 学习功能：通过学习建立MAC地址表 +- 过滤功能：根据MAC地址表决定是否转发 -### 对称加密与非对称加密 +**交换机的优势**： +- 多端口网桥，每个端口独立的冲突域 +- 全双工通信，发送和接收同时进行 +- 多种帧转发方式：存储转发、直通交换、片段释放 -主要的加密方法分为两种：一种是共享密钥加密（对称密钥加密），一种是公开密钥加密（非对称密钥加密） +#### VLAN技术 -#### 共享密钥加密(对称秘钥加密) +**VLAN（Virtual Local Area Network）虚拟局域网**： -加密与解密使用同一个密钥，常见的对称加密算法：DES，AES，3DES等。 +**VLAN的优点**： +- 减少广播域的大小 +- 增强网络安全性 +- 灵活的网络管理 +- 节约网络设备投资 -![img](https://tva1.sinaimg.cn/large/007S8ZIlly1gds4ee4n2nj30pd0fhgoc.jpg) +**VLAN标记**： +- IEEE 802.1Q标准 +- 在以太网帧中插入4字节VLAN标记 +- 包含12位VLAN ID（支持4094个VLAN） -也就是说在加密的同时，也会把密钥发送给对方。在发送密钥过程中可能会造成密钥被窃取，那么如何解决这一问题呢？ +### 🎯 数据链路层的三个基本问题 -#### 公开密钥（非对称密钥） +#### 封装成帧 -公开密钥使用一对非对称密钥。一把叫私有密钥，另一把叫公开密钥。私有密钥不让任何人知道，公有密钥随意发送。公钥加密的信息，只有私钥才能解密。常见的非对称加密算法：RSA，ECC等。 +**成帧的目的**： +- 将网络层的IP数据报封装成帧 +- 在帧的前面和后面分别添加帧头和帧尾 +- 帧头和帧尾包含重要的控制信息 -也就是说，发送密文方使用对方的公开密钥进行加密，对方接受到信息后，使用私有密钥进行解密。 +**帧的边界标识方法**： +1. **字符计数法**：帧头包含帧的长度信息 +2. **字符填充法**：使用特殊字符作为帧的开始和结束标志 +3. **零比特填充法**：在数据中遇到特定模式时插入0比特 +4. **物理层编码违例**：利用物理层编码规则的违例来标识帧边界 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gds4ewaqefj30ff0bpjtq.jpg) +#### 透明传输 +**透明传输的含义**： +- 不管数据是什么样的比特组合，都能在数据链路上传输 +- 对上层来说，数据链路层是透明的 +**字符填充法实现透明传输**： +- 发送端：在数据中出现控制字符前插入转义字符 +- 接收端：删除转义字符，恢复原始数据 -对称加密加密与解密使用的是同样的密钥，所以速度快，但由于需要将密钥在网络传输，所以安全性不高。 +**零比特填充法实现透明传输**： +- 发送端：在5个连续的1后面插入一个0 +- 接收端：在5个连续的1后面删除一个0 -非对称加密使用了一对密钥，公钥与私钥，所以安全性高，但加密与解密速度慢。 +#### 差错检测 -为了解决这一问题，https 采用对称加密与非对称加密的混合加密方式。 +**差错产生的原因**： +- 噪声干扰 +- 信号衰减 +- 多径传播 +- 设备故障 +**检错编码和纠错编码**： +- **检错编码**：只能检测错误，如奇偶校验码、CRC +- **纠错编码**：既能检测又能纠正错误，如海明码 +### 🎯 停止等待协议 -### SSL/TSL +停止等待协议是最简单的流量控制和差错控制协议： -SSL（Secure Sockets Layer），中文叫做“安全套接层”。它是在上世纪90年代中期，由网景公司设计的。 +#### 工作原理 -SSL 协议就是用来解决 HTTP 传输过程的不安全问题，到了1999年，SSL 因为应用广泛，已经成为互联网上的事实标准。IETF 就在那年把 SSL 标准化。标准化之后的名称改为 TLS（是“Transport Layer Security”的缩写），中文叫做“传输层安全协议”。 +1. 发送方发送一个数据帧后停止发送 +2. 等待接收方的确认帧 +3. 收到确认后才发送下一帧 +4. 如果在规定时间内没有收到确认，重传该帧 -很多相关的文章都把这两者并列称呼（SSL/TLS），因为这两者可以视作同一个东西的不同阶段。 +#### 四种情况处理 -SSL/TLS协议的基本思路是采用[公钥加密法](http://en.wikipedia.org/wiki/Public-key_cryptography)，也就是说，客户端先向服务器端索要公钥，然后用公钥加密信息，服务器收到密文后，用自己的私钥解密。 +1. **无差错情况**：正常发送和确认 +2. **数据帧丢失**：发送方超时重传 +3. **确认帧丢失**：发送方超时重传，接收方丢弃重复帧 +4. **确认帧迟到**：发送方已重传并继续，丢弃迟到的确认 -但是，这里有两个问题。 +#### 为什么有了 MAC 地址还需要 IP 地址 -- **如何保证公钥不被篡改？** +如果我们只使用 MAC 地址进行寻址的话，我们需要路由器记住每个 MAC 地址属于哪一个子网，不然每一次路由器收到数据包时都要满世界寻找目的 MAC 地址。而我们知道 MAC 地址的长度为 48 位，也就是说最多总共有 2 的 48 次方个 MAC 地址，这就意味着每个路由器需要 256 T 的内存，这显然是不现实的。 -​ 解决方法：将公钥放在数字证书中。只要证书是可信的，公钥就是可信的。 +和 MAC 地址不同，IP 地址是和地域相关的，在一个子网中的设备，我们给其分配的 IP 地址前缀都是一样的，这样路由器就能根据 IP 地址的前缀知道这个设备属于哪个子网，剩下的寻址就交给子网内部实现，从而大大减少了路由器所需要的内存。 -- **公钥加密计算量太大，如何减少耗用的时间？** +#### 为什么有了 IP 地址还需要 MAC 地址 - 每一次对话（session），客户端和服务器端都生成一个"对话密钥"（session key），用它来加密信息。由于"对话密钥"是对称加密，所以运算速度非常快，而服务器公钥只用于加密"对话密钥"本身，这样就减少了加密运算的消耗时间。 +只有当设备连入网络时，才能根据他进入了哪个子网来为其分配 IP 地址，在设备还没有 IP 地址的时候或者在分配 IP 地址的过程中，我们需要 MAC 地址来区分不同的设备。 -因此，SSL/TLS协议的基本过程是这样的： +#### 私网地址和公网地址之间进行转换：同一个局域网内的两个私网地址，经过转换之后外面看到的一样吗 -1. 服务端将非对称加密的公钥发送给客户端； +当采用静态或者动态转换时，由于一个私网 IP 地址对应一个公网地址，因此经过转换之后的公网 IP 地址是不同的；而采用端口复用方式的话，在一个子网中的所有地址都采用一个公网地址，但是使用的端口是不同的。 -2. 客户端拿着服务端发来的公钥，对对称加密的key做加密并发给服务端； +#### 以太网中的 CSMA/CD 协议 -3. 服务端拿着自己的私钥对发来的密文解密，从而获取到对称加密的key； +CSMA/CD 为载波侦听多路访问/冲突检测，是像以太网这种广播网络采用的一种机制，我们知道在以太网中多台主机在同一个信道中进行数据传输，CSMA/CD 很好的解决了共享信道通信中出现的问题，它的工作原理主要包括两个部分： -4. 二者利用对称加密的key对需要传输的消息做加解密传输。 +- 载波监听：当使用 CSMA/CD 协议时，总线上的各个节点都在监听信道上是否有信号在传输，如果有的话，表明信道处于忙碌状态，继续保持监听，直到信道空闲为止。如果发现信道是空闲的，就立即发送数据。 +- 冲突检测：当两个或两个以上节点同时监听到信道空闲，便开始发送数据，此时就会发生碰撞（数据的传输延迟也可能引发碰撞）。当两个帧发生冲突时，数据帧就会破坏而失去了继续传输的意义。在数据的发送过程中，以太网是一直在监听信道的，当检测到当前信道冲突，就立即停止这次传输，避免造成网络资源浪费，同时向信道发送一个「冲突」信号，确保其它节点也发现该冲突。之后采用一种二进制退避策略让待发送数据的节点随机退避一段时间之后重新。 +#### 数据链路层上的三个基本问题 +**封装成帧**：将网络层传下来的分组前后分别添加首部和尾部，这样就构成了帧。首部和尾部的一个重要作用是帧定界，也携带了一些必要的控制信息，对于每种数据链路层协议都规定了帧的数据部分的最大长度。 -HTTPS 相比 HTTP，在请求前多了一个「握手」的环节。 +**透明传输**：帧使用首部和尾部进行定界，如果帧的数据部分含有和首部和尾部相同的内容， 那么帧的开始和结束的位置就会判断错，因此需要在数据部分中出现有歧义的内容前边插入转义字符，如果数据部分出现转义字符，则在该转义字符前再加一个转义字符。在接收端进行处理之后可以还原出原始数据。这个过程透明传输的内容是转义字符，用户察觉不到转义字符的存在。 -握手过程中确定了数据加密的密码。在握手过程中，网站会向浏览器发送 SSL 证书，SSL 证书和我们日常用的身份证类似，是一个支持 HTTPS 网站的身份证明，SSL 证书里面包含了网站的域名，证书有效期，证书的颁发机构以及用于加密传输密码的公钥等信息，由于公钥加密的密码只能被在申请证书时生成的私钥解密，因此浏览器在生成密码之前需要先核对当前访问的域名与证书上绑定的域名是否一致，同时还要对证书的颁发机构进行验证，如果验证失败浏览器会给出证书错误的提示。 +**差错检测**：目前数据链路层广泛使用循环冗余检验（CRC）来检查数据传输过程中是否产生比特差错。 -### 证书 +#### PPP 协议 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gds4f2pq0cj30bc0d2dg2.jpg) +互联网用户通常需要连接到某个 ISP 之后才能接入到互联网，PPP（点对点）协议是用户计算机和 ISP 进行通信时所使用的数据链路层协议。点对点协议为点对点连接上传输多协议数据包提供了一个标准方法。该协议设计的目的主要是用来通过拨号或专线方式建立点对点连接发送数据，使其成为各种主机、网桥和路由器之间简单连接的一种解决方案。 -实际上，我们使用的证书分很多种类型，SSL证书只是其中的一种。证书的格式是由 X.509 标准定义。SSL 证书负责传输公钥，是一种PKI（Public Key Infrastructure，公钥基础结构）证书。 +PPP 协议具有以下特点： -我们常见的证书根据用途不同大致有以下几种： +- PPP 协议具有动态分配 IP 地址的能力，其允许在连接时刻协商 IP 地址。 +- PPP 支持多种网络协议，例如 TCP/IP、NETBEUI 等。 +- PPP 具有差错检测能力，但不具备纠错能力，所以 PPP 是不可靠传输协议。 +- 无重传的机制，网络开销小，速度快。 +- PPP 具有身份验证的功能。 -1. SSL证书，用于加密HTTP协议，也就是HTTPS。 -2. 代码签名证书，用于签名二进制文件，比如Windows内核驱动，Firefox插件，Java代码签名等等。 -3. 客户端证书，用于加密邮件。 -4. 双因素证书，网银专业版使用的USB Key里面用的就是这种类型的证书。 +#### 为什么 PPP 协议不使用序号和确认机制 -这些证书都是由受认证的证书颁发机构——我们称之为CA（Certificate Authority）机构来颁发，针对企业与个人的不同，可申请的证书的类型也不同，价格也不同。CA机构颁发的证书都是受信任的证书，对于 SSL 证书来说，如果访问的网站与证书绑定的网站一致就可以通过浏览器的验证而不会提示错误。 +- IETF 在设计因特网体系结构时把齐总最复杂的部分放在 TCP 协议中，而网际协议 IP 则相对比较简单，它提供的是不可靠的数据包服务，在这种情况下，数据链路层没有必要提供比 IP 协议更多的功能。若使用能够实现可靠传输的数据链路层协议，则开销就要增大，这在数据链路层出现差错概率不大时是得不偿失的。 +- 即使数据链路层实现了可靠传输，但其也不能保证网络层的传输也是可靠的，当数据帧在路由器中从数据链路层上升到网络层后，仍有可能因为网络层拥塞而被丢弃。 +- PPP 协议在帧格式中有帧检验序列，对每一个收到的帧，PPP 都会进行差错检测，若发现差错，则丢弃该帧。 + + + +### 🎯 物理层 + +#### 物理层主要做什么事情 + +作为 OSI 参考模型最低的一层，物理层是整个开放系统的基础，该层利用传输介质为通信的两端建立、管理和释放物理连接，实现比特流的透明传输。物理层考虑的是怎样才能在连接各种计算机的传输媒体上传输数据比特流，其尽可能地屏蔽掉不同种类传输媒体和通信手段的差异，使物理层上面的数据链路层感觉不到这些差异，这样就可以使数据链路层只考虑完成本层的协议和服务，而不必考虑网络的具体传输媒体和通信手段是什么。 + +#### 主机之间的通信方式 + +**单工通信**：也叫单向通信，发送方和接收方是固定的，消息只能单向传输。例如采集气象数据、家庭电费，网费等数据收集系统，或者打印机等应用主要采用单工通信。 **半双工通信**：也叫双向交替通信，通信双方都可以发送消息，但同一时刻同一信道只允许单方向发送数据。例如传统的对讲机使用的就是半双工通信。 **全双工通信**：也叫双向同时通信，全双工通信允许通信双方同时在两个方向是传输，其要求通信双方都具有独立的发送和接收数据的能力。例如平时我们打电话，自己说话的同时也能听到对面的声音。 + +#### 通道复用技术 + +**频分复用（FDM，Frequency Division Multiplexing）** 频分复用将传输信道的总带宽按频率划分为若干个子频带或子信道，每个子信道传输一路信号。用户分到一定的频带后，在数据传输的过程中自始至终地占用这个频带。由于每个用户所分到的频带不同，使得传输信道在同一时刻能够支持不同用户进行数据传输，从而实现复用。除了传统意义上的 FDM 外，目前正交频分复用（OFDM）已在高速通信系统中得到广泛应用。 + +**时分复用（TDM，Time Division Multiplexing）** 顾名思义，时分复用将信道传输信息的时间划分为若干个时间片，每一个时分复用的用户在每一个 TDM 帧中占用固定时隙进行数据传输。用户所分配到的时隙是固定的，所以时分复用有时也叫做同步时分复用。这种分配方式能够便于调节控制，但是也存在缺点，当某个信道空闲时，其他繁忙的信道无法占用该空闲信道，因此会降低信道利用率。 + +**波分复用（WDM，Wavelength Division Multiplexing）** 在光通信领域通常按照波长而不是频率来命名，因为光的频率和波长具有单一对应关系，因此 WDM 本质上也是 FDM，光通信系统中，通常由光来运载信号进行传输，WDM 是在一条光纤上传输多个波长光信号，其将 1 根光纤看做多条「虚拟」光纤，每条「虚拟」光纤工作在不同的波长上，从而极大地提高了光纤的传输容量。 + +**码分复用（CDM，Code Division Multiplexing）** 码分复用是靠不同的编码来区分各路原始信号的一种复用方式，不同的用户使用相互正交的码字携带信息。由于码组相互正交，因此接收方能够有效区分不同的用户数据，从而实现每一个用户可以在同样的时间在同样的频带进行数据传输，频谱资源利用率高。其主要和各种多址接入技术相结合从而产生各种接入技术，包括无线和优先接入。 + +#### 几种常用的宽带接入技术 + +我们一般将速率超过 1 Mbps 的接入称为宽带接入，目前常用的宽带接入技术主要包括：ADSL 和 FTTx + LAN。 + +- ADSL + +ADSL 全称为非对称用户数字环路，是铜线宽带接入技术的一种。其非对称体现在用户上行和下行的传输速率不相等，一般上行速率较低，下行速率高。这种接入技术适用于有宽带业务需求的家庭用户或者中小型商务用户等。 + +- FTTx + LAN + +其中 FTTx 英文翻译为 Fiber To The X，这里的 X 指任何地方，我们可以理解为光纤可以接入到任何地方，而 LAN 指的是局域网。FTTx + LAN 是一种在接入网全部或部分采用光纤传输介质，构成光纤用户线路，从而实现用户高速上网的接入技术，其中用户速率可达 20 Mbps。这种接入技术投资规模小，网络拓展性强，网络可靠稳定，使得其应用广泛，目前是城市汇总较为普及的一种宽带接入技术。 + +其它还有 光纤同轴混合网（HFC）、光接入技术（有源和无源光纤系统）和无线接入技术等等。 + +--- + +## 📚 九、性能优化与监控 +### 🎯 网络性能指标 +#### 关键性能指标（KPI） -**为什么服务端要发送证书给客户端** +**带宽（Bandwidth）**： +- 定义：网络在单位时间内能传输的最大数据量 +- 单位：bps（bits per second） +- 影响因素：物理链路容量、网络设备处理能力 -互联网有太多的服务需要使用证书来验证身份，以至于客户端(操作系统或浏览器等)无法内置所有证书，需要通过服务端将证书发送给客户端。 +**延迟（Latency）**： +- 定义：数据从源到目的地所需的时间 +- 组成：传播延迟、传输延迟、处理延迟、排队延迟 +- 单位：毫秒（ms） -**客户端为什么要验证接收到的证书** +**吞吐量（Throughput）**： +- 定义：实际传输的数据速率 +- 与带宽关系：吞吐量 ≤ 带宽 +- 影响因素：网络拥塞、协议开销、设备性能 -中间人攻击 +**丢包率（Packet Loss Rate）**： +- 定义：丢失数据包占总数据包的比例 +- 计算：丢包率 = 丢失包数 / 总发送包数 × 100% +- 影响：数据重传、应用性能下降 + +**抖动（Jitter）**： +- 定义：延迟变化的程度 +- 单位：毫秒（ms） +- 影响：实时应用（语音、视频）质量 + +#### 网络利用率计算 ``` -客户端<------------攻击者<------------服务端 - 伪造证书 拦截请求 +网络利用率 = (实际传输流量 / 链路容量) × 100% + +示例： +链路容量：100 Mbps +实际流量：75 Mbps +网络利用率 = (75 / 100) × 100% = 75% ``` -**客户端如何验证接收到的证书** +### 🎯 网络调优策略 -为了回答这个问题，需要引入数字签名(Digital Signature)。 +#### TCP调优参数 -``` -+---------------------+ -| A digital signature | -|(not to be confused | -|with a digital | -|certificate) | +---------+ +--------+ -| is a mathematical |----哈希--->| 消息摘要 |---私钥加密--->| 数字签名 | -|technique used | +---------+ +--------+ -|to validate the | -|authenticity and | -|integrity of a | -|message, software | -|or digital document. | -+---------------------+ +**1. TCP窗口相关参数**： +```bash +# 调整TCP接收窗口大小 +net.core.rmem_default = 262144 +net.core.rmem_max = 16777216 + +# 调整TCP发送窗口大小 +net.core.wmem_default = 262144 +net.core.wmem_max = 16777216 + +# TCP自动窗口调优 +net.ipv4.tcp_window_scaling = 1 ``` -将一段文本通过哈希（hash）和私钥加密处理后生成数字签名。 +**2. TCP连接相关参数**： +```bash +# 最大TCP连接数 +net.core.somaxconn = 65535 -假设消息传递在Bob，Susan和Pat三人之间发生。Susan将消息连同数字签名一起发送给Bob，Bob接收到消息后，可以这样验证接收到的消息就是Susan发送的 +# TCP连接回收 +net.ipv4.tcp_tw_reuse = 1 +net.ipv4.tcp_fin_timeout = 30 +# TCP Keepalive设置 +net.ipv4.tcp_keepalive_time = 600 +net.ipv4.tcp_keepalive_intvl = 30 +net.ipv4.tcp_keepalive_probes = 3 ``` -+---------------------+ -| A digital signature | -|(not to be confused | -|with a digital | -|certificate) | +---------+ -| is a mathematical |----哈希--->| 消息摘要 | -|technique used | +---------+ -|to validate the | | -|authenticity and | | -|integrity of a | | -|message, software | 对 -|or digital document. | 比 -+---------------------+ | - | - | - +--------+ +---------+ - | 数字签名 |---公钥解密--->| 消息摘要 | - +--------+ +---------+ + +**3. TCP拥塞控制算法**： +```bash +# 查看可用拥塞控制算法 +cat /proc/sys/net/ipv4/tcp_available_congestion_control + +# 设置拥塞控制算法 +net.ipv4.tcp_congestion_control = bbr ``` -当然，这个前提是Bob知道Susan的公钥。更重要的是，和消息本身一样，公钥不能在不安全的网络中直接发送给Bob。此时就引入了[证书颁发机构](https://en.wikipedia.org/wiki/Certificate_authority)（Certificate Authority，简称CA），CA数量并不多，Bob客户端内置了所有受信任CA的证书。CA对Susan的公钥（和其他信息）数字签名后生成证书。 +#### 网络设备优化 -Susan将证书发送给Bob后，Bob通过CA证书的公钥验证证书签名。 +**交换机优化**： +- 启用流量控制（Flow Control） +- 配置QoS（Quality of Service）策略 +- 使用VLAN分割广播域 +- 启用端口聚合（Link Aggregation） -Bob信任CA，CA信任Susan 使得 Bob信任Susan，[信任链](https://en.wikipedia.org/wiki/Chain_of_trust)（Chain Of Trust）就是这样形成的。 +**路由器优化**： +- 优化路由表结构 +- 配置负载均衡 +- 启用硬件加速 +- 调整缓冲区大小 -事实上，Bob客户端内置的是CA的根证书(Root Certificate)，HTTPS协议中服务器会发送证书链（Certificate Chain）给客户端。 +**防火墙优化**： +- 规则优化和排序 +- 连接跟踪表调优 +- 会话超时配置 +- 硬件卸载功能 +### 🎯 故障排查方法 +#### 分层排查法 -### HTTPS的工作原理 +**1. 物理层排查**： +```bash +# 检查网卡状态 +ethtool eth0 -1. Client 使用 https 的 URL 访问 Server，要求与 Server 建立 SSL 连接 -2. Server 把事先配置好的公钥证书返回给客户端。 -3. Client 验证公钥证书：比如是否在有效期内，证书的用途是不是匹配 Client 请求的站点，是不是在 CRL 吊销列表里面，它的上一级证书是否有效，这是一个递归的过程，直到验证到根证书（操作系统内置的Root证书或者Client内置的Root证书）。如果验证通过则继续，不通过则显示警告信息。 -4. Client 使用伪随机数生成器生成加密所使用的对称密钥，然后用证书的公钥加密这个对称密钥，发给Server。 -5. Server使用自己的私钥（private key）解密这个消息，得到对称密钥。至此，Client和Server双方都持有了相同的对称密钥。 -6. Server使用对称密钥加密“明文内容A”，发送给Client。 -7. Client使用对称密钥解密响应的密文，得到“明文内容A”。 -8. Client再次发起HTTPS的请求，使用对称密钥加密请求的“明文内容B”，然后Server使用对称密钥解密密文，得到“明文内容B”。 +# 查看接口统计信息 +cat /proc/net/dev -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gdqyp5t210j31ey0u0n0y.jpg) +# 检查链路状态 +ip link show +``` +**2. 数据链路层排查**： +```bash +# 检查ARP表 +arp -a +# 查看MAC地址表 +bridge fdb show -### HTTPS的优点 +# 检查网桥状态 +brctl show +``` -尽管 HTTPS 并非绝对安全，掌握根证书的机构、掌握加密算法的组织同样可以进行中间人形式的攻击，但 HTTPS仍是现行架构下最安全的解决方案，主要有以下几个好处： +**3. 网络层排查**： +```bash +# 路由表检查 +route -n +ip route show -1. 使用HTTPS协议可认证用户和服务器，确保数据发送到正确的客户机和服务器； -2. HTTPS协议是由SSL+HTTP协议构建的可进行加密传输、身份认证的网络协议，要比http协议安全，可防止数据在传输过程中不被窃取、改变，确保数据的完整性。 -3. HTTPS是现行架构下最安全的解决方案，虽然不是绝对安全，但它大幅增加了中间人攻击的成本。 -4. 谷歌曾在2014年8月份调整搜索引擎算法，并称“比起同等HTTP网站，采用HTTPS加密的网站在搜索结果中的排名将会更高”。 +# 连通性测试 +ping -c 4 destination +traceroute destination + +# ICMP错误检查 +ping -M do -s 1472 destination +``` -### HTTPS的缺点 +**4. 传输层排查**： +```bash +# 端口连接性测试 +telnet host port +nc -zv host port -虽然说HTTPS有很大的优势，但其相对来说，还是存在不足之处的： +# TCP连接状态查看 +netstat -ant +ss -ant -1. HTTPS协议握手阶段比较费时，会使页面的加载时间延长近50%，增加10%到20%的耗电； -2. HTTPS连接缓存不如HTTP高效，会增加数据开销和功耗，甚至已有的安全措施也会因此而受到影响； -3. SSL证书需要钱，功能越强大的证书费用越高，个人网站、小网站没有必要一般不会用。 -4. SSL证书通常需要绑定IP，不能在同一IP上绑定多个域名，IPv4资源不可能支撑这个消耗。 -5. HTTPS协议的加密范围也比较有限，在黑客攻击、拒绝服务攻击、服务器劫持等方面几乎起不到什么作用。最关键的，SSL证书的信用链体系并不安全，特别是在某些国家可以控制CA根证书的情况下，中间人攻击一样可行。 +# UDP端口测试 +nc -u host port +``` +#### 常用排查命令 +**网络连接查看**： +```bash +# 查看所有连接 +netstat -tuln -### HTTP 切换到 HTTPS +# 查看指定端口连接 +lsof -i :80 -如果需要将网站从http切换到https到底该如何实现呢？ +# 查看进程网络连接 +lsof -p PID -这里需要将页面中所有的链接，例如js，css，图片等等链接都由http改为https。例如：http://www.baidu.com改为https://www.baidu.com +# 查看网络连接统计 +ss -s +``` -BTW，这里虽然将http切换为了https，还是建议保留http。所以我们在切换的时候可以做http和https的兼容，具体实现方式是，去掉页面链接中的http头部，这样可以自动匹配http头和https头。例如：将http://www.baidu.com改为//www.baidu.com。然后当用户从http的入口进入访问页面时，页面就是http，如果用户是从https的入口进入访问页面，页面即使https的。 +**流量分析**： +```bash +# 实时流量监控 +iftop -i eth0 +# 网络流量统计 +vnstat -i eth0 +# 详细流量分析 +tcpdump -i eth0 -n host 192.168.1.1 +``` -### 什么是Cookie，Cookie的使用过程是怎么样的？ +**性能测试**： +```bash +# 网络带宽测试 +iperf3 -s # 服务端 +iperf3 -c server_ip # 客户端 -由于 http 协议是无状态协议，如果客户通过浏览器访问 web 应用时没有一个保存用户访问状态的机制，那么将不能持续跟踪应用的操作。比如当用户往购物车中添加了商品，web 应用必须在用户浏览别的商品的时候仍保存购物车的状态，以便用户继续往购物车中添加商品。 +# HTTP性能测试 +ab -n 1000 -c 10 http://example.com/ -cookie 是浏览器的一种缓存机制，它可用于维持客户端与服务器端之间的会话。由于下面一题会讲到 session，所以这里要强调cookie会将会话保存在客户端（session则是把会话保存在服务端） +# 网络延迟测试 +mtr destination +``` -这里以最常见的登陆案例讲解cookie的使用过程： +### 🎯 网络监控体系 -1. 首先用户在客户端浏览器向服务器发起登陆请求 -2. 登陆成功后，服务端会把登陆的用户信息设置 cookie 中，返回给客户端浏览器 -3. 客户端浏览器接收到 cookie 请求后，会把 cookie 保存到本地（可能是内存，也可能是磁盘，看具体使用情况而定） -4. 以后再次访问该 web 应用时，客户端浏览器就会把本地的 cookie 带上，这样服务端就能根据 cookie 获得用户信息了 +#### 监控指标分类 +**1. 基础设施监控**： +- 设备状态（CPU、内存、温度） +- 接口状态（up/down、速率） +- 电源状态 +- 风扇状态 +**2. 流量监控**： +- 接口流量（输入/输出字节数） +- 包数统计 +- 错误包统计 +- 广播包统计 -### 什么是session，有哪些实现session的机制？ +**3. 性能监控**： +- 延迟监控 +- 丢包率监控 +- 抖动监控 +- 可用性监控 -session 是一种维持客户端与服务器端会话的机制。但是与 **cookie 把会话信息保存在客户端本地不一样，session 把会话保留在浏览器端。** +**4. 安全监控**： +- 异常流量监控 +- 攻击检测 +- 访问控制监控 +- 安全事件记录 -我们同样以登陆案例为例子讲解 session 的使用过程： +#### 监控工具和协议 -1. 首先用户在客户端浏览器发起登陆请求 -2. 登陆成功后，服务端会把用户信息保存在服务端，并返回一个唯一的 session 标识给客户端浏览器。 -3. 客户端浏览器会把这个唯一的 session 标识保存在起来 -4. 以后再次访问 web 应用时，客户端浏览器会把这个唯一的 session 标识带上，这样服务端就能根据这个唯一标识找到用户信息。 +**SNMP（Simple Network Management Protocol）**： +```bash +# SNMP查询示例 +snmpwalk -v2c -c public 192.168.1.1 1.3.6.1.2.1.1 -看到这里可能会引起疑问：把唯一的 session 标识返回给客户端浏览器，然后保存起来，以后访问时带上，这难道不是 cookie 吗？ +# 获取接口流量 +snmpget -v2c -c public 192.168.1.1 1.3.6.1.2.1.2.2.1.10.1 +``` -没错，s**ession 只是一种会话机制，在许多 web 应用中，session 机制就是通过 cookie 来实现的**。也就是说它只是使用了 cookie 的功能，并不是使用 cookie 完成会话保存。与 cookie 在保存客户端保存会话的机制相反，session 通过 cookie 的功能把会话信息保存到了服务端。 +**Syslog**： +- 集中化日志收集 +- 实时日志监控 +- 日志分析和告警 +- 日志归档和查询 -进一步地说，session 是一种维持服务端与客户端之间会话的机制，它可以有不同的实现。以现在比较流行的小程序为例，阐述一个 session 的实现方案： +**NetFlow/sFlow**： +- 流量分析 +- 行为分析 +- 容量规划 +- 安全分析 -1. 首先用户登陆后，需要把用户登陆信息保存在服务端，这里我们可以采用 redis。比如说给用户生成一个 userToken，然后以 userId 作为键，以 userToken 作为值保存到 redis 中，并在返回时把 userToken 带回给小程序端。 -2. 小程序端接收到 userToken 后把它缓存起来，以后每当访问后端服务时就把 userToken 带上。 -3. 在后续的服务中服务端只要拿着小程序端带来的 userToken 和 redis 中的 userToken 进行比对，就能确定用户的登陆状态了。 +#### 监控系统架构 +**分布式监控架构**： +``` +[网络设备] → [采集器] → [数据存储] → [分析展示] + ↓ ↓ ↓ ↓ + SNMP/ Collector Time Series Dashboard + Syslog Database & Alert +``` +**关键组件**： +- **数据采集**：SNMP、Syslog、NetFlow采集器 +- **数据存储**：时序数据库（InfluxDB、Prometheus） +- **数据处理**：实时计算、数据聚合、异常检测 +- **可视化**：Dashboard、图表、拓扑图 +- **告警系统**：阈值告警、趋势告警、智能告警 -### session和cookie有什么区别 +### 🎯 性能分析方法 -经过上面两道题的阐述，这道题就很清晰了 +#### 瓶颈识别 -1. cookie 是浏览器提供的一种缓存机制，它可以用于维持客户端与服务端之间的会话 -2. session 指的是维持客户端与服务端会话的一种机制，它可以通过 cookie 实现，也可以通过别的手段实现。 -3. 如果用 cookie 实现会话，那么会话会保存在客户端浏览器中 -4. 而 session 机制提供的会话是保存在服务端的。 +**1. CPU瓶颈识别**： +```bash +# 查看网络相关CPU使用 +top -p $(pidof -x networking-process) +# 查看软中断使用情况 +cat /proc/softirqs +# 网络接口队列查看 +cat /proc/interrupts | grep eth +``` -## Other FAQ　　　　　 +**2. 内存瓶颈识别**： +```bash +# 网络缓冲区使用情况 +cat /proc/net/sockstat -### 从输入网址到获得页面的过程 +# TCP内存使用 +cat /proc/net/tcp_mem -1. 浏览器查询 DNS，获取域名对应的 IP 地址：具体过程包括浏览器搜索自身的DNS缓存、搜索操作系统的DNS缓存、读取本地的Host文件和向本地DNS服务器进行查询等。对于向本地DNS服务器进行查询，如果要查询的域名包含在本地配置区域资源中，则返回解析结果给客户机，完成域名解析(此解析具有权威性)；如果要查询的域名不由本地DNS服务器区域解析，但该服务器已缓存了此网址映射关系，则调用这个IP地址映射，完成域名解析（此解析不具有权威性）。如果本地域名服务器并未缓存该网址映射关系，那么将根据其设置发起递归查询或者迭代查询； -2. 浏览器获得域名对应的 IP 地址以后，浏览器向服务器请求建立链接，发起三次握手； -3. TCP/IP 链接建立起来后，浏览器向服务器发送 HTTP 请求； -4. 服务器接收到这个请求，并根据路径参数映射到特定的请求处理器进行处理，并将处理结果及相应的视图返回给浏览器； -5. 浏览器解析并渲染视图，若遇到对js文件、css文件及图片等静态资源的引用，则重复上述步骤并向服务器请求这些资源； -6. 浏览器根据其请求到的资源、数据渲染页面，最终向用户呈现一个完整的页面。 +# 网络设备缓冲区 +cat /proc/net/dev_mcast +``` -**简单版** +**3. 磁盘I/O影响**： +```bash +# 查看I/O等待 +iostat -x 1 -1. DNS解析 -2. TCP连接 -3. 发送HTTP请求 -4. 服务器处理请求并返回HTTP报文 -5. 浏览器解析渲染页面 -6. 连接结束 +# 网络相关I/O +iotop -a -o -d 1 +``` -### XSS 攻击 +#### 容量规划 -XSS 是一种经常出现在web应用中的计算机安全漏洞，与 SQL 注入一起成为 web 中最主流的攻击方式。XSS 是指恶意攻击者利用网站没有对用户提交数据进行转义处理或者过滤不足的缺点，进而添加一些脚本代码嵌入到 web页面中去，使别的用户访问都会执行相应的嵌入代码，从而盗取用户资料、利用用户身份进行某种动作或者对访问者进行病毒侵害的一种攻击方式。 +**流量增长预测**： +- 历史流量数据分析 +- 业务增长趋势预测 +- 季节性变化考虑 +- 突发流量预估 -　　　　　　　　　　 +**设备容量评估**： +- 当前设备利用率 +- 性能余量评估 +- 扩容阈值设定 +- 设备生命周期考虑 -### IP地址的分类 +**网络架构优化**： +- 负载均衡策略 +- 冗余链路规划 +- QoS策略调整 +- 缓存策略优化 -IP 地址是指互联网协议地址，是 IP 协议提供的一种统一的地址格式，它为互联网上的每一个网络和每一台主机分配一个逻辑地址，以此来屏蔽物理地址的差异。IP地址编址方案将IP地址空间划分为A、B、C、D、E五类，其中A、B、C是基本类，D、E类作为多播和保留使用，为特殊地址。 +### 🎯 实用优化技巧 -每个IP地址包括两个标识码（ID），即网络ID和主机ID。同一个物理网络上的所有主机都使用同一个网络ID，网络上的一个主机（包括网络上工作站，服务器和路由器等）有一个主机ID与其对应。A~E类地址的特点如下： +#### 应用层优化 -A类地址：以0开头，第一个字节范围：0~127； +**HTTP优化**： +- 启用HTTP/2 +- 开启GZIP压缩 +- 使用CDN加速 +- 合理设置缓存策略 +- 减少HTTP请求数量 -B类地址：以10开头，第一个字节范围：128~191； +**DNS优化**： +- 使用本地DNS缓存 +- 配置多个DNS服务器 +- DNS预加载 +- 减少DNS查询次数 -C类地址：以110开头，第一个字节范围：192~223； +#### 系统层优化 -D类地址：以1110开头，第一个字节范围为224~239； +**网络栈调优**： +```bash +# 增加网络缓冲区 +echo 'net.core.netdev_max_backlog = 5000' >> /etc/sysctl.conf -E类地址：以1111开头，保留地址 +# 增加TCP连接队列长度 +echo 'net.core.somaxconn = 65535' >> /etc/sysctl.conf + +# 启用TCP快速回收 +echo 'net.ipv4.tcp_tw_reuse = 1' >> /etc/sysctl.conf + +# 应用配置 +sysctl -p +``` + +**中断优化**： +```bash +# 查看网卡中断分布 +cat /proc/interrupts | grep eth0 + +# 手动分配网卡中断到不同CPU +echo 2 > /proc/irq/24/smp_affinity + +# 使用irqbalance自动平衡 +service irqbalance start +``` + +### 🎯 故障预防和维护 + +#### 预防性维护 + +**定期检查项目**： +- 设备健康状态检查 +- 链路质量检测 +- 性能基线更新 +- 安全漏洞扫描 + +**备份和恢复**： +- 配置文件备份 +- 拓扑图更新 +- 应急预案制定 +- 故障恢复演练 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gds4m1xeinj30ee0apdkh.jpg) +#### 变更管理 - +**网络变更流程**： +1. 变更申请和评估 +2. 变更计划制定 +3. 变更实施和监控 +4. 变更结果验证 +5. 变更记录归档 -## 参考与感谢 +**回滚策略**： +- 变更前状态记录 +- 快速回滚方案 +- 回滚验证步骤 +- 紧急联系机制 -- 《HTTP 权威指南》 -- https://arch-long.cn/articles/network/OSI模型TCPIP协议栈.html -- https://blog.csdn.net/qq_32998153/article/details/79680704 diff --git a/docs/interview/README.md b/docs/interview/README.md index dc70bd22d1..e69de29bb2 100644 --- a/docs/interview/README.md +++ b/docs/interview/README.md @@ -1 +0,0 @@ -![](https://images.pexels.com/photos/3760067/pexels-photo-3760067.jpeg?auto=compress&cs=tinysrgb&h=750&w=1260) \ No newline at end of file diff --git a/docs/interview/RPC-FAQ.md b/docs/interview/RPC-FAQ.md index 39e99959a9..084e710699 100644 --- a/docs/interview/RPC-FAQ.md +++ b/docs/interview/RPC-FAQ.md @@ -1,34 +1,465 @@ -### 什么是 RPC ？ +--- +title: RPC框架/分布式通信面试题大全 +date: 2024-12-15 +tags: + - RPC + - Dubbo + - gRPC + - Interview +categories: Interview +--- -- RPC (Remote Procedure Call)即**远程过程调用**，是分布式系统常见的一种通信方法。它允许程序调用另一个地址空间（通常是共享网络的另一台机器上）的过程或函数，而不用程序员显式编码这个远程调用的细节。 -- 除 RPC 之外，常见的多系统数据交互方案还有分布式消息队列、HTTP 请求调用、数据库和分布式缓存等。 -- 其中 RPC 和 HTTP 调用是没有经过中间件的，它们是端到端系统的直接数据交互。 +![](https://img.starfish.ink/common/faq-banner.png) -**简单的说** + RPC作为分布式系统的**核心通信机制**，是Java后端面试的**必考重点**。从基础原理到框架实现，从性能优化到服务治理，每个知识点都可能成为面试的关键。本文档将**RPC核心技术**整理成**系统化知识体系**，涵盖协议设计、序列化机制、负载均衡等关键领域，助你在面试中游刃有余！ -- RPC就是从一台机器（客户端）上通过参数传递的方式调用另一台机器（服务器）上的一个函数或方法（可以统称为服务）并得到返回的结果。 -- RPC会隐藏底层的通讯细节（不需要直接处理Socket通讯或Http通讯）。 -- 客户端发起请求，服务器返回响应（类似于Http的工作方式）RPC在使用形式上像调用本地函数（或方法）一样去调用远程的函数（或方法）。 + RPC 面试，围绕着这么几个核心方向准备： + - **RPC基础原理**（调用流程、协议设计、网络通信、代理机制） + - **序列化与协议**（Protobuf、JSON、Hessian、自定义协议设计） + - **服务发现与治理**（注册中心、负载均衡、熔断降级、限流机制） + - **性能优化**（连接复用、异步调用、批量处理、网络调优） + - **主流框架对比**（Dubbo、gRPC、Thrift、Spring Cloud对比分析） + - **高级特性**（泛化调用、多版本支持、灰度发布、监控埋点） + - **实战应用**（架构设计、问题排查、性能调优、最佳实践） -### 为什么我们要用RPC? +## 🗺️ 知识导航 -RPC 的主要目标是让构建分布式应用更容易，在提供强大的远程调用能力时不损失本地调用的语义简洁性。为实现该目标，RPC 框架需提供一种透明调用机制让使用者不必显式的区分本地调用和远程调用 +### 🏷️ 核心知识分类 +1. **基础与原理**：RPC定义、调用流程、网络通信、代理实现 +2. **协议与序列化**：传输协议、序列化方案、编解码优化 +3. **服务治理**：注册发现、负载均衡、容错机制、配置管理 +4. **性能与调优**：连接管理、异步处理、批量优化、监控指标 +5. **框架对比**：Dubbo、gRPC、Thrift等主流框架特性分析 +6. **工程实践**：架构设计、问题排查、运维监控、最佳实践 +--- -### RPC需要解决的三个问题 +## 🧠 一、RPC基础与原理 -RPC要达到的目标：远程调用时，要能够像本地调用一样方便，让调用者感知不到远程调用的逻辑。 + **核心理念**：RPC让分布式调用像本地调用一样简单，通过网络通信、序列化、代理机制实现远程服务透明调用。 -- **Call ID映射**。我们怎么告诉远程机器我们要**调用哪个函数呢**？在本地调用中，函数体是直接通过函数指针来指定的，我们调用具体函数，编译器就自动帮我们调用它相应的函数指针。但是在远程调用中，是无法调用函数指针的，因为两个进程的地址空间是完全不一样。所以，在RPC中，**所有的函数都必须有自己的一个ID**。这个ID在所有进程中都是唯一确定的。客户端在做远程过程调用时，必须附上这个ID。然后我们还需要在客户端和服务端分别维护一个 {函数 <--> Call ID} 的对应表。两者的表不一定需要完全相同，但相同的函数对应的Call ID必须相同。当客户端需要进行远程调用时，它就查一下这个表，找出相应的Call ID，然后把它传给服务端，服务端也通过查表，来确定客户端需要调用的函数，然后执行相应函数的代码。 -- **序列化和反序列化**。客户端怎么把参数值传给远程的函数呢？在本地调用中，我们只需要把参数压到栈里，然后让函数自己去栈里读就行。但是在远程过程调用时，客户端跟服务端是不同的进程，**不能通过内存来传递参数**。甚至有时候客户端和服务端使用的都**不是同一种语言**（比如服务端用C++，客户端用Java或者Python）。这时候就需要客户端把参数先转成一个字节流，传给服务端后，再把字节流转成自己能读取的格式。这个过程叫序列化和反序列化。同理，从服务端返回的值也需要序列化反序列化的过程。 -- **网络传输**。远程调用往往是基于网络的，客户端和服务端是通过网络连接的。所有的数据都需要通过网络传输，因此就需要有一个网络传输层。网络传输层需要把Call ID和序列化后的参数字节流传给服务端，然后再把序列化后的调用结果传回客户端。只要能完成这两者的，都可以作为传输层使用。因此，它所使用的协议其实是不限的，能完成传输就行。尽管大部分RPC框架都使用TCP协议，但其实UDP也可以，而gRPC干脆就用了HTTP2。Java的Netty也属于这层的东西。 +### 🎯 什么是 RPC？它和 HTTP/REST 有什么区别？ +> RPC 是远程过程调用，核心目标是让调用远程服务像本地函数调用一样简单。它屏蔽了网络通信、序列化、反序列化等细节。和 HTTP/REST 相比，RPC 更偏向于内部服务间通信，通常使用二进制序列化（比如 Protobuf），性能更高，支持流式通信；而 REST 基于 HTTP + JSON，跨语言、可读性和调试友好，更适合对外接口。 +> 在实际项目里，我们常常 **对内用 RPC（gRPC）提升性能，对外用 REST 保证通用性**。 +**什么是 RPC？** -### 实现高可用RPC框架需要考虑到的问题 +- **RPC（Remote Procedure Call，远程过程调用）** 是一种 **像调用本地函数一样调用远程服务的方法**。 +- 本质：屏蔽网络通信细节（序列化、传输、反序列化），让开发者像调用本地函数一样调用远程函数。 +- 核心步骤： + 1. **客户端 Stub**：将调用方法和参数序列化 + 2. **网络传输**：通过 TCP/HTTP/HTTP2 传输到远程服务 + 3. **服务端 Stub**：反序列化参数，执行实际逻辑 + 4. **结果返回**：序列化结果，通过网络返回给客户端 +- **关键点**： + - **通信协议**：如HTTP/2（gRPC）、TCP（Dubbo）。 + - **序列化方式**：如JSON、Protobuf、Thrift。 + - **服务治理**：负载均衡、熔断、限流等 + +👉 面试一句话总结：**RPC 是一种通信协议和调用方式，目标是“透明调用远程服务”。** + +**RPC 和 HTTP/REST 的区别** + +| 维度 | RPC | HTTP/REST | +| -------------- | ----------------------------------------------- | --------------------------------------------------- | +| **定义方式** | 通过接口（IDL，如gRPC 的 proto）定义服务 | 通过 URL + HTTP 方法（GET/POST/PUT/DELETE）定义 API | +| **传输协议** | TCP、HTTP/2（如 gRPC） | HTTP/1.1 或 HTTP/2 | +| **数据格式** | 高效序列化协议（Protobuf、Thrift、Avro） | 一般是 JSON（文本格式，易读但性能差） | +| **性能** | 高性能，二进制序列化，占用带宽小，延迟低 | 较低性能，JSON 解析慢，报文体积大 | +| **通信模式** | 多样（同步、异步、单向、流式） | 主要是请求-响应 | +| **可读性** | 抽象层高，调试工具少 | URL+JSON，可读性强，调试方便 | +| **跨语言支持** | IDL 定义，多语言 Stub 自动生成（gRPC 跨语言强） | HTTP/JSON 天然跨语言 | +| **适用场景** | 内部微服务调用，高性能、低延迟场景 | 对外 API，跨语言、跨团队、跨系统的服务调用 | + +> 话术： +> +> 1. RPC是解决分布式系统中**远程服务调用复杂性**的工具，核心目标是让开发者像调用本地方法一样调用远程服务，隐藏网络通信细节。（**一句话定义**） +> +> 2. RPC框架包含三个核心模块：代理层（生成接口代理）、序列化层（Protobuf/JSON转换）、网络传输层（Netty实现）。 +> +> 调用流程是：客户端代理封装请求→序列化为二进制→经TCP/HTTP2传输→服务端反序列化→执行真实方法→结果原路返回。关键技术是动态代理屏蔽远程调用细节，配合长连接复用提升性能。（**核心原理拆解（展示技术深度）**） +> +> 3. 相比直接使用HTTP（**对比延伸（突出思考广度）**）： +> +> - RPC优势是性能更高（二进制协议省带宽）、开发更高效（IDL生成代码）、内置服务治理（熔断/负载均衡） +> - HTTP优势是通用性强（浏览器直接支持）、调试更方便 +> - 在微服务内部通信选RPC（如Dubbo），开放API用HTTP（如SpringCloud OpenFeign）。 +> - 腾讯的tRPC通过插件化架构解决协议兼容问题，而gRPC强在跨语言支持。 +> +> 4. 在电商订单系统中，我用Dubbo实现库存服务调用（**实战结合（证明落地能力）**）： +> +> - 问题：HTTP调用库存接口QPS仅2000，超时率15% +> - 方案：改用Dubbo+Protobuf，Nacos服务发现，随机负载均衡 +> - 难点：解决序列化兼容性（添加@Adaptive注解） +> - 结果：QPS提升到12000，超时率降至0.2%，GC次数减少60% + + + +### 🎯 RPC的基本原理是什么？ + +**基本原理流程** + +一次完整的 RPC 调用，大致分为以下几个步骤： + +1. **客户端调用** + - 客户端调用本地代理对象（Stub/Proxy），就像调用本地方法。 + - 代理负责将方法名、参数等信息打包。 +2. **序列化** + - 把方法调用的信息（类名、方法名、参数等）序列化成字节流。 +3. **网络传输** + - 通过底层传输协议（TCP/HTTP/HTTP2 等）发送给服务端。 +4. **服务端接收** + - 服务端接收到请求后，反序列化数据，解析出方法和参数。 +5. **方法调用** + - 调用本地对应的服务实现，并获得结果。 +6. **序列化返回值** + - 把执行结果序列化，再通过网络传回客户端。 +7. **客户端接收结果** + - 反序列化后，代理对象将结果返回给调用者。 + +👉 总结：**本地调用 → 序列化 → 网络传输 → 远程执行 → 返回结果**。 + +**核心要素** + +- **通信协议**：决定客户端和服务端如何交互（TCP、HTTP/2、gRPC 使用 HTTP/2）。 +- **序列化机制**：把对象转成字节流，常见 JSON、Protobuf、Avro 等。 +- **服务发现**：客户端如何找到服务端地址（Zookeeper、Nacos 等）。 +- **代理机制**：屏蔽远程调用细节，让调用像本地方法一样。 + +**💻 代码示例**： + +```java +// RPC调用示例 +public class RPCExample { + + // 定义服务接口 + public interface UserService { + User getUserById(Long id); + List getUsers(UserQuery query); + } + + // 客户端调用 + public class UserController { + + @Reference // RPC注解 + private UserService userService; + + public User getUser(Long id) { + // 像本地调用一样使用远程服务 + return userService.getUserById(id); + } + } + + // 服务端实现 + @Service // 暴露RPC服务 + public class UserServiceImpl implements UserService { + + @Override + public User getUserById(Long id) { + return userRepository.findById(id); + } + } +} +``` + + + +### 🎯 为什么我们要用RPC? + +在分布式系统架构中，**RPC是一种核心通信机制，用于解决跨进程、跨机器的函数 / 方法调用问题。其存在的核心价值在于将复杂的分布式系统拆解为可协作的服务单元**，同时尽可能让开发者像调用本地函数一样使用远程服务。 + +以下是使用 RPC 的核心原因及典型场景： + +**一、分布式架构的必然选择** + +1. **服务拆分与微服务化** + + - **单体应用的瓶颈**：传统单体架构中，所有功能模块耦合在一个进程内，难以扩展、维护和迭代。 + + - **分布式拆分的需求**：将系统拆分为独立部署的服务（如用户服务、订单服务、支付服务），每个服务负责单一业务领域，通过 RPC 实现跨服务协作。 + + - **示例**：电商系统中，前端请求用户服务查询用户信息，用户服务通过 RPC 调用订单服务获取历史订单数据。 + +2. **资源隔离与弹性扩展** + + - **按需扩展特定服务**：不同服务的负载可能差异显著（如促销期间订单服务压力远高于用户服务），通过 RPC 解耦后，可独立对高负载服务扩容。 + + - **故障隔离**：某个服务故障不会导致整个系统崩溃，仅影响依赖该服务的功能模块（需配合熔断、重试等机制）。 + +**二、跨技术栈协作的桥梁** + +1. **多语言混合开发** + + - 不同服务可采用最适合的语言实现（如 Java 用于业务逻辑、Go 用于高并发场景、Python 用于数据分析），通过 RPC 屏蔽语言差异。 + + - **示例**：Java 编写的网关服务通过 RPC 调用 Go 编写的库存服务，获取商品库存信息。 + +2. **遗留系统集成** + + - 新老系统并存时，通过 RPC 为遗留系统提供统一接口，避免重构成本。 + + - **示例**：用 Node.js 开发新前端系统，通过 RPC 调用 COBOL 编写的核心账务系统接口。 + +**三、高性能与透明化的远程调用** + +1. **接近本地调用的开发体验** + + - RPC 框架通过动态代理、代码生成等技术，将远程调用封装为本地函数调用形式，开发者无需关注网络细节（如 Socket 编程、数据序列化）。 + + - 伪代码示例： + + ```java + // 本地调用风格的RPC + User user = userService.getUser(123); // 实际通过网络调用远程服务 + ``` + +2. **比 HTTP 更高效的通信协议** + + - 多数 RPC 框架采用二进制协议（如 Protobuf、Thrift），相比 JSON/XML 格式的 HTTP 请求，**传输体积更小、解析更快**，适合高频、大数据量场景。 + + - 性能对比： + + | **协议** | 传输体积 | 解析耗时 | 典型场景 | + | ---------------- | -------- | -------- | ---------------- | + | REST（JSON） | 100KB | 10ms | 通用 Web 服务 | + | gRPC（Protobuf） | 30KB | 2ms | 微服务间高频调用 | + +**四、典型应用场景** + +1. **微服务架构中的服务间通信** + + - 微服务架构中，每个服务通过 RPC 调用上下游服务，形成复杂的调用链路。 + + - **案例**：Netflix 的微服务体系通过 Eureka（服务注册）+ Ribbon（负载均衡）+ Feign（RPC 客户端）实现跨服务通信。 + +2. **云服务与分布式计算** + + - 云计算平台（如 AWS、阿里云）通过 RPC 提供 API 接口（如 EC2 实例管理、S3 存储操作）。 + + - 分布式计算框架（如 Hadoop、Spark）通过 RPC 协调节点间任务调度与数据传输。 + +3. **实时数据处理与流计算** + + - 实时系统中，不同组件（如消息队列、计算引擎、存储系统）通过 RPC 传递实时数据。 + + - **案例**：Kafka Streams 通过 RPC 将实时数据流分发到不同计算节点进行处理。 + +4. **跨数据中心 / 跨地域调用** + + - 全球化业务中，服务部署在多个数据中心，通过 RPC 实现异地容灾或就近访问。 + + - **挑战**：需解决跨地域网络延迟（如通过边缘节点缓存热点数据）。 + +**五、与其他通信方式的对比** + +| **维度** | **RPC** | **REST/HTTP** | **消息队列（如 Kafka）** | +| ------------ | ----------------------- | ------------------------ | ------------------------ | +| **通信模型** | 同步调用（请求 - 响应） | 同步调用（RESTful 风格） | 异步消息传递 | +| **实时性** | 高（适合即时响应场景） | 中（受限于 HTTP 协议） | 低（适合异步处理） | +| **数据格式** | 二进制（高效） | 文本（JSON/XML） | 自定义（二进制 / 文本） | +| **适用场景** | 微服务间强依赖调用 | 开放 API、跨团队协作 | 异步任务、流量削峰 | + +**六、RPC 的核心价值** + +1. **架构层面**：支撑分布式系统的服务拆分与协作，提升可扩展性和可维护性。 +2. **开发层面**：屏蔽网络复杂性，降低分布式开发门槛，允许混合技术栈。 +3. **性能层面**：提供比传统 HTTP 更高效的通信方式，满足高并发、低延迟需求。 + +**选择建议**：若需要**强一致性、实时响应的服务间调用**，优先选择 RPC；若需要**开放 API、跨团队 / 跨平台协作**，则更适合 REST/HTTP；若业务场景以**异步解耦**为主，可结合消息队列使用。 + + + +### 🎯 RPC与HTTP、消息队列的区别？ + +不同通信方式的特点对比： + +**详细对比分析**： + +| 特性 | RPC | HTTP | 消息队列 | +|------|-----|------|----------| +| **通信方式** | 同步调用 | 同步请求 | 异步消息 | +| **调用方式** | 方法调用 | 资源访问 | 消息发送 | +| **性能** | 高性能 | 中等 | 高吞吐 | +| **实时性** | 实时 | 实时 | 准实时 | +| **耦合度** | 较高 | 中等 | 低 | +| **复杂度** | 中等 | 简单 | 较高 | +| **适用场景** | 微服务调用 | Web API | 解耦异步 | + +**使用场景选择**： +- **RPC**：微服务间同步调用、高性能要求 +- **HTTP**：对外API、跨语言调用、简单场景 +- **消息队列**：异步处理、系统解耦、削峰填谷 + + + +### 🎯 动态代理在RPC中的作用？ + +> 在 RPC 框架中，动态代理的作用是 **屏蔽远程调用的复杂性**。 +> 调用方调用接口方法时，代理会拦截调用，把方法名、参数封装成 RPC 请求，通过网络发送给服务端，执行完再把结果返回。 +> 这样开发者感觉就是调用本地方法，实际底层完成了 **序列化、传输、服务发现、负载均衡** 等工作。 +> gRPC、Dubbo 等框架都会用动态代理来实现客户端 Stub。 + +动态代理是RPC框架的核心技术： + +**作用机制**： +- 屏蔽网络通信细节 +- 提供透明的远程调用体验 +- 统一处理序列化和协议 +- 实现AOP功能（监控、重试等） + +**实现方式**： +1. **JDK动态代理**：基于接口的代理 +2. **CGLIB代理**：基于类的代理 +3. **字节码生成**：编译时生成代理类 + +**💻 代码示例**： + +```java +// RPC动态代理实现 +public class RPCProxyFactory { + + public static T createProxy(Class serviceInterface, + String serverAddress) { + + return (T) Proxy.newProxyInstance( + serviceInterface.getClassLoader(), + new Class[]{serviceInterface}, + new RPCInvocationHandler(serviceInterface, serverAddress) + ); + } +} + +// 代理调用处理器 +public class RPCInvocationHandler implements InvocationHandler { + + private final Class serviceInterface; + private final String serverAddress; + private final RPCClient rpcClient; + + @Override + public Object invoke(Object proxy, Method method, Object[] args) { + // 构造RPC请求 + RPCRequest request = RPCRequest.builder() + .serviceName(serviceInterface.getName()) + .methodName(method.getName()) + .parameterTypes(method.getParameterTypes()) + .parameters(args) + .build(); + + // 发送请求并获取响应 + RPCResponse response = rpcClient.call(serverAddress, request); + + if (response.hasException()) { + throw new RuntimeException(response.getException()); + } + + return response.getResult(); + } +} +``` + + + +### 🎯 RPC需要解决的三个问题？ + +**一、Call ID 映射（函数标识与路由）** + +**问题本质** + +本地调用通过函数指针直接寻址，而远程调用中客户端与服务端处于不同地址空间，需建立**函数到唯一标识的映射关系**，确保服务端准确识别目标函数。 + +**解决方案** + +1. **唯一标识符（Call ID）** + + - 为每个函数分配全局唯一 ID（如整数、字符串或 UUID），例如： + + ```python + # 服务端映射表示例 + { + "userService.queryUser": 1001, # 字符串标识 + "orderService.createOrder": 2002 + } + ``` + + - 客户端通过该 ID 指定调用目标，服务端通过 ID 查找对应函数实现。 + +2. **动态注册与发现** + + - 服务启动时向注册中心（如 Consul、Nacos）注册函数 ID 与地址的映射关系。 + - 客户端通过注册中心获取服务列表及函数 ID 路由规则，实现动态寻址。 + +**技术挑战** + +- **版本兼容**：函数升级时需保留旧 Call ID 或提供兼容映射，避免客户端请求失效。 +- **跨语言映射**：不同语言开发的客户端与服务端需统一 ID 规范（如 Thrift 通过 IDL 文件生成一致的 ID）。 + +**二、序列化与反序列化（数据格式转换）** + +**问题本质** + +跨进程通信无法直接传递内存对象，且可能存在语言差异（如 Java 对象与 Go 结构体），需将数据结构转换为**通用字节流格式**，确保跨语言、跨平台解析。 + +**解决方案** + +1. **序列化协议选择** + + | **协议** | **特点** | **适用场景** | + | -------- | -------------------------------------- | ---------------------- | + | JSON | 可读性强，解析效率低 | 轻量级服务、浏览器交互 | + | Protobuf | 二进制格式，高效压缩，支持自动生成代码 | 高性能、大数据量场景 | + | Thrift | 多语言支持，通过 IDL 定义数据结构 | 跨语言微服务架构 | + | Avro | 模式动态演变，适合数据格式频繁变更场景 | 日志系统、实时数据管道 | + +2. **对象与字节流转换** + + - **客户端**：将参数对象序列化为字节流（如 Java 的`ObjectOutputStream`、Go 的`json.Marshal`）。 + - **服务端**：将字节流反序列化为本地对象（如 Python 的`json.loads`、C++ 的 Protobuf 解析器）。 + +**技术挑战** + +- **性能瓶颈**：高频调用场景下，序列化 / 反序列化可能成为性能短板（如 JSON 解析耗时高于 Protobuf）。 +- **数据兼容性**：字段增减或类型变更时，需确保新旧协议兼容（如 Protobuf 的可选字段、JSON 的默认值处理）。 + +**三、网络传输（数据通信与可靠性）** + +**问题本质** + +需建立客户端与服务端的**可靠数据传输通道**，解决网络延迟、丢包、连接管理等问题，确保 Call ID 与序列化数据准确传输。 + +**解决方案** + +1. **传输协议选择** + - **TCP**：面向连接，提供可靠传输（如 gRPC 基于 HTTP/2，Netty 自定义协议）。 + - **UDP**：无连接，适合实时性要求高但允许少量丢包的场景（如游戏状态同步）。 + - **HTTP/2**：多路复用、头部压缩，适合 RESTful 风格的 RPC（如 Spring Cloud Feign）。 +2. **网络层核心组件** + - **客户端负载均衡**：通过轮询、随机或加权最小连接等策略选择目标服务节点（如 Ribbon、Spring Cloud LoadBalancer）。 + - **连接池管理**：复用网络连接，减少 TCP 三次握手开销（如 Hystrix 的连接池配置）。 + - **超时与重试**：设置请求超时时间（如 gRPC 默认 1 秒），失败后按策略重试（如指数退避）。 + +**技术挑战** + +- **网络拥塞**：高并发场景下可能导致传输延迟陡增，需通过流量控制（如 TCP 滑动窗口）或服务降级缓解。 +- **防火墙与 NAT 穿透**：跨网络环境调用时，需解决端口限制或使用反向代理（如 Ngrok）。 + +**总结：RPC 核心技术栈** + +| **问题维度** | **关键技术** | **典型工具 / 框架** | +| -------------- | --------------------------------- | --------------------------------- | +| Call ID 映射 | 唯一 ID 生成、注册中心、动态路由 | Consul、Nacos、Apache ZooKeeper | +| 序列化反序列化 | Protobuf、JSON、Thrift、Avro | Google Protobuf、Apache Thrift | +| 网络传输 | TCP/UDP、HTTP/2、负载均衡、连接池 | gRPC、Netty、Spring Cloud Netflix | + +**设计目标**：通过上述技术的有机组合，实现**透明化远程调用**（调用者无需感知网络细节）、**高性能通信**（低延迟、高吞吐）和**强兼容性**（跨语言、跨平台）。实际应用中需根据业务场景（如实时性、数据量、语言栈）选择合适的技术方案，平衡开发成本与系统性能。 + + + +### 🎯 实现高可用RPC框架需要考虑到的问题 - 既然系统采用分布式架构，那一个服务势必会有多个实例，要解决**如何获取实例的问题**。所以需要一个服务注册中心，比如在Dubbo中，就可以使用Zookeeper作为注册中心，在调用时，从Zookeeper获取服务的实例列表，再从中选择一个进行调用； - 如何选择实例呢？就要考虑负载均衡，例如dubbo提供了4种负载均衡策略； @@ -39,32 +470,428 @@ RPC要达到的目标：远程调用时，要能够像本地调用一样方便 -### 一次完整的 RPC 流程 +### 🎯 一次完整的 RPC 流程？ + +1. **代理拦截**：客户端代理拦截本地调用，解析方法和参数。 +2. **序列化**：将对象转为字节流（如 Protobuf）。 +3. **网络传输**：通过 TCP/HTTP2 发送，处理粘包、负载均衡。 +4. **服务端解析**：拆包、反序列化，路由到目标方法。 +5. **结果返回**：序列化响应，逆向流程返回客户端。 +6. **关键技术**：协议设计、超时重试、流控等。 + +![](https://learn.lianglianglee.com/%E4%B8%93%E6%A0%8F/%E6%9E%B6%E6%9E%84%E8%AE%BE%E8%AE%A1%E9%9D%A2%E8%AF%95%E7%B2%BE%E8%AE%B2/assets/Ciqc1GABbyeAWysgAAGQtM8Kx4Q574.png) + +--- + + + +## 📦 二、序列化与协议 + + **核心理念**：高效的序列化机制和协议设计是RPC性能的关键，需要平衡速度、大小和兼容性。 + +### 🎯 常见的序列化方案有哪些？各自的特点？ + +主流序列化技术对比： + +**1. JDK序列化**： +- **优点**：Java原生支持，使用简单 +- **缺点**：性能差，序列化数据大，版本兼容性问题 +- **适用场景**：简单场景，内部系统 + +**2. JSON序列化**： +- **优点**：可读性好，跨语言支持 +- **缺点**：性能一般，数据冗余 +- **适用场景**：Web API，调试友好场景 + +**3. Protobuf**： +- **优点**：性能优秀，数据紧凑，向后兼容 +- **缺点**：需要定义.proto文件，学习成本 +- **适用场景**：高性能场景，跨语言调用 + +**4. Hessian**： +- **优点**：性能好，支持多语言 +- **缺点**：复杂类型支持有限 +- **适用场景**：Dubbo等RPC框架 + +**5. Kryo**： +- **优点**：性能极佳，序列化数据小 +- **缺点**：只支持Java，版本兼容性问题 +- **适用场景**：Java内部系统，性能要求极高 + +**💻 性能对比数据**： + +| 序列化方案 | 序列化速度 | 反序列化速度 | 数据大小 | 跨语言 | +|-----------|------------|--------------|----------|--------| +| JDK | 慢 | 慢 | 大 | ❌ | +| JSON | 中等 | 中等 | 中等 | ✅ | +| Protobuf | 快 | 快 | 小 | ✅ | +| Hessian | 快 | 快 | 小 | ✅ | +| Kryo | 极快 | 极快 | 极小 | ❌ | -**因为 RPC 是远程调用，首先会涉及网络通信，** 又因为 RPC 用于业务系统之间的数据交互，要保证数据传输的可靠性，所以它一般默认采用 TCP 来实现网络数据传输。 +### 🎯 如何设计一个高效的RPC协议？ -网络传输的数据必须是二进制数据，可是在 RPC 框架中，调用方请求的出入参数都是对象，对象不能直接在网络中传输，所以需要提前把对象转成可传输的二进制数据，转换算法还要可逆，**这个过程就叫“序列化”和“反序列化”。** +RPC协议设计的核心要素： -另外，在网络传输中，RPC 不会把请求参数的所有二进制数据一起发送到服务提供方机器上，而是拆分成好几个数据包（或者把好几个数据包封装成一个数据包），所以服务提供方可能一次获取多个或半个数据包，这也就是网络传输中的粘包和半包问题。**为了解决这个问题，需要提前约定传输数据的格式，即“RPC 协议”。** 大多数的协议会分成数据头和消息体： +**协议结构设计**： +```java +// RPC协议格式 ++-------+-------+-------+-------+ +| Magic | Ver | Type | Length| // 协议头 ++-------+-------+-------+-------+ +| RequestId | // 请求ID（8字节） ++-----------------------+ +| Header Length | // 头部长度 ++-----------------------+ +| Body Length | // 消息体长度 ++-----------------------+ +| Headers... | // 扩展头部 ++-----------------------+ +| Body... | // 消息体 ++-----------------------+ +``` -- 数据头一般用于身份识别，包括协议标识、数据大小、请求类型、序列化类型等信息； -- 消息体主要是请求的业务参数信息和扩展属性等。 +**设计原则**： +1. **固定头部**：便于快速解析 +2. **版本控制**：支持协议升级 +3. **类型标识**：区分请求、响应、心跳等 +4. **长度字段**：支持变长消息 +5. **扩展性**：预留扩展字段 -在确定好“ RPC 协议”后，一次完整的 RPC 调用会经过这样几个步骤： +**💻 协议实现示例**： -- 调用方持续把请求参数对象序列化成二进制数据，经过 TCP 传输到服务提供方； -- 服务提供方从 TCP 通道里面接收到二进制数据； -- 根据 RPC 协议，服务提供方将二进制数据分割出不同的请求数据，经过反序列化将二进制数据逆向还原出请求对象，找到对应的实现类，完成真正的方法调用； -- 然后服务提供方再把执行结果序列化后，回写到对应的 TCP 通道里面； -- 调用方获取到应答的数据包后，再反序列化成应答对象。 +```java +// RPC协议定义 +public class RPCProtocol { + + public static final int MAGIC_NUMBER = 0xCAFEBABE; + public static final byte VERSION = 1; + + // 消息类型 + public static final byte TYPE_REQUEST = 1; + public static final byte TYPE_RESPONSE = 2; + public static final byte TYPE_HEARTBEAT = 3; + + // 协议编码 + public static ByteBuf encode(RPCMessage message) { + ByteBuf buffer = Unpooled.buffer(); + + // 协议头 + buffer.writeInt(MAGIC_NUMBER); + buffer.writeByte(VERSION); + buffer.writeByte(message.getType()); + buffer.writeShort(0); // flags预留 + + // 请求ID + buffer.writeLong(message.getRequestId()); + + // 序列化消息体 + byte[] body = serialize(message.getBody()); + buffer.writeInt(body.length); + buffer.writeBytes(body); + + return buffer; + } + + // 协议解码 + public static RPCMessage decode(ByteBuf buffer) { + // 检查魔数 + int magic = buffer.readInt(); + if (magic != MAGIC_NUMBER) { + throw new IllegalArgumentException("Invalid magic number"); + } + + // 读取协议头 + byte version = buffer.readByte(); + byte type = buffer.readByte(); + short flags = buffer.readShort(); + long requestId = buffer.readLong(); + + // 读取消息体 + int bodyLength = buffer.readInt(); + byte[] body = new byte[bodyLength]; + buffer.readBytes(body); + + return RPCMessage.builder() + .type(type) + .requestId(requestId) + .body(deserialize(body)) + .build(); + } +} +``` -这样调用方就完成了一次 RPC 调用。 +--- -![Lark20210115-183000.png](https://learn.lianglianglee.com/%E4%B8%93%E6%A0%8F/%E6%9E%B6%E6%9E%84%E8%AE%BE%E8%AE%A1%E9%9D%A2%E8%AF%95%E7%B2%BE%E8%AE%B2/assets/Ciqc1GABbyeAWysgAAGQtM8Kx4Q574.png) +## 🏗️ 三、服务治理 -#### 如何提升网络通信性能 + **核心理念**：服务治理是RPC框架的高级特性，包括服务发现、负载均衡、容错处理等企业级功能。 + +### 🎯 服务注册与发现机制是什么？ + +服务注册发现是微服务架构的基础： + +**核心功能**： +- **服务注册**：服务启动时向注册中心注册 +- **服务发现**：客户端从注册中心获取服务列表 +- **健康检查**：监控服务实例健康状态 +- **负载均衡**：在多个实例间分配请求 + +**主流注册中心**： +1. **Zookeeper**：强一致性，复杂度高 +2. **Eureka**：AP模式，简单易用 +3. **Consul**：功能丰富，支持多数据中心 +4. **Nacos**：阿里开源，功能全面 + +**💻 代码示例**： + +```java +// 服务注册实现 +@Component +public class ServiceRegistry { + + private final ZooKeeperClient zkClient; + + // 注册服务 + public void registerService(ServiceInfo serviceInfo) { + String servicePath = "/rpc/services/" + serviceInfo.getServiceName(); + String instancePath = servicePath + "/" + serviceInfo.getInstanceId(); + + // 创建临时顺序节点 + zkClient.createEphemeralSequential(instancePath, + JSON.toJSONString(serviceInfo).getBytes()); + + // 注册shutdown hook + Runtime.getRuntime().addShutdownHook(new Thread(() -> { + zkClient.delete(instancePath); + })); + } + + // 发现服务 + public List discoverServices(String serviceName) { + String servicePath = "/rpc/services/" + serviceName; + + List children = zkClient.getChildren(servicePath); + return children.stream() + .map(child -> { + byte[] data = zkClient.getData(servicePath + "/" + child); + return JSON.parseObject(new String(data), ServiceInfo.class); + }) + .collect(Collectors.toList()); + } +} + +// 服务信息定义 +@Data +public class ServiceInfo { + private String serviceName; + private String instanceId; + private String host; + private int port; + private Map metadata; + private long timestamp; +} +``` + + + +### 🎯 负载均衡算法有哪些？如何实现？ + +常见负载均衡算法及其实现： + +**1. 轮询（Round Robin）**： +- 按顺序依次分配请求 +- 简单公平，但不考虑服务器性能差异 + +**2. 加权轮询（Weighted Round Robin）**： + +- 根据权重分配请求 +- 考虑服务器性能差异 + +**3. 随机（Random）**： +- 随机选择服务器 +- 实现简单，长期来看分布均匀 + +**4. 最少活跃数（Least Active）**： +- 选择当前活跃请求数最少的服务器 +- 适应不同服务器的处理能力 + +**5. 一致性哈希（Consistent Hash）**： + +- 相同参数的请求路由到同一服务器 +- 适用于有状态的服务 + +**💻 代码实现**： + +```java +// 负载均衡接口 +public interface LoadBalancer { + ServiceInfo select(List services, RPCRequest request); +} + +// 轮询负载均衡 +public class RoundRobinLoadBalancer implements LoadBalancer { + + private final AtomicInteger index = new AtomicInteger(0); + + @Override + public ServiceInfo select(List services, RPCRequest request) { + if (services.isEmpty()) { + return null; + } + + int currentIndex = Math.abs(index.getAndIncrement()); + return services.get(currentIndex % services.size()); + } +} + +// 加权轮询负载均衡 +public class WeightedRoundRobinLoadBalancer implements LoadBalancer { + + private final ConcurrentHashMap servers = new ConcurrentHashMap<>(); + + @Override + public ServiceInfo select(List services, RPCRequest request) { + if (services.isEmpty()) { + return null; + } + + // 更新权重信息 + updateWeights(services); + + // 选择权重最高的服务器 + WeightedServer selected = null; + int totalWeight = 0; + + for (ServiceInfo service : services) { + WeightedServer server = servers.get(service.getInstanceId()); + server.currentWeight += server.effectiveWeight; + totalWeight += server.effectiveWeight; + + if (selected == null || server.currentWeight > selected.currentWeight) { + selected = server; + } + } + + if (selected != null) { + selected.currentWeight -= totalWeight; + return selected.serviceInfo; + } + + return services.get(0); + } + + private static class WeightedServer { + ServiceInfo serviceInfo; + int effectiveWeight; // 有效权重 + int currentWeight; // 当前权重 + } +} + +// 一致性哈希负载均衡 +public class ConsistentHashLoadBalancer implements LoadBalancer { + + private final TreeMap virtualNodes = new TreeMap<>(); + private final int virtualNodeCount = 160; // 虚拟节点数量 + + @Override + public ServiceInfo select(List services, RPCRequest request) { + if (services.isEmpty()) { + return null; + } + + // 构建哈希环 + buildHashRing(services); + + // 计算请求的哈希值 + String key = buildKey(request); + long hash = hash(key); + + // 找到第一个大于等于该哈希值的虚拟节点 + Map.Entry entry = virtualNodes.ceilingEntry(hash); + if (entry == null) { + entry = virtualNodes.firstEntry(); + } + + return entry.getValue(); + } + + private void buildHashRing(List services) { + virtualNodes.clear(); + + for (ServiceInfo service : services) { + for (int i = 0; i < virtualNodeCount; i++) { + String virtualNodeKey = service.getInstanceId() + "#" + i; + long hash = hash(virtualNodeKey); + virtualNodes.put(hash, service); + } + } + } + + private String buildKey(RPCRequest request) { + // 根据请求参数构建key + return request.getServiceName() + "#" + + Arrays.hashCode(request.getParameters()); + } + + private long hash(String key) { + // 使用MurmurHash或其他哈希算法 + return key.hashCode(); + } +} +``` + + + +### 🎯 如何实现熔断降级机制？ + +熔断降级是保障系统稳定性的重要机制： + +**熔断器状态**： +1. **CLOSED**：正常状态，请求正常通过 +2. **OPEN**：熔断状态，快速失败 +3. **HALF_OPEN**：半开状态，允许少量请求测试 + +**降级策略**： +- **快速失败**：直接返回错误 +- **默认值**：返回预设的默认值 +- **缓存数据**：返回缓存的历史数据 +- **调用备用服务**：调用备用的服务实现 + +--- + + + +## ⚡ 四、性能优化 + + **核心理念**：RPC性能优化需要从网络、序列化、连接管理、异步处理等多个维度进行系统性优化。 + +### 🎯 RPC性能优化有哪些手段？ + +RPC性能优化的系统性方法： + +**1. 网络层优化**： +- 使用高性能的NIO框架（Netty） +- 启用TCP_NODELAY减少延迟 +- 调整TCP发送/接收缓冲区大小 +- 使用连接池复用连接 + +**2. 序列化优化**： +- 选择高性能序列化框架 +- 减少序列化对象的复杂度 +- 使用对象池减少GC压力 +- 压缩传输数据 + +**3. 异步化处理**： +- 客户端异步调用 +- 服务端异步处理 +- 批量调用减少网络开销 +- 流水线处理提高吞吐量 + + + +### 🎯 如何提升网络通信性能？ 如何提升 RPC 的网络通信性能，这句话翻译一下就是：一个 RPC 框架如何选择高性能的网络编程 I/O 模型？这样一来，和 I/O 模型相关的知识点就是你需要掌握的了。 @@ -93,3 +920,322 @@ Reactor 模型（即反应堆模式），以及 Reactor 的 3 种线程模型， Java 中的高性能网络编程框架 Netty。 可以这么说，在高性能网络编程中，大多数都是基于 Reactor 模式，其中最为典型的是 Java 的 Netty 框架，而 Reactor 模式是基于 I/O 多路复用的，所以，对于 Reactor 和 Netty 的考察也是避免不了的。 + +--- + + + +## 🔍 五、主流框架对比 + + **核心理念**：了解不同RPC框架的特点和适用场景，根据业务需求选择合适的技术方案。 + +### 🎯 Dubbo、gRPC、Thrift有什么区别？ + +主流RPC框架特性对比： + +| 特性 | Dubbo | gRPC | Thrift | +|------|-------|------|--------| +| **开发语言** | Java | 多语言 | 多语言 | +| **传输协议** | TCP | HTTP/2 | TCP | +| **序列化** | 多种选择 | Protobuf | Thrift | +| **服务治理** | 丰富 | 基础 | 基础 | +| **性能** | 优秀 | 优秀 | 优秀 | +| **社区活跃度** | 高 | 高 | 中等 | +| **学习成本** | 中等 | 低 | 中等 | + +**选择建议**： +- **Dubbo**：Java生态，服务治理功能丰富 +- **gRPC**：跨语言场景，Google支持 +- **Thrift**：Facebook出品，性能优秀 + + + +### 🎯 Spring Cloud与Dubbo的对比？ + +微服务框架的不同理念： + +**Spring Cloud特点**： +- 基于HTTP协议，简单易用 +- 与Spring生态深度集成 +- 组件丰富，生态完整 +- 适合快速开发 + +**Dubbo特点**： +- 基于TCP协议，性能更优 +- 专注RPC通信 +- 服务治理功能强大 +- 更适合高性能场景 + +**💻 使用示例**： + +```java +// Dubbo使用示例 +@Service +public class UserServiceImpl implements UserService { + + @Override + public User getUserById(Long id) { + return userRepository.findById(id); + } +} + +@Component +public class UserController { + + @Reference + private UserService userService; + + public User getUser(Long id) { + return userService.getUserById(id); + } +} + +// Spring Cloud使用示例 +@RestController +public class UserController { + + @Autowired + private UserServiceClient userServiceClient; + + @GetMapping("/users/{id}") + public User getUser(@PathVariable Long id) { + return userServiceClient.getUserById(id); + } +} + +@FeignClient("user-service") +public interface UserServiceClient { + + @GetMapping("/users/{id}") + User getUserById(@PathVariable Long id); +} +``` + + + +### 🎯 gRPC与HTTP的区别是什么？ + +HTTP是应用层协议，主要用于传输超文本，而RPC是一种远程过程调用框架，用于分布式系统中的服务间通信。HTTP基于文本传输，而RPC通常使用二进制序列化协议，减少数据传输体积。 + +在现代分布式系统中，选择 **RPC**（Remote Procedure Call）而非单纯的 **HTTP** 协议，主要出于 **性能、服务治理能力、通信模型灵活性** 以及 **开发效率** 等方面的考量。 + +| **对比维度** | **HTTP** | **gRPC** | +| -------------- | ----------------------------------- | ------------------------------------------------ | +| **协议设计** | 基于文本的请求-响应模型（GET/POST） | 基于HTTP/2的二进制分帧协议，支持双向流式通信 | +| **性能** | 文本解析开销大，性能较低 | 二进制传输，头部压缩，多路复用，延迟更低 | +| **使用场景** | Web服务、RESTful API | 微服务间高性能通信、实时数据流（如聊天、视频流） | +| **接口定义** | 无强制规范 | 使用Protocol Buffers定义接口，强类型约束 | +| **跨语言支持** | 天然支持 | 通过Protobuf生成多语言客户端/服务端代码 | + + + +### 🎯 **gRPC的四种通信模式？** + +1. 简单RPC（Unary RPC）：客户端发送单个请求，服务端返回单个响应（如函数调用）。 +2. 服务端流式RPC：客户端发送请求，服务端返回数据流（如股票实时行情推送）。 +3. 客户端流式RPC：客户端持续发送数据流，服务端最终返回响应（如文件分片上传）。 +4. 双向流式RPC：双方独立发送和接收数据流，适用于实时交互（如聊天机器人） + + + +### 🎯 Dubbo的核心组件及工作流程？ + +**核心组件**： + +- **服务提供者（Provider）**：暴露服务接口的实现。 +- **服务消费者（Consumer）**：调用远程服务。 +- **注册中心（Registry）**：服务注册与发现（如Zookeeper、Nacos）。 +- **配置中心**：管理服务配置。 + +**工作流程**： + +1. **服务注册**：Provider启动时向注册中心注册自身信息（IP、端口等）。 +2. **服务发现**：Consumer从注册中心获取Provider列表。 +3. **负载均衡**：Consumer通过负载均衡策略（如随机、轮询）选择Provider。 +4. **远程调用**：通过Netty等通信框架发起RPC调用。 + + + +### 🎯 **如何选择RPC框架？** + +| **框架** | **特点** | **适用场景** | +| -------------------------- | ----------------------------------------------------------- | ------------------------------ | +| **Dubbo** | Java生态成熟，支持服务治理（负载均衡、熔断），依赖Zookeeper | 微服务架构，需复杂服务治理 | +| **gRPC** | 高性能、跨语言、支持流式通信，依赖Protobuf | 跨语言服务间通信、实时数据传输 | +| **Thrift** | 支持多种语言，接口定义语言灵活，性能较高 | 多语言混合架构、高吞吐量场景 | +| **Spring Cloud OpenFeign** | 基于HTTP，集成Ribbon、Hystrix，易用性强 | 快速构建微服务，对性能要求不高 | + + + +## 🎯 Feign 是什么？ + +- **Feign** 是 Spring Cloud 提供的一种 **声明式 HTTP 客户端**。 +- 底层是基于 **HTTP/REST** 协议，通过注解（`@FeignClient`）定义接口，Spring 自动生成代理类去发起 HTTP 请求。 +- 特点： + - 简单易用，和 Spring Cloud 无缝集成（Ribbon、Eureka、Nacos、Sentinel）。 + - 天然支持负载均衡、熔断、降级。 + +- **Feign 适合：** + - Java 生态项目，尤其是 **Spring Cloud 微服务架构**。 + - 场景中以 REST 接口为主，团队希望开发简单、调试方便。 + - 业务接口不是特别高频或性能敏感（比如电商商品、订单接口调用）。 +- **gRPC 适合：** + - **跨语言系统**（如 Java 服务和 Go、Python 服务交互）。 + - **高性能场景**（如推荐系统、广告系统、金融交易系统）。 + - **实时通信**（如 IM 聊天、流式日志处理、视频推送）。 + - **云原生环境**（K8s、Istio 微服务治理）。 + +--- + + + +## 🚀 六、高级特性与实践 + + **核心理念**：掌握RPC框架的高级特性，如泛化调用、多版本支持等企业级应用场景。 + +### 🎯 如何实现RPC的多版本支持？ + +多版本支持是企业级RPC的重要特性： + +**版本管理策略**： + +1. **接口版本化**：在接口中添加版本信息 +2. **服务分组**：不同版本部署到不同分组 +3. **灰度发布**：新旧版本并行运行 +4. **兼容性设计**：向后兼容的API设计 + +**💻 代码实现**： + +```java +// 版本化接口定义 +@Service(version = "1.0") +public class UserServiceV1 implements UserService { + + @Override + public User getUserById(Long id) { + return userRepository.findById(id); + } +} + +@Service(version = "2.0") +public class UserServiceV2 implements UserService { + + @Override + public User getUserById(Long id) { + User user = userRepository.findById(id); + // V2版本增加了额外的处理逻辑 + if (user != null) { + user.setLastAccessTime(new Date()); + userRepository.save(user); + } + return user; + } +} + +// 客户端版本选择 +@Component +public class UserServiceClient { + + @Reference(version = "2.0", check = false) + private UserService userServiceV2; + + @Reference(version = "1.0", check = false) + private UserService userServiceV1; + + public User getUser(Long id, String version) { + if ("2.0".equals(version)) { + return userServiceV2.getUserById(id); + } else { + return userServiceV1.getUserById(id); + } + } +} +``` + + + +### 🎯 如何实现RPC调用监控？ + +> 在项目里做 RPC 调用监控，核心思路是 **埋点采集 + 指标统计 + 链路追踪 + 可视化告警**。 +> +> 具体来说，先在 RPC 框架的调用入口和出口做埋点，采集 QPS、RT、成功率等指标，再把 TraceId 注入请求头，实现分布式链路追踪。最后配合 Prometheus + Grafana 或 SkyWalking 做可视化和告警。这样可以快速定位调用慢、失败率高的问题，保障服务可用性。 + +**RPC 调用监控的实现思路** + +**1. 埋点采集** + +- 在 RPC 框架的 **调用链路关键位置**打点，收集调用信息： + - **请求前**：服务名、方法名、参数、调用方、开始时间 + - **请求中**：序列化/网络耗时 + - **请求后**：返回结果、耗时、异常情况 +- 常见方式：AOP 拦截（Spring）、Filter/Interceptor（Dubbo/Feign）、字节码增强（ByteBuddy/Agent）。 + +**2. 指标采集** + +- 每次调用埋点后，把数据写入监控系统： + - **QPS**（调用量/秒） + - **RT**（响应时间分布，P95/P99） + - **成功率**（成功数 / 总数） + - **异常统计**（超时、网络错误、业务异常） +- 可以通过 **Metrics 库**（Micrometer、Dropwizard Metrics）直接暴露。 + +**3. 链路追踪** + +- 问题：调用链可能跨多个微服务，需要知道整个链路在哪卡住。 +- 解决：引入 **分布式追踪系统**（如 Zipkin、Jaeger、SkyWalking）： + - 给每个 RPC 请求加 **TraceId/SpanId** + - 在调用链中透传 TraceId + - 最终可以在可视化界面看到调用树，快速定位慢点/故障点。 + +**4. 可视化与告警** + +- 数据存储到 **Prometheus + Grafana** 或 **ELK** +- 配置告警策略： + - **超时率 > 2%** 发告警 + - **调用失败率 > 5%** 触发熔断 + - **RT > 200ms** 报警 + + + +### 🎯 CAP理论在RPC中的应用？ + +CAP理论指出分布式系统无法同时满足一致性（Consistency）、可用性（Availability）、分区容错性（Partition Tolerance），需根据业务权衡： + +- **Zookeeper**：CP系统，保证数据一致性，网络分区时拒绝写请求。 +- Eureka：AP系统，优先保证可用性，容忍网络分区，但可能返回旧数据。 + +**RPC选型建议**： + +- 对一致性要求高（如金融交易）：选择Zookeeper作为注册中心。 +- 对可用性要求高（如高并发Web服务）：选择Eureka或Nacos + +--- + + + +## 🎯 面试重点总结 + +### 高频考点速览 + +- **RPC基本原理**：调用流程、网络通信、动态代理的实现机制 +- **序列化方案**：各种序列化技术的特点、性能对比、选择策略 +- **服务治理**：注册发现、负载均衡、熔断降级的设计与实现 +- **性能优化**：网络优化、异步处理、连接复用的系统性方法 +- **框架对比**：Dubbo、gRPC、Spring Cloud的特点和适用场景 +- **高级特性**：多版本支持、监控埋点、故障处理的企业级实践 + +### 面试答题策略 + +1. **原理阐述**：先说概念定义，再讲技术原理，最后谈应用场景 +2. **对比分析**：不同技术方案的优缺点对比，选择依据 +3. **实战经验**：结合具体项目经验，展示解决问题的思路 +4. **代码展示**：关键技术点用简洁代码示例说明 + +--- + +## 📚 扩展学习 + +- **官方文档**：Dubbo、gRPC、Thrift等框架的官方文档 +- **源码分析**：深入理解框架的实现原理和设计思想 +- **性能测试**：对比不同框架和配置的性能表现 +- **最佳实践**：学习企业级RPC应用的架构设计和运维经验 \ No newline at end of file diff --git a/docs/interview/Redis-FAQ.md b/docs/interview/Redis-FAQ.md index c1506eea85..08c9f2782f 100644 --- a/docs/interview/Redis-FAQ.md +++ b/docs/interview/Redis-FAQ.md @@ -1,6 +1,46 @@ -## 一、Redis 基础问题 +--- +title: Redis 面试专场 +date: 2024-05-31 +tags: + - Redis + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/redis/redis-faq-banner.png) + +> **导读：**不管哪个模板的面试题，其实都是分原理和实践两部分。所以两方面都要准备。 +> +> 比如你们项目是怎么用缓存的，服务是怎么部署的，不要像有些同学自己项目中的 Redis 是集群部署还是哨兵都不清楚。 +> +> 面试是需要准备的~ + +## 🗺️ 知识导航 + +### 🏷️ 核心知识分类 + +1. **🔑 Redis基础架构**：基本概念、线程模型、I/O多路复用、Reactor模式、与Memcached对比 +2. **🗂️ 数据结构与底层实现**：五种基本类型、SDS、Hash实现、跳表、扩展数据类型、使用场景 +3. **💾 持久化与内存管理**：RDB/AOF、混合持久化、过期策略、淘汰策略、内存模型、Fork/COW +4. **🔗 事务与脚本**：事务特性、WATCH机制、Lua脚本、原子性保障 +5. **🌐 高可用与分布式**：主从复制、哨兵机制、Cluster集群、分片策略、一致性保障、CAP权衡 +6. **🚀 性能优化与异常处理**：缓存策略、大Key/热Key、缓存三大问题、性能调优、监控指标 +7. **🔐 分布式锁与并发控制**：Redis分布式锁、Redlock算法、续期机制、与ZK对比、乐观锁应用 +8. **📨 消息队列与异步处理**：List/Stream队列、Pub/Sub、延时队列、异步消息机制 +9. **🛠️ 实战应用与最佳实践**：管道技术、UV统计、实践案例、使用误区、优化技巧 + +### 🔑 面试话术模板 + +| 问题类型 | 回答框架 | 关键要点 | 深入扩展 | +| --- | --- | --- | --- | +| 机制原理 | 背景→实现→特点→适用 | 底层数据结构/流程图 | 版本差异、源码细节 | +| 架构能力 | 架构→优缺点→权衡 | CAP、延迟、可用性 | 参数与部署建议 | +| 性能优化 | 痛点→策略→数据 | 命中率、RT/QPS | 压测与监控指标 | +| 故障治理 | 现象→定位→修复 | 工具与指标 | 预防与演练 | -### Redis是什么 +## 一、Redis基础架构 + +### 🎯 Redis是什么？ Redis：**REmote DIctionary Server**(远程字典服务器)。 @@ -19,7 +59,7 @@ Redis 内置了复制（Replication），LUA脚本（Lua scripting）， LRU驱 -### 为什么要用缓存？为什么使用 Redis？ +### 🎯 为什么要用缓存？为什么使用 Redis？ **提一下现在 Web 应用的现状** @@ -43,82 +83,215 @@ Redis 内置了复制（Replication），LUA脚本（Lua scripting）， LRU驱 -### 用缓存，肯定是因为他快，那 Redis 为什么这么快 +### 🎯 用缓存，肯定是因为他快，那 Redis 为什么这么快？ -- **纯内存操作**：读取不需要进行磁盘 I/O，所以比传统数据库要快上不少；*(但不要有误区说磁盘就一定慢，例如 Kafka 就是使用磁盘顺序读取但仍然较快)* -- 用hash table作为键空间，查找任意的key只需O(1) -- **单线程，无锁竞争**：天生的队列模式，避免了因多线程竞争而导致的上下文切换和抢锁的开销 +Redis快在“三件套+两层优化”： -- 事件机制，Redis服务器将所有处理的任务分为两类事件，一类是采用I/O多路复用处理客户端请求的网络事件；一类是处理定时任务的时间事件，包括更新统计信息、清理过期键、持久化、主从同步等； +- 三件套：全内存操作（避免磁盘IO）、高效数据结构（哈希表/跳表/quicklist/listpack）、单线程事件驱动（无锁、无切换）。 - - **多路 I/O 复用模型，非阻塞 I/O**：采用多路 I/O 复用技术可以让单个线程高效的处理多个网络连接请求（尽量减少网络 IO 的时间消耗）； +- 两层优化：I/O多路复用（epoll/kqueue）配合流水线/批处理降低系统调用；工程级细节（RESP协议简单、jemalloc、渐进式rehash、异步持久化/删除、6.0起I/O线程分流收发）。 - - Redis 基于 Reactor 模式开发了自己的网络事件处理器，这个处理器被称为文件事件处理器 file event handler。由于这个文件事件处理器是单线程的，所以Redis才叫做单线程的模型，但是它采用IO多路复用机制同时监听多个Socket，并根据Socket上的事件来选择对应的事件处理器进行处理。文件事件处理器的结构包含4个部分，线程模型如下图： - ![img](https://tva1.sinaimg.cn/large/e6c9d24ely1h39bj2lu3fj20hn0apaau.jpg) +> - **纯内存操作**：读取不需要进行磁盘 I/O，所以比传统数据库要快上不少；*(但不要有误区说磁盘就一定慢，例如 Kafka 就是使用磁盘顺序读取但仍然较快)* +> +> - 用 hash table 作为键空间，查找任意的 key 只需 $O(1)$ +> +> - **单线程，无锁竞争**：天生的队列模式，避免了因多线程竞争而导致的上下文切换和抢锁的开销 +> +> - 事件机制，Redis服务器将所有处理的任务分为两类事件，一类是采用 I/O 多路复用处理客户端请求的网络事件；一类是处理定时任务的时间事件，包括更新统计信息、清理过期键、持久化、主从同步等； +> +> - **多路 I/O 复用模型，非阻塞 I/O**：采用多路 I/O 复用技术可以让单个线程高效的处理多个网络连接请求（尽量减少网络 IO 的时间消耗）； +> +> - Redis 基于 Reactor 模式开发了自己的网络事件处理器，这个处理器被称为文件事件处理器 file event handler。由于这个文件事件处理器是单线程的，所以 Redis 才叫做单线程的模型，但是它采用 IO 多路复用机制同时监听多个Socket，并根据Socket上的事件来选择对应的事件处理器进行处理。 +> +> 多个 Socket 可能会产生不同的操作，每个操作对应不同的文件事件，但是IO多路复用程序会监听多个Socket，将Socket产生的事件放入队列中排队，事件分派器每次从队列中取出一个事件，把该事件交给对应的事件处理器进行处理。 +> +> Redis客户端对服务端的每次调用都经历了发送命令，执行命令，返回结果三个过程。其中执行命令阶段，由于Redis是单线程来处理命令的，所有每一条到达服务端的命令不会立刻执行，所有的命令都会进入一个队列中，然后逐个被执行。并且多个客户端发送的命令的执行顺序是不确定的。但是可以确定的是不会有两条命令被同时执行，不会产生并发问题，这就是Redis的单线程基本模型。 +> +> - Redis直接自己构建了VM 机制 ，避免调用系统函数的时候，浪费时间去移动和请求 +> +> - **高效的数据结构，加上底层做了大量优化**：Redis 对于底层的数据结构和内存占用做了大量的优化，例如不同长度的字符串使用不同的结构体表示，HyperLogLog 的密集型存储结构等等.. - - ![](https://tva1.sinaimg.cn/large/e6c9d24ely1h39bjv4uz9j215l0g5jvc.jpg) +但是因为 Redis 不同版本的特殊性，所以对于 Redis 的线程模型要分版本来看。 - 多个 Socket 可能会产生不同的操作，每个操作对应不同的文件事件，但是IO多路复用程序会监听多个Socket，将Socket产生的事件放入队列中排队，事件分派器每次从队列中取出一个事件，把该事件交给对应的事件处理器进行处理。 +Redis 4.0 版本之前，使用单线程速度快的原因就是内存、数据结构、单线程、IO 多路复用； - Redis客户端对服务端的每次调用都经历了发送命令，执行命令，返回结果三个过程。其中执行命令阶段，由于Redis是单线程来处理命令的，所有每一条到达服务端的命令不会立刻执行，所有的命令都会进入一个队列中，然后逐个被执行。并且多个客户端发送的命令的执行顺序是不确定的。但是可以确定的是不会有两条命令被同时执行，不会产生并发问题，这就是Redis的单线程基本模型。 +Redis 4.0 版本之后，Redis 添加了多线程的支持，但这时的多线程主要体现在大数据的异步删除功能上，例如 unlink key、flushdb async、flushall async 等。 -- **高效的数据结构，加上底层做了大量优化**：Redis 对于底层的数据结构和内存占用做了大量的优化，例如不同长度的字符串使用不同的结构体表示，HyperLogLog 的密集型存储结构等等.. +Redis 6.0 版本之后，为了更好地提高 Redis 的性能，新增了多线程 I/O 的读写并发能力，但是在面试中，能把 Redis 6.0 中的多线程模型回答上来的人很少，如果你能在面试中补充 Redis 6.0 多线程的原理，势必会增加面试官对你的认可。 -> **I/O多路复用，I/O就是指的我们网络I/O，多路指多个TCP连接(或多个Channel)，复用指复用一个或少量线程。串起来理解就是很多个网络I/O复用一个或少量的线程来处理这些连接。** +你可以在面试中这样补充： -当然这种单线程事件机制也是有缺陷的，由于所有的事件都是串行执行，一旦某个事件比较重就会阻塞其它事件，从而导致整个系统的吞吐率下降。比如某个客户端执行了一个比较重的lua函数、或者使用了诸如keys*、zrange(0,-1)、hgetall等全集合扫描的操作，又或者删除的过期键是个big key，又或者使用了较多内存的redis实例进行bgsave时，都会导致服务器一定程度的阻塞，一般伴随会有相应的慢日志。所以我们在实际使用redis的过程中，必须要给每一次的操作分配合理的时间片。 +虽然 Redis 一直是单线程模型，但是在 Redis 6.0 版本之后，也采用了多个 I/O 线程来处理网络请求，这是因为随着网络硬件的性能提升，Redis 的性能瓶颈有时会出现在网络 I/O 的处理上，所以为了提高网络请求处理的并行度，Redis 6.0 对于网络请求采用多线程来处理。但是对于读写命令，Redis 仍然使用单线程来处理。 -- Redis直接自己构建了VM 机制 ，避免调用系统函数的时候，浪费时间去移动和请求 +### 🎯 Redis 属于单线程还是多线程？ -### Redis 属于单线程还是多线程？ +> Redis 的 **核心网络模型与命令执行** 采用 **单线程**（基于 I/O 多路复用 `epoll/kqueue`），所以不会出现多线程并发修改数据的问题。 +> +> **但**：从 Redis 4.0 开始引入了一些 **多线程辅助功能**（比如异步删除、后台持久化、RDB/AOF 重写），到 **Redis 6.0 才正式引入多线程 I/O**，用于处理网络数据读写，减少单线程瓶颈。 -> 这道题其实就在考察 Redis 的线程模型（这几乎是 Redis 必问的问题之一）。 +- 线程模型分版本 -很多初级研发工程师基本都知道 Redis 是单线程的，并且能说出 Redis 单线程的一些优缺点，比如，实现简单，可以在无锁的情况下完成所有操作，不存在死锁和线程切换带来的性能和时间上的开销，但同时单线程也不能发挥多核 CPU 的性能。 + - ≤4.0：主线程处理网络+命令，后台有少量BIO线程（fsync、close/unlink），bgsave/aof重写通过 fork 子进程。 -很明显，如果你停留在上面的回答思路上，只能勉强及格，因为对于这样一道经典的面试题，你回答得没有亮点，几乎丧失了机会。一个相对完整的思路应该基于 Redis 单线程，补充相关的知识点，比如： + - 4.x：引入异步删除（UNLINK、flush async），但命令与I/O仍由主线程。 -如： + - ≥6.0：I/O 多线程（io-threads）分摊“读取请求/写回响应”的开销；主线程负责命令解析与执行，保证一致的内存访问模型。 -Redis 只有单线程吗？ +- Reactor 模型 + - 单个事件循环（file events + time events），用 epoll/kqueue 等 I/O 多路复用等待就绪 FD，回调驱动处理；这让“单执行线程”支撑高并发。 -Redis 是单线程的，主要是指 Redis 的网络 I/O 线程，以及键值的 SET 和 GET 等读写操作都是由一个线程来完成的。但 Redis 的持久化、集群同步等操作，则是由另外的线程来执行的。 +- 为什么快（面试官高频点） -Redis 采用单线程为什么还这么快？ + - 内存操作+紧凑结构（listpack/skiplist） -一般来说，单线程的处理能力应该要比多线程差才对，但为什么 Redis 还能达到每秒数万级的处理能力呢？主要有如下几个原因。 + - 单线程避免锁竞争与上下文切换 -首先，一个重要的原因是，Redis 的大部分操作都在内存中完成，并且采用了高效的数据结构，比如哈希表和跳表。 + - I/O 多路复用减少阻塞 -其次，因为是单线程模型避免了多线程之间的竞争，省去了多线程切换带来的时间和性能上的开销，而且也不会导致死锁问题。 + - 简单协议（RESP）+批量/流水线 -最后，也是最重要的一点， Redis 采用了 I/O 多路复用机制处理大量的客户端 Socket 请求，这让 Redis 可以高效地进行网络通信，因为基于非阻塞的 I/O 模型，就意味着 I/O 的读写流程不再阻塞。 +- 6.0 I/O 线程原理（答出就加分） -但是因为 Redis 不同版本的特殊性，所以对于 Redis 的线程模型要分版本来看。 + - 读取路径：I/O 线程把 socket 数据读入 client buffer，主线程解析+执行命令。 -Redis 4.0 版本之前，使用单线程速度快的原因就是上述的几个原因； + - 写回路径：主线程生成响应后，I/O 线程负责把大响应写回客户端，降低主线程被大包 write 阻塞。 -Redis 4.0 版本之后，Redis 添加了多线程的支持，但这时的多线程主要体现在大数据的异步删除功能上，例如 unlink key、flushdb async、flushall async 等。 + - 配置要点：io-threads N，默认只用于写；开启读用 io-threads-do-reads yes（读多且网络瓶颈明显时再开）。线程不是越多越好，常见 4～8。 -Redis 6.0 版本之后，为了更好地提高 Redis 的性能，新增了多线程 I/O 的读写并发能力，但是在面试中，能把 Redis 6.0 中的多线程模型回答上来的人很少，如果你能在面试中补充 Redis 6.0 多线程的原理，势必会增加面试官对你的认可。 +- “不是全单线程”的补充 -你可以在面试中这样补充： + - 后台线程/子进程：AOF fsync、RDB/AOF 重写（fork+COW）、UNLINK/lazyfree、active defrag、复制/集群通信线程等。 -虽然 Redis 一直是单线程模型，但是在 Redis 6.0 版本之后，也采用了多个 I/O 线程来处理网络请求，这是因为随着网络硬件的性能提升，Redis 的性能瓶颈有时会出现在网络 I/O 的处理上，所以为了提高网络请求处理的并行度，Redis 6.0 对于网络请求采用多线程来处理。但是对于读写命令，Redis 仍然使用单线程来处理。 + - 这些与主执行线程解耦，降低主线程停顿，但 fork 时要关注 COW 内存与IO抖动。 + + + **为什么这样设计？** + + 单线程优势： + + 1. 避免锁竞争：无需复杂的并发控制 + 2. 简化实现：代码逻辑清晰，易于维护 + 3. 原子性保证：所有操作天然原子性 + 4. 高性能：配合I/O多路复用，单线程也能处理高并发 + + 多线程补充： + + 1. I/O瓶颈优化：网络I/O处理能力提升 + 2. 后台任务分离：避免阻塞主线程 + 3. 充分利用多核：在不影响核心逻辑的前提下提升性能 + +**误区澄清（面试官常挖的坑）** + +- “Redis 多线程了能并行执行命令吗？”不能，命令仍是主线程串行执行；I/O 才并发。 + +- “开很多 I/O 线程就一定更快？”不一定，CPU 竞争、调度与缓存失效可能适得其反；先定位瓶颈再开。 + +- “单线程吃不满多核？”用集群/分片横向扩展；或多实例多核亲和部署。 + +> **Redis 6.0 之前：全单线程** +> +> 在 Redis 6.0 之前，整个请求流程是这样的： +> +> ``` +> 客户端 -> [主线程] +> 1️⃣ 读取 socket 数据 +> 2️⃣ 解析命令（字符串解析、参数拆分） +> 3️⃣ 执行命令（访问数据结构、修改内存） +> 4️⃣ 写回响应数据 +> ``` +> +> ➡️ 所有步骤都在同一个线程完成，**I/O + 命令执行全串行**。 +> +> ------ +> +> **Redis 6.0 之后：I/O 多线程化（但执行仍单线程）** +> +> Redis 6.0 为了提升 **网络吞吐量**（尤其是高并发下的收发性能），把请求流程拆成了两层： +> +> ``` +> 客户端 -> [I/O 线程池] -> [主线程] +> ``` +> +> 具体分工如下： +> +> | 阶段 | 执行线程 | 职责说明 | +> | --------------- | ---------------------- | --------------------------------------------------------- | +> | 1️⃣ 网络 I/O 读写 | **I/O 线程（多线程）** | 从 socket 中读取数据包 / 写回响应包，负责纯粹的“收”和“发” | +> | 2️⃣ 命令解析 | **主线程** | 把字节流解析成 Redis 命令，比如解析 `"SET key value"` | +> | 3️⃣ 命令执行 | **主线程** | 执行命令逻辑，如操作字典、跳表等内存结构 | +> | 4️⃣ 返回结果 | **I/O 线程（多线程）** | 将命令结果写入 socket，发给客户端 | -> 很多同学对单线程有些疑问，简单的解释一下 redis 单线程的意思，redis 服务端虽说是单线程，但是可以同时 持有很多connection，每个connection 都可以同时发请求，只不过在 redis 服务端，一个一个的处理每个connection 发过来的request， 通俗点说就是，很多请求都能发过来，（其实是存在每个connection socket 内核缓冲区），一个一个处理。 +### 🎯 Redis多路复用？ +Redis的“多路复用”指用一个事件循环线程，借助内核的 I/O 复用接口（Linux 上主要是 epoll，BSD 上是 kqueue），同时监听成千上万个套接字的可读/可写事件。就绪才处理，非阻塞读写，配合 Reactor 模型把网络 I/O 的并发性和命令执行的串行性解耦。6.0 起增加了 I/O 线程加速“收发数据”，但“命令解析与执行”仍在主线程，避免并发共享数据的复杂度。 + 简单来说： -### 为什么早期版本的 Redis 选择单线程？ + - 多路：指多个TCP连接（或多个Channel） + - 复用：指复用一个或少量线程 + - 核心：用一个线程监视多个文件描述符，一旦某个描述符就绪就能进行相应的I/O操作 -我们首先要明白，上边的种种分析，都是为了营造一个 Redis 很快的氛围！官方FAQ表示，因为Redis是基于内存的操作，CPU不是Redis的瓶颈，Redis的瓶颈最有可能是机器内存的大小或者网络带宽。既然单线程容易实现，而且CPU不会成为瓶颈，那就顺理成章地采用单线程的方案了（毕竟采用多线程会有很多麻烦！）。 +以下是 Redis 多路复用的工作原理： -看到这里，你可能会气哭！本以为会有什么重大的技术要点才使得Redis使用单线程就可以这么快，没想到就是一句官方看似糊弄我们的回答！但是，我们已经可以很清楚的解释了为什么Redis这么快，并且正是由于在单线程模式的情况下已经很快了，就没有必要在使用多线程了！ +**1. 多路复用简介** -#### 简单总结一下 +I/O多路复用，I/O就是指的我们网络I/O，多路指多个TCP连接(或多个Channel)，复用指复用一个或少量线程。串起来理解就是很多个网络I/O复用一个或少量的线程来处理这些连接。 + +> 多路复用是一种 I/O 复用技术，可以让一个线程监视多个文件描述符（FD），一旦某个描述符准备好进行 I/O 操作（如读或写），程序就可以对其进行相应的处理。这样可以有效地提高系统资源利用率和并发性能。 +> +> IO 多路复用是 Redis 快速响应众多客户端请求的核心技术之一。IO 多路复用允许 Redis 同时监听多个文件描述符（通常是网络套接字），当其中任何一个描述符就绪（可读或可写）时，程序可以进行相应的处理。这样可以在单线程中高效处理大量并发连接。 + +**2. Redis 使用的多路复用机制** + +Redis 根据不同操作系统，选择最合适的多路复用机制： + +- 在 Linux 系统上，使用 `epoll` +- 在 BSD 系统上，使用 `kqueue` +- 在 Solaris 上，使用 `evport` +- 在其他一些系统上，使用 `select`：最古老的 IO 多路复用技术，支持的文件描述符数量有限。 + +**3. 工作流程** + + Redis基于Reactor模式实现了文件事件处理器(File Event Handler)，这个处理器包含4个组成部分： + + 1. 多个套接字(Socket)：客户端连接 + 2. I/O多路复用程序：监听多个套接字的事件 + 3. 文件事件分派器：将就绪的事件分配给对应的处理器 + 4. 事件处理器：处理具体的业务逻辑 + +以下是 Redis 使用多路复用的工作流程： + +``` + [客户端1] ──┐ + [客户端2] ──┼─→ [I/O多路复用程序] ──→ [事件分派器] ──→ [事件处理器] + [客户端3] ──┘ (epoll/select) (单线程队列) (命令执行) +``` + +1. **初始化事件循环**： Redis 在启动时会初始化一个事件循环，其中包含一个事件表，用于记录所有需要监视的文件描述符及其相关的事件（如可读、可写）。 +2. **注册事件**： 当 Redis 需要监视某个文件描述符（如新客户端连接或现有客户端的读写操作）时，会将该描述符及其事件类型（如读、写）注册到事件表中。 +3. **等待事件触发**： Redis 使用多路复用函数（如 `epoll_wait`、`kqueue` 或 `select`）等待注册的文件描述符上有事件发生。这个函数会阻塞，直到至少有一个文件描述符准备好进行 I/O 操作。 +4. **处理事件**： 一旦多路复用函数返回，Redis 会遍历触发事件的文件描述符，并对其进行相应的处理。这可能包括读取客户端请求、向客户端发送响应、接受新的连接等。 +5. **事件处理完毕后继续等待**： 处理完所有触发的事件后，Redis 会再次调用多路复用函数，继续等待新的事件发生。 + +**4. 优点** + +Redis 使用多路复用的优点包括： + +- **高效性**：可以高效地监视大量的文件描述符，并且只在有事件发生时才进行处理，避免了轮询方式的高开销。 +- **单线程模型**：通过多路复用，Redis 能够在单线程中高效地处理大量的并发连接，简化了编程模型和线程间同步问题。 +- **跨平台性**：Redis 封装了多种操作系统的多路复用机制，使其可以在不同平台上高效运行。 + + + +### 🎯 为什么早期版本的 Redis 选择单线程？ + +官方FAQ表示，因为Redis是基于内存的操作，CPU不是Redis的瓶颈，Redis 的瓶颈最有可能是机器内存的大小或者网络带宽。既然单线程容易实现，而且 CPU 不会成为瓶颈，那就顺理成章地采用单线程的方案了（毕竟采用多线程会有很多麻烦！）。 + +看到这里，你可能会气哭！本以为会有什么重大的技术要点才使得Redis使用单线程就可以这么快，没想到就是一句官方看似糊弄我们的回答！但是，我们已经可以很清楚的解释了为什么 Redis 这么快，并且正是由于在单线程模式的情况下已经很快了，就没有必要在使用多线程了！ + +**简单总结一下** 1. 使用单线程模型能带来更好的可维护性，方便开发和调试； 2. 使用单线程模型也能并发的处理客户端的请求； @@ -126,13 +299,17 @@ Redis 6.0 版本之后，为了更好地提高 Redis 的性能，新增了多线 这里我们一直在强调的单线程，只是在处理我们的网络请求的时候只有一个线程来处理，一个正式的 Redis Server 运行的时候肯定是不止一个线程的，这里需要大家明确的注意一下！例如 Redis 进行持久化的时候会以子进程或者子线程的方式执行； -Redis 选择使用单线程模型处理客户端的请求主要还是因为 CPU 不是 Redis 服务器的瓶颈，所以使用多线程模型带来的性能提升并不能抵消它带来的开发成本和维护成本，系统的性能瓶颈也主要在网络 I/O 操作上；而 Redis 引入多线程操作也是出于性能上的考虑，对于一些大键值对的删除操作，通过多线程非阻塞地释放内存空间也能减少对 Redis 主线程阻塞的时间，提高执行的效率。 +Redis 选择使用单线程模型处理客户端的请求主要还是因为 CPU 不是 Redis 服务器的瓶颈，所以使用多线程模型带来的性能提升并不能抵消它带来的开发成本和维护成本，系统的性能瓶颈也主要在网络 I/O 操作上； + +而 Redis 引入多线程操作也是出于性能上的考虑，对于一些大键值对的删除操作，通过多线程非阻塞地释放内存空间也能减少对 Redis 主线程阻塞的时间，提高执行的效率。 -推荐阅读：https://draveness.me/whys-the-design-redis-single-thread/ +在高并发场景下可以利用多个线程 并发处理 IO 任务、命令解析和数据回写。这些线程也被叫做 IO 线程。默认情况下，多线程模式是被禁用了的，需要显式地开启。 +> 推荐阅读：https://draveness.me/whys-the-design-redis-single-thread/ -### Redis 和 Memcached 的区别 + +### 🎯 Redis 和 Memcached 的区别？ 1. 存储方式上：memcache 会把数据全部存在内存之中，断电后会挂掉，数据不能超过内存大小。redis 有部分数据存在硬盘上，这样能保证数据的持久性。 2. 数据支持类型上：memcache 对数据类型的支持简单，只支持简单的 key-value，而 redis 支持五种数据类型。 @@ -141,7 +318,69 @@ Redis 选择使用单线程模型处理客户端的请求主要还是因为 CPU -### 最后总结下 Redis 优缺点 +### 🎯 key 最大是多少 ，单个实例最多支持多少个key？ + +Redis 对键（key）的最大长度和单个实例最多支持的键数量有明确的限制。下面详细解释这些限制： + +1. 键（Key）的最大长度 + +​ Redis 对每个键的最大长度有严格的限制。根据 Redis 的官方文档：键的最大长度为 512 MB（512 * 1024 * 1024 bytes）。 + +​ 虽然 Redis 允许非常长的键，但在实际应用中建议避免使用过长的键，以提高内存利用效率和操作性能。 + +2. 单个实例最多支持的键数量 + + Redis 是一个内存数据库，理论上它可以存储的键数量没有严格的上限，取决于可用内存和系统的限制。然而，实际应用中单个实例的键数量会受到以下因素的限制： + + - 内存限制 + + Redis 存储的数据都在内存中，因此可用内存是决定单个实例能存储多少键的主要因素。Redis 可以使用的最大内存量取决于机器的物理内存和 Redis 的配置。 + + **配置最大内存**：通过配置 `maxmemory` 参数，可以限制 Redis 使用的最大内存量。例如，在 redis.conf 文件中设置：`maxmemory 4GB` + + 这将限制 Redis 使用的最大内存为 4 GB。当达到这个限制时，可以通过 `maxmemory-policy` 参数配置内存淘汰策略，如 LRU（Least Recently Used）、LFU（Least Frequently Used）、ALLKEYS-RANDOM 等。 + + - 数据结构的内存开销 + + 不同的数据结构（如字符串、哈希、列表、集合、有序集合）在 Redis 中的内存开销不同。每个键值对的存储不仅包括键和值的实际内容，还包括 Redis 内部维护的数据结构（如哈希表节点、指针等）的开销。 + +Redis 内部实现限制 + +虽然 Redis 没有明确限制单个实例的最大键数量，但 Redis 的哈希表实现有默认的初始大小和扩展策略： + +- **初始哈希表大小**：Redis 默认初始化的哈希表大小较小，但会根据键数量自动扩展。 + +- **扩展策略**：Redis 使用渐进式 rehashing 来扩展哈希表，以减少扩展过程中对性能的影响。 + + + +### 🎯 为什么 Redis 不建议 key 太长，原理？ + +Redis 的键（key）设计不建议太长，这主要是出于以下几个方面的考虑： + +1. **内存使用效率**： + - Redis 的键和值在内存中是成对存储的。键过长意味着每个键值对占用的内存空间会增加，这会降低内存的使用效率。 + - 较长的键名会增加内存占用，因为 Redis 需要为每个键分配额外的内存空间来存储键名。 +2. **性能影响**： + - 键的查找、存储和删除操作都需要对键名进行处理。键名较长会增加这些操作的执行时间，从而影响性能。 + - 特别是当使用具有前缀或模式匹配的键进行操作时，如 `keys` 命令或 `SCAN` 命令，长键名会增加处理时间，影响性能。 +3. **网络传输效率**： + - 在客户端与 Redis 服务器之间传输数据时，键名也是需要传输的一部分。键名较长会增加网络传输的数据量，降低传输效率。 +4. **可读性和维护性**： + - 较短的键名通常更易于理解和维护。长键名可能会使得代码更难阅读，也更容易出错。 + - 使用有意义的短键名可以提高代码的可读性和可维护性。 +5. **散列算法的影响**： + - Redis 使用哈希表来存储键值对，长键名在哈希算法中可能会产生更多的冲突，这会增加处理哈希冲突的复杂性。 +6. **限制和配置**： + - Redis 并没有严格的键名长度限制，但是过长的键名可能会受到特定 Redis 配置或客户端库的限制。 +7. **命令行和脚本处理**： + - 在使用命令行工具或编写自动化脚本时，长键名可能会使得命令行变得复杂，增加出错的风险。 + +因此，为了优化内存使用、提高性能、简化开发和维护，通常建议设计键名时尽量简短且具有描述性。在实际应用中，可以根据业务逻辑和需求来设计合适的键名长度，以平衡可读性和性能。 + + + +### 🎯 最后总结下 Redis 优缺点 优点 @@ -158,42 +397,77 @@ Redis 选择使用单线程模型处理客户端的请求主要还是因为 CPU - 主机宕机，宕机前有部分数据未能及时同步到从机，切换 IP 后还会引入数据不一致的问题，降低了 **系统的可用性**。 - **Redis 较难支持在线扩容**，在集群容量达到上限时在线扩容会变得很复杂。为避免这一问题，运维人员在系统上线时必须确保有足够的空间，这对资源造成了很大的浪费。 - - -### key 最大是多少 ，单个实例最多支持多少个key - -一个 key 或是 value 大小最大是 512M - -一个单实例的redis最多能支持 $2^{32}$ 个键，差不多就是 2.5 亿个，每个 key 中的值也是可以存 $2^{32}$ 行数据，所以服务器的内存才是我们所担心的。 - ------ -## 二、Redis 数据结构问题 +## 二、数据结构与底层实现 -### Redis 都支持哪些数据类型 +### 🎯 Redis 都支持哪些数据类型 首先在 Redis 内部会使用一个 **RedisObject** 对象来表示所有的 `key` 和 `value`： -![](https://cdn.jsdelivr.net/gh/wmyskxz/img/img/%E5%A6%88%E5%A6%88%E5%86%8D%E4%B9%9F%E4%B8%8D%E6%8B%85%E5%BF%83%E6%88%91%E9%9D%A2%E8%AF%95%E8%A2%ABRedis%E9%97%AE%E5%BE%97%E8%84%B8%E9%83%BD%E7%BB%BF%E4%BA%86/7896890-16511ec4f7f30569.png) - Redis 提供了五种基本数据类型，String、Hash、List、Set、Zset(sorted set：有序集合) > Redis 不是简单的键值存储，它实际上是一个数据结构服务器，支持不同类型的值。 > -> - String（字符串）：二进制安全字符串 -> - List（列表）：根据插入顺序排序的字符串元素的集合。它们基本上是链表 -> - Hash（字典）：是一个键值对集合。KV模式不变，但V是一个键值对 -> - Set（集合）：唯一，未排序的字符串元素的集合 -> - zset(sorted set：有序集合)：相当于有序的 Set集合，每个字符串元素都与一个称为 *score* 的浮点值相关联。元素总是按它们的分数排序（eg，找出前10名或后10名） +> 1. String（字符串） +> - 特点：二进制安全，最大512MB +> - 底层实现：SDS（Simple Dynamic String） +> - 应用场景：缓存、计数器、分布式锁、序列化对象存储 +> +> 2. Hash（哈希） +> - 特点：键值对集合，类似于Map +> - 底层实现：ziplist（小数据量）+ hashtable（大数据量） +> - 应用场景：用户信息存储、对象缓存 +> +> 3. List（列表） +> - 特点：有序字符串列表，支持双端操作 +> - 底层实现：quicklist（ziplist + linkedlist 的混合结构） +> - 应用场景：消息队列、时间线、最新列表 +> +> 4. Set（集合） +> - 特点：无序、唯一元素集合 +> - 底层实现：intset（整数）+ hashtable +> - 应用场景：标签系统、共同关注、去重 +> +> 5. Zset（有序集合） +> - 特点：有序且唯一，每个成员关联一个score +> - 底层实现：ziplist（小数据量）+ skiplist + hashtable +> - 应用场景：排行榜、范围查询、优先级队列 > > 除了支持最 **基础的五种数据类型** 外，还支持一些 **高级数据类型**： > -> - Bit arrays （位数组，简称位图 bitMap）： -> - HyperLogLog（）：这是一个概率数据结构，用于估计集合的基数 -> - Geo -> - Stream： +> 1. Bitmap（位图） +> +> - 本质：基于String的位操作 +> +> - 应用：用户签到、在线状态、权限系统、布隆过滤器 +> +> +> 2. HyperLogLog（基数统计） +> +> - 特点：概率算法，固定12KB内存，0.81%标准误差 +> +> - 应用：UV统计、大数据去重计数 +> +> 3. Geospatial（地理空间） +> +> - 底层：基于Zset，使用Geohash编码 +> +> - 应用：LBS服务、附近的人、地理围栏 +> +> 4. Streams（流） +> +> - 特点：持久化日志结构，支持消费者组 +> +> - 应用：消息队列、事件溯源、审计日志 +> +> 5. Bloom Filter（布隆过滤器） +> +> - 特点：概率型数据结构，判断存在性 +> +> - 应用：缓存穿透防护、URL去重、推荐系统 由于 Redis 是基于标准 C 写的，只有最基础的数据类型，因此 Redis 为了满足对外使用的 5 种数据类型，开发了属于自己**独有的一套基础数据结构**，使用这些数据结构来实现5种数据类型。 @@ -201,11 +475,58 @@ Redis底层的数据结构包括：**简单动态数组SDS、链表、字典、 Redis 为了平衡空间和时间效率，针对 value 的具体类型在底层会采用不同的数据结构来实现，其中哈希表和压缩列表是复用比较多的数据结构，如下图展示了对外数据类型和底层数据结构之间的映射关系： -![](https://tva1.sinaimg.cn/large/007S8ZIlly1ge0k8do3s3j30im0el7aa.jpg) - +![](https://img.starfish.ink/redis/redis-data-types.png) +> 源码中，`redisObject`（或 `robj`）是 Redis 用于表示数据对象的核心结构。每一个 Redis 数据对象，无论是字符串、列表、集合、哈希还是有序集合，都会被封装在一个 `redisObject` 结构体中 +> +> ```c +> //简化版 +> typedef struct redisObject { +> unsigned type:4; // 数据类型 +> unsigned encoding:4; // 对象的编码方式 +> unsigned lru:LRU_BITS; // LRU 时间，用于内存淘汰策略 +> int refcount; // 引用计数 +> void *ptr; // 指向实际存储数据的指针 +> } robj; +> ``` +> +> `redisObject` **各字段解析** +> +> - **type**：用来标识对象的数据类型（如字符串、列表、集合等）。Redis 支持的几种核心数据类型在源码中定义为常量，例如： +> +> ```c +> #define OBJ_STRING 0 // 字符串 +> #define OBJ_LIST 1 // 列表 +> #define OBJ_SET 2 // 集合 +> #define OBJ_ZSET 3 // 有序集合 +> #define OBJ_HASH 4 // 哈希表 +> ``` +> +> - **encoding**：用来标识对象的具体编码方式，也就是该对象的底层数据结构（如 `intset`, `ziplist`, `hashtable` 等）。常见的编码方式如下： +> +> ```c +> #define OBJ_ENCODING_RAW 0 // 普通字符串编码 +> #define OBJ_ENCODING_INT 1 // 整数编码 +> #define OBJ_ENCODING_HT 2 // 哈希表编码 +> #define OBJ_ENCODING_ZIPMAP 3 // 压缩地图编码（老版本 Redis） +> #define OBJ_ENCODING_LINKEDLIST 4 // 链表编码（旧的列表编码） +> #define OBJ_ENCODING_ZIPLIST 5 // 压缩列表编码 +> #define OBJ_ENCODING_INTSET 6 // 整数集合编码 +> #define OBJ_ENCODING_SKIPLIST 7 // 跳表编码（用于有序集合） +> #define OBJ_ENCODING_QUICKLIST 8 // 快速列表编码（新的列表编码） +> ``` +> +> - **lru**：用于记录该对象的最后访问时间，Redis 使用这个字段来实现内存淘汰策略（LRU，最近最少使用算法）。在新的 Redis 版本中，它可能改为 LRU 或 LFU（频率淘汰）。 +> +> - **refcount**：对象的引用计数。Redis 使用引用计数机制来管理对象的内存。如果一个对象的引用计数为 0，则该对象可以被释放。 +> +> - **ptr**：这是一个通用指针，指向该对象实际存储的数据。根据 `type` 和 `encoding` 的不同，`ptr` 指向的结构也不同。例如： +> +> - 对于字符串对象，`ptr` 可能指向的是一个 `sds`（简单动态字符串）。 +> - 对于列表对象，`ptr` 可能指向的是 `quicklist`。 +> - 对于有序集合对象，`ptr` 可能指向的是 `skiplist` 或 `ziplist`。 -### 那你能说说这些数据类型的使用指令吗？ +### 🎯 那你能说说这些数据类型的使用指令吗？ String：就是基本的 SET、GET、MSET、MGET、INCR、DECR @@ -219,23 +540,58 @@ SortSet：ZADD、ZCARD、ZCOUNT、ZRANGE -### String 是如何实现的 +### 🎯 Redis的数据结构， 字符串用什么实现？ + +Redis 中的字符串数据类型并不是直接通过 C 字符串（以 NULL 结尾的字符数组）来实现的，而是使用了一种叫做 **SDS (Simple Dynamic String)** 的数据结构来存储字符串。SDS 的主要优势在于支持快速的字符串操作和高效的内存管理。 + +SDS 结构一般包含以下几个部分： + +- **len**：当前字符串的长度（不包括末尾的 null 字符）。这使得 Redis 不需要在每次操作时都遍历整个字符串来获取其长度。 +- **alloc**：当前为字符串分配的总空间（包括字符串数据和额外的内存空间）。由于 Redis 使用的是动态分配内存，因此可以避免频繁的内存分配和释放。 +- **buf**：实际的字符串数据部分，存储字符串的字符数组。Redis 通过这个区域存储字符串的内容。 + -Redis 是用 C 语言开发完成的，但在 Redis 字符串中，并没有使用 C 语言中的字符串，而是用一种称为 **SDS**（Simple Dynamic String）的结构体来保存字符串。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gjno8bake1j30rk06dwei.jpg) +### 🎯 SDS 如何保证二进制安全？ -![img](https://tva1.sinaimg.cn/large/007S8ZIlly1gjno8fzv2ej30d207r3yr.jpg) +Redis 中的 `String` 是 **二进制安全的**，这意味着 Redis 的 `String` 可以存储任何形式的数据，不仅仅是文本（如 JSON、二进制文件、图像数据、序列化数据等）。这一点非常重要，因为 Redis 的 `String` 类型没有对数据内容的限制，可以安全地存储二进制数据。 -String 是 Redis 最基本的类型，你可以理解成与 Memcached一模一样的类型，一个 key 对应一个 value。 +二进制安全是一种主要用于字符串操作函数相关的计算机编程术语。其描述的是：**将输入作为原始的、无任何特殊格式意义的数据流。对于每个字符都公平对待，不特殊处理某一个字符**。 -String 类型是二进制安全的。意思是 Redis 的 String 可以包含任何数据。比如 jpg 图片或者序列化的对象 。 +- **不依赖于 null 字符**：传统的 C 字符串依赖于 null 字符（'\0'）来表示字符串的结束，但 Redis 的 SDS 不依赖于 null 字符来确定字符串的结束位置。SDS 存储了字符串的实际长度（`len` 字段），因此可以正确处理包含 null 字符的二进制数据。 +- **动态扩展**：SDS 会根据需要动态地扩展其内部缓冲区。Redis 会使用 `alloc` 字段来记录已分配的内存大小。当你向 SDS 中追加数据时，Redis 会确保分配足够的内存，而不需要担心数据的终止符。 +- **不需要二次编码**：二进制数据直接存储在 SDS 的 `buf` 区域内，不需要进行任何编码或转换。因此，Redis 可以原样存储任意二进制数据。 + +> 在早期版本的 Redis（特别是在 2.x 版本中），`SDS` 数据结构包含了一个 `free` 字段，它用于表示当前字符串缓冲区中未使用的内存量。 +> +> ```C +> struct sdshdr { +> int len; // 当前字符串的长度 +> int free; // buf数组中未使用的字节的数量（即额外的分配空间） +> char buf[]; // 字符串内容 +> }; +> ``` +> +> 在现代 Redis（即 Redis 3.x 及之后的版本）中，`SDS` 的实现发生了一些变化，尤其是去除了 `free` 字段。 +> +> ```C +> struct sdshdr { +> int len; // 当前字符串的长度 +> int alloc; // 分配的内存空间大小 +> unsigned char buf[]; // 字符串数据 +> }; +> ``` +> +> 现在 Redis 使用 `alloc` 字段来表示已分配的内存空间，而不再使用 `free`。`alloc` 存储的是当前为字符串分配的内存的总大小，而 `len` 表示已用的部分。 +> +> 为什么移除 `free` 字段？ +> +> - **更简洁的内存管理**：`alloc` 字段可以更直接地表示当前分配的内存大小，简化了内存管理。 +> - **惰性空间回收**：Redis 采用了懒加载和空间回收机制，通过这种方式避免了频繁的内存管理操作。 -Redis 的字符串是动态字符串，是可以修改的字符串，**内部结构实现上类似于 Java 的 ArrayList**，采用预分配冗余空间的方式来减少内存的频繁分配，内部为当前字符串实际分配的空间 capacity 一般要高于实际字符串长度 len。当字符串长度小于 1M 时，扩容都是加倍现有的空间，如果超过 1M，扩容时一次只会多扩 1M 的空间。需要注意的是**字符串最大长度为 512M** -![](http://ww1.sinaimg.cn/large/9b9f09a9ly1g9ypoobef5j20fw04pq2p.jpg) -### Redis 的 SDS 和 C 中字符串相比有什么优势？ +### 🎯 Redis 的 SDS 和 C 中字符串相比有什么优势？ C 语言使用了一个长度为 `N+1` 的字符数组来表示长度为 `N` 的字符串，并且字符数组最后一个元素总是 `\0`，这种简单的字符串表示方式 **不符合 Redis 对字符串在安全性、效率以及功能方面的要求**。 @@ -251,119 +607,143 @@ C 语言使用了一个长度为 `N+1` 的字符数组来表示长度为 `N` 的 如果去看 Redis 的源码 `sds.h/sdshdr` 文件，你会看到 SDS 完整的实现细节，这里简单来说一下 Redis 如何解决的： -1. **多增加 len 表示当前字符串的长度**：这样就可以直接获取长度了，复杂度 O(1)； +1. **多增加 len 表示当前字符串的长度**：这样就可以直接获取长度了，复杂度 $O(1)$； 2. **自动扩展空间**：当 SDS 需要对字符串进行修改时，首先借助于 `len` 和 `alloc` 检查空间是否满足修改所需的要求，如果空间不够的话，SDS 会自动扩展空间，避免了像 C 字符串操作中的覆盖情况； 3. **有效降低内存分配次数**：C 字符串在涉及增加或者清除操作时会改变底层数组的大小造成重新分配，SDS 使用了 **空间预分配** 和 **惰性空间释放** 机制，简单理解就是每次在扩展时是成倍的多分配的，在缩容是也是先留着并不正式归还给 OS； 4. **二进制安全**：C 语言字符串只能保存 `ascii` 码，对于图片、音频等信息无法保存，SDS 是二进制安全的，写入什么读取就是什么，不做任何过滤和限制； -### Redis的字符串实现，如何保证二进制安全 +### 🎯 SDS，数字类型的自增自减如何实现? -二进制安全的定义 +在 Redis 中，SDS（Simple Dynamic String）是一种用于存储字符串的动态数据结构，它被设计为二进制安全且能够高效地执行字符串操作。然而，SDS 主要用于存储字符串数据，并不直接用于存储整数值。Redis 使用一个专门的数据结构来存储整数类型的数据，这通常是一个长整型（`long`）变量。 -1. 非二进制安全：c 中的 strlen 函数，因为它依赖于特殊的字符 ’\0’ 来判断字符串是否结束，所以对于字符串 str = "1234\0123" 来说，strlen(str)=4。 -2. 二进制安全：redis实现的 sds（简单动态字符串），因为它不会对任何字符（包括’\0’）进行特殊解释，所以在redis中，strlen(str)=8。 +对于数字类型的自增（INCR）和自减（DECR）操作，Redis 并不是通过 SDS 实现的，而是通过以下方式： -二进制安全是一种主要用于字符串操作函数相关的计算机编程术语。其描述的是：**将输入作为原始的、无任何特殊格式意义的数据流。对于每个字符都公平对待，不特殊处理某一个字符**。 +1. **内存中的整数值**：Redis 的字符串对象内部可能包含一个长整型（`long`）的值，如果该字符串对象被用作计数器（即通过 INCR 或 DECR 命令操作）。 +2. **自增操作（INCR）**：当执行 INCR 命令时，Redis 会获取当前键对应的整数值，将其加一，然后将新的整数值更新到内存中的字符串对象。 +3. **自减操作（DECR）**：类似地，DECR 命令会获取当前键对应的整数值，将其减一，并更新。 +4. **范围检查**：在执行自增或自减操作时，如果整数值超出了 `long long` 类型的范围，Redis 会将值回绕到该类型的最小值或最大值。 +5. **持久化**：如果启用了持久化，Redis 还会将自增或自减操作的结果同步到磁盘上的 RDB 文件或 AOF 日志中。 +6. **事务和原子性**：自增和自减操作是原子性的，即使在多客户端并发访问的情况下，每个操作都能保证正确地执行。 +7. **内存优化**：当字符串对象仅用作计数器时，Redis 会使用内存效率更高的内部表示来存储整数值。 +8. **编码转换**：在某些情况下，如果字符串对象同时包含文本和数字，或者执行了某些操作导致字符串对象不再适合作为整数存储，Redis 可能会在 SDS 和整数之间转换编码。 +9. **使用场景**：自增和自减操作通常用于实现计数器、限制速率、生成唯一序列号等场景。 -> ```c -> struct sdshdr{ -> int len;//buf数组中已经使用的字节的数量，也就是SDS字符串长度 -> int free;//buf数组中未使用的字节的数量 -> char buf[];//字节数组，字符串就保存在这里面 -> }; -> ``` -> -> redis 通过定义上述结构体的方式，扩展了C语言底层字符串的缺点，字符串长度的获取时间复杂度从原来的 $O(N)$ 变成了 $O(1)$，另一方面也可以通过free的动态改变来减少内存的分配。需要强调一点的是buf数组不是存储的字符，而是二进制数组，因为C语言字符串中间是不能出现空字符的，而二进制数据中间很有可能会有空字符，所以C语言是二进制不安全的，而redis又是二进制安全。为了存储多种类型的数据，redis就直接把所有数据当作二进制来存储，这样就可以存储媒体文件和字符串，所以SDS虽然叫简单动态字符串，但是它可不只是用来保存字符串。SDS在Redis中是实现字符串对象的工具。当你对该字符串取值时是通过len属性判断实际内容的长度，然后取的值。拼接字符串时是追加到free空间中的。 -> -> **简单总结：** 二进制安全的意思就是，只关心二进制化的字符串，不关心具体格式，只会严格的按照二进制的数据存取，不会妄图以某种特殊格式解析数据。 -> -> Redis的简单动态字符串SDS对比C语言的字符串char*，有以下特性： -> -> - 可以在 $O(1)$ 的时间复杂度得到字符串的长度 -> - 可以高效的执行append追加字符串操作 -> -> SDS通过判断当前字符串空余的长度与需要追加的字符串长度，如果空余长度大于等于需要追加的字符串长度，那么直接追加即可，这样就减少了重新分配内存操作；否则，先用sdsMakeRoomFor函数对SDS进行扩展，按照一定的机制来决定扩展的内存大小，然后再执行追加操作，扩展后多余的空间不释放，方便下次再次追加字符串，这样做的代价就是浪费了一些内存，但是在Redis字符串追加操作很频繁的情况下，这种机制能很高效的完成追加字符串的操作。 +在 Redis 中，数字类型的自增自减操作是直接针对内存中的整数值进行的，而不是通过 SDS 来实现。Redis 的设计确保了这些操作的效率和原子性，使其成为执行这类操作的理想选择。 -### 说说 List +### 🎯 说说 List? Redis 列表是简单的字符串列表，按照插入顺序排序。你可以添加一个元素到列表的头部（左边）或者尾部（右边）。 -**Redis 的列表相当于 Java 语言里面的 LinkedList，注意它是链表而不是数组**。这意味着 list 的插入和删除操作非常快，时间复杂度为 O(1)，但是索引定位很慢，时间复杂度为 O(n)。 +- **有序集合**：按插入顺序排序的字符串集合，支持双向操作 -**Redis 的列表结构常用来做异步队列使用**。将需要延后处理的任务结构体序列化成字符串塞进 Redis 的列表，另一个线程从这个列表中轮询数据进行处理。 +- **数据结构**：基于链表实现（类似 Java LinkedList），具备以下特性： -在版本3.2之前，Redis 列表list使用两种数据结构作为底层实现： + - **高效插入删除**：头尾操作 O(1) 时间复杂度 -- 压缩列表ziplist -- 双向链表linkedlist + - **低效随机访问**：索引定位 O(n) 时间复杂度 -因为双向链表占用的内存比压缩列表要多， 所以当创建新的列表键时， 列表会优先考虑使用压缩列表， 并且在有需要的时候， 才从压缩列表实现转换到双向链表实现。 + - **天然队列特性**：常用于异步任务队列、消息流处理等场景 + +- **底层实现演进** + + 阶段一：双编码模式（Redis 3.2 前） + + 创建新列表时 redis 默认使用 redis_encoding_ziplist 编码， 当以下任意一个条件被满足时， 列表会被转换成 redis_encoding_linkedlist 编码 + + 1. **压缩列表（ziplist）** + - **内存优化结构**：连续内存块存储，每个节点包含 ▶️ 前驱节点长度（prevlen） ▶️ 当前节点编码（encoding） ▶️ 数据内容（content） + - 优势： + - 消除指针内存开销（比传统链表节约 50%+ 内存） + - CPU缓存友好（局部性原理） + - **触发条件**（默认值）： `list-max-ziplist-entries 512`（元素数量）或 `list-max-ziplist-value 64`（单个元素字节数） + + 2. **双向链表（linkedlist）** + + - **传统结构**：包含 prev/next 指针的标准双向链表 + + - 优势： + - 超大元素操作性能稳定 + - 支持快速遍历 + + 阶段二：混合结构（Redis 3.2+ 默认） + + 1. **快速列表（quicklist）** 可以认为quickList，是 ziplist 和 linkedlist 二者的结合；quickList 将二者的优点结合起来。 + + - 实现方式： + - 双向链表节点存储 ziplist 片段，每一个节点是一个quicklistNode，包含prev和next指针，每一个quicklistNode 包含 一个ziplist，*zp 压缩链表里存储键值 + - 单个 ziplist 片段大小通过 `list-max-ziplist-size` 配置（默认 8KB） + + - 设计优势： + - 内存利用率接近 ziplist + - 避免超大ziplist的完整重分配问题 + - 通过控制片段大小平衡内存碎片与操作效率 -> 创建新列表时 redis 默认使用 redis_encoding_ziplist 编码， 当以下任意一个条件被满足时， 列表会被转换成 redis_encoding_linkedlist 编码： -> -> - 试图往列表新添加一个字符串值，且这个字符串的长度超过 server.list_max_ziplist_value （默认值为 64 ）。 -> - ziplist 包含的节点超过 server.list_max_ziplist_entries （默认值为 512 ）。 -> -> 注意：这两个条件是可以修改的，在 redis.conf 中： -> -> ```text -> list-max-ziplist-value 64 -> list-max-ziplist-entries 512 -> ``` -> -> ##### **双向链表linkedlist** -> -> 当链表entry数据超过512、或单个value 长度超过64，底层就会转化成linkedlist编码； -> linkedlist是标准的双向链表，Node节点包含prev和next指针，可以进行双向遍历； -> 还保存了 head 和 tail 两个指针，因此，对链表的表头和表尾进行插入的复杂度都为 (1) —— 这是高效实现 LPUSH 、 RPOP、 RPOPLPUSH 等命令的关键。 -> linkedlist比较简单，我们重点来分析ziplist。 -> > ##### 压缩列表ziplist > > 压缩列表 ziplist 是为 Redis 节约内存而开发的。 -> -> Redis官方对于ziplist的定义是（出自ziplist.c的文件头部注释）： -> -> ```text +> +>Redis官方对于ziplist的定义是（出自ziplist.c的文件头部注释）： +> +>```text > /* The ziplist is a specially encoded dually linked list that is designed > * to be very memory efficient. It stores both strings and integer values, > * where integers are encoded as actual integers instead of a series of > * characters. It allows push and pop operations on either side of the list -> * in O(1) time. However, because every operation requires a reallocation of +> * in O(1) time. However, because every operation requires a reallocation of > * the memory used by the ziplist, the actual complexity is related to the -> * amount of memory used by the ziplist. +> * amount of memory used by the ziplist. > * > ``` -> +> > ziplist 是由一系列特殊编码的内存块构成的列表(像内存连续的数组，但每个元素长度不同)， 一个 ziplist 可以包含多个节点（entry）。 -> ziplist 将表中每一项存放在前后连续的地址空间内，每一项因占用的空间不同，而采用变长编码。 -> -> **ziplist 是一个特殊的双向链表** +>ziplist 将表中每一项存放在前后连续的地址空间内，每一项因占用的空间不同，而采用变长编码。 +> +>**ziplist 是一个特殊的双向链表** > 特殊之处在于：没有维护双向指针:prev next；而是存储上一个 entry的长度和当前entry的长度，通过长度推算下一个元素在什么地方。 -> 牺牲读取的性能，获得高效的存储空间，因为(简短字符串的情况)存储指针比存储entry长度 更费内存。这是典型的“时间换空间”。 -> -> ##### Redis3.2+ list的新实现quickList -> -> 可以认为quickList，是ziplist和linkedlist二者的结合；quickList将二者的优点结合起来。 -> -> ![img](https://tva1.sinaimg.cn/large/e6c9d24ely1h39t4naywkj20ok0gh0tz.jpg) -> -> quickList就是一个标准的双向链表的配置，有head 有tail; -> 每一个节点是一个quicklistNode，包含prev和next指针。 -> 每一个quicklistNode 包含 一个ziplist，*zp 压缩链表里存储键值。 -> 所以quicklist是对ziplist进行一次封装，使用小块的ziplist来既保证了少使用内存，也保证了性能。 +>牺牲读取的性能，获得高效的存储空间，因为(简短字符串的情况)存储指针比存储entry长度 更费内存。这是典型的“时间换空间”。 -### 字典Hash是如何实现的？Rehash 了解吗？ +### 🎯 字典Hash是如何实现的？Rehash 了解吗？ **Redis** 中的字典相当于 Java 中的 **HashMap**，内部实现也差不多类似，都是通过 **“数组 + 链表”** 的 **链地址法** 来解决部分哈希冲突，同时这样的结构也吸收了两种不同数据结构的优点。 +Redis 字典由 **嵌套的三层结构** 构成，采用链地址法处理哈希冲突： + +```c +// 哈希表结构 +typedef struct dictht { + dictEntry **table; // 二维数组（哈希桶） + unsigned long size; // 总槽位数（2^n 对齐） + unsigned long sizemask; // 槽位掩码（size-1） + unsigned long used; // 已用槽位数量 +} dictht; + +// 字典结构 +typedef struct dict { + dictType *type; // 类型特定函数（实现多态） + void *privdata; // 私有数据 + dictht ht[2]; // 双哈希表（用于渐进式rehash） + long rehashidx; // rehash进度标记（-1表示未进行） +} dict; + +// 哈希节点结构 +typedef struct dictEntry { + void *key; // 键（SDS字符串） + union { + void *val; // 值（Redis对象） + uint64_t u64; + int64_t s64; + } v; + struct dictEntry *next; // 链地址法指针 +} dictEntry; +``` + 字典结构内部包含 **两个 hashtable**，通常情况下只有一个 `hashtable` 有值，但是在字典扩容缩容时，需要分配新的 `hashtable`，然后进行 **渐进式搬迁** *(rehash)*，这时候两个 `hashtable` 分别存储旧的和新的 `hashtable`，待搬迁结束后，旧的将被删除，新的 `hashtable` 取而代之。 **扩缩容的条件** @@ -374,292 +754,798 @@ Redis 列表是简单的字符串列表，按照插入顺序排序。你可以 -### 说说 Zset 吧 +### 🎯 说说 Zset 吧 **它类似于 Java 的 SortedSet 和 HashMap 的结合体**，一方面它是一个 set，保证了内部 value 的唯一性，另一方面它可以给每个 value 赋予一个 score，代表这个 value 的排序权重。它的内部实现用的是一种叫做「跳跃列表」的数据结构。 -Redis 正是通过 score 来为集合中的成员进行从小到大的排序。Zset 的成员是唯一的，但 score 却可以重复。 +Redis 正是通过 score 来为集合中的成员进行从小到大的排序。Zset 的成员是唯一的，但 score 却可以重复。 + +Zset采用双重数据结构设计，同时使用两种数据结构来优化不同操作： + +1. 跳跃表（skiplist）- 核心排序结构 + +2. 哈希表（dict）- 快速查找结构 + + - 键：成员对象（SDS字符串） + + - 值：对应的score值 + + - 作用：实现O(1)时间复杂度的成员查找和score获取 + +**核心操作实现** + +查找操作 - O(log N) + + 1. 从最高层开始，水平向右查找 + 2. 如果下一节点score > 目标score，下降一层 + 3. 重复直到找到目标或到达最底层 + +插入操作 - O(log N) + + 1. 确定插入位置（类似查找过程） + 2. 随机生成新节点层数 + 3. 更新各层的前向指针和跨度值 + 4. 同时插入哈希表，建立成员→score映射 + +范围查询 - O(log N + M) + + ZRANGE/ZRANGEBYSCORE利用跳跃表的有序性： + + 1. 定位起始位置 - O(log N) + 2. 顺序遍历M个结果 - O(M) + +**编码优化策略** + + Redis根据数据量大小采用不同编码： + + ziplist编码（小数据集）： + + - 触发条件：zset-max-ziplist-entries ≤ 128 且 zset-max-ziplist-value ≤ 64字节 + - 优势：内存紧凑，缓存友好 + - 劣势：插入/删除为O(N) + + skiplist+hashtable编码（大数据集）： + + - 查找成员：O(1) - 通过hashtable + - 范围操作：O(log N) - 通过skiplist + - 内存开销：双重存储成员信息 + + + +### 🎯 跳跃表是如何实现的？原理？ + +![](https://redisbook.readthedocs.io/en/latest/_images/skiplist.png) + +Redis 跳跃表采用 **概率平衡** 的多层链表结构，由三个关键组件构成： + +1. 跳跃表节点结构 (zskiplistNode) + + ```c + typedef struct zskiplistNode { + sds ele; // 成员对象（SDS字符串） + double score; // 排序分值 + struct zskiplistNode *backward; // 后向指针（L0层逆向遍历） + struct zskiplistLevel { + struct zskiplistNode *forward; // 前向指针 + unsigned long span; // 到下一个节点的跨度（用于排名计算） + } level[]; // 柔性数组，层级高度随机生成（1~32） + } zskiplistNode; + ``` + +2. 跳跃表结构 (zskiplist) + + ```c + typedef struct zskiplist { + struct zskiplistNode *header, *tail; // 头尾节点（头节点有32层） + unsigned long length; // 节点总数 + int level; // 最大层数 + } zskiplist; + ``` + +3. 有序集合结构 (zset) + + ```c + typedef struct zset { + dict *dict; // 哈希表（实现 O(1) 查找） + zskiplist *zsl; // 跳跃表（实现范围操作） + } zset; + ``` + + **随机层数生成算法** + +```c +int zslRandomLevel(void) { + int level = 1; + // Redis 5.0 使用位运算优化随机算法 + while ((random()&0xFFFF) < (ZSKIPLIST_P * 0xFFFF)) // ZSKIPLIST_P=0.25 + level += 1; + return (level < ZSKIPLIST_MAXLEVEL) ? level : ZSKIPLIST_MAXLEVEL; // MAXLEVEL=32 +} +``` + +- 概率分布： + - 第1层：100% + - 第2层：25% + - 第3层：6.25% (0.25²) + - ...以此类推 +- **数学期望**：平均层数为 1/(1-p) = 1.33 层（p=0.25） + + + +### 🎯 除了5种基本数据类型，还知道其他数据结构不？ + +**Bitmaps（位图）** + +位图不是实际的数据类型，而是在 String 类型上定义的一组面向位的操作。可以看作是 byte 数组。我们可以使用普通的 get/set 直接获取和设置整个位图的内容，也可以使用位图操作 getbit/setbit 等将 byte 数组看成「位数组」来处理。 + +- **本质**：基于 String 类型的扩展位操作，最大支持 2^32 位 + +- **内存模型**：每个 bit 对应一个偏移量（offset），二进制存储效率极高 + +- 应用场景 + 1. **实时统计**：DAU/MAU 统计（每个用户对应1bit） + 2. **特征标记**：用户权限系统（如 admin:1=权限A，admin:2=权限B） + 3. **布隆过滤器**：通过多个位组合实现概率型存在判断 + +**HyperLogLog（基数统计）** + +- **原理**：基于概率算法估算集合基数，标准误差 0.81% +- **数据结构**：16384 个 6bit 寄存器（总占用 12KB 固定内存） + +```redis +PFADD uv:page:123 user1 user2 # 添加访问用户 +PFCOUNT uv:page:123 # 获取UV估算值 +PFMERGE total_uv uv:page:* # 合并多日UV数据 +``` + +- 应用场景 + 1. **流量统计**：网站 UV/广告曝光量 + 2. **去重分析**：大规模数据集近似去重 + 3. **实时大屏**：实时显示千万级用户量 + +**Geospatial（地理空间）** + +- **底层结构**：使用 ZSET 存储，score 为 Geohash 编码值 +- **编码原理**：将经纬度转换为 52 位整型（精度可达厘米级） + +```Redis +GEOADD cities 116.405285 39.904269 "北京" # 添加坐标 +GEODIST cities 北京 上海 km # 计算两地距离 +GEORADIUS cities 116 39 100 km WITHCOORD # 半径100km内城市 +``` + +- **应用场景** + 1. **LBS服务**：附近的人/商铺搜索 + 2. **轨迹分析**：移动目标位置追踪 + 3. **区域监控**：电子围栏报警系统 + +**Streams（流）** + +- **数据结构**：持久化消息链表 + 消费者组管理 + +- **核心组件**： + + - `Message ID`：时间戳-序列号（如 `1526569415636-0`） + + - `Consumer Group`：支持消息的负载均衡和故障转移 + +```Redis +XADD orders * product_id 1001 # 添加订单事件 +XREAD COUNT 10 STREAMS orders $ # 读取最新消息 +XGROUP CREATE orders group1 $ # 创建消费者组 +``` + +**应用场景** + +1. **消息队列**：订单处理/日志收集 +2. **事件溯源**：用户行为追踪 +3. **审计日志**：操作记录永久保存 + +**Bloom Filter（布隆过滤器）** + +- **实现方式**：通过多个 Bitmaps + 哈希函数实现 + +- **特性**： + + - 判断存在时可能有误报（false positive） + + - 判断不存在时绝对准确 + +```Redis +BF.RESERVE user_filter 0.01 1000000 # 初始化过滤器（误差率1%） +BF.ADD user_filter 1001 # 添加用户ID +BF.EXISTS user_filter 1001 # 检查是否存在 +``` + +- **应用场景** + 1. **缓存穿透防护**：拦截非法请求 + 2. **推荐去重**：避免重复推荐内容 + 3. **爬虫URL判重**：过滤已抓取链接 + + + +### 🎯 怎么统计一亿用户的日活，hyperloglog有什么缺点，bitmap不行么? + +统计一亿用户的日活（Daily Active Users, DAU）时，需要一个能够高效处理和存储大量数据的方案。以下是几种适用于此类场景的数据结构及其优缺点： + +HyperLogLog 是一种用于基数统计的数据结构，它提供了一个近似的、不精确的解决方案来估算集合中唯一元素的数量。 + +**优点**： + +- **内存效率**：HyperLogLog 消耗的内存固定，与集合中元素的数量无关，通常每个 HyperLogLog 实例只需要 12.4KB 左右，无论集合中有多少元素。 +- **性能**：HyperLogLog 可以快速处理数据，因为它只存储元素的哈希值的一些位信息。 + +**缺点**： + +- **近似值**：HyperLogLog 提供的是近似值，标准误差大约为 0.81%，这意味着实际基数可能与估算值有所偏差。 +- **更新频率**：如果数据更新非常频繁，HyperLogLog 可能需要频繁地调整其内部数据结构，这可能会影响性能。 + +Bitmap 是另一种数据结构，它使用位数组来表示数据，每个位对应一个元素的状态（例如，用户是否活跃）。 + +**优点**： + +- **精确计数**：Bitmap 提供精确的计数，没有 HyperLogLog 的近似误差。 +- **简单直观**：Bitmap 的概念简单，易于理解和实现。 + +**缺点**： + +- **内存消耗**：对于一亿用户，Bitmap 需要大约 100MB（1亿位 / 8位/字节 ÷ 1024KB/MB）的内存，这比 HyperLogLog 高得多。 +- **扩展性问题**：随着用户数量的增加，Bitmap 所需的内存也会线性增长，这可能在大规模数据集上造成问题。 + +**综合考虑** + +- 如果对日活用户数的精确度要求不高，并且希望最小化内存使用，HyperLogLog 是一个很好的选择。 +- 如果需要精确的日活用户数，并且可以承受较高的内存消耗，可以使用 Bitmap。 +- 在实际应用中，可能还会考虑其他因素，如数据的更新频率、系统的扩展性、维护成本等。 + +对于一亿用户的日活统计，如果对精度要求不是特别高，HyperLogLog 是一个更合适的选择，因为它在内存使用和性能方面具有优势。Bitmap 虽然可以提供精确的统计，但其内存消耗较高，可能不适合大规模的用户统计。 + + + +### 🎯 这些都会，那你能说说 Redis 使用场景不，你们项目中是怎么用的？ + +在 Redis 中，常用的 5 种数据结构和应用场景如下： + +- **String**：缓存、计数器、分布式锁等。 + - 什么是计数器，如电商网站商品的浏览量、视频网站视频的播放数等。为了保证数据实时效，每次浏览都得+1，并发量高时如果每次都请求数据库操作无疑会对数据库提出挑战。Redis提供的incr命令来实现计数器功能，内存操作，性能非常好，非常适用于这些计数场景。 + - 在很多互联网公司中都使用了分布式技术，分布式技术带来的技术挑战是对同一个资源的并发访问，如全局ID、减库存、秒杀等场景，并发量不大的场景可以使用数据库的悲观锁、乐观锁来实现，但在并发量高的场合中，利用数据库锁来控制资源的并发访问是不太理想的，大大影响了数据库的性能。可以利用Redis的setnx功能来编写分布式的锁，如果设置返回1说明获取锁成功，否则获取锁失败，实际应用中要考虑的细节要更多。 + +- **List**：链表、队列、微博关注人时间轴列表等。 + - Redis列表结构，LPUSH可以在列表头部插入一个内容ID作为关键字，LTRIM可用来限制列表的数量，这样列表永远为N个ID，无需查询最新的列表，直接根据ID去到对应的内容页即可。 +- **Hash**：用户信息、Hash 表等。 +- **Set**：**社交网络** + - 点赞、踩、关注/被关注、共同好友等是社交网站的基本功能，社交网站的访问量通常来说比较大，而且传统的关系数据库类型不适合存储这种类型的数据，Redis提供的哈希、集合等数据结构能很方便的的实现这些功能。 +- **Zset**：访问量排行榜、点击量排行榜等 + +还有一些，比如： + +- 取最新N个数据的操作 + +- 需要精确设定过期时间的应用 + +- Uniq操作,获取某段时间所有数据排重值 + +- 实时系统,反垃圾系统 + +- Pub/Sub构建实时消息系统 + +- 构建队列系统 + +- **分布式会话** + + 集群模式下，在应用不多的情况下一般使用容器自带的session复制功能就能满足，当应用增多相对复杂的系统中，一般都会搭建以Redis等内存数据库为中心的session服务，session不再由容器管理，而是由session服务及内存数据库管理。 + +------ + + + +## 三、持久化与内存管理 + +### 🎯 你对 Redis 的持久化机制了解吗？能讲一下吗？ + +> 或者不会这么直白的问，而是问 Redis 是如何实现数据不丢失的? + +Redis 的数据全部在内存里，如果突然宕机，数据就会全部丢失，因此必须有一种机制来保证 Redis 的数据不会因为故障而丢失，这种机制就是 Redis 的持久化机制，它会将内存中的数据库状态 **保存到磁盘** 中。 + +> 回答思路：先说明 Redis 有几种持久化的方式，然后分析 AOF 和 RDB 的原理以及存在的问题，最后分析一下 Redis 4.0 版本之后的持久化机制。 + + + +### 🎯 Redis 持久化的方式有哪写？ + +Redis的持久化机制主要有两种：RDB和AOF，以及两者的混合模式。 + +1. **RDB（Redis Database）** + +- **原理**：通过生成内存数据的**快照**（Snapshot）持久化到磁盘。触发方式包括手动（`SAVE`/`BGSAVE`）和自动（配置`save`规则，如`save 900 1`表示900秒内至少1次修改则触发）。 + + rdb 默认保存的是 **dump.rdb** 文件 + + **在指定的时间间隔内将内存中的数据集快照写入磁盘**，也就是行话讲的 Snapshot 快照，它恢复时是将快照文件直接读到内存里。 + + Redis会单独创建（fork）一个子进程来进行持久化，会先将数据写入到一个临时文件中，待持久化过程都结束了，再用这个临时文件替换上次持久化好的文件。整个过程中，主进程是不进行任何 IO 操作的，这就确保了极高的性能，如果需要进行大规模数据的恢复，且对于数据恢复的完整性不是非常敏感，那 RDB 方式要比 AOF 方式更加的高效。RDB的缺点是最后一次持久化后的数据可能丢失。 + + > What ? Redis 不是单进程的吗? + + Redis 使用操作系统的多进程 COW(Copy On Write) 机制来实现快照持久化， fork 是类Unix操作系统上**创建进程**的主要方法。COW(Copy On Write)是计算机编程中使用的一种优化策略。 + + fork 的作用是复制一个与当前进程一样的进程。新进程的所有数据（变量、环境变量、程序计数器等）数值都和原进程一致，但是是一个全新的进程，并作为原进程的子进程。 子进程读取数据，然后序列化写到磁盘中。 + +- 优点： + + - **性能高**：通过`BGSAVE`后台生成快照，不影响主进程。 + - **文件紧凑**：二进制格式，适合备份与灾难恢复。 + - **快速重启**：加载RDB文件恢复数据比AOF更快。 + +- 缺点： + + - **数据丢失风险**：最后一次快照后的修改可能丢失（依赖配置的触发频率）。 + - **大内存Fork开销**：频繁快照时，写时复制（Copy-On-Write）可能导致内存占用陡增。 + +2. **AOF（Append-Only File）** + +- 原理：记录每个写操作命令（如 `SET`/`DEL`），追加到文件末尾。支持三种同步策略： + - **always**：每个命令同步写入磁盘（安全，但性能最低）。 + - **everysec**：每秒批量同步（默认，最多丢失1秒数据）。 + - **no**：依赖操作系统刷盘（性能高，但丢失数据风险最大）。 +- 优点： + - **数据更安全**：可配置为秒级/命令级持久化。 + - **可读性强**：AOF文件为文本格式，便于人工分析。 +- 缺点： + - **文件体积大**：长期运行后文件膨胀，需定期执行`BGREWRITEAOF`重写压缩。 + - **恢复速度慢**：重放所有命令恢复数据，比RDB耗时。 + +3. **混合持久化（Redis 4.0+）** + +- **原理**：结合RDB和AOF，AOF文件由**RDB头部（全量数据） + AOF尾部（增量命令）**组成，通过配置`aof-use-rdb-preamble yes`启用。 +- 优点： + - **快速恢复**：先加载RDB快照，再重放增量命令，兼顾速度与数据完整性。 + - **文件更小**：相比纯AOF，混合模式文件体积更小。 + +4. **选型与配置建议** + +- 场景选择： + - **RDB**：允许分钟级数据丢失，追求高性能备份（如缓存场景）。 + - **AOF**：对数据安全性要求高（如金融场景）。 + - **混合模式**：综合两者优势，推荐生产环境使用。 +- 注意事项： + - 同时启用RDB和AOF时，Redis重启**优先加载AOF**文件。 + - 监控`fork`耗时及内存压力，避免频繁快照导致性能抖动。 + +**总结**：理解RDB和AOF的机制与权衡，结合业务需求选择持久化策略，混合模式通常是平衡性能与安全性的最佳实践。 + + + +### 🎯 RDB 做快照时会阻塞线程吗？ + +因为 Redis 的单线程模型决定了它所有操作都要尽量避免阻塞主线程，所以对于 RDB 快照也不例外，这关系到是否会降低 Redis 的性能。 + +为了解决这个问题，Redis 提供了两个命令来生成 RDB 快照文件，分别是 save 和 bgsave。save 命令在主线程中执行，会导致阻塞。而 bgsave 命令则会创建一个子进程，用于写入 RDB 文件的操作，避免了对主线程的阻塞，这也是 Redis RDB 的默认配置。 + + + +### 🎯 RDB 做快照的时候数据能修改吗？ + +Redis利用操作系统的写时复制机制，使得在RDB快照生成过程中，主线程仍然可以正常处理写操作： + +> 它利用了 bgsave 的子进程，具体操作如下： +> +> 如果主线程执行读操作，则主线程和 bgsave 子进程互相不影响； +> +> 如果主线程执行写操作，则被修改的数据会复制一份副本，然后 bgsave 子进程会把该副本数据写入 RDB 文件，在这个过程中，主线程仍然可以直接修改原来的数据。 + +``` + 主进程 (Redis主线程) 子进程 (BGSAVE) + | | + 处理写请求 读取内存数据 + | | + 修改数据页 生成RDB文件 + | | + 触发COW复制 | +``` + + 具体工作流程 + + 1. BGSAVE执行时 + + - Redis通过fork()创建子进程 + + - 子进程继承父进程的内存空间（共享物理内存） + + - 子进程开始遍历内存数据生成RDB快照 + + 2. 读操作处理 + + - 主线程执行读操作：不影响快照生成 + + - 子进程读取数据：直接访问共享内存 + + - 两者互不干扰，性能良好 + + 3. 写操作处理（COW机制核心） + + 写操作发生时： + + - 主线程要修改某个数据页 + + - 操作系统检测到写入操作 + + - 复制该数据页到新的物理地址 + + - 主线程在新页面上执行写操作 + + - 子进程继续访问原始页面数据 + + + +### 🎯 AOF 日志是如何实现的？ + +通常情况下，关系型数据库（如 MySQL）的日志都是“写前日志”（Write Ahead Log, WAL），也就是说，在实际写数据之前，先把修改的数据记到日志文件中，以便当出现故障时进行恢复，比如 MySQL 的 redo log（重做日志），记录的就是修改后的数据。 + +而 AOF 里记录的是 Redis 收到的每一条命令，这些命令是以文本形式保存的，不同的是，Redis 的 AOF 日志的记录顺序与传统关系型数据库正好相反，它是写后日志，“写后”是指 Redis 要先执行命令，把数据写入内存，然后再记录日志到文件。 + +那么面试的考察点来了：Reids 为什么先执行命令，在把数据写入日志呢？为了方便你理解，我整理了关键的记忆点： + +- 因为 ，Redis 在写入日志之前，不对命令进行语法检查； + +- 所以，只记录执行成功的命令，避免了出现记录错误命令的情况； + +- 并且，在命令执行完之后再记录，不会阻塞当前的写操作。 + +当然，这样做也会带来风险（这一点你也要在面试中给出解释）。 + +- 数据可能会丢失： 如果 Redis 刚执行完命令，此时发生故障宕机，会导致这条命令存在丢失的风险。 + +- 可能阻塞其他操作： 虽然 AOF 是写后日志，避免阻塞当前命令的执行，但因为 AOF 日志也是在主线程中执行，所以当 Redis 把日志文件写入磁盘的时候，还是会阻塞后续的操作无法执行。 + + + +### 🎯 AOF 如果文件越来愈大 怎么办？ + +**rewrite（AOF 重写）** + +- 是什么：AOF采用文件追加方式，文件会越来越大为避免出现此种情况，新增了重写机制，当 AOF 文件的大小超过所设定的阈值时，Redis就会启动 AOF 文件的内容压缩，只保留可以恢复数据的最小指令集，可以使用命令 `bgrewriteaof`，这个操作相当于对 AOF文件“瘦身”。 +- 重写原理：AOF 文件持续增长而过大时，会 fork 出一条新进程来将文件重写(也是先写临时文件最后再rename)，遍历新进程的内存中数据，每条记录有一条的 Set 语句。重写 aof 文件的操作，并没有读取旧的aof文件，而是将整个内存中的数据库内容用命令的方式重写了一个新的 aof 文件，这点和快照有点类似 +- 触发机制：Redis 会记录上次重写时的 AOF 大小，默认配置是当 AOF 文件大小是上次 rewrite 后大小的一倍且文件大于64M 时触发 -### 跳跃表是如何实现的？原理？ +### 🎯 fork 耗时问题定位 -![](https://redisbook.readthedocs.io/en/latest/_images/skiplist.png) +**Fork操作** -从图中可以看到， 跳跃表主要由以下部分构成： +当Redis做RDB或AOF重写时，一个必不可少的操作就是执行fork操作创建子进程，对于大多数操作系统来说fork是个重量级操作 -- 表头（head）：负责维护跳跃表的节点指针。 -- 跳跃表节点：保存着元素值，以及多个层。 -- 层：保存着指向其他元素的指针。高层的指针越过的元素数量大于等于低层的指针，为了提高查找的效率，程序总是从高层先开始访问，然后随着元素值范围的缩小，慢慢降低层次。 -- 表尾：全部由 `NULL` 组成，表示跳跃表的末尾。 +虽然fork创建的子进程不需要拷贝父进程的物理内存空间，但是会复制父进程的空间内存页表。例如对于10GB的Redis进程，需要复制大约20MB的内存页表，因此fork 操作耗时跟进程总内存量息息相关，如果使用虚拟化技术，特别是Xen虚拟 机，fork操作会更耗时 +- 在做 RDB 或 AOF 重写时, fork 是必不可少的 +- 对于大多数操作系统来说, fork 是个重量级错误 +- fork 会复制符进程的空间内存页表 +- 如果使用虚拟化技术, 特别是 Xen 虚拟机, fork 操作会更耗时 +**fork 耗时问题定位**: -### 除了5种基本数据类型，还知道其他数据结构不 +- 高流量的 Redis 实例 ops 可达5万以上 +- 正常情况 fork 耗时应该是每 GB 消耗 20ms 左右 +- 可以用 info stats 命令查看 latest_fork_usec 指标, 获取最近一次 fork 操作耗时, 单位微秒 -#### Bitmaps（位图） +**如何改善 fork 操作的耗时**: -位图不是实际的数据类型，而是在 String 类型上定义的一组面向位的操作。可以看作是 byte 数组。我们可以使用普通的 get/set 直接获取和设置整个位图的内容，也可以使用位图操作 getbit/setbit 等将 byte 数组看成「位数组」来处理。 +- 优先使用物理机或者高效支持 fork 操作的虚拟化技术, 避免使用 Xen +- 控制 Redis 实例最大可用内存, fork 耗时跟内存量成正比, 线上建议每个 Redis 实例内存控制在 10GB 以内 +- 合理配置 Linux 内存分配策略, 避免物理内存不足导致 fork 失败 +- 降低 fork 操作的频率, 如适度放宽 AOF 自动触发时机, 避免不必要的全量复制等 -一般用于：各种实时分析；存储与对象 ID 相关的布尔信息 -#### HyperLogLog -HyperLogLog是一种概率数据结构，用于对唯一事物进行计数（从技术上讲，这是指估计集合的基数） +### 🎯 两种持久化方式如何选择？ -https://www.wmyskxz.com/2020/03/02/reids-4-shen-qi-de-hyperloglog-jie-jue-tong-ji-wen-ti/ +- RDB 持久化方式能够在指定的时间间隔能对你的数据进行快照存储，启动快、文件小，但会丢“快照周期内”的数据。 +- AOF 持久化方式记录每次对服务器写的操作,当服务器重启的时候会重新执行这些命令来恢复原始的数据，AOF命令以 redis 协议追加保存每次写的操作到文件末尾。Redis还能对AOF文件进行后台重写（**bgrewriteaof**）,使得 AOF 文件的体积不至于过大 +- 只做缓存：如果你只希望你的数据在服务器运行的时候存在,你也可以不使用任何持久化方式。 +- 同时开启两种持久化方式 + - 在这种情况下,当 redis 重启的时候会优先载入 AOF 文件来恢复原始的数据,因为在通常情况下 AOF 文件保存的数据集要比 RDB 文件保存的数据集要完整。 + - RDB 的数据不实时，同时使用两者时服务器重启也只会找 AOF 文件。那要不要只使用AOF 呢？建议不要，因为 RDB 更适合用于备份数据库(AOF 在不断变化不好备份)，快速重启，而且不会有 AOF 可能潜在的bug，留着作为一个万一的手段。 +Redis4.0 之后有了混合持久化的功能，将 bgsave 的全量 和 aof 的增量做了融合处理，这样既保证了恢复的效率又兼顾了数据的安全性。bgsave 的 原理，fork 和 cow, fork 是指 redis 通过创建子进程来进行 bgsave 操作，cow 指的是 copy on write，子进程创建后，父子进程共享数据段，父进程继续提供读写服务，写脏的页面数据 会逐渐和子进程分离开来。 -### 这些都会，那你能说说 Redis 使用场景不，你们项目中是怎么用的 -在 Redis 中，常用的 5 种数据结构和应用场景如下： +### 🎯 Redis 过期键的删除策略？ -- **String**：缓存、计数器、分布式锁等。 - - 什么是计数器，如电商网站商品的浏览量、视频网站视频的播放数等。为了保证数据实时效，每次浏览都得+1，并发量高时如果每次都请求数据库操作无疑会对数据库提出挑战。Redis提供的incr命令来实现计数器功能，内存操作，性能非常好，非常适用于这些计数场景。 - - 在很多互联网公司中都使用了分布式技术，分布式技术带来的技术挑战是对同一个资源的并发访问，如全局ID、减库存、秒杀等场景，并发量不大的场景可以使用数据库的悲观锁、乐观锁来实现，但在并发量高的场合中，利用数据库锁来控制资源的并发访问是不太理想的，大大影响了数据库的性能。可以利用Redis的setnx功能来编写分布式的锁，如果设置返回1说明获取锁成功，否则获取锁失败，实际应用中要考虑的细节要更多。 +先抛开 Redis 想一下几种可能的删除策略： -- **List**：链表、队列、微博关注人时间轴列表等。 - - Redis列表结构，LPUSH可以在列表头部插入一个内容ID作为关键字，LTRIM可用来限制列表的数量，这样列表永远为N个ID，无需查询最新的列表，直接根据ID去到对应的内容页即可。 -- **Hash**：用户信息、Hash 表等。 -- **Set**：**社交网络** - - 点赞、踩、关注/被关注、共同好友等是社交网站的基本功能，社交网站的访问量通常来说比较大，而且传统的关系数据库类型不适合存储这种类型的数据，Redis提供的哈希、集合等数据结构能很方便的的实现这些功能。 -- **Zset**：访问量排行榜、点击量排行榜等 +1. **定时删除**：在设置键的过期时间的同时，创建一个定时器 timer. 让定时器在键的过期时间来临时，立即执行对键的删除操作。 +2. **惰性删除**：放任键过期不管，但是每次从键空间中获取键时，都检查取得的键是否过期，如果过期的话，就删除该键;如果没有过期，就返回该键。 +3. **定期删除**：每隔一段时间程序就对数据库进行一次检查，删除里面的过期键。至于要删除多少过期键，以及要检查多少个数据库，则由算法决定。 +4. **延迟队列**：也就是把对象放到一个延迟队列里面。当从队列里取出这个对象的时候，就说明它已经过期了，这时候就可以删除。 -还有一些，比如： +在上述的几种策略中定时删除和定期删除属于不同时间粒度的 **主动删除**，惰性删除属于 **被动删除**。 -- 取最新N个数据的操作 +**四种策略都有各自的优缺点** -- 需要精确设定过期时间的应用 +1. 定时删除对内存使用率有优势，但是对 CPU 不友好； +2. 惰性删除对内存不友好，如果某些键值对一直不被使用，那么会造成一定量的内存浪费； +3. 延迟删除，队列本省就有开销 +4. 定期删除，时间不准确，性能损耗不可控，如果触发删除的时候，很多已经过期了，那么当期定时删除就很耗时； -- Uniq操作,获取某段时间所有数据排重值 +**Redis 中的实现** -- 实时系统,反垃圾系统 +Redis 过期键的删除策略有三种主要方法：**定期删除**（Scheduled Deletion）、**惰性删除**（Lazy Deletion）和**主动删除**（Active Deletion）。这些策略结合使用，以确保在性能和内存之间取得平衡。 -- Pub/Sub构建实时消息系统 +**1. 定期删除（Scheduled Deletion）** -- 构建队列系统 +Redis 定期检查键的过期时间并删除过期键。这个过程是通过 Redis 的后台任务进行的，每隔一段时间会随机检查一部分键，删除其中已过期的键。 -- **分布式会话** +- **实现方式**：默认情况下，Redis 每隔 100 毫秒运行一次过期扫描任务，检查设置了过期时间的键，并删除过期的键。 +- **优点**：分摊了删除操作的开销，避免了集中删除大量键导致的性能问题。 +- **缺点**：不能保证过期键在过期后立即被删除，可能会存在一段时间的滞留。 - 集群模式下，在应用不多的情况下一般使用容器自带的session复制功能就能满足，当应用增多相对复杂的系统中，一般都会搭建以Redis等内存数据库为中心的session服务，session不再由容器管理，而是由session服务及内存数据库管理。 +**2. 惰性删除（Lazy Deletion）** - +当客户端访问某个键时，Redis 会检查该键是否过期，如果过期则立即删除。 ------- +`expireIfNeeded` 的作用是， 如果输入键已经过期的话， 那么将键、键的值、键保存在 `expires` 字典中的过期时间都删除掉。 +- **实现方式**：每次访问键时，都会进行过期时间检查，若键已过期则删除该键并返回空结果。 +- **优点**：确保访问时一定不会返回已过期的键，删除操作与键的访问相结合，不额外消耗 CPU 资源。 +- **缺点**：如果某些过期键长时间不被访问，它们将继续占用内存，直到被定期删除任务或其他方式删除。 +**3. 主动删除（Active Deletion）** -## 三、Redis持久化问题 +当 Redis 内存不足时，会主动扫描并删除过期键，以释放内存。 -### 你对 Redis 的持久化机制了解吗？能讲一下吗？ +- **实现方式**：Redis 配置了内存淘汰策略（如 `volatile-lru`、`allkeys-lru` 等），当内存达到限制时，Redis 会通过删除过期键来释放内存。 +- **优点**：确保在内存不足时能够及时释放内存，避免系统因内存不足崩溃。 +- **缺点**：这种方式通常作为内存淘汰策略的一部分，不单独使用。 -> 或者不会这么直白的问，而是问 Redis 是如何实现数据不丢失的? +> 在 Redis 的 3.2 版本之前，如果读从库的话，是有可能读取到已经过期的key。后来在 3.2 版本之后这个 Bug 就被修复了。不过从库上的懒惰删除特性和主库不一样。主库上的懒惰删除是在发现 key 已经过期之后，就直接删除了。但是在从库上，即便 key 已经过期了，它也不会删除，只是会给你返回一个 NULL 值。 -Redis 的数据全部在内存里，如果突然宕机，数据就会全部丢失，因此必须有一种机制来保证 Redis 的数据不会因为故障而丢失，这种机制就是 Redis 的持久化机制，它会将内存中的数据库状态 **保存到磁盘** 中。 -> 回答思路：先说明 Redis 有几种持久化的方式，然后分析 AOF 和 RDB 的原理以及存在的问题，最后分析一下 Redis 4.0 版本之后的持久化机制。 -### 解释一下持久化发生了什么 +### 🎯 Redis 的淘汰策略有哪些？ -我们来稍微考虑一下 **Redis** 作为一个 **“内存数据库”** 要做的关于持久化的事情。通常来说，从客户端发起请求开始，到服务器真实地写入磁盘，需要发生如下几件事情： +**Redis 有八种淘汰策略** -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h399cx05ogj21rn0u0q67.jpg) +为了保证 Redis 的安全稳定运行，设置了一个 `max-memory` 的阈值，那么当内存用量到达阈值，新写入的键值对无法写入，此时就需要内存淘汰机制，在 Redis 的配置中有几种淘汰策略可以选择，详细如下： -**详细版** 的文字描述大概就是下面这样： +| 策略 | 描述 | +| --------------- | ------------------------------------------------------------ | +| volatile-lru | 从已设置过期时间的 KV 集中优先对最近最少使用(less recently used)的数据淘汰 | +| volitile-ttl | 从已设置过期时间的 KV 集中优先对剩余时间短(time to live)的数据淘汰 | +| volitile-random | 从已设置过期时间的 KV 集中随机选择数据淘汰 | +| allkeys-lru | 从所有 KV 集中优先对最近最少使用(less recently used)的数据淘汰 | +| allKeys-random | 从所有 KV 集中随机选择数据淘汰 | +| noeviction | 不淘汰策略，若超过最大内存，返回错误信息 | -1. 客户端向数据库 **发送写命令** *(数据在客户端的内存中)* -2. 数据库 **接收** 到客户端的 **写请求** *(数据在服务器的内存中)* -3. 数据库 **调用系统 API** 将数据写入磁盘 *(数据在内核缓冲区中)* -4. 操作系统将 **写缓冲区** 传输到 **磁盘控制器** *(数据在磁盘缓存中)* -5. 操作系统的磁盘控制器将数据 **写入实际的物理媒介** 中 *(数据在磁盘中)* +**4.0 版本后增加以下两种** +- volatile-lfu：从已设置过期时间的数据集(server.db[i].expires)中挑选最不经常使用的数据淘汰 +- allkeys-lfu：当内存不足以容纳新写入数据时，在键空间中，移除最不经常使用的 key -### Redis 持久化的方式有哪写 -Redis有两种持久化的方式：快照（RDB文件）和追加式文件（AOF文件) +### 🎯 一组曾经是热点数据，后面不是了，对于lru和lfu处理时会有什么区别？ -> RDB：在不同的时间点将 redis 的数据生成的快照同步到磁盘等介质上，内存到硬盘的快照，定期更新。缺点:耗时，耗性能(fork+io 操作)，易丢失数据。 +> **LRU（Least Recently Used）**：基于**时间维度**，淘汰最久未被访问的数据。 > -> AOF：将redis所执行过的所有指令都记录下来，在下次redis重启时，只需要执行指令就可以了，写日志。缺点:体积大，恢复速度慢。 - -#### RDB（Redis DataBase） +> **LFU（Least Frequently Used）**：基于**频率维度**，淘汰一定时期内访问次数最少的数据。 -**在指定的时间间隔内将内存中的数据集快照写入磁盘**，也就是行话讲的 Snapshot 快照，它恢复时是将快照文件直接读到内存里。 +**曾经是热点数据，后来不再是热点，对于 LRU 和 LFU 的处理区别** -Redis会单独创建（fork）一个子进程来进行持久化，会先将数据写入到一个临时文件中，待持久化过程都结束了，再用这个临时文件替换上次持久化好的文件。整个过程中，主进程是不进行任何 IO 操作的，这就确保了极高的性能，如果需要进行大规模数据的恢复，且对于数据恢复的完整性不是非常敏感，那 RDB 方式要比 AOF 方式更加的高效。RDB的缺点是最后一次持久化后的数据可能丢失。 +- **对于 LRU 策略**： + - **行为**：当一组数据曾经是热点，被频繁访问，其最近访问时间会被更新为最新值。然而，当它们不再被访问时，随着时间推移，其时间戳会逐渐变旧。 + - **淘汰机制**：当需要淘汰数据时，LRU 会选择那些最近最少被访问的键，即时间戳最早的键。因此，这些曾经的热点数据会因为长时间未被访问而被优先淘汰。 + - **效果**：LRU 能够较快地清除不再被使用的旧热点数据，为新的数据腾出空间。 +- **对于 LFU 策略**： + - **行为**：曾经是热点的数据，其访问计数器较高，即使之后不再被访问，其计数值仍然保持在高位。 + - **淘汰机制**：LFU 会选择访问频率最低的键进行淘汰。由于旧热点数据的计数器较高，它们不会被立即淘汰。 + - **衰减机制**：Redis 为了避免旧热点数据长期占用内存，引入了计数器衰减机制。计数器会随着时间逐渐降低，如果键长时间未被访问，计数器会减小，最终可能被淘汰。 + - **效果**：LFU 会更长时间地保留曾经的热点数据，即使它们近期未被访问。这在一定程度上保护了历史上重要的数据，但也可能导致旧数据占用内存空间。 -> What ? Redis 不是单进程的吗? -Redis 使用操作系统的多进程 COW(Copy On Write) 机制来实现快照持久化， fork 是类Unix操作系统上**创建进程**的主要方法。COW(Copy On Write)是计算机编程中使用的一种优化策略。 -fork 的作用是复制一个与当前进程一样的进程。新进程的所有数据（变量、环境变量、程序计数器等）数值都和原进程一致，但是是一个全新的进程，并作为原进程的子进程。 子进程读取数据，然后序列化写到磁盘中。 +### 🎯 Redis 内存满了怎么办 -rdb 默认保存的是 **dump.rdb** 文件 +1. 增加内存； +2. 使用内存淘汰策略（redis设置配置文件的***maxmemory**参数，可以控制其最大可用内存大小，可以通过配置 **maxmemory-policy** 设置淘汰策略） +3. 压缩数据 +4. 集群 -你可以对 Redis 进行设置， 让它在“ N 秒内数据集至少有 M 个改动”这一条件被满足时， 自动保存一次数据集。 -你也可以通过调用 [SAVE](http://redisdoc.com/server/save.html#save) 或者 [BGSAVE](http://redisdoc.com/server/bgsave.html#bgsave) ， 手动让 Redis 进行数据集保存操作。 -比如说， 以下设置会让 Redis 在满足“ 60 秒内有至少有 1000 个键被改动”这一条件时， 自动保存一次数据集： +### 🎯 Redis 线程模型 -```sh -save 60 1000 -``` +Redis 的线程模型是单线程事件驱动模型，这意味着它在处理客户端请求时使用单个线程。然而，Redis 使用 I/O 多路复用技术来高效地管理多个客户端连接。以下是 Redis 线程模型的主要特点和工作原理： +**单线程模型** +1. **单线程架构**： + - Redis 主要使用单个线程来处理所有客户端请求，包括读写操作和命令执行。这使得 Redis 的实现相对简单且高效，因为不需要处理多线程并发问题，如锁竞争和线程同步。 +2. **I/O 多路复用**： + - Redis 使用 I/O 多路复用（I/O multiplexing）技术，通过 `epoll`（Linux）、`kqueue`（BSD）或 `select` 等系统调用来同时处理多个客户端连接。I/O 多路复用允许 Redis 在一个线程内同时处理大量连接而不会阻塞。 + - I/O 多路复用机制使得 Redis 可以在一个事件循环中处理多个套接字的 I/O 事件，从而提高并发处理能力。 -### RDB 做快照时会阻塞线程吗？ +**事件驱动模型** -因为 Redis 的单线程模型决定了它所有操作都要尽量避免阻塞主线程，所以对于 RDB 快照也不例外，这关系到是否会降低 Redis 的性能。 +Redis 使用事件驱动模型（Event-Driven Model），在主线程的事件循环中执行各种事件，包括网络事件和定时事件。事件驱动模型确保 Redis 可以高效地处理大量并发请求。 -为了解决这个问题，Redis 提供了两个命令来生成 RDB 快照文件，分别是 save 和 bgsave。save 命令在主线程中执行，会导致阻塞。而 bgsave 命令则会创建一个子进程，用于写入 RDB 文件的操作，避免了对主线程的阻塞，这也是 Redis RDB 的默认配置。 +1. **事件循环**： + - Redis 的事件循环不断地检查网络事件（如客户端连接和数据传输）和定时事件（如键过期检查）。当事件发生时，调用相应的事件处理函数进行处理。 +2. **事件处理器**： + - Redis 将网络 I/O 操作和命令执行分成不同的事件处理器。网络 I/O 处理器负责接受客户端连接、读取请求和发送响应，命令处理器负责执行具体的 Redis 命令。 +**多线程 I/O 模式** +虽然 Redis 本质上是单线程模型，但在 6.0 版本开始引入了有限的多线程支持，用于处理 I/O 操作。通过启用 I/O 线程，可以在处理网络 I/O 时利用多核 CPU，从而提高性能。 -### RDB 做快照的时候数据能修改吗？ +1. I/O 线程 -它利用了 bgsave 的子进程，具体操作如下： + - Redis 6.0 及更高版本可以配置多个 I/O 线程用于读取和处理客户端请求，但命令执行仍然在主线程中进行。这样可以减少 I/O 操作对主线程的阻塞，提高整体吞吐量。 -如果主线程执行读操作，则主线程和 bgsave 子进程互相不影响； +2. 配置示例： 在 `redis.conf`中启用和配置 I/O 线程： -如果主线程执行写操作，则被修改的数据会复制一份副本，然后 bgsave 子进程会把该副本数据写入 RDB 文件，在这个过程中，主线程仍然可以直接修改原来的数据。 + ```shel + io-threads-do-reads yes + io-threads 4 # 配置 I/O 线程数 + ``` -![](https://tva1.sinaimg.cn/large/008i3skNly1gv8w2ru8pjj60my08njrv02.jpg) +> Redis 基于 Reactor 模式开发了网络事件处理器，这个处理器被称为文件事件处理器（file event handler）。它的组成结构为4部分：多个套接字、IO多路复用程序、文件事件分派器、事件处理器。因为文件事件分派器队列的消费是单线程的，所以 Redis 才叫单线程模型。 +> +> 文件事件处理器使用 I/O 多路复用（multiplexing）程序来同时监听多个套接字，并根据套接字目前执行的任务来为套接字关联不同的事件处理器。 +> +> 当被监听的套接字准备好执行连接应答（accept）、读取（read）、写入（write）、关闭（close）等操作时， 与操作相对应的文件事件就会产生，这时文件事件处理器就会调用套接字之前关联好的事件处理器来处理这些事件。 +> +> 虽然文件事件处理器以单线程方式运行， 但通过使用 I/O 多路复用程序来监听多个套接字，文件事件处理器既实现了高性能的网络通信模型， 又可以很好地与 redis 服务器中其他同样以单线程方式运行的模块进行对接， 这保持了 Redis 内部单线程设计的简单性。 -#### AOF（Append Only File） +### 🎯 Redis事件模型 -以日志的形式来记录每个写操作，将 Redis 执行过的所有写指令记录下来(读操作不记录)，只许追加文件但不可以改写文件，redis 启动之初会读取该文件重新构建数据，也就是「重放」。换言之，redis 重启的话就根据日志文件的内容将写指令从前到后执行一次以完成数据的恢复工作。 +Redis 事件模型基于 **Reactor 模式 + I/O 多路复用**，单线程事件循环负责监听 socket 的可读/可写事件。 -AOF 默认保存的是 **appendonly.aof ** 文件 +当事件就绪时，主线程回调处理： +- 可读事件 → 读取客户端请求 +- 可写事件 → 发送响应 +6.0 之后增加 I/O 线程专门处理网络读写，但命令解析和执行仍在主线程完成。 + Redis 还使用定时器事件处理周期性任务，如过期 key 删除、AOF 重写、慢日志检查等。 -### AOF 日志是如何实现的？ -通常情况下，关系型数据库（如 MySQL）的日志都是“写前日志”（Write Ahead Log, WAL），也就是说，在实际写数据之前，先把修改的数据记到日志文件中，以便当出现故障时进行恢复，比如 MySQL 的 redo log（重做日志），记录的就是修改后的数据。 -而 AOF 里记录的是 Redis 收到的每一条命令，这些命令是以文本形式保存的，不同的是，Redis 的 AOF 日志的记录顺序与传统关系型数据库正好相反，它是写后日志，“写后”是指 Redis 要先执行命令，把数据写入内存，然后再记录日志到文件。 +### 🎯 什么是 Reactor 模式？ -![](https://tva1.sinaimg.cn/large/008i3skNly1gv8w2zoad0j60cj063wem02.jpg) +**Reactor 模式**是一种基于事件驱动的设计模式，广泛应用于高性能网络服务开发中，例如 Redis、Netty 和 Java 的 NIO 编程中。它通过非阻塞 IO 和事件循环的方式高效地处理并发请求，避免了线程阻塞和资源浪费问题。Redis 的高性能在很大程度上依赖于这种模式。 -那么面试的考察点来了：Reids 为什么先执行命令，在把数据写入日志呢？为了方便你理解，我整理了关键的记忆点： +**Reactor 模式的基本原理** -- 因为 ，Redis 在写入日志之前，不对命令进行语法检查； +Reactor 模式将应用程序的请求处理分为以下几个关键角色： -- 所以，只记录执行成功的命令，避免了出现记录错误命令的情况； +1. **Reactor (事件分发器)**： + - 负责监听事件并将其分发给相应的事件处理器。 + - Reactor 运行在单线程或多线程上，集中管理 IO 操作。 +2. **事件源 (资源提供者)**：事件源是产生 IO 事件的实体，例如网络连接、文件描述符等。 +3. **事件处理器 (Handlers)**：负责具体的事件处理逻辑，例如读取数据、处理业务逻辑、写回数据等。 +4. **Demultiplexer (IO 多路复用器)**：使用操作系统提供的 IO 多路复用机制（如 `select`、`poll` 或 `epoll`）监听多个 IO 通道，将准备好的事件传递给 Reactor。 -- 并且，在命令执行完之后再记录，不会阻塞当前的写操作。 +**Reactor 模式的工作流程** -当然，这样做也会带来风险（这一点你也要在面试中给出解释）。 +1. **事件监听**：Reactor 使用多路复用器不断监听 IO 事件，如读事件、写事件或连接事件。 +2. **事件分发**：当有事件发生时，Reactor 从多路复用器获取事件，并将其分发给对应的事件处理器。 +3. **事件处理**：事件处理器根据事件类型执行相应的操作（如读取数据、业务处理、写回数据等）。 -- 数据可能会丢失： 如果 Redis 刚执行完命令，此时发生故障宕机，会导致这条命令存在丢失的风险。 +**Redis 中的 Reactor 模式** -- 可能阻塞其他操作： 虽然 AOF 是写后日志，避免阻塞当前命令的执行，但因为 AOF 日志也是在主线程中执行，所以当 Redis 把日志文件写入磁盘的时候，还是会阻塞后续的操作无法执行。 +Redis 是一个基于事件驱动模型的高性能内存数据库，单线程模型的高效运转很大程度上归功于 Reactor 模式。 +**Redis 的工作流程：** +1. **单线程事件循环**：Redis 使用单线程来处理所有客户端的请求，通过 IO 多路复用机制（如 `epoll`）监听多个连接上的 IO 事件。 +2. **事件分发**：当某个连接上有事件发生（如可读、可写），事件被分发给对应的处理器。 +3. **事件处理**：Redis 的事件处理器包括： + - **文件事件处理器**：负责处理客户端请求、网络 IO 操作。 + - **时间事件处理器**：处理定时任务，例如持久化、清理过期键等。 -### RDB 和 AOF 各自有什么优缺点？ +**Redis 的事件模型细节：** -**RDB | 优点** +- Redis 的事件模型实现基于 `ae.c` 文件（Async Event）。 +- 它通过 **文件事件处理器**（处理网络 IO）和 **时间事件处理器**（处理定时任务）协同工作。 +- **文件事件处理器**利用操作系统的 IO 多路复用机制监听客户端的请求，单线程模型避免了多线程带来的复杂性（如线程同步问题）。 -1. 只有一个文件 `dump.rdb`，**方便持久化**。 -2. **容灾性好**，一个文件可以保存到安全的磁盘。 -3. **性能最大化**，`fork` 子进程来完成写操作，让主进程继续处理命令，所以使 IO 最大化。使用单独子进程来进行持久化，主进程不会进行任何 IO 操作，保证了 Redis 的高性能 -4. 相对于数据集大时，比 AOF 的 **启动效率** 更高。 -**RDB | 缺点** -1. **数据安全性低**。RDB 是间隔一段时间进行持久化，如果持久化之间 Redis 发生故障，会发生数据丢失。所以这种方式更适合数据要求不严谨的时候； +### 🎯 Redis 内存模型 -**AOF | 优点** +Redis 内存主要可以分为：数据部分、Redis进程本身、缓冲区内存、内存碎片这四个部分。Redis 默认通过jemalloc 来分配内存。 -1. **数据安全**，aof 持久化可以配置 `appendfsync` 属性，有 `always`，每进行一次命令操作就记录到 aof 文件中一次。 -2. 通过 append 模式写文件，即使中途服务器宕机，可以通过 redis-check-aof 工具解决数据一致性问题。 -3. AOF 机制的 rewrite 模式。AOF 文件没被 rewrite 之前（文件过大时会对命令 进行合并重写），可以删除其中的某些命令（比如误操作的 flushall） +- **数据内存**：数据内存用来存储 Redis 的键值对、慢查询日志等，是主要占用内存的部分，这部分内存会统计在used_memory中 -**AOF | 缺点** +- **Redis进程内存**：Redis进程本身也会占用一部分内存，这部分内存不是jemalloc分配，不会统计在used_memory中。执行RDB和AOF时创建的子进程也会占用内存，但也不会统计在used_memory中。 -1. AOF 文件比 RDB **文件大**，且 **恢复速度慢**。 -2. **数据集大** 的时候，比 rdb **启动效率低**。 +- **缓冲内存**（动态管理）： + - 客户端缓冲区：存储客户端连接的输入/输出数据，通过 `client-output-buffer-limit` 限制大小，防止溢出。 + - 复制积压缓冲区：用于主从复制的增量同步（`PSYNC`），大小由 `repl-backlog-size` 配置，默认 1MB。 + - AOF缓冲区：暂存最近写入的命令，持久化时同步到磁盘。 + **分配方式**：由 `jemalloc` 分配，计入 `used_memory` -### aof 如果文件越来愈大 怎么办？ +- **内存碎片**： -**rewrite（AOF 重写）** + - 来源：频繁的键值增删及 jemalloc 内存块分配策略导致未完全利用的内存空间。 + - 监控指标： + - 碎片率：`mem_fragmentation_ratio = used_memory_rss / used_memory`，健康值约 1.03（jemalloc）。 + - 若碎片率 >1.5，需考虑优化；>2 可能触发性能问题。 + - 优化手段： + - 重启重排：安全重启后通过 RDB/AOF 恢复数据，内存重新分配以减少碎片。 + - **自动碎片整理（Redis 4.0+）**：开启 `activedefrag`，根据阈值动态整理碎片 -- 是什么：AOF采用文件追加方式，文件会越来越大为避免出现此种情况，新增了重写机制，当 AOF 文件的大小超过所设定的阈值时，Redis就会启动 AOF 文件的内容压缩，只保留可以恢复数据的最小指令集，可以使用命令`bgrewriteaof`，这个操作相当于对AOF文件“瘦身”。 -- 重写原理：AOF 文件持续增长而过大时，会 fork 出一条新进程来将文件重写(也是先写临时文件最后再rename)，遍历新进程的内存中数据，每条记录有一条的 Set 语句。重写 aof 文件的操作，并没有读取旧的aof文件，而是将整个内存中的数据库内容用命令的方式重写了一个新的 aof 文件，这点和快照有点类似 -- 触发机制：Redis 会记录上次重写时的 AOF 大小，默认配置是当 AOF 文件大小是上次 rewrite 后大小的一倍且文件大于64M 时触发 +------ -### fork耗时问题定位 +## 四、事务与脚本 -**Fork操作** +### 🎯 Redis事务？ -当Redis做RDB或AOF重写时，一个必不可少的操作就是执行fork操作创建子进程，对于大多数操作系统来说fork是个重量级操作 +**Redis事务是通过`MULTI`、`EXEC`、`WATCH`等命令实现的一种批量操作机制**，它的核心特点是**将多个命令打包成一个原子化操作序列**，保证以下特性： -虽然fork创建的子进程不需要拷贝父进程的物理内存空间，但是会复制父进程的空间内存页表。例如对于10GB的Redis进程，需要复制大约20MB的内存页表，因此fork 操作耗时跟进程总内存量息息相关，如果使用虚拟化技术，特别是Xen虚拟 机，fork操作会更耗时 +1. **事务的三大核心命令** -- 在做 RDB 或 AOF 重写时, fork 是必不可少的 -- 对于大多数操作系统来说, fork 是个重量级错误 -- fork 会复制符进程的空间内存页表 -- 如果使用虚拟化技术, 特别是 Xen 虚拟机, fork 操作会更耗时 + - **`MULTI`**：标记事务开始，后续所有命令会被放入队列缓存，返回`QUEUED`表示命令已入队，它总是返回 OK。 -**fork 耗时问题定位**: + - **`EXEC`**：触发事务执行，按顺序执行队列中的所有命令，返回所有命令的结果。 -- 高流量的 Redis 实例 ops 可达5万以上 -- 正常情况 fork 耗时应该是每 GB 消耗 20ms 左右 -- 可以用 info stats 命令查看 latest_fork_usec 指标, 获取最近一次 fork 操作耗时, 单位微秒 + - **`DISCARD`**：取消事务，清空命令队列，放弃事务执行。 -**如何改善 fork 操作的耗时**: +2. **事务的四大特性** -- 优先使用物理机或者高效支持 fork 操作的虚拟化技术, 避免使用 Xen -- 控制 Redis 实例最大可用内存, fork 耗时跟内存量成正比, 线上建议每个 Redis 实例内存控制在 10GB 以内 -- 合理配置 Linux 内存分配策略, 避免物理内存不足导致 fork 失败, 具体细节见12.1节 “Linux 配置优化” -- 降低 fork 操作的频率, 如适度放宽 AOF 自动触发时机, 避免不必要的全量复制等 + - 原子性（Partial）： + - 若事务中某条命令**语法错误**（如命令不存在），整个事务在`EXEC`时会被拒绝执行。 + - 若命令**运行时错误**（如对字符串执行`INCR`），错误命令会抛出异常，**但其他命令仍会执行**（不支持回滚）。 + - **隔离性**：事务执行期间不会被其他客户端命令打断（串行化执行）。 + - **一致性**：事务完成后，数据符合Redis的校验规则（如数据类型约束）。 -### 两种持久化方式如何选择？ + - **持久性**：取决于Redis的持久化配置（与RDB/AOF相关）。 -- RDB 持久化方式能够在指定的时间间隔能对你的数据进行快照存储 -- AOF 持久化方式记录每次对服务器写的操作,当服务器重启的时候会重新执行这些命令来恢复原始的数据，AOF命令以 redis 协议追加保存每次写的操作到文件末尾。Redis还能对AOF文件进行后台重写（**bgrewriteaof**）,使得 AOF 文件的体积不至于过大 -- 只做缓存：如果你只希望你的数据在服务器运行的时候存在,你也可以不使用任何持久化方式。 -- 同时开启两种持久化方式 - - 在这种情况下,当 redis 重启的时候会优先载入 AOF 文件来恢复原始的数据,因为在通常情况下 AOF 文件保存的数据集要比 RDB 文件保存的数据集要完整。 - - RDB 的数据不实时，同时使用两者时服务器重启也只会找 AOF 文件。那要不要只使用AOF 呢？建议不要，因为 RDB 更适合用于备份数据库(AOF 在不断变化不好备份)，快速重启，而且不会有 AOF 可能潜在的bug，留着作为一个万一的手段。 +3. **`WATCH`命令与乐观锁** -Redis4.0 之后有了混合持久化的功能，将 bgsave 的全量 和 aof 的增量做了融合处理，这样既保证了恢复的效率又兼顾了数据的安全性。bgsave 的 原理，fork 和 cow, fork 是指 redis 通过创建子进程来进行 bgsave 操作，cow 指的是 copy on write，子进程创建后，父子进程共享数据段，父进程继续提供读写服务，写脏的页面数据 会逐渐和子进程分离开来。 + - **作用**：监控一个或多个Key，若在事务提交前（`EXEC`执行前）这些Key的值被其他客户端修改，则当前事务会被**主动放弃**（返回`nil`）。 ------- + - **本质**：基于`CAS`（Compare And Swap）的乐观锁机制，解决并发冲突问题。 + - 示例： + ```Shell + WATCH balance # 监听balance键 + MULTI + DECRBY balance 100 + INCRBY debt 100 + EXEC # 若balance被其他客户端修改，此处返回nil + ``` -## 四、Redis事务问题 +4. **与关系型数据库事务的差异** -### Redis事务的概念？ + - **不支持回滚（Rollback）**：Redis 设计哲学强调简单高效，开发者需自行处理错误逻辑。 -Redis 事务的本质是通过MULTI、EXEC、WATCH等一组命令的集合。事务支持一次执行多个命令，一个事务中所有命令都会被序列化。在事务执行过程，会按照顺序串行化执行队列中的命令，其他客户端提交的命令请求不会插入到事务执行命令序列中。 + - **无隔离级别概念**：所有命令串行执行，天然隔离。 -总结说：redis事务就是一次性、顺序性、排他性的执行一个队列中的一系列命令。 + - **批量执行而非原子性保证**：更适用于批量操作场景，而非强一致事务。 -[MULTI](http://redisdoc.com/transaction/multi.html#multi) 命令用于开启一个事务，它总是返回 OK 。 +5. **适用场景** -[MULTI](http://redisdoc.com/transaction/multi.html#multi) 执行之后， 客户端可以继续向服务器发送任意多条命令， 这些命令不会立即被执行， 而是被放到一个队列中， 当 [EXEC](http://redisdoc.com/transaction/exec.html#exec) 命令被调用时， 所有队列中的命令才会被执行。 + - **批量操作**：例如批量更新用户状态。 -另一方面， 通过调用 [DISCARD](http://redisdoc.com/transaction/discard.html#discard) ， 客户端可以清空事务队列， 并放弃执行事务。 + - **简单一致性控制**：配合`WATCH`实现余额扣减、库存抢购等场景。 -[WATCH](http://redisdoc.com/transaction/watch.html#watch) 使得 [EXEC](http://redisdoc.com/transaction/exec.html#exec) 命令需要有条件地执行： 事务只能在所有被监视键都没有被修改的前提下执行， 如果这个前提不能满足的话，事务就不会被执行。 + - **非强事务需求**：容忍部分失败（如日志记录）。 -### Redis事务的三个阶段、三特性 +### 🎯 Redis事务的三个阶段、三特性 **三阶段** @@ -679,68 +1565,241 @@ Redis 事务的本质是通过MULTI、EXEC、WATCH等一组命令的集合。事 -### Redis事务支持隔离性吗？ +### 🎯 Redis事务支持隔离性吗？ Redis 是单进程程序，并且它保证在执行事务时，不会对事务进行中断，事务可以运行直到执行完所有事务队列中的命令为止。因此，**Redis 的事务是总是带有隔离性的**。 -### Redis事务保证原子性吗，支持回滚吗？ +### 🎯 Redis事务保证原子性吗，支持回滚吗？ Redis中，单条命令是原子性执行的，但**事务不保证原子性，且没有回滚**。事务中任意命令执行失败，其余的命令仍会被执行。 1. **如果在一个事务中的命令出现错误，那么所有的命令都不会执行**； 2. **如果在一个事务中出现运行错误，那么正确的命令会被执行**。 - - ------ -## 五、Redis 集群问题 +## 五、高可用与分布式 -> redis单节点存在单点故障问题，为了解决单点问题，一般都需要对redis配置从节点，然后使用哨兵来监听主节点的存活状态，如果主节点挂掉，从节点能继续提供缓存功能 +> Redis单节点存在单点故障问题，为了解决单点问题，一般都需要对Redis配置从节点，然后使用哨兵来监听主节点的存活状态，如果主节点挂掉，从节点能继续提供缓存功能 -### 主从同步了解吗？ - -![img](https://tva1.sinaimg.cn/large/e6c9d24ely1h39958n10aj225s0oggnk.jpg) +### 🎯 主从同步了解吗？ **主从复制**，是指将一台 Redis 服务器的数据，复制到其他的 Redis 服务器。前者称为 **主节点(master)**，后者称为 **从节点(slave)**。且数据的复制是 **单向** 的，只能由主节点到从节点。Redis 主从复制支持 **主从同步** 和 **从从同步** 两种，后者是 Redis 后续版本新增的功能，以减轻主节点的同步负担。 -#### 主从复制主要的作用 +**主从复制主要的作用** - **数据冗余：** 主从复制实现了数据的热备份，是持久化之外的一种数据冗余方式。 - **故障恢复：** 当主节点出现问题时，可以由从节点提供服务，实现快速的故障恢复 *(实际上是一种服务的冗余)*。 - **负载均衡：** 在主从复制的基础上，配合读写分离，可以由主节点提供写服务，由从节点提供读服务 *（即写 Redis 数据时应用连接主节点，读 Redis 数据时应用连接从节点）*，分担服务器负载。尤其是在写少读多的场景下，通过多个从节点分担读负载，可以大大提高 Redis 服务器的并发量。 - **高可用基石：** 除了上述作用以外，主从复制还是哨兵和集群能够实施的 **基础**，因此说主从复制是 Redis 高可用的基础。 -#### 实现原理 +**实现原理** -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h3995cjdrjj21o00u0td4.jpg) +![redis-replicaof](https://img.starfish.ink/redis/redis-replicaof.png) -为了节省篇幅，我把主要的步骤都 **浓缩** 在了上图中，其实也可以 **简化成三个阶段：准备阶段-数据同步阶段-命令传播阶段**。 +为了节省篇幅，主要的步骤都 **浓缩** 在了上图中，其实也可以 **简化成三个阶段：准备阶段-数据同步阶段-命令传播阶段**。 > redis2.8 之前使用`sync[runId][offset]`同步命令，redis2.8 之后使用`psync[runId][offset]`命令。两者不同在于，sync 命令仅支持全量复制过程，psync 支持全量和部分复制 +> +> **同步原理与流程** +> +> 主从复制分为三阶段，以Redis 2.8为分界点，优化了同步效率： +> +> **阶段一：建立连接（准备阶段）** +> +> 1. 从节点执行`REPLICAOF `，向主节点发起连接请求。 +> 2. 主节点验证后建立Socket连接，准备数据同步。 +> +> ##### **阶段二：数据同步（全量/增量）** +> +> - 全量同步（首次或落后过多时触发）： +> 1. 主节点执行`BGSAVE`生成**RDB快照**，同时缓存期间的写命令至**复制缓冲区**。 +> 2. 传输RDB文件给从节点，从节点清空旧数据并加载快照。 +> 3. 主节点发送缓冲区中的增量命令，从节点执行以保持数据最新。 +> - 增量同步（断线重连且条件满足时触发）： +> 1. 从节点通过`psync`命令上报自身的`runID`（主节点唯一标识）和`offset`（复制偏移量）。 +> 2. 主节点检查 `offset`是否在复制缓冲区内： +> - 若存在，发送缓冲区中从`offset`之后的增量命令（部分同步）。 +> - 若不存在，触发全量同步。 +> +> ##### **阶段三：命令传播（持续同步）** +> +> - 主节点每执行一个写命令，会异步发送给所有从节点，从节点重放命令以保持数据一致性。 + +**关键机制与优化** + +- 复制缓冲区（Repl Backlog Buffer）：环形缓冲区记录主节点最近的写命令，默认大小1MB（可配置）。若从节点落后数据超出缓冲区范围，需触发全量同步。 +- 心跳检测：主从节点定期互发心跳（`REPLCONF ACK`），检测连接状态与延迟，超时则触发重同步。 + +**注意事项** + +- **数据延迟**：主从同步是异步的，从节点数据可能存在短暂延迟，强一致性场景需谨慎。 +- 全量同步风险： + - 主节点生成RDB时会Fork子进程，大内存实例可能导致短暂阻塞。 + - 网络带宽占用高，需避免频繁全量同步（如合理配置`repl-backlog-size`）。 +- 读写分离陷阱： + - 从节点默认可能返回过期数据（需开启`replica-serve-stale-data no`配置）。 + - 读负载需均衡到多个从节点，避免单点过载。 + -主从复制实现：主节点将自己内存中的数据做一份快照，将快照发给从节点，从节点将数据恢复到内存中。之后再每次增加新数据的时候，主节点以类似于 mysql 的二进制日志方式将语句发送给从节点，从节点拿到主节点发送过来的语句进行重放。 +### 🎯 主从复制会存在哪些问题呢？ +Redis主从复制虽然提供了数据冗余和读写分离的能力，但在实际使用中仍存在以下几个典型问题，需要特别关注： -### 那主从复制会存在哪些问题呢？ +1. **数据不一致性（最终一致性）** + - 异步复制延迟：主从同步是异步的，主节点写入成功后立即返回客户端，数据同步到从节点存在延迟（通常毫秒级，但网络波动时可能秒级）。 + - **问题场景**：若客户端从从节点读取刚写入主节点的数据，可能读到旧值（如电商库存扣减后立刻查询）。 + - 缓解方案： + - 对一致性要求高的读操作强制走主节点（通过代码控制）。 + - 使用`WAIT`命令（Redis 3.0+）阻塞直到数据同步到指定数量的从节点（牺牲性能换取强一致性）。 -1. 一旦主节点宕机，从节点晋升为主节点，同时需要修改应用方的主节点地址，还需要命令所有从节点去复制新的主节点，整个过程需要人工干预 -2. 主节点的写能力受到单机的限制 -3. 主节点的存储能力受到单机的限制 -4. 原生复制的弊端在早期的版本中也会比较突出，比如：redis 复制中断后，从节点会发起 psync。此时如果同步不成功，则会进行全量同步，主库执行全量备份的同时，可能会造成毫秒或秒级的卡顿 +2. **主节点性能压力** + - 全量同步资源消耗： + - **Fork阻塞**：主节点执行`BGSAVE`生成RDB快照时，若数据量大，Fork子进程可能短暂阻塞主线程（尤其内存超过10GB时）。 + - **网络带宽占用**：全量同步传输RDB文件会占用大量带宽，尤其从节点数量多或跨机房同步时。 + - 优化手段： + - 避免频繁全量同步（合理配置`repl-backlog-size`缓冲区大小）。 + - 使用**从节点级联复制**（从节点作为其他从节点的主节点），分散主节点压力。 -那比较主流的解决方案是什么呢？哨兵 +3. **复制中断与数据丢失风险** + - 复制缓冲区溢出： + - 主节点的**复制缓冲区**（Repl Backlog Buffer）是固定大小的环形队列，若从节点断开时间过长，缓冲区被新数据覆盖，重连后需触发全量同步。 + - **风险**：全量同步期间主节点的新写操作可能丢失（缓冲区溢出后未同步的数据）。 + - **配置建议**：增大`repl-backlog-size`（如512MB）并监控`master_repl_offset`与从节点偏移量差距。 +4. **从节点数据过期问题** + - 过期键同步缺陷： + - Redis的过期键删除依赖主节点定时扫描（惰性+定期），从节点不会主动删除过期键，而是等待主节点同步`DEL`命令。 + - **问题表现**：从节点可能返回已逻辑过期但未收到`DEL`命令的数据。 + - **解决方案**：Redis 3.2+后开启`replica-serve-stale-data no`配置，从节点在未完成同步时不响应读请求。 +5. **故障切换复杂度** + - 手动故障转移：原生主从复制不提供自动故障转移能力，主节点宕机后需人工介入切换从节点为主节点，导致服务中断。 + - **依赖组件**：需配合**Redis Sentinel**（哨兵）或**Cluster**实现自动故障转移。 -### 什么是哨兵 +6. **脑裂问题（Split-Brain）** + - 场景：网络分区导致主节点与部分从节点失联，哨兵可能选举出新主节点，形成两个主节点同时写入。 + - **数据冲突**：网络恢复后，旧主节点作为从节点同步新主节点数据，其间的写操作会丢失。 + - 规避措施： + - 配置`min-replicas-to-write`：主节点需至少存在N个从节点才允许写入。 + - 设置哨兵的`quorum`参数和`down-after-milliseconds`，减少误判。 -![](https://mmbiz.qpic.cn/mmbiz_png/iaIdQfEric9TzlTcnXg26t1Dia266foajMic89F6770xHiaYPJN48zJR2LB8A6aP3VfIgC0vVxibVlYicy2gwiaqXdSrPw/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) +> 主从复制是Redis高可用的基础，但使用时需警惕异步复制导致的数据不一致、全量同步性能开销、缓冲区溢出风险等问题。生产环境中建议： +> +> 1. **监控同步延迟**（`master_repl_offset`与从节点偏移量差值）。 +> 2. **合理配置缓冲区大小与心跳参数**。 +> 3. **结合哨兵或集群**实现自动故障转移。 +> 4. **避免单主节点挂载过多从节点**（建议级联复制分散压力）。 + + + +### 🎯 Redis读写分离的场景下,怎么保证从数据库读到最新的数据? + +在 Redis 读写分离场景下，保证从库读到最新数据是一个典型的 **数据一致性** 问题。以下是结合 Redis 特性、配置优化和业务逻辑设计的实践方案： + +1. **强制读主库（最直接方案）** + + - **原理**：将需要强一致性的读请求直接发给主库，绕过从库。 + + - 实现方式： + - **代码标记**：在业务代码中区分关键请求（如支付状态、库存查询），显式指定连接主库。 + - **中间件路由**：通过代理（如 ProxySQL）或客户端分片库（如 Lettuce）自动路由强一致性读请求到主库。 + + - **优点**：零延迟，强一致性。 + + - **缺点**：主库压力增加，违背读写分离初衷，适合低频关键操作。 + +2. **利用 `WAIT` 命令（同步复制）** + + - 原理：写操作后通过 `WAIT` 命令阻塞客户端，直到数据同步到指定数量的从库。 + + ```Bash + SET key value + WAIT # 示例：WAIT 1 1000（等待1个从库确认，超时1秒） + ``` + + - **适用场景**：写后需立即读取最新数据的场景（如用户注册后立刻查询信息）。 + + - 注意事项： + - 增加写操作的延迟（依赖网络和从库处理速度）。 + - 不保证所有从库同步成功（仅等待指定数量）。 + +3. **监控主从偏移量（动态切换读库）** + + - 原理：通过监控主从节点的 `repl_offset`（复制偏移量），仅在从库偏移量≥主库时允许读请求。 + + ```Bash + # 主库复制偏移量 + INFO replication | grep master_repl_offset + # 从库复制偏移量 + INFO replication | grep slave_repl_offset + ``` + + - 实现方式： + 1. 客户端或中间件定期获取主从偏移量。 + 2. 若从库延迟超过阈值（如 10ms），临时将读请求切换至主库。 + + - **优点**：平衡一致性与性能。 + + - **缺点**：实现复杂度高，需维护偏移量监控逻辑。 + +4. **无磁盘化复制（Diskless Replication）** + + - 原理：Redis 4.0+ 支持 `repl-diskless-sync yes` 配置，主节点直接通过 Socket 传输 RDB 快照到从节点内存，跳过磁盘 IO。 + + ```Bash + # 主节点配置 + repl-diskless-sync yes + repl-diskless-sync-delay 5 # 延迟5秒等待更多从库连接 + ``` + + - **优点**：减少全量同步时的磁盘 IO 延迟，加速数据同步。 + + - 缺点： + - 仅优化全量同步，增量同步仍依赖网络传输。 + - 主节点内存压力增大（需同时处理传输和写操作）。 + +5. **业务逻辑补偿（最终一致性兜底）** + + - 原理：通过业务代码补偿从库延迟，例如： + - **版本号校验**：写入时记录数据版本号，读取时校验从库版本是否匹配。 + - **二次确认**：先读从库，若数据不一致则重试读主库。 + + - 示例： + + ```Python + def read_with_retry(key): + value = read_from_slave(key) + if value != expected_version: + value = read_from_master(key) + return value + ``` + + - **适用场景**：对一致性要求高但允许少量重试的业务（如库存扣减）。 + +| **方案** | **一致性** | **性能影响** | **实现复杂度** | **适用场景** | +| ------------------ | ---------- | ------------ | -------------- | -------------------------- | +| 强制读主库 | 强一致性 | 高 | 低 | 低频关键操作（如支付状态） | +| `WAIT` 命令 | 强一致性 | 中 | 中 | 写后立即读（如注册信息） | +| 监控偏移量动态切换 | 最终一致性 | 低 | 高 | 高吞吐量业务（如商品列表） | +| 无磁盘化复制 | 优化同步 | 低 | 中 | 全量同步频繁场景 | +| 业务逻辑补偿 | 最终一致性 | 中 | 高 | 允许重试的业务（如库存） | + +**注意事项**： + +- Redis 主从复制是 AP 系统（CAP 定理），无法做到完全强一致，需结合业务容忍度设计。 +- 对一致性要求极高的场景（如金融交易），建议引入外部数据库（如 MySQL）兜底。 + + + +### 🎯 什么是哨兵？ + +![](https://img.starfish.ink/redis/redis-sentinel.png) *上图* 展示了一个典型的哨兵架构图，它由两部分组成，哨兵节点和数据节点： @@ -766,21 +1825,65 @@ sentinel，中文名是哨兵。哨兵是 redis 集群机构中非常重要的 -### 那你能说下哨兵的工作原理吗？ +### 🎯 说下哨兵的工作原理？ + +1. **监控机制：健康检查与状态判定** + - **周期性心跳检测**： + - 每个哨兵以**每秒1次**的频率向所有主节点、从节点、其他哨兵节点发送`PING`命令。 + - **响应超时判定**：若某节点在`down-after-milliseconds`（默认30秒）内未响应，哨兵将其标记为**主观下线（SDOWN）**。 + + - **客观下线（ODOWN）投票**： + - 当哨兵判定主节点主观下线后，向其他哨兵发送`SENTINEL is-master-down-by-addr`命令发起投票。 + - 若**超过半数哨兵**同意主节点不可用，则主节点被标记为**客观下线（ODOWN）**，触发故障转移流程。 + +2. **领导者选举：Raft共识算法适配** + - 主节点被标记为客观下线后，所有哨兵节点通过**Raft-like算法**选举领导者（Leader）。 + - 选举规则： + - 每个哨兵在**epoch（任期）**内只能投一票。 + - 获得**半数以上投票**的哨兵成为Leader，负责执行故障转移。 + - 若选举失败，等待随机时间后重新发起选举（避免活锁）。 + +3. **故障转移：新主节点选择与切换** + - **筛选候选从节点**： + - 排除已下线或延迟过高的从节点。 + - 按优先级选择（`slave-priority`配置，值越小优先级越高）。 + - 若优先级相同，选择**复制偏移量（repl_offset）最大**的从节点（数据最新）。 + - 若仍相同，选择**运行ID（run ID）较小**的从节点。 + + - **提升新主节点**： + + - 向目标从节点发送`SLAVEOF NO ONE`命令，使其成为主节点。 + + - 等待新主节点晋升完成（确认其可写且数据完整）。 + + - **重配置从节点**： + - 向所有其他从节点发送`SLAVEOF `，指向新主节点。 + - 异步更新旧主节点（若恢复）为从节点，指向新主节点。 + +4. **通知与客户端重定向** + + - **发布订阅通知**： + - 哨兵通过`__sentinel__:hello`频道发布主节点变更事件。 + - 订阅该频道的客户端可实时感知新主节点地址。 + + - **客户端服务发现**： + - 客户端通过哨兵API（如`SENTINEL get-master-addr-by-name `）获取当前主节点地址。 + - 支持自动重连的客户端库（如Jedis、Lettuce）内置故障转移处理逻辑。 + +**核心配置参数** + +| 参数 | 默认值 | 作用 | +| ------------------------- | -------- | ------------------------------------ | +| `down-after-milliseconds` | 30000ms | 主观下线判定时间 | +| `quorum` | 2 | 触发客观下线所需最少哨兵投票数 | +| `parallel-syncs` | 1 | 故障转移后同时向新主同步的从节点数量 | +| `failover-timeout` | 180000ms | 故障转移超时时间 | ![](https://mmbiz.qpic.cn/mmbiz_png/iaIdQfEric9TzlTcnXg26t1Dia266foajMicV4uRLib3FmS9KibcSMycB36MwicA3GTygLnQTl3VkAGb8mPE47pLzcz0g/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) -1. 每个 Sentinel 节点都需要定期执行以下任务：每个 Sentinel 以每秒一次的频率，向它所知的主服务器、从服务器以及其他的 Sentinel 实例发送一个 PING 命令。 -2. 如果一个实例距离最后一次有效回复 PING 命令的时间超过`down-after-milliseconds`所指定的值，那么这个实例会被 Sentinel 标记为主观下线 -3. 如果一个主服务器被标记为主观下线，那么正在监视这个服务器的所有 Sentinel 节点，要以每秒一次的频率确认主服务器的确进入了主观下线状态 -4. 如果一个主服务器被标记为主观下线，并且有足够数量的 Sentinel（至少要达到配置文件指定的数量）在指定的时间范围内同意这一判断，那么这个主服务器被标记为客观下线 -5. 一般情况下，每个 Sentinel 会以每 10 秒一次的频率向它已知的所有主服务器和从服务器发送 INFO 命令，当一个主服务器被标记为客观下线时，Sentinel 向下线主服务器的所有从服务器发送 INFO 命令的频率，会从 10 秒一次改为每秒一次 -6. Sentinel 和其他 Sentinel 协商客观下线的主节点的状态，如果处于 SDOWN 状态，则投票自动选出新的主节点，将剩余从节点指向新的主节点进行数据复制 -7. 当没有足够数量的 Sentinel 同意主服务器下线时，主服务器的客观下线状态就会被移除。当主服务器重新向 Sentinel 的 PING 命令返回有效回复时，主服务器的主观下线状态就会被移除 - -### 新的主服务器是怎样被挑选出来的？ +### 🎯 哨兵模式下新的主服务器是怎样被挑选出来的？ **故障转移操作的第一步** 要做的就是在已下线主服务器属下的所有从服务器中，挑选出一个状态良好、数据完整的从服务器，然后向这个从服务器发送 `slaveof no one` 命令，将这个从服务器转换为主服务器。但是这个从服务器是怎么样被挑选出来的呢？ @@ -792,93 +1895,208 @@ sentinel，中文名是哨兵。哨兵是 redis 集群机构中非常重要的 -Redis Sentinal 着眼于高可用，在 master 宕机时会自动将 slave 提升为 master，继续提供服务。 +Redis Sentinel 着眼于高可用，在 master 宕机时会自动将 slave 提升为 master，继续提供服务。 Redis Cluster 着眼于扩展性，在单个 redis 内存不足时，使用 Cluster 进行分片存储。 -### Redis 集群使用过吗？原理？ +### 🎯 Redis 集群使用过吗？原理？ -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h39986k3zcj21y00u0ju6.jpg) +![Redis Cluster Architecture](https://img.starfish.ink/redis/redis-cluster-architecture.webp) *上图* 展示了 **Redis Cluster** 典型的架构图，集群中的每一个 Redis 节点都 **互相两两相连**，客户端任意 **直连** 到集群中的 **任意一台**，就可以对其他 Redis 节点进行 **读写** 的操作。 -#### 基本原理 -![img](https://tva1.sinaimg.cn/large/e6c9d24ely1h3998a82pyj21y00u0tan.jpg) -Redis 集群中内置了 `16384` 个哈希槽。当客户端连接到 Redis 集群之后，会同时得到一份关于这个 **集群的配置信息**，当客户端具体对某一个 `key` 值进行操作时，会计算出它的一个 Hash 值，然后把结果对 `16384` **求余数**，这样每个 `key` 都会对应一个编号在 `0-16383` 之间的哈希槽，Redis 会根据节点数量 **大致均等** 的将哈希槽映射到不同的节点。 +### 🎯 Redis集群（Cluster）工作原理与核心机制 -再结合集群的配置信息就能够知道这个 `key` 值应该存储在哪一个具体的 Redis 节点中，如果不属于自己管，那么就会使用一个特殊的 `MOVED` 命令来进行一个跳转，告诉客户端去连接这个节点以获取数据： +> Redis Cluster 通过 **槽位分片机制（16384 槽）** 来分布存储数据，每个 key 根据 CRC16 哈希落到对应的槽位。 +> 集群由多个 Master 节点组成，每个 Master 负责一部分槽位，并通过 Replica 节点做高可用备份。 +> 节点之间通过 **Gossip 协议**维护集群状态，客户端访问时通过 **重定向机制（MOVED/ASK）** 找到目标节点。 +> 当某个 Master 故障时，集群会通过投票机制把其 Replica 提升为新的 Master，实现自动故障转移。 + +1. **数据分片：虚拟哈希槽（Virtual Hash Slot）** + + - **分片原理**： + - 整个集群划分为 **16384个哈希槽**（固定值），每个键通过`CRC16(key) % 16384`计算所属槽位。 + - 槽位均匀分配到所有主节点（例如：3主节点时，每个主节点负责约5461个槽）。 + - **槽位分配可见性**：每个节点维护槽位映射表，客户端首次连接时获取并缓存。 + + - **动态扩缩容**： + - **添加节点**：通过`CLUSTER ADDSLOTS`分配空槽，或迁移其他节点的槽至新节点。 + - **移除节点**：迁移槽至其他节点后下线。 + - **数据迁移**：使用`CLUSTER SETSLOT MIGRATING `和`CLUSTER SETSLOT IMPORTING `命令实现槽位迁移。 + +2. **高可用：主从复制与故障转移** + + - **主从架构**： + - 每个主节点对应1个或多个从节点（推荐至少1从）。 + - 从节点复制主节点数据，并在主节点故障时通过选举晋升为新主。 + + - **故障检测与恢复**： + - **节点间心跳**：节点间通过Gossip协议定期交换PING/PONG消息。 + - **故障判定**：若某主节点被多数主节点判定为不可达（超过`cluster-node-timeout`），触发故障转移。 + - **自动选举**：从节点基于`slave-priority`、复制偏移量等条件自动选举新主。 + +3. **请求路由与重定向** + + - **客户端直连**： + + - 客户端可连接任意节点，节点根据键的槽位返回正确数据或重定向指令。 + + - MOVED重定向：当键不属于当前节点时，返回 `MOVED ` 告知正确节点。 + + ```Bash + # 示例：操作不属于当前节点的键 + 127.0.0.1:6379> GET user:1001 + -MOVED 1234 192.168.1.2:6380 + ``` + + - **ASK重定向**：在槽迁移过程中，若数据未完全迁移，返回`ASK `临时重定向。 + + - 成熟客户端（如Lettuce、Jedis）缓存槽位映射表，直接路由请求到正确节点，减少重定向。 + +4. **节点通信：Gossip协议** + + - **信息交换**： + - 节点间周期性（默认每秒10次）随机选择节点发送PING消息，携带其他节点状态信息。 + - 接收节点回应PONG消息，更新本地集群状态视图。 + + - **集群状态同步**： + - 每个节点维护集群元数据（节点列表、槽位分配、主从关系等）。 + - 新节点加入时，通过种子节点（配置的初始节点）同步全量集群状态。 + + + +### 🎯 为什么选择16384个槽？ + + - 2^14 = 16384，便于位运算优化 + - 心跳包大小控制：槽位信息用bitmap传输，16384位 = 2KB + - 集群规模考量：支持最多1000个节点的合理上限 + + + +### 🎯 Redis Cluster核心优势 | 集群的主要作用 + +1. **线性扩展性**：数据分区 *(或称数据分片)* 是集群最核心的功能。集群将数据分散到多个节点，**一方面** 突破了 Redis 单机内存大小的限制，**存储容量大大增加**；**另一方面** 每个主节点都可以对外提供读服务和写服务，**大大提高了集群的响应能力** +2. **高可用性**：内置主从复制与自动故障转移，无需依赖哨兵。 +3. **去中心化架构**：无单点故障，节点平等（除主从角色差异）。 +4. **客户端透明路由**：智能客户端自动处理重定向，业务无感知。 -```bash -GET x --MOVED 3999 127.0.0.1:6381 -``` -`MOVED` 指令第一个参数 `3999` 是 `key` 对应的槽位编号，后面是目标节点地址，`MOVED` 命令前面有一个减号，表示这是一个错误的消息。客户端在收到 `MOVED` 指令后，就立即纠正本地的 **槽位映射表**，那么下一次再访问 `key` 时就能够到正确的地方去获取了。 -> redis-cluster 分片原理：Cluster 中有一个 16384 长度的槽(虚拟槽)，编号分别为 0-16383。 每个 Master 节点都会负责一部分的槽，当有某个 key 被映射到某个 Master 负责的槽，那么这个 Master 负责为这个 key 提供服务，至于哪个 Master 节点负责哪个槽，可以由用户指定，也可以在初始化的时候自动生成，只有 Master 才拥有槽的所有权。Master 节点维护着一个 16384/8 字节的位序列，Master 节点用 bit 来标识对于某个槽自己是否拥有。比如对于编号为 1 的槽，Master 只要判断序列的第二位(索引从 0 开始)是不是为 1 即可。 这种结构很容易添加或者删除节点。比如如果我想新添加个节点 D, 我需要从节点 A、B、 C 中的部分槽到 D 上。 +### 🎯 集群中数据如何分区？ +Redis集群采用**带有虚拟节点的哈希槽（Hash Slot）分区方案**，在数据分布、扩展性和容错性之间取得了高效平衡。以下是核心原理与实现细节： +1. **虚拟哈希槽的核心设计** -#### 集群的主要作用 + - **固定槽位数量**：预分配16384个虚拟槽（Slot），编号0-16383，**槽位总数固定不变**。 -1. **数据分区：** 数据分区 *(或称数据分片)* 是集群最核心的功能。集群将数据分散到多个节点，**一方面** 突破了 Redis 单机内存大小的限制，**存储容量大大增加**；**另一方面** 每个主节点都可以对外提供读服务和写服务，**大大提高了集群的响应能力**。Redis 单机内存大小受限问题，在介绍持久化和主从复制时都有提及，例如，如果单机内存太大，`bgsave` 和 `bgrewriteaof` 的 `fork` 操作可能导致主进程阻塞，主从环境下主机切换时可能导致从节点长时间无法提供服务，全量复制阶段主节点的复制缓冲区可能溢出…… -2. **高可用：** 集群支持主从复制和主节点的 **自动故障转移** *（与哨兵类似）*，当任一节点发生故障时，集群仍然可以对外提供服务。 + - 动态槽位映射：每个主节点负责管理一部分槽位，槽位与节点的映射关系可动态调整。 + ```Bash + # 手动分配槽位给节点（示例：将槽0-5000分配给节点A） + CLUSTER ADDSLOTS {0..5000} + ``` +- 数据路由规则： + - 键通过`CRC16(key) % 16384`计算所属槽位。 + - 客户端根据槽位映射表直接访问目标节点，或通过`MOVED`/`ASK`重定向获取最新路由。 -### 集群中数据如何分区？ +2. **对比三种分区方案的优势** -Redis 采用方案三。 +| **方案** | **优点** | **缺点** | Redis集群的选择原因 | +| -------------------- | -------------------- | ---------------------------- | ---------------------------- | +| **哈希取余（%）** | 实现简单 | 扩缩容时数据全量迁移，成本高 | 不采用 | +| **一致性哈希** | 扩缩容仅影响相邻节点 | 节点少时数据倾斜严重 | 改进后采用（引入虚拟槽） | +| **虚拟槽一致性哈希** | 数据均匀、扩缩容敏捷 | 需维护槽位映射关系 | 采用，平衡扩展性与管理复杂度 | -#### 方案一：哈希值 % 节点数 +3. **扩缩容与数据迁移流程** -哈希取余分区思路非常简单：计算 `key` 的 hash 值，然后对节点数量进行取余，从而决定数据映射到哪个节点上。 + - **扩容**： -不过该方案最大的问题是，**当新增或删减节点时**，节点数量发生变化，系统中所有的数据都需要 **重新计算映射关系**，引发大规模数据迁移。 + - 新节点加入集群，初始不负责任何槽。 + - 从现有节点迁移部分槽至新节点（如均匀分配）。 + - 更新集群元数据，广播新槽位分配。 -#### 方案二：一致性哈希分区 + ```Bash + # 将槽1000从节点A迁移到新节点B + CLUSTER SETSLOT 1000 IMPORTING B-node-id # 目标节点执行 + CLUSTER SETSLOT 1000 MIGRATING A-node-id # 源节点执行 + # 迁移数据后，最终设置槽归属 + CLUSTER SETSLOT 1000 NODE B-node-id + ``` -一致性哈希算法将 **整个哈希值空间** 组织成一个虚拟的圆环，范围是 *[0 - 2^32 - 1]*，对于每一个数据，根据 `key` 计算 hash 值，确数据在环上的位置，然后从此位置沿顺时针行走，找到的第一台服务器就是其应该映射到的服务器： + - **缩容**： -![](https://cdn.jsdelivr.net/gh/wmyskxz/img/img/%E5%A6%88%E5%A6%88%E5%86%8D%E4%B9%9F%E4%B8%8D%E6%8B%85%E5%BF%83%E6%88%91%E9%9D%A2%E8%AF%95%E8%A2%ABRedis%E9%97%AE%E5%BE%97%E8%84%B8%E9%83%BD%E7%BB%BF%E4%BA%86/7896890-40e8a2c096c8da92.png) + - 将待移除节点的槽迁移至其他节点。 -与哈希取余分区相比，一致性哈希分区将 **增减节点的影响限制在相邻节点**。以上图为例，如果在 `node1` 和 `node2` 之间增加 `node5`，则只有 `node2` 中的一部分数据会迁移到 `node5`；如果去掉 `node2`，则原 `node2` 中的数据只会迁移到 `node4` 中，只有 `node4` 会受影响。 + - 节点无槽后，执行`CLUSTER FORGET`从集群移除。 -一致性哈希分区的主要问题在于，当 **节点数量较少** 时，增加或删减节点，**对单个节点的影响可能很大**，造成数据的严重不平衡。还是以上图为例，如果去掉 `node2`，`node4` 中的数据由总数据的 `1/4` 左右变为 `1/2` 左右，与其他节点相比负载过高。 +4. **数据均衡与故障转移** -#### 方案三：带有虚拟节点的一致性哈希分区 + - **自动均衡**：通过`redis-cli --cluster rebalance`命令触发槽位均衡分配，确保各节点负载均匀。 -该方案在 **一致性哈希分区的基础上**，引入了 **虚拟节点** 的概念。Redis 集群使用的便是该方案，其中的虚拟节点称为 **槽（slot）**。槽是介于数据和实际节点之间的虚拟概念，每个实际节点包含一定数量的槽，每个槽包含哈希值在一定范围内的数据。 + - 故障恢复： + - 主节点宕机时，其从节点通过选举晋升为新主，接管槽位。 + - 集群自动更新槽位映射，客户端通过重定向无缝切换。 -在使用了槽的一致性哈希分区中，**槽是数据管理和迁移的基本单位**。槽 **解耦** 了 **数据和实际节点** 之间的关系，增加或删除节点对系统的影响很小。仍以上图为例，系统中有 `4` 个实际节点，假设为其分配 `16` 个槽(0-15)； +5. **客户端路由优化** -- 槽 0-3 位于 node1；4-7 位于 node2；以此类推…. + - **智能缓存**：客户端首次连接集群时获取槽位映射表，本地缓存以减少重定向次数。 -如果此时删除 `node2`，只需要将槽 4-7 重新分配即可，例如槽 4-5 分配给 `node1`，槽 6 分配给 `node3`，槽 7 分配给 `node4`；可以看出删除 `node2` 后，数据在其他节点的分布仍然较为均衡。 + - MOVED重定向： + ```Bash + # 客户端访问错误节点时的响应 + 127.0.0.1:6379> GET user:101 + -MOVED 9252 192.168.1.2:6380 # 槽9252当前由192.168.1.2:6380管理 + ``` + - **ASK重定向**：在槽迁移过程中，若数据尚未完全迁移，临时重定向客户端到目标节点。 -### 节点之间的通信机制了解吗？ +**总结**：Redis集群通过虚拟槽机制将数据解耦于物理节点，实现高效的动态扩缩容与负载均衡。相比传统哈希取余和一致性哈希方案，虚拟槽避免了大规模数据迁移和数据倾斜问题，成为支撑高可用、高性能分布式Redis服务的核心基础。 -集群的建立离不开节点之间的通信，假如我们启动六个集群节点之后通过 `redis-cli` 命令帮助我们搭建起来了集群，实际上背后每个集群之间的两两连接是通过了 `CLUSTER MEET ` 命令发送 `MEET` 消息完成的，下面我们展开详细说说。 +> #### 一致性哈希分区 +> +> 一致性哈希算法将 **整个哈希值空间** 组织成一个虚拟的圆环，范围是 *[0 - 2^32 - 1]*，对于每一个数据，根据 `key` 计算 hash 值，确数据在环上的位置，然后从此位置沿顺时针行走，找到的第一台服务器就是其应该映射到的服务器： +> +> 与哈希取余分区相比，一致性哈希分区将 **增减节点的影响限制在相邻节点**。以上图为例，如果在 `node1` 和 `node2` 之间增加 `node5`，则只有 `node2` 中的一部分数据会迁移到 `node5`；如果去掉 `node2`，则原 `node2` 中的数据只会迁移到 `node4` 中，只有 `node4` 会受影响。 +> +> 一致性哈希分区的主要问题在于，当 **节点数量较少** 时，增加或删减节点，**对单个节点的影响可能很大**，造成数据的严重不平衡。还是以上图为例，如果去掉 `node2`，`node4` 中的数据由总数据的 `1/4` 左右变为 `1/2` 左右，与其他节点相比负载过高。 +> +> #### 带有虚拟节点的一致性哈希分区 +> +> 该方案在 **一致性哈希分区的基础上**，引入了 **虚拟节点** 的概念。Redis 集群使用的便是该方案，其中的虚拟节点称为 **槽（slot）**。槽是介于数据和实际节点之间的虚拟概念，每个实际节点包含一定数量的槽，每个槽包含哈希值在一定范围内的数据。 +> +> 在使用了槽的一致性哈希分区中，**槽是数据管理和迁移的基本单位**。槽 **解耦** 了 **数据和实际节点** 之间的关系，增加或删除节点对系统的影响很小。仍以上图为例，系统中有 `4` 个实际节点，假设为其分配 `16` 个槽(0-15)； +> +> - 槽 0-3 位于 node1；4-7 位于 node2；以此类推…. +> +> 如果此时删除 `node2`，只需要将槽 4-7 重新分配即可，例如槽 4-5 分配给 `node1`，槽 6 分配给 `node3`，槽 7 分配给 `node4`；可以看出删除 `node2` 后，数据在其他节点的分布仍然较为均衡。 +> + + + +### 🎯 节点之间的通信机制了解吗？ -#### 两个端口 +集群的建立离不开节点之间的通信，假如我们启动六个集群节点之后通过 `redis-cli` 命令帮助我们搭建起来了集群，实际上背后每个集群之间的两两连接是通过了 `CLUSTER MEET` 命令发送 `MEET` 消息完成的，下面我们展开详细说说。 + +**两个端口** 在 **哨兵系统** 中，节点分为 **数据节点** 和 **哨兵节点**：前者存储数据，后者实现额外的控制功能。在 **集群** 中，没有数据节点与非数据节点之分：**所有的节点都存储数据，也都参与集群状态的维护**。为此，集群中的每个节点，都提供了两个 TCP 端口： - **普通端口：** 即我们在前面指定的端口 *(7000等)*。普通端口主要用于为客户端提供服务 *（与单机节点类似）*；但在节点间数据迁移时也会使用。 - **集群端口：** 端口号是普通端口 + 10000 *（10000是固定值，无法改变）*，如 `7000` 节点的集群端口为 `17000`。**集群端口只用于节点之间的通信**，如搭建集群、增减节点、故障转移等操作时节点间的通信；不要使用客户端连接集群接口。为了保证集群可以正常工作，在配置防火墙时，要同时开启普通端口和集群端口。 -#### Gossip 协议 +**Gossip 协议** 节点间通信，按照通信协议可以分为几种类型：单对单、广播、Gossip 协议等。重点是广播和 Gossip 的对比。 - 广播是指向集群内所有节点发送消息。**优点** 是集群的收敛速度快(集群收敛是指集群内所有节点获得的集群信息是一致的)，**缺点** 是每条消息都要发送给所有节点，CPU、带宽等消耗较大。 - Gossip 协议的特点是：在节点数量有限的网络中，**每个节点都 “随机” 的与部分节点通信** （并不是真正的随机，而是根据特定的规则选择通信的节点），经过一番杂乱无章的通信，每个节点的状态很快会达到一致。Gossip 协议的 **优点**有负载 (比广播) 低、去中心化、容错性高 *(因为通信有冗余)* 等；**缺点** 主要是集群的收敛速度慢。 -#### 消息类型 +**消息类型** 集群中的节点采用 **固定频率（每秒10次）** 的 **定时任务** 进行通信相关的工作：判断是否需要发送消息及消息类型、确定接收节点、发送消息等。如果集群状态发生了变化，如增减节点、槽状态变更，通过节点间的通信，所有节点会很快得知整个集群的状态，使集群收敛。 @@ -892,13 +2110,13 @@ Redis 采用方案三。 -### 集群数据如何存储的有了解吗？ +### 🎯 集群数据如何存储的有了解吗？ 节点需要专门的数据结构来存储集群的状态。所谓集群的状态，是一个比较大的概念，包括：集群是否处于上线状态、集群中有哪些节点、节点是否可达、节点的主从状态、槽的分布…… 节点为了存储集群状态而提供的数据结构中，最关键的是 `clusterNode` 和 `clusterState` 结构：前者记录了一个节点的状态，后者记录了集群作为一个整体的状态。 -#### clusterNode 结构 +**clusterNode 结构** `clusterNode` 结构保存了 **一个节点的当前状态**，包括创建时间、节点 id、ip 和端口号等。每个节点都会用一个 `clusterNode` 结构记录自己的状态，并为集群内所有其他节点都创建一个 `clusterNode` 结构来记录节点状态。 @@ -927,7 +2145,7 @@ typedef struct clusterNode { 除了上述字段，`clusterNode` 还包含节点连接、主从复制、故障发现和转移需要的信息等。 -#### clusterState 结构 +**clusterState 结构** `clusterState` 结构保存了在当前节点视角下，集群所处的状态。主要字段包括： @@ -953,279 +2171,289 @@ typedef struct clusterState { -### Redis集群最大节点个数是多少？ +### 🎯 Redis集群最大节点个数是多少？ 16384 -### Redis集群会有写操作丢失吗？为什么？ +### 🎯 Redis集群会有写操作丢失吗？为什么？ Redis并不能保证数据的强一致性，这意味这在实际中集群在特定的条件下可能会丢失写操作。 -### Redis集群之间是如何复制的？ - -异步复制 - - - -### Redis是单线程的，如何提高多核CPU的利用率？ - -可以在同一个服务器部署多个Redis的实例，并把他们当作不同的服务器来使用，在某些时候，无论如何一个服务器是不够的， 所以，如果你想使用多个CPU，你可以考虑一下分片（shard）。 - - - -### 为什么要做Redis分区？ - -分区可以让Redis管理更大的内存，Redis将可以使用所有机器的内存。如果没有分区，你最多只能使用一台机器的内存。分区使Redis的计算能力通过简单地增加计算机得到成倍提升，Redis的网络带宽也会随着计算机和网卡的增加而成倍增长。 - - - -### 有哪些Redis分区实现方案？ - -1. 客户端分区就是在客户端就已经决定数据会被存储到哪个redis节点或者从哪个redis节点读取。大多数客户端已经实现了客户端分区。 - -2. 代理分区 意味着客户端将请求发送给代理，然后代理决定去哪个节点写数据或者读数据。代理根据分区规则决定请求哪些Redis实例，然后根据Redis的响应结果返回给客户端。redis和memcached的一种代理实现就是Twemproxy - -3. 查询路由(Query routing) 的意思是客户端随机地请求任意一个redis实例，然后由Redis将请求转发给正确的Redis节点。Redis Cluster实现了一种混合形式的查询路由，但并不是直接将请求从一个redis节点转发到另一个redis节点，而是在客户端的帮助下直接redirected到正确的redis节点。 - - - -### Redis分区有什么缺点？ - -1. 涉及多个key的操作通常不会被支持。例如你不能对两个集合求交集，因为他们可能被存储到不同的Redis实例（实际上这种情况也有办法，但是不能直接使用交集指令）。 - -2. 同时操作多个key,则不能使用Redis事务. - -3. 分区使用的粒度是key，不能使用一个非常长的排序key存储一个数据集 - -4. 当使用分区的时候，数据处理会非常复杂，例如为了备份你必须从不同的Redis实例和主机同时收集RDB / AOF文件。 - -5. 分区时动态扩容或缩容可能非常复杂。Redis集群在运行时增加或者删除Redis节点，能做到最大程度对用户透明地数据再平衡，但其他一些客户端分区或者代理分区方法则不支持这种特性。然而，有一种预分片的技术也可以较好的解决这个问题。 - - - -### Redis 的高可用 - -Redis的高可用，主要通过主从复制机制以及Sentinel集群来实现。 - -1. 主从复制 分为两个阶段，首先，当从服务器发起SYNC命令后，主服务器会生成最新的RDB文件发送给从服务器，并使用一个缓冲区来记录从此刻开始主服务器执行的所有写命令；待RDB文件传输完之后，再将该缓冲区的数据再发送给从服务器，这样就完成了复制。旧的Redis版本有个缺陷是，如果在第二个阶段发生失败，需要从第一个阶段重新开始同步，而这个阶段的操作会消耗大量的CPU、内存和磁盘I/O以及网络带宽资源，太过耗费资源。所以从2.8版本开始，实现了部分重同步，通过主从服务器各维护一个复制偏移量来实现。 -2. Sentinel 由一个或多个Sentinel实例组成的哨兵系统，可以监视任意多个主从服务器，并完成Failover的操作。Sentinal其实是一个运行在特殊模式下的Redis服务器，运行期间，会与各服务器建立网络连接，以检测服务器的状态；同时会与其它Sentinel服务器创建连接，完成信息交换，比如发现某个主服务器心跳异常时，会互相询问心跳结果，当超过一定数量时即可判定为客观下线；一旦主服务器被判定为客观下线状态，那么Sentinel集群会通过raft协议选举，选出一个Leader来执行Failover。 -3. Failover 一般来说，会先选出优先级最高的从服务器，然后再从中选出复制偏移量最大的实例，作为新的主服务器；最后将其它从和旧的主都切换为新主的从。 - -当从服务器有2个或者多个时，Redis的主从架构可以有两种形式。一种是，所有的从服务器直接挂在主服务器上，这种模式的优点是，所有从服务器复制的延迟相对较低，而缺点在于加大了主服务器的复制压力；另一种形式，是采用级联的方式，S1从M复制，S2从S1复制，以此类推，这种模式的优点是，将主服务器的复制压力分摊到多个服务器上，而缺点在于越处于级联下游的从实例，复制延迟就越大。 - -从主从复制模式可以看出，Redis的数据只能保证最终一致，不能保证强一致性。 - - - -### Redis的扩展性 - -读扩展，基于主从架构，可以很好的平行扩展读的能力。写扩展，主要受限于主服务器的硬件资源的限制，一是单个实例内存容量受限，二是一个实例只使用到CPU一个核。下面讨论基于多套主从架构Redis实例的集群实现，目前主要有以下几种方案： - -1. 客户端分片 实现方案，业务进程通过对key进行hash来分片，用Sentinel做failover。优点：运维简单，每个实例独立部署；可使用lua脚本，业务进程执行的key均hash到同一个分片即可；缺点：一旦重新分片，由于数据无法自动迁移，部分数据需要回源； -2. Redis集群 是官方提供的分布式数据库方案，通过分片实现数据共享，并提供复制和failover。按照16384个槽位进行分片，且实例之间共享分片视图。优点：当发生重新分片时，数据可以自动迁移；缺点：客户端需要升级到支持集群协议的版本；客户端需要感知分片实例，最坏的情况，每个key需要一次重定向；不支持lua脚本；不支持pipeline； -3. Codis 是由豌豆荚团队开源的一款分布式组件，它将分布式的逻辑从Redis集群剥离出来，交由几个组件来完成，与数据的读写解耦。Codis proxy负责分片和聚合，dashboard作为管理后台，zookeeper做配置管理，Sentinel做failover。优点：底层透明，客户端兼容性好；重新分片时，数据可自动迁移；支持pipeline；支持lua脚本，业务进程保证执行的key均hash到同一个分片即可；缺点：运维较为复杂；引入了中间层； - - - - - ------- +### 🎯 Redis集群之间是如何复制的？ -## 六、Redis 内存相关问题 +Redis集群使用异步复制机制在主从节点之间进行数据复制。以下是Redis集群复制的关键点和工作原理： -### Redis 过期键的删除策略？ +**主从复制** -先抛开 Redis 想一下几种可能的删除策略： +1. **主节点（Master）和从节点（Slave）**： + - 每个主节点负责处理特定的槽（slots）范围，并可以有多个从节点。 + - 从节点通过复制主节点的数据来保持同步，并在主节点不可用时自动提升为新的主节点。 +2. **异步复制**： + - 主节点会将写操作命令异步发送给从节点，从节点异步接收并执行这些命令。 + - 由于是异步复制，主节点不会等待从节点确认写操作已经完成，这提高了性能，但也可能导致数据在短时间内不一致。 -1. **定时删除**:在设置键的过期时间的同时，创建一个定时器 timer. 让定时器在键的过期时间来临时，立即执行对键的删除操作。 -2. **惰性删除**:放任键过期不管，但是每次从键空间中获取键时，都检查取得的键是否过期，如果过期的话，就删除该键;如果没有过期，就返回该键。 -3. **定期删除**:每隔一段时间程序就对数据库进行一次检查，删除里面的过期键。至于要删除多少过期键，以及要检查多少个数据库，则由算法决定。 +**复制过程** -在上述的三种策略中定时删除和定期删除属于不同时间粒度的 **主动删除**，惰性删除属于 **被动删除**。 +1. **初次同步（Initial Synchronization）**： + - 当一个从节点第一次连接到主节点时，会进行全量复制。 + - 主节点会生成一个 RDB 快照文件，并将其发送给从节点。 + - 在 RDB 文件传输过程中，主节点会将新的写操作命令存储在缓冲区中。 + - RDB 文件传输完成后，主节点会将缓冲区中的写操作命令发送给从节点，从节点执行这些命令以完成数据同步。 +2. **增量同步（Incremental Synchronization）**： + - 在初次同步之后，主节点只会将新的写操作命令发送给从节点，从节点接收并执行这些命令。 -#### 三种策略都有各自的优缺点 +**故障转移** -1. 定时删除对内存使用率有优势，但是对 CPU 不友好； -2. 惰性删除对内存不友好，如果某些键值对一直不被使用，那么会造成一定量的内存浪费； -3. 定期删除是定时删除和惰性删除的折中。 +1. **故障检测**： + - 当主节点不可用时，从节点可以通过选举算法选举一个新的主节点。 + - 哨兵（Sentinel）或 Redis Cluster 本身的机制可以实现自动故障转移。 +2. **数据一致性**： + - Redis 使用“最终一致性”模型，虽然复制是异步的，但最终所有节点的数据会一致。 -#### Redis 中的实现 +**集群通信协议** -![](https://tva1.sinaimg.cn/large/e6c9d24ely1h399goa6myj20dm05uaa3.jpg) +1. **Gossip 协议**： + - Redis Cluster 节点之间使用 Gossip 协议进行通信，以传播节点状态和槽分配信息。 + - 每个节点会定期向其他节点发送消息，以分享自身的状态和接收到的其他节点的状态信息。 +2. **复制偏移量和 ACK**： + - 主节点会维护一个全局复制偏移量，并将其发送给从节点。 + - 从节点会定期向主节点发送 ACK 消息，告知主节点它们已经接收到的数据偏移量。 -Reids 采用的是 **惰性删除和定时删除** 的结合，一般来说可以借助最小堆来实现定时器，不过 Redis 的设计考虑到时间事件的有限种类和数量，使用了无序链表存储时间事件，这样如果在此基础上实现定时删除，就意味着 `O(N)` 遍历获取最近需要删除的数据。 -实现过期键惰性删除策略的核心是 `db.c/expireIfNeeded` 函数 —— 所有命令在读取或写入数据库之前，程序都会调用 `expireIfNeeded` 对输入键进行检查， 并将过期键删除： -![digraph expire_check { node [style = filled, shape = plaintext]; edge [style = bold]; // node write_commands [label = "SET 、\n LPUSH 、\n SADD 、 \n 等等", fillcolor = "#FADCAD"]; read_commands [label = "GET 、\n LRANGE 、\n SMEMBERS 、 \n 等等", fillcolor = "#FADCAD"]; expire_if_needed [label = "调用 expire_if_needed() \n 删除过期键", shape = box, fillcolor = "#A8E270"]; process [label = "执行实际的命令流程"]; // edge write_commands -> expire_if_needed [label = "写请求"]; read_commands -> expire_if_needed [label = "读请求"]; expire_if_needed -> process; }](https://redisbook.readthedocs.io/en/latest/_images/graphviz-efb7f7ae1a793feea33285531dfe0023f3017b90.svg) +### 🎯 Redis是单线程的，如何提高多核CPU的利用率？ -比如说， `GET` 命令的执行流程可以用下图来表示： +Redis 是单线程的，意味着其核心功能（如处理命令请求、数据存储和检索等）主要在单个线程中执行。尽管如此，Redis 还是有一些方法可以提高在多核 CPU 系统上的利用率： -![digraph get_with_expire { node [style = filled, shape = plaintext]; edge [style = bold]; // node get [label = "GET key", fillcolor = "#FADCAD"]; expire_if_needed [label = "调用\n expire_if_needed() \n 如果键已经过期 \n 那么将它删除", shape = diamond, fillcolor = "#A8E270"]; expired_and_deleted [label = "key 不存在\n 向客户端返回 NIL"]; not_expired [label = "向客户端返回 key 的值"]; get -> expire_if_needed; expire_if_needed -> expired_and_deleted [label = "已过期"]; expire_if_needed -> not_expired [label = "未过期"]; }](https://redisbook.readthedocs.io/en/latest/_images/graphviz-acca43b0dd583eb92a1ce7193dc6b9bb14e9c0f9.svg) +1. **使用多个 Redis 实例**： + - 可以在同一个服务器上运行多个 Redis 实例，每个实例绑定到不同的 CPU 核心上。这种方法可以使得每个核心运行一个 Redis 实例，从而提高 CPU 的利用率。 +2. **分片（Sharding）**： + - 通过分片将数据分布到多个 Redis 实例，每个实例可以运行在不同的服务器或同一服务器的不同核心上。 +3. **Redis 集群**： + - 使用 Redis 集群可以将数据自动分区到多个节点上。每个节点可以独立运行在不同的 CPU 核心上。 +4. **后台任务**： + - Redis 的一些任务，如持久化（RDB 快照和 AOF 日志写入）、过期键的清理等，可以在后台线程中执行，不阻塞主线程。 +5. **使用多线程 I/O**： + - 从 Redis 6.0 开始，引入了多线程 I/O 来提高网络通信的效率。虽然核心命令处理仍然是单线程的，但多线程 I/O 可以显著提高网络数据的读写速度。 -`expireIfNeeded` 的作用是， 如果输入键已经过期的话， 那么将键、键的值、键保存在 `expires` 字典中的过期时间都删除掉。 +### 🎯 为什么要做Redis分区？ -对过期键的定期删除由 `redis.c/activeExpireCycle` 函执行： 每当 Redis 的例行处理程序 `serverCron` 执行时， `activeExpireCycle` 都会被调用 —— 这个函数在规定的时间限制内， 尽可能地遍历各个数据库的 `expires` 字典， 随机地检查一部分键的过期时间， 并删除其中的过期键。 +分区可以让Redis管理更大的内存，Redis将可以使用所有机器的内存。如果没有分区，你最多只能使用一台机器的内存。分区使Redis的计算能力通过简单地增加计算机得到成倍提升，Redis的网络带宽也会随着计算机和网卡的增加而成倍增长。 -### Redis 的淘汰策略有哪些？ +### 🎯 有哪些Redis分区实现方案？ -#### Redis 有六种淘汰策略 +1. 客户端分区：客户端通过哈希算法（如哈希取模、一致性哈希）计算数据的存储节点，直接与目标节点通信，无需中间代理。 -为了保证 Redis 的安全稳定运行，设置了一个 max-memory 的阈值，那么当内存用量到达阈值，新写入的键值对无法写入，此时就需要内存淘汰机制，在 Redis 的配置中有几种淘汰策略可以选择，详细如下： +2. **服务端分区**： -| 策略 | 描述 | -| --------------- | ------------------------------------------------------------ | -| volatile-lru | 从已设置过期时间的 KV 集中优先对最近最少使用(less recently used)的数据淘汰 | -| volitile-ttl | 从已设置过期时间的 KV 集中优先对剩余时间短(time to live)的数据淘汰 | -| volitile-random | 从已设置过期时间的 KV 集中随机选择数据淘汰 | -| allkeys-lru | 从所有 KV 集中优先对最近最少使用(less recently used)的数据淘汰 | -| allKeys-random | 从所有 KV 集中随机选择数据淘汰 | -| noeviction | 不淘汰策略，若超过最大内存，返回错误信息 | + - Redis 自身提供分区能力，节点通过集群协议（如 Redis Cluster）自动管理数据分布，客户端只需连接任意节点，由集群路由请求到目标节点。 + - **基于代理的服务端分区（如 Codis）**：通过中间件（如 Codis Proxy）接收客户端请求，代理层维护槽位与节点的映射关系，并路由请求。 -**4.0 版本后增加以下两种** +3. **代理层分区**：通过独立的代理服务（如 Twemproxy、Codis、Redis Cluster Proxy）实现分区逻辑，客户端只需连接代理，由代理转发请求到后端 Redis 节点。 -- volatile-lfu：从已设置过期时间的数据集(server.db[i].expires)中挑选最不经常使用的数据淘汰 -- allkeys-lfu：当内存不足以容纳新写入数据时，在键空间中，移除最不经常使用的 key + +### 🎯 Redis分区有什么缺点？ +1. 涉及多个key的操作通常不会被支持。例如你不能对两个集合求交集，因为他们可能被存储到不同的Redis实例（实际上这种情况也有办法，但是不能直接使用交集指令）。 -### Redis 内存满了怎么办 +2. 同时操作多个key,则不能使用Redis事务. -1. 增加内存； -2. 使用内存淘汰策略（redis设置配置文件的***maxmemory**参数，可以控制其最大可用内存大小，可以通过配置 **maxmemory-policy** 设置淘汰策略） -3. 集群 +3. 分区使用的粒度是key，不能使用一个非常长的排序key存储一个数据集 +4. 当使用分区的时候，数据处理会非常复杂，例如为了备份你必须从不同的Redis实例和主机同时收集RDB / AOF文件。 +5. 分区时动态扩容或缩容可能非常复杂。Redis集群在运行时增加或者删除Redis节点，能做到最大程度对用户透明地数据再平衡，但其他一些客户端分区或者代理分区方法则不支持这种特性。然而，有一种预分片的技术也可以较好的解决这个问题。 -### Redis 线程模型 -Redis 基于 Reactor 模式开发了网络事件处理器，这个处理器被称为文件事件处理器（file event handler）。它的组成结构为4部分：多个套接字、IO多路复用程序、文件事件分派器、事件处理器。因为文件事件分派器队列的消费是单线程的，所以 Redis 才叫单线程模型。 -文件事件处理器使用 I/O 多路复用（multiplexing）程序来同时监听多个套接字，并根据套接字目前执行的任务来为套接字关联不同的事件处理器。 +### 🎯 Redis 的高可用 -当被监听的套接字准备好执行连接应答（accept）、读取（read）、写入（write）、关闭（close）等操作时， 与操作相对应的文件事件就会产生，这时文件事件处理器就会调用套接字之前关联好的事件处理器来处理这些事件。 +Redis 的高可用主要依靠 **主从复制 + Sentinel** 实现。 -虽然文件事件处理器以单线程方式运行， 但通过使用 I/O 多路复用程序来监听多个套接字，文件事件处理器既实现了高性能的网络通信模型， 又可以很好地与 redis 服务器中其他同样以单线程方式运行的模块进行对接， 这保持了 Redis 内部单线程设计的简单性。 +**主从复制**：主服务器把数据同步给从服务器，从 Redis 2.8 开始支持 **部分重同步**（PSYNC），避免全量同步消耗大量资源。 -参考：https://www.cnblogs.com/barrywxx/p/8570821.html +**Sentinel 哨兵系统**：监控集群节点，发现主服务器故障后，通过投票和 Raft 选举选出 Leader 来执行 **Failover**，将合适的从服务器提升为主服务器，保证集群可用。 +**复制拓扑**： +- 单层主从：所有从直接挂在主节点，延迟低但主节点压力大 +- 级联主从：从节点也可以做主的上游节点，降低主节点压力，但越下游延迟越大 -### Redis 内存模型 +注意：Redis 的主从复制保证 **最终一致性**，无法保证强一致性。 -Redis 内存主要可以分为：数据部分、Redis进程本身、缓冲区内存、内存碎片这四个部分。Redis 默认通过jemalloc 来分配内存。 -- **数据内存**：数据内存用来存储Redis的键值对、慢查询日志等，是主要占用内存的部分，这部分内存会统计在used_memory中 -- **Redis进程内存**：Redis进程本身也会占用一部分内存，这部分内存不是jemalloc分配，不会统计在used_memory中。执行RDB和AOF时创建的子进程也会占用内存，但也不会统计在used_memory中。 +### 🎯 CAP 理论对 Redis 选型的影响？ -- **缓冲内存**： +> **CAP 理论**指出：在分布式系统中，不可能同时完全满足以下三点，只能取两点： +> +> 1. **Consistency（强一致性）**：所有节点的数据在同一时间是一致的 +> 2. **Availability（高可用）**：每次请求都能得到响应（可能不是最新的数据） +> 3. **Partition tolerance（分区容错）**：系统能容忍节点间网络分区 - 缓冲内存包括： +- CAP 落到 Redis 的选型：单机不谈 CAP；一旦主从/哨兵/Cluster，就是“在网络分区时要在 C 和 A 之间取舍”。Redis 默认偏 AP（高可用+分区容错，牺牲强一致），通过参数可往 C 侧拉，但会掉可用性和时延。 - - 客户端缓冲区：存储客户端连接的输入和输出缓冲 - - 复制积压缓冲区：用于PSYNC的部分复制功能 - - AOF缓冲区：AOF操作时，保存最近写入的命令。 +- 面试关键词：异步复制（最终一致/可能丢写）、WAIT 半同步、min-replicas-to-write、cluster-require-full-coverage、只读从/强读主、幂等与补偿。 - 这部分内存由jemalloc分配，会被统计在used_memory中 +**分场景怎么选（直给可落地结论）** -- **内存碎片**：Redis在分配和回收物理内存的过程中会产生内存碎片，这部分不会统计在used_memory中。内存碎片太多的话可以通过安全重启方式减少内存碎片，重启之后Redis会使用RDB或者AOF恢复数据，内存会被重排。 +- 单机（非分布式）：不涉及 CAP。强一致=强可用不可用？单点故障A差。适合缓存/非关键写。 +- 主从 + 哨兵： + - 默认 AP：复制异步，主挂+选主可能丢最近写；读从为最终一致。 ------- + - 往 C 拉的手段： + - 只读主（强读），从只做读缓存/非关键读； + - 写后 WAIT N T 要求 N 个副本 ack（半同步），提升 C，牺牲 A 和时延； -## 七、Redis 缓存异常问题 + - min-replicas-to-write + min-replicas-max-lag，副本不足或落后大时拒写，保 C 降 A。 -### Redis常见性能问题和解决方案？ +- Redis Cluster： -1. Master 最好不要做任何持久化工作，包括内存快照和 AOF 日志文件，特别是不要启用内存快照做持久化。 -2. 如果数据比较关键，某个 Slave 开启 AOF 备份数据，策略为每秒同步一次。 -3. 为了主从复制的速度和连接的稳定性，Slave 和 Master 最好在同一个局域网内。 -4. 尽量避免在压力较大的主库上增加从库。 -5. Master 调用 BGREWRITEAOF 重写 AOF 文件，AOF 在重写的时候会占大量的 CPU 和内存资源，导致服务 load 过高，出现短暂服务暂停现象。 -6. 为了 Master 的稳定性，主从复制不要用图状结构，用单向链表结构更稳定，即主从关系为：Master<–Slave1<–Slave2<–Slave3…，这样的结构也方便解决单点故障问题，实现 Slave 对 Master 的替换，也即，如果 Master 挂了，可以立马启用 Slave1 做 Master，其他不变。 + - CAP 可调： + - cluster-require-full-coverage yes（偏 C）：有槽不可用时返回 CLUSTERDOWN，牺牲 A； + - 设 no（偏 A）：可服务剩余槽，整体可用但一致性/完整覆盖降低； -### 如何保证缓存与数据库双写时的数据一致性？ + - cluster-allow-reads-when-down yes 进一步偏 A（读也放开）。 -你只要用缓存，就可能会涉及到缓存与数据库双存储双写，你只要是双写，就一定会有数据一致性的问题，那么你如何解决一致性问题？ + - 复制仍异步，failover 仍可能丢最近写；跨槽多键事务与强一致不保证。 -一般来说，就是如果你的系统不是严格要求缓存+数据库必须一致性的话，缓存可以稍微的跟数据库偶尔有不一致的情况，最好不要做这个方案，读请求和写请求串行化，串到一个内存队列里去，这样就可以保证一定不会出现不一致的情况。 +- 跨机房/多活： -串行化之后，就会导致系统的吞吐量会大幅度的降低，用比正常情况下多几倍的机器去支撑线上的一个请求。 + - 典型选 AP（最终一致）：业务侧幂等/补偿/对账；或用 Redis Enterprise Active-Active（CRDT）做冲突收敛。 -操作缓存的时候我们都是采取**删除缓存**策略的，原因如下： + - 要强一致建议用 Raft/etcd/DB，而不是把 Redis 硬拗成 CP。 -1. 高并发环境下，无论是先操作数据库还是后操作数据库而言，如果加上更新缓存，那就**更加容易**导致数据库与缓存数据不一致问题。(删除缓存**直接和简单**很多) -2. 如果每次更新了数据库，都要更新缓存【这里指的是频繁更新的场景，这会耗费一定的性能】，倒不如直接删除掉。等再次读取时，缓存里没有，那我到数据库找，在数据库找到再写到缓存里边(体现**懒加载**) +**核心取舍与参数** -这里就又有个问题：是先更新数据库，再删除缓存，还是先删除缓存，再更新数据库呢 +- 提升一致性（向 C 靠拢）： -#### 先更新数据库，再删除缓存 + - 写后 WAIT N T；强读主；禁读从；min-replicas-to-write、min-replicas-max-lag； -正常的情况是这样的： + - Cluster 开 cluster-require-full-coverage yes； -- 先操作数据库，成功； -- 再删除缓存，也成功； + - 代价：更高 RT、更低可用性（分区/副本不足时拒写/报错）。 -如果原子性被破坏了： +- 提升可用（向 A 靠拢）： -- 第一步成功(操作数据库)，第二步失败(删除缓存)，会导致**数据库里是新数据，而缓存里是旧数据**。 -- 如果第一步(操作数据库)就失败了，我们可以直接返回错误(Exception)，不会出现数据不一致。 + - 允许读从；Cluster 设 full-coverage no、allow-reads-when-down yes； -如果在高并发的场景下，出现数据库与缓存数据不一致的**概率特别低**，也不是没有： + - 代价：读到旧值/写丢失窗口扩大，靠幂等与补偿兜底。 -- 缓存**刚好**失效 -- 线程A查询数据库，得一个旧值 -- 线程B将新值写入数据库 -- 线程B删除缓存 -- 线程A将查到的旧值写入缓存 +**典型应用建议** -#### 先删除缓存，再更新数据库 +- 缓存/会话/排行榜：选 AP，接受最终一致；TTL+逻辑过期+幂等刷新。 -正常情况是这样的： +- 购物车/库存展示：读从可接受，写走主，必要时 WAIT 1 容错。 -- 先删除缓存，成功； -- 再更新数据库，也成功； +- 订单/扣款/账务：Redis 不做真源，落库为准；若必须用，强读主+WAIT+幂等与对账，或直接用 CP 系统。 -如果原子性被破坏了： +**故障与防御** -- 第一步成功(删除缓存)，第二步失败(更新数据库)，数据库和缓存的数据还是一致的。 -- 如果第一步(删除缓存)就失败了，我们可以直接返回错误(Exception)，数据库和缓存的数据还是一致的。 +- 主从异步复制导致“主挂+回切丢写”：降低 down-after-milliseconds、设置 min-replicas-to-write、关键写用 WAIT。 -看起来是很美好，但是我们在并发场景下分析一下，就知道还是有问题的了： +- Cluster 槽缺失报错与可用性：按业务决定 full-coverage，强一致优先就宁可报错不脏写。 -- 线程A删除了缓存 -- 线程B查询，发现缓存已不存在 -- 线程B去数据库查询得到旧值 -- 线程B将旧值写入缓存 -- 线程A将新值写入数据库 +一句话总结：Redis 分布式形态下天生更偏 AP；能通过 WAIT、副本滞后阈值、Cluster 覆盖策略把“C/A旋钮”往任一侧拧，但代价是时延或可用性。强一致交易场景慎用 Redis 做主存。 -所以也会导致数据库和缓存不一致的问题。但是我们一般选择这种 +### 🎯 Redis的扩展性 -推荐阅读： +读扩展，基于主从架构，可以很好的平行扩展读的能力。写扩展，主要受限于主服务器的硬件资源的限制，一是单个实例内存容量受限，二是一个实例只使用到CPU一个核。下面讨论基于多套主从架构Redis实例的集群实现，目前主要有以下几种方案： -https://mp.weixin.qq.com/s/3Fmv7h5p2QDtLxc9n1dp5A +1. 客户端分片 实现方案，业务进程通过对key进行hash来分片，用Sentinel做failover。优点：运维简单，每个实例独立部署；可使用lua脚本，业务进程执行的key均hash到同一个分片即可；缺点：一旦重新分片，由于数据无法自动迁移，部分数据需要回源； +2. Redis集群 是官方提供的分布式数据库方案，通过分片实现数据共享，并提供复制和failover。按照16384个槽位进行分片，且实例之间共享分片视图。优点：当发生重新分片时，数据可以自动迁移；缺点：客户端需要升级到支持集群协议的版本；客户端需要感知分片实例，最坏的情况，每个key需要一次重定向；不支持lua脚本；不支持pipeline； +3. Codis 是由豌豆荚团队开源的一款分布式组件，它将分布式的逻辑从Redis集群剥离出来，交由几个组件来完成，与数据的读写解耦。Codis proxy负责分片和聚合，dashboard作为管理后台，zookeeper做配置管理，Sentinel做failover。优点：底层透明，客户端兼容性好；重新分片时，数据可自动迁移；支持pipeline；支持lua脚本，业务进程保证执行的key均hash到同一个分片即可；缺点：运维较为复杂；引入了中间层； -https://zhuanlan.zhihu.com/p/48334686 +------ -### 使用缓存会出现什么问题？ +## 六、性能优化与异常处理 + +### 🎯 Redis常见性能问题和解决方案？ + +Redis 的常见性能问题和解决方案包括但不限于以下几点： + +1. **内存问题**： + - **问题**：内存不足或内存碎片导致性能下降。 + - **解决方案**：使用 `MEMORY USAGE` 命令监控内存使用情况，优化数据结构，合理配置 `maxmemory` 并选择合适的内存淘汰策略。 +2. **高并发下的响应延迟**： + - **问题**：在高并发访问时，响应时间变长。 + - **解决方案**：优化命令使用，避免使用耗时的命令，使用 Pipelining 技术批量执行命令，考虑使用 Redis 集群进行负载均衡。 +3. **慢查询**： + - **问题**：执行慢查询导致阻塞。 + - **解决方案**：使用 `slowlog` 命令找出并优化慢查询，确保单次操作尽可能快速。 +4. **主从复制延迟**： + - **问题**：主从复制延迟影响数据的实时性。 + - **解决方案**：优化网络条件，升级硬件，使用更高效的复制协议如 PSYNC，考虑使用无磁盘化复制减少延迟。 +5. **持久化性能问题**： + - **问题**：RDB 和 AOF 持久化影响性能。 + - **解决方案**：合理配置持久化策略，如 AOF 刷盘策略 `everysec`，或使用 RDB-AOF 混合持久化。 +6. **热 Key 问题**： + - **问题**：某些键被频繁访问，成为热点，可能导致单个实例负载过高。 + - **解决方案**：使用本地缓存减轻 Redis 负担，或在多个实例间分散热点数据。 +7. **数据结构选择**： + - **问题**：使用不合适的数据结构导致性能问题。 + - **解决方案**：根据数据类型和操作需求选择合适的数据结构，例如使用 intset 代替普通列表存储整数列表。 +8. **连接数过多**： + - **问题**：大量客户端连接可能会导致资源耗尽。 + - **解决方案**：使用连接池、限制最大客户端连接数、优化客户端连接管理。 +9. **单线程阻塞**： + - **问题**：由于单线程模型，阻塞操作会影响性能。 + - **解决方案**：避免使用耗时的单个命令，如 `KEYS`、`FLUSHALL`、`FLUSHDB` 等，使用 `SCAN` 替代。 +10. **版本问题**： + - **问题**：使用过时的 Redis 版本可能会导致性能问题。 + - **解决方案**：升级到最新稳定版本的 Redis，以利用性能改进和新特性。 +11. **监控和告警**： + - **问题**：缺乏监控和告警可能导致性能问题被忽视。 + - **解决方案**：实施 Redis 监控策略，使用工具如 Redis `INFO` 命令、`redis-cli` 工具等进行性能监控和调优。 + +针对 Redis 的性能问题，解决方案通常需要根据具体的业务场景和需求来定制。在设计和构建应用时，应考虑到 Redis 的特点，合理使用其提供的各种功能和命令，以确保系统的高性能和稳定性 + + + +### 🎯 如何保证缓存与数据库双写时的数据一致性？ + +> 在缓存与数据库双写时，一致性问题主要出在写操作的并发顺序上。 +> 实际上，最常见的方案是 **Cache Aside 模式**：更新数据库后删除缓存，而不是更新缓存，这样能保证缓存一定会从数据库回源到最新值。 +> 为了进一步提升一致性，可以用 **延迟双删策略**，或者用 **消息队列、订阅 binlog** 来保证最终一致性。 +> 不同业务场景会有不同选择：对一致性要求特别高的，可以考虑引入 MQ 或 Canal；而大部分互联网场景下，删除缓存 + 延迟双删就足够了。 + +**📊 缓存一致性方案对比** + +| 模式 | 核心流程 | 一致性 | 优点 | 缺点 | 适用场景 | +| ----------------------------------------- | ----------------------------------------------------------- | -------------------------- | --------------------------------------- | ------------------------------------------------ | ------------------------------------------ | +| **Cache Aside**（旁路缓存，最常用 ✅） | 读：缓存 miss → 查 DB → 回填缓存；写：先更新 DB，再删除缓存 | 最终一致（可能短暂不一致） | 简单、灵活、业界广泛使用 | 写后可能有短暂脏读；高并发下可能缓存回填旧值 | 电商详情页、商品库存、用户信息（读多写少） | +| **Read/Write Through**（读写穿透） | 读：缓存 miss 由缓存加载 DB；写：写缓存，由缓存写 DB | 强一致（由缓存代理 DB） | 应用只依赖缓存，不直接访问 DB，逻辑清晰 | 实现复杂，缓存需支持代理数据库写（Redis 不常用） | 一些分布式 KV 系统（Memcached+proxy） | +| **Write Behind / Write Back**（写后缓存） | 写：只写缓存，异步刷 DB；读：只读缓存 | 弱一致（DB 延迟更新） | 写性能极高，支持批量异步落库 | 数据库可能落后，宕机可能丢数据 | 计数器、日志、非强一致性业务 | +| **延迟双删策略**（Cache Aside 优化） | 更新 DB → 删除缓存 → 延迟一段时间后再删缓存 | 更强的最终一致性 | 解决缓存回填脏数据问题 | 需要设置合理延迟时间，增加复杂度 | 高并发场景下的 Cache Aside 加强版 | +| **MQ 异步删除缓存** | 更新 DB → 发 MQ 消息 → 消费者删除缓存 | 高一致性（依赖 MQ） | 削峰填谷，保证一致性 | 依赖 MQ，系统复杂度高 | 高并发核心业务（订单、支付） | +| **订阅 Binlog（如 Canal）** | DB 更新 → Binlog → 消费并删除/更新缓存 | 准实时一致性 | 无需侵入应用，解耦好 | 延迟依赖 Binlog 消费速度 | 电商订单、金融交易等强一致场景 | + +> 1. **没有银弹方案**：一致性方案需平衡业务需求（如延迟容忍度、吞吐量）与技术成本（如引入分布式锁可能增加系统复杂度）。 +> 2. **监控与补偿**： +> - 增加缓存与数据库的对账监控（如定时任务对比关键数据，或通过 Canal 的增量订阅做实时校验）。 +> - 对于不一致数据，通过人工介入或自动任务（如 Redis Lua 脚本批量修复）进行补偿。 + + + +### 🎯 使用缓存会出现什么问题？ #### 缓存雪崩 @@ -1235,24 +2463,34 @@ https://zhuanlan.zhihu.com/p/48334686 1. 缓存数据的过期时间设置随机，防止同一时间大量数据过期现象发生。 + > 这个随机时间也是有讲究的，我们假设过期时间是 10 分钟，那要在这个基础上加一个 0-210左右秒的“偏移量”都可以的，这个偏移量要跟过期时间成正比，不能过低或者过高 + 2. 一般并发量不是特别多的时候，使用最多的解决方案是加锁排队(key上锁，其他线程不能访问，假设在高并发下，缓存重建期间key是锁着的，这是过来1000个请求999个都在阻塞的。同样会导致用户等待超时，这是个治标不治本的方法！)。 3. 给每一个缓存数据增加相应的缓存标记，记录缓存的是否失效，如果缓存标记失效，则更新数据缓存。 +4. 设置热点数据静态化，把访问量较大的数据做静态化处理，减少数据库的访问。 + #### 缓存穿透 缓存穿透是指缓存和数据库中都没有的数据，导致所有的请求都落到数据库上，造成数据库短时间内承受大量请求而崩掉。 **解决方案** -1. 接口层增加校验，如用户鉴权校验，id做基础校验，id<=0的直接拦截； +1. 接口层增加校验，如用户鉴权校验，id做基础校验，id<=0 的直接拦截； -2. 从缓存取不到的数据，在数据库中也没有取到，这时也可以将key-value对写为key-null，缓存有效时间可以设置短点，如30秒（设置太长会导致正常情况也没法使用）。这样可以防止攻击用户反复用同一个id暴力攻击 +2. **回写特殊值**：从缓存取不到的数据，在数据库中也没有取到，这时也可以将 key-value 对写为 key-null，缓存有效时间可以设置短点，如 30 秒（设置太长会导致正常情况也没法使用）。这样可以防止攻击用户反复用同一个id暴力攻击 + + > 如果攻击者每次都用不同的且都不存在的 key 来请求数据，那么这种措施毫无 效果。并且，因为要回写特殊值，那么这些不存在的 key 都会有特殊值，浪费 了 Redis 的内存。这可能会进一步引起另外一个问题，就是 Redis 在内存不 足，执行淘汰的时候，把其他有用的数据淘汰掉。 3. 采用布隆过滤器，将所有可能存在的数据哈希到一个足够大的 bitmap 中，一个一定不存在的数据会被这个 bitmap 拦截掉，从而避免了对底层存储系统的查询压力。 + > 但是布隆过滤器本身存在假阳性的问题，所以当攻击者请求一个不存在的 key 的时候，布隆过滤器可能会返回数据存在的假阳性响应。在这种情况下，业务 代码依旧会去查询缓存和数据库。不过这个不需要担心，因为假阳性的概率是 很低的。假如说假阳性概率是万分之一，那么就算攻击的并发有百万，也只有 100 个查询请求会落到数据库上，这一点查询请求就是毛毛雨了。 + #### 缓存击穿 +> 某明星直播时，粉丝反复刷新其主页导致缓存击穿，数据库压力激增，如何设计多级防护策略？ + 缓存击穿是指缓存中没有但数据库中有的数据（一般是缓存时间到期），这时由于并发用户特别多，同时读缓存没读到数据，又同时去数据库去取数据，引起数据库压力瞬间增大，造成过大压力。 缓存击穿是指一个 Key 非常热点，在不停地扛着大量的请求，大并发集中对这一个点进行访问，当这个 Key 在失效的瞬间，持续的大并发直接落到了数据库上，就在这个 Key 的点上击穿了缓存 @@ -1263,7 +2501,7 @@ https://zhuanlan.zhihu.com/p/48334686 1. 热点数据永远不过期：物理不过期，但逻辑过期(后台异步线程去刷新) -2. 使用互斥锁：当缓存失效时，不立即去load db，先使用如 Redis 的 setnx 去设置一个互斥锁，当操作成功返回时再进行 load db 的操作并回设缓存，否则重试 get 缓存的 方法 +2. 使用互斥锁：当缓存失效时，不立即去 load db，先使用如 Redis 的 setnx 去设置一个互斥锁，当操作成功返回时再进行 load db 的操作并回设缓存，否则重试 get 缓存的方法 #### 缓存预热 @@ -1295,38 +2533,41 @@ https://zhuanlan.zhihu.com/p/48334686 服务降级的目的，是为了防止 Redis 服务故障，导致数据库跟着一起发生雪崩问题。因此，对于不重要的缓存数据，可以采取服务降级策略，例如一个比较常见的做法就是，Redis出现问题，不去数据库查询，而是直接返回默认值给用户。 -#### 缓存热点key +#### 缓存热点 key -缓存中的一个Key(比如一个促销商品)，在某个时间点过期的时候，恰好在这个时间点对这个Key有大量的并发请求过来，这些请求发现缓存过期一般都会从后端DB加载数据并回设到缓存，这个时候大并发的请求可能会瞬间把后端DB压垮。 +缓存中的一个 Key(比如一个促销商品)，在某个时间点过期的时候，恰好在这个时间点对这个 Key 有大量的并发请求过来，这些请求发现缓存过期一般都会从后端 DB 加载数据并回设到缓存，这个时候大并发的请求可能会瞬间把后端 DB 压垮。 **解决方案** -1. 对缓存查询加锁，如果KEY不存在，就加锁，然后查DB入缓存，然后解锁； -2. 其他进程如果发现有锁就等待，然后等解锁后返回数据或者进入DB查询 +1. 对缓存查询加锁，如果 KEY 不存在，就加锁，然后查 DB 入缓存，然后解锁； +2. 其他进程如果发现有锁就等待，然后等解锁后返回数据或者进入 DB 查询 -### Redis 大 key 和 热 Key 问题 +### 🎯 Redis 大 key 和 热 Key 问题 -> https://help.aliyun.com/document_detail/353223.html +> - 大 Key：单个 Key 的值或集合特别大，导致“删除/过期/迁移/备份/访问”都阻塞，常见是一个 Hash/List/ZSet 里塞了几万到几百万元素。 +> +> - 热 Key：少数 Key 被高频读写，造成单节点/单线程瓶颈，集群出现槽位倾斜。 +> +> - 我的做法：先“识别”再“治理”。大 Key按“拆/删/搬/压缩”处理；热 Key按“多级缓存/请求合并/读写分散/逻辑过期/副本读”组合拳。治理目标是“降低单 Key 的大小与热点度”，把负载摊平。 -Redis的过程中，如果未能及时发现并处理 Big keys（下文称为“大Key”）与 Hotkeys（下文称为“热Key”），可能会导致服务性能下降、用户体验变差，甚至引发大面积故障 +Redis 的过程中，如果未能及时发现并处理 Big keys（下文称为“大Key”）与 Hotkeys（下文称为“热Key”），可能会导致服务性能下降、用户体验变差，甚至引发大面积故障 -#### 大Key +#### 一、大Key 通常以Key的大小和Key中成员的数量来综合判定，例如： -- Key本身的数据量过大：一个String类型的Key，它的值为5 MB。 -- Key中的成员数过多：一个ZSET类型的Key，它的成员数量为10,000个。 -- Key中成员的数据量过大：一个Hash类型的Key，它的成员数量虽然只有1,000个但这些成员的Value（值）总大小为100 MB。 +1. **数据量过大**：单个 Key 的 Value 过大（如 String 类型 Key 值超过 5MB）。 +2. **成员数过多**：集合类型 Key 的成员数量过多（如 Hash/ZSet 成员数超过 1 万）。 +3. **成员总大小过大**：集合类型 Key 的总大小过大（如 Hash 成员总大小超过 100MB）。 ##### 引发的问题 -- 客户端执行命令的时长变慢。 -- Redis内存达到**maxmemory**参数定义的上限引发操作阻塞或重要的Key被逐出，甚至引发内存溢出（Out Of Memory）。 -- 集群架构下，某个数据分片的内存使用率远超其他数据分片，无法使数据分片的内存资源达到均衡。 -- 对大Key执行读请求，会使Redis实例的带宽使用率被占满，导致自身服务变慢，同时易波及相关的服务。 -- 对大Key执行删除操作，易造成主库较长时间的阻塞，进而可能引发同步中断或主从切换。 +- **读写性能劣化**：操作大 Key 时耗时增加，阻塞其他请求。 +- **内存压力**：触发内存淘汰策略（LRU/LFU），导致重要数据被逐出，甚至 OOM。 +- **集群分片不均**：单个分片内存或带宽使用率远高于其他节点，破坏负载均衡。 +- **删除阻塞**：删除大 Key 可能导致主线程阻塞（如删除百万成员的 Hash）。 ##### 原因 @@ -1335,69 +2576,113 @@ Redis的过程中，如果未能及时发现并处理 Big keys（下文称为“ - 未定期清理无效数据，造成如HASH类型Key中的成员持续不断地增加； - 使用LIST类型Key的业务消费侧发生代码故障，造成对应Key的成员只增不减。 +##### **如何识别** + +- 线上安全方式：redis-cli --bigkeys（抽样），或用 SCAN + MEMORY USAGE key、TYPE/HLEN/LLEN/ZCARD统计。 + +- “删除慢/过期卡顿/迁移阻塞/CPU飙高”通常是信号。注意 DEL 大 Key 会阻塞主线程。 + +##### 大 Key怎么治理（思路与落地） + +- 拆分（首选）： + + - 大 JSON 切分为多个子 Key；大集合按分片/时间窗口/业务维度拆，控制每片元素数（建议<1万）。 + + - 集群下用“哈希标签”把分片均匀落到多个 slot，例如 user:{123}:feed:0..N。 + +- 删除与过期： + + - 用 UNLINK（异步删除）代替 DEL，避免主线程阻塞；或对集合用 HSCAN/SSCAN/ZSCAN 分批删。 + + ```bash + UNLINK big_key # 异步释放内存 + HSCAN h 0 COUNT 1000 ... # 批量HDEL + ``` +- 压缩与结构选择： -#### 热Key + - 文本用 Snappy/LZ4 压缩（权衡 CPU）；大 Hash 适度分裂；合理设置 listpack/quicklist 阈值，开启 activedefrag。 -通常以其接收到的Key被请求频率来判定，例如： +- 运维配置建议： -- QPS集中在特定的Key：Redis实例的总QPS（每秒查询率）为10,000，而其中一个Key的每秒访问量达到了7,000。 -- 带宽使用率集中在特定的Key：对一个拥有上千个成员且总大小为1 MB的HASH Key每秒发送大量的**HGETALL**操作请求。 -- CPU使用时间占比集中在特定的Key：对一个拥有数万个成员的Key（ZSET类型）每秒发送大量的**ZRANGE**操作请求。 + - lazyfree-lazy-eviction yes、lazyfree-lazy-expire yes、lazyfree-lazy-server-del yes、activedefrag yes。 + + + +#### 二、热Key + +热 Key 的特征是**访问频率显著高于其他 Key**，表现为： + +1. **QPS 倾斜**：单个 Key 的 QPS 占总 QPS 的 70% 以上（如总 QPS 1 万，某 Key 占 7 千）。 +2. **带宽集中**：对大集合 Key 高频读取（如频繁调用 `HGETALL`）。 +3. **CPU 占用高**：对复杂结构 Key 高频操作（如大量 `ZRANGE` 操作消耗 CPU）。 ##### 引发的问题 -- 占用大量的CPU资源，影响其他请求并导致整体性能降低。 -- 集群架构下，产生访问倾斜，即某个数据分片被大量访问，而其他数据分片处于空闲状态，可能引起该数据分片的连接数被耗尽，新的连接建立请求被拒绝等问题。 -- 在抢购或秒杀场景下，可能因商品对应库存Key的请求量过大，超出Redis处理能力造成超卖。 -- 热Key的请求压力数量超出Redis的承受能力易造成缓存击穿，即大量请求将被直接指向后端的存储层，导致存储访问量激增甚至宕机，从而影响其他业务。 +- **资源争抢**：CPU/带宽被热 Key 独占，其他请求排队甚至超时。 +- **缓存击穿**：热 Key 失效瞬间，大量请求直接穿透到数据库，引发雪崩。 +- **分片热点**：集群模式下单个分片负载过高，导致整体服务不可用。 -##### 原因 +##### 典型原因 -- 预期外的访问量陡增，如突然出现的爆款商品、访问量暴涨的热点新闻、直播间某主播搞活动带来的大量刷屏点赞、游戏中某区域发生多个工会之间的战斗涉及大量玩家等。 +- **突发流量**：热点新闻、秒杀活动、直播间刷屏等场景。 +- **设计不合理**：全局配置 Key（如系统开关）被高频读取。 +- **缓存策略缺失**：未对热 Key 进行多级缓存或负载分散。 +**如何识别** +- redis-cli --hotkeys（基于 LFU 频次，需要配置 LFU 策略）； -### 找出大 Key 和 热 Key 并解决 +- 业务侧埋点统计命中分布（Top N Key）； -Redis提供多种方案帮助您轻松找出大Key与热Key。 +- Redis Exporter 观测“命中率/回源/单节点 QPS/slot 倾斜”。 -- 实时 Top Key 统计 -- 通过 redis-cli 的 bigkeys 和 hotkeys 参数查找 -- 通过内置命令对目标 key 分析（比如 String 类型，通过 STRLEN 查看字节数） -- 业务层定位 key (对业务层加访问记录并异步汇总分析) -- 通过 `MONITOR` 命令找出热 Key +##### 热 Key怎么治理（思路与落地） + +- 读优化（优先）： + - 本地 L1 缓存（Caffeine）+ Redis L2，多级缓存；热点 Key 逻辑过期，返回旧值异步刷新，避免击穿。 + - 单飞（请求合并）：对同一 Key 的 miss 回源只允许一个线程执行，其它等待。 -### 优化大 Key 和 热 Key +- 分散热点： -#### 大 Key + - 读扩散（复制 N份）：将同一值写入k#0..k#N-1多个 Key，读侧随机挑一份；一致性靠短 TTL或版本号。 -- 对大Key进行拆分 + ```java + // 写：N 份复制 + for (int i=0;i 分布式锁常见有三种实现：基于 **Redis、Zookeeper 和数据库**。 +> Redis 基于 `SETNX` 实现，性能高，适合高并发，但需要考虑过期续期和主从同步带来的锁丢失问题； +> Zookeeper 基于临时顺序节点和 Watch 机制，可靠性和公平性好，但 QPS 不高，适合强一致性场景； +> 数据库基于唯一索引或行锁，简单但性能差，容易造成死锁。 +> +> 我们项目里用的是 **Redis 实现分布式锁**，主要原因是系统对性能要求极高（QPS 十万级），Redis 锁的延迟更低，而且 Redisson 已经帮我们封装了续期和可重入机制，开发和维护成本低。 + +| 实现方式 | 原理 | 优点 | 缺点 | 适用场景 | +| ------------- | --------------------------- | -------------------- | ------------------------ | ---------------------------- | +| **Redis** | SETNX/RedLock，过期时间控制 | 高性能，简单，生态好 | 锁丢失风险，需要续期机制 | 高并发、对性能敏感 | +| **Zookeeper** | 临时顺序节点 + Watch 机制 | 强一致，公平性好 | QPS 较低，依赖 zk 集群 | 金融、电商下单等一致性要求高 | +| **数据库** | 唯一索引 / 行锁 | 简单易实现 | 性能差，容易死锁 | 小规模系统，临时使用 | + +**1. Redis 实现** + +- **原理**：利用 `SETNX key value EX expire`（或 Redisson 的 `lock`），保证只有一个客户端能成功写入，拿到锁。解锁时 `DEL key`，结合 Lua 脚本保证原子性。 +- **优化**：RedLock 算法（多节点加锁），避免单点 Redis 故障。 -其实上面那种方案最大的问题，就是如果你对某个 redis master 实例，写入了 myLock 这种锁 key 的 value，此时会异步复制给对应的 master slave 实例。但是这个过程中一旦发生 redis m aster 宕机，主备切换，redis slave 变为了 redis master。 +✅ 优点： -接着就会导致，客户端 2 来尝试加锁的时候，在新的 redis master 上完成了加锁，而客户端 1 也以为自己成功加了锁。此时就会导致多个客户端对一个分布式锁完成了加锁。这时系统在业 务语义上一定会出现问题，导致各种脏数据的产生。 +- 性能高，适合高并发场景 +- 实现简单，生态成熟（Redisson） +❌ 缺点： +- 需要考虑锁过期、自动续期（看门狗） +- 单节点 Redis 挂掉会有风险，主从异步可能导致锁丢失 -### zk 实现分布式锁的思路 +**2. Zookeeper 实现** -1. 客户端对某个方法加锁时，在 zk 上的与该方法对应的指定节点的目录下，生成一个唯一 的瞬时有序节点 node1; -2. 客户端获取该路径下所有已经创建的子节点，如果发现自己创建的 node1 的序号是最小 的，就认为这个客户端获得了锁。 -3. 如果发现 node1 不是最小的，则监听比自己创建节点序号小的最大的节点，进入等待。 -4. 获取锁后，处理完逻辑，删除自己创建的 node1 即可。 +- **原理**：基于 **临时顺序节点 + Watch 机制** + - 客户端在 `/lock` 下创建 **临时顺序节点** + - 序号最小的客户端获得锁 + - 其他客户端监听前一个节点，前一个节点释放时被唤醒 +- **公平锁**：严格 FIFO 顺序 +✅ 优点： +- 天然保证锁的可靠性（会话断开，临时节点自动删除） +- 公平性好（按顺序排队） -### 如何解决 Redis 的并发竞争 Key 问题 +❌ 缺点： -所谓 Redis 的并发竞争 Key 的问题也就是多个系统同时对一个 key 进行操作，但是最后执行的顺序和我们期望的顺序不同，这样也就导致了结果的不同！ +- Zookeeper 是 CP 模型，性能不如 Redis（QPS 万级 vs Redis 十万级以上） +- 依赖 ZooKeeper 集群，运维成本高 -推荐一种方案：分布式锁（zookeeper 和 redis 都可以实现分布式锁）。（如果不存在 Redis 的并发竞争 Key 问题，不要使用分布式锁，这样会影响性能） +**3. 数据库实现** -基于zookeeper临时有序节点可以实现的分布式锁。大致思想为：每个客户端对某个方法加锁时，在zookeeper上的与该方法对应的指定节点的目录下，生成一个唯一的瞬时有序节点。 判断是否获取锁的方式很简单，只需要判断有序节点中序号最小的一个。 当释放锁的时候，只需将这个瞬时节点删除即可。同时，其可以避免服务宕机导致的锁无法释放，而产生的死锁问题。完成业务流程后，删除对应的子节点释放锁。 +- **方式 1**：基于唯一索引，比如 `insert into lock_table (lock_key) values ('xxx')`，失败说明已被占用 +- **方式 2**：基于 `select ... for update` 行锁 -在实践中，当然是从以可靠性为主。所以首推Zookeeper。 +✅ 优点： -参考：https://www.jianshu.com/p/8bddd381de06 +- 易于理解，直接利用数据库 +- 无需额外组件 +❌ 缺点： +- 性能差，不适合高并发 +- 锁超时、死锁处理复杂 -### 分布式Redis是前期做还是后期规模上来了再做好？为什么？ + + +### 🎯 分布式Redis是前期做还是后期规模上来了再做好？为什么？ 既然Redis是如此的轻量（单实例只使用1M内存），为防止以后的扩容，最好的办法就是一开始就启动较多实例。即便你只有一台服务器，你也可以一开始就让Redis以分布式的方式运行，使用分区，在同一台服务器上启动多个实例。 @@ -1480,41 +2824,571 @@ end 这样的话，当你的数据不断增长，需要更多的Redis服务器时，你需要做的就是仅仅将Redis实例从一台服务迁移到另外一台服务器而已（而不用考虑重新分区的问题）。一旦你添加了另一台服务器，你需要将你一半的Redis实例从第一台机器迁移到第二台机器。 -### 什么是 RedLock -Redis 官方站提出了一种权威的基于 Redis 实现分布式锁的方式名叫 Redlock，此种方式比原先的单节点的方法更安全。它可以保证以下特性： -安全特性：互斥访问，即永远只有一个 client 能拿到锁 -避免死锁：最终 client 都可能拿到锁，不会出现死锁的情况，即使原本锁住某资源的 client crash 了或者出现了网络分区 -容错性：只要大部分 Redis 节点存活就可以正常提供服务 +### 🎯 Redis分布式锁有什么问题 怎么解决？ + +> Redis 分布式锁虽然简单高效，但有几个问题： +> +> 1. 锁可能因为 TTL 到期而被误释放； +> 2. 锁不可重入； +> 3. 主从延迟可能导致锁丢失； +> 4. 锁过期时间不好控制。 +> +> 常见的优化方法有： +> +> - 使用唯一标识 + Lua 脚本保证安全释放； +> - 看门狗机制自动续期，解决超时问题； +> - 支持可重入锁； +> - 多节点加锁（RedLock）提升容错性； +> - 如果对一致性要求极高，可以用 ZooKeeper 或 etcd。 +> +> 综上，Redis 分布式锁适合高性能但对一致性容忍度较高的业务，而金融级别的强一致性分布式锁更建议用 ZooKeeper。 + +| **问题** | **说明** | **解决思路** | +| ---------------- | ------------------------------------------------------------ | ------------------------------------------------------------ | +| 锁过期导致误释放 | A 线程锁还没执行完，锁 TTL 到期释放，B 获取锁 → A 执行完释放时误删了 B 的锁 | 使用 **唯一标识（UUID/线程ID）+ Lua 脚本**，保证只删除自己的锁 | +| 不可重入 | 同一线程重复获取锁时会死锁 | 使用 **可重入锁**，在 value 中存储线程 ID 和重入计数 | +| 锁超时不可控 | 业务执行时间可能比 TTL 长，导致锁过期 | **看门狗机制**（定时续期），如 Redisson 默认 30s，10s 自动续期 | +| 主从复制延迟 | 主节点加锁后宕机，数据还没同步到从节点 → 锁丢失 | **RedLock 算法**：在多个独立 Redis 节点加锁，超过半数成功算成功 | +| 单点问题 | 单 Redis 节点宕机 → 锁全丢失 | Redis **集群部署** 或 使用 **ZooKeeper/etcd** 这类 CP 系统保证一致性 | + + + +### 🎯 Redis分布式锁，过期时间怎么定的? + +**锁过期时间的设定** + +1. **设定原则** + - **经验值法**：基于业务逻辑的平均耗时设定，推荐 `TTL = 平均耗时 × 2~3`（如平均耗时 5s → TTL=15s）。 + - **动态调整**：结合历史数据监控动态调整（如 Prometheus 统计 P99 耗时）。 + - **兜底策略**：必须设置过期时间，避免死锁（即使业务崩溃，锁也能自动释放）。 + +2. **极端场景优化** + + - **自动续期（Watchdog）**： 客户端启动后台线程，定期（如 `TTL/3`）重置锁过期时间。 **示例**：Redisson 的 `lockWatchdogTimeout` 默认 30s，每 10s 续期。 + + > **续期机制实现** + > + > 1. **开启一个定时任务**：在获取锁后，开启一个定时任务，每隔一定时间（如过期时间的一半）延长锁的过期时间。 + > + > 2. **判断锁的持有者**：在续期时，确保当前续期操作仍然是由锁的持有者执行，以防止锁误续期。 + > + > ```java + > public class RedisLockWithRenewal { + > + > private static final String LOCK_KEY = "my_lock"; + > private static final String LOCK_VALUE = "unique_value"; + > private static final int EXPIRE_TIME = 7; // 过期时间为7秒 + > + > public boolean acquireLock(Jedis jedis) { + > String result = jedis.set(LOCK_KEY, LOCK_VALUE, "NX", "EX", EXPIRE_TIME); + > return "OK".equals(result); + > } + > + > public void releaseLock(Jedis jedis) { + > if (LOCK_VALUE.equals(jedis.get(LOCK_KEY))) { + > jedis.del(LOCK_KEY); + > } + > } + > + > public void renewLock(Jedis jedis) { + > Timer timer = new Timer(); + > timer.schedule(new TimerTask() { + > @Override + > public void run() { + > if (LOCK_VALUE.equals(jedis.get(LOCK_KEY))) { + > jedis.expire(LOCK_KEY, EXPIRE_TIME); + > System.out.println("Lock renewed."); + > } else { + > timer.cancel(); + > } + > } + > }, EXPIRE_TIME * 500, EXPIRE_TIME * 500); // 每 3.5 秒续期一次 + > } + > + > public static void main(String[] args) { + > Jedis jedis = new Jedis("localhost", 6379); + > RedisLockWithRenewal lock = new RedisLockWithRenewal(); + > + > if (lock.acquireLock(jedis)) { + > lock.renewLock(jedis); + > try { + > // 业务逻辑 + > System.out.println("Lock acquired, performing business logic..."); + > Thread.sleep(15000); // 模拟长时间业务执行 + > } catch (InterruptedException e) { + > e.printStackTrace(); + > } finally { + > lock.releaseLock(jedis); + > System.out.println("Lock released."); + > } + > } else { + > System.out.println("Failed to acquire lock."); + > } + > } + > } + > + > ``` + > + > **注意事项** + > + > - **锁的唯一性**：确保锁的值是唯一的，可以使用 UUID 或业务唯一标识符。 + > - **原子性操作**：使用 Redis 的 Lua 脚本保证锁的获取和续期操作的原子性，以防止竞态条件。 + + - **Fencing Token**： 锁服务返回单调递增 Token，业务操作时校验 Token 的时效性（如 ZooKeeper 的 zxid）。 + + + +### 🎯 如果一个业务执行时间比较长，锁过期了怎么办? + +1. **锁自动续期机制** + + ```java + // Redisson 自动续期示例 + RLock lock = redisson.getLock("order_lock"); + lock.lock(); // 默认启动看门狗线程自动续期 + try { + // 长耗时业务（如 60s 的订单处理） + } finally { + lock.unlock(); + } + ``` + + - **优势**：无需手动管理 TTL，锁在业务完成前持续有效。 + + - **限制**：需确保客户端进程存活（若客户端宕机，看门狗线程终止，锁仍会超时释放）。 + +2. **分段锁与锁降级** + + - 分段锁：将大任务拆分为多个子任务，每个子任务单独加锁。 + + ```Java + for (int i = 0; i < segments; i++) { + RLock segmentLock = redisson.getLock("order_lock_" + i); + segmentLock.lock(); + try { + // 处理子任务 + } finally { + segmentLock.unlock(); + } + } + ``` + + - 锁降级：写锁释放前获取读锁，避免锁完全过期后数据不一致。 + + ```Java + RReadWriteLock rwLock = redisson.getReadWriteLock("data_lock"); + rwLock.writeLock().lock(); + try { + // 写操作 + rwLock.readLock().lock(); // 降级为读锁 + } finally { + rwLock.writeLock().unlock(); + } + // 后续继续持有读锁 + ``` + +3. **业务超时熔断**：监控业务耗时：若业务执行超过阈值（如 TTL 的 80%），触发熔断并回滚。 + + ```Java + try { + Future future = executor.submit(() -> processOrder()); + future.get(ttl * 0.8, TimeUnit.MILLISECONDS); // 设置超时等待 + } catch (TimeoutException e) { + future.cancel(true); // 中断业务线程 + rollback(); // 事务回滚 + } + ``` + + + +### 🎯 自动续期怎么做? + +“分布式锁的自动续期，核心是通过‘**短租约 + 心跳续期**’解决‘锁提前过期’和‘锁无限占用’的问题，具体实现分‘手写方案’和‘Redisson 开箱即用方案’： + +**1. 手写方案的核心逻辑** + +- **初始加锁**：用 `SET key token NX PX=leaseMs` 原子加锁（`token` 是 UUID，防锁漂移；`leaseMs` 是短租约，如 30s）； + +- **心跳续期**：加锁成功后，启动一个定时线程（用 `ScheduledExecutorService`），每 `leaseMs/3` 时间（如 10s）执行一次 `Lua` 脚本 —— 先校验锁的 `token` 是否为当前线程所有，若是则调用 `PEXPIRE` 刷新租约到 `leaseMs`； + + > 检测 Token 所有权是 ** 防止 “锁漂移”** 的关键。它确保了只有获取锁的线程才能续期或释放锁。 + > + > **核心原理：** + > + > 1. **存储 Token**：当线程获取锁时，生成一个唯一的 Token（通常是 UUID），并将这个 Token 作为值存入 Redis 的 Key 中（`SET key token ...`）。 + > 2. **传递 Token**：这个 Token 必须与获取锁的线程**绑定**。在 Java 中，最佳实践是使用 `ThreadLocal` 来存储，这样可以确保每个线程只能看到自己持有的 Token。 + > 3. **原子性校验与操作**：在执行续期或释放锁操作时，必须使用 Lua 脚本，在 Redis 服务器端原子地完成 “**获取值 -> 比较 Token -> 执行操作（续期 / 释放）**” 这一系列步骤。 + +- **安全兜底**： + + 1. 加 “最大租期”（如 5 分钟），超过后强制停止续期，避免无限占用； + 2. 续期失败（`Lua` 返回 0）或业务结束时，立即停止续期线程，再用 `Lua` 脚本（先校验 `token` 再 `DEL`）释放锁； + +- **性能优化**：续期间隔加随机抖动（如 ±500ms），避免 Redis 瞬时高负载。 + +**2. Redisson 的看门狗方案（生产首选）** + +Redisson 自带的看门狗本质和手写逻辑一致，但封装更完善： + +- 默认 30s 租约，每 10s 自动续期，只需调用 `lock.lock()` 即可开启； +- 若业务是短任务，显式设置 `leaseTime`（如 `lock.lock(5, TimeUnit.SECONDS)`），可关闭续期，锁到期自动释放； +- 释放锁时无需手动停止续期，`unlock()` 会自动终止看门狗，且自带 “当前线程持有锁校验”，避免误删。 + +**3. 核心安全点** + +无论哪种方案，都要保证两点：一是续期和释放锁必须用 `Lua` 脚本保证原子性；二是必须校验 “只有锁持有者才能续期 / 释放”，通过 `token` 避免锁被其他线程误操作。” + +自动续期就是“短租约 + 心跳续期”。加锁用短 TTL（如10–30s），后台起一个心跳线程每 TTL/3 刷新一次过期时间，直到任务完成或超过最大租期就停止。续期必须校验“只有锁持有者才能续”，用 token + Lua 原子校验。再配合最大租期与栅栏令牌，防“锁过期后旧持有者继续写”。 + +**关键实现（简化）** + +- 获取锁 + + ```java + String token = UUID.randomUUID().toString(); + boolean ok = redis.set(key, token, NX, PX, leaseMs); + if (!ok) return false; + startRenewal(key, token, leaseMs, maxLeaseMs); + ``` + +- 续期线程（建议用 ScheduledExecutorService，间隔 = leaseMs/3，加入随机抖动） + + ```java + void startRenewal(String key, String token, long leaseMs, long maxLeaseMs) { + long begin = System.currentTimeMillis(); + ScheduledFuture future = scheduler.scheduleAtFixedRate(() -> { + if (System.currentTimeMillis() - begin > maxLeaseMs) { cancel(); return; } + try { + Long updated = (Long) jedis.eval( + "if redis.call('GET', KEYS[1]) == ARGV[1] then " + + " return redis.call('PEXPIRE', KEYS[1], ARGV[2]) " + + "else return 0 end", + Collections.singletonList(key), + Arrays.asList(token, String.valueOf(leaseMs)) + ); + if (updated == 0L) { cancel(); } // 不再持有锁 + } catch (Exception e) { /* 记录并重试 */ } + }, leaseMs/3, leaseMs/3, TimeUnit.MILLISECONDS); + // 保存 future, 在业务完成或异常时 cancel + } + ``` + +- 释放锁（只允许持有者释放） + + ```lua + -- KEYS[1]=lockKey, ARGV[1]=token + if redis.call('GET', KEYS[1]) == ARGV[1] then + return redis.call('DEL', KEYS[1]) + else + return 0 + end + ``` + +**Redisson怎么配（现成的看门狗）** + +- Redisson自带自动续期（watchdog，默认30s，续期每10s） + +- 配置要点：lockWatchdogTimeout=30_000，短任务可直接设置 leaseTime 关闭看门狗；长任务走看门狗更稳。 + +- 思路与上面一致：拿到锁→看门狗续期→业务完成后 unlock。 + + + +### 🎯 怎么保证释放锁的一个原子性？ + +1. **Lua 脚本实现原子操作** + + ```lua + -- 解锁脚本：校验 Value 匹配后删除 Key + if redis.call("GET", KEYS[1]) == ARGV[1] then + return redis.call("DEL", KEYS[1]) + else + return 0 + end + ``` + + - 优势： + - 避免非原子操作（先 `GET` 后 `DEL`）导致误删其他客户端的锁。 + - Redis 单线程执行 Lua 脚本，天然原子性。 + +2. **误删锁的防御** + + - 唯一 Value 设计：使用 UUID + 线程ID 作为 Value，确保锁归属可验证。 + + ```Java + String lockValue = UUID.randomUUID() + ":" + Thread.currentThread().getId(); + ``` + + + +### 🎯 用Redis实现分布式锁，主从切换导致锁失效，如何解决？ + +**核心原因**： Redis 主从复制是**异步**的，主节点宕机时可能未将锁信息同步到从节点，导致新主节点丢失锁，引发并发风险。 + +**解决方案** + +1. **Redlock 算法（多节点多数派）** + - **原理**：向多个独立 Redis 节点同时加锁，只有 **半数以上节点成功** 且总耗时 < TTL 才算加锁成功。 + + - **优点**：容错性强，避免单点故障。 + + - **缺点**：部署复杂，性能开销大。 + + - **适用场景**：对一致性要求高的金融级场景。 + +2. **Redisson 看门狗机制（自动续期）** + + - **原理**：加锁后启动后台线程定期刷新锁过期时间，避免业务执行期间锁失效。 + + - **优点**：简化开发，支持自动续期和可重入。 + + - **缺点**：无法完全避免主从切换问题。 + - **适用场景**：高并发、低延迟场景（如秒杀、订单系统）。 +3. **配置优化（主从同步保障）** + + - **原理**：设置 `min-slaves-to-write 1` 和 `min-slaves-max-lag 10`，确保主节点至少有一个从节点同步数据。 + + - **优点**：减少锁丢失风险。 + + - **缺点**：性能下降，需合理配置参数。 + + - **适用场景**：单节点部署，对一致性要求中等的场景。 + +4. **降级 Zookeeper 分布式锁（强一致）** + + - **原理**：基于 Zookeeper 的临时顺序节点和 Watcher 机制实现分布式锁。 + + - **优点**：强一致性，锁自动释放。 + + - **缺点**：性能低，运维复杂。 + + - **适用场景**：金融交易、支付等强一致要求的场景。 + + “根据业务一致性要求和性能需求，选择 Redlock 保障容错，Redisson 简化实现，或降级 Zookeeper 强一致方案。” + + + +### 🎯 讲讲RedLock算法 ? + +> RedLock 是 Redis 作者提出的一种分布式锁算法，它通过在多个 Redis 节点上并行加锁，并且只要超过半数节点成功，就认为获取到锁。这样可以在部分节点宕机的情况下仍然保证锁的可用性。 +> +> 但 RedLock 的争议也很大，因为它依赖时钟和网络假设，在极端情况下仍可能出现锁的安全性问题。所以在生产中，如果对一致性要求非常高，大家一般会选用 ZooKeeper 或 etcd 的分布式锁，而 Redis 锁更适合对性能敏感、允许弱一致性的场景。 + +- **概念**：RedLock 是 Redis 的作者 Salvatore Sanfilippo（antirez）提出的一种分布式锁算法，用于在分布式环境中实现安全可靠的锁定机制，解决了单个 Redis 实例锁在分布式系统中存在的可靠性问题。 +- 算法原理： + - **多节点独立**：假设有 N 个完全独立的 Redis master 节点，这些节点之间不存在主从复制或其他集群协调机制，确保在最苛刻的环境下也能正常工作。 + - **获取时间戳**：客户端首先获取当前时间戳，单位为毫秒，作为整个操作的起始时间。 + - **逐个请求锁**：客户端轮流使用相同的 key 和具有唯一性的 value（如 UUID）在 N 个 Redis 节点上请求锁，每个请求都设置一个远小于锁释放时间的超时时间，避免在某个宕掉的节点上阻塞过长时间。 + - **判断锁获取情况**：客户端获取所有节点锁后，计算获取锁的总时间，即当前时间减去起始时间。当且仅当从大多数（N/2 + 1 个）Redis 节点都取到锁，并且总时间小于锁的失效时间时，才认为获取锁成功。 + - **计算有效时间**：如果获取锁成功，锁的真正有效时间是设置的锁总超时时间（TTL）减去获取锁的总时间，再减去时钟漂移时间（通常可忽略不计）。 + - **释放锁**：如果锁获取失败，无论原因是获取成功的锁数量不足还是总消耗时间超过锁释放时间，客户端都会到每个 master 节点上释放锁，包括那些没有获取锁成功的节点。 +- 优点： + - **高可靠性**：通过多个独立节点来获取锁，即使部分节点出现故障，只要大多数节点正常工作，就能保证锁的安全性和可用性，有效防止单点故障。 + - **满足分布式锁特性**：能满足互斥性、防死锁、持锁人解锁等分布式锁的基本特性，适用于各种需要分布式锁的场景。 +- 缺点： + - **对时钟同步要求高**：所有 Redis 服务器的时钟必须同步，否则可能由于时钟漂移导致锁的有效时间计算错误，从而引发问题。 + - **性能开销**：需要与多个 Redis 节点进行通信来获取和释放锁，相比单节点分布式锁，性能上有一定的开销。 + - **网络分区问题**：在网络分区的情况下，可能会出现不同分区的节点对锁的状态判断不一致，导致锁的安全性无法保证。 + +Redlock 算法的注意事项： + +- **多数节点**：客户端必须至少在大多数 Redis 实例上成功获取锁，才能认为获得了分布式锁。 +- **时钟同步**：所有 Redis 服务器的时钟必须同步，以避免由于时钟漂移导致的问题。 +- **网络分区**：在网络分区的情况下，Redlock 算法可能无法保证锁的安全。 +- **锁超时**：客户端必须设置合理的锁超时时间，以避免死锁。 +- **重试机制**：客户端需要实现重试机制，并在重试时等待随机时间，以避免多个客户端同时重试导致的竞争条件。 + +------ + + + +## 八、消息队列与异步处理 + +### 🎯 什么是 Redis 消息队列？有哪些实现方式？ + +Redis 消息队列利用 Redis 的数据结构（如 list、stream）实现生产者-消费者模型。实现方式包括： + +- 基于 `list` 的 `LPUSH` 和 `RPOP`（简单队列）。 +- 基于 `pub/sub` 的发布订阅模式（实时通知）。 +- 基于 `stream` 的消息流功能（高效、可靠的队列）。 + +### 🎯 Redis 的 `pub/sub` 机制的原理是什么？优缺点是什么？ + +原理：`pub/sub` 是一种广播机制，发布者将消息发送到指定的频道，订阅者接收频道中的消息。 + +优点：实时性强，轻量级实现简单。 + +缺点： + +- 不保证消息持久化。 +- 无法保证订阅者一定能收到消息（离线订阅无效）。 +- 不能实现复杂的消费分组需求。 + +### 🎯 Redis Stream 是什么？与传统队列有什么区别？ + +Redis Stream 是 Redis 5.0 引入的日志型数据结构，支持消费分组和持久化。 + +优势： + +- 消息持久化，保证消息可靠性。 +- 支持消费分组（类似 Kafka 的消费模型）。 +- 可记录消费偏移量，适用于复杂的消息队列场景。 + +### 🎯 如何用 Redis 实现一个延时队列？ + +- 使用 zset（有序集合）： + - 将任务的执行时间作为分值 `score`，任务内容作为成员 `member`。 + - 定期扫描 `zset`，取出分值小于当前时间的任务执行。 + +**示例伪代码：** + +```plaintext +ZADD delay_queue +ZREMRANGEBYSCORE delay_queue -inf -> 执行并删除到期任务 +``` + +### 🎯 Redis 消息队列的瓶颈在哪？如何优化？ + +- 瓶颈： + - 单线程处理模型下，队列写入和读取的高并发可能导致性能瓶颈。 + - 数据量大时，内存消耗过高。 +- 优化： + - 使用 Redis Cluster 分片存储队列。 + - 调整内存策略或淘汰策略（如 `noeviction`）。 + +### 🎯 使用Redis做过异步队列吗，是如何实现的？ + +使用 list 类型保存数据信息，rpush 生产消息，lpop 消费消息，当 lpop 没有消息时，可以 sleep 一段时间，然后再检查有没有信息，如果不想 sleep 的话，可以使用 blpop，在没有信息的时候，会一直阻塞，直到信息的到来。redis 可以通过 pub/sub 主题订阅模式实现一个生产者，多个消费者，当然也存在一定的缺点，当消费者下线时，生产的消息会丢失。 + +### 🎯 Redis如何实现延时队列 + +使用 Redis 作为延时队列的实现方法有很多，其中一种常见的方式是使用 Redis 的有序集合（Sorted Set）。有序集合通过成员的分数进行排序，非常适合实现延时队列功能。 + +**实现步骤** + +1. **添加任务到延时队列**： 将任务添加到 Redis 有序集合中，使用任务的执行时间作为分数。执行时间可以使用 Unix 时间戳表示。 +2. **轮询检查和执行任务**： 使用一个定时任务（如每秒运行一次）来轮询检查有序集合中是否有需要执行的任务。当任务的执行时间小于等于当前时间时，执行该任务并将其从集合中移除。 + +> 使用 sortedset，使用时间戳做 score，消息内容作为 key，调用 zadd 来生产消息，消费者使用 zrangbyscore 获取 n 秒之前的数据做轮询处理。 ------ +## 九、实战应用与最佳实践 + +### 🎯 Redis乐观锁的应用场景，举例说明? + +Redis 乐观锁是一种用于并发控制的机制，主要用于在高并发场景下确保数据一致性。与悲观锁不同，乐观锁假设大部分情况下数据竞争不会发生，因此不会像悲观锁那样阻塞其他操作。乐观锁通过检查数据的版本号或其他标识符，在更新数据时确保数据没有被其他事务修改。 + +Redis 的乐观锁可以通过事务中的 **`WATCH`** 命令实现、也可以基于类似 CAS（Compare and Swap） 的机制，把 GET、SET 放入 lua 脚本中执行。 + +```lua +-- KEYS[1] = key 名称 +-- ARGV[1] = 期望的旧值 +-- ARGV[2] = 要设置的新值 + +local current = redis.call('GET', KEYS[1]) +if current == ARGV[1] then + return redis.call('SET', KEYS[1], ARGV[2]) +else + return nil -- 表示失败 +end +``` + +比如**库存扣减（电商秒杀场景）**、**计数器更新（网站访问统计）**、**配置热更新（分布式服务配置同步）**等 + +**乐观锁应用场景** + +乐观锁在需要高并发、高性能和数据一致性的应用场景中非常有用。以下是几个典型的应用场景： + +1. **库存管理**： + - 在电商平台中，商品库存数量的更新就是一个典型的乐观锁应用场景。当用户下单时，系统首先读取库存数量，然后尝试减去相应的数量。这个过程可以通过`WATCH`命令和事务中的`MULTI`/`EXEC`命令来实现。如果库存数量在读取和更新之间被其他事务修改了，事务将失败，用户会被提示库存不足。 +2. **订单号生成**： + - 在需要生成唯一订单号的系统中，可以使用Redis的原子自增操作`INCR`或`INCRBY`。乐观锁假设在生成订单号的过程中不太可能出现冲突，即使出现，也可以通过重试机制解决。 +3. **秒杀活动**： + - 秒杀活动通常在极短的时间内有大量用户尝试购买同一商品。使用乐观锁，系统可以先检查库存数量，然后尝试更新。如果库存不足，可以快速返回失败信息，而不需要锁住库存资源。 +4. **分布式序列号生成**： + - 在分布式系统中生成全局唯一的序列号时，可以使用Redis的乐观锁特性。通过`INCR`命令，不同的服务实例可以并发地生成唯一的序列号，而不需要复杂的协调机制。 +5. **投票或点赞功能**： + - 在社交媒体应用中，用户的点赞操作可以通过Redis的乐观锁来实现。系统首先读取当前的点赞数，然后将其加一。如果在这个过程中点赞数被其他用户更新了，当前操作可以重试或忽略，因为点赞数的最终一致性通常比实时一致性更重要。 +6. **缓存数据的并发更新**： + - 当多个服务实例需要更新同一个缓存数据时，可以使用Redis乐观锁来避免数据不一致的问题。每个实例在更新前先读取当前版本号，然后尝试更新数据和版本号。如果版本号在更新过程中发生变化，说明有其他实例已经更新了数据，当前操作可以放弃或重试。 +7. **分布式锁**： + - 虽然Redis也常用于实现分布式锁，但在某些情况下，可以使用乐观锁的方式来实现一种更轻量级的分布式锁。例如，使用`SETNX`命令设置一个键，如果操作成功，则获得锁；如果失败，则表示锁被其他进程持有。 + + + +### 🎯 Redis 过期时间优化？如何确定过期时间？ + +Redis 的过期时间优化主要考虑三个方面： +1. **避免雪崩**：过期时间要加随机因子，避免大批量 key 同时失效； +2. **分场景设定 TTL**：实时性要求高的数据过期时间短，稳定性高的数据过期时间长，热点数据甚至可以用逻辑过期来控制； +3. **更新策略**：部分核心数据可以不依赖 TTL，而是由业务逻辑来主动更新，保证数据可用性。 -## 十、其他问题 +过期时间的确定没有固定标准，一般取决于**业务能容忍的数据延迟**和**数据库能承受的回源压力**。 -### 使用Redis做过异步队列吗，是如何实现的 + + +### 🎯 Redis怎么确认命中率? + +要确认 Redis 的缓存命中率，可以使用 Redis 提供的统计信息来进行分析。Redis 提供了一个命令 `INFO`，该命令会返回 Redis 服务器的各种统计和状态信息，其中包括与缓存命中率相关的两个关键指标：`keyspace_hits` 和 `keyspace_misses`。 + +使用 `INFO stats` 命令获取统计信息，可以看到这两个指标 + +```sh +> info stats +# Stats +total_connections_received:6119693 +total_commands_processed:346700954 +instantaneous_ops_per_sec:84 +total_net_input_bytes:95242250343 +total_net_output_bytes:74348467113 +... +keyspace_hits:8337999 +keyspace_misses:910002 +``` + +$ \text{命中率} = \frac{\text{keyspace\_hits}}{\text{keyspace\_hits} + \text{keyspace\_misses}} $ + +其中： + +- `keyspace_hits`：缓存命中的次数 +- `keyspace_misses`：缓存未命中的次数 + + + +### 🎯 使用Redis做过异步队列吗，是如何实现的？ 使用 list 类型保存数据信息，rpush 生产消息，lpop 消费消息，当 lpop 没有消息时，可以 sleep 一段时间，然后再检查有没有信息，如果不想 sleep 的话，可以使用 blpop，在没有信息的时候，会一直阻塞，直到信息的到来。redis 可以通过 pub/sub 主题订阅模式实现一个生产者，多个消费者，当然也存在一定的缺点，当消费者下线时，生产的消息会丢失。 -### Redis如何实现延时队列 +### 🎯 Redis如何实现延时队列 + +使用 Redis 作为延时队列的实现方法有很多，其中一种常见的方式是使用 Redis 的有序集合（Sorted Set）。有序集合通过成员的分数进行排序，非常适合实现延时队列功能。 + +**实现步骤** + +1. **添加任务到延时队列**： 将任务添加到 Redis 有序集合中，使用任务的执行时间作为分数。执行时间可以使用 Unix 时间戳表示。 +2. **轮询检查和执行任务**： 使用一个定时任务（如每秒运行一次）来轮询检查有序集合中是否有需要执行的任务。当任务的执行时间小于等于当前时间时，执行该任务并将其从集合中移除。 -使用 sortedset，使用时间戳做 score，消息内容作为 key，调用 zadd 来生产消息，消费者使用 zrangbyscore 获取 n 秒之前的数据做轮询处理。 +> 使用 sortedset，使用时间戳做 score，消息内容作为 key，调用 zadd 来生产消息，消费者使用 zrangbyscore 获取 n 秒之前的数据做轮询处理。 -### Redis如何做内存优化？ +### 🎯 Redis如何做内存优化？ 尽可能使用散列表（hashes），散列表（是说散列表里面存储的数少）使用的内存非常小，所以你应该尽可能的将你的数据模型抽象到一个散列表里面。比如你的web系统中有一个用户对象，不要为这个用户的名称，姓氏，邮箱，密码设置单独的key，而是应该把这个用户的所有信息存储到一张散列表里面。 -### Redis 使用误区 +### 🎯 Redis 使用误区？ + +Redis最大的问题不是“不会用”，而是“用得像内存版MySQL”。线上常见坑集中在：大Key/热Key、阻塞命令、过期风暴、持久化/集群误解、分布式锁误用、内存淘汰与删除方式、以及缺乏可观测性。做法上遵循：小Key+分片、旁路缓存+限流、TTL抖动+逻辑过期、UNLINK/SCAN、AOF everysec+RDB、只允许持有者解锁+续期、Cluster key-tag、以及指标告警。 **键过大** @@ -1538,30 +3412,150 @@ redis删除过期键采用了惰性删除和定期删除相结合的策略，惰 -### Redis 中的管道有什么用? +### 🎯 Redis 中的管道有什么用? + +Redis 中的管道（Pipelining）是一种优化技术，允许客户端在一次网络往返中发送多个命令，而不是每个命令发送一次。这种方法减少了网络延迟，提高了吞吐量和性能。 + +**管道的工作原理** + +在使用管道时，客户端会将一系列命令打包，然后一次性发送给 Redis 服务器。服务器执行这些命令后，将结果一次性返回给客户端。这样做的好处是减少了客户端和服务器之间的网络往返次数，从而提高了性能。 + +```python +import redis + +# 创建 Redis 连接 +r = redis.Redis(host='localhost', port=6379, db=0) + +# 创建管道对象 +pipe = r.pipeline() + +# 批量添加命令到管道 +pipe.set('key1', 'value1') +pipe.set('key2', 'value2') +pipe.get('key1') +pipe.get('key2') + +# 执行管道中的所有命令 +results = pipe.execute() + +# 打印结果 +for result in results: + print(result) +``` + +**管道的优点** + +1. **减少网络延迟**：通过一次性发送多个命令，减少了客户端和服务器之间的网络往返次数，从而减少了网络延迟。 +2. **提高吞吐量**：由于减少了每个命令的网络开销，服务器可以更快地处理更多的命令，从而提高了系统的吞吐量。 +3. **原子性操作**：管道中的所有命令是按顺序执行的，但它们之间不是原子操作。如果需要原子性，可以使用事务（MULTI/EXEC）。 + +**管道的限制** + +1. **非原子性**：管道中的命令不是原子操作，如果需要原子性，需要使用事务。 +2. **错误处理**：管道执行中，如果某个命令出错，Redis 服务器不会立即返回错误，而是继续执行剩余的命令。客户端在接收到结果时，需要检查每个命令的执行结果。 + +**高级用法** -一次请求/响应服务器能实现处理新的请求即使旧的请求还未被响应。这样就可以将多个命令发送到服务器，而不用等待回复，最后在一个步骤中读取该答复。 +1. **事务中的管道**： 管道可以与事务一起使用，确保一组命令在执行过程中不被其他命令打断。 -这就是管道(pipelining)，是一种几十年来广泛使用的技术。例如许多 POP3 协议已经实现支持这个功 能，大大加快了从服务器下载新邮件的过程。 + ```python + pipe = r.pipeline(transaction=True) + ``` +2. **批量操作**： 对于需要批量操作的大量数据，管道非常适用。例如，批量插入数据或批量获取数据。 -### 假如 Redis 里面有 **1** 亿个 key，其中有 10w 个 key 是以某个固定的已知的前缀开头的，如 果将它们全部找出来? + +### 🎯 使用Redis统计网站的UV，应该怎么做？ + +使用 Redis 统计网站的 UV（Unique Visitors，独立访客）可以通过 HyperLogLog 或 Set 数据结构来实现。以下是两种方法的具体实现方式： + +**方法一：使用 HyperLogLog 统计 UV** + +HyperLogLog 是一种基于概率的数据结构，适用于大规模去重计数。它使用少量内存就能提供高准确率的去重计数。 + +**实现步骤** + +1. **记录访问**： 每当有用户访问网站时，将用户的唯一标识（例如 IP 地址或用户 ID）添加到 HyperLogLog 中。 +2. **获取 UV**： 使用 `PFCOUNT` 命令获取 HyperLogLog 的基数（即独立访客数）。 + +**示例代码** + +```python +import redis + +# 创建 Redis 连接 +r = redis.Redis(host='localhost', port=6379, db=0) + +def record_visit(user_id): + r.pfadd('site_uv', user_id) + +def get_uv(): + return r.pfcount('site_uv') + +# 示例：记录用户访问 +record_visit('user_123') +record_visit('user_456') + +# 获取 UV +print(f"Unique Visitors: {get_uv()}") +``` + +**方法二：使用 Set 统计 UV** + +Set 是一种集合数据结构，适用于精确去重计数。虽然 Set 的内存占用比 HyperLogLog 大，但它能精确统计独立访客数。 + +**实现步骤** + +1. **记录访问**： 每当有用户访问网站时，将用户的唯一标识添加到 Set 中。 +2. **获取 UV**： 使用 `SCARD` 命令获取 Set 的基数。 + +**示例代码** + +```python +import redis + +# 创建 Redis 连接 +r = redis.Redis(host='localhost', port=6379, db=0) + +def record_visit(user_id): + r.sadd('site_uv_set', user_id) + +def get_uv(): + return r.scard('site_uv_set') + +# 示例：记录用户访问 +record_visit('user_123') +record_visit('user_456') + +# 获取 UV +print(f"Unique Visitors: {get_uv()}") +``` + +**方法选择** + +- **HyperLogLog**：适用于大量数据且对内存使用敏感的场景。它使用固定大小的内存（约 12 KB），但统计结果有一定误差（误差率约 0.81%）。 +- **Set**：适用于需要精确统计结果的场景。它能精确去重计数，但内存使用随着数据量增加而增加。 + + + +### 🎯 假如 Redis 里面有 **1** 亿个 key，其中有 10w 个 key 是以某个固定的已知的前缀开头的，如何将它们全部找出来? 使用 keys 指令可以扫出指定模式的 key 列表。 对方接着追问:如果这个 redis 正在给线上的业务提供服务，那使用 keys 指令会有什么问题? -这个时候你要回答 redis 关键的一个特性：redis 的单线程的。keys 指令会导致线程阻塞一段时间，线上服务会停顿，直到指令执行完毕，服务才能恢复。这个时候可以使用 scan 指 令，scan 指令可以无阻塞的提取出指定模式的 key 列表，但是会有一定的重复概率，在客 户端做一次去重就可以了，但是整体所花费的时间会比直接用 keys 指令长。 +这个时候你要回答 redis 关键的一个特性：redis 的单线程的。keys 指令会导致线程阻塞一段时间，线上服务会停顿，直到指令执行完毕，服务才能恢复。这个时候可以使用 scan 指 令，scan 指令可以无阻塞的提取出指定模式的 key 列表，但是会有一定的重复概率，在客户端做一次去重就可以了，但是整体所花费的时间会比直接用 keys 指令长。 ## References -https://juejin.im/post/6844904017387077640 +- https://juejin.im/post/6844904017387077640 + +- https://www.wmyskxz.com/2020/03/25/dong-yi-dian-python-xi-lie-kuai-su-ru-men-1/#toc-heading-22 -https://www.wmyskxz.com/2020/03/25/dong-yi-dian-python-xi-lie-kuai-su-ru-men-1/#toc-heading-22 +- https://mp.weixin.qq.com/s/f9N13fnyTtnu2D5sKZiu9w -https://mp.weixin.qq.com/s/f9N13fnyTtnu2D5sKZiu9w +- https://blog.csdn.net/ThinkWon/article/details/103522351/ -https://blog.csdn.net/ThinkWon/article/details/103522351/ \ No newline at end of file diff --git a/docs/interview/Spring-FAQ.md b/docs/interview/Spring-FAQ.md index a7f48d9336..88ec1f31d0 100644 --- a/docs/interview/Spring-FAQ.md +++ b/docs/interview/Spring-FAQ.md @@ -1,32 +1,104 @@ -# Spring 面试集 +--- +title: Spring框架面试题大全 +date: 2024-12-15 +tags: + - Spring + - Interview +categories: Interview +--- + +![](https://img.starfish.ink/common/faq-banner.png) + +> Spring框架作为Java生态系统的**核心基础设施**，是每个Java开发者必须掌握的技术栈。从简单的IOC容器到复杂的微服务架构，从传统的SSM到现代的响应式编程，Spring技术栈的深度和广度决定了开发者的职业高度。 +> +> +> Spring 面试，围绕着这么几个核心方向准备： +> +> - **Spring Framework核心**（IOC容器、依赖注入、Bean生命周期、AOP编程） +> - **Spring Boot自动配置**（Starter机制、条件装配、外部化配置、Actuator监控） +> - **Spring MVC请求处理**（DispatcherServlet、HandlerMapping、视图解析、异常处理） +> - **Spring事务管理**（声明式事务、传播行为、隔离级别、事务失效问题） +> - **Spring Data数据访问**（Repository模式、分页查询、事务管理、多数据源） +> - **Spring Security安全框架**（认证授权、JWT集成、CSRF防护、方法级安全） +> - **Spring Cloud微服务**（服务注册发现、配置中心、熔断降级、网关路由） + + + +## 🗺️ 知识导航 + +### 🏷️ 核心知识分类 + +1. **🏗️ Spring Framework核心**：IOC容器、依赖注入、Bean生命周期、作用域、循环依赖、BeanFactory vs ApplicationContext +2. **🎯 AOP面向切面编程**：AOP概念、代理模式、通知类型、切点表达式、AspectJ集成、动态代理 vs CGLIB +3. **🌐 Spring MVC架构**：请求处理流程、DispatcherServlet、HandlerMapping、视图解析、参数绑定、异常处理 +4. **🚀 Spring Boot核心特性**：自动配置原理、Starter机制、条件装配、外部化配置、Actuator监控、打包部署 +5. **💾 数据访问与事务**：Spring Data、事务管理、传播行为、隔离级别、事务失效、多数据源、分页查询 +6. **🔒 Spring Security安全**：认证授权流程、SecurityContext、JWT集成、CSRF防护、方法级安全、OAuth2集成 +7. **☁️ Spring Cloud微服务**：服务注册发现、配置中心、熔断降级、API网关、链路追踪、分布式事务 +8. **📝 注解与配置**：常用注解、JavaConfig、Profile管理、属性注入、条件装配、自定义注解 +9. **🔧 高级特性与实践**：事件机制、国际化、缓存抽象、任务调度、WebSocket、响应式编程 +10. **🎯 面试重点与实践**：设计模式、性能优化、最佳实践、常见陷阱、Spring vs SpringBoot、整体架构设计 + +### 🔑 面试话术模板 + +| **问题类型** | **回答框架** | **关键要点** | **深入扩展** | +| ------------ | ------------------------------------- | ---------------------------- | -------------------------------- | +| **概念解释** | 定义→核心特性→工作原理→应用场景 | 准确定义，突出核心价值 | 源码分析，设计思想，最佳实践 | +| **原理分析** | 背景问题→解决方案→实现机制→优势劣势 | 图解流程，关键步骤 | 底层实现，性能考量，扩展机制 | +| **技术对比** | 相同点→差异点→适用场景→选择建议 | 多维度对比，实际场景 | 性能差异，实现复杂度，维护成本 | +| **实践应用** | 业务场景→技术选型→具体实现→踩坑经验 | 实际项目案例，代码示例 | 性能优化，监控运维，故障处理 | +| **架构设计** | 需求分析→技术选型→架构设计→实施方案 | 系统思考，全局视角 | 可扩展性，高可用，一致性保证 | + +--- + +## 🏗️ 一、Spring Framework核心 + +**核心理念**：通过IOC控制反转和AOP面向切面编程，实现松耦合、高内聚的企业级应用开发框架。 + +### 🎯 使用 **Spring** 框架能带来哪些好处? + +1. **简化开发**：Spring 框架通过高度的 **抽象** 和 **自动化配置**，大大简化了 Java 开发，减少了开发者手动编写大量配置代码的需要。 + - **依赖注入（DI）**：Spring 提供了 **依赖注入**（DI）机制，通过 `@Autowired` 或构造器注入，自动管理组件之间的依赖关系，减少了代码的耦合性，提高了可维护性。 + + - **面向切面编程（AOP）**：Spring 提供了 **AOP** 功能，使得日志记录、安全控制、事务管理等横切关注点的代码能够与业务逻辑分离，降低了系统的复杂度。 -> 基于Spring Framework 4.x 总结的常见面试题，系统学习建议还是官方文档走起：https://spring.io/projects/spring-framework#learn +2. **松耦合架构**：Spring 提供了 **松耦合的架构**，通过 **依赖注入** 和 **接口/抽象类**，让组件之间的依赖关系松散，方便了模块的解耦和扩展。 -## 一、一般问题 + - 通过 **依赖注入（DI）**，组件之间的依赖不再通过硬编码连接，而是由 Spring 容器管理，依赖关系在运行时通过配置注入。 -### 开发中主要使用 Spring 的什么技术 ? + - Spring 提供了丰富的 **接口** 和 **抽象**，让开发者可以轻松替换和扩展功能。 -1. IOC 容器管理各层的组件 -2. 使用 AOP 配置声明式事务 -3. 整合其他框架 +3. **更好的可维护性和可测试性** + - **依赖注入**：使得组件之间的依赖关系通过容器进行管理，从而更容易进行单元测试。可以通过 **Mocking** 或 **Stubbing** 来模拟依赖项，方便进行单元测试。 + - **分层架构支持**：Spring 提供的服务和 DAO 层可以更加清晰地进行分层，使得系统结构更加清晰，便于维护。 -### 使用 **Spring** 框架能带来哪些好处? + - **事务管理**：Spring 提供了声明式事务管理，方便进行数据库操作的事务控制，降低了编码复杂度，同时提高了事务管理的灵活性。 -下面列举了一些使用 Spring 框架带来的主要好处: +4. **集成性强**：Spring 的另一个关键优势是其 **良好的集成能力**。Spring 提供了许多与常见技术框架的集成，包括： -- Dependency Injection(DI) 方法使得构造器和 JavaBean properties 文件中的依赖关系一 目了然。 -- 与 EJB 容器相比较，IoC 容器更加趋向于轻量级。这样一来 IoC 容器在有限的内存和 CPU 资源的情况下进行应用程序的开发和发布就变得十分有利。 -- Spring 并没有闭门造车，Spring 利用了已有的技术比如 ORM 框架、logging 框架、J2EE、Q uartz和JDK Timer，以及其他视图技术。 -- Spring 框架是按照模块的形式来组织的。由包和类的编号就可以看出其所属的模块，开发者仅 仅需要选用他们需要的模块即可。 -- 要测试一项用 Spring 开发的应用程序十分简单，因为测试相关的环境代码都已经囊括在框架中 了。更加简单的是，利用 JavaBean 形式的 POJO 类，可以很方便的利用依赖注入来写入测试 数据。 -- Spring 的 Web 框架亦是一个精心设计的 Web MVC 框架，为开发者们在 web 框架的选择上 提供了一个除了主流框架比如 Struts、过度设计的、不流行 web 框架的以外的有力选项。 -- Spring 提供了一个便捷的事务管理接口，适用于小型的本地事物处理(比如在单 DB 的环境 下)和复杂的共同事物处理(比如利用 JTA 的复杂 DB 环境)。 + - **JPA、Hibernate、MyBatis** 等持久化框架的集成。 + - **Spring Security**：提供强大的安全框架，支持身份验证、授权控制等功能。 + - **Spring MVC**：可以与不同的 Web 框架（如 JSP、Freemarker、Thymeleaf）以及 RESTful 风格的接口进行集成。 -### Spring有哪些优点？ + - **Spring Boot**：让构建、部署 Spring 应用更加便捷，简化了 Spring 项目的配置和启动。 + +5. **事务管理**：Spring 提供了 **声明式事务管理**，可以通过 `@Transactional` 注解来实现事务的管理，避免了手动管理事务的麻烦，并且支持多种事务传播机制和隔离级别。 + +6. **Spring Boot 提升开发效率**：Spring Boot 是 Spring 的子项目，旨在简化 Spring 应用的配置和部署。它提供了以下优点： + + - **自动配置**：Spring Boot 自动配置了很多常见的功能，如数据库连接、Web 配置、消息队列等，减少了手动配置的工作量。 + + - **内嵌 Web 容器**：Spring Boot 提供了内嵌的 Tomcat、Jetty 等 Web 容器，可以将应用打包成独立的 JAR 或 WAR 文件，便于部署和运行。 + + - **快速开发**：Spring Boot 提供了大量的默认配置和开箱即用的功能，可以快速启动项目，并减少了配置和开发的时间。 + + + +### 🎯 Spring有哪些优点？ - **轻量级**：Spring在大小和透明性方面绝对属于轻量级的，基础版本的Spring框架大约只有2MB。 - **控制反转(IOC)**：Spring使用控制反转技术实现了松耦合。依赖被注入到对象，而不是创建或寻找依赖对象。 @@ -38,117 +110,249 @@ -### Spring模块 +### 🎯 什么是Spring框架？核心特性有哪些？ -![spring overview](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8npk820uj30k00f0q3x.jpg) +Spring 是一个开源的企业级Java应用开发框架，由Rod Johnson创建，目标是简化企业级应用开发。 -### 简述 AOP 和 IOC 概念 +**核心特性包括**： -AOP：Aspect Oriented Program, 面向(方面)切面的编程;Filter(过滤器)也是一种 AOP. AOP 是一种新的 方法论, 是对传统 OOP(Object-OrientedProgramming, 面向对象编程) 的补充. AOP 的主要编程对象是切面(aspect),而切面模块化横切关注点.可以举例通过事务说明. +**1. IOC控制反转**： +- 对象创建和依赖关系管理交给Spring容器 +- 通过依赖注入实现松耦合架构 +- 提高了代码的可测试性和可维护性 -IOC：Invert Of Control, 控制反转. 也称为 DI(依赖注入)其思想是反转资源获取的方向. 传统的资源查找方式要求组件向容器发起请求查找资源.作为回应, 容器适时的返回资源. 而应用了 IOC 之后, 则是容器主动地将资源推送给它所管理的组件,组件所要做的仅是选择一种合适的方式来接受资源. 这种行为也被称为查找的被动形式 +**2. AOP面向切面编程**： +- 将横切关注点从业务逻辑中分离 +- 支持声明式事务、日志、安全等 +- 基于动态代理和CGLIB实现 +**3. 轻量级容器**： +- 非侵入式设计，POJO即可 +- 容器启动快，内存占用少 +- 可以选择性使用框架功能 +**4. 一站式解决方案**： +- 提供完整的企业级技术栈 +- 良好的框架集成能力 +- Spring Boot、Spring Cloud等生态丰富 + +**💻 代码示例**： +```java +// IOC容器基本使用 +@Component +public class UserService { + @Autowired + private UserRepository userRepository; + + public User findById(Long id) { + return userRepository.findById(id); + } +} + +// AOP切面示例 +@Aspect +@Component +public class LoggingAspect { + @Around("@annotation(Log)") + public Object logExecutionTime(ProceedingJoinPoint joinPoint) throws Throwable { + long start = System.currentTimeMillis(); + Object result = joinPoint.proceed(); + long executionTime = System.currentTimeMillis() - start; + System.out.println("Method executed in: " + executionTime + "ms"); + return result; + } +} +``` -## 二、依赖注入 +### 🎯 什么是IOC？依赖注入的实现原理是什么？ IoC（Inverse of Control:控制反转）是一种**设计思想**，就是 **将原本在程序中手动创建对象的控制权，交由Spring框架来管理。** IoC 在其他语言中也有应用，并非 Spring 特有。 **IoC 容器是 Spring 用来实现 IoC 的载体， IoC 容器实际上就是个Map（key，value）,Map 中存放的是各种对象。** -将对象之间的相互依赖关系交给 IoC 容器来管理，并由 IoC 容器完成对象的注入。这样可以很大程度上简化应用的开发，把应用从复杂的依赖关系中解放出来。 **IoC 容器就像是一个工厂一样，当我们需要创建一个对象的时候，只需要配置好配置文件/注解即可，完全不用考虑对象是如何被创建出来的。** 在实际项目中一个 Service 类可能有几百甚至上千个类作为它的底层，假如我们需要实例化这个 Service，你可能要每次都要搞清这个 Service 所有底层类的构造函数，这可能会把人逼疯。如果利用 IoC 的话，你只需要配置好，然后在需要的地方引用就行了，这大大增加了项目的可维护性且降低了开发难度。 +**IoC 的核心思想** -### 什么是 Spring IOC 容器？ +在传统的编程中，程序中会有显式的代码来创建对象并管理它们的生命周期。IoC 则通过将这些控制权交给容器，让容器在适当的时机创建对象，并根据需要注入对象的依赖项。 -Spring 框架的核心是 Spring 容器。容器创建对象，将它们装配在一起，配置它们并管理它们的完整生命周期。Spring 容器使用依赖注入来管理组成应用程序的组件。容器通过读取提供的配置元数据来接收对象进行实例化，配置和组装的指令。该元数据可以通过 XML，Java 注解或 Java 代码提供。 +IoC 的核心思想是“控制权反转”——对象不再主动创建依赖，而是由容器在运行时自动注入依赖，实现代码解耦与统一管理。 -![container magic](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8npp9px7j30du088743.jpg) +将对象之间的相互依赖关系交给 IoC 容器来管理，并由 IoC 容器完成对象的注入。这样可以很大程度上简化应用的开发，把应用从复杂的依赖关系中解放出来。 **IoC 容器就像是一个工厂一样，当我们需要创建一个对象的时候，只需要配置好配置文件/注解即可，完全不用考虑对象是如何被创建出来的。** +> "IOC全称Inversion of Control，即控制反转，是Spring框架的核心思想： +> +> **传统模式 vs IOC模式**： +> +> - **传统模式**：对象主动创建和管理依赖对象（我找你） +> - **IOC模式**：对象被动接受外部注入的依赖（你找我） +> - **控制权反转**：从对象内部转移到外部容器 +**IoC 的实现原理** -### 什么是依赖注入？ +IoC（控制反转）是一种思想，它将对象的控制权从代码中“反转”给外部容器。 +目前 IoC 的主流实现方式是 **依赖注入（Dependency Injection, DI）**。 -**依赖注入（DI,Dependency Injection）是在编译阶段尚未知所需的功能是来自哪个的类的情况下，将其他对象所依赖的功能对象实例化的模式**。这就需要一种机制用来激活相应的组件以提供特定的功能，所以**依赖注入是控制反转的基础**。否则如果在组件不受框架控制的情况下，框架又怎么知道要创建哪个组件？ +**依赖注入（DI）** 是通过容器在创建对象时，将所需依赖自动注入到对象中的一种机制。常见注入方式包括： -依赖注入有以下三种实现方式： +- **构造器注入** +- **Setter 注入** +- **字段注入** -1. 构造器注入 -2. Setter方法注入（属性注入） -3. 接口注入 +在 Spring 中，**IoC 容器**（如 `ApplicationContext`）负责管理 Bean 的生命周期、依赖注入与装配，它是 IoC 思想的具体落地载体。 +此外，早期 IoC 还有“依赖查找（Dependency Lookup）”的实现方式，但由于耦合性较高，目前几乎被依赖注入完全取代。 +**IoC 的好处**「列举 IoC 的一些好处」 -### Spring 中有多少种 IOC 容器？ +- **解耦**：对象之间不需要直接依赖，可以让系统更容易扩展和维护。 +- **易于测试**：通过容器，可以方便地替换依赖项，进行单元测试时可以使用模拟对象（Mock Object）来替代真实对象。 +- **灵活性**：IoC 容器提供了配置和管理对象依赖关系的能力，可以灵活配置依赖项，而不需要改变代码。 -Spring 中的 org.springframework.beans 包和 org.springframework.context 包构成了 Spring 框架 IoC 容器的基础。 +**💻 代码示例**： +```java +// 构造器注入（推荐） +@Service +public class OrderService { + private final PaymentService paymentService; + private final InventoryService inventoryService; + + public OrderService(PaymentService paymentService, + InventoryService inventoryService) { + this.paymentService = paymentService; + this.inventoryService = inventoryService; + } +} -在 Spring IOC 容器读取 Bean 配置创建 Bean 实例之前，必须对它进行实例化。只有在容器实例化后， 才可以从 IOC 容器里获取 Bean 实例并使用 +// Setter注入 +@Service +public class UserService { + private EmailService emailService; + + @Autowired + public void setEmailService(EmailService emailService) { + this.emailService = emailService; + } +} +``` -Spring 提供了两种类型的 IOC 容器实现 -- BeanFactory：IOC 容器的基本实现 -- ApplicationContext：提供了更多的高级特性，是 BeanFactory 的子接口 +### 🎯 什么是 Spring IOC 容器？ -BeanFactory 是 Spring 框架的基础设施，面向 Spring 本身；ApplicationContext 面向使用 Spring 框架的开发者，几乎所有的应用场合都直接使用 ApplicationContext 而非底层的 BeanFactory； +Spring IoC（Inverse of Control，控制反转）容器是Spring框架的核心组件，它负责管理应用程序中的对象（称为Bean）。IoC容器通过控制反转的方式，将组件的创建、配置和依赖关系管理从应用程序代码中分离出来，由容器来处理。 -无论使用何种方式, 配置文件是相同的。 +IoC容器的主要功能包括： +1. **依赖注入（DI）**：IoC容器能够自动注入Bean的依赖项，而不需要手动创建或查找这些依赖项。 +2. **配置管理**：IoC容器使用配置元数据（如XML、注解或Java配置类）来创建和管理Bean。 +3. **Bean生命周期管理**：IoC容器管理Bean的整个生命周期，包括实例化、初始化、使用和销毁。 +4. **作用域控制**：IoC容器支持不同的Bean作用域，如单例（Singleton）、原型（Prototype）、请求（Request）、会话（Session）等。 +5. **依赖关系解析**：IoC容器能够解析Bean之间的依赖关系，并根据配置自动组装这些Bean。 +6. **事件发布和监听**：IoC容器支持事件驱动模型，允许Bean发布事件和监听其他Bean的事件。 +7. **类型转换和数据绑定**：IoC容器提供类型转换服务，能够将配置数据绑定到Bean的属性上。 +8. **自动装配**：IoC容器能够根据Bean的类型和名称自动装配依赖关系，减少显式配置的需要。 +9. **扩展点**：IoC容器提供了多个扩展点，如BeanFactoryPostProcessor和BeanPostProcessor，允许开发者自定义容器的行为。 +通过使用Spring IoC容器，开发者可以专注于业务逻辑的实现，而不必关心对象的创建和依赖管理，从而提高代码的可维护性、可测试性和灵活性。 -### BeanFactory 和 ApplicationContext 区别 +> “Spring IoC 容器的主要功能包括对象的创建与生命周期管理、依赖注入（DI）、自动装配、bean 的作用域管理、AOP 支持、事件机制、资源管理与外部配置集成等。通过这些功能，Spring IoC 容器使得开发者能够更加灵活、高效地管理应用中的对象和它们之间的依赖关系，从而实现解耦、提高代码的可维护性和扩展性。” -| BeanFactory | ApplicationContext | -| -------------------------- | ------------------------ | -| 懒加载 | 即时加载 | -| 它使用语法显式提供资源对象 | 它自己创建和管理资源对象 | -| 不支持国际化 | 支持国际化 | -| 不支持基于依赖的注解 | 支持基于依赖的注解 | -> BeanFactory 可以理解为含有 bean 集合的工厂类。BeanFactory 包含了种 bean 的定义，以便在接收到客户端请求时将对应的 bean 实例化。 -> -> BeanFactory 还能在实例化对象的时生成协作类之间的关系。此举将 bean 自身与 bean 客户端的 配置中解放出来。BeanFactory 还包含 了 bean 生命周期的控制，调用客户端的初始化方法 (initialization methods)和销毁方法(destruction methods)。 + +### 🎯 Spring 默认是单例的，为什么选择用容器这种方式实现呢，还有别的单例实现方式，为什么不用呢 + +> Spring 采用的是 **容器式单例（Container-managed Singleton）**， +> 也就是在 IoC 容器中一个 Bean 只会有一个实例存在。 +> 这种方式比传统单例模式更灵活，因为对象的创建、依赖注入、生命周期管理都交给了容器，而不是写死在类中。 > -> 从表面上看，application context 如同 bean factory 一样具有 bean 定义、bean 关联关系的设 置，根据请求分发 bean 的功能。但 applicationcontext 在此基础上还提供了其他的功能。 +> 传统的懒汉、饿汉、双检锁、静态内部类虽然能实现单例，但缺乏可扩展性和可配置性，也无法支持 AOP、依赖注入、Mock 等框架特性。 > -> 1. 提供了支持国际化的文本消息 ->2. 统一的资源文件读取方式 -> 3. 已在监听器中注册的bean的事件 +> 所以 Spring 选择用容器来管理单例，这是对“单例模式”的一种**框架级实现和增强**。 -**ApplicationContext** +### 🎯 Spring 中有多少种 IOC 容器？ + +Spring 中的 org.springframework.beans 包和 org.springframework.context 包构成了 Spring 框架 IoC 容器的基础。 + +在 Spring IOC 容器读取 Bean 配置创建 Bean 实例之前，必须对它进行实例化。只有在容器实例化后， 才可以从 IOC 容器里获取 Bean 实例并使用 + +Spring 提供了两种类型的 IOC 容器实现 -ApplicationContext 的主要实现类： +- BeanFactory：IOC 容器的基本实现 -- ClassPathXmlApplicationContext：从类路径下加载配置文件 -- FileSystemXmlApplicationContext: 从文件系统中加载配置文件 -- ConfigurableApplicationContext 扩展于 ApplicationContext，新增加两个主要方法：refresh() 和 close()， 让 ApplicationContext具有启动、刷新和关闭上下文的能力 -- WebApplicationContext 是专门为 WEB 应用而准备的，它允许从相对于 WEB 根目录的路径中完成初始化工作 -- ApplicationContext 在初始化上下文时就实例化所有单例的 Bean +- ApplicationContext：提供了更多的高级特性，是 BeanFactory 的子接口 -![javadoop.com](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8npy9i8cj31300pwn0i.jpg) +BeanFactory 是 Spring 框架的基础设施，面向 Spring 本身；ApplicationContext 面向使用 Spring 框架的开发者，几乎所有的应用场合都直接使用 ApplicationContext 而非底层的 BeanFactory； -**从 IOC 容器中获取 Bean** +无论使用何种方式, 配置文件是相同的。 -- 调用 ApplicationContext 的 getBean() 方法 -```java -ApplicationContext ctx = new ClassPathXmlApplicationContext("beans.xml"); -HelloWorld helloWorld = (HelloWorld) ctx.getBean("helloWorld"); -helloWorld.hello(); -``` +### 🎯 BeanFactory 和 ApplicationContext 区别？ +在 Spring 框架中，`BeanFactory` 和 `ApplicationContext` 都是 IoC 容器的核心接口，它们都负责管理和创建 Bean，但它们之间有一些关键的区别。了解这些区别可以帮助你选择合适的容器类型，并正确使用它们。 -### 列举 IoC 的一些好处 +- **BeanFactory**：是 Spring 最基础的容器，负责管理 Bean 的生命周期以及依赖注入。它提供了最基础的功能，通常用于内存或资源较为有限的环境中。 +- **ApplicationContext**：是 `BeanFactory` 的一个子接口，扩展了 `BeanFactory` 的功能，提供了更多的企业级特性，如事件发布、国际化支持、AOP 支持等。`ApplicationContext` 是一个功能更为丰富的容器，通常在大多数 Spring 应用中使用。 -- 它将最小化应用程序中的代码量； -- 它将使您的应用程序易于测试，因为它不需要单元测试用例中的任何单例或 JNDI 查找机制； -- 它以最小的影响和最少的侵入机制促进松耦合； -- 它支持即时的实例化和延迟加载服务 +| 功能/特性 | **BeanFactory** | **ApplicationContext** | +| -------------------------- | -------------------------------------- | ------------------------------------------------------------ | +| **继承关系** | `BeanFactory` 是最基本的容器接口。 | `ApplicationContext` 继承自 `BeanFactory`，并扩展了更多功能。 | +| **懒加载（Lazy Loading）** | 默认懒加载 | 支持懒加载，容器启动时不会立即初始化所有的 Bean，直到真正需要它们时才初始化。 | +| **国际化支持** | 不支持国际化。 | 提供国际化支持，可以使用 `MessageSource` 进行消息的本地化。 | +| **事件机制** | 不支持事件发布与监听。 | 提供事件发布与监听机制，可以使用 `ApplicationEventPublisher` 发布和监听事件。 | +| **AOP 支持** | 不支持 AOP | 支持 AOP（如事务管理、日志记录等）。 | +| **注解驱动配置** | 不支持自动扫描和注解驱动配置 | 支持注解驱动配置，支持 `@ComponentScan` 自动扫描组件。 | +| **Bean 定义的配置** | 仅支持通过 XML 或 Java 配置来定义 Bean | 支持通过 XML、JavaConfig 或注解配置来定义 Bean。 | +| **刷新容器功能** | 没有刷新容器的功能 | 提供 `refresh()` 方法，可以刷新容器，重新加载配置文件和 Bean。 | +**常用的实现类** +- **BeanFactory 的实现类**： + - `XmlBeanFactory`（已废弃） + - `SimpleBeanFactory` + - `DefaultListableBeanFactory`（最常用） +- **ApplicationContext 的实现类**： + - `ClassPathXmlApplicationContext`：基于 XML 配置文件的上下文。 + - `AnnotationConfigApplicationContext`：基于注解配置的上下文。 + - `GenericWebApplicationContext`：适用于 Web 应用的上下文。 -### Spring IoC 的实现机制 +> “`BeanFactory` 是 Spring 最基本的容器接口，负责创建和管理 Bean，但它功能较为简洁，通常用于资源有限的环境。而 `ApplicationContext` 继承了 `BeanFactory`，并提供了更多企业级功能，如国际化支持、事件机制和 AOP 等。`ApplicationContext` 是大多数 Spring 应用中使用的容器，它具有更强的功能和灵活性。通常推荐使用 `ApplicationContext`，除非你有特定的性能或资源要求。” + +```java +// BeanFactory基础用法 +DefaultListableBeanFactory beanFactory = new DefaultListableBeanFactory(); +XmlBeanDefinitionReader reader = new XmlBeanDefinitionReader(beanFactory); +reader.loadBeanDefinitions("applicationContext.xml"); +UserService userService = beanFactory.getBean(UserService.class); + +// ApplicationContext用法（推荐） +ApplicationContext context = new AnnotationConfigApplicationContext(AppConfig.class); +UserService userService = context.getBean(UserService.class); + +// 利用ApplicationContext的高级特性 +@Component +public class EventPublisher implements ApplicationContextAware { + private ApplicationContext applicationContext; + + @Override + public void setApplicationContext(ApplicationContext applicationContext) { + this.applicationContext = applicationContext; + } + + public void publishEvent(String message) { + applicationContext.publishEvent(new CustomEvent(this, message)); + } +} +``` + + + +### 🎯 Spring IoC 的实现机制？ + +> Spring IoC 本质上是通过 **容器 + 工厂模式** 实现的，它把对象的创建和依赖注入交给容器完成。 +> 容器启动时会先解析配置文件或注解，把类信息解析成 `BeanDefinition` 并注册到容器中。 +> 当需要创建 Bean 时，Spring 通过反射实例化对象，并根据依赖关系进行注入，然后执行初始化方法，最后把 Bean 放入单例池中管理。 +> 在这个过程中，还可以通过 `BeanPostProcessor`、AOP、事务等扩展点，对 Bean 做增强。 +> 简单理解就是：**Spring IoC 就是一个 Bean 工厂，负责统一管理 Bean 的生命周期和依赖注入，核心机制依赖反射、BeanDefinition 和容器缓存**。 Spring 中的 IoC 的实现原理就是工厂模式加反射机制，示例： @@ -168,7 +372,7 @@ class Orange implements Fruit { } class Factory { public static Fruit getInstance(String ClassName) { - Fruit f=null; + Fruit f = null; try { f=(Fruit)Class.forName(ClassName).newInstance(); } catch (Exception e) { @@ -189,7 +393,74 @@ class Client { -### 请举例说明如何在 **Spring** 中注入一个 **Java Collection**? +### 🎯 什么是 BeanDefinition？ + +> Spring IoC 的核心是 **BeanDefinition + BeanFactory**。 +> +> IoC 容器启动时会先解析配置文件或注解，把每个 Bean 转换成一个 `BeanDefinition`，里面记录了 Bean 的类名、作用域、依赖、初始化方法等信息，并存到一个 Map 里。 +> +> 当需要实例化时，Spring 会根据 BeanDefinition 创建对象，并执行依赖注入和初始化，把最终的 Bean 存到单例池里。 +> +> 也就是说，**BeanDefinition 是 Spring IoC 内部的蓝图，IoC 容器就是靠它来知道“应该创建什么对象、怎么装配、生命周期怎么管理”的**。 +> +> 举个例子，如果我在类上写了 `@Component`，Spring 会扫描到这个类，把它解析成一个 BeanDefinition（scope=singleton, className=xx），再交给容器去实例化和管理。 + +**什么是 BeanDefinition？** + +- `BeanDefinition` 就是 Spring IoC 容器内部对 **Bean 元数据** 的抽象，它是容器能正确创建、配置、管理 Bean 的“蓝图”。 +- **来源**：XML 配置、注解（@Component、@Bean）、JavaConfig、第三方 FactoryBean。 +- **内容**（核心属性）： + - `beanClassName`：Bean 的全限定类名 + - `scope`：作用域（singleton / prototype / request / session） + - `propertyValues`：依赖注入的属性值（构造器参数 / Setter 注入） + - `autowireMode`：自动装配方式（byName / byType） + - `initMethodName`、`destroyMethodName`：生命周期回调 + - `lazyInit`：是否懒加载 + - `dependsOn`：依赖的其他 Bean + +可以理解为 **BeanDefinition 是 Spring IoC 容器里所有 Bean 的配置清单**。 + +**IoC 容器加载与 BeanDefinition 流程** + +1. **配置解析** + + - XML 配置 → `XmlBeanDefinitionReader` 解析 XML 元素，转成 BeanDefinition。 + - 注解配置 → `ClassPathBeanDefinitionScanner` 扫描包路径，解析 @Component/@Bean，转成 BeanDefinition。 + +2. **注册 BeanDefinition** + + - 把 BeanDefinition 存到 `DefaultListableBeanFactory` 的一个 **Map**： + + ``` + beanDefinitionMap: ConcurrentHashMap + ``` + + - key 是 beanName，value 是 BeanDefinition 对象。 + +3. **实例化 Bean** + + - 容器启动时，会先实例化 **非懒加载的单例 Bean**。 + - 通过反射或 CGLIB 调用构造器创建对象。 + +4. **依赖注入** + + - 遍历 BeanDefinition 中记录的依赖信息（构造器参数、Setter 属性），注入对应 Bean 或值。 + - 支持自动装配（byName / byType / @Autowired）。 + +5. **初始化 & 生命周期** + + - 调用初始化方法（`@PostConstruct`、`InitializingBean`、自定义 init 方法）。 + - 应用 `BeanPostProcessor`（AOP 就是在这里织入）。 + + + +### 🎯 什么是 JavaConfig？ + +“JavaConfig 是 Spring 提供的一种基于 Java 类的配置方式，它通过 `@Configuration` 注解标识配置类，通过 `@Bean` 注解声明 Bean。相较于传统的 XML 配置，JavaConfig 提供了类型安全、灵活的配置方式，支持注解和 Java 语言的优势，使得配置更加简洁、可维护，并且与其他框架集成更加方便。” + + + +### 🎯 请举例说明如何在 **Spring** 中注入一个 **Java Collection**? Spring 提供了以下四种集合类的配置元素: @@ -242,20 +513,16 @@ Spring 提供了以下四种集合类的配置元素: -## 三、Beans - -### 什么是 Spring Beans？ +### 🎯 什么是 Spring Beans？ - 它们是构成用户应用程序主干的对象 - Bean 由 Spring IoC 容器管理 - 它们由 Spring IoC 容器实例化，配置，装配和管理 - Bean 是基于用户提供给容器的配置元数据创建 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8nq56qklj30l602jjre.jpg) - -### Spring 提供了哪些配置方式？ +### 🎯 Spring 提供了哪些配置方式？ - 基于 xml 配置 @@ -283,11 +550,7 @@ Spring 提供了以下四种集合类的配置元素: Spring 的 Java 配置是通过使用 @Bean 和 @Configuration 来实现。 1. @Bean 注解扮演与 `` 元素相同的角色。 - - - 2. @Configuration 类允许通过简单地调用同一个类中的其他 @Bean 方法来定义 bean 间依赖关系。 - -例如： + 2. @Configuration 类允许通过简单地调用同一个类中的其他 @Bean 方法来定义 bean 间依赖关系。 ```java @Configuration @@ -299,547 +562,959 @@ Spring 提供了以下四种集合类的配置元素: } ``` - -### Spring Bean的作用域？ -- 在 Spring 中, 可以在 \ 元素的 scope 属性里设置 Bean 的作用域。 -- 默认情况下，Spring 只为每个在 IOC 容器里声明的 Bean 创建唯一一个实例，整个 IOC 容器范围内都能共享该实例：所有后续的 `getBean()` 调用和 Bean 引用都将返回这个唯一的 Bean 实例。该作用域被称为 **singleton**，它是所有 Bean 的默认作用域。 +### 🎯 通过注解的方式配置bean | 什么是基于注解的容器配置 -Spring 容器中的 bean 可以分为 5 个范围。所有范围的名称都是自说明的，但是为了避免混淆，还是让我们来解释一下： +**组件扫描**(component scanning): Spring 能够从 classpath下自动扫描, 侦测和实例化具有特定注解的组件。 -1. **singleton**：这种bean范围是默认的，这种范围确保不管接受到多少个请求，每个容器中只有一个bean的实例，单例的模式由bean factory自身来维护。 -2. **prototype**：原型范围与单例范围相反，为每一个bean请求提供一个实例。 -3. **request**：每次HTTP请求都会创建一个新的bean，该作用于仅适用于WebApplicationContext环境，在请求完成以后，bean会失效并被垃圾回收器回收。 -4. **Session**：同一个HTTP Session 共享一个bean，不同的 HTTP Session使用不同的bean。该作用于仅适用于WebApplicationContext环境，在session过期后，bean会随之失效。 -5. **global-session**：全局session作用域，仅仅在基于portlet的web应用中才有意义，Spring5已经没有了。Portlet是能够生成语义代码(例如：HTML)片段的小型Java Web插件。它们基于portlet容器，可以像servlet一样处理HTTP请求。但是，与 servlet 不同，每个 portlet 都有不同的会话 +特定组件包括: -全局作用域与Servlet中的session作用域效果相同。 +- **@Component**：基本注解，标识了一个受 Spring 管理的组件 +- **@Respository**：标识持久层组件 +- **@Service**：标识服务层(业务层)组件 +- **@Controller**： 标识表现层组件 +对于扫描到的组件，Spring 有默认的命名策略：使用非限定类名，第一个字母小写。也可以在注解中通过 value 属性值标识组件的名称。 +当在组件类上使用了特定的注解之后，还需要在 Spring 的配置文件中声明 ``： -### **Spring** 框架中的单例 **Beans** 是线程安全的么? +- `base-package` 属性指定一个需要扫描的基类包，Spring 容器将会扫描这个基类包里及其子包中的所有类 -> Spring 容器中的Bean是否线程安全，容器本身并没有提供Bean的线程安全策略，因此可以说Spring容器中的Bean本身不具备线程安全的特性，但是具体还是要结合具体scope的Bean去研究。 -> -> 线程安全这个问题，要从单例与原型Bean分别进行说明。 -> -> **「原型Bean」**对于原型Bean,每次创建一个新对象，也就是线程之间并不存在Bean共享，自然是不会有线程安全的问题。 -> -> **「单例Bean」**对于单例Bean,所有线程都共享一个单例实例Bean,因此是存在资源的竞争。 -> -> ### **spring单例，为什么controller、service和dao确能保证线程安全？** -> -> Spring中的Bean默认是单例模式的，框架并没有对bean进行多线程的封装处理。实际上大部分时间Bean是无状态的（比如Dao） 所以说在某种程度上来说Bean其实是安全的。 -> -> 但是如果Bean是有状态的 那就需要开发人员自己来进行线程安全的保证，最简单的办法就是改变bean的作用域 把 `singleton` 改为 `protopyte`， 这样每次请求Bean就相当于是 new Bean() 这样就可以保证线程的安全了。 -> -> - 有状态就是有[数据存储](https://cloud.tencent.com/product/cdcs?from=10680)功能 -> - 无状态就是不会保存数据 -> -> controller、service和dao层本身并不是线程安全的，只是如果只是调用里面的方法，而且多线程调用一个实例的方法，会在内存中复制变量，这是自己的线程的工作内存，是安全的。 +- 当需要扫描多个包时, 可以使用逗号分隔 -Spring 框架并没有对单例 bean 进行任何多线程的封装处理。关于单例 bean 的线程安全和并发问 题需要开发者自行去搞定。但实际上，大部分的 Spring bean 并没有可变的状态(比如 Serview 类 和 DAO 类)，所以在某种程度上说 Spring 的单例 bean 是线程安全的。如果你的 bean 有多种状 态的话(比如 View Model 对象)，就需要自行保证线程安全。 - 最浅显的解决办法就是将多态 bean 的作用域由“singleton”变更为“prototype”。 +- 如果仅希望扫描特定的类而非基包下的所有类，可使用 `resource-pattern` 属性过滤特定的类，示例： + + ```xml + + ``` + +### 🎯 Spring Bean的生命周期是怎样的？ -### Spring bean 容器的生命周期是什么样的？ +“Spring Bean 的生命周期，是指一个 Bean 从被 Spring 容器创建，经过初始化，到最终被销毁的整个过程。以最常见的单例 Bean 为例，其完整生命周期可以概括为以下几个关键阶段： -Spring IOC 容器可以管理 Bean 的生命周期，Spring 允许在 Bean 生命周期的特定点执行定制的任务。 +1. **实例化（Instantiation）**：Spring 容器通过反射调用 Bean 的构造函数，创建一个 Bean 的实例。 +2. **属性赋值（Populate Properties）**：Spring 容器根据 Bean 定义，为 Bean 的属性注入值，这包括处理`@Autowired`、`@Resource`等依赖注入注解。 +3. **`Aware`接口回调**：如果 Bean 实现了`Aware`系列接口（如`BeanNameAware`, `ApplicationContextAware`），Spring 容器会调用相应的`setXxx()`方法，将容器的相关资源注入给 Bean，让 Bean 能够 “感知” 到容器环境。 +4. **`BeanPostProcessor`前置处理**：容器中所有`BeanPostProcessor`的`postProcessBeforeInitialization`方法被调用。 +5. **初始化（Initialization）**：这是 Bean 准备就绪的关键阶段，执行顺序为： + - 执行`@PostConstruct`注解的方法。 + - 执行`InitializingBean`接口的`afterPropertiesSet`方法。 + - 执行自定义的`init-method`方法。 +6. **`BeanPostProcessor`后置处理**：容器中所有`BeanPostProcessor`的`postProcessAfterInitialization`方法被调用。**AOP 的代理对象就是在这个步骤生成的**。 +7. **Bean 就绪并使用**：此时，Bean 已经完全创建好，并被放入容器中，随时可以被应用程序调用。对于单例 Bean，它会一直存在于容器中，直到容器关闭。 +8. **销毁（Destruction）**：当 Spring 容器关闭时，会销毁所有单例 Bean，执行顺序为： + - 执行`@PreDestroy`注解的方法。 + - 执行`DisposableBean`接口的`destroy`方法。 + - 执行自定义的`destroy-method`方法。 -Spring bean 容器的生命周期流程如下： +这个生命周期为我们提供了丰富的扩展点，允许我们在 Bean 的不同阶段执行自定义逻辑，例如使用`@PostConstruct`进行资源加载，或利用`BeanPostProcessor`实现 AOP 等高级功能。” -1. Spring 容器根据配置中的 bean 定义实例化 bean； -2. Spring 使用依赖注入填充所有属性，如 bean 中所定义的配置； -3. 如果 bean 实现 BeanNameAware 接口，则工厂通过传递 bean 的 ID 来调用 setBeanName()； -4. 如果 bean 实现 BeanFactoryAware 接口，工厂通过传递自身的实例来调用 setBeanFactory()； -5. 与上面的类似，如果实现了其他 `*.Aware`接口，就调用相应的方法； -6. 如果存在与 bean 关联的任何 BeanPostProcessors，则调用 preProcessBeforeInitialization() 方法； -7. 如果为 bean 指定了 init 方法（`` 的 init-method 属性），那么将调用它； -8. 最后，如果存在与 bean 关联的任何 BeanPostProcessors，则将调用 postProcessAfterInitialization() 方法； -9. 如果 bean 实现 DisposableBean 接口，当 spring 容器关闭时，会调用 destory()； -10. 如果为 bean 指定了 destroy 方法（`` 的 destroy-method 属性），那么将调用它 +```java +@Component +public class LifecycleDemo implements BeanNameAware, InitializingBean, DisposableBean { + + private String beanName; + + public LifecycleDemo() { + System.out.println("1. 构造器执行"); + } + + @Autowired + public void setDependency(SomeDependency dependency) { + System.out.println("2. 属性注入"); + } + + @Override + public void setBeanName(String name) { + this.beanName = name; + System.out.println("3. BeanNameAware回调：" + name); + } + + @PostConstruct + public void postConstruct() { + System.out.println("4. @PostConstruct执行"); + } + + @Override + public void afterPropertiesSet() { + System.out.println("5. InitializingBean.afterPropertiesSet()"); + } + + @PreDestroy + public void preDestroy() { + System.out.println("6. @PreDestroy执行"); + } + + @Override + public void destroy() { + System.out.println("7. DisposableBean.destroy()"); + } +} +``` -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8nqbdmr2j30zp0u0n2x.jpg) +### 🎯 什么是 Spring 装配? -在 bean 初始化时会经历几个阶段，要与容器对 bean 生命周期的管理交互，可以实现 `InitializingBean` 和 `DisposableBean` 接口。容器对前者调用 `afterPropertiesSet()`，对后者调用 `destroy()`，以允许 bean 在初始化和销毁 bean 时执行某些操作。 +在 Spring 框架中，**装配（Wiring）**是指将一个对象的依赖关系注入到另一个对象中的过程。通过装配，Spring 容器能够自动管理对象之间的依赖关系，从而减少了应用程序中显式地创建和管理对象的代码。装配是 Spring IoC（控制反转）容器的核心概念之一，它使得 Spring 应用能够轻松地将不同的组件连接在一起，形成完整的应用程序。 -官方不建议使用这两个接口，而是建议使用 `@PostConstruct` 和 `@PreDestroy`，或者 XML 配置中使用 `init-method`和`destroy-method` 属性 +**Spring 装配的类型** -```xml - -``` +Spring 提供了几种不同的方式来装配 Bean，主要包括以下几种： -```java -public class ExampleBean { +1. **构造器注入（Constructor Injection）** +2. **Setter 注入（Setter Injection）** +3. **字段注入（Field Injection）** +4. **自动装配（Autowiring）** +5. **基于 XML 配置的装配** - public void init() { - // do some initialization work - } -} -``` +> 依赖注入的本质就是装配，装配是依赖注入的具体行为。 -等价于 -```java -public class AnotherExampleBean implements InitializingBean { - public void afterPropertiesSet() { - // do some initialization work - } -} -``` +### 🎯 什么是bean自动装配？ -> Spring Bean生命周期回调——初始化回调和销毁回调方法 +**Bean 自动装配（Bean Autowiring）** 是 Spring 框架中的一项重要功能，用于自动满足一个对象对其他对象的依赖。通过自动装配，Spring 容器能够根据配置的规则，将所需的依赖对象自动注入到目标 Bean 中，而无需手动显式定义依赖关系。这种机制极大地简化了依赖注入的过程，使代码更加简洁和易于维护。 -实现 Bean 初始化回调和销毁回调各有三种方法，一是实现接口方法，二是在XML配置，三是使用注解 +在Spring框架有多种自动装配，让我们逐一分析 -- 使用注解 `@PostConstruct` 和 `@PreDestroy` -- 实现 `InitializingBean` 和 `DisposableBean` 接口 -- XML 中配置 `init-method` 和 `destroy-method` +1. **no**：这是Spring框架的默认设置，在该设置下自动装配是关闭的，开发者需要自行在beanautowire属性里指定自动装配的模式 -在一个 bean 中，如果配置了多种生命周期回调机制，会按照上边从上到下的次序调用 +2. **byName**：**按名称自动装配（结合 `@Qualifier` 注解）**如果容器中有多个相同类型的 Bean，可以使用 `@Qualifier` 注解结合 `@Autowired` 来按名称指定具体的 Bean。 +3. **byType**：按类型自动装配 (`@Autowired` 默认方式) +4. **constructor**：通过在构造器上添加 `@Autowired` 注解，Spring 会根据构造器参数的类型自动注入对应的 Bean。这种方式可以确保在对象创建时，所有依赖项都已完全注入。 -### 在 Spring 中如何配置 Bean? +5. **autodetect**：Spring首先尝试通过 *constructor* 使用自动装配来连接，如果它不执行，Spring 尝试通过 *byType* 来自动装配【Spring 4.x 中已经被废弃】 -Bean 的配置方式: 通过全类名 （反射）、 通过工厂方法 （静态工厂方法 & 实例工厂方法）、FactoryBean +在自动装配时，Spring 会检查容器中的所有 Bean，并根据规则选择一个合适的 Bean 来满足依赖。如果找不到匹配的 Bean 或找到多个候选 Bean，可能会抛出异常。 -### 什么是 Spring 装配 +### 🎯 自动装配有什么局限？ -当 bean 在 Spring 容器中组合在一起时，它被称为装配或 bean 装配，装配是创建应用对象之间协作关系的行为。 Spring 容器需要知道需要什么 bean 以及容器应该如何使用依赖注入来将 bean 绑定在一起，同时装配 bean。 +- 基本数据类型的值、字符串字面量、类字面量无法使用自动装配来注入。 +- 装配依赖中若是出现匹配到多个bean（出现歧义性），装配将会失败 -依赖注入的本质就是装配，装配是依赖注入的具体行为。 -注入是实例化的过程，将创建的bean放在Spring容器中，分为属性注入（setter方式）、构造器注入 +### 🎯 Spring Bean的作用域有哪些？如何选择？ +"Spring支持多种Bean作用域，用于控制Bean的创建策略和生命周期： -### 什么是bean自动装配？ +**核心作用域**： -Spring 容器可以自动配置相互协作 beans 之间的关联关系。这意味着 Spring 可以自动配置一个 bean 和其他协作bean 之间的关系，通过检查 BeanFactory 的内容里有没有使用< property>元素。 +**1. singleton（单例，默认）**： +- 整个Spring容器中只有一个Bean实例 +- 线程不安全，需注意并发访问 +- 适用于无状态的服务层组件 -在Spring框架中共有5种自动装配，让我们逐一分析 +**2. prototype（原型）**： +- 每次getBean()都创建新实例 +- Spring不管理prototype Bean的完整生命周期 +- 适用于有状态的Bean -1. **no**：这是Spring框架的默认设置，在该设置下自动装配是关闭的，开发者需要自行在beanautowire属性里指定自动装配的模式 +**Web环境作用域**： -2. **byName**：该选项可以根据bean名称设置依赖关系。当向一个bean中自动装配一个属性时，容器将根据bean的名称自动在在配置文件中查询一个匹配的bean。如果找到的话，就装配这个属性，如果没找到的话就报错。 +**3. request（请求作用域）**： +- 每个HTTP请求创建一个Bean实例 +- 请求结束后实例被销毁 +- 用于存储请求相关数据 -3. **byType**：该选项可以根据bean类型设置依赖关系。当向一个bean中自动装配一个属性时，容器将根据bean的类型自动在在配置文件中查询一个匹配的bean。如果找到的话，就装配这个属性，如果没找到的话就报错。 +**4. session（会话作用域）**： +- 每个HTTP Session创建一个实例 +- Session失效后实例被销毁 +- 用于存储用户会话数据 -4. **constructor**：构造器的自动装配和byType模式类似，但是仅仅适用于与有构造器相同参数的bean，如果在容器中没有找到与构造器参数类型一致的bean，那么将会抛出异常。 +**5. application（应用作用域）**： +- 整个Web应用只有一个实例 +- 绑定到ServletContext生命周期 -5. **autodetect**：Spring首先尝试通过 *constructor* 使用自动装配来连接，如果它不执行，Spring 尝试通过 *byType* 来自动装配 +**选择原则**： +- 无状态Bean → singleton +- 有状态Bean → prototype +- Web数据 → request/session +- 全局共享 → application" - +**💻 代码示例**： +```java +// 单例Bean（默认） +@Component +public class SingletonService { + private int counter = 0; // 线程不安全！ + + public void increment() { + counter++; + } +} -### 自动装配有什么局限？ +// 原型Bean +@Component +@Scope("prototype") +public class PrototypeBean { + private int counter = 0; // 每个实例独立 +} -- 基本数据类型的值、字符串字面量、类字面量无法使用自动装配来注入。 -- 装配依赖中若是出现匹配到多个bean（出现歧义性），装配将会失败 +// 请求作用域 +@Component +@RequestScope +public class RequestBean { + private String requestId = UUID.randomUUID().toString(); +} +// 会话作用域 +@Component +@SessionScope +public class UserSession { + private String userId; + private Map attributes = new HashMap<>(); +} +``` -### 通过注解的方式配置bean | 什么是基于注解的容器配置 -**组件扫描**(component scanning): Spring 能够从 classpath下自动扫描, 侦测和实例化具有特定注解的组件。 +### 🎯 Spring 框架中的单例 **Beans** 是线程安全的么? -特定组件包括: +> Spring 容器中的Bean是否线程安全，容器本身并没有提供Bean的线程安全策略，因此可以说Spring容器中的Bean本身不具备线程安全的特性，但是具体还是要结合具体scope的Bean去研究。 +> +> 线程安全这个问题，要从单例与原型Bean分别进行说明。 +> +> **「原型Bean」**对于原型Bean,每次创建一个新对象，也就是线程之间并不存在Bean共享，自然是不会有线程安全的问题。 +> +> **「单例Bean」**对于单例Bean,所有线程都共享一个单例实例Bean,因此是存在资源的竞争。 -- **@Component**：基本注解，标识了一个受 Spring 管理的组件 -- **@Respository**：标识持久层组件 -- **@Service**：标识服务层(业务层)组件 -- **@Controller**： 标识表现层组件 +在 Spring 框架中，单例（**Singleton**）Beans 默认是**线程不安全的**，这取决于 Bean 的内部状态以及是否对其进行了适当的同步和管理。具体来说，Spring 的 **单例作用域** 表示容器只会创建该 Bean 的单一实例并共享，但它并没有自动保证 Bean 实例本身的线程安全性。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8nqhucw4j31qq0j2aak.jpg) +1. 单例 Bean 线程安全问题的原因 -对于扫描到的组件,，Spring 有默认的命名策略：使用非限定类名，第一个字母小写。也可以在注解中通过 value 属性值标识组件的名称。 + - **单例模式**意味着 Spring 容器会在应用启动时创建该 Bean 的唯一实例，并且整个应用程序生命周期内都会使用这个实例。因此，如果该 Bean 被多个线程共享并且内部状态是可变的（即 Bean 的属性值发生改变），则必须小心处理，以避免线程安全问题。 -当在组件类上使用了特定的注解之后,，还需要在 Spring 的配置文件中声明 ``： + - **线程不安全的实例**：如果单例 Bean 中的字段是可变的且没有正确同步，那么多个线程访问该 Bean 时，可能会出现竞态条件、脏读、写冲突等问题。 -- `base-package` 属性指定一个需要扫描的基类包，Spring 容器将会扫描这个基类包里及其子包中的所有类 +2. 单例 Bean 线程安全的几种情况 -- 当需要扫描多个包时, 可以使用逗号分隔 +- 无状态的单例 Bean（线程安全） -- 如果仅希望扫描特定的类而非基包下的所有类，可使用 `resource-pattern` 属性过滤特定的类，示例： + 如果单例 Bean 没有任何可变的成员变量，或者所有成员变量都是不可变的（例如 `final` 类型或 `@Value` 注入的常量），则它是线程安全的，因为不同线程在访问该 Bean 时不会修改其状态。 - ```xml - + ```java + @Component + public class MyService { + public String greet(String name) { + return "Hello, " + name; + } + } ``` - + 在这个例子中，`MyService` 是无状态的，方法内部没有任何成员变量，因此多个线程可以同时调用该方法，而不会出现线程安全问题。 -### 如何在 spring 中启动注解装配？ +- 有状态的单例 Bean（非线程安全） -默认情况下，Spring 容器中未打开注解装配。因此，要使用基于注解装配，我们必须通过配置`` 元素在 Spring 配置文件中启用它。 + 如果单例 Bean 的某些字段是可变的，或者它们会随着方法调用而变化（例如，实例变量依赖于请求参数或其他外部因素），那么它可能会变得线程不安全。 + ```java + @Component + public class CounterService { + private int counter = 0; + + public void increment() { + counter++; // 非线程安全操作 + } + + public int getCounter() { + return counter; + } + } + ``` + 在这个例子中，`CounterService` 是有状态的，因为 `counter` 字段的值会根据 `increment()` 方法的调用而变化。如果多个线程同时调用 `increment()` 方法，可能会导致竞态条件（race condition），从而导致线程安全问题。 +- 有状态的单例 Bean 的线程安全处理 + 如果你的单例 Bean 是有状态的，且你需要在多线程环境中使用，可以自己来确保线程安全：比如同步方法、原子类等 -## 四、AOP +> - **无状态的单例 Bean**：如果单例 Bean 没有可变状态（即没有实例字段或者所有字段都是 `final` 的），那么它是线程安全的。 +> - **有状态的单例 Bean**：如果单例 Bean 的字段是可变的，且在多线程环境中可能会被同时访问，默认情况下它是**线程不安全的**。这种情况下，必须通过同步、原子类、或者 `ThreadLocal` 等技术来确保线程安全。 +> - **Spring 不会自动为单例 Bean 提供线程安全机制**，开发者需要根据实际情况来保证线程安全性。 ->👴：描述一下Spring AOP 呗？ -> ->​ 你有没有⽤过Spring的AOP? 是⽤来⼲嘛的? ⼤概会怎么使⽤？ -> +> “Spring 框架中的单例 Bean 默认情况下并不保证线程安全性。单例模式意味着同一个 Bean 实例会被多个线程共享，因此如果 Bean 有可变的状态（例如成员变量会在方法调用中发生变化），就可能导致线程安全问题。为了确保线程安全，我们可以使用同步机制、原子类或者 `ThreadLocal` 来保证在多线程环境中的安全访问。如果 Bean 是无状态的，那么它就是线程安全的。” -### 什么是 AOP？ -AOP(Aspect-Oriented Programming，面向切面编程)：是一种新的方法论，是对传统 OOP(Object-Oriented Programming，面向对象编程) 的补充。在 OOP 中, 我们以类(class)作为我们的基本单元，而 AOP 中的基本单元是 **Aspect(切面)** -AOP 的主要编程对象是切面(aspect) +### 🎯 什么是循环依赖？Spring如何解决？ -在应用 AOP 编程时, 仍然需要定义公共功能，但可以明确的定义这个功能在哪里,，以什么方式应用,，并且不必修改受影响的类。这样一来横切关注点就被模块化到特殊的对象(切面)里。 +> 循环依赖是指 Bean 之间的相互依赖导致的创建死循环。Spring 通过 **三级缓存** 提前暴露半成品 Bean 的引用来解决单例 Bean 的循环依赖，支持 setter/field 注入。但构造器注入和 prototype Bean 的循环依赖无法解决，会报错。 -AOP 的好处: +**循环依赖**： 两个或多个 Bean 之间相互依赖，形成一个环。 -- 每个事物逻辑位于一个位置，代码不分散，便于维护和升级 -- 业务模块更简洁, 只包含核心业务代码 +- 例如：`A` 依赖 `B`, `B` 又依赖 `A` -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8nqrqcgvj30ov0hqq38.jpg) +如果 Spring 不处理，就会在 Bean 创建过程中死循环，导致启动失败。 +------ +**Spring 解决循环依赖的机制** -### **AOP 术语** +Spring 默认支持 **单例 Bean 的循环依赖**（构造器注入除外）。核心依赖 **三级缓存机制**： -- 切面（Aspect）：横切关注点（跨越应用程序多个模块的功能），被模块化的特殊对象 -- 连接点（Joinpoint）：程序执行的某个特定位置，如类某个方法调用前、调用后、方法抛出异常后等。在这个位置我们可以插入一个 AOP 切面，它实际上是应用程序执行 Spring AOP 的位置 +1. **singletonObjects**（一级缓存）：完成初始化的单例对象的 cache，这里的 bean 经历过 `实例化->属性填充->初始化` 以及各种后置处理 +2. **earlySingletonObjects**（二级缓存）：存放提前曝光的“半成品” Bean（**完成实例化但是尚未填充属性和初始化**），仅仅能作为指针提前曝光，被其他 bean 所引用，用于解决循环依赖的 +3. **singletonFactories**（三级缓存）：存放对象工厂（主要用于 AOP 代理提前暴露） -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8nqwua8mj31da0fqmxb.jpg) +**解决流程：** -- 通知（Advice）： 通知是个在方法执行前或执行后要做的动作，实际上是程序执行时要通过 SpringAOP 框架触发的代码段。Spring 切面可以应用五种类型的通知： - - before： 前置通知 ， 在一个方法执行前被调用 - - after：在方法执行之后调用的通知，无论方式执行是否成功 - - after-returning：仅当方法成功完成后执行的通知 - - after-throwing：在方法抛出异常退出时执行的通知 - - around：在方法执行之前和之后调用的通知 +1. Spring 创建 Bean `A` → 实例化 `A`，但属性未注入 + - 把 `A` 的 **工厂对象（ObjectFactory）** 放入 **三级缓存** +2. `A` 需要注入 `B` → 创建 `B` +3. `B` 又需要 `A` → 从三级缓存找到 `A` 的工厂，拿到 `A` 的引用（可能是代理对象），放入二级缓存 +4. `B` 完成创建 → 注入到 `A` +5. `A` 完成属性注入 → 移到一级缓存，删除二三级缓存中的引用 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8nr1x47wj30z20qi3yr.jpg) +------ -- 目标（Target）：被通知的对象，通常是一个代理对象，也指被通知（advice）对象 -- 代理（Proxy）：向目标对象应用通知之后创建的对象 -- 切点（pointcut）：每个类都拥有多个连接点，程序运行中的一些时间点，例如一个方法的执行，或者是一个异常的处理。AOP 通过切点定位到特定的连接点。类比：连接点相当于数据库中的记录，切点相当于查询条件。切点和连接点不是一对一的关系，一个切点匹配多个连接点，切点通过 `org.springframework.aop.Pointcut` 接口进行描述，它使用类和方法作为连接点的查询条件 -- 引入（Introduction）：引入允许我们向现有的类添加新方法或属性 -- 织入（Weaving）：织入是把切面应用到目标对象并创建新的代理对象的过程 +**注意点** +- **支持的情况**： + - 单例 Bean + setter 注入 / field 注入（可以先实例化再填充属性） +- **不支持的情况**： + - **构造器注入**循环依赖（因为对象还没实例化就要彼此依赖，没法提前暴露） + - **prototype Bean**（因为原型 Bean 不走单例缓存机制） +```java +protected Object getSingleton(String beanName, boolean allowEarlyReference) { + // 从 singletonObjects 获取实例，singletonObjects 中的实例都是准备好的 bean 实例，可以直接使用 + Object singletonObject = this.singletonObjects.get(beanName); + //isSingletonCurrentlyInCreation() 判断当前单例bean是否正在创建中 + if (singletonObject == null && isSingletonCurrentlyInCreation(beanName)) { + synchronized (this.singletonObjects) { + // 一级缓存没有，就去二级缓存找 + singletonObject = this.earlySingletonObjects.get(beanName); + if (singletonObject == null && allowEarlyReference) { + // 二级缓存也没有，就去三级缓存找 + ObjectFactory singletonFactory = this.singletonFactories.get(beanName); + if (singletonFactory != null) { + // 三级缓存有的话，就把他移动到二级缓存,.getObject() 后续会讲到 + singletonObject = singletonFactory.getObject(); + this.earlySingletonObjects.put(beanName, singletonObject); + this.singletonFactories.remove(beanName); + } + } + } + } + return singletonObject; +} +``` -**Spring AOP** -- **AspectJ：**Java 社区里最完整最流行的 AOP 框架 -- 在 Spring2.0 以上版本中, 可以使用基于 AspectJ 注解或基于 XML 配置的 AOP -**在 Spring 中启用 AspectJ 注解支持** +### 🎯 为什么 Spring 要用三级缓存？二级缓存是不是就够了？ -- 要在 Spring 应用中使用 AspectJ 注解, 必须在 classpath 下包含 AspectJ 类库：`aopalliance.jar`、`aspectj.weaver.jar` 和 `spring-aspects.jar` -- 将 aop Schema 添加到 `` 根元素中. -- 要在 Spring IOC 容器中启用 AspectJ 注解支持, 只要在 Bean 配置文件中定义一个空的 XML 元素 `` -- 当 Spring IOC 容器侦测到 Bean 配置文件中的` ` 元素时, 会自动为与 AspectJ切面匹配的 Bean 创建代理. +> 如果只考虑循环依赖，**二级缓存就能解决**； +> +> Spring 使用 **三级缓存** 是为了兼顾 **AOP 代理场景**，确保即使 Bean 被代理，依赖注入的也是同一个最终对象。 +**二级缓存能解决吗？** +从“解决循环依赖”的角度看，其实 **二级缓存就够了**。 -### 有哪写类型的通知（Advice） | 用 AspectJ 注解声明切面 +- 当 `A` 需要 `B`，`B` 又需要 `A`，Spring 可以把 `A` 的“半成品对象”直接放到二级缓存里（`earlySingletonObjects`），这样 `B` 在创建时就能拿到 `A` 的引用，从而解决循环依赖。 -- 要在 Spring 中声明 AspectJ切面, 只需要在 IOC 容器中将切面声明为 Bean 实例. 当在 Spring IOC 容器中初始化 AspectJ切面之后, Spring IOC 容器就会为那些与 AspectJ切面相匹配的 Bean 创建代理. -- 在 AspectJ注解中, 切面只是一个带有 @Aspect 注解的 Java 类. -- 通知是标注有某种注解的简单的 Java 方法. -- AspectJ支持 5 种类型的通知注解: +------ - - @Before: 前置通知, 在方法执行之前执行 - - @After: 后置通知, 在方法执行之后执行 - - @AfterRunning: 返回通知, 在方法返回结果之后执行 - - @AfterThrowing: 异常通知, 在方法抛出异常之后 - - @Around: 环绕通知, 围绕着方法执行 +**为什么需要三级缓存？** +三级缓存的作用是为了 **支持 AOP 代理等场景**。 +- 假如 `A` 是一个需要被代理的 Bean（比如加了 `@Transactional`），如果只用二级缓存： + - `B` 注入的是原始的 `A` 对象（还没生成代理） + - 之后 `A` 在 BeanPostProcessor 里生成了代理对象，但 `B` 已经持有了原始对象，最终导致依赖的不是同一个对象（代理失效） +- 所以 Spring 在三级缓存中放的不是对象本身，而是一个 **ObjectFactory**，可以在需要的时候返回真正的对象（原始的或者代理过的）。 + - `getEarlyBeanReference()` 会在 BeanPostProcessor 中执行，把原始对象包装成代理对象。 + - 这样保证了 `A` 和 `B` 拿到的都是最终的代理对象，而不是半成品。 -### AOP 有哪些实现方式？ +--- -实现 AOP 的技术，主要分为两大类： -- 静态代理 - 指使用 AOP 框架提供的命令进行编译，从而在编译阶段就可生成 AOP 代理类，因此也称为编译时增强； - - 编译时编织（特殊编译器实现） - - 类加载时编织（特殊的类加载器实现）。 -- 动态代理 - 在运行时在内存中“临时”生成 AOP 动态代理类，因此也被称为运行时增强。 - - JDK 动态代理 - - CGLIB +## 🎯 二、AOP面向切面编程 +**核心理念**：将横切关注点从业务逻辑中分离，实现关注点分离，提高代码的模块化程度。 -### Spring AOP 实现原理 +### 🎯 什么是AOP？核心概念有哪些？ -`Spring`的`AOP`实现原理其实很简单，就是通过**动态代理**实现的。如果我们为`Spring`的某个`bean`配置了切面，那么`Spring`在创建这个`bean`的时候，实际上创建的是这个`bean`的一个代理对象，我们后续对`bean`中方法的调用，实际上调用的是代理类重写的代理方法。而`Spring`的`AOP`使用了两种动态代理，分别是**JDK的动态代理**，以及**CGLib的动态代理**。 +"AOP全称Aspect Oriented Programming，即面向切面编程，是对OOP的补充和扩展： -**一）JDK动态代理** +**AOP核心思想**： +- 将横切关注点（如日志、事务、安全）从业务逻辑中分离 +- 通过动态代理技术实现方法增强 +- 提高代码的模块化程度和可维护性 -  **Spring默认使用JDK的动态代理实现AOP，类如果实现了接口，Spring就会使用这种方式实现动态代理**。熟悉`Java`语言的应该会对`JDK`动态代理有所了解。`JDK`实现动态代理需要两个组件，首先第一个就是`InvocationHandler`接口。我们在使用`JDK`的动态代理时，需要编写一个类，去实现这个接口，然后重写`invoke`方法，这个方法其实就是我们提供的代理方法。然后`JDK`动态代理需要使用的第二个组件就是`Proxy`这个类，我们可以通过这个类的`newProxyInstance`方法，返回一个代理对象。生成的代理类实现了原来那个类的所有接口，并对接口的方法进行了代理，我们通过代理对象调用这些方法时，底层将通过反射，调用我们实现的`invoke`方法。 +**核心概念**： -**（二）CGLib动态代理** +**1. 切面（Aspect）**： +- 横切关注点的模块化封装 +- 包含切点和通知的组合 +- 使用@Aspect注解定义 -  `JDK`的动态代理存在限制，那就是被代理的类必须是一个实现了接口的类，代理类需要实现相同的接口，代理接口中声明的方法。若需要代理的类没有实现接口，此时`JDK`的动态代理将没有办法使用，于是`Spring`会使用`CGLib`的动态代理来生成代理对象。`CGLib`直接操作字节码，生成类的子类，重写类的方法完成代理。 +**2. 连接点（JoinPoint）**： +- 程序执行过程中能插入切面的点 +- Spring AOP中特指方法执行点 +- 包含方法信息、参数、目标对象等 -> #### JDK的动态代理 -> -> **（一）实现原理** -> ->   `JDK`的动态代理是基于**反射**实现。`JDK`通过反射，生成一个代理类，这个代理类实现了原来那个类的全部接口，并对接口中定义的所有方法进行了代理。当我们通过代理对象执行原来那个类的方法时，代理类底层会通过反射机制，回调我们实现的`InvocationHandler`接口的`invoke`方法。**并且这个代理类是Proxy类的子类**（记住这个结论，后面测试要用）。这就是`JDK`动态代理大致的实现方式。 -> -> **（二）优点** -> -> 1. `JDK`动态代理是`JDK`原生的，不需要任何依赖即可使用； -> 2. 通过反射机制生成代理类的速度要比`CGLib`操作字节码生成代理类的速度更快； -> -> **（三）缺点** -> -> 1. 如果要使用`JDK`动态代理，被代理的类必须实现了接口，否则无法代理； -> 2. `JDK`动态代理无法为没有在接口中定义的方法实现代理，假设我们有一个实现了接口的类，我们为它的一个不属于接口中的方法配置了切面，`Spring`仍然会使用`JDK`的动态代理，但是由于配置了切面的方法不属于接口，为这个方法配置的切面将不会被织入。 -> 3. `JDK`动态代理执行代理方法时，需要通过反射机制进行回调，此时方法执行的效率比较低； -> -> -> -> #### CGLib动态代理 -> -> **（一）实现原理** -> ->   `CGLib`实现动态代理的原理是，底层采用了`ASM`字节码生成框架，直接对需要代理的类的字节码进行操作，生成这个类的一个子类，并重写了类的所有可以重写的方法，在重写的过程中，将我们定义的额外的逻辑（简单理解为`Spring`中的切面）织入到方法中，对方法进行了增强。而通过字节码操作生成的代理类，和我们自己编写并编译后的类没有太大区别。 -> -> **（二）优点** -> -> 1. 使用`CGLib`代理的类，不需要实现接口，因为`CGLib`生成的代理类是直接继承自需要被代理的类； -> 2. `CGLib`生成的代理类是原来那个类的子类，这就意味着这个代理类可以为原来那个类中，所有能够被子类重写的方法进行代理； -> 3. `CGLib`生成的代理类，和我们自己编写并编译的类没有太大区别，对方法的调用和直接调用普通类的方式一致，所以`CGLib`执行代理方法的效率要高于`JDK`的动态代理； -> -> **（三）缺点** -> -> 1. 由于`CGLib`的代理类使用的是继承，这也就意味着如果需要被代理的类是一个`final`类，则无法使用`CGLib`代理； -> 2. 由于`CGLib`实现代理方法的方式是重写父类的方法，所以无法对`final`方法，或者`private`方法进行代理，因为子类无法重写这些方法； -> 3. `CGLib`生成代理类的方式是通过操作字节码，这种方式生成代理类的速度要比`JDK`通过反射生成代理类的速度更慢； +**3. 切点（Pointcut）**： -### 有哪些不同的AOP实现 +- 匹配连接点的表达式 +- 定义在哪些方法上应用通知 +- 使用AspectJ表达式语言 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8nr8kv0fj31kw0onwg3.jpg) +**4. 通知（Advice）**： +- 在特定连接点执行的代码 +- 包含前置、后置、环绕、异常、最终通知 +**5. 目标对象（Target）**： +- 被通知的对象，通常是业务逻辑对象 +**6. 织入（Weaving）**： +- 将切面应用到目标对象创建代理的过程 +- Spring采用运行时织入" -### Spring AOP and AspectJ AOP 有什么区别？ +**💻 代码示例**： +```java +@Aspect +@Component +public class LoggingAspect { + + // 定义切点 + @Pointcut("execution(* com.example.service.*.*(..))") + public void serviceLayer() {} + + @Pointcut("@annotation(com.example.annotation.Log)") + public void logAnnotation() {} + + // 前置通知 + @Before("serviceLayer()") + public void beforeAdvice(JoinPoint joinPoint) { + String methodName = joinPoint.getSignature().getName(); + Object[] args = joinPoint.getArgs(); + System.out.println("方法执行前: " + methodName + ", 参数: " + Arrays.toString(args)); + } + + // 环绕通知 + @Around("logAnnotation()") + public Object aroundAdvice(ProceedingJoinPoint joinPoint) throws Throwable { + long startTime = System.currentTimeMillis(); + Object result = joinPoint.proceed(); + long endTime = System.currentTimeMillis(); + System.out.println("方法执行耗时: " + (endTime - startTime) + "ms"); + return result; + } + + // 异常通知 + @AfterThrowing(pointcut = "serviceLayer()", throwing = "ex") + public void afterThrowingAdvice(JoinPoint joinPoint, Exception ex) { + System.out.println("方法执行异常: " + ex.getMessage()); + } +} +``` -- Spring AOP 基于动态代理方式实现，AspectJ 基于静态代理方式实现。 -- Spring AOP 仅支持方法级别的 PointCut；提供了完全的 AOP 支持，它还支持属性级别的 PointCut。 +### 🎯 AOP 有哪些实现方式？ -### 过滤器和拦截器的区别 +实现 AOP 的技术，主要分为两大类： -> https://segmentfault.com/a/1190000022833940 +- 静态代理 - 指使用 AOP 框架提供的命令进行编译，从而在编译阶段就可生成 AOP 代理类，因此也称为编译时增强； + - 编译时编织（特殊编译器实现） + - 类加载时编织（特殊的类加载器实现）。 +- 动态代理 - 在运行时在内存中“临时”生成 AOP 动态代理类，因此也被称为运行时增强。 + - JDK 动态代理 + - CGLIB -拦截器它是链式调用，一个应用中可以同时存在多个拦截器`Interceptor`， 一个请求也可以触发多个拦截器 ，而每个拦截器的调用会依据它的声明顺序依次执行。 -1. 实现方式不同 - 过滤器和拦截器 底层实现方式大不相同，`过滤器` 是基于函数回调的，`拦截器` 则是基于Java的反射机制（动态代理）实现的。 +### 🎯 Spring AOP 实现原理? -2. 使用范围不同 +Spring AOP 的实现原理基于**动态代理**和**字节码增强**，其核心是通过在运行时生成代理对象，将横切逻辑（如日志、事务）织入目标方法中。以下是其实现原理的详细解析： - 我们看到过滤器 实现的是 `javax.servlet.Filter` 接口，而这个接口是在`Servlet`规范中定义的，也就是说过滤器`Filter` 的使用要依赖于`Tomcat`等容器，导致它只能在`web`程序中使用。 +> `Spring`的`AOP`实现原理其实很简单，就是通过**动态代理**实现的。如果我们为`Spring`的某个`bean`配置了切面，那么`Spring`在创建这个`bean`的时候，实际上创建的是这个`bean`的一个代理对象，我们后续对`bean`中方法的调用，实际上调用的是代理类重写的代理方法。而`Spring`的`AOP`使用了两种动态代理，分别是**JDK的动态代理**，以及**CGLib的动态代理**。 - 而拦截器(`Interceptor`) 它是一个`Spring`组件，并由`Spring`容器管理，并不依赖`Tomcat`等容器，是可以单独使用的。不仅能应用在`web`程序中，也可以用于`Application`、`Swing`等程序中。 +### 🎯 Spring AOP的实现原理是什么？ -3. 触发时机不同 +"Spring AOP基于动态代理技术实现，根据目标对象的不同采用不同的代理策略： - 过滤器`Filter`是在请求进入容器后，但在进入`servlet`之前进行预处理，请求结束是在`servlet`处理完以后。 +一、**核心实现机制：动态代理** - 拦截器 `Interceptor` 是在请求进入`servlet`后，在进入`Controller`之前进行预处理的，`Controller` 中渲染了对应的视图之后请求结束。 +Spring AOP 通过两种动态代理技术实现切面逻辑的织入： -4. 拦截的请求范围不同 -5. 注入bean 情况不同 -6. 控制执行顺序不同 +1. **JDK 动态代理** + - **适用条件**：目标对象实现了至少一个接口。 + - **适用条件**：目标对象实现了接口 -## 五、数据访问 + - **实现原理**：基于 `java.lang.reflect.Proxy` 类生成代理对象，代理类实现目标接口并重写方法。 -### Spring对JDBC的支持 + - 关键源码： -JdbcTemplate简介 + ```java + Proxy.newProxyInstance(ClassLoader, interfaces, InvocationHandler); + ``` -- 为了使 JDBC 更加易于使用, Spring 在 JDBC API 上定义了一个抽象层, 以此建立一个 JDBC 存取框架 -- 作为 Spring JDBC 框架的核心， JDBCTemplate 的设计目的是为不同类型的 JDBC 操作提供模板方法。每个模板方法都能控制整个过程，并允许覆盖过程中的特定任务。通过这种方式，可以在尽可能保留灵活性的情况下，将数据库存取的工作量降到最低。 + 在 `InvocationHandler#invoke()` 方法中拦截目标方法，执行切面逻辑（如前置通知、后置通知）。 -### Spring 支持哪些 ORM 框架 + - **代理方式**：生成接口的实现类作为代理 -Hibernate、iBatis、JPA、JDO、OJB + - **优点**：JDK内置，无需额外依赖 + - **缺点**：只能代理接口方法 +2. **CGLIB 动态代理** -## 六、事务 + - **适用条件**：目标对象未实现接口。 -### Spring 中的事务管理 + - **实现原理**：基于ASM字节码操作，通过继承目标类生成子类代理，覆盖父类方法并插入切面逻辑。 -作为企业级应用程序框架,，Spring 在不同的事务管理 API 之上定义了一个抽象层，而应用程序开发人员不必了解底层的事务管理 API，就可以使用 Spring 的事务管理机制 + - 关键源码： -Spring 既支持**编程式事务管理**，也支持**声明式的事务管理** + ```java + Enhancer enhancer = new Enhancer(); + enhancer.setSuperclass(targetClass); + enhancer.setCallback(MethodInterceptor); + ``` -- 编程式事务管理：将事务管理代码嵌入到业务方法中来控制事务的提交和回滚，在编程式管理事务时，必须在每个事务操作中包含额外的事务管理代码，属于硬编码 -- 声明式事务管理：大多数情况下比编程式事务管理更好用。它将事务管理代码从业务方法中分离出来，以声明的方式来实现事务管理。事务管理作为一种横切关注点，可以通过 AOP 方法模块化。Spring 通过 Spring AOP 框架支持声明式事务管理，**声明式事务又分为两种：** - - 基于XML的声明式事务 - - 基于注解的声明式事务 + 在 `MethodInterceptor#intercept()` 方法中实现方法拦截 + - **代理方式**：生成目标类的子类作为代理 + - **优点**：可以代理普通类 -### 事务管理器 + - **缺点**：无法代理final类和方法 -Spring 并不直接管理事务，而是提供了多种事务管理器，他们将事务管理的职责委托给 Hibernate 或者 JTA 等持久化机制所提供的相关平台框架的事务来实现。 +代理创建流程： -Spring 事务管理器的接口是 `org.springframework.transaction.PlatformTransactionManager`，通过这个接口，Spring 为各个平台如 JDBC、Hibernate 等都提供了对应的事务管理器，但是具体的实现就是各个平台自己的事情了。 +1. Spring检查目标对象是否实现接口 +2. 有接口→JDK动态代理，无接口→CGLIB代理 +3. 创建代理对象，织入切面逻辑 +4. 返回代理对象供客户端使用 -#### Spring 中的事务管理器的不同实现 +**方法调用流程**： -**事务管理器以普通的 Bean 形式声明在 Spring IOC 容器中** +1. 客户端调用代理对象方法 +2. 代理拦截方法调用 +3. 执行前置通知 +4. 调用目标对象方法 +5. 执行后置通知 +6. 返回结果给客户端 -- 在应用程序中只需要处理一个数据源, 而且通过 JDBC 存取 +**强制使用CGLIB**： - ```java - org.springframework.jdbc.datasource.DataSourceTransactionManager - ``` +- @EnableAspectJAutoProxy(proxyTargetClass=true) +- 或配置spring.aop.proxy-target-class=true" -- 在 JavaEE 应用服务器上用 JTA(Java Transaction API) 进行事务管理 +**💻 代码示例**： - ``` - org.springframework.transaction.jta.JtaTransactionManager - ``` +```java +// 目标接口和实现（会使用JDK动态代理） +public interface UserService { + void saveUser(String username); +} -- 用 Hibernate 框架存取数据库 +@Service +public class UserServiceImpl implements UserService { + @Override + public void saveUser(String username) { + System.out.println("保存用户: " + username); + } +} - ``` - org.springframework.orm.hibernate3.HibernateTransactionManager - ``` +// 无接口的类（会使用CGLIB代理） +@Service +public class OrderService { + public void createOrder(String orderId) { + System.out.println("创建订单: " + orderId); + } +} -**事务管理器以普通的 Bean 形式声明在 Spring IOC 容器中** +// 强制使用CGLIB +@Configuration +@EnableAspectJAutoProxy(proxyTargetClass = true) +public class AopConfig { +} +// 代理工厂使用示例 +public class ProxyFactoryDemo { + public void testProxy() { + ProxyFactory factory = new ProxyFactory(); + factory.setTarget(new UserServiceImpl()); + factory.addAdvice(new MethodInterceptor() { + @Override + public Object invoke(MethodInvocation invocation) throws Throwable { + System.out.println("方法调用前"); + Object result = invocation.proceed(); + System.out.println("方法调用后"); + return result; + } + }); + + UserService proxy = (UserService) factory.getProxy(); + proxy.saveUser("张三"); + } +} +``` +### 🎯 JDK 动态代理和 CGLIB 的区别？ -### 用事务通知声明式地管理事务 +| **特性** | **JDK 动态代理** | **CGLIB 动态代理** | +| ------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | +| **底层技术** | 基于 Java 反射机制，通过 `Proxy` 类和 `InvocationHandler` 接口生成代理类。 | 基于 **ASM 字节码框架**，通过生成目标类的子类实现代理。 | +| **代理方式** | 只能代理实现了接口的类，生成接口的代理类。 | 可代理普通类（无需接口），生成目标类的子类覆盖方法。 | +| **性能** | 方法调用通过反射实现，性能较低。 | 通过 **FastClass 机制** 直接调用方法，性能更高（以空间换时间）。 | +| **代码生成** | 运行时动态生成代理类的字节码。 | 生成目标类的子类字节码，修改原始类结构。 | +| **适用场景** | 代理接口实现类，适用于轻量级应用。 | 代理无接口的类，适用于高性能需求场景（如 Spring AOP）。 | +| **优点** | 1. 无需第三方库依赖；2. 代码简单易用。 | 1. 支持代理普通类和 final 方法；2. 性能更高（FastClass 机制）。 | +| **缺点** | 1. 只能代理接口；2. 反射调用性能较低。 | 1. 生成代理类耗时较长；2. 可能破坏类封装性（如代理 final 方法需特殊处理）。 | -- 事务管理是一种横切关注点 -- 为了在 Spring 2.x 中启用声明式事务管理，可以通过 tx Schema 中定义的 \ 元素声明事务通知，为此必须事先将这个 Schema 定义添加到 \ 根元素中去 -- 声明了事务通知后，就需要将它与切入点关联起来。由于事务通知是在 \ 元素外部声明的, 所以它无法直接与切入点产生关联，所以必须在 \ 元素中声明一个增强器通知与切入点关联起来. -- 由于 Spring AOP 是基于代理的方法，所以只能增强公共方法。因此, 只有公有方法才能通过 Spring AOP 进行事务管理。 +### 🎯 代理是在什么时候生成的？ +> Spring 的代理对象在 **Bean 初始化完成之后（即初始化阶段的后置处理环节）** 由 `BeanPostProcessor` 生成。 +> +> Spring 的代理对象不是在 Bean 实例化时创建的，而是在 **初始化完成后**，由 AOP 的后置处理器（`AnnotationAwareAspectJAutoProxyCreator`）在 `postProcessAfterInitialization()` 阶段通过 JDK 动态代理或 CGLIB 生成的。 +> +> 它会判断 Bean 是否匹配切面规则，如果匹配，就创建代理对象并放入容器，从此容器中拿到的都是这个代理对象。 +### 🎯 为什么同类方法调用时 AOP 不生效？ -### 用 @Transactional 注解声明式地管理事务 +简单来说，当一个 Bean 的方法 A 内部直接调用了同一个 Bean 的另一个方法 B 时，如果方法 B 上有 AOP 切面（比如`@Transactional`、`@Log`），那么这个切面在这次内部调用中**不会生效**。 -- 除了在带有切入点，通知和增强器的 Bean 配置文件中声明事务外，Spring 还允许简单地用 @Transactional 注解来标注事务方法 -- 为了将方法定义为支持事务处理的，可以为方法添加 @Transactional 注解，根据 Spring AOP 基于代理机制，**只能标注公有方法.** -- 可以在方法或者类级别上添加 @Transactional 注解。当把这个注解应用到类上时， 这个类中的所有公共方法都会被定义成支持事务处理的 -- 在 Bean 配置文件中只需要启用 ``元素, 并为之指定事务管理器就可以了 -- 如果事务处理器的名称是 transactionManager, 就可以在 `` 元素中省略 `transaction-manager` 属性，这个元素会自动检测该名称的事务处理器 +```java +@Service +public class UserService { + + // 方法A + public void createUser(User user) { + // ... 一些逻辑 ... + // 内部调用方法B + this.updateUserStatus(user.getId(), "ACTIVE"); + // 注意：这里的this指的是原始的目标对象，而非代理对象 + } + // 方法B上有AOP切面（比如事务） + @Transactional + public void updateUserStatus(Long userId, String status) { + // ... 更新数据库 ... + } +} +``` +“同类方法调用 AOP 失效，根本原因在于 Spring AOP 的**代理机制**。 -### 事务传播属性 +简单来说，当一个 Bean 的方法 A 内部调用方法 B 时，它使用的是`this`指针，这个`this`指向的是**原始的目标对象**，而不是 Spring 为它创建的**代理对象**。 -- 当事务方法被另一个事务方法调用时， 必须指定事务应该如何传播。例如：方法可能继续在现有事务中运行，也可能开启一个新事务，并在自己的事务中运行 -- 事务的传播行为可以由传播属性指定，Spring 定义了 7 种类传播行为： +由于 AOP 的切面逻辑（比如`@Transactional`）是织入在**代理对象**中的，所以绕过了代理，切面自然就不会生效。 -| 传播行为 | 意义 | -| ------------------------- | ------------------------------------------------------------ | -| PROPAGATION_MANDATORY | 表示该方法必须运行在一个事务中。如果当前没有事务正在发生，将抛出一个异常 | -| PROPAGATION_NESTED | 表示如果当前正有一个事务在进行中，则该方法应当运行在一个嵌套式事务中。被嵌套的事务可以独立于封装事务进行提交或回滚。如果封装事务不存在，行为就像PROPAGATION_REQUIRES一样。 | -| PROPAGATION_NEVER | 表示当前的方法不应该在一个事务中运行。如果一个事务正在进行，则会抛出一个异常。 | -| PROPAGATION_NOT_SUPPORTED | 表示该方法不应该在一个事务中运行。如果一个现有事务正在进行中，它将在该方法的运行期间被挂起。 | -| PROPAGATION_SUPPORTS | 表示当前方法不需要事务性上下文，但是如果有一个事务已经在运行的话，它也可以在这个事务里运行。 | -| PROPAGATION_REQUIRES_NEW | 表示当前方法必须在它自己的事务里运行。一个新的事务将被启动，而且如果有一个现有事务在运行的话，则将在这个方法运行期间被挂起。 | -| PROPAGATION_REQUIRES | 表示当前方法必须在一个事务中运行。如果一个现有事务正在进行中，该方法将在那个事务中运行，否则就要开始一个新事务。 | +| 解决方案 | 核心思路 | 优点 | 缺点 | +| ----------------------- | ------------------------------------------------------------ | --------------------------------------------- | ------------------------------------------------- | +| **1. 重构代码（推荐）** | 将需要切面的逻辑拆分到另一个独立的 Bean 中，通过依赖注入调用。 | **代码清晰，解耦，符合 OOP 原则，无副作用。** | 可能需要较大的代码调整。 | +| **2. 自注入代理** | 在同一个 Bean 中，注入自身的代理对象（通过`ApplicationContext`或`@Autowired`），然后用注入的对象调用方法。 | 无需修改方法签名，能快速解决问题。 | 与 Spring 框架耦合度高，可读性稍差。 | +| **3. 使用`AopContext`** | 开启`exposeProxy = true`，然后在方法内通过`AopContext.currentProxy()`获取代理对象进行调用。 | Spring 官方解决方案，代码侵入性中等。 | 依赖`ThreadLocal`，在异步场景下有风险，可读性差。 | -### Spring 支持的事务隔离级别 +### 🎯 为什么@Transactional有时不生效？ -| 隔离级别 | 含义 | -| -------------------------- | ------------------------------------------------------------ | -| ISOLATION_DEFAULT | 使用后端数据库默认的隔离级别。 | -| ISOLATION_READ_UNCOMMITTED | 允许读取尚未提交的更改。可能导致脏读、幻影读或不可重复读。 | -| ISOLATION_READ_COMMITTED | 允许从已经提交的并发事务读取。可防止脏读，但幻影读和不可重复读仍可能会发生。 | -| ISOLATION_REPEATABLE_READ | 对相同字段的多次读取的结果是一致的，除非数据被当前事务本身改变。可防止脏读和不可重复读，但幻影读仍可能发生。 | -| ISOLATION_SERIALIZABLE | 完全服从ACID的隔离级别，确保不发生脏读、不可重复读和幻影读。这在所有隔离级别中也是最慢的，因为它通常是通过完全锁定当前事务所涉及的数据表来完成的。 | +`@Transactional`注解的生效，依赖于 Spring 的**AOP 代理机制**和**事务管理器（TransactionManager）**。 -事务的隔离级别要得到底层数据库引擎的支持，而不是应用程序或者框架的支持； +1. **AOP 代理**：当一个类被`@Transactional`注解修饰时，Spring 容器会为它创建一个**代理对象**。这个代理对象会拦截所有被`@Transactional`标记的方法。 +2. **拦截与事务管理**：当外部调用该方法时，调用请求会先到达代理对象。代理对象会在方法执行**前**，通过`TransactionManager`开启一个事务；在方法执行**后**，根据是否发生异常来决定提交（commit）或回滚（rollback）事务。 -Oracle 支持的 2 种事务隔离级别，Mysql支持 4 种事务隔离级别。 +我们可以推导出所有失效场景的根源：**调用流程没有经过 Spring 的代理对象，或者代理对象无法正确地管理事务。** +**`@Transactional`失效场景与解决方案全解析** +| 失效场景 | 根本原因 | 代码示例 | 解决方案 | +| --------------------------- | ------------------------------------------------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | +| **1. 同类方法内部调用** | `this`指向原始目标对象，调用绕过了 Spring 代理，导致切面无法生效。 | `java @Service public class UserService { public void createUser(User user) { // 内部调用，@Transactional失效 this.updateStatus(user.getId(), "NEW"); } @Transactional public void updateStatus(Long userId, String status) { /* ... */ } }` | **最佳实践**：将`updateStatus`方法拆分到另一个`@Service`中（如`StatusService`），在`UserService`中注入`StatusService`并调用。**备选方案**：通过`ApplicationContext`或`AopContext`获取自身的代理对象再调用。 | +| **2. 方法非`public`** | Spring AOP 代理（JDK/CGLIB）默认只拦截`public`方法。非`public`方法无法被代理，切面无法织入。 | `java @Service public class UserService { // private方法，@Transactional失效 @Transactional private void updateStatus(Long userId, String status) { /* ... */ } }` | 将方法的访问权限修改为`public`。 | +| **3. 类未被 Spring 管理** | Spring 事务依赖 IOC 容器。未被容器管理的对象，Spring 无法为其创建代理。 | `java // 错误：忘记加@Service注解 public class UserService { @Transactional public void updateStatus(...) { /* ... */ } } // 或在代码中手动new UserService()` | 确保类上添加了`@Service`、`@Component`等注解，并通过 Spring 容器（如`@Autowired`）获取 Bean，而非手动`new`。 | +| **4. 异常被 “吃了”** | Spring 默认仅对未捕获的`RuntimeException`回滚。若异常被`try-catch`捕获且未重新抛出，事务会被提交。 | `java @Service public class UserService { @Transactional public void updateUser(User user) { try { // ... 更新数据库 ... int i = 1 / 0; // 发生异常 } catch (Exception e) { // 异常被捕获，事务将提交 log.error("更新失败", e); } } }` | 在`catch`块中，将异常包装成`RuntimeException`或其子类重新抛出，或直接抛出。`java catch (Exception e) { throw new RuntimeException(e); }` | +| **5. 抛出不被回滚的异常** | 默认不回滚受检异常（`Checked Exception`）。若方法抛出`Exception`或其子类，事务不会回滚。 | `java @Service public class UserService { // 抛出IOException，默认不回滚 @Transactional public void readFile() throws IOException { throw new IOException("文件读取失败"); } }` | 在`@Transactional`注解中，使用`rollbackFor`属性明确指定需要回滚的异常类型。`java @Transactional(rollbackFor = Exception.class)` | +| **6. 配置了错误的回滚规则** | 显式配置了`noRollbackFor`，指定了某些异常不回滚，或`rollbackFor`配置错误。 | `java @Service public class UserService { // 即使发生RuntimeException也不回滚 @Transactional(noRollbackFor = RuntimeException.class) public void riskyOperation() { throw new RuntimeException("业务失败"); } }` | 检查并修正`rollbackFor`和`noRollbackFor`的配置，确保其符合预期的业务逻辑。 | +| **7. 数据库引擎不支持事务** | 底层数据库的存储引擎不支持事务，如 MySQL 的`MyISAM`。 | `sql -- 表使用了不支持事务的MyISAM引擎 CREATE TABLE `user` ( `id` int NOT NULL AUTO_INCREMENT, PRIMARY KEY (`id`) ) ENGINE=MyISAM DEFAULT CHARSET=utf8mb4;` | 将数据库表的存储引擎修改为支持事务的引擎，如 MySQL 的`InnoDB`。`sql ALTER TABLE `user` ENGINE=InnoDB;` | -### 设置隔离事务属性 -用 @Transactional 注解声明式地管理事务时可以在 @Transactional 的 isolation 属性中设置隔离级别 -在 Spring 事务通知中, 可以在 `` 元素中指定隔离级别 +### 🎯 什么是 Introduction？ -### 设置回滚事务属性 +Introduction 是 Spring AOP 的一种特殊功能，核心是**不修改目标类代码，通过代理动态为目标类添加新接口的实现**。它需要两个核心要素：一是通过切入点指定‘为哪些类添加’，二是通过 IntroductionInterceptor 提供‘新接口的默认实现’。与普通 AOP 通知不同，它不增强已有方法，而是扩展类的能力范围 —— 比如给 UserService 动态添加 Loggable 接口，最终代理对象既能调用原有方法，又能调用日志方法，适用于第三方类扩展、批量能力注入等无侵入场景。 -- 默认情况下只有未检查异常(RuntimeException和Error类型的异常)会导致事务回滚，而受检查异常不会。 -- 事务的回滚规则可以通过 @Transactional 注解的 rollbackFor和 noRollbackFor属性来定义，这两个属性被声明为 Class[] 类型的，因此可以为这两个属性指定多个异常类。 - - rollbackFor：遇到时必须进行回滚 - - noRollbackFor： 一组异常类，遇到时必须不回滚 -### 超时和只读属性 +### 🎯 Spring AOP的通知类型有哪些？ -- 由于事务可以在行和表上获得锁， 因此长事务会占用资源，并对整体性能产生影响 -- 如果一个事物只读取数据但不做修改，数据库引擎可以对这个事务进行优化 -- 超时事务属性：事务在强制回滚之前可以保持多久，这样可以防止长期运行的事务占用资源 -- 只读事务属性：表示这个事务只读取数据但不更新数据，这样可以帮助数据库引擎优化事务 +"Spring AOP提供了五种通知类型，分别在方法执行的不同时机生效： -**设置超时和只读事务属性** +**通知类型详解**： -- 超时和只读属性可以在 @Transactional 注解中定义，超时属性以秒为单位来计算 +**1. @Before 前置通知**： +- 在目标方法执行前执行 +- 不能阻止目标方法执行 +- 适用于参数校验、权限检查 -列出两种方式的示例： +**2. @AfterReturning 返回后通知**： + +- 在目标方法正常返回后执行 +- 可以访问方法返回值 +- 适用于结果处理、缓存更新 + +**3. @AfterThrowing 异常通知**： +- 在目标方法抛出异常后执行 +- 可以访问异常信息 +- 适用于异常处理、错误记录 + +**4. @After 最终通知**： +- 无论方法正常还是异常都会执行 +- 类似finally块的作用 +- 适用于资源清理 +**5. @Around 环绕通知**： +- 包围目标方法执行 +- 功能最强大，可控制是否执行目标方法 +- 适用于性能监控、事务控制 + +**执行顺序**： +- 正常流程：@Around前 → @Before → 目标方法 → @AfterReturning → @After → @Around后 +- 异常流程：@Around前 → @Before → 目标方法 → @AfterThrowing → @After → @Around后" + +**💻 代码示例**： ```java -@Transactional(propagation = Propagation.NESTED, timeout = 1000, isolation = Isolation.READ_COMMITTED, rollbackFor = Exception.class) +@Aspect +@Component +public class AdviceTypeDemo { + + @Pointcut("execution(* com.example.service.*.*(..))") + public void serviceLayer() {} + + @Before("serviceLayer()") + public void beforeAdvice(JoinPoint joinPoint) { + System.out.println("1. 前置通知：方法执行前"); + } + + @AfterReturning(pointcut = "serviceLayer()", returning = "result") + public void afterReturningAdvice(JoinPoint joinPoint, Object result) { + System.out.println("2. 返回后通知：方法正常返回，结果=" + result); + } + + @AfterThrowing(pointcut = "serviceLayer()", throwing = "ex") + public void afterThrowingAdvice(JoinPoint joinPoint, Exception ex) { + System.out.println("3. 异常通知：方法抛出异常，异常=" + ex.getMessage()); + } + + @After("serviceLayer()") + public void afterAdvice(JoinPoint joinPoint) { + System.out.println("4. 最终通知：无论正常还是异常都执行"); + } + + @Around("serviceLayer()") + public Object aroundAdvice(ProceedingJoinPoint joinPoint) throws Throwable { + System.out.println("5. 环绕通知：方法执行前"); + try { + Object result = joinPoint.proceed(); // 调用目标方法 + System.out.println("6. 环绕通知：方法执行后"); + return result; + } catch (Exception e) { + System.out.println("7. 环绕通知：捕获异常"); + throw e; + } + } +} ``` -```xml - - - - - - - - - - - - - - + +### 🎯 切点表达式怎么写？ + +"切点表达式使用AspectJ语法，用于精确匹配连接点，Spring AOP主要支持execution表达式： + +**execution表达式语法**： +``` +execution([修饰符] 返回值类型 [类名].方法名(参数列表) [throws 异常]) ``` +**通配符说明**： +- `*`：匹配任意字符（除了包分隔符.） +- `..`：匹配任意数量的参数或包层级 +- `+`：匹配子类型 + +**常用表达式模式**： + +**1. 方法级别匹配**： +- `execution(* com.example.service.UserService.findById(..))` +- 匹配UserService类的findById方法 + +**2. 类级别匹配**： +- `execution(* com.example.service.UserService.*(..))` +- 匹配UserService类的所有方法 + +**3. 包级别匹配**： +- `execution(* com.example.service.*.*(..))` +- 匹配service包下所有类的所有方法 + +**4. 递归包匹配**： +- `execution(* com.example.service..*.*(..))` +- 匹配service包及子包下所有类的所有方法 + +**其他切点指示符**： +- `@annotation`：匹配标注了指定注解的方法 +- `@within`：匹配标注了指定注解的类 +- `args`：匹配参数类型 +- `target`：匹配目标对象类型 +- `this`：匹配代理对象类型" + +**💻 代码示例**： +```java +@Aspect +@Component +public class PointcutExpressionDemo { + + // 匹配所有public方法 + @Pointcut("execution(public * *(..))") + public void publicMethods() {} + + // 匹配Service层所有方法 + @Pointcut("execution(* com.example.service.*.*(..))") + public void serviceLayer() {} + + // 匹配返回值为String的方法 + @Pointcut("execution(String com.example..*.*(..))") + public void stringMethods() {} + + // 匹配单个参数为String的方法 + @Pointcut("execution(* com.example..*.*(String))") + public void stringParameterMethods() {} + + // 匹配第一个参数为String的方法 + @Pointcut("execution(* com.example..*.*(String,..))") + public void firstStringParameterMethods() {} + + // 匹配标注了@Transactional的方法 + @Pointcut("@annotation(org.springframework.transaction.annotation.Transactional)") + public void transactionalMethods() {} + + // 匹配Controller类中的所有方法 + @Pointcut("@within(org.springframework.stereotype.Controller)") + public void controllerMethods() {} + + // 组合切点表达式 + @Pointcut("serviceLayer() && !stringMethods()") + public void serviceLayerExceptString() {} + + @Before("publicMethods() && args(username)") + public void beforePublicMethodWithUsername(String username) { + System.out.println("调用public方法，用户名参数: " + username); + } +} + +// 自定义注解示例 +@Target(ElementType.METHOD) +@Retention(RetentionPolicy.RUNTIME) +public @interface Log { + String value() default ""; +} + +@Service +public class UserService { + @Log("查询用户") + public User findById(String id) { + return new User(id); + } +} +``` + + + +### 🎯 Spring AOP and AspectJ AOP 有什么区别？ + +- Spring AOP 基于动态代理方式实现，AspectJ 基于静态代理方式实现。 +- Spring AOP 仅支持方法级别的 PointCut；提供了完全的 AOP 支持，它还支持属性级别的 PointCut。 + + + +### 🎯 你有没有⽤过Spring的AOP? 是⽤来⼲嘛的? ⼤概会怎么使⽤？ + +Spring AOP 主要用于以下几个方面： + +1. **日志记录**：在方法执行前后自动记录日志。 +2. **性能监控**：在方法执行前后记录时间，监控性能。 +3. **事务管理**：在方法执行前后自动管理事务。 +4. **安全检查**：在方法执行前检查用户权限。 +5. **缓存**：在方法执行后缓存结果以提高性能。 +6. **异常处理**：在方法执行时统一处理异常。 + + + +### 🎯 过滤器和拦截器的区别？ + +> Filter 是在 **Servlet 容器层** 工作的组件，属于 **JavaEE 规范**，可以过滤所有请求（包括静态资源），适合做通用的请求预处理，比如日志、编码、XSS 防御等。 +> 而 Interceptor 是在 **Spring MVC 框架层** 实现的，基于反射调用 Controller 方法前后执行，主要用于业务层面的拦截，比如登录验证、权限校验、接口耗时监控。 +> +> 它们的执行顺序是：**Filter → Interceptor → Controller → Interceptor → Filter**。 +> 一般建议：**通用的跨项目逻辑放在 Filter，跟业务强相关的逻辑放在 Interceptor。** + +| 阶段 | Filter | Interceptor | +| --------------- | ------------------------------------------------------------ | ---------------------------------------------- | +| 作用层级 | Servlet 容器层（Tomcat、Jetty） | SpringMVC 框架层 | +| 拦截范围 | 所有资源（包括静态资源、JSP、Controller） | 仅拦截 Controller（Handler） 请求 | +| 执行顺序 | 请求进入 → Filter → Servlet → Controller → 响应返回 → Filter | 请求进入 → Interceptor → Controller → 返回视图 | +| 是否依赖 Spring | ❌ 不依赖（属于 javax.servlet） | ✅ 依赖 Spring 容器（属于 Spring MVC） | +| 配置方式 | web.xml 或 @WebFilter | 实现 `HandlerInterceptor` 并注册为 Spring Bean | +| 使用场景 | 编码过滤、日志、跨域、XSS、防止SQL注入等 | 权限校验、登录验证、接口耗时统计、业务日志 | + +### 🎯 有 Interceptor 还需要 filter 吗 + +> **需要！** +> 因为 `Filter` 和 `Interceptor` 作用层级不同、职责不同，很多场景下它们是**互补关系**，而不是替代关系。 + + **场景 1：跨域（CORS）处理** + +- **必须用 Filter** +- 因为浏览器的预检请求（OPTIONS）不会进入 Spring Controller，也不会被拦截器拦到。 +- 所以要在 Filter 层统一处理跨域。 + +**场景 2：字符编码（UTF-8）统一处理** + +- 过滤器层配置 `CharacterEncodingFilter`，确保所有请求响应编码一致。 +- Spring 拦截器此时还没执行，没办法控制编码。 + +**场景 3：请求日志与耗时统计** +- 如果你要统计**整个请求链路耗时**（包括静态资源、文件下载），要在 Filter 层； +- 如果只关注 **Controller 层逻辑耗时**，可以放在 Interceptor。 -## 七、MVC +**场景 4：登录鉴权、权限校验** -### Spring MVC 框架有什么用？ +- 适合放在 Interceptor，因为它能访问 Spring 容器 Bean，比如 Redis 用户信息、JWT 校验等。 + +--- + + + +## 🌐 三、Spring MVC架构 + +**核心理念**：基于MVC设计模式的Web框架，提供灵活的请求处理和视图渲染机制。 + +### 🎯 Spring MVC 框架有什么用？ Spring Web MVC 框架提供 **模型-视图-控制器** 架构和随时可用的组件，用于开发灵活且松散耦合的 Web 应用程序。 MVC 模式有助于分离应用程序的不同方面，如输入逻辑，业务逻辑和 UI 逻辑，同时在所有这些元素之间提供松散耦合。 -### Spring MVC的优点 +### 🎯 Spring MVC的优点？ - 可以支持各种视图技术，而不仅仅局限于JSP - 与Spring框架集成（如IoC容器、AOP等） @@ -848,24 +1523,68 @@ Spring Web MVC 框架提供 **模型-视图-控制器** 架构和随时可用的 -### Spring MVC 的运行流程 | DispatcherServlet描述 +### 🎯 Spring MVC 的整体架构和核心组件？ + +> Spring MVC 的架构以 `DispatcherServlet` 为核心，负责请求的调度和分发，通过 `HandlerMapping` 找到具体的控制器方法，控制器方法执行后返回 `ModelAndView`，并通过 `ViewResolver` 渲染视图。这样的架构使得 Web 应用中的请求处理过程更加清晰和模块化。 + +**Spring MVC** 是一个基于 Servlet 的 Web 框架，它遵循了 **MVC（Model-View-Controller）设计模式**，将应用程序的不同功能分离，增强了应用的可维护性、可扩展性和解耦性。Spring MVC 是 Spring Framework 中的一部分，提供了一个灵活的请求处理流程和 Web 层的解决方案。 + +**Spring MVC 的整体架构** + +Spring MVC 架构是基于请求驱动的模式，处理请求的过程分为以下几个关键步骤： + +1. **DispatcherServlet（前端控制器）**： + - Spring MVC 的核心组件之一，所有的 HTTP 请求都首先会进入 `DispatcherServlet`。它作为前端控制器（Front Controller），接收客户端请求并将请求分发给合适的处理器。 + - `DispatcherServlet` 从 web.xml 中进行配置，通常是 Web 应用的入口。 +2. **HandlerMapping（处理器映射器）**： + - `HandlerMapping` 的作用是根据请求的 URL 找到相应的处理器（Controller）。 + - 它会将 URL 映射到相应的处理方法上，`HandlerMapping` 通过查找配置文件中定义的映射关系来决定哪个控制器方法应该处理当前请求。 +3. **Controller（控制器）**： + - 控制器是业务逻辑的核心，负责处理具体的请求并返回一个视图。 + - `@Controller` 注解定义了一个控制器类，而方法上通常使用 `@RequestMapping` 或者更细粒度的注解（如 `@GetMapping`、`@PostMapping`）来映射请求。 +4. **HandlerAdapter（处理器适配器）**： + - `HandlerAdapter` 的作用是根据 `HandlerMapping` 返回的控制器和方法，选择合适的适配器来调用相应的业务逻辑。 + - 它是为了支持不同类型的控制器而设计的，通常会选择具体的适配器，如 `HttpRequestHandlerAdapter` 或 `AnnotationMethodHandlerAdapter`。 +5. **ViewResolver（视图解析器）**： + - `ViewResolver` 负责根据控制器返回的视图名（例如 JSP 文件名）解析出具体的视图对象（如 `InternalResourceViewResolver`）。 + - 它根据视图名称将其解析为一个实际的视图，比如 JSP 或 Thymeleaf 模板。 +6. **ModelAndView（模型与视图）**： + - `ModelAndView` 是控制器方法返回的对象，它包含了模型数据和视图名称。 + - `Model` 存储控制器执行后的数据，`View` 则指向具体的视图模板。 +7. **View（视图）**： + - 视图组件负责将模型数据渲染成用户可以查看的页面，常见的视图技术包括 JSP、Thymeleaf、FreeMarker 等。 + + + +### 🎯 Spring MVC 的运行流程? 在整个 Spring MVC 框架中， DispatcherServlet 处于核心位置，负责协调和组织不同组件以完成请求处理并返回响应的工作 SpringMVC 处理请求过程： -1. 若一个请求匹配 DispatcherServlet 的请求映射路径(在 web.xml中指定)，WEB 容器将该请求转交给 DispatcherServlet 处理 -2. DispatcherServlet 接收到请求后, 将根据请求信息(包括 URL、HTTP方法、请求头、请求参数、Cookie 等)及 HandlerMapping 的配置找到处理请求的处理器(Handler)。可将 HandlerMapping 看成路由控制器， 将 Handler 看成目标主机 -3. 当 DispatcherServlet 根据 HandlerMapping 得到对应当前请求的 Handler 后，通过 HandlerAdapter 对 Handler 进行封装，再以统一的适配器接口调用 Handler -4. 处理器完成业务逻辑的处理后将返回一个 ModelAndView 给 DispatcherServlet，ModelAndView 包含了视图逻辑名和模型数据信息 -5. DispatcherServlet 借助 ViewResoler 完成逻辑视图名到真实视图对象的解析 -6. 得到真实视图对象 View 后, DispatcherServlet 使用这个 View 对ModelAndView 中的模型数据进行视图渲染 +> 1. **DispatcherServlet**接收请求，委托给 HandlerMapping； +> 2. HandlerMapping 匹配处理器（Controller），返回 HandlerExecutionChain； +> 3. 调用 HandlerAdapter 执行 Controller 方法，返回 ModelAndView； +> 4. ViewResolver 解析视图，渲染响应结果。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gi8nrg3furj316o0rs3zx.jpg) +1. **请求接收与分发** + - 入口：用户通过浏览器发送 HTTP 请求，所有请求首先到达 `DispatcherServlet`（前端控制器），它是整个流程的统一入口。 + - 核心作用：`DispatcherServlet` 负责接收请求并协调后续处理流程，类似“调度中心”。 +2. **处理器映射（HandlerMapping）** + - 查找处理器：`DispatcherServlet` 调用 `HandlerMapping` 组件，根据请求的 URL 路径匹配对应的处理器（Controller 或其方法）。例如，带有 `@RequestMapping`注解的方法会被识别为 Handler。 + - 返回执行链：`HandlerMapping` 返回 `HandlerExecutionChain`，包含目标处理器及关联的拦截器（Interceptor）。 +3. **处理器适配（HandlerAdapter）** + - 适配调用：`DispatcherServlet` 通过 `HandlerAdapter` 调用处理器方法。HandlerAdapter 负责将 Servlet 的请求参数转换为处理器方法的输入，并执行具体业务逻辑。 + - 返回值处理：处理器返回 `ModelAndView` 对象，包含模型数据（Model）和视图名称（View）。 +4. **视图解析与渲染** + - 视图解析器：`DispatcherServlet` 将逻辑视图名传递给 `ViewResolver`，解析为具体的视图对象（如 JSP、Thymeleaf 模板）。 + - 数据渲染：视图对象将模型数据填充到请求域，生成响应内容（如 HTML），最终由 DispatcherServlet 返回客户端。 +5. **异常处理** + - **异常捕获**：若处理过程中发生异常，DispatcherServlet 调用 **HandlerExceptionResolver** 组件处理，生成错误视图或 JSON 响应 -### Spring的Controller是单例的吗？多线程情况下Controller是线程安全吗？ +### 🎯 Spring 的 Controller 是单例的吗？多线程情况下 Controller 是线程安全吗？ controller默认是单例的，不要使用非静态的成员变量，否则会发生数据逻辑混乱。正因为单例所以不是线程安全的 @@ -899,7 +1618,7 @@ public class ScopeTestController { **单例是不安全的，会导致属性重复使用**。 -#### 解决方案 +**解决方案** 1. 不要在controller中定义成员变量 2. 万一必须要定义一个非静态成员变量时候，则通过注解@Scope(“prototype”)，将其设置为多例模式。 @@ -907,182 +1626,3269 @@ public class ScopeTestController { -## 八、注解 +### 🎯 ResponseBody 是怎么生效的？ + +`@ResponseBody` 的作用是： + **将 Controller 方法的返回值序列化为 HTTP 响应体（Response Body）**，而不是作为视图名称进行解析。 + +Spring 是通过 `RequestResponseBodyMethodProcessor` 这个类完成的，它利用 `HttpMessageConverter`（如 Jackson）将对象转换为 JSON、XML 等格式，最终写入响应流。 + +**@ResponseBody 的作用机制（通俗说明）** + +在没有 `@ResponseBody` 时： + +- Spring MVC 默认认为方法返回的是**视图名（View Name）**； +- DispatcherServlet 会去找对应的 JSP / HTML 模板来渲染。 + +加上 `@ResponseBody` 后： + +- Spring 告诉框架：“这个方法返回的不是视图名，而是数据本身”； +- 它会跳过视图解析流程，进入 **消息转换（Message Conversion）流程**； +- 最终将返回对象序列化后写入 `HttpServletResponse`。 + + + +### 🎯 Spring MVC 全局异常处理机制？ + +Spring MVC 全局异常处理的核心是**集中化管理异常，解耦业务与异常处理**，避免重复 `try-catch` 并保证响应格式统一。 + +主流实现方式是 `@ControllerAdvice + @ExceptionHandler` 组合： + +- `@ControllerAdvice` 定义一个全局通知类，作用于所有或指定包下的 Controller； +- `@ExceptionHandler` 标记在方法上，指定处理的异常类型（如自定义业务异常、参数校验异常）。 + +当 Controller 抛出未捕获的异常时，异常会传递到 `DispatcherServlet`，Spring 会找到 `@ControllerAdvice` 中匹配的 `@ExceptionHandler` 方法，执行后返回统一格式的响应（如包含错误码、提示的 JSON）。 + +此外还有两种补充方案：`@ResponseStatus` 适合异常与固定 HTTP 状态码绑定的场景（如 404 用户不存在）；`HandlerExceptionResolver` 是底层接口，适用于深度定制处理流程，但现在很少用。 + +实际项目中，我们会用 `@ControllerAdvice` 分场景处理异常：自定义业务异常返回具体提示，参数校验异常返回字段错误信息，兜底的 `Exception` 处理器返回友好提示并记录日志，确保用户体验和问题可排查。 + + + +### 🎯 @RequestMapping 注解有哪些属性？ + +"@RequestMapping是Spring MVC最核心的注解，用于映射HTTP请求到处理方法： + +| 属性 | 类型 | 作用 | +| ---------------- | ----------------- | ------------------------------------------------------------ | +| **value / path** | `String[]` | 指定请求的 URL 路径（别名关系，常用 `value`）。 | +| **method** | `RequestMethod[]` | 限定请求方式，如 `GET`、`POST`、`PUT`、`DELETE` 等。 | +| **params** | `String[]` | 请求必须包含的参数条件（或不能包含），如 `params="id=1"`。 | +| **headers** | `String[]` | 请求必须包含的 Header 条件，如 `headers="Content-Type=application/json"`。 | +| **consumes** | `String[]` | 限定请求体（Content-Type），如 `consumes="application/json"`。 | +| **produces** | `String[]` | 限定响应体类型（Accept），如 `produces="application/json"`。 | +| **name** | `String` | 为映射起个名字，方便在工具或日志中区分。 | + +**简化注解**： +- @GetMapping = @RequestMapping(method = GET) +- @PostMapping = @RequestMapping(method = POST) +- @PutMapping = @RequestMapping(method = PUT) +- @DeleteMapping = @RequestMapping(method = DELETE) +- @PatchMapping = @RequestMapping(method = PATCH)" + +**💻 代码示例**： +```java +@Controller +@RequestMapping("/api/users") +public class UserController { + + // 基本映射 + @RequestMapping("/list") + public String listUsers() { + return "users/list"; + } + + // 指定请求方法 + @RequestMapping(value = "/save", method = RequestMethod.POST) + public String saveUser() { + return "redirect:/api/users/list"; + } + + // 路径变量 + @RequestMapping("/detail/{id}") + public String getUserDetail(@PathVariable Long id, Model model) { + model.addAttribute("userId", id); + return "users/detail"; + } + + // 参数限定 + @RequestMapping(value = "/search", params = {"name", "age"}) + public String searchUsers(@RequestParam String name, + @RequestParam int age) { + return "users/search-result"; + } + + // 请求头限定 + @RequestMapping(value = "/api/data", + headers = {"Accept=application/json", "X-API-Version=1.0"}) + @ResponseBody + public List getApiData() { + return userService.findAll(); + } + + // Content-Type限定 + @RequestMapping(value = "/api/users", + method = RequestMethod.POST, + consumes = "application/json", + produces = "application/json") + @ResponseBody + public User createUser(@RequestBody User user) { + return userService.save(user); + } + + // 使用简化注解 + @GetMapping("/api/users/{id}") + @ResponseBody + public User getUser(@PathVariable Long id) { + return userService.findById(id); + } + + @PostMapping(value = "/api/users", + consumes = MediaType.APPLICATION_JSON_VALUE, + produces = MediaType.APPLICATION_JSON_VALUE) + @ResponseBody + public ResponseEntity createUserRest(@RequestBody @Valid User user) { + User savedUser = userService.save(user); + return ResponseEntity.status(HttpStatus.CREATED).body(savedUser); + } + + @PutMapping("/api/users/{id}") + @ResponseBody + public ResponseEntity updateUser(@PathVariable Long id, + @RequestBody @Valid User user) { + user.setId(id); + User updatedUser = userService.update(user); + return ResponseEntity.ok(updatedUser); + } + + @DeleteMapping("/api/users/{id}") + @ResponseBody + public ResponseEntity deleteUser(@PathVariable Long id) { + userService.deleteById(id); + return ResponseEntity.noContent().build(); + } + + // 复杂路径匹配 + @GetMapping("/files/**") + public ResponseEntity getFile(HttpServletRequest request) { + String filePath = request.getRequestURI().substring("/files/".length()); + Resource resource = resourceLoader.getResource("classpath:static/" + filePath); + return ResponseEntity.ok().body(resource); + } + + // 正则表达式路径 + @GetMapping("/users/{id:[0-9]+}") + @ResponseBody + public User getUserByNumericId(@PathVariable Long id) { + return userService.findById(id); + } + + // 矩阵变量 + @GetMapping("/users/{id}/books/{isbn}") + @ResponseBody + public Book getBook(@PathVariable Long id, + @PathVariable String isbn, + @MatrixVariable(name = "edition", pathVar = "isbn") String edition) { + return bookService.findByIsbnAndEdition(isbn, edition); + } +} +``` + + + +### 🎯 CORS 的原理与实现方式？ + +“CORS 是浏览器为解决同源策略限制而制定的跨域规范，核心是**服务器通过 HTTP 响应头告知浏览器允许跨域请求**，分简单请求和预检请求两种交互方式。 + +**原理部分：** + +1. 简单请求（GET/POST/HEAD + 简单头）：前端直接发请求，携带 `Origin` 头；服务器返回 `Access-Control-Allow-Origin`，浏览器验证通过则放行； +2. 预检请求（如 PUT 方法、带自定义头）：浏览器先发 OPTIONS 请求，携带 `Origin`、`Access-Control-Request-Method` 等；服务器返回 `Allow-Origin`、`Allow-Methods` 等许可头；预检通过后，再发真实业务请求。 + +**实现方式：** + +核心在服务器端，以 Spring Boot 为例： + +- 局部用 `@CrossOrigin` 注解，对单个接口生效； +- 全局推荐实现 `WebMvcConfigurer`，统一配置允许的源、方法、头，支持携带 Cookie； +- 也可自定义 Filter 手动设置响应头。 + +前端只需配合配置 `withCredentials: true`（如需携带 Cookie），其他由浏览器自动处理。 + +关键注意点：允许携带 Cookie 时，`Allow-Origin` 不能为 `*`；预检请求需正确处理 OPTIONS 方法，避免 403 错误。 + + + +### 🎯 Spring MVC 如何处理跨域请求（CORS）？ + +- 配置 `@CrossOrigin` + + ```java + @RestController + @CrossOrigin(origins = "http://localhost:8080/", maxAge = 3600) + public class ApiController { ... } + ``` + +- 或通过 `WebMvcConfigurer`全局配置： + + ```java + @Configuration + public class WebConfig implements WebMvcConfigurer { + @Override + public void addCorsMappings(CorsRegistry registry) { + registry.addMapping("/api/**").allowedOrigins("*"); + } + } + ``` + + +--- + + + +## 🚀 四、Spring Boot核心特性 -### 什么是基于Java的Spring注解配置? 给一些注解的例子 +**核心理念**：约定大于配置，提供开箱即用的快速开发体验，简化Spring应用的搭建和部署。 -基于Java的配置，允许你在少量的Java注解的帮助下，进行你的大部分Spring配置而非通过XML文件。 +### 🎯 什么是Spring Boot？解决了什么问题？ -以@Configuration 注解为例，它用来标记类可以当做一个bean的定义，被Spring IOC容器使用。 +"Spring Boot是Spring团队提供的快速开发框架，旨在简化Spring应用的初始搭建和开发过程： -另一个例子是@Bean注解，它表示此方法将要返回一个对象，作为一个bean注册进Spring应用上下文。 +**Spring Boot 的特点（相比 Spring）** + +1. **开箱即用**：几乎零配置，能快速启动应用。 +2. **内嵌服务器**：内置 Tomcat/Jetty/Undertow，不需要单独部署 WAR 包。 +3. **自动装配**：通过条件注解自动配置常用的 Bean，减少 XML 配置。 +4. **约定大于配置**：合理的默认值，配置量大幅减少。 +5. **外部化配置**：支持多环境（application-dev.yml、application-prod.yml）。 +6. **与微服务天然结合**：与 Spring Cloud 无缝对接。 +7. **依赖管理问题**：Spring Boot提供starter依赖，一键解决场景。内置版本仲裁，避免依赖冲突 + +**💻 代码示例**： ```java +// 传统Spring配置（复杂） @Configuration -public class StudentConfig { +@EnableWebMvc +@EnableTransactionManagement +@ComponentScan("com.example") +public class WebConfig implements WebMvcConfigurer { + + @Bean + public DataSource dataSource() { + HikariDataSource dataSource = new HikariDataSource(); + dataSource.setJdbcUrl("jdbc:mysql://localhost:3306/test"); + dataSource.setUsername("root"); + dataSource.setPassword("password"); + return dataSource; + } + @Bean - public StudentBean myStudent() { - return new StudentBean(); + public JdbcTemplate jdbcTemplate(DataSource dataSource) { + return new JdbcTemplate(dataSource); } + + // 还需要配置视图解析器、事务管理器等... } + +// Spring Boot方式（简洁） +@SpringBootApplication +public class Application { + public static void main(String[] args) { + SpringApplication.run(Application.class, args); + } +} + +// application.yml配置即可 +/* +spring: + datasource: + url: jdbc:mysql://localhost:3306/test + username: root + password: password +*/ ``` -### 怎样开启注解装配？ -注解装配在默认情况下是不开启的，为了使用注解装配，我们必须在Spring配置文件中配置 `` 元素。 -### Spring MVC 常用注解: +### 🎯说说 Spring Boot 和 Spring 的关系？ -##### @Controller +> Spring Boot 我理解就是把 spring spring mvc spring data jpa 等等的一些常用的常用的基础框架组合起来，提供默认的配置，然后提供可插拔的设计，就是各种 starter ，来方便开发者使用这一系列的技术，套用官方的一句话， spring 家族发展到今天，已经很庞大了，作为一个开发者，如果想要使用 spring 家族一系列的技术，需要一个一个的搞配置，然后还有个版本兼容性问题，其实挺麻烦的，偶尔也会有小坑出现，其实挺影响开发进度， spring boot 就是来解决这个问题，提供了一个解决方案吧，可以先不关心如何配置，可以快速的启动开发，进行业务逻辑编写，各种需要的技术，加入 starter 就配置好了，直接使用，可以说追求开箱即用的效果吧. -在SpringMVC 中，控制器Controller 负责处理由DispatcherServlet 分发的请求，它把用户请求的数据经过业务处理层处理之后封装成一个Model ，然后再把该Model 返回给对应的View 进行展示。在SpringMVC 中只需使用@Controller 标记一个类是Controller ，然后使用@RequestMapping 和@RequestParam 等一些注解用以定义URL 请求和Controller 方法之间的映射，这样的Controller 就能被外界访问到。 +> 如果说 Spring 是一个家族，其实就是；它包含 spring core, spring mvc，spring boot与spring Cloud 等等； +> +> 那 spring boot 就像是这个家族中的大管家 + +Spring Boot 是 Spring 开源组织下的子项目，是 Spring 组件一站式解决方案，主要是简化了使用 Spring 的难度，简省了繁重的配置，提供了各种启动器，开发者能快速上手。 -##### @RequestMapping +Spring Boot 主要有如下优点： -RequestMapping是一个用来处理请求地址映射的注解，可用于类或方法上 +1. 容易上手，提升开发效率，为 Spring 开发提供一个更快、更广泛的入门体验。 +2. 开箱即用，远离繁琐的配置。 +3. 提供了一系列大型项目通用的非业务性功能，例如：内嵌服务器、安全管理、运行数据监控、运行状况检查和外部化配置等。 +4. 没有代码生成，也不需要XML配置。 +5. 避免大量的 Maven 导入和各种版本冲突。 -##### @RequestMapping -Spring Framework 4.3 之后引入的基于HTTP方法的变体 -- `@GetMapping` -- `@PostMapping` -- `@PutMapping` -- `@DeleteMapping` -- `@PatchMapping` +### 🎯 Spring Boot 启动流程？ -##### @PathVariable +Spring Boot 的启动流程围绕 `SpringApplication.run()` 方法展开，分为 **初始化阶段、环境准备、上下文创建与刷新、自动配置** 等步骤。整体流程可概括为： + +```wiki +启动类 main() → SpringApplication.run() +├─ 初始化阶段：推断应用类型、加载初始化器/监听器 +├─ 环境准备：加载配置、创建监听器集合 +├─ 上下文创建：实例化 ApplicationContext +├─ 上下文刷新：加载 Bean、自动配置、启动容器 +└─ 后置处理：执行 Runner、发布完成事件 +``` -用于将请求URL中的模板变量映射到功能处理方法的参数上，即取出uri模板中的变量作为参数 + **1. 初始化阶段（SpringApplication 构造）** -##### @RequestParam +- 推断应用类型：通过类路径判断是 Web（Servlet/Reactive）或非 Web 应用，决定后续创建哪种 `ApplicationContext` -使用@RequestParam绑定请求参数值，在处理方法入参处使用@RequestParam可以把请求参数传递给请求方法 + （如web应用 `AnnotationConfigServletWebServerApplicationContext`、普通应用`AnnotationConfigApplicationContext`）。 -- value：参数名 -- required：是否必须。默认为true, 表示请求参数中必须包含对应的参数，若不存在，将抛出异常 +- 加载初始化器与监听器：从 `META-INF/spring.factories` 加载 `ApplicationContextInitializer`（用于自定义上下文初始化逻辑）和 `ApplicationListener`（监听启动事件，如 `ConfigFileApplicationListener` 加载配置文件）。 -##### @RequestBody +- 确定主类：通过堆栈信息解析包含 `main()`的启动类，用于组件扫描。 -@RequestBody 表明方法参数应该绑定到HTTP请求体的值 +**2. 环境准备（`run()` 方法前半段）** -##### @ResponseBody +> 不是指 `run()` 之外，而是指 `run()` 里 **在 ApplicationContext 创建之前**的部分 -@Responsebody 表示该方法的返回结果直接写入HTTP response body中 +- 创建监听器集合：初始化 `SpringApplicationRunListeners`（如 `EventPublishingRunListener`），发布 `ApplicationStartingEvent`事件。 +- 加载配置环境： + - 构建 `ConfigurableEnvironment`，解析命令行参数和 `application.properties/yml`文件。 + - 通过 `EnvironmentPostProcessor` 扩展环境变量（如 `RandomValuePropertySource` 支持随机值）。 +- 打印 Banner：加载并显示启动 Banner，支持自定义文本或图片。 -一般在异步获取数据时使用，在使用@RequestMapping后，返回值通常解析为跳转路径，加上@Responsebody后返回结果不会被解析为跳转路径，而是直接写入HTTP response body中。比如异步获取 json 数据，加上@Responsebody后，会直接返回 json 数据。 +**3. 上下文创建与刷新（核心阶段）** -##### @Resource和@Autowired +**调用 `SpringApplication.run()` 方法**： -@Resource和@Autowired都是做bean的注入时使用，其实@Resource并不是Spring的注解，它的包是javax.annotation.Resource，需要导入，但是Spring支持该注解的注入。 +- 创建应用上下文：根据应用类型实例化 `ApplicationContext`（如 Web 应用使用 `AnnotationConfigServletWebServerApplicationContext`）。 +- 准备上下文：关联环境变量、注册初始 Bean（如 `BeanDefinitionLoader` 加载启动类）。 +- 刷新上下文（`ApplicationContext.refresh()` 方法）： + 1. 加载 Bean 定义：扫描 `@Component`、`@Configuration` 等注解，注册 Bean。 + 2. 执行自动配置：通过 `@EnableAutoConfiguration` 加载 `spring.factories` 中的自动配置类（如 `DataSourceAutoConfiguration`），结合条件注解（`@ConditionalOnClass`）按需加载。 + 3. 启动内嵌容器：Web 应用初始化 Tomcat/Jetty 服务器，监听端口 + 4. 完成单例 Bean 初始化：调用 `finishBeanFactoryInitialization()` 实例化所有非懒加载的单例 Bean -- 共同点：两者都可以写在字段和 setter 方法上。两者如果都写在字段上，那么就不需要再写 setter 方法。 -- 不同点 - - @Autowired 为 Spring 提供的注解，@Autowired 注解是按照类型（byType）装配依赖对象，默认情况下它要求依赖对象必须存在，如果允许 null 值，可以设置它的 required 属性为 false。如果我们想使用按照名称（byName）来装配，可以结合 @Qualifier 注解一起使用 - - @Resource 默认按照 ByName 自动注入，由 J2EE 提供，需要导入包 `javax.annotation.Resource`。@Resource 有两个重要的属性：name 和 type，而 Spring 将@ Resource 注解的 name 属性解析为bean 的名字，而 type 属性则解析为 bean 的类型。所以，如果使用 name 属性，则使用 byName 的自动注入策略，而使用 type 属性时则使用 byType 自动注入策略。如果既不制定 name 也不制定 type 属性，这时将通过反射机制使用 byName 自动注入策略。 +**4. 后置处理与启动完成** -##### @ModelAttribute +- 执行 Runner 接口：调用所有 `CommandLineRunner` 和 `ApplicationListener` ，执行启动后自定义逻辑（如初始化数据）。 +- **发布完成事件**：触发 `ApplicationReadyEvent`，通知应用已就绪 -方法入参标注该注解后, 入参的对象就会放到数据模型中 -##### @SessionAttribute -将模型中的某个属性暂存到**HttpSession**中，以便多个请求之间可以共享这个属性 +### 🎯 `CommandLineRunner` 或 `ApplicationRunner`接口区别？ -##### @CookieValue +> “两个接口都是在 Spring Boot 启动完成后执行的，区别在于参数处理：`CommandLineRunner` 直接拿原始字符串数组，而 `ApplicationRunner` 对参数做了解析和封装，更适合处理复杂的启动参数。” -@CookieValue可让处理方法入参绑定某个Cookie 值 +Spring Boot 提供了两个接口，用来在 **应用启动完成之后** 执行一些自定义逻辑： -##### @RequestHeader +**① 相同点** -请求头包含了若干个属性，服务器可据此获知客户端的信息，通过@RequestHeader即可将请求头中的属性值绑定到处理方法的入参中 +- 都会在 `SpringApplication.run()` **上下文刷新完成**，Spring 容器准备就绪后执行。 +- 都可以用 `@Order` 注解或者实现 `Ordered` 接口控制执行顺序。 +- 常见应用场景：数据初始化、缓存预热、检查配置等。 -### @Component, @Controller, @Repository, @Service 有何区别？ +**② 区别点** -- @Component：将 java 类标记为 bean。它是任何 Spring 管理组件的通用构造型。Spring 的组件扫描机制可以将其拾取并将其拉入应用程序环境中 -- @Controller：将一个类标记为 Spring Web MVC 控制器。标有它的 Bean 会自动导入到 IoC 容器中 -- @Service：此注解是组件注解的特化。它不会对 @Component 注解提供任何其他行为。你可以在服务层类中使用 @Service 而不是 @Component，因为它以更好的方式指定了意图 -- @Repository：这个注解是具有类似用途和功能的 @Component 注解的特化。它为 DAO 提供了额外的好处。它将 DAO 导入 IoC 容器，并使未经检查的异常有资格转换为 Spring DataAccessException。 +- **CommandLineRunner**：`run(String... args)`，直接拿到命令行参数数组。 +- **ApplicationRunner**：`run(ApplicationArguments args)`，对命令行参数进行了封装，支持更方便的解析（比如区分 option 参数和非 option 参数）。 -### @Required 注解有什么作用 +举个例子： -这个注解表明bean的属性必须在配置的时候设置，通过一个bean定义的显式的属性值或通过自动装配，若@Required注解的bean属性未被设置，容器将抛出 BeanInitializationException。示例： +- `--name=starfish foo bar` + - 在 **CommandLineRunner** 里拿到的是 `["--name=starfish", "foo", "bar"]` + - 在 **ApplicationRunner** 里，可以通过 `args.getOptionNames()` 拿到 `["name"]`，`args.getOptionValues("name")` 拿到 `["starfish"]`，而非 option 参数就是 `[foo, bar]`。 ```java -public class Employee { - private String name; - @Required - public void setName(String name){ - this.name=name; - } - public string getName(){ - return name; +@Component +public class MyCommandLineRunner implements CommandLineRunner { + @Override + public void run(String... args) throws Exception { + // 可以访问命令行参数args } } ``` -### @Autowired 注解有什么作用 - -@Autowired默认是按照类型装配注入的，默认情况下它要求依赖对象必须存在（可以设置它required属性为false）。@Autowired 注解提供了更细粒度的控制，包括在何处以及如何完成自动装配。它的用法和@Required一样，修饰setter方法、构造器、属性或者具有任意名称和/或多个参数的PN方法。 - ```java -public class Employee { - private String name; - @Autowired - public void setName(String name) { - this.name=name; - } - public string getName(){ - return name; +@Component +public class MyApplicationRunner implements ApplicationRunner { + @Override + public void run(ApplicationArguments args) throws Exception { + // 使用ApplicationArguments来处理命令行参数 } } ``` -### @Autowired和@Resource之间的区别 +两者都是在Spring应用的`ApplicationContext`完全初始化之后，且所有的`@PostConstruct`注解的方法执行完毕后调用的。选择使用哪一个接口取决于你的具体需求，如果你只需要简单的命令行参数，`CommandLineRunner`可能就足够了。如果你需要更复杂的参数解析功能，那么`ApplicationRunner`会是更好的选择。在Spring Boot应用中，你可以同时使用这两个接口，它们并不互相排斥。 -用途：做bean的注入时使用 -- @Autowired，属于Spring的注解，`org.springframework.beans.factory.annotation.Autowired`　　　　 -- @Resource，不属于Spring的注解，JDK1.6支持的注解，`javax.annotation.Resource` +### 🎯 Spring Boot自动配置原理是什么？ -共同点：都用来装配bean。写在字段上，或写在setter方法 +> Spring Boot 相比 Spring 的最大特点是开箱即用、内嵌服务器和自动装配。 +> 自动装配的原理是：启动类上的 `@SpringBootApplication` 启动了 `@EnableAutoConfiguration`，它通过 `AutoConfigurationImportSelector` 扫描 `spring.factories` 或 `spring-autoconfigure-metadata` 中的配置类，并结合条件注解（如 @ConditionalOnClass、@ConditionalOnMissingBean）来决定哪些 Bean 注入到容器中，从而实现按需自动配置。 +> +> 核心机制： +> +> 1. `@SpringBootApplication`组合`@EnableAutoConfiguration`，扫描`META-INF/spring.factories`文件； +> 2. 根据类路径中的依赖（如`spring-boot-starter-web`）自动配置 Bean（如 Tomcat、MVC 组件）； +> 3. 可通过`application.properties/yaml`或`@Conditional`注解覆盖默认配置。 -不同点：@Autowired 默认按类型装配。依赖对象必须存在，如果要允许null值，可以设置它的required属性为false @Autowired(required=false)，也可以使用名称装配，配合@Qualifier注解 +Spring Boot 自动配置（Auto-Configuration）是 Spring Boot 的核心特性之一，旨在根据项目中的依赖自动配置 Spring 应用。通过自动配置，开发者无需手动编写大量的配置代码，可以专注于业务逻辑的开发。其实现原理主要基于以下几个方面： -@Resource默认是按照名称来装配注入的，只有当找不到与名称匹配的bean才会按照类型来装配注入 +1. **启动类注解的复合结构** -### @Qualifier 注解有什么作用 + Spring Boot 应用通常使用 `@SpringBootApplication` 注解来启动，该注解本质上是以下三个注解的组合： -当创建多个相同类型的 bean 并希望仅使用属性装配其中一个 bean 时，可以使用 @Qualifier 注解和 @Autowired 通过指定应该装配哪个确切的 bean 来消除歧义。 + - @SpringBootConfiguration：标识当前类为配置类，继承自 `@Configuration`，支持 Java Config 配置方式。 -### @RequestMapping 注解有什么用？ + - @ComponentScan：自动扫描当前包及其子包下的组件（如 `@Controller`、`@Service`等），将其注册为 Bean。 -@RequestMapping 注解用于将特定 HTTP 请求方法映射到将处理相应请求的控制器中的特定类/方法。此注释可应用于两个级别： + - **@EnableAutoConfiguration**：**自动配置的核心入口**，通过 `@Import` 导入 `AutoConfigurationImportSelector` 类，触发自动配置流程 -- 类级别：映射请求的 URL -- 方法级别：映射 URL 以及 HTTP 请求方法 + ```java + @SpringBootApplication + public class MyApplication { + public static void main(String[] args) { + SpringApplication.run(MyApplication.class, args); + } + } + ------------- + @Target(ElementType.TYPE) + @Retention(RetentionPolicy.RUNTIME) + @Documented + @Inherited + @SpringBootConfiguration + @EnableAutoConfiguration + @ComponentScan + public @interface SpringBootApplication { + } + ``` ------- +2. **自动配置的触发机制** + `@EnableAutoConfiguration` 通过 `AutoConfigurationImportSelector` 类加载配置： + - 读取 `spring.factories` 文件：从所有依赖的 `META-INF/spring.factories` 文件中，查找 `org.springframework.boot.autoconfigure.EnableAutoConfiguration` 键值对应的全类名列表。 -## 九、其他问题 + ``` + # Auto Configure + org.springframework.boot.autoconfigure.EnableAutoConfiguration=\ + org.springframework.boot.autoconfigure.admin.SpringApplicationAdminJmxAutoConfiguration,\ + org.springframework.boot.autoconfigure.aop.AopAutoConfiguration,\ + org.springframework.boot.autoconfigure.amqp.RabbitAutoConfiguration,\ + ... + ``` -### Spring 框架中用到了哪些设计模式？ + - 条件化筛选配置类：通过条件注解（如 `@ConditionalOnClass`、`@ConditionalOnMissingBean`）过滤掉不满足当前环境的配置类，例如： -- **工厂设计模式** : Spring使用工厂模式通过 `BeanFactory`、`ApplicationContext` 创建 bean 对象。 -- **代理设计模式** : Spring AOP 功能的实现。 -- **单例设计模式** : Spring 中的 Bean 默认都是单例的。 -- **模板方法模式** : Spring 中 `jdbcTemplate`、`hibernateTemplate` 等以 Template 结尾的对数据库操作的类，它们就使用到了模板模式。 -- **包装器设计模式** : 我们的项目需要连接多个数据库，而且不同的客户在每次访问中根据需要会去访问不同的数据库。这种模式让我们可以根据客户的需求能够动态切换不同的数据源。 -- **观察者模式:** Spring 事件驱动模型就是观察者模式很经典的一个应用。 -- **适配器模式** :Spring AOP 的增强或通知(Advice)使用到了适配器模式、spring MVC 中也是用到了适配器模式适配`Controller`。 + - 类路径中缺少某个类时禁用相关配置（`@ConditionalOnClass`）。 + - 容器中已存在某个 Bean 时跳过重复注册（`@ConditionalOnMissingBean`）。 + + - **加载有效配置类**：筛选后的配置类通过反射实例化，并注册到 Spring 容器中 + +3. **自动配置类的实现逻辑** + + 自动配置类通常包含以下内容： + + - 条件注解控制：例如，`DataSourceAutoConfiguration` 仅在类路径存在 `javax.sql.DataSource` 时生效。 + + - 默认 Bean 定义：通过 `@Bean` 方法定义默认组件（如 `JdbcTemplate`），开发者可通过配置文件覆盖默认值。 + + - **外部化配置支持**：结合 `@ConfigurationProperties` 将 `application.properties` 中的属性注入到 Bean 中 + +4. **条件注解的作用** + + Spring Boot 提供丰富的条件注解，用于动态控制配置类的加载和 Bean 的注册： + + - @ConditionalOnClass：类路径存在指定类时生效。 + + - @ConditionalOnMissingBean：容器中不存在指定 Bean 时生效。 + + - @ConditionalOnProperty：根据配置文件属性值决定是否加载。 + - **@ConditionalOnWebApplication**：仅在 Web 应用环境下生效 + +5. **自动配置的优化与扩展** + +- 按需加载：通过条件筛选避免加载未使用的组件，减少内存占用。 +- 自定义 Starter：开发者可封装自定义 Starter，遵循相同机制（`spring.factories` \+ 条件注解）实现模块化自动配置。 +- **配置文件优先级**：通过 `spring.autoconfigure.exclude` 显式排除不需要的自动配置类 + +Spring Boot 的自动配置本质上是 **基于约定和条件判断的 Bean 注册机制**，通过以下流程实现“开箱即用”： + +``` +启动类注解 → 加载 spring.factories → 条件筛选 → 注册有效 Bean +``` + +**💻 代码示例**： + +```java +// 自动配置类示例 +@Configuration +@ConditionalOnClass(DataSource.class) +@ConditionalOnProperty(prefix = "spring.datasource", name = "url") +@EnableConfigurationProperties(DataSourceProperties.class) +public class DataSourceAutoConfiguration { + + @Bean + @ConditionalOnMissingBean(DataSource.class) + public DataSource dataSource(DataSourceProperties properties) { + HikariDataSource dataSource = new HikariDataSource(); + dataSource.setJdbcUrl(properties.getUrl()); + dataSource.setUsername(properties.getUsername()); + dataSource.setPassword(properties.getPassword()); + return dataSource; + } +} + +// 配置属性类 +@ConfigurationProperties(prefix = "spring.datasource") +public class DataSourceProperties { + private String url; + private String username; + private String password; + // getter/setter... +} + +// spring.factories文件内容 +/* +# Auto Configure +org.springframework.boot.autoconfigure.EnableAutoConfiguration=\ +com.example.autoconfigure.DataSourceAutoConfiguration,\ +com.example.autoconfigure.WebMvcAutoConfiguration +*/ + +// 自定义条件注解 +@Target({ ElementType.TYPE, ElementType.METHOD }) +@Retention(RetentionPolicy.RUNTIME) +@Conditional(OnRedisCondition.class) +public @interface ConditionalOnRedis { +} + +public class OnRedisCondition implements Condition { + @Override + public boolean matches(ConditionContext context, AnnotatedTypeMetadata metadata) { + try { + context.getClassLoader().loadClass("redis.clients.jedis.Jedis"); + return context.getEnvironment().getProperty("spring.redis.host") != null; + } catch (ClassNotFoundException e) { + return false; + } + } +} +``` + + + +### 🎯Spring Boot 的核心注解是哪个？它主要由哪几个注解组成的？ + +启动类上面的注解是@SpringBootApplication，它也是 Spring Boot 的核心注解，主要组合包含了以下 3 个注解： + +- @SpringBootConfiguration：组合了 @Configuration 注解，实现配置文件的功能。 +- @EnableAutoConfiguration：打开自动配置的功能，也可以关闭某个自动配置的选项，如关闭数据源自动配置功能： @SpringBootApplication(exclude = { DataSourceAutoConfiguration.class })。 +- @ComponentScan：Spring组件扫描。 + + + +### 🎯 springboot是怎么加载类的，通过什么方式 + +Spring Boot 加载类的过程是一个结合了 Spring 框架核心机制与自身自动配置特性的复杂流程，主要通过**类路径扫描**、**依赖注入**和**自动配置**三大核心方式实现，具体如下： + +**一、核心入口：主类的 `@SpringBootApplication` 注解** + +Spring Boot 项目的类加载入口是标注了 `@SpringBootApplication` 的主类，该注解是一个复合注解，包含三个关键注解，共同触发类加载机制： + +1. **`@SpringBootConfiguration`**：标识当前类为配置类，允许通过 `@Bean` 注解定义 Bean。 + +2. `@ComponentScan`：核心注解，指定 Spring 扫描类路径下的组件（如`@Component`、`@Service`、`@Controller` + + 等注解的类）并加载到容器中。 + + - 默认扫描范围：主类所在包及其子包（避免全类路径扫描的性能损耗）。 + - 可通过 `basePackages` 或 `basePackageClasses` 属性自定义扫描范围。 + +3. **`@EnableAutoConfiguration`**：触发 Spring Boot 自动配置机制，加载默认或第三方依赖的配置类。 + +**二、类加载的核心方式** + +**1. 基于 `@ComponentScan` 的组件扫描加载** + +- **作用**：扫描类路径下所有标注了 `@Component` 及其派生注解（`@Service`、`@Repository`、`@Controller` 等）的类，将其注册为 Spring 容器中的 Bean。 + +- **流程**： + + - 启动时，`@ComponentScan` 会触发 `ClassPathBeanDefinitionScanner` 类，遍历指定包路径下的 `.class` 文件。 + + - 对每个类进行注解解析，若存在组件注解，则生成 `BeanDefinition`（Bean 的元数据描述）并注册到 `BeanFactory` 中。 + + - 后续通过依赖注入（如 `@Autowired`）将这些 Bean 组装起来。 + + ```java + @Service // 被 @ComponentScan 扫描并加载 + public class UserService { + // ... + } + ``` + +**2. 基于 `@EnableAutoConfiguration` 的自动配置加载** + +- **作用**：自动加载第三方依赖或内置的配置类（如数据库、Web 服务器等），无需手动编写 XML 或 Java 配置。 +- **核心机制**： + - **SPI（Service Provider Interface）**：Spring Boot 会扫描所有依赖的 `META-INF/spring.factories` 文件（或 Spring Boot 2.7+ 的 `META-INF/spring/org.springframework.boot.autoconfigure.AutoConfiguration.imports` 文件），这些文件中声明了需要自动配置的类全路径。 + - **条件注解过滤**：自动配置类通常包含 `@Conditional` 系列注解（如 `@ConditionalOnClass`、`@ConditionalOnMissingBean` 等），只有满足条件时才会被加载（例如，只有引入了 `spring-boot-starter-web` 依赖，才会加载 Tomcat 相关配置类）。 +- **示例**： + `spring-boot-autoconfigure` 依赖的 `spring.factories` 中声明了 `DataSourceAutoConfiguration`，当项目引入数据库依赖时，该类会被加载，自动配置数据源。 + +**3. 基于 `@Bean` 注解的手动注册加载** + +- **作用**：通过配置类中的 `@Bean` 注解，手动定义需要加载的类（通常用于第三方库中的类，无法直接添加 `@Component` 注解）。 +- **流程**： + - 标注 `@Configuration` 的类会被 `@ComponentScan` 扫描到。 + - 容器解析 `@Bean` 注解的方法，执行方法并将返回的对象注册为 Bean。 + +**4. 基于 `@Import` 的强制加载** + +- **作用**：直接导入指定类，强制将其加载到容器中，无需依赖注解扫描。 + +- **适用场景**：动态加载类、导入非组件类（如普通 POJO）。 + + ```java + @Configuration + @Import(MyUtil.class) // 强制加载 MyUtil 类 + public class AppConfig { + // ... + } + ``` + +**三、类加载的整体流程总结** + +1. **启动触发**：执行主类的 `main` 方法，通过 `SpringApplication.run()` 启动容器。 +2. **扫描准备**：解析 `@SpringBootApplication`，激活 `@ComponentScan` 和 `@EnableAutoConfiguration`。 +3. **组件扫描**：`@ComponentScan` 扫描指定包路径，加载带组件注解的类。 +4. **自动配置**：`@EnableAutoConfiguration` 解析 `spring.factories`，加载满足条件的自动配置类。 +5. **Bean 注册**：所有加载的类通过 `BeanDefinition` 注册到 `BeanFactory`，最终实例化为 Bean 并放入容器。 +6. **依赖注入**：容器通过 `@Autowired` 等注解，将加载的 Bean 自动组装，完成应用初始化。 + +**核心特点** + +- **约定优于配置**：默认扫描主类所在包，减少手动配置。 +- **按需加载**：通过条件注解和依赖检测，只加载必要的类，避免资源浪费。 +- **扩展性**：支持多种加载方式（扫描、手动注册、导入），灵活应对不同场景。 + +这种加载机制使得 Spring Boot 既能简化开发（自动配置），又能保持 Spring 框架的灵活性（手动控制）。 + + + +### 🎯 什么是Starter？ + +> Starter 就是 Spring Boot 的“功能插件”，本质上是一个依赖模块，里面封装了某种功能所需的依赖和自动配置类。Spring Boot 通过 `@EnableAutoConfiguration` 机制扫描 Starter 中的自动配置类，并结合条件注解，最终把所需的 Bean 注入到容器中。这样开发者只需引入 Starter 依赖，就能快速使用对应功能，极大减少了配置工作。 + +**Starter** 就是 **Spring Boot 提供的依赖模块**，它把某个功能所需的依赖、配置、自动装配类都打包好，开发者只需要引入 Starter，就能“开箱即用”。 + +换句话说：**Starter = 依赖管理 + 自动配置 + 约定默认值** + +**🛠 Starter 的组成** + +一个 Starter 一般包含三部分： + +1. **依赖**：把常用的第三方库统一打包（比如 spring-boot-starter-web 就打包了 Spring MVC、Jackson、Tomcat 等）。 +2. **自动配置类**：在 `META-INF/spring.factories` 或 `AutoConfiguration.imports` 中声明。 +3. **条件注解控制**：如 `@ConditionalOnClass`、`@ConditionalOnMissingBean`，保证灵活性。 + +**常见官方 Starter** + +- `spring-boot-starter-web`：Web 开发（Spring MVC、Tomcat） +- `spring-boot-starter-data-jpa`：JPA 和 Hibernate +- `spring-boot-starter-data-redis`：Redis 集成 +- `spring-boot-starter-security`：Spring Security +- `spring-boot-starter-test`：测试依赖 + + + +### 🎯 让你设计一个spring-boot-starter你会怎么设计？ + +设计一个 Spring Boot Starter 需要考虑其目的、功能、易用性和扩展性。以下是设计一个 Spring Boot Starter 的一般步骤： + +1. **定义 Starter 的目的和功能**： + - 确定 Starter 要解决的问题或要提供的功能。 + - 例如，可能是为了简化数据库操作、提供缓存解决方案、实现特定的业务功能等。 +2. **创建 Maven 项目**： + - 使用 Spring Initializr 或者手动创建一个 Maven 项目。 + - 包含必要的依赖，如 Spring Boot 和其他相关库。 +3. **设计自动配置**： + - 创建 `@Configuration` 类来定义自动配置。 + - 使用 `@EnableAutoConfiguration` 和 `@ComponentScan` 注解来启用自动配置和组件扫描。 + - 通过 `@ConditionalOnClass`、`@ConditionalOnMissingBean` 等条件注解来控制配置的生效条件。 +4. **定义默认配置属性**： + - 在 `application.properties` 或 `application.yml` 中定义默认配置属性。 + - 创建一个配置类，使用 `@ConfigurationProperties` 注解来绑定这些属性。 +5. **创建自定义注解**：如果需要，可以创建自定义注解来进一步简化配置。 +6. **实现依赖管理**：在 `pom.xml` 中定义 `` 标签，管理 Starter 依赖的版本。 +7. **编写文档**：提供清晰的文档说明如何使用 Starter，包括配置属性的详细说明。 +8. **打包和命名**： + - 按照 `spring-boot-starter-xxx` 的格式命名你的 Starter。 + - 在 `pom.xml` 中配置 ``、`` 和 ``。 +9. **测试**：编写单元测试和集成测试来验证自动配置的正确性。 +10. **发布**：将 Starter 发布到 Maven 中央仓库或私有仓库，以便其他项目可以依赖。 +11. **提供示例**：提供一个示例项目，展示如何使用你的 Starter。 + +**💻 代码示例**： + +```java +// 1. 自动配置类 +@Configuration +@ConditionalOnClass(SmsService.class) +@ConditionalOnProperty(prefix = "sms", name = "enabled", havingValue = "true") +@EnableConfigurationProperties(SmsProperties.class) +public class SmsAutoConfiguration { + + @Bean + @ConditionalOnMissingBean + public SmsService smsService(SmsProperties properties) { + return new SmsService(properties.getApiKey(), properties.getSecret()); + } +} + +// 2. 配置属性类 +@ConfigurationProperties(prefix = "sms") +@Data +public class SmsProperties { + + private boolean enabled = false; + private String apiKey; + private String secret; + private String templateId; + private int timeout = 5000; +} + +// 3. 核心服务类 +public class SmsService { + + private final String apiKey; + private final String secret; + + public SmsService(String apiKey, String secret) { + this.apiKey = apiKey; + this.secret = secret; + } + + public boolean sendSms(String phone, String message) { + // 发送短信的具体实现 + System.out.println("发送短信到: " + phone + ", 内容: " + message); + return true; + } +} + +// 4. META-INF/spring.factories文件 +/* +org.springframework.boot.autoconfigure.EnableAutoConfiguration=\ +com.example.starter.SmsAutoConfiguration +*/ + +// 5. pom.xml依赖管理（Starter模块） +/* + + com.example + sms-spring-boot-autoconfigure + +*/ + +// 6. 使用自定义Starter +@RestController +public class SmsController { + + @Autowired + private SmsService smsService; + + @PostMapping("/send") + public String sendSms(@RequestParam String phone, @RequestParam String message) { + boolean success = smsService.sendSms(phone, message); + return success ? "发送成功" : "发送失败"; + } +} + +// 7. application.yml配置 +/* +sms: + enabled: true + api-key: your-api-key + secret: your-secret + template-id: SMS_001 + timeout: 10000 +*/ +``` + + + +### 🎯 Spring Boot的配置优先级是怎样的？ + +"Spring Boot遵循约定大于配置原则，支持多种配置方式，具有明确的优先级顺序： + +**配置优先级（从高到低）**： + +**1. 命令行参数**： + +- java -jar app.jar --server.port=8081 +- 优先级最高，可覆盖任何配置 + +**2. 系统环境变量**： + +- export SERVER_PORT=8081 +- 通过操作系统设置的环境变量 + +**3. Java系统属性**： + +- -Dserver.port=8081 +- JVM启动参数设置的系统属性 + +**4. JNDI属性**： + +- java:comp/env/server.port +- 从JNDI获取的属性 + +**5. 随机值属性**： + +- RandomValuePropertySource支持的属性 + +**6. jar包外的配置文件**： + +- application-{profile}.properties/yml +- 放在jar包同级目录 + +**7. jar包内的配置文件**： + +- classpath中的application-{profile}.properties/yml + +**8. @PropertySource注解**： + +- 通过@PropertySource加载的属性文件 + +**9. 默认属性**： + +- SpringApplication.setDefaultProperties() + +**配置文件搜索顺序**： + +1. file:./config/ (当前目录config子目录) +2. file:./ (当前目录) +3. classpath:/config/ (classpath config目录) +4. classpath:/ (classpath根目录) + +**Profile配置**： + +- application.yml (通用配置) +- application-dev.yml (开发环境) +- application-prod.yml (生产环境)" + + + +### 🎯 spring-boot-starter-parent 有什么用 ? + +`spring-boot-starter-parent` 是 Spring Boot 提供的一个父 POM（项目对象模型），用于简化 Spring Boot 项目的构建和依赖管理。它作为父级 POM，主要提供了许多方便的配置，包括版本管理、插件配置、依赖管理等。使用 `spring-boot-starter-parent` 可以减少很多手动配置的工作，让开发者专注于应用程序的开发而非构建过程： + +1. **依赖管理**：`spring-boot-starter-parent` 预定义了 Spring Boot 相关依赖的版本，这意味着你不需要在每个模块的 `pom.xml` 中显式指定版本号，可以避免版本冲突和兼容性问题。 +2. **插件管理**：它提供了一些预先配置的 Maven 插件，例如 `maven-compiler-plugin`（用于Java编译）、`maven-surefire-plugin`（用于单元测试）等，这些插件都已经配置好了适合大多数Spring Boot应用的参数。 +3. **资源过滤和属性替换**：通过在父 POM 中定义资源过滤和属性替换规则，可以确保应用程序的配置文件（如 `application.properties`）在不同环境间正确切换。 +4. **Spring Boot 应用的打包优化**：它配置了 `maven-war-plugin` 插件，使得打包的 WAR 文件中不包含 `META-INF` 目录下的 `pom.xml` 和 `pom.properties` 文件，这对于部署到 Servlet 容器是有益的。 +5. **自动配置的依赖**：可以方便地引入 Spring Boot 的自动配置依赖，例如 `spring-boot-starter`，这可以自动配置应用程序的大部分设置。 +6. **版本一致性**：确保所有 Spring Boot 相关依赖的版本一致，避免不同库之间的版本冲突。 +7. **快速开始**：对于新项目，使用 `spring-boot-starter-parent` 可以快速开始，无需手动配置大量的 Maven 设置。 +8. **继承和自定义**：如果需要，你可以继承 `spring-boot-starter-parent` 并根据项目需求进行自定义配置。 + + + +### 🎯 Spring Boot 打成的 jar 和普通的 jar 有什么区别 ? + +Spring Boot 项目最终打包成的 jar 是可执行 jar ，这种 jar 可以直接通过 `java -jar xxx.jar` 命令来运行，这种 jar 不可以作为普通的 jar 被其他项目依赖，即使依赖了也无法使用其中的类。 + +Spring Boot 的 jar 无法被其他项目依赖，主要还是他和普通 jar 的结构不同。普通的 jar 包，解压后直接就是包名，包里就是我们的代码，而 Spring Boot 打包成的可执行 jar 解压后，在 `\BOOT-INF\classes` 目录下才是我们的代码，因此无法被直接引用。如果非要引用，可以在 pom.xml 文件中增加配置，将 Spring Boot 项目打包成两个 jar ，一个可执行，一个可引用。 + + + +### 🎯 如何使用 Spring Boot 实现异常处理？ + +Spring Boot 提供了异常处理的多种方式，主要通过以下几种手段实现： + +- 使用全局异常处理类（`@ControllerAdvice` 和 `@ExceptionHandler`）。 +- 配置自定义错误页面或返回统一的 JSON 响应。 +- 利用 Spring Boot 自带的 `ErrorController` 接口扩展默认异常处理逻辑。 + + + +### 🎯 Spring Boot Actuator有什么用？ + +"Spring Boot Actuator提供了生产级别的监控和管理功能，是运维必备组件： + +**核心功能**： + +**1. 健康检查**： + +- /health端点显示应用健康状态 +- 支持自定义健康指示器 +- 可集成数据库、Redis等组件检查 + +**2. 指标监控**： + +- /metrics端点提供JVM、HTTP等指标 +- 集成Micrometer指标库 +- 支持Prometheus、InfluxDB等监控系统 + +**3. 应用信息**： + +- /info端点显示应用版本、Git信息 +- /env端点显示环境变量和配置 +- /configprops显示配置属性 + +**4. 运行时管理**： + +- /shutdown端点优雅关闭应用 +- /loggers端点动态修改日志级别 +- /threaddump获取线程转储 + +**常用端点**： + +- /health - 健康检查 +- /metrics - 应用指标 +- /info - 应用信息 +- /env - 环境变量 +- /loggers - 日志配置 +- /heapdump - 堆转储 +- /threaddump - 线程转储 +- /shutdown - 关闭应用 + +**安全配置**： + +- 默认情况下大部分端点需要认证 +- 可通过management.endpoints.web.exposure.include配置暴露端点 +- 建议生产环境配置安全访问控制" + + + +### 🎯 Spring boot 核心配置文件是什么？bootstrap.properties 和 application.properties 有何区别 ? + +单纯做 Spring Boot 开发，可能不太容易遇到 bootstrap.properties 配置文件，但是在结合 Spring Cloud 时，这个配置就会经常遇到了，特别是在需要加载一些远程配置文件的时侯。 + +spring boot 核心的两个配置文件： + +- bootstrap (. yml 或者 . properties)：boostrap 由父 ApplicationContext 加载的，比 applicaton 优先加载，配置在应用程序上下文的引导阶段生效。一般来说我们在 Spring Cloud Config 或者 Nacos 中会用到它。且 boostrap 里面的属性不能被覆盖； +- application (. yml 或者 . properties)： 由 ApplicatonContext 加载，用于 spring boot 项目的自动化配置。 + + + +### 🎯 shutdown hook 原理？ + +`Shutdown Hook` 是 Java 提供的一种机制，允许程序在 JVM**正常关闭**时执行一段自定义的清理代码。它的核心原理是： + +1. **注册**：开发者通过 `Runtime.getRuntime().addShutdownHook(new Thread(...))` 方法，将一个包含清理逻辑的线程注册到 JVM 中。 +2. **触发**：当 JVM 接收到正常关闭信号时（如`System.exit()`、`Ctrl+C`或`SIGTERM`信号），它会启动一个关闭序列。 +3. **执行**：在这个序列中，JVM 会**并发地**启动所有已注册的钩子线程，并**等待所有线程执行完毕**后，才会彻底退出。 + +需要注意的是，钩子是并发执行的，执行顺序不确定，且它只在正常关闭时生效。在强制关闭（如`kill -9`）的情况下，钩子不会被执行。 + +它的主要用途包括：在应用关闭前优雅地关闭数据库连接池、线程池，保存应用状态，或发送关闭通知等。 + +当我们配置 `server.shutdown=graceful` 时，Spring Boot 会在启动时向 JVM 注册一个特殊的 Shutdown Hook。当应用收到 `SIGTERM` 信号时，JVM 会触发这个钩子，进而启动 Spring Boot 自身的关闭流程。这个流程非常强大，它会： + +1. 通知 Web 服务器停止接收新请求。 +2. 等待正在处理的请求完成。 +3. 按顺序销毁所有 Bean，并调用 `@PreDestroy` 方法。 + +这远比我们手动写一个简单的 Shutdown Hook 要健壮和全面得多，它是 Spring Boot 为我们提供的一个开箱即用的企业级特性。 + +------ + + + +## 💾 五、数据访问与事务（Transaction核心） + +**核心理念**：Spring提供统一的事务管理抽象，支持声明式事务，简化数据访问层开发。 + +### 🎯 Spring事务管理机制是什么？ + +> Spring 的事务管理是基于 AOP 的声明式事务机制。 +> 当一个方法加上 `@Transactional` 注解后，Spring 会通过 AOP 代理拦截这个方法调用，进入事务切面逻辑：在方法执行前开启事务，执行过程中如果抛出异常则回滚，否则正常提交。 +> 事务的实现是通过 `PlatformTransactionManager`，它屏蔽了底层 JDBC、JPA 等差异，开发者只需要声明事务即可。 +> 此外，Spring 事务支持传播行为和隔离级别，可以灵活控制事务边界，适应不同的业务场景。 + +**1. 核心思想** + +- Spring 提供了 **统一的事务抽象层**，通过 `PlatformTransactionManager` 接口来管理事务。 +- 常见实现： + - **JDBC**：`DataSourceTransactionManager` + - **JPA**：`JpaTransactionManager` + - **Hibernate**：`HibernateTransactionManager` +- 上层通过 `@Transactional` 或 XML 配置声明事务，Spring 自动完成事务的开启、提交、回滚。 + +**2. 工作原理** + +1. **AOP 代理拦截** + - 带有 `@Transactional` 的方法会被 Spring AOP 拦截（默认 JDK 动态代理或 CGLIB）。 +2. **事务切面处理** + - 拦截后交给 `TransactionInterceptor`，由它负责事务边界： + - 方法执行前：获取 `TransactionManager`，开启事务。 + - 方法执行中：正常执行目标方法。 + - 方法抛异常：根据 `rollbackFor` 等规则回滚事务。 + - 方法执行成功：提交事务。 +3. **事务传播 & 隔离级别** + - 事务属性由 `TransactionAttributeSource` 解析，支持传播行为（Propagation）和隔离级别（Isolation）。 + +**3. 关键机制** + +- **传播行为（Propagation）**：定义事务方法嵌套调用时的事务边界，比如 `REQUIRED`、`REQUIRES_NEW`、`NESTED` 等。 +- **隔离级别（Isolation）**：避免脏读、不可重复读、幻读，比如 `READ_COMMITTED`、`REPEATABLE_READ`。 +- **回滚规则**：默认遇到 `RuntimeException` 回滚，`CheckedException` 不回滚，可以通过 `rollbackFor` 修改。 + +```java +@Service +@Transactional +public class UserService { + + // 声明式事务 - 默认配置 + public void saveUser(User user) { + userRepository.save(user); + // 运行时异常自动回滚 + } + + // 指定传播行为和隔离级别 + @Transactional( + propagation = Propagation.REQUIRES_NEW, + isolation = Isolation.READ_COMMITTED, + timeout = 30, + rollbackFor = Exception.class + ) + public void processOrder(Order order) { + orderRepository.save(order); + updateInventory(order); + } + + // 只读事务优化 + @Transactional(readOnly = true) + public List findActiveUsers() { + return userRepository.findByStatus("ACTIVE"); + } +} +``` + + + +### 🎯 事务管理器? + +Spring 并不直接管理事务，而是提供了多种事务管理器，他们将事务管理的职责委托给 Hibernate 或者 JTA 等持久化机制所提供的相关平台框架的事务来实现。 + +Spring 事务管理器的接口是 `org.springframework.transaction.PlatformTransactionManager`，通过这个接口，Spring 为各个平台如 JDBC、Hibernate 等都提供了对应的事务管理器，但是具体的实现就是各个平台自己的事情了。 + +#### Spring 中的事务管理器的不同实现 + +**事务管理器以普通的 Bean 形式声明在 Spring IOC 容器中** + +- 在应用程序中只需要处理一个数据源, 而且通过 JDBC 存取 + + ```java + org.springframework.jdbc.datasource.DataSourceTransactionManager + ``` + +- 在 JavaEE 应用服务器上用 JTA(Java Transaction API) 进行事务管理 + + ``` + org.springframework.transaction.jta.JtaTransactionManager + ``` + +- 用 Hibernate 框架存取数据库 + + ``` + org.springframework.orm.hibernate3.HibernateTransactionManager + ``` + +**事务管理器以普通的 Bean 形式声明在 Spring IOC 容器中** + + + +### 🎯 Spring Boot 的事务是怎么实现的？ + +>Spring Boot 的事务实现依赖 Spring 的声明式事务机制，本质上还是基于 `PlatformTransactionManager` 和 AOP 拦截器来完成的。 +> 不同的是，Spring Boot 提供了自动配置：比如你用 JDBC，它会自动创建 `DataSourceTransactionManager`；用 JPA，它会自动创建 `JpaTransactionManager`，而且自动启用了 `@EnableTransactionManagement`，所以我们只需要在业务方法上加 `@Transactional` 就能用。 +> 整个流程是：方法调用被代理拦截 → 进入事务拦截器 → 由事务管理器控制事务的开启、提交或回滚。这样开发者只需关注业务逻辑，不需要关心底层事务细节。 + +Spring Boot 的事务管理是基于 **Spring Framework** 的事务抽象实现的，利用了 Spring 的 **声明式事务**（基于 AOP）和 **编程式事务**（通过 `PlatformTransactionManager`）来进行事务控制。在 Spring Boot 中，事务的实现本质上是 Spring 提供的事务管理功能的自动化配置，通过自动配置机制来简化事务管理的配置。 + +下面我们详细探讨 Spring Boot 如何实现事务管理。 + +1. **Spring 事务管理的核心组件** + + Spring 的事务管理主要依赖于以下几个关键组件： + + - **`PlatformTransactionManager`**：这是 Spring 提供的事务管理接口，支持各种类型的事务管理。常用的实现类包括： + - `DataSourceTransactionManager`：用于 JDBC 数据源的事务管理。 + - `JpaTransactionManager`：用于 JPA（Java Persistence API）持久化框架的事务管理。 + - `HibernateTransactionManager`：用于 Hibernate 的事务管理。 + + - **`TransactionDefinition`**：定义了事务的传播行为、隔离级别、回滚规则等事务属性。 + + - **`TransactionStatus`**：代表事务的状态，记录事务的执行情况，可以提交或回滚事务。 + +2. **Spring Boot 如何自动配置事务管理** + + Spring Boot 会自动根据项目中包含的库来配置合适的事务管理器。例如，如果项目中使用的是 **JPA**（通过 `spring-boot-starter-data-jpa`），Spring Boot 会自动配置 `JpaTransactionManager`；如果使用的是 **JDBC**，则会自动配置 `DataSourceTransactionManager`。 + + Spring Boot 的自动配置基于 **Spring Framework** 的 `@EnableTransactionManagement` 和 **AOP**（面向切面编程）机制。 + +- **自动配置事务管理器** + + Spring Boot 会根据 `application.properties` 或 `application.yml` 中的配置自动选择合适的 `PlatformTransactionManager`，并且为你配置一个 `@Transactional` 注解所需的代理。 + + 例如，如果你使用了 JPA 和 Spring Data JPA，Spring Boot 会自动配置 `JpaTransactionManager`。 + + ```java + @Configuration + @EnableTransactionManagement + public class DataSourceConfig { + // 配置事务管理器 + @Bean + public PlatformTransactionManager transactionManager(EntityManagerFactory entityManagerFactory) { + return new JpaTransactionManager(entityManagerFactory); + } + } + ``` + + Spring Boot 会根据自动配置为我们生成这个 `transactionManager`，从而简化了配置过程。 + +- **事务代理和 AOP** + + Spring Boot 的事务管理基于 **AOP（面向切面编程）** 实现的。当你在方法上使用 `@Transactional` 注解时，Spring 会在底层创建一个代理，这个代理会拦截方法的调用，并在方法执行前后执行事务相关的操作（如开启、提交、回滚事务）。 + + 具体来说，Spring 通过 `@Transactional` 注解创建的代理类会通过 **动态代理（JDK 动态代理或 CGLIB 代理）** 来拦截目标方法的调用，执行事务管理逻辑： + + - 在方法执行之前，代理会先开启事务。 + + - 在方法执行后，代理会根据方法执行的结果来决定是提交事务还是回滚事务（如果发生异常）。 + +3. **Spring Boot 事务管理的工作原理** + +- **声明式事务（基于 AOP）** + + Spring Boot 默认使用声明式事务管理。这是通过 **`@Transactional`** 注解实现的。Spring Boot 的事务管理是通过 AOP（面向切面编程）技术来动态处理事务的。 + + 具体流程如下： + + 1. **方法执行之前**：代理对象会在方法执行前调用 `PlatformTransactionManager` 的 `begin()` 方法，开启事务。 + + 2. **方法执行之后**：方法执行完成后，代理对象会根据方法的返回值和抛出的异常来判断是提交事务还是回滚事务： + + - 如果方法正常执行完成，事务会被提交（`commit()`）。 + + - 如果方法抛出 `RuntimeException` 或其他配置的异常类型，事务会被回滚（`rollback()`）。 + +- **事务的传播行为和隔离级别** + + Spring 事务还可以通过配置 `@Transactional` 注解的属性来指定事务的 **传播行为** 和 **隔离级别**，这也是 Spring 事务管理的一大特点。 + + - **传播行为（Propagation）**：指定一个方法如何参与当前事务的上下文。例如： + + - `REQUIRED`（默认）：如果当前方法有事务，加入当前事务；如果没有事务，创建一个新的事务。 + - `REQUIRES_NEW`：总是创建一个新的事务，挂起当前事务。 + - `NESTED`：在当前事务中执行，但支持事务嵌套。 + + - **隔离级别（Isolation）**：控制事务之间的隔离程度。例如： + + - `READ_COMMITTED`：确保读取的数据是已提交的数据。 + + - `READ_UNCOMMITTED`：允许读取未提交的数据。 + + - `SERIALIZABLE`：最严格的隔离级别，保证事务完全隔离，避免并发问题。 + + ```java + @Transactional(propagation = Propagation.REQUIRES_NEW, isolation = Isolation.READ_COMMITTED) + public void someMethod() { + // 该方法会开启新的事务并设置隔离级别 + } + ``` + +- **回滚规则** + + 默认情况下，Spring 的事务管理会在发生 **运行时异常**（`RuntimeException`）或 **Error** 时进行回滚。如果抛出的是 **检查型异常**（`CheckedException`），则默认不会回滚，但可以通过 `@Transactional` 注解的 `rollbackFor` 属性来修改这一行为。 + + ```java + @Transactional(rollbackFor = Exception.class) + public void someMethod() throws Exception { + // 这里如果抛出 Exception 类型的异常，事务会回滚 + } + ``` + +4. **编程式事务管理** + + 除了声明式事务（通过 `@Transactional` 注解），Spring 还支持编程式事务管理。编程式事务管理通常用于对事务进行更加细粒度的控制。Spring 提供了 `PlatformTransactionManager` 接口来进行编程式事务管理，最常用的实现是 `DataSourceTransactionManager` 和 `JpaTransactionManager`。 + + ```java + @Autowired + private PlatformTransactionManager transactionManager; + + public void someMethod() { + TransactionDefinition definition = new DefaultTransactionDefinition(); + TransactionStatus status = transactionManager.getTransaction(definition); + + try { + // 执行业务逻辑 + transactionManager.commit(status); + } catch (Exception e) { + transactionManager.rollback(status); + } + } + ``` + +5. **事务管理的优点和特点** + + - **简化了配置**：Spring Boot 自动根据使用的持久化框架配置事务管理器，减少了手动配置的工作量。 + + - **基于 AOP**：声明式事务管理使用 AOP 技术动态代理，拦截方法调用，实现事务的自动控制。 + + - **灵活的传播行为和隔离级别**：Spring 提供了多种传播行为和隔离级别，开发者可以根据需求灵活配置。 + + - **事务回滚**：通过 `@Transactional` 注解，Spring 可以自动根据异常类型决定是否回滚事务，支持自定义回滚规则。 + +> **Spring Boot 的事务管理是基于 Spring 框架的事务抽象实现的**。Spring Boot 自动配置事务管理器，具体事务管理器（如 `JpaTransactionManager` 或 `DataSourceTransactionManager`）会根据项目中使用的持久化框架自动选择。事务管理主要通过 **声明式事务** 和 **编程式事务** 来实现。 +> +> - **声明式事务**：通过 `@Transactional` 注解来管理事务，Spring 会通过 AOP（面向切面编程）技术，拦截标注了 `@Transactional` 注解的方法，自动处理事务的开始、提交和回滚。 +> - **编程式事务**：通过 `PlatformTransactionManager` 和 `TransactionStatus` 来手动控制事务的提交和回滚，适用于更加灵活的场景。 +> +> Spring Boot 默认支持常见的传播行为（如 `REQUIRED`、`REQUIRES_NEW`）和隔离级别（如 `READ_COMMITTED`、`SERIALIZABLE`），并允许自定义事务回滚规则（默认回滚 `RuntimeException` 和 `Error`）。这些特性使得 Spring Boot 的事务管理既灵活又高效。 + + + +### 🎯 Spring事务传播行为有哪些？ + +"Spring定义了7种事务传播行为，控制事务方法调用时的事务边界： + +**支持当前事务**： + +**REQUIRED（默认）**： +- 有事务就加入，没有就新建 +- 最常用的传播行为 + +**SUPPORTS**： +- 有事务就加入，没有就以非事务执行 +- 适用于查询方法 + +**MANDATORY**： +- 必须在事务中执行，否则抛异常 +- 强制要求调用方提供事务 + +**不支持当前事务**： + +**REQUIRES_NEW**： +- 总是创建新事务，挂起当前事务 +- 适用于独立的子事务 + +**NOT_SUPPORTED**： +- 以非事务方式执行，挂起当前事务 +- 适用于不需要事务的操作 + +**NEVER**： +- 以非事务方式执行，有事务就抛异常 +- 强制非事务执行 + +**嵌套事务**： + +**NESTED**： +- 嵌套事务，基于保存点实现 +- 内层事务回滚不影响外层事务" + + + +### 🎯 Spring事务失效的常见原因有哪些？ + +"Spring事务失效是常见问题，主要原因包括： + +**AOP代理失效场景**： + +**1. 方法不是public**： + +- @Transactional只能作用于public方法 +- private/protected/默认方法事务不生效 + +**2. 内部方法调用**： +- 同一个类内部方法调用，不经过代理 +- 解决方案：通过ApplicationContext获取代理对象 + +**3. 方法被final修饰**： +- final方法无法被代理重写 +- static方法同样无法被代理 + +**异常处理问题**： + +**4. 异常被捕获**： +- try-catch捕获异常但不重新抛出 +- 事务管理器感知不到异常 + +**5. 异常类型不匹配**： +- 默认只回滚RuntimeException +- 检查异常需要显式配置rollbackFor + +**配置和环境问题**： + +**6. 事务管理器未正确配置**： +- 数据源与事务管理器不匹配 +- 多数据源配置错误 + +**7. 传播行为配置错误**： +- NOT_SUPPORTED、NEVER等传播行为 +- 导致方法以非事务方式执行" + +**💻 代码示例**： +```java +@Service +public class UserService { + + // ❌ 错误：非public方法 + @Transactional + private void updateUserInternal(User user) { + userRepository.save(user); + } + + // ❌ 错误：内部调用不经过代理 + @Transactional + public void updateUser(User user) { + this.updateUserInternal(user); // 事务失效 + } + + // ❌ 错误：异常被捕获 + @Transactional + public void saveUserWithCatch(User user) { + try { + userRepository.save(user); + throw new RuntimeException("测试异常"); + } catch (Exception e) { + // 异常被捕获，事务不回滚 + log.error("保存失败", e); + } + } + + // ✅ 正确：重新抛出异常 + @Transactional + public void saveUserCorrect(User user) { + try { + userRepository.save(user); + } catch (Exception e) { + log.error("保存失败", e); + throw e; // 重新抛出异常 + } + } + + // ✅ 正确：指定回滚异常类型 + @Transactional(rollbackFor = Exception.class) + public void saveUserWithCheckedException(User user) throws Exception { + userRepository.save(user); + if (user.getAge() < 0) { + throw new Exception("年龄不能为负数"); + } + } +} +``` + + + +### 🎯 Spring Data JPA和MyBatis的区别？ + +"Spring Data JPA和MyBatis是两种不同的数据访问技术： + +**Spring Data JPA**： +- 基于JPA标准的ORM框架 +- 约定大于配置，自动生成SQL +- Repository接口自动实现CRUD +- 适合领域驱动设计，对象关系映射 +- 学习成本低，开发效率高 + +**MyBatis**： +- 半自动ORM框架，SQL与Java分离 +- 需要手写SQL，控制精确 +- 支持动态SQL，适合复杂查询 +- 适合数据库优先设计 +- 性能可控，但开发工作量大 + +**选择建议**： +- 简单CRUD，快速开发：Spring Data JPA +- 复杂查询，性能要求高：MyBatis +- 团队熟悉SQL：MyBatis +- 团队偏向对象模型：Spring Data JPA" + +**💻 代码示例**： +```java +// Spring Data JPA方式 +@Repository +public interface UserRepository extends JpaRepository { + // 方法名自动生成SQL + List findByNameAndAge(String name, Integer age); + + // 自定义查询 + @Query("SELECT u FROM User u WHERE u.email = ?1") + User findByEmail(String email); + + // 分页查询 + Page findByNameContaining(String name, Pageable pageable); +} + +// MyBatis方式 +@Mapper +public interface UserMapper { + @Select("SELECT * FROM user WHERE name = #{name} AND age = #{age}") + List findByNameAndAge(@Param("name") String name, @Param("age") Integer age); + + @Insert("INSERT INTO user(name, email, age) VALUES(#{name}, #{email}, #{age})") + @Options(useGeneratedKeys = true, keyProperty = "id") + int insertUser(User user); + + // XML配置复杂查询 + List findUsersWithConditions(UserQueryCondition condition); +} +``` + + + +### 🎯 @Transactional 是如何实现的？ + +“`@Transactional`是通过**Spring AOP**和**事务管理器**共同实现的。 + +首先，在 Spring 容器启动时，它会扫描到所有带有`@Transactional`注解的类，并为它们创建**代理对象**。 + +当客户端调用代理对象的方法时，调用会被 AOP 拦截，并交给`TransactionInterceptor`（事务拦截器）处理。 + +`TransactionInterceptor`会执行以下操作： + +1. 读取`@Transactional`注解中的属性，如传播行为、隔离级别等。 +2. 查找对应的`PlatformTransactionManager`。 +3. 根据传播行为，决定是创建新事务、加入现有事务还是以非事务方式执行。 +4. 调用目标方法，执行真正的业务逻辑。 +5. 根据方法执行结果（正常返回或抛出异常），决定是调用`commit()`提交事务，还是调用`rollback()`回滚事务。 + +简单来说，它就是一个环绕在业务方法周围的、自动完成事务管理的 AOP 切面。” + + + +### 🎯 Spring 如何实现嵌套事务？ + +"Spring 实现嵌套事务主要通过**传播行为**和**数据库保存点**。当内层方法使用`Propagation.NESTED`时，Spring 不会创建新事务，而是在当前事务中创建一个保存点。内层回滚时，只会回滚到这个保存点，不影响外层操作；而外层回滚则会导致整个事务全部回滚。 + +这与`REQUIRES_NEW`不同，后者会创建一个完全独立的新事务，内层回滚和提交都不会影响外层事务。使用嵌套事务时，需要确保数据库支持保存点，并且内层异常被外层捕获，否则整个事务会被回滚。” + + + +### 🎯 @Transactional 为什么不能用在私有方法上？ + +`@Transactional` 注解是 Spring 提供的一种声明式事务管理方式，它用于指定某个方法在执行时需要进行事务管理。通常，这个注解被用在公有（public）方法上，原因包括： + +1. **代理机制**：Spring 的声明式事务管理是基于 AOP（面向切面编程）实现的。当使用 `@Transactional` 注解时，Spring 会为被注解的方法创建一个代理对象。对于非公有方法，Spring 无法在运行时动态地创建代理，因为这些方法不能被代理对象所调用。 +2. **事务传播**：事务的传播依赖于方法调用链。`@Transactional` 注解通常用于服务层或对外的 API 方法上，这样可以确保在业务逻辑的开始处就开启事务，并在业务逻辑结束时提交或回滚事务。如果将 `@Transactional` 注解用在私有方法上，那么事务的传播行为（如传播级别、事务的保存点等）可能不会按预期工作。 +3. **代码设计**：从设计的角度来看，将 `@Transactional` 注解用在公有方法上更符合业务逻辑的封装和分层。私有方法通常被设计为辅助方法，不应该独立承担事务管理的责任。 +4. **事务的可见性**：将 `@Transactional` 注解用在公有方法上可以清晰地表明事务的边界，这对于理解和维护代码都是有益的。如果用在私有方法上，可能会隐藏事务的边界，使得其他开发者难以理解事务的范围。 +5. **事务的粒度**：事务应该在业务逻辑的适当粒度上进行管理。通常，一个业务操作会跨越多个方法调用，将 `@Transactional` 注解用在私有方法上可能会导致过细的事务粒度，这不利于事务管理。 +6. **Spring 版本限制**：在 Spring 5 之前的版本中，`@Transactional` 注解确实不能用于非公有方法。从 Spring 5 开始，引入了对非公有方法的支持，但是仍然推荐将 `@Transactional` 注解用在公有方法上。 + + + +### 🎯 事务传播属性 + +- 当事务方法被另一个事务方法调用时， 必须指定事务应该如何传播。例如：方法可能继续在现有事务中运行，也可能开启一个新事务，并在自己的事务中运行 +- 事务的传播行为可以由传播属性指定，Spring 定义了 7 种类传播行为： + +| 传播行为 | 意义 | +| ------------------------- | ------------------------------------------------------------ | +| PROPAGATION_MANDATORY | 表示该方法必须运行在一个事务中。如果当前没有事务正在发生，将抛出一个异常 | +| PROPAGATION_NESTED | 表示如果当前正有一个事务在进行中，则该方法应当运行在一个嵌套式事务中。被嵌套的事务可以独立于封装事务进行提交或回滚。如果封装事务不存在，行为就像PROPAGATION_REQUIRES一样。 | +| PROPAGATION_NEVER | 表示当前的方法不应该在一个事务中运行。如果一个事务正在进行，则会抛出一个异常。 | +| PROPAGATION_NOT_SUPPORTED | 表示该方法不应该在一个事务中运行。如果一个现有事务正在进行中，它将在该方法的运行期间被挂起。 | +| PROPAGATION_SUPPORTS | 表示当前方法不需要事务性上下文，但是如果有一个事务已经在运行的话，它也可以在这个事务里运行。 | +| PROPAGATION_REQUIRES_NEW | 表示当前方法必须在它自己的事务里运行。一个新的事务将被启动，而且如果有一个现有事务在运行的话，则将在这个方法运行期间被挂起。 | +| PROPAGATION_REQUIRES | 表示当前方法必须在一个事务中运行。如果一个现有事务正在进行中，该方法将在那个事务中运行，否则就要开始一个新事务。 | + + + +### 🎯 Spring 支持的事务隔离级别 + +| 隔离级别 | 含义 | +| -------------------------- | ------------------------------------------------------------ | +| ISOLATION_DEFAULT | 使用后端数据库默认的隔离级别。 | +| ISOLATION_READ_UNCOMMITTED | 允许读取尚未提交的更改。可能导致脏读、幻影读或不可重复读。 | +| ISOLATION_READ_COMMITTED | 允许从已经提交的并发事务读取。可防止脏读，但幻影读和不可重复读仍可能会发生。 | +| ISOLATION_REPEATABLE_READ | 对相同字段的多次读取的结果是一致的，除非数据被当前事务本身改变。可防止脏读和不可重复读，但幻影读仍可能发生。 | +| ISOLATION_SERIALIZABLE | 完全服从ACID的隔离级别，确保不发生脏读、不可重复读和幻影读。这在所有隔离级别中也是最慢的，因为它通常是通过完全锁定当前事务所涉及的数据表来完成的。 | + +事务的隔离级别要得到底层数据库引擎的支持，而不是应用程序或者框架的支持； + +Oracle 支持的 2 种事务隔离级别，Mysql支持 4 种事务隔离级别。 + + + +### 🎯 设置隔离事务属性 + +用 @Transactional 注解声明式地管理事务时可以在 @Transactional 的 isolation 属性中设置隔离级别 + +在 Spring 事务通知中, 可以在 `` 元素中指定隔离级别 + +### 🎯 设置回滚事务属性 + +- 默认情况下只有未检查异常(RuntimeException和Error类型的异常)会导致事务回滚，而受检查异常不会。 +- 事务的回滚规则可以通过 @Transactional 注解的 rollbackFor和 noRollbackFor属性来定义，这两个属性被声明为 Class[] 类型的，因此可以为这两个属性指定多个异常类。 + + - rollbackFor：遇到时必须进行回滚 + - noRollbackFor： 一组异常类，遇到时必须不回滚 + +### 🎯 超时和只读属性 + +- 由于事务可以在行和表上获得锁， 因此长事务会占用资源，并对整体性能产生影响 +- 如果一个事物只读取数据但不做修改，数据库引擎可以对这个事务进行优化 +- 超时事务属性：事务在强制回滚之前可以保持多久，这样可以防止长期运行的事务占用资源 +- 只读事务属性：表示这个事务只读取数据但不更新数据，这样可以帮助数据库引擎优化事务 + +**设置超时和只读事务属性** + +- 超时和只读属性可以在 @Transactional 注解中定义，超时属性以秒为单位来计算 + +列出两种方式的示例： + +```java +@Transactional(propagation = Propagation.NESTED, timeout = 1000, isolation = Isolation.READ_COMMITTED, rollbackFor = Exception.class) +``` + +```xml + + + + + + + + + + + + + + + +``` + +--- + +## 🔒 六、Spring Security安全框架 + +**核心理念**：Spring Security提供全面的安全解决方案，包括认证、授权、攻击防护等企业级安全功能。 + +### 🎯 Spring Security的核心概念？ + +"Spring Security是基于过滤器链的安全框架： + +**核心概念**： + +**Authentication（认证）**： +- 验证用户身份的过程 +- 包含用户凭证和权限信息 +- 存储在SecurityContext中 + +**Authorization（授权）**： +- 控制用户对资源的访问权限 +- 基于角色或权限进行访问控制 +- 支持方法级和URL级授权 + +**SecurityContext**： +- 安全上下文，存储当前用户的安全信息 +- 通过ThreadLocal实现线程隔离 +- SecurityContextHolder提供访问接口 + +**核心组件**： + +**AuthenticationManager**： +- 认证管理器，处理认证请求 +- 通常使用ProviderManager实现 + +**UserDetailsService**： +- 用户详情服务，加载用户信息 +- 自定义用户数据源的关键接口 + +**PasswordEncoder**： +- 密码编码器，处理密码加密 +- 推荐使用BCryptPasswordEncoder + +**过滤器链**： +- SecurityFilterChain处理HTTP请求 +- 包含认证、授权、CSRF防护等过滤器" + +**💻 代码示例**： +```java +@Configuration +@EnableWebSecurity +public class SecurityConfig { + + @Bean + public SecurityFilterChain filterChain(HttpSecurity http) throws Exception { + http.authorizeHttpRequests(auth -> auth + .requestMatchers("/public/**").permitAll() + .requestMatchers("/admin/**").hasRole("ADMIN") + .anyRequest().authenticated() + ) + .formLogin(form -> form + .loginPage("/login") + .defaultSuccessUrl("/dashboard") + ) + .logout(logout -> logout + .logoutSuccessUrl("/login?logout") + ); + return http.build(); + } + + @Bean + public PasswordEncoder passwordEncoder() { + return new BCryptPasswordEncoder(); + } + + @Bean + public UserDetailsService userDetailsService(PasswordEncoder encoder) { + UserDetails admin = User.builder() + .username("admin") + .password(encoder.encode("admin123")) + .roles("ADMIN") + .build(); + return new InMemoryUserDetailsManager(admin); + } +} +``` + +### 🎯 Spring Security如何实现JWT认证？ + +"JWT认证是无状态的认证方式，Spring Security可以很好地集成： + +**JWT认证流程**： +1. 用户登录，验证用户名密码 +2. 生成JWT Token返回给客户端 +3. 客户端在请求头中携带Token +4. 服务器验证Token并提取用户信息 +5. 基于用户信息进行授权决策 + +**实现要点**： + +**JWT工具类**： +- 生成Token：包含用户信息和过期时间 +- 验证Token：检查签名和过期状态 +- 解析Token：提取用户身份信息 + +**JWT过滤器**： +- 继承OncePerRequestFilter +- 从请求头提取Token +- 验证Token并设置SecurityContext + +**认证端点**： +- 处理登录请求 +- 验证用户凭证 +- 生成并返回JWT Token + +**优势**：无状态、跨域友好、易于扩展 +**注意**：Token安全存储、合理设置过期时间" + +**💻 代码示例**： +```java +@RestController +public class AuthController { + + @Autowired + private AuthenticationManager authManager; + @Autowired + private JwtUtil jwtUtil; + + @PostMapping("/login") + public ResponseEntity login(@RequestBody LoginRequest request) { + Authentication auth = authManager.authenticate( + new UsernamePasswordAuthenticationToken( + request.getUsername(), request.getPassword()) + ); + + UserDetails user = (UserDetails) auth.getPrincipal(); + String token = jwtUtil.generateToken(user.getUsername()); + + return ResponseEntity.ok(new JwtResponse(token)); + } +} + +@Component +public class JwtAuthenticationFilter extends OncePerRequestFilter { + + @Override + protected void doFilterInternal(HttpServletRequest request, + HttpServletResponse response, + FilterChain chain) throws ServletException, IOException { + String token = extractToken(request); + + if (token != null && jwtUtil.validateToken(token)) { + String username = jwtUtil.getUsernameFromToken(token); + UserDetails user = userDetailsService.loadUserByUsername(username); + + Authentication auth = new UsernamePasswordAuthenticationToken( + user, null, user.getAuthorities()); + SecurityContextHolder.getContext().setAuthentication(auth); + } + + chain.doFilter(request, response); + } +} +``` + +### 🎯 Spring Security方法级安全怎么使用？ + +"Spring Security提供了方法级的安全控制，可以在方法上直接配置权限： + +**启用方法安全**： +- @EnableGlobalMethodSecurity注解 +- @EnableMethodSecurity（Spring Security 6+） +- 支持多种注解方式 + +**安全注解类型**： + +**@PreAuthorize**： +- 方法执行前进行权限检查 +- 支持SpEL表达式 +- 最常用的方法级安全注解 + +**@PostAuthorize**： +- 方法执行后进行权限检查 +- 可以基于返回值进行权限控制 + +**@Secured**： +- 简单的角色检查 +- 只支持角色名称，不支持复杂表达式 + +**@RolesAllowed**： +- JSR-250标准注解 +- 功能类似@Secured + +**SpEL表达式**： +- hasRole('ROLE_USER')：检查角色 +- hasAuthority('READ_USER')：检查权限 +- authentication.name == #username：复杂权限逻辑" + +**💻 代码示例**： +```java +@Configuration +@EnableMethodSecurity(prePostEnabled = true) +public class MethodSecurityConfig { +} + +@Service +public class UserService { + + // 只有ADMIN角色可以访问 + @PreAuthorize("hasRole('ADMIN')") + public void deleteUser(Long userId) { + userRepository.deleteById(userId); + } + + // 用户只能访问自己的信息 + @PreAuthorize("hasRole('ADMIN') or authentication.name == #username") + public User getUserInfo(String username) { + return userRepository.findByUsername(username); + } + + // 基于返回值的权限检查 + @PostAuthorize("hasRole('ADMIN') or returnObject.username == authentication.name") + public User findUserById(Long id) { + return userRepository.findById(id).orElse(null); + } + + // 多个权限检查 + @PreAuthorize("hasAnyRole('ADMIN', 'MANAGER') and hasAuthority('USER_READ')") + public List getAllUsers() { + return userRepository.findAll(); + } +} +``` + + + +### 🎯 比较一下 Spring Security 和 Shiro 各自的优缺点 ? + +由于 Spring Boot 官方提供了大量的非常方便的开箱即用的 Starter ，包括 Spring Security 的 Starter ，使得在 Spring Boot 中使用 Spring Security 变得更加容易，甚至只需要添加一个依赖就可以保护所有的接口，所以，如果是 Spring Boot 项目，一般选择 Spring Security 。当然这只是一个建议的组合，单纯从技术上来说，无论怎么组合，都是没有问题的。Shiro 和 Spring Security 相比，主要有如下一些特点： + +1. Spring Security 是一个重量级的安全管理框架；Shiro 则是一个轻量级的安全管理框架 +2. Spring Security 概念复杂，配置繁琐；Shiro 概念简单、配置简单 +3. Spring Security 功能强大；Shiro 功能简单 + +--- + + + +## ☁️ 七、Spring Cloud微服务 + +**核心理念**：Spring Cloud为分布式系统开发提供工具集，简化微服务架构的实现和运维。 + +### 🎯 Spring Cloud 核心组件有哪些？各自作用？ + +- **服务注册与发现**：Eureka/Nacos（服务实例自动注册与发现）； +- **服务调用**：Feign（基于接口的声明式 REST 调用）； +- **负载均衡**：Ribbon（客户端负载均衡算法）； +- **熔断降级**：Hystrix/Sentinel（防止级联故障）； +- **网关**：Gateway（统一入口，路由、限流、认证）。 + +💻 代码示例 +```java +// 服务提供者 +@RestController +@EnableEurekaClient +public class UserController { + + @GetMapping("/users/{id}") + public User getUser(@PathVariable Long id) { + return userService.findById(id); + } +} + +// 服务消费者 - Feign客户端 +@FeignClient(name = "user-service", fallback = UserServiceFallback.class) +public interface UserServiceClient { + @GetMapping("/users/{id}") + User getUser(@PathVariable Long id); +} + +// 断路器降级 +@Component +public class UserServiceFallback implements UserServiceClient { + @Override + public User getUser(Long id) { + return new User(id, "默认用户", "服务降级"); + } +} + +// Gateway网关配置 +@Configuration +public class GatewayConfig { + + @Bean + public RouteLocator customRoutes(RouteLocatorBuilder builder) { + return builder.routes() + .route("user-service", r -> r.path("/users/**") + .uri("lb://user-service")) + .route("order-service", r -> r.path("/orders/**") + .uri("lb://order-service")) + .build(); + } +} +``` + +### 🎯 微服务之间如何进行通信？ + +"微服务间通信有多种方式，各有适用场景： + +**同步通信**： + +**HTTP/REST**： + +- 最常用的通信方式 +- 基于HTTP协议，简单易理解 +- 使用JSON格式传输数据 +- 工具：RestTemplate、OpenFeign + +**RPC调用**： +- 远程过程调用，性能较好 +- 支持多种协议：gRPC、Dubbo +- 强类型接口，开发效率高 + +**异步通信**： + +**消息队列**： +- 基于消息中间件：RabbitMQ、Kafka +- 解耦服务间依赖关系 +- 支持削峰填谷、事件驱动 + +**事件驱动**： +- 基于事件的异步通信 +- 服务发布和订阅事件 +- 实现最终一致性 + +**选择原则**： +- 实时性要求高：同步通信 +- 解耦要求高：异步通信 +- 性能要求高：RPC调用 +- 简单场景：HTTP/REST" + +**💻 代码示例**： +```java +// HTTP通信 - RestTemplate +@Service +public class OrderService { + + @Autowired + private RestTemplate restTemplate; + + public User getUserInfo(Long userId) { + String url = "http://user-service/users/" + userId; + return restTemplate.getForObject(url, User.class); + } +} + +// HTTP通信 - OpenFeign +@FeignClient("user-service") +public interface UserClient { + @GetMapping("/users/{id}") + User getUser(@PathVariable Long id); +} + +// 消息队列通信 +@Component +public class OrderEventPublisher { + + @Autowired + private RabbitTemplate rabbitTemplate; + + public void publishOrderCreated(Order order) { + OrderCreatedEvent event = new OrderCreatedEvent(order); + rabbitTemplate.convertAndSend("order.exchange", + "order.created", event); + } +} + +@RabbitListener(queues = "inventory.queue") +public void handleOrderCreated(OrderCreatedEvent event) { + // 处理订单创建事件，更新库存 + inventoryService.updateInventory(event.getOrder()); +} +``` + +### 🎯 微服务的分布式事务怎么处理？ + +"分布式事务是微服务架构的核心挑战，有多种解决方案： + +**两阶段提交（2PC）**： +- 传统的强一致性解决方案 +- 协调者和参与者模式 +- 存在性能和可用性问题，不适合微服务 + +**TCC模式**： +- Try-Confirm-Cancel三个阶段 +- 业务层面的补偿机制 +- 实现复杂但控制精确 + +**Saga模式**： +- 长事务拆分为多个短事务 +- 每个事务有对应的补偿操作 +- 适合业务流程复杂的场景 + +**最终一致性**： +- 基于消息队列的异步处理 +- 通过重试和补偿达到最终一致 +- 性能好，但需要处理中间状态 + +**分布式事务框架**： +- Seata：阿里开源的分布式事务解决方案 +- 支持AT、TCC、Saga等模式 +- 对业务代码侵入性小 + +**最佳实践**： +- 避免分布式事务，通过设计规避 +- 优先考虑最终一致性 +- 重要业务场景使用TCC或Saga" + +**💻 代码示例**： +```java +// Saga模式示例 +@SagaOrchestrationStart +@Transactional +public class OrderSagaService { + + public void processOrder(Order order) { + // 1. 创建订单 + orderService.createOrder(order); + + // 2. 扣减库存 + inventoryService.decreaseStock(order.getItems()); + + // 3. 扣减积分 + pointService.decreasePoints(order.getUserId(), order.getPoints()); + + // 4. 发送通知 + notificationService.sendOrderNotification(order); + } + + // 补偿方法 + @SagaOrchestrationCancel + public void cancelOrder(Order order) { + notificationService.cancelNotification(order); + pointService.compensatePoints(order.getUserId(), order.getPoints()); + inventoryService.compensateStock(order.getItems()); + orderService.cancelOrder(order); + } +} + +// 基于消息的最终一致性 +@Service +public class OrderService { + + @Transactional + public void createOrder(Order order) { + // 1. 保存订单 + orderRepository.save(order); + + // 2. 发送事件消息 + OrderCreatedEvent event = new OrderCreatedEvent(order); + messageProducer.send("order.created", event); + } +} + +@EventListener +public class InventoryEventHandler { + + @RabbitListener(queues = "inventory.order.queue") + public void handleOrderCreated(OrderCreatedEvent event) { + try { + inventoryService.decreaseStock(event.getOrder().getItems()); + // 发送库存扣减成功事件 + messageProducer.send("inventory.decreased", + new InventoryDecreasedEvent(event.getOrder())); + } catch (Exception e) { + // 发送库存扣减失败事件 + messageProducer.send("inventory.decrease.failed", + new InventoryDecreaseFailedEvent(event.getOrder())); + } + } +} +``` + +--- + + + +## 📝 八、注解与配置 + +**核心理念**：Spring注解简化配置，提供声明式编程模型，实现约定大于配置的设计理念。 + +### 🎯 Spring常用注解有哪些？ + +"Spring提供了丰富的注解简化开发配置： + +**核心注解**： + +**@Component及其派生**： +- @Component：通用组件注解 +- @Service：服务层组件 +- @Repository：数据访问层组件 +- @Controller：控制器组件 +- @RestController：REST控制器（@Controller + @ResponseBody） + +**依赖注入注解**： +- @Autowired：自动装配，按类型注入 +- @Qualifier：指定具体实现类 +- @Resource：按名称注入（JSR-250） +- @Value：注入配置值 + +**配置相关注解**： +- @Configuration：配置类 +- @Bean：定义Bean +- @Import：导入其他配置 +- @ComponentScan：组件扫描 +- @Profile：环境配置 + +**Web相关注解**： +- @RequestMapping：请求映射 +- @GetMapping/@PostMapping：HTTP方法映射 +- @RequestParam：请求参数 +- @PathVariable：路径变量 +- @RequestBody/@ResponseBody：请求/响应体 + +**AOP注解**： +- @Aspect：切面 +- @Pointcut：切点 +- @Before/@After/@Around：通知类型 + +**事务注解**： +- @Transactional：声明式事务 +- @EnableTransactionManagement：启用事务管理" + +**💻 代码示例**： +```java +// 组件注解 +@Service +@Transactional +public class UserService { + + @Autowired + private UserRepository userRepository; + + @Value("${app.default.page-size:10}") + private int defaultPageSize; + + public Page findUsers(Pageable pageable) { + return userRepository.findAll(pageable); + } +} + +// Web注解 +@RestController +@RequestMapping("/api/users") +public class UserController { + + @Autowired + private UserService userService; + + @GetMapping("/{id}") + public ResponseEntity getUser(@PathVariable Long id) { + User user = userService.findById(id); + return ResponseEntity.ok(user); + } + + @PostMapping + public ResponseEntity createUser(@RequestBody @Valid User user) { + User saved = userService.save(user); + return ResponseEntity.status(HttpStatus.CREATED).body(saved); + } +} + +// 配置注解 +@Configuration +@EnableWebMvc +@ComponentScan("com.example") +public class WebConfig implements WebMvcConfigurer { + + @Bean + @Profile("dev") + public DataSource devDataSource() { + return new H2DataSource(); + } + + @Bean + @Profile("prod") + public DataSource prodDataSource() { + return new MySQLDataSource(); + } +} +``` + +### 🎯 @Autowired和@Resource的区别？ + +`@Autowired`和`@Resource`都是 Spring 中用于依赖注入的注解，但它们有几个关键区别。 + +首先，**来源不同**。`@Autowired`是 Spring 框架自带的注解，而`@Resource`是 Java EE 规范定义的标准注解，因此`@Resource`的耦合度更低，可移植性更好。 + +其次，也是最核心的区别，**默认的注入方式不同**。`@Autowired`默认 按类型（byType）**查找 Bean，而`@Resource`默认**按名称（byName） 查找 Bean。如果`@Resource`找不到名称匹配的 Bean，它会降级为按类型查找。 + +第三，**解决歧义性的方式不同**。当容器中有多个同类型的 Bean 时，`@Autowired`需要与`@Qualifier`注解结合来指定 Bean 的名称；而`@Resource`可以直接通过其`name`属性来指定，使用上更直接。 + +在实际开发中，如果是纯 Spring 项目，两者都可以使用。但为了遵循 Java 标准和降低框架耦合，推荐使用`@Resource`。不过，`@Autowired`在 Spring 生态中更为常见，尤其是在构造器注入和字段注入中。 + + + +### 🎯 @component注解是单例模式吗？ + +在 Spring 框架中，使用 `@Component` 注解（包括其派生注解如 `@Service`、`@Controller`、`@Repository`）标注的组件，**默认是单例模式**。 + +具体来说： + +- Spring 容器在初始化时，会为 `@Component` 注解的类创建**唯一实例**，并在整个容器生命周期内复用该实例。 +- 所有依赖注入（如 `@Autowired`）获取到的都是同一个实例，除非手动修改作用域。 + +如果需要改变默认的单例行为，可以通过 `@Scope` 注解指定作用域 + + + +### 🎯 Spring中如何自定义注解？ + +"Spring支持自定义注解来简化重复配置： + +**自定义注解步骤**： + +**1. 定义注解**： +- 使用@interface关键字 +- 添加@Target指定作用范围 +- 添加@Retention指定生命周期 +- 定义注解属性 + +**2. 注解处理**： +- AOP方式：通过切面处理 +- BeanPostProcessor：Bean后处理器 +- 反射机制：运行时处理 + +**3. 与Spring集成**： +- 结合Spring AOP实现横切关注点 +- 利用Spring的依赖注入能力 +- 配合事件机制实现解耦 + +**常见应用场景**： +- 日志记录：@Log +- 缓存控制：@Cache +- 权限检查：@RequireRole +- 重试机制：@Retry +- 限流控制：@RateLimit + +**最佳实践**： +- 注解语义清晰，避免过度设计 +- 提供合理的默认值 +- 考虑注解的组合使用 +- 完善的文档和示例" + +**💻 代码示例**： +```java +// 自定义日志注解 +@Target(ElementType.METHOD) +@Retention(RetentionPolicy.RUNTIME) +@Documented +public @interface Log { + String value() default ""; + LogLevel level() default LogLevel.INFO; + boolean logParams() default true; + boolean logResult() default true; +} + +// 日志处理切面 +@Aspect +@Component +public class LogAspect { + + private static final Logger logger = LoggerFactory.getLogger(LogAspect.class); + + @Around("@annotation(log)") + public Object doLog(ProceedingJoinPoint point, Log log) throws Throwable { + String methodName = point.getSignature().getName(); + Object[] args = point.getArgs(); + + // 记录方法调用 + if (log.logParams()) { + logger.info("调用方法: {}, 参数: {}", methodName, args); + } + + long startTime = System.currentTimeMillis(); + Object result = point.proceed(); + long endTime = System.currentTimeMillis(); + + // 记录方法结果 + if (log.logResult()) { + logger.info("方法: {} 执行完成, 耗时: {}ms, 结果: {}", + methodName, endTime - startTime, result); + } + + return result; + } +} + +// 自定义缓存注解 +@Target(ElementType.METHOD) +@Retention(RetentionPolicy.RUNTIME) +public @interface Cache { + String key() default ""; + int expire() default 300; // 5分钟 + TimeUnit timeUnit() default TimeUnit.SECONDS; +} + +// 缓存处理器 +@Component +public class CacheAnnotationProcessor implements BeanPostProcessor { + + @Override + public Object postProcessAfterInitialization(Object bean, String beanName) { + Class clazz = bean.getClass(); + for (Method method : clazz.getDeclaredMethods()) { + if (method.isAnnotationPresent(Cache.class)) { + // 创建缓存代理 + return createCacheProxy(bean, method); + } + } + return bean; + } + + private Object createCacheProxy(Object bean, Method method) { + return Proxy.newProxyInstance( + bean.getClass().getClassLoader(), + bean.getClass().getInterfaces(), + new CacheInvocationHandler(bean, method) + ); + } +} + +// 使用自定义注解 +@Service +public class UserService { + + @Log("查询用户信息") + @Cache(key = "user:#{args[0]}", expire = 600) + public User findById(Long id) { + return userRepository.findById(id).orElse(null); + } + + @Log(value = "创建用户", logResult = false) + public User createUser(User user) { + return userRepository.save(user); + } +} +``` + + + +### 🎯 Spring Boot 注解 原理? + +**Spring Boot** 是基于 Spring 框架的一个开源框架，旨在简化 Spring 应用程序的配置和部署。Spring Boot 利用了大量的自动配置和开箱即用的功能，其中许多功能都通过注解来实现。理解 Spring Boot 的注解原理，能够帮助我们更好地理解其自动化配置的过程，以及如何扩展和自定义 Spring Boot 应用。 + +**常见的 Spring Boot 注解及其原理** + +1. `@SpringBootApplication：复合注解，通常用在主类上，启动 Spring Boot 应用程序。它实际上包含了三个注解： + + - `@SpringBootConfiguration`：标识当前类为配置类，类似于 `@Configuration`，表示该类是 Spring 配置类，会被 Spring 容器加载。 + + - `@EnableAutoConfiguration`：启用 Spring Boot 的自动配置功能，让 Spring Boot 根据项目的依赖和配置自动做出配置选择。 + + - `@ComponentScan`：启用组件扫描，默认会扫描当前包及其子包下的所有 Spring 组件（包括 `@Component`、`@Service`、`@Repository`、`@Controller` 等注解）。 + + **原理**：`@SpringBootApplication` 通过组合这些注解，实现了自动配置、组件扫描和 Spring 配置的功能，简化了开发人员的配置工作。 + +2. `@EnableAutoConfiguration`：开启了自动配置功能。它告诉 Spring Boot 自动为应用程序配置所需要的组件，避免了手动配置大量的 Bean。 + + **原理**：`@EnableAutoConfiguration` 是通过 **条件化注解** (`@Conditional` 系列注解) 来实现的，Spring Boot 会根据项目的依赖（如类路径中的 jar 包）来判断是否启用相应的自动配置类。例如，如果项目中有 `spring-boot-starter-web` 依赖，Spring Boot 会自动配置 Tomcat、DispatcherServlet 等 Web 相关组件。 + +3. `@Configuration`：标记该类是一个配置类，类似于传统的 XML 配置文件，用于声明和定义 Spring Bean。 + + **原理**：Spring 在类上使用 `@Configuration` 时，会将该类作为一个配置类处理。通过解析该类中的 `@Bean` 注解来生成 Spring Bean。`@Configuration` 实际上是 `@Component` 注解的扩展，意味着配置类也会被 Spring 容器管理。 + +4. `@ComponentScan`：用于告诉 Spring 框架去扫描指定包（及其子包）中的类，并将其作为 Spring Bean 进行注册。通常该注解与 `@Configuration` 一起使用。 + + **原理**：Spring Boot 启动类使用 `@ComponentScan` 默认扫描当前包及其子包，查找 `@Component`、`@Service`、`@Repository` 等注解标注的类，将它们加入到 Spring 容器中。如果需要更改扫描路径，可以在注解中指定 `basePackages` 属性。 + +5. `@Conditional` ：是一种根据某些条件决定是否加载 Bean 的机制。在 Spring Boot 中，自动配置大量使用了 `@Conditional` 注解，以实现基于环境或配置的条件加载。 + + **原理**：Spring Boot 使用 `@Conditional` 注解和多个具体的条件类（如 `@ConditionalOnProperty`、`@ConditionalOnClass`、`@ConditionalOnMissingBean` 等）来判断是否需要创建某些 Bean。例如，`@ConditionalOnClass` 会检查类路径中是否存在某个类，从而决定是否启用某个配置。 + +**Spring Boot 注解的工作原理总结** + +1. **自动配置（`@EnableAutoConfiguration`）**：通过条件化注解，Spring Boot 根据项目的依赖和配置，自动选择并加载合适的配置类。每个自动配置类通常都有一个 `@Conditional` 注解，确保仅在满足特定条件时才会加载。 +2. **组件扫描（`@ComponentScan`）**：Spring Boot 默认扫描主应用类所在包及其子包，自动将符合条件的类（如 `@Component` 注解的类）注册为 Spring Bean。 +3. **配置绑定（`@Value` 和 `@ConfigurationProperties`）**：Spring Boot 提供的注解允许将配置文件中的值自动注入到 Java 类中，使得配置管理更加方便。 +4. **Web 控制（`@RestController`）**：`@RestController` 注解结合了 `@Controller` 和 `@ResponseBody`，使得开发 RESTful API 更加简洁。 + +> **Spring Boot 注解** 在 Spring Boot 中发挥了重要作用，简化了开发流程。最核心的注解包括： +> +> - **@SpringBootApplication**：复合注解，包含了 `@Configuration`、`@EnableAutoConfiguration` 和 `@ComponentScan`，负责配置类的定义、自动配置的启用和组件扫描的开启。 +> - **@EnableAutoConfiguration**：启用 Spring Boot 自动配置，根据类路径、环境等信息自动配置应用所需的组件。 +> - **@ConfigurationProperties** 和 **@Value**：用于将外部配置（如 `application.properties`）注入到 Java 类中，`@ConfigurationProperties` 适合批量注入复杂配置，而 `@Value` 更适用于简单的单个值注入。 +> - **@RestController**：简化 REST API 开发，结合了 `@Controller` 和 `@ResponseBody` 注解，使得方法返回的对象直接作为 HTTP 响应的内容。 +> +> 这些注解共同作用，通过自动配置和条件化加载，为开发者提供了高效、简便的配置和开发体验。 + +--- + + + +## 🔧 九、高级特性与实践 + +**核心理念**：Spring提供了丰富的高级特性，包括事件机制、缓存抽象、国际化支持等，助力企业级应用开发。 + +| 模块 | 面试问题 | 考察点 | +| ------------------------ | -------------------------------------------------- | -------------------------------------------------------- | +| BeanDefinition | Spring 是如何解析 @Bean、@Component 的？ | BeanDefinitionReader、AnnotationConfigApplicationContext | +| refresh() 方法 | ApplicationContext 刷新流程？ | prepare → load → instantiate → inject → finishRefresh | +| BeanFactoryPostProcessor | 这个接口的作用？ | 修改 BeanDefinition 元信息 | +| 环境与属性加载 | Environment、PropertySource 的作用？ | 外部化配置解析 | +| Aware 接口体系 | ApplicationContextAware / BeanNameAware 有什么用？ | 让 Bean 获取容器资源 | +| Spring 事件机制 | ApplicationEvent 与 Listener 的原理？ | 观察者模式 | +| 延迟加载 | @Lazy 的底层原理？ | CGLIB 代理 + 延迟初始化 | + +| 类型 | 题目 | 考察方向 | +| -------- | ----------------------------------------------- | ------------------------------------------------------- | +| 架构题 | 如何在 Spring 项目中实现插件化？ | ClassLoader + ApplicationContext 分层 | +| 架构题 | Spring 容器启动慢怎么优化？ | 懒加载、Bean 预编译、减少反射 | +| 框架集成 | Spring 与 MyBatis 是如何整合的？ | SqlSessionTemplate、MapperFactoryBean | +| 多线程 | Spring Bean 在多线程下安全吗？ | 无状态单例安全、有状态需 ThreadLocal | +| 热加载 | Spring Boot DevTools 实现原理？ | ClassLoader 重新加载 | +| 性能调优 | 如何优化 Spring Bean 初始化性能？ | 缓存反射信息、减少代理层级 | +| 源码理解 | ApplicationContext.refresh() 的主要阶段有哪些？ | prepare、invokeBeanFactoryPostProcessors、finishRefresh | + +### 🎯 Spring的事件机制怎么使用？ + +"Spring事件机制基于观察者模式，实现组件间的解耦通信： + +**核心组件**： + +**ApplicationEvent**： +- 事件基类，所有自定义事件需继承 +- 包含事件源和时间戳信息 +- 可以携带自定义数据 + +**ApplicationEventPublisher**： +- 事件发布器接口 +- ApplicationContext实现了此接口 +- 通过publishEvent方法发布事件 + +**ApplicationListener**： +- 事件监听器接口 +- 泛型指定监听的事件类型 +- 可以使用@EventListener注解简化 + +**事件处理特点**： +- 默认同步执行，可配置异步 +- 支持事件过滤和条件监听 +- 自动类型匹配，支持继承关系 +- 可以设置监听器优先级 + +**应用场景**： +- 业务解耦：订单创建后通知库存、积分等 +- 系统监控：性能指标收集 +- 缓存更新：数据变更后缓存失效 +- 日志审计：操作记录和审计日志" + +**💻 代码示例**： +```java +// 自定义事件 +public class OrderCreatedEvent extends ApplicationEvent { + private final Order order; + + public OrderCreatedEvent(Object source, Order order) { + super(source); + this.order = order; + } + + public Order getOrder() { + return order; + } +} + +// 事件发布 +@Service +public class OrderService { + + @Autowired + private ApplicationEventPublisher eventPublisher; + + @Transactional + public Order createOrder(Order order) { + Order savedOrder = orderRepository.save(order); + + // 发布事件 + OrderCreatedEvent event = new OrderCreatedEvent(this, savedOrder); + eventPublisher.publishEvent(event); + + return savedOrder; + } +} + +// 事件监听 +@Component +public class OrderEventListener { + + // 库存处理 + @EventListener + @Async + public void handleOrderCreated(OrderCreatedEvent event) { + Order order = event.getOrder(); + inventoryService.reserveStock(order.getItems()); + } + + // 积分处理 + @EventListener + @Order(1) // 设置优先级 + public void handlePointsCalculation(OrderCreatedEvent event) { + Order order = event.getOrder(); + pointService.calculatePoints(order); + } + + // 条件监听 + @EventListener(condition = "#event.order.amount > 1000") + public void handleVipOrder(OrderCreatedEvent event) { + // 处理VIP订单逻辑 + vipService.processVipOrder(event.getOrder()); + } +} + +// 异步事件配置 +@Configuration +@EnableAsync +public class AsyncEventConfig { + + @Bean + public TaskExecutor taskExecutor() { + ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor(); + executor.setCorePoolSize(5); + executor.setMaxPoolSize(10); + executor.setQueueCapacity(25); + executor.setThreadNamePrefix("Event-"); + executor.initialize(); + return executor; + } +} +``` + +### 🎯 Spring Cache缓存抽象怎么使用？ + +"Spring Cache提供了声明式缓存抽象，支持多种缓存实现： + +**核心注解**： + +**@Cacheable**： +- 方法结果缓存，如果缓存存在直接返回 +- 适用于查询方法 +- 支持条件缓存和SpEL表达式 + +**@CacheEvict**： +- 缓存清除，删除指定缓存 +- 适用于更新、删除操作 +- 支持批量清除和条件清除 + +**@CachePut**： +- 缓存更新，总是执行方法并更新缓存 +- 适用于更新操作 + +**@Caching**： +- 组合缓存操作 +- 支持同时使用多个缓存注解 + +**缓存实现**： +- ConcurrentHashMap：简单内存缓存 +- Redis：分布式缓存 +- Ehcache：本地缓存 +- Caffeine：高性能本地缓存 + +**高级特性**： +- 缓存穿透保护 +- 缓存雪崩保护 +- 自定义缓存键生成策略 +- 缓存统计和监控" + +**💻 代码示例**： +```java +// 启用缓存 +@Configuration +@EnableCaching +public class CacheConfig { + + @Bean + public CacheManager cacheManager() { + RedisCacheManager.Builder builder = RedisCacheManager + .RedisCacheManagerBuilder + .fromConnectionFactory(jedisConnectionFactory()) + .cacheDefaults(cacheConfiguration()); + return builder.build(); + } + + private RedisCacheConfiguration cacheConfiguration() { + return RedisCacheConfiguration.defaultCacheConfig() + .entryTtl(Duration.ofMinutes(30)) + .disableCachingNullValues(); + } +} + +@Service +public class UserService { + + // 缓存查询结果 + @Cacheable(value = "users", key = "#id") + public User findById(Long id) { + return userRepository.findById(id).orElse(null); + } + + // 条件缓存 + @Cacheable(value = "users", key = "#username", condition = "#username.length() > 3") + public User findByUsername(String username) { + return userRepository.findByUsername(username); + } + + // 缓存更新 + @CachePut(value = "users", key = "#user.id") + public User updateUser(User user) { + return userRepository.save(user); + } + + // 缓存清除 + @CacheEvict(value = "users", key = "#id") + public void deleteUser(Long id) { + userRepository.deleteById(id); + } + + // 清除所有缓存 + @CacheEvict(value = "users", allEntries = true) + public void clearAllUserCache() { + // 清空所有用户缓存 + } + + // 组合缓存操作 + @Caching( + put = @CachePut(value = "users", key = "#user.id"), + evict = @CacheEvict(value = "userStats", allEntries = true) + ) + public User saveUser(User user) { + return userRepository.save(user); + } +} +``` + +### 🎯 Spring如何实现国际化？ + +"Spring提供了完整的国际化（i18n）支持： + +**核心组件**： + +**MessageSource**： +- 消息资源接口，管理国际化消息 +- ResourceBundleMessageSource：基于properties文件 +- ReloadableResourceBundleMessageSource：支持热加载 + +**LocaleResolver**： + +- 语言环境解析器，确定用户的Locale +- AcceptHeaderLocaleResolver：基于HTTP头 +- SessionLocaleResolver：基于Session +- CookieLocaleResolver：基于Cookie + +**LocaleChangeInterceptor**： +- 语言切换拦截器 +- 监听语言切换请求参数 + +**实现步骤**： +1. 配置MessageSource和LocaleResolver +2. 创建不同语言的资源文件 +3. 添加语言切换拦截器 +4. 在代码中使用MessageSource获取消息 +5. 在JSP/Thymeleaf模板中使用国际化标签 + +**最佳实践**： +- 统一的资源文件命名规范 +- 使用键值对管理消息 +- 支持参数化消息 +- 提供友好的语言切换界面" + +**💻 代码示例**： +```java +// 国际化配置 +@Configuration +public class I18nConfig implements WebMvcConfigurer { + + @Bean + public MessageSource messageSource() { + ResourceBundleMessageSource messageSource = new ResourceBundleMessageSource(); + messageSource.setBasename("messages"); + messageSource.setDefaultEncoding("UTF-8"); + return messageSource; + } + + @Bean + public LocaleResolver localeResolver() { + SessionLocaleResolver resolver = new SessionLocaleResolver(); + resolver.setDefaultLocale(Locale.CHINA); + return resolver; + } + + @Bean + public LocaleChangeInterceptor localeChangeInterceptor() { + LocaleChangeInterceptor interceptor = new LocaleChangeInterceptor(); + interceptor.setParamName("lang"); + return interceptor; + } + + @Override + public void addInterceptors(InterceptorRegistry registry) { + registry.addInterceptor(localeChangeInterceptor()); + } +} + +// 资源文件 +// messages_zh_CN.properties +user.name=用户名 +user.age=年龄 +welcome.message=欢迎 {0}! + +// messages_en_US.properties +user.name=Username +user.age=Age +welcome.message=Welcome {0}! + +// 控制器使用 +@Controller +public class HomeController { + + @Autowired + private MessageSource messageSource; + + @GetMapping("/welcome") + public String welcome(@RequestParam String username, + Model model, HttpServletRequest request) { + Locale locale = RequestContextUtils.getLocale(request); + String message = messageSource.getMessage("welcome.message", + new Object[]{username}, locale); + model.addAttribute("message", message); + return "welcome"; + } +} + +// 工具类 +@Component +public class I18nUtil { + + @Autowired + private MessageSource messageSource; + + public String getMessage(String key, Object... args) { + Locale locale = LocaleContextHolder.getLocale(); + return messageSource.getMessage(key, args, locale); + } +} +``` + +### 🎯 Spring WebFlux响应式编程怎么使用？ + +> 完全异步非阻塞的web框架，通过Reactor项目实现了Reactive Streams 规范，内置了netty容器。我们使用一般基于 Mono、Flux 数据流，像 Stream API 那样可以用 map、zip、filter 等，也有 onErrorReturn、onErrorMap 等。 +> +> 基于事件驱动：依赖少量线程处理 + +"Spring WebFlux是Spring 5引入的响应式Web框架，基于Reactor实现： + +**核心概念**： + +**响应式编程**： +- 基于异步数据流的编程模式 +- 采用观察者模式，数据流驱动 +- 非阻塞I/O，提高系统吞吐量 +- 支持背压（Backpressure）处理 + +**Reactor核心类型**： +- Mono：表示0到1个元素的异步序列 +- Flux：表示0到N个元素的异步序列 +- 支持链式操作和函数式编程 + +**WebFlux vs Spring MVC**： + +**Spring MVC**： +- 基于Servlet API，同步阻塞模型 +- 每个请求对应一个线程 +- 适合传统的CRUD应用 +- 成熟稳定，生态完善 + +**Spring WebFlux**： +- 基于Reactive Streams，异步非阻塞 +- 少量线程处理大量请求 +- 适合高并发、I/O密集型应用 +- 支持函数式和注解式编程 + +**适用场景**： +- 高并发的微服务应用 +- 实时数据流处理 +- 服务间异步通信 +- SSE（Server-Sent Events）和WebSocket + +**技术栈支持**： +- Netty、Undertow等非阻塞服务器 +- R2DBC响应式数据库访问 +- Spring Cloud Gateway响应式网关 +- Redis Reactive、MongoDB Reactive等" + +**💻 代码示例**： + +```java +// WebFlux控制器 +@RestController +public class ReactiveUserController { + + @Autowired + private ReactiveUserService userService; + + // 返回单个用户 + @GetMapping("/users/{id}") + public Mono getUser(@PathVariable String id) { + return userService.findById(id) + .switchIfEmpty(Mono.error(new UserNotFoundException("用户不存在"))); + } + + // 返回用户列表 + @GetMapping("/users") + public Flux getUsers() { + return userService.findAll() + .delayElements(Duration.ofMillis(100)); // 模拟延迟 + } + + // 创建用户 + @PostMapping("/users") + public Mono createUser(@RequestBody Mono userMono) { + return userMono + .flatMap(userService::save) + .doOnSuccess(user -> log.info("用户创建成功: {}", user.getId())); + } + + // 流式处理 + @GetMapping(value = "/users/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE) + public Flux streamUsers() { + return userService.findAll() + .delayElements(Duration.ofSeconds(1)) + .repeat(); + } +} + +// 响应式Service +@Service +public class ReactiveUserService { + + @Autowired + private ReactiveUserRepository userRepository; + + public Mono findById(String id) { + return userRepository.findById(id) + .doOnNext(user -> log.debug("找到用户: {}", user)) + .doOnError(error -> log.error("查询用户失败: {}", error.getMessage())); + } + + public Flux findAll() { + return userRepository.findAll() + .filter(user -> user.isActive()) + .sort((u1, u2) -> u1.getName().compareTo(u2.getName())); + } + + public Mono save(User user) { + return Mono.just(user) + .filter(u -> StringUtils.hasText(u.getName())) + .switchIfEmpty(Mono.error(new IllegalArgumentException("用户名不能为空"))) + .flatMap(userRepository::save); + } + + // 批量处理 + public Flux saveAll(Flux users) { + return users + .filter(user -> StringUtils.hasText(user.getName())) + .flatMap(this::save) + .onErrorContinue((error, user) -> + log.error("保存用户失败: {}, 错误: {}", user, error.getMessage())); + } +} + +// 函数式编程风格 +@Configuration +public class RouterConfig { + + @Bean + public RouterFunction userRoutes(UserHandler userHandler) { + return RouterFunctions.route() + .GET("/api/users", userHandler::getAllUsers) + .GET("/api/users/{id}", userHandler::getUser) + .POST("/api/users", userHandler::createUser) + .PUT("/api/users/{id}", userHandler::updateUser) + .DELETE("/api/users/{id}", userHandler::deleteUser) + .build(); + } +} + +@Component +public class UserHandler { + + @Autowired + private ReactiveUserService userService; + + public Mono getAllUsers(ServerRequest request) { + return ServerResponse.ok() + .contentType(MediaType.APPLICATION_JSON) + .body(userService.findAll(), User.class); + } + + public Mono getUser(ServerRequest request) { + String id = request.pathVariable("id"); + return userService.findById(id) + .flatMap(user -> ServerResponse.ok().bodyValue(user)) + .switchIfEmpty(ServerResponse.notFound().build()); + } + + public Mono createUser(ServerRequest request) { + return request.bodyToMono(User.class) + .flatMap(userService::save) + .flatMap(user -> ServerResponse.status(HttpStatus.CREATED).bodyValue(user)) + .onErrorResume(error -> ServerResponse.badRequest().bodyValue(error.getMessage())); + } +} + +// WebClient响应式HTTP客户端 +@Service +public class ExternalApiService { + + private final WebClient webClient; + + public ExternalApiService() { + this.webClient = WebClient.builder() + .baseUrl("https://api.example.com/") + .defaultHeader(HttpHeaders.CONTENT_TYPE, MediaType.APPLICATION_JSON_VALUE) + .codecs(configurer -> configurer.defaultCodecs().maxInMemorySize(1024 * 1024)) + .build(); + } + + public Mono getUserInfo(String userId) { + return webClient.get() + .uri("/users/{id}", userId) + .retrieve() + .onStatus(HttpStatus::is4xxClientError, + response -> Mono.error(new RuntimeException("客户端错误"))) + .onStatus(HttpStatus::is5xxServerError, + response -> Mono.error(new RuntimeException("服务器错误"))) + .bodyToMono(UserInfo.class) + .timeout(Duration.ofSeconds(5)) + .retry(3); + } + + public Flux getAllUsers() { + return webClient.get() + .uri("/users") + .retrieve() + .bodyToFlux(UserInfo.class) + .onErrorReturn(Collections.emptyList()) + .flatMapIterable(list -> list); + } +} +``` + + + +### 🎯 springMVC 和 spring WebFlux 区别？ + +`Spring MVC` 和 `Spring WebFlux` 都是 Spring 框架中用于构建 Web 应用程序的模块，但它们有一些根本性的区别，特别是在处理请求的方式和支持的编程模型上。以下是两者的主要区别和工作原理的详细说明： + +1. **编程模型和架构** + +- Spring MVC（同步阻塞式） + + Spring MVC 是一个基于 Servlet 的 Web 框架，遵循经典的请求-响应模型。它是一个 **同步阻塞** 的框架，即每个请求都由一个独立的线程处理，直到请求完成，线程才会被释放。其工作流程如下： + + 1. **请求到达**：客户端发送请求到服务器，Tomcat 接收请求并交给 Spring MVC 处理。 + 2. **请求分发**：DispatcherServlet 将请求传递给合适的控制器（Controller）。 + 3. **处理请求**：控制器处理业务逻辑，调用服务层、数据访问层等。 + 4. **视图解析**：返回模型和视图（ModelAndView），然后交由视图解析器（如 JSP）渲染成最终的 HTML。 + 5. **响应返回**：最终的响应通过 Tomcat 返回到客户端。 + +​ Spring MVC 适用于传统的基于 Servlet 的 Web 应用，通常用于同步场景，像表单提交、处理重定向等。 + +2. **Spring WebFlux（异步非阻塞式）** + + Spring WebFlux 是一个 **异步非阻塞** 的 Web 框架，可以更好地处理高并发场景和 I/O 密集型操作。Spring WebFlux 适用于响应式编程模型，通过使用 **Reactor**（一个响应式编程库）提供的支持，能够以异步和非阻塞的方式处理请求。 + + Spring WebFlux 可以运行在多种容器上，除了传统的 Servlet 容器（如 Tomcat），它还支持基于 Netty 等非 Servlet 容器的运行模式。它的工作原理如下： + + 1. **请求到达**：客户端发送请求到服务器，Tomcat 或 Netty 接收请求。 + 2. **请求分发**：DispatcherHandler 将请求传递给合适的控制器。 + 3. **异步处理**：控制器在处理请求时，通常会返回一个 `Mono` 或 `Flux`（Reactor 库的异步数据流类型），这些类型代表了一个单一元素（Mono）或者多个元素（Flux）的异步响应。 + 4. **响应返回**：通过事件驱动的方式，最终响应异步返回给客户端。 + +​ Spring WebFlux 适合高并发、I/O 密集型和实时数据流场景，像聊天系统、实时通知、数据流处理等。 + +| 特性 | Spring MVC | Spring WebFlux | +| ------------------- | ----------------------------------------------- | ------------------------------------------------------ | +| **编程模型** | 同步阻塞模型（传统的请求-响应模型） | 异步非阻塞模型（响应式编程） | +| **线程模型** | 每个请求分配一个线程，阻塞等待响应 | 请求通过事件循环处理，异步返回结果 | +| **请求处理方式** | 阻塞，处理请求时，线程会被占用 | 非阻塞，线程可以用于其他任务，直到结果返回 | +| **I/O 模型** | 阻塞式 I/O | 非阻塞式 I/O | +| **适用场景** | 对同步请求较为适合，例如表单提交，传统 Web 应用 | 高并发、实时数据流处理，I/O 密集型场景，微服务 | +| **支持的容器** | Servlet 容器（如 Tomcat） | Servlet 容器（如 Tomcat）及非 Servlet 容器（如 Netty） | +| **响应体类型** | `ModelAndView`（同步返回） | `Mono` 和 `Flux`（异步返回） | +| **扩展性与性能** | 高并发时性能较差，容易出现线程饱和 | 高并发时性能更优，线程利用率更高 | +| **学习曲线** | 更易上手，熟悉的编程模型 | 学习曲线较陡，需要理解异步编程和响应式流 | +| **支持的 API 类型** | REST API、Web 应用 | 支持 REST API，且更适合长连接和实时通信 | + + + +### 🎯 Spring 框架中用到了哪些设计模式？ + +- **工厂设计模式** : Spring使用工厂模式通过 `BeanFactory`、`ApplicationContext` 创建 bean 对象。 +- **代理设计模式** : Spring AOP 功能的实现。 +- **单例设计模式** : Spring 中的 Bean 默认都是单例的。 +- **模板方法模式** : Spring 中 `jdbcTemplate`、`hibernateTemplate` 等以 Template 结尾的对数据库操作的类，它们就使用到了模板模式。 +- **包装器设计模式** : 我们的项目需要连接多个数据库，而且不同的客户在每次访问中根据需要会去访问不同的数据库。这种模式让我们可以根据客户的需求能够动态切换不同的数据源。 +- **观察者模式:** Spring 事件驱动模型就是观察者模式很经典的一个应用。 +- **适配器模式** :Spring AOP 的增强或通知(Advice)使用到了适配器模式、spring MVC 中也是用到了适配器模式适配`Controller`。 + +--- + + + +## 🎯 十、面试重点与实践 + +**核心理念**：掌握Spring面试的关键技巧和常见陷阱，结合实际项目经验展现技术深度。 + +### 🎯 Spring面试常见陷阱和注意事项？ + +"Spring面试中有一些常见的陷阱和需要注意的点： + +**概念混淆陷阱**： +- BeanFactory vs ApplicationContext：功能和使用场景区别 +- @Component vs @Bean：注解驱动 vs Java配置 +- AOP vs 过滤器：实现机制和适用场景不同 + +**生命周期理解陷阱**： +- Bean生命周期的完整流程要准确 +- 循环依赖的解决机制要清楚 +- 事务失效的常见场景要熟悉 + +**性能相关陷阱**： +- 单例Bean的线程安全问题 +- @Transactional的性能影响 +- AOP代理的创建开销 + +**配置相关陷阱**： +- 注解扫描范围要合理 +- 配置文件的优先级顺序 +- Profile环境配置的使用 + +**实践经验陷阱**： +- 不要只停留在理论层面 +- 要能结合具体项目场景 +- 要了解Spring在微服务中的应用 + +**回答技巧**： +- 先回答核心概念，再展开细节 +- 结合代码示例说明 +- 提及性能和最佳实践 +- 展现解决实际问题的能力" + +### 🎯 Spring Boot vs Spring Framework的区别？ + +"Spring Boot和Spring Framework是包含关系，不是替代关系： + +**Spring Framework**： +- Spring生态的核心基础框架 +- 提供IoC、AOP、事务管理等核心功能 +- 需要大量XML或Java配置 +- 学习曲线较陡峭，配置复杂 + +**Spring Boot**： +- 基于Spring Framework的快速开发框架 +- 提供自动配置和起步依赖 +- 约定大于配置，零配置启动 +- 内嵌Web服务器，简化部署 + +**核心区别**： + +**配置方式**： +- Spring Framework：需要显式配置Bean +- Spring Boot：自动配置，按需覆盖 + +**依赖管理**： +- Spring Framework：手动管理版本兼容 +- Spring Boot：Starter依赖，版本仲裁 + +**部署方式**： +- Spring Framework：需要外部Web容器 +- Spring Boot：内嵌容器，jar包直接运行 + +**开发效率**： +- Spring Framework：配置繁琐，开发慢 +- Spring Boot：快速启动，开发效率高 + +**适用场景**： +- Spring Framework：需要精确控制配置的场景 +- Spring Boot：快速开发，微服务架构" + +### 🎯 如何设计一个Spring应用的整体架构？ + +"设计Spring应用架构需要考虑多个方面： + +**分层架构设计**： + +**表现层（Presentation Layer）**： +- 使用Spring MVC处理HTTP请求 +- RestController提供RESTful API +- 参数校验和异常统一处理 + +**业务层（Business Layer）**： +- Service层封装业务逻辑 +- 使用@Transactional管理事务 +- 业务规则验证和流程控制 + +**数据访问层（Data Access Layer）**： +- Repository模式封装数据访问 +- Spring Data JPA简化CRUD操作 +- 多数据源配置和读写分离 + +**技术架构选型**： + +**配置管理**： +- Spring Boot的外部化配置 +- Config Server集中配置管理 +- Profile环境区分 + +**安全框架**： +- Spring Security统一安全管理 +- JWT无状态认证 +- 方法级权限控制 + +**缓存策略**： +- Spring Cache抽象层 +- Redis分布式缓存 +- 多级缓存设计 + +**监控运维**： +- Spring Boot Actuator健康检查 +- Micrometer指标收集 +- 分布式链路追踪 + +**微服务架构**： +- Spring Cloud服务治理 +- API网关统一入口 +- 服务间通信和容错 + +**最佳实践**： +- 遵循SOLID设计原则 +- 合理的包结构组织 +- 统一的异常处理机制 +- 完善的单元测试覆盖" + +**💻 代码示例**： +```java +// 分层架构示例 +@RestController +@RequestMapping("/api/users") +public class UserController { + + @Autowired + private UserService userService; + + @GetMapping("/{id}") + public ResponseEntity getUser(@PathVariable Long id) { + User user = userService.findById(id); + UserDTO dto = UserMapper.toDTO(user); + return ResponseEntity.ok(dto); + } + + @PostMapping + public ResponseEntity createUser(@RequestBody @Valid CreateUserRequest request) { + User user = userService.createUser(request); + UserDTO dto = UserMapper.toDTO(user); + return ResponseEntity.status(HttpStatus.CREATED).body(dto); + } +} + +@Service +@Transactional +public class UserService { + + @Autowired + private UserRepository userRepository; + @Autowired + private EmailService emailService; + @Autowired + private ApplicationEventPublisher eventPublisher; + + public User createUser(CreateUserRequest request) { + // 业务逻辑验证 + validateUserRequest(request); + + // 创建用户 + User user = User.builder() + .username(request.getUsername()) + .email(request.getEmail()) + .build(); + + User savedUser = userRepository.save(user); + + // 发送欢迎邮件 + emailService.sendWelcomeEmail(savedUser); + + // 发布用户创建事件 + eventPublisher.publishEvent(new UserCreatedEvent(savedUser)); + + return savedUser; + } + + private void validateUserRequest(CreateUserRequest request) { + if (userRepository.existsByUsername(request.getUsername())) { + throw new BusinessException("用户名已存在"); + } + if (userRepository.existsByEmail(request.getEmail())) { + throw new BusinessException("邮箱已存在"); + } + } +} + +@Repository +public interface UserRepository extends JpaRepository { + boolean existsByUsername(String username); + boolean existsByEmail(String email); + + @Query("SELECT u FROM User u WHERE u.status = 'ACTIVE'") + List findActiveUsers(); +} + +// 全局异常处理 +@ControllerAdvice +public class GlobalExceptionHandler { + + @ExceptionHandler(BusinessException.class) + @ResponseStatus(HttpStatus.BAD_REQUEST) + public ErrorResponse handleBusinessException(BusinessException e) { + return ErrorResponse.builder() + .code("BUSINESS_ERROR") + .message(e.getMessage()) + .build(); + } + + @ExceptionHandler(MethodArgumentNotValidException.class) + @ResponseStatus(HttpStatus.BAD_REQUEST) + public ErrorResponse handleValidationException(MethodArgumentNotValidException e) { + Map errors = new HashMap<>(); + e.getBindingResult().getFieldErrors().forEach(error -> + errors.put(error.getField(), error.getDefaultMessage())); + + return ErrorResponse.builder() + .code("VALIDATION_ERROR") + .message("参数校验失败") + .errors(errors) + .build(); + } +} +``` + +--- + +## 📚 总结与进阶 + +### 🎯 Spring学习路径建议 + +**基础阶段**： +1. **Spring Framework核心**：IoC、DI、AOP基础概念 +2. **Spring MVC**：Web开发基础，请求处理流程 +3. **Spring Data**：数据访问和事务管理 +4. **Spring Security**：安全框架基础 + +**进阶阶段**： +1. **Spring Boot**：自动配置、Starter机制、监控 +2. **Spring Cloud**：微服务架构、服务治理 +3. **响应式编程**：WebFlux、Reactive Streams +4. **Native编译**：GraalVM Native Image + +**实战阶段**： +1. **企业级项目**：完整的业务系统开发 +2. **性能优化**：JVM调优、缓存策略、数据库优化 +3. **架构设计**：微服务拆分、分布式系统设计 +4. **DevOps实践**：CI/CD、容器化、云原生部署 + +### ⚡ 面试准备清单 + +- [ ] Spring Framework核心原理（IoC、AOP、Bean生命周期） +- [ ] Spring Boot自动配置和Starter机制 +- [ ] Spring MVC请求处理流程和核心组件 +- [ ] Spring事务管理和传播机制 +- [ ] Spring Security认证授权流程 +- [ ] Spring Cloud微服务组件 +- [ ] 常用注解的作用和原理 +- [ ] 实际项目中Spring的应用经验 +- [ ] Spring相关的性能优化实践 +- [ ] Spring生态的发展趋势 + +### 🚀 技术发展趋势 + +**云原生时代**： +- Spring Boot 3.x和Spring Framework 6.x +- 基于GraalVM的Native编译 +- Kubernetes原生支持 +- Serverless架构适配 + +**响应式编程**： +- Spring WebFlux异步非阻塞 +- R2DBC响应式数据库访问 +- 事件驱动架构设计 +**人工智能集成**： +- Spring AI项目 +- 向量数据库集成 +- 机器学习模型服务化 -## 参考与来源 +--- -https://www.edureka.co/blog/interview-questions/spring-interview-questions/ +**🎯 面试成功秘诀**：不仅要掌握Spring的理论知识，更要结合实际项目经验，展现解决实际问题的能力。准备好详细的项目案例，能够深入讲解Spring在项目中的应用和遇到的挑战及解决方案。记住：**技术深度 + 实战经验 + 清晰表达 = 面试成功**！ -https://crossoverjie.top/2018/07/29/java-senior/ThreadPool/ \ No newline at end of file +**🔥 最后提醒**：Spring生态庞大且发展迅速，保持持续学习的心态，关注官方文档和社区动态，在实践中不断提升技术深度和广度。祝你面试顺利，offer满满！ 🎉 \ No newline at end of file diff --git a/docs/interview/SpringBoot-FAQ.md b/docs/interview/SpringBoot-FAQ.md deleted file mode 100644 index 7393853b11..0000000000 --- a/docs/interview/SpringBoot-FAQ.md +++ /dev/null @@ -1,340 +0,0 @@ -## 概述 - -### 说说 Spring Boot 和 Spring 的关系 - -spring boot 我理解就是把 spring spring mvc spring data jpa 等等的一些常用的常用的基础框架组合起来，提供默认的配置，然后提供可插拔的设计，就是各种 starter ，来方便开发者使用这一系列的技术，套用官方的一句话， spring 家族发展到今天，已经很庞大了，作为一个开发者，如果想要使用 spring 家族一系列的技术，需要一个一个的搞配置，然后还有个版本兼容性问题，其实挺麻烦的，偶尔也会有小坑出现，其实蛮影响开发进度， spring boot 就是来解决这个问题，提供了一个解决方案吧，可以先不关心如何配置，可以快速的启动开发，进行业务逻辑编写，各种需要的技术，加入 starter 就配置好了，直接使用，可以说追求开箱即用的效果吧. - - - -如果说 Spring 是一个家族，其实就是；它包含 spring core, spring mvc，spring boot与spring Cloud 等等； - -那 spring boot 就像是这个家族中的大管家 - -### 什么是 Spring Boot？ - -Spring Boot 是 Spring 开源组织下的子项目，是 Spring 组件一站式解决方案，主要是简化了使用 Spring 的难度，简省了繁重的配置，提供了各种启动器，开发者能快速上手。 - -### Spring Boot 有哪些优点？ - -Spring Boot 主要有如下优点： - -1. 容易上手，提升开发效率，为 Spring 开发提供一个更快、更广泛的入门体验。 -2. 开箱即用，远离繁琐的配置。 -3. 提供了一系列大型项目通用的非业务性功能，例如：内嵌服务器、安全管理、运行数据监控、运行状况检查和外部化配置等。 -4. 没有代码生成，也不需要XML配置。 -5. 避免大量的 Maven 导入和各种版本冲突。 - - - -### Spring Boot 的核心注解是哪个？它主要由哪几个注解组成的？ - -启动类上面的注解是@SpringBootApplication，它也是 Spring Boot 的核心注解，主要组合包含了以下 3 个注解： - -@SpringBootConfiguration：组合了 @Configuration 注解，实现配置文件的功能。 - -@EnableAutoConfiguration：打开自动配置的功能，也可以关闭某个自动配置的选项，如关闭数据源自动配置功能： @SpringBootApplication(exclude = { DataSourceAutoConfiguration.class })。 - -@ComponentScan：Spring组件扫描。 - - - - - -### 说说Spring Boot 启动原理 - -SpringBoot 将所有的常见开发功能，分成了一个个场景启动器（starter），这样我们需要开发什么功能，就导入什么场景启动器依赖即可 - - - -## 配置 - -### 什么是 JavaConfig？ - -Spring JavaConfig 是 Spring 社区的产品，它提供了配置 Spring IoC 容器的纯 Java 方法。因此它有助于避免使用 XML 配置。使用 JavaConfig 的优点在于： - -1. 面向对象的配置。由于配置被定义为 JavaConfig 中的类，因此用户可以充分利用 Java 中的面向对象功能。一个配置类可以继承另一个，重写它的@Bean 方法等。 - -2. 减少或消除 XML 配置。基于依赖注入原则的外化配置的好处已被证明。但是，许多开发人员不希望在 XML 和 Java 之间来回切换。JavaConfig 为开发人员提供了一种纯 Java 方法来配置与 XML 配置概念相似的 Spring 容器。从技术角度来讲，只使用 JavaConfig 配置类来配置容器是可行的，但实际上很多人认为将JavaConfig 与 XML 混合匹配是理想的。 - -3. 类型安全和重构友好。JavaConfig 提供了一种类型安全的方法来配置 Spring容器。由于 Java 5.0 对泛型的支持，现在可以按类型而不是按名称检索 bean，不需要任何强制转换或基于字符串的查找。 - -### Spring Boot 自动配置原理是什么？ - -注解 @EnableAutoConfiguration, @Configuration, @ConditionalOnClass 就是自动配置的核心， - -@EnableAutoConfiguration 给容器导入META-INF/spring.factories 里定义的自动配置类。 - -筛选有效的自动配置类。 - -每一个自动配置类结合对应的 xxxProperties.java 读取配置文件进行自动配置功能 - -### 你如何理解 Spring Boot 配置加载顺序？ - -在 Spring Boot 里面，可以使用以下几种方式来加载配置。 - -1）properties文件； - -2）YAML文件； - -3）系统环境变量； - -4）命令行参数； - -等等…… - -### 什么是 YAML？ - -YAML 是一种人类可读的数据序列化语言。它通常用于配置文件。与属性文件相比，如果我们想要在配置文件中添加复杂的属性，YAML 文件就更加结构化，而且更少混淆。可以看出 YAML 具有分层配置数据。 - -### YAML 配置的优势在哪里 ? - -YAML 现在可以算是非常流行的一种配置文件格式了，无论是前端还是后端，都可以见到 YAML 配置。那么 YAML 配置和传统的 properties 配置相比到底有哪些优势呢？ - -1. 配置有序，在一些特殊的场景下，配置有序很关键 -2. 支持数组，数组中的元素可以是基本数据类型也可以是对象 -3. 简洁 - -相比 properties 配置文件，YAML 还有一个缺点，就是不支持 @PropertySource 注解导入自定义的 YAML 配置。 - -### Spring Boot 是否可以使用 XML 配置 ? - -Spring Boot 推荐使用 Java 配置而非 XML 配置，但是 Spring Boot 中也可以使用 XML 配置，通过 @ImportResource 注解可以引入一个 XML 配置。 - -### spring boot 核心配置文件是什么？bootstrap.properties 和 application.properties 有何区别 ? - -单纯做 Spring Boot 开发，可能不太容易遇到 bootstrap.properties 配置文件，但是在结合 Spring Cloud 时，这个配置就会经常遇到了，特别是在需要加载一些远程配置文件的时侯。 - -spring boot 核心的两个配置文件： - -- bootstrap (. yml 或者 . properties)：boostrap 由父 ApplicationContext 加载的，比 applicaton 优先加载，配置在应用程序上下文的引导阶段生效。一般来说我们在 Spring Cloud Config 或者 Nacos 中会用到它。且 boostrap 里面的属性不能被覆盖； -- application (. yml 或者 . properties)： 由ApplicatonContext 加载，用于 spring boot 项目的自动化配置。 - -### 什么是 Spring Profiles？ - -Spring Profiles 允许用户根据配置文件（dev，test，prod 等）来注册 bean。因此，当应用程序在开发中运行时，只有某些 bean 可以加载，而在 PRODUCTION中，某些其他 bean 可以加载。假设我们的要求是 Swagger 文档仅适用于 QA 环境，并且禁用所有其他文档。这可以使用配置文件来完成。Spring Boot 使得使用配置文件非常简单。 - -### 如何在自定义端口上运行 Spring Boot 应用程序？ - -为了在自定义端口上运行 Spring Boot 应用程序，您可以在application.properties 中指定端口。server.port = 8090 - - - -## 安全 - -### 如何实现 Spring Boot 应用程序的安全性？ - -为了实现 Spring Boot 的安全性，我们使用 spring-boot-starter-security 依赖项，并且必须添加安全配置。它只需要很少的代码。配置类将必须扩展WebSecurityConfigurerAdapter 并覆盖其方法。 - -### 比较一下 Spring Security 和 Shiro 各自的优缺点 ? - -由于 Spring Boot 官方提供了大量的非常方便的开箱即用的 Starter ，包括 Spring Security 的 Starter ，使得在 Spring Boot 中使用 Spring Security 变得更加容易，甚至只需要添加一个依赖就可以保护所有的接口，所以，如果是 Spring Boot 项目，一般选择 Spring Security 。当然这只是一个建议的组合，单纯从技术上来说，无论怎么组合，都是没有问题的。Shiro 和 Spring Security 相比，主要有如下一些特点： - -1. Spring Security 是一个重量级的安全管理框架；Shiro 则是一个轻量级的安全管理框架 -2. Spring Security 概念复杂，配置繁琐；Shiro 概念简单、配置简单 -3. Spring Security 功能强大；Shiro 功能简单 - -### Spring Boot 中如何解决跨域问题 ? - -跨域可以在前端通过 JSONP 来解决，但是 JSONP 只可以发送 GET 请求，无法发送其他类型的请求，在 RESTful 风格的应用中，就显得非常鸡肋，因此我们推荐在后端通过 （CORS，Cross-origin resource sharing） 来解决跨域问题。这种解决方案并非 Spring Boot 特有的，在传统的 SSM 框架中，就可以通过 CORS 来解决跨域问题，只不过之前我们是在 XML 文件中配置 CORS ，现在可以通过实现WebMvcConfigurer接口然后重写addCorsMappings方法解决跨域问题。 - -```java -@Configuration -public class CorsConfig implements WebMvcConfigurer { - - @Override - public void addCorsMappings(CorsRegistry registry) { - registry.addMapping("/**") - .allowedOrigins("*") - .allowCredentials(true) - .allowedMethods("GET", "POST", "PUT", "DELETE", "OPTIONS") - .maxAge(3600); - } - -} -12345678910111213 -``` - -项目中前后端分离部署，所以需要解决跨域的问题。 -我们使用cookie存放用户登录的信息，在spring拦截器进行权限控制，当权限不符合时，直接返回给用户固定的json结果。 -当用户登录以后，正常使用；当用户退出登录状态时或者token过期时，由于拦截器和跨域的顺序有问题，出现了跨域的现象。 -我们知道一个http请求，先走filter，到达servlet后才进行拦截器的处理，如果我们把cors放在filter里，就可以优先于权限拦截器执行。 - -```java -@Configuration -public class CorsConfig { - - @Bean - public CorsFilter corsFilter() { - CorsConfiguration corsConfiguration = new CorsConfiguration(); - corsConfiguration.addAllowedOrigin("*"); - corsConfiguration.addAllowedHeader("*"); - corsConfiguration.addAllowedMethod("*"); - corsConfiguration.setAllowCredentials(true); - UrlBasedCorsConfigurationSource urlBasedCorsConfigurationSource = new UrlBasedCorsConfigurationSource(); - urlBasedCorsConfigurationSource.registerCorsConfiguration("/**", corsConfiguration); - return new CorsFilter(urlBasedCorsConfigurationSource); - } - -} -12345678910111213141516 -``` - -### 什么是 CSRF 攻击？ - -CSRF 代表跨站请求伪造。这是一种攻击，迫使最终用户在当前通过身份验证的Web 应用程序上执行不需要的操作。CSRF 攻击专门针对状态改变请求，而不是数据窃取，因为攻击者无法查看对伪造请求的响应。 - -## 监视器 - -### Spring Boot 中的监视器是什么？ - -Spring boot actuator 是 spring 启动框架中的重要功能之一。Spring boot 监视器可帮助您访问生产环境中正在运行的应用程序的当前状态。有几个指标必须在生产环境中进行检查和监控。即使一些外部应用程序可能正在使用这些服务来向相关人员触发警报消息。监视器模块公开了一组可直接作为 HTTP URL 访问的REST 端点来检查状态。 - -### 如何在 Spring Boot 中禁用 Actuator 端点安全性？ - -默认情况下，所有敏感的 HTTP 端点都是安全的，只有具有 ACTUATOR 角色的用户才能访问它们。安全性是使用标准的 HttpServletRequest.isUserInRole 方法实施的。 我们可以使用来禁用安全性。只有在执行机构端点在防火墙后访问时，才建议禁用安全性。 - -### 我们如何监视所有 Spring Boot 微服务？ - -Spring Boot 提供监视器端点以监控各个微服务的度量。这些端点对于获取有关应用程序的信息（如它们是否已启动）以及它们的组件（如数据库等）是否正常运行很有帮助。但是，使用监视器的一个主要缺点或困难是，我们必须单独打开应用程序的知识点以了解其状态或健康状况。想象一下涉及 50 个应用程序的微服务，管理员将不得不击中所有 50 个应用程序的执行终端。为了帮助我们处理这种情况，我们将使用位于的开源项目。 它建立在 Spring Boot Actuator 之上，它提供了一个 Web UI，使我们能够可视化多个应用程序的度量。 - -## 整合第三方项目 - -### 什么是 WebSockets？ - -WebSocket 是一种计算机通信协议，通过单个 TCP 连接提供全双工通信信道。 - -1、WebSocket 是双向的 -使用 WebSocket 客户端或服务器可以发起消息发送。 - -2、WebSocket 是全双工的 -客户端和服务器通信是相互独立的。 - -3、单个 TCP 连接 -初始连接使用 HTTP，然后将此连接升级到基于套接字的连接。然后这个单一连接用于所有未来的通信 - -4、Light -与 http 相比，WebSocket 消息数据交换要轻得多。 - -### 什么是 Spring Data ? - -Spring Data 是 Spring 的一个子项目。用于简化数据库访问，支持NoSQL 和 关系数据存储。其主要目标是使数据库的访问变得方便快捷。Spring Data 具有如下特点： - -SpringData 项目支持 NoSQL 存储： - -1. MongoDB （文档数据库） -2. Neo4j（图形数据库） -3. Redis（键/值存储） -4. Hbase（列族数据库） - -SpringData 项目所支持的关系数据存储技术： - -1. JDBC -2. JPA - -Spring Data Jpa 致力于减少数据访问层 (DAO) 的开发量. 开发者唯一要做的，就是声明持久层的接口，其他都交给 Spring Data JPA 来帮你完成！Spring Data JPA 通过规范方法的名字，根据符合规范的名字来确定方法需要实现什么样的逻辑。 - -### 什么是 Spring Batch？ - -Spring Boot Batch 提供可重用的函数，这些函数在处理大量记录时非常重要，包括日志/跟踪，事务管理，作业处理统计信息，作业重新启动，跳过和资源管理。它还提供了更先进的技术服务和功能，通过优化和分区技术，可以实现极高批量和高性能批处理作业。简单以及复杂的大批量批处理作业可以高度可扩展的方式利用框架处理重要大量的信息。 - -### 什么是 FreeMarker 模板？ - -FreeMarker 是一个基于 Java 的模板引擎，最初专注于使用 MVC 软件架构进行动态网页生成。使用 Freemarker 的主要优点是表示层和业务层的完全分离。程序员可以处理应用程序代码，而设计人员可以处理 html 页面设计。最后使用freemarker 可以将这些结合起来，给出最终的输出页面。 - -### 如何集成 Spring Boot 和 ActiveMQ？ - -对于集成 Spring Boot 和 ActiveMQ，我们使用依赖关系。 它只需要很少的配置，并且不需要样板代码。 - -### 什么是 Apache Kafka？ - -Apache Kafka 是一个分布式发布 - 订阅消息系统。它是一个可扩展的，容错的发布 - 订阅消息系统，它使我们能够构建分布式应用程序。这是一个 Apache 顶级项目。Kafka 适合离线和在线消息消费。 - -### 什么是 Swagger？你用 Spring Boot 实现了它吗？ - -Swagger 广泛用于可视化 API，使用 Swagger UI 为前端开发人员提供在线沙箱。Swagger 是用于生成 RESTful Web 服务的可视化表示的工具，规范和完整框架实现。它使文档能够以与服务器相同的速度更新。当通过 Swagger 正确定义时，消费者可以使用最少量的实现逻辑来理解远程服务并与其进行交互。因此，Swagger消除了调用服务时的猜测。 - -### 前后端分离，如何维护接口文档 ? - -前后端分离开发日益流行，大部分情况下，我们都是通过 Spring Boot 做前后端分离开发，前后端分离一定会有接口文档，不然会前后端会深深陷入到扯皮中。一个比较笨的方法就是使用 word 或者 md 来维护接口文档，但是效率太低，接口一变，所有人手上的文档都得变。在 Spring Boot 中，这个问题常见的解决方案是 Swagger ，使用 Swagger 我们可以快速生成一个接口文档网站，接口一旦发生变化，文档就会自动更新，所有开发工程师访问这一个在线网站就可以获取到最新的接口文档，非常方便。 - -## 其他 - -### 如何重新加载 Spring Boot 上的更改，而无需重新启动服务器？Spring Boot项目如何热部署？ - -这可以使用 DEV 工具来实现。通过这种依赖关系，您可以节省任何更改，嵌入式tomcat 将重新启动。Spring Boot 有一个开发工具（DevTools）模块，它有助于提高开发人员的生产力。Java 开发人员面临的一个主要挑战是将文件更改自动部署到服务器并自动重启服务器。开发人员可以重新加载 Spring Boot 上的更改，而无需重新启动服务器。这将消除每次手动部署更改的需要。Spring Boot 在发布它的第一个版本时没有这个功能。这是开发人员最需要的功能。DevTools 模块完全满足开发人员的需求。该模块将在生产环境中被禁用。它还提供 H2 数据库控制台以更好地测试应用程序。 - -```xml - - org.springframework.boot - spring-boot-devtools - -1234 -``` - -### 您使用了哪些 starter maven 依赖项？ - -使用了下面的一些依赖项 - -spring-boot-starter-activemq - -spring-boot-starter-security - -这有助于增加更少的依赖关系，并减少版本的冲突。 - -### Spring Boot 中的 starter 到底是什么 ? - -首先，这个 Starter 并非什么新的技术点，基本上还是基于 Spring 已有功能来实现的。首先它提供了一个自动化配置类，一般命名为 `XXXAutoConfiguration` ，在这个配置类中通过条件注解来决定一个配置是否生效（条件注解就是 Spring 中原本就有的），然后它还会提供一系列的默认配置，也允许开发者根据实际情况自定义相关配置，然后通过类型安全的属性注入将这些配置属性注入进来，新注入的属性会代替掉默认属性。正因为如此，很多第三方框架，我们只需要引入依赖就可以直接使用了。当然，开发者也可以自定义 Starter - -### spring-boot-starter-parent 有什么用 ? - -我们都知道，新创建一个 Spring Boot 项目，默认都是有 parent 的，这个 parent 就是 spring-boot-starter-parent ，spring-boot-starter-parent 主要有如下作用： - -1. 定义了 Java 编译版本为 1.8 。 -2. 使用 UTF-8 格式编码。 -3. 继承自 spring-boot-dependencies，这个里边定义了依赖的版本，也正是因为继承了这个依赖，所以我们在写依赖时才不需要写版本号。 -4. 执行打包操作的配置。 -5. 自动化的资源过滤。 -6. 自动化的插件配置。 -7. 针对 application.properties 和 application.yml 的资源过滤，包括通过 profile 定义的不同环境的配置文件，例如 application-dev.properties 和 application-dev.yml。 - -### Spring Boot 打成的 jar 和普通的 jar 有什么区别 ? - -Spring Boot 项目最终打包成的 jar 是可执行 jar ，这种 jar 可以直接通过 `java -jar xxx.jar` 命令来运行，这种 jar 不可以作为普通的 jar 被其他项目依赖，即使依赖了也无法使用其中的类。 - -Spring Boot 的 jar 无法被其他项目依赖，主要还是他和普通 jar 的结构不同。普通的 jar 包，解压后直接就是包名，包里就是我们的代码，而 Spring Boot 打包成的可执行 jar 解压后，在 `\BOOT-INF\classes` 目录下才是我们的代码，因此无法被直接引用。如果非要引用，可以在 pom.xml 文件中增加配置，将 Spring Boot 项目打包成两个 jar ，一个可执行，一个可引用。 - -### 运行 Spring Boot 有哪几种方式？ - -1）打包用命令或者放到容器中运行 - -2）用 Maven/ Gradle 插件运行 - -3）直接执行 main 方法运行 - -### Spring Boot 需要独立的容器运行吗？ - -可以不需要，内置了 Tomcat/ Jetty 等容器。 - -### 开启 Spring Boot 特性有哪几种方式？ - -1）继承spring-boot-starter-parent项目 - -2）导入spring-boot-dependencies项目依赖 - -### 如何使用 Spring Boot 实现异常处理？ - -Spring 提供了一种使用 ControllerAdvice 处理异常的非常有用的方法。 我们通过实现一个 ControlerAdvice 类，来处理控制器类抛出的所有异常。 - -### 如何使用 Spring Boot 实现分页和排序？ - -使用 Spring Boot 实现分页非常简单。使用 Spring Data-JPA 可以实现将可分页的传递给存储库方法。 - -### 微服务中如何实现 session 共享 ? - -在微服务中，一个完整的项目被拆分成多个不相同的独立的服务，各个服务独立部署在不同的服务器上，各自的 session 被从物理空间上隔离开了，但是经常，我们需要在不同微服务之间共享 session ，常见的方案就是 Spring Session + Redis 来实现 session 共享。将所有微服务的 session 统一保存在 Redis 上，当各个微服务对 session 有相关的读写操作时，都去操作 Redis 上的 session 。这样就实现了 session 共享，Spring Session 基于 Spring 中的代理过滤器实现，使得 session 的同步操作对开发人员而言是透明的，非常简便。 - -### Spring Boot 中如何实现定时任务 ? - -定时任务也是一个常见的需求，Spring Boot 中对于定时任务的支持主要还是来自 Spring 框架。 - -在 Spring Boot 中使用定时任务主要有两种不同的方式，一个就是使用 Spring 中的 @Scheduled 注解，另一个则是使用第三方框架 Quartz。 - -使用 Spring 中的 @Scheduled 的方式主要通过 @Scheduled 注解来实现。 - -使用 Quartz ，则按照 Quartz 的方式，定义 Job 和 Trigger 即可。 \ No newline at end of file diff --git a/docs/interview/Tomcat-FAQ.md b/docs/interview/Tomcat-FAQ.md deleted file mode 100644 index 79c8658426..0000000000 --- a/docs/interview/Tomcat-FAQ.md +++ /dev/null @@ -1,10 +0,0 @@ -### Tomcat简介 - -Tomcat是用java编写的，属于Apache软件基金会的一个核心项目，可以运行Servlet和jsp，是一个小型的轻量级应用服务器，运行时占用系统资源少、扩展性好、支持负载均衡和邮件服务等的开发应用系统中的常见功能，使用中小型系统和并发访问用户不太多的系统。 - -Tomcat既是一个开放源码、免费支持JSP和Servlet技术的容器，同时又是一个Web服务器软件。与传统的桌面应用程序不同，Tomcat中的应用程序是一个WAR（Web Archive）文件，它是许多文件构成的一个压缩包，包中的文件按照一定目录结构来组织，不同目录文件中的文件也具有不同的功能。部署应用程序时，只需要把WAR文件放到Tomcat的**webapp**目录下，**Tomcat会自动检测和解压该文件**。 - -Tomcat既是一个Servlet容器，又是一个独立运行的服务器，像IIS。Apache等Web服务器一样，具有处理HTML页面的功能，但它处理HTML文件的能力并不是太强，所以一般把它当做JSP/Servlet引擎，通过适配器（Adapter）与其它Web服务器软件（如Apache）配合使用。 - - - diff --git a/docs/interview/ZooKeeper-FAQ.md b/docs/interview/ZooKeeper-FAQ.md index 1de8dfedc6..81a9323db5 100644 --- a/docs/interview/ZooKeeper-FAQ.md +++ b/docs/interview/ZooKeeper-FAQ.md @@ -1,43 +1,126 @@ -## 谈下你对 Zookeeper 的认识？ +--- +title: ZooKeeper 核心面试八股文 +date: 2023-06-31 +tags: + - ZooKeeper + - Interview +categories: Interview +--- -ZooKeeper 是一个分布式的，开放源码的分布式应用程序协调服务。它是一个为分布式应用提供一致性服务的软件，提供的功能包括：配置维护、域名服务、分布式同步、组服务等。 +![](https://img.starfish.ink/common/faq-banner.png) -ZooKeeper 的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。 +> ZooKeeper是Apache的分布式协调服务框架，也是面试官考察**分布式系统理解**的核心知识点。从基础概念到一致性协议，从集群管理到典型应用，每一个知识点都体现着对分布式架构的深度理解。本文档将**最常考的ZK知识点**整理成**标准话术**，助你在面试中展现分布式技术功底！ ------- +### 🔥 为什么ZK如此重要？ +- **📈 分布式必备**：90%的分布式系统都会涉及ZK相关技术 +- **🧠 架构体现**：体现你对分布式一致性、选举、协调的深度理解 +- **💼 工作基础**：配置中心、服务发现、分布式锁等场景无处不在 +- **🎓 技术进阶**：理解ZK是掌握分布式系统设计的关键一步 +--- -## Zookeeper 都有哪些功能？ +## 🗺️ 知识导航 -1. 集群管理：监控节点存活状态、运行请求等； +### 🏷️ 核心知识分类 -2. 主节点选举：主节点挂掉了之后可以从备用的节点开始新一轮选主，主节点选举说的就是这个选举的过程，使用 Zookeeper 可以协助完成这个过程； +1. **🔥 基础概念类**：ZK定义、核心功能、数据模型、节点类型 +2. **📊 一致性协议**：2PC/3PC、Paxos算法、ZAB协议原理 +3. **🌐 集群与选举**：选举机制、节点角色、故障处理、数据同步 +4. **⚡ 核心特性**：Watcher机制、ACL权限、会话管理、数据一致性 +5. **🔧 典型应用**：分布式锁、配置管理、服务发现、负载均衡 +6. **🚨 运维实践**：集群部署、性能监控、故障排查、最佳实践 +7. **💼 对比分析**：ZK vs 其他中间件、应用场景选择 -3. 分布式锁：Zookeeper 提供两种锁：独占锁、共享锁。独占锁即一次只能有一个线程使用资源，共享锁是读锁共享，读写互斥，即可以有多线线程同时读同一个资源，如果要使用写锁也只能有一个线程使用。Zookeeper 可以对分布式锁进行控制。 +### 🔑 面试话术模板 -4. 命名服务：在分布式系统中，通过使用命名服务，客户端应用能够根据指定名字来获取资源或服务的地址，提供者等信息。 -5. 统一配置管理：分布式环境下，配置文件管理和同步是一个常见问题，一个集群中，所有节点的配置信息是一致的，比如 Hadoop 集群、集群中的数据库配置信息等全局配置 +| **问题类型** | **回答框架** | **关键要点** | **深入扩展** | +| ------------ | ----------------------------------- | ------------------ | ------------------ | +| **概念解释** | 定义→特点→应用场景→示例 | 准确定义，突出特点 | 底层原理，协议分析 | +| **对比分析** | 相同点→不同点→使用场景→选择建议 | 多维度对比 | 性能差异，实际应用 | +| **原理解析** | 背景→实现机制→执行流程→注意事项 | 图解流程 | 协议层面，算法细节 | +| **实践应用** | 问题现象→分析思路→解决方案→监控验证 | 实际案例 | 最佳实践，踩坑经验 | ------- +--- +## 🔥 一、基础概念类（ZK核心） +> **核心思想**：ZooKeeper是分布式协调服务的经典实现，提供统一的命名空间、数据发布/订阅、分布式同步等核心功能。 -## zookeeper负载均衡和nginx负载均衡区别 +- **ZK基础定义**：[ZooKeeper是什么](#🎯-谈下你对-zookeeper-的认识) | [ZK核心功能](#🎯-zookeeper-都有哪些功能) +- **数据模型**：[文件系统](#🎯-zookeeper-文件系统) | [节点类型](#🎯-说下四种类型的数据节点-znode) +- **核心特性**：[数据一致性](#🎯-zookeeper-如何保证数据一致性) | [会话管理](#🎯-zookeeper-会话管理) -Nginx是著名的反向代理服务器，zk是分布式协调服务框架，都可以做负载均衡 +### 🎯 谈下你对 Zookeeper 的认识？ -zk的负载均衡是可以调控，nginx只是能调权重，其他需要可控的都需要自己写插件； +ZooKeeper 是一个**分布式协调服务框架**，为分布式应用提供一致性服务。它的核心作用是： -但是nginx的吞吐量比zk大很多，应该说按业务选择用哪种方式 +**定义**：ZooKeeper 是 Apache 的开源分布式协调服务，基于观察者模式设计的分布式服务管理框架。 ------- +**核心特点**： +1. **顺序一致性** - 按照客户端发送请求的顺序执行 +2. **原子性** - 事务要么成功要么失败，不存在中间状态 +3. **单一视图** - 客户端看到的服务端数据模型都是一致的 +4. **可靠性** - 一旦事务被确认，将被持久化保存直到客户端覆盖更新 +5. **实时性** - 保证客户端将在一个时间间隔范围内获得服务器的更新信息 + +**应用场景**：配置管理、服务发现、分布式锁、集群管理、负载均衡等。 + +### 🎯 Zookeeper 都有哪些功能？ + +1. **集群管理**：监控节点存活状态、运行请求等 +2. **主节点选举**：协助完成分布式系统中的Leader选举过程 +3. **分布式锁**：提供独占锁和共享锁，实现分布式环境下的资源控制 +4. **命名服务**：提供统一的命名空间，通过名称获取资源或服务地址 +5. **统一配置管理**：集群中所有节点的配置信息保持一致，支持动态配置更新 +6. **负载均衡**：配合客户端实现服务的负载均衡 +7. **数据发布/订阅**：支持数据的发布和订阅模式 + +### 🎯 Zookeeper 文件系统 + +ZooKeeper 提供一个**多层级的节点命名空间**（节点称为 znode），类似于文件系统的树状结构。 + +**关键特点**： +- **内存存储**：为保证高吞吐和低延迟，ZK在内存中维护树状目录结构 +- **数据限制**：每个节点最多存储 **1MB** 数据，适合存储配置信息而非大数据 +- **路径唯一**：每个节点都有唯一的路径标识 +- **数据+子节点**：与传统文件系统不同，ZK的每个节点都可以存储数据和拥有子节点 + +### 🎯 说下四种类型的数据节点 Znode？ +1. **PERSISTENT（持久节点）**： + - 除非手动删除，否则节点一直存在于 Zookeeper 上 + - 适合存储需要持久化的配置信息 +2. **EPHEMERAL（临时节点）**： + - 生命周期与客户端会话绑定 + - 客户端会话失效时，临时节点自动被删除 + - 适合实现服务注册、心跳检测等场景 -## 一致性协议2PC、3PC？ +3. **PERSISTENT_SEQUENTIAL（持久顺序节点）**： + - 基本特性同持久节点，增加顺序属性 + - 节点名后追加一个由父节点维护的自增整型数字 + - 适合实现分布式队列等需要顺序的场景 -### 2PC +4. **EPHEMERAL_SEQUENTIAL（临时顺序节点）**： + - 基本特性同临时节点，增加顺序属性 + - 适合实现分布式锁、选举等场景 + +--- + + + +## 📊 二、一致性协议（核心原理） + +> **核心思想**：理解分布式一致性协议是掌握ZooKeeper的关键，包括2PC/3PC的演进、Paxos算法的精髓，以及ZAB协议的实现细节。 + +- **经典协议**：[2PC协议](#🎯-一致性协议2pc3pc) | [3PC协议](#🎯-一致性协议2pc3pc) +- **Paxos算法**：[Paxos原理](#🎯-讲一讲-paxos-算法) | [死循环问题](#🎯-paxos-死循环问题) +- **ZAB协议**：[ZAB协议原理](#🎯-谈下你对-zab-协议的了解) | [ZAB vs Paxos对比](#🎯-zab-和-paxos-算法的联系与区别) + +### 🎯 一致性协议2PC、3PC？ + +#### 2PC（Two-Phase Commit） **阶段一：提交事务请求（”投票阶段“）** @@ -59,7 +142,7 @@ zk的负载均衡是可以调控，nginx只是能调权重，其他需要可控 -### 3PC +#### 3PC（Three-Phase Commit） 3PC，是 Three-Phase-Comimit 的缩写，即「**三阶段提交**」，是二阶段的改进版，将二阶段提交协议的“提交事务请求”过程一分为二。 @@ -85,7 +168,7 @@ zk的负载均衡是可以调控，nginx只是能调权重，其他需要可控 -## 讲一讲 Paxos 算法？ +### 🎯 讲一讲 Paxos 算法？ `Paxos` 算法是基于**消息传递且具有高度容错特性的一致性算法**，是目前公认的解决分布式一致性问题最有效的算法之一，**其解决的问题就是在分布式系统中如何就某个值（决议）达成一致** 。 @@ -121,7 +204,7 @@ zk的负载均衡是可以调控，nginx只是能调权重，其他需要可控 -## 谈下你对 ZAB 协议的了解？ +### 🎯 谈下你对 ZAB 协议的了解？ ZAB（Zookeeper Atomic Broadcast） 协议是为分布式协调服务 Zookeeper 专门设计的一种支持**崩溃恢复的原子广播协议**。 @@ -165,11 +248,18 @@ ZAB 的原子广播协议在正常情况下运行良好，但天有不测风云 3. 集群间进行数据同步，保证集群中各个节点的事务一致 4. 集群恢复到广播模式，开始接受客户端的写请求 ------- +--- +## 🌐 三、集群与选举（高可用） +> **核心思想**：ZK通过选举机制、节点角色分工、数据同步等保证集群的高可用性和数据一致性，理解这些机制对于掌握分布式系统至关重要。 -## Zookeeper 怎么保证主从节点的状态同步？或者说同步流程是什么样的 +- **选举机制**：[选举机制](#🎯-zookeeper选举机制) | [集群选主原理](#🎯-集群选主的原理是什么) +- **节点角色**：[节点角色分工](#🎯-服务器角色) | [节点状态](#🎯-zookeeper-下-server-工作状态) +- **故障处理**：[节点宕机处理](#🎯-zookeeper-宕机如何处理) | [数据同步](#🎯-数据同步机制) +- **状态同步**：[主从同步](#🎯-zookeeper-怎么保证主从节点的状态同步) | [事务顺序](#🎯-zookeeper-是如何保证事务的顺序一致性的) + +### 🎯 Zookeeper 怎么保证主从节点的状态同步？或者说同步流程是什么样的 Zookeeper 的核心是原子广播机制，这个机制保证了各个 server 之间的同步。实现这个机制的协议叫做 Zab 协议。Zab 协议有两种模式，它们分别是恢复模式和广播模式。同上 @@ -177,7 +267,7 @@ Zookeeper 的核心是原子广播机制，这个机制保证了各个 server -## 集群中为什么要有主节点？ +### 🎯 集群中为什么要有主节点？ 在分布式环境中，有些业务逻辑只需要集群中的某一台机器进行执行，其他的机器可以共享这个结果，这样可以大大减少重复计算，提高性能，于是就需要进行 leader 选举。 @@ -185,7 +275,7 @@ Zookeeper 的核心是原子广播机制，这个机制保证了各个 server -## 集群中有 3 台服务器，其中一个节点宕机，这个时候 Zookeeper 还可以使用吗？ +### 🎯 集群中有 3 台服务器，其中一个节点宕机，这个时候 Zookeeper 还可以使用吗？ 可以继续使用，单数服务器只要没超过一半的服务器宕机就可以继续使用。 @@ -193,7 +283,7 @@ Zookeeper 的核心是原子广播机制，这个机制保证了各个 server -## Zookeeper 宕机如何处理？ +### 🎯 Zookeeper 宕机如何处理？ Zookeeper 本身也是集群，推荐配置不少于 3 个服务器。Zookeeper 自身也要保证当一个节点宕机时，其他节点会继续提供服务。如果是一个 Follower 宕机，还有 2 台服务器提供访问，因为 Zookeeper 上的数据是有多个副本的，数据并不会丢失；如果是一个 Leader 宕机，Zookeeper 会选举出新的 Leader。 @@ -207,7 +297,7 @@ Zookeeper 集群的机制是只要超过半数的节点正常，集群就能正 -## 说下四种类型的数据节点 Znode？ +### 🎯 说下四种类型的数据节点 Znode？ 1. PERSISTENT：持久节点，除非手动删除，否则节点一直存在于 Zookeeper 上。 @@ -221,7 +311,7 @@ Zookeeper 集群的机制是只要超过半数的节点正常，集群就能正 -## Zookeeper选举机制 +### 🎯 Zookeeper选举机制 1. 首先对比zxid。zxid大的服务器优先作为Leader 2. 若zxid相同，比如初始化的时候，每个Server的zxid都为0，就会比较myid，myid大的选出来做Leader。 @@ -244,67 +334,17 @@ Zookeeper 集群的机制是只要超过半数的节点正常，集群就能正 3. 每个Server接收接收来自其他Server的投票，接下来的步骤与启动时步骤相同。 +--- -## 1. ZooKeeper 是什么？ - -ZooKeeper 是一个开源的分布式协调服务。它是一个为分布式应用提供一致性服务的软件，分布式应用程序可以基于 Zookeeper 实现诸如数据发布/订阅、负载均衡、命名服务、分布式协调/通知、集群管理、Master 选举、分布式锁和分布式队列等功能。 - -ZooKeeper 的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。 - -Zookeeper 保证了如下分布式一致性特性： - -1. 顺序一致性 -2. 原子性 -3. 单一视图（全局数据一致） -4. 可靠性 -5. 实时性（最终一致性） +## ⚡ 四、核心特性（Watcher机制与权限控制） -客户端的读请求可以被集群中的任意一台机器处理，如果读请求在节点上注册了监听器，这个监听器也是由所连接的 zookeeper 机器来处理。对于写请求，这些请求会同时发给其他 zookeeper 机器并且达成一致后，请求才会返回成功。因此，随着 zookeeper 的集群机器增多，读请求的吞吐会提高但是写请求的吞吐会下降。 +> **核心思想**：ZooKeeper的核心特性包括Watcher事件通知机制、ACL权限控制、会话管理等，这些特性是ZK实现分布式协调的关键技术。 -有序性是 zookeeper 中非常重要的一个特性，所有的更新都是全局有序的，每个更新都有一个唯一的时间戳，这个时间戳称为 zxid（Zookeeper Transaction Id）。而读请求只会相对于更新有序，也就是读请求的返回结果中会带有这个zookeeper 最新的 zxid。 +- **事件通知**：[Watcher机制](#🎯-zookeeper-watcher-机制--数据变更通知) | [客户端注册](#🎯-客户端注册-watcher-实现) | [服务端处理](#🎯-服务端处理-watcher-实现) | [客户端回调](#🎯-客户端回调-watcher) +- **权限控制**：[ACL机制](#🎯-acl-权限控制机制) | [Chroot特性](#🎯-chroot-特性) +- **会话管理**：[会话机制](#🎯-会话管理) | [分桶策略](#分桶策略) -## 2. ZooKeeper 提供了什么？ - -- 文件系统 -- 通知机制 - -## 3. Zookeeper 文件系统 - -Zookeeper 提供一个多层级的节点命名空间（节点称为 znode）。与文件系统不同的是，这些节点都可以设置关联的数据，而文件系统中只有文件节点可以存放数据而目录节点不行。 - -Zookeeper 为了保证高吞吐和低延迟，在内存中维护了这个树状的目录结构，这种特性使得 Zookeeper 不能用于存放大量的数据，每个节点的存放数据上限为1M。 - -## 4. Zookeeper 怎么保证主从节点的状态同步？ - -Zookeeper 的核心是原子广播机制，这个机制保证了各个 server 之间的同步。实现这个机制的协议叫做 Zab 协议。Zab 协议有两种模式，它们分别是恢复模式和广播模式。 - -1、恢复模式 - -当服务启动或者在领导者崩溃后，Zab 就进入了恢复模式，当领导者被选举出来，且大多数 server 完成了和 leader 的状态同步以后，恢复模式就结束了。状态同步保证了 leader 和 server 具有相同的系统状态。 - -2、广播模式 - -一旦 leader 已经和多数的 follower 进行了状态同步后，它就可以开始广播消息了，即进入广播状态。这时候当一个 server 加入 ZooKeeper 服务中，它会在恢复模式下启动，发现 leader，并和 leader 进行状态同步。待到同步结束，它也参与消息广播。ZooKeeper 服务一直维持在 Broadcast 状态，直到 leader 崩溃了或者 leader 失去了大部分的 followers 支持。 - -## 5. 四种类型的数据节点 Znode - -1. PERSISTENT-**持久节点** - - 除非手动删除，否则节点一直存在于 Zookeeper 上 - -2. EPHEMERAL-**临时节点** - - 临时节点的生命周期与客户端会话绑定，一旦客户端会话失效（客户端与zookeeper 连接断开不一定会话失效），那么这个客户端创建的所有临时节点都会被移除。 - -3. PERSISTENT_SEQUENTIAL**-持久顺序节点** - - 基本特性同持久节点，只是增加了顺序属性，节点名后边会追加一个由父节点维护的自增整型数字。 - -4. EPHEMERAL_SEQUENTIAL-**临时顺序节点** - - 基本特性同临时节点，增加了顺序属性，节点名后边会追加一个由父节点维护的自增整型数字。 - -## 6. Zookeeper Watcher 机制 – 数据变更通知 +### 🎯 Zookeeper Watcher 机制 – 数据变更通知 Zookeeper 允许客户端向服务端的某个 Znode 注册一个 Watcher 监听，当服务端的一些指定事件触发了这个 Watcher，服务端会向指定客户端发送一个事件通知来实现分布式的通知功能，然后客户端根据 Watcher 通知状态和事件类型做出业务上的改变。 @@ -340,7 +380,7 @@ Watcher 特性总结： （7）当一个客户端连接到一个新的服务器上时，watch 将会被以任意会话事件触发。当与一个服务器失去连接的时候，是无法接收到 watch 的。而当 client 重新连接时，如果需要的话，所有先前注册过的 watch，都会被重新注册。通常这是完全透明的。只有在一个特殊情况下，watch 可能会丢失：对于一个未创建的 znode的 exist watch，如果在客户端断开连接期间被创建了，并且随后在客户端连接上之前又删除了，这种情况下，这个 watch 事件可能会被丢失。 -## 7. 客户端注册 Watcher 实现 +### 🎯 客户端注册 Watcher 实现 （1）调用 getData()/getChildren()/exist()三个 API，传入 Watcher 对象 @@ -352,7 +392,7 @@ Watcher 特性总结： （5）请求返回，完成注册。 -## 8. 服务端处理 Watcher 实现 +### 🎯 服务端处理 Watcher 实现 （1）服务端接收 Watcher 并存储 @@ -378,13 +418,13 @@ Watcher 特性总结： 这里 process 主要就是通过 ServerCnxn 对应的 TCP 连接发送 Watcher 事件通知。 -## 9. 客户端回调 Watcher +### 🎯 客户端回调 Watcher 客户端 SendThread 线程接收事件通知，交由 EventThread 线程回调 Watcher。 客户端的 Watcher 机制同样是一次性的，一旦被触发后，该 Watcher 就失效了。 -## 10. ACL 权限控制机制 +### 🎯 ACL 权限控制机制 UGO（User/Group/Others） @@ -420,13 +460,13 @@ ACL（Access Control List）访问控制列表 （5）ADMIN：数据节点管理权限，允许授权对象对该数据节点进行 ACL 相关设置操作 -## 11. Chroot 特性 +### 🎯 Chroot 特性 3.2.0 版本后，添加了 Chroot 特性，该特性允许每个客户端为自己设置一个命名空间。如果一个客户端设置了 Chroot，那么该客户端对服务器的任何操作，都将会被限制在其自己的命名空间下。 通过设置 Chroot，能够将一个客户端应用于 Zookeeper 服务端的一颗子树相对应，在那些多个应用公用一个 Zookeeper 进群的场景下，对实现不同应用间的相互隔离非常有帮助。 -## 12. 会话管理 +### 🎯 会话管理 分桶策略：将类似的会话放在同一区块中进行管理，以便于 Zookeeper 对会话进行不同区块的隔离处理以及同一区块的统一处理。 @@ -440,7 +480,7 @@ ExpirationTime = (ExpirationTime_ / ExpirationInrerval + 1) * ExpirationInterval , ExpirationInterval 是指 Zookeeper 会话超时检查时间间隔，默认 tickTime -## 13. 服务器角色 +### 🎯 服务器角色 Leader @@ -464,7 +504,7 @@ Observer （3）不参与任何形式的投票 -## 14. Zookeeper 下 Server 工作状态 +### 🎯 Zookeeper 下 Server 工作状态 服务器具有四种状态，分别是 LOOKING、FOLLOWING、LEADING、OBSERVING。 @@ -476,7 +516,83 @@ Observer （4）OBSERVING：观察者状态。表明当前服务器角色是 Observer。 -## 15. 数据同步 +--- + +## 🔧 五、典型应用场景（分布式协调实践） + +> **核心思想**：ZooKeeper的典型应用场景包括分布式锁、配置管理、服务发现、负载均衡等，这些场景体现了ZK在分布式系统中的实际价值。 + +- **配置管理**：[数据发布/订阅](#数据发布订阅) | [负载均衡](#负载均衡) | [命名服务](#zk-的命名服务文件系统) +- **分布式协调**：[分布式通知](#分布式通知和协调) | [集群管理](#zookeeper-集群管理) | [Master选举](#master-选举) +- **同步原语**：[分布式锁](#zookeeper-分布式锁) | [队列管理](#zookeeper-队列管理) + +### 🎯 Zookeeper 实现分布式锁的原理 + +> Zookeeper 分布式锁基于 **临时顺序节点和 Watch 机制**实现： +> 客户端在 `/lock` 下创建临时顺序节点，序号最小的客户端获得锁，其他客户端监听前一个节点的删除事件，等到前一个节点释放锁后再依次获得。 +> +> 这种方式可以保证锁的 **公平性**，同时利用临时节点避免了死锁。 +> +> 不过 Zookeeper 的锁性能一般在万级 QPS，适合金融、广告投放这种需要强一致性的场景，而高并发写场景更推荐 Redis 分布式锁。 + +Zookeeper 本身是一个分布式协调服务，它提供了 **强一致性、顺序性和事件通知**，用来做分布式锁非常合适。核心思想是利用 **临时顺序节点 + Watch 机制**。 + +**1. 基本实现步骤（公平锁）** + +假设我们约定锁的路径为 `/lock`： + +1. **所有客户端到 `/lock` 下创建临时顺序节点** + - 比如 `clientA` 创建 `/lock/lock_0001`，`clientB` 创建 `/lock/lock_0002`。 + - 节点是 **临时的**，客户端宕机或会话断开会自动删除，避免死锁。 +2. **获取子节点列表，判断自己是否是最小节点** + - 谁的节点序号最小，谁就获得锁。 + - 比如 `/lock/lock_0001` 最小，则 `clientA` 获得锁。 +3. **没拿到锁的客户端监听前一个节点** + - 比如 `clientB` 创建了 `lock_0002`，就监听 `lock_0001`。 + - 而不是监听所有节点，避免“羊群效应”。 +4. **前一个节点被删除时，触发 Watch 事件** + - 如果 `clientA` 释放锁（删除 `lock_0001`），Zookeeper 会通知 `clientB`。 + - `clientB` 再检查是否轮到自己（是否是最小节点），如果是就获得锁。 +5. **释放锁** + - 拿到锁的客户端执行完任务后，主动删除自己创建的节点，触发通知，锁转交下一个客户端。 + +**2. 关键点** + +- **临时节点**：保证客户端异常宕机时，锁能自动释放。 +- **顺序节点**：保证锁的公平性（FIFO）。 +- **Watch 机制**：实现事件驱动，避免轮询浪费资源。 + +**3. 示例流程图** + +``` +/lock + ├── lock_0001 (clientA) + ├── lock_0002 (clientB) + ├── lock_0003 (clientC) +``` + +- clientA → 最小节点 → 获得锁 +- clientB → 监听 lock_0001 +- clientC → 监听 lock_0002 +- 当 clientA 删除 lock_0001 → 通知 clientB +- clientB 获得锁，以此类推 + +**优缺点** + +✅ 优点 + +- 公平锁，顺序执行，避免“饥饿”。 +- 临时节点避免死锁。 +- Watch 机制高效。 + +❌ 缺点 + +- Zookeeper 本身是 CP 系统，性能有限，**QPS 一般在万级**，不适合高频抢锁场景（比 Redis 慢）。 +- 如果客户端大量竞争，Zookeeper 节点会有较大压力。 + + + +### 🎯 数据同步 整个集群完成 Leader 选举之后，Learner（Follower 和 Observer 的统称）回向Leader 服务器进行注册。当 Learner 服务器想 Leader 服务器完成注册后，进入数据同步环节。 @@ -522,15 +638,15 @@ minCommittedLog： · 场景二：Leader 服务器上没有 Proposal 缓存队列且 peerLastZxid 不等于 lastProcessZxid -## 16. zookeeper 是如何保证事务的顺序一致性的？ +### 🎯 zookeeper 是如何保证事务的顺序一致性的？ zookeeper 采用了全局递增的事务 Id 来标识，所有的 proposal（提议）都在被提出的时候加上了 zxid，zxid 实际上是一个 64 位的数字，高 32 位是 epoch（ 时期; 纪元; 世; 新时代）用来标识 leader 周期，如果有新的 leader 产生出来，epoch会自增，低 32 位用来递增计数。当新产生 proposal 的时候，会依据数据库的两阶段过程，首先会向其他的 server 发出事务执行请求，如果超过半数的机器都能执行并且能够成功，那么就会开始执行。 -## 17. 分布式集群中为什么会有 Master主节点？ +### 🎯 分布式集群中为什么会有 Master主节点？ 在分布式环境中，有些业务逻辑只需要集群中的某一台机器进行执行，其他的机器可以共享这个结果，这样可以大大减少重复计算，提高性能，于是就需要进行 leader 选举。 -## 18. zk 节点宕机如何处理？ +### 🎯 zk 节点宕机如何处理？ Zookeeper 本身也是集群，推荐配置不少于 3 个服务器。Zookeeper 自身也要保证当一个节点宕机时，其他节点会继续提供服务。 @@ -546,11 +662,11 @@ ZK 集群的机制是只要超过半数的节点正常，集群就能正常提 2 个节点的 cluster 就不能挂掉任何 1 个节点了(leader 可以得到 1 票<=1) -## 19. zookeeper 负载均衡和 nginx 负载均衡区别 +### 🎯 zookeeper 负载均衡和 nginx 负载均衡区别 zk 的负载均衡是可以调控，nginx 只是能调权重，其他需要可控的都需要自己写插件；但是 nginx 的吞吐量比 zk 大很多，应该说按业务选择用哪种方式。 -## 20. Zookeeper 有哪几种几种部署模式？ +### 🎯 Zookeeper 有哪几种几种部署模式？ Zookeeper 有三种部署模式： @@ -558,11 +674,11 @@ Zookeeper 有三种部署模式： 2. 集群部署：多台集群运行； 3. 伪集群部署：一台集群启动多个 Zookeeper 实例运行。 -## 21. 集群最少要几台机器，集群规则是怎样的？集群中有 3 台服务器，其中一个节点宕机，这个时候 Zookeeper 还可以使用吗？ +### 🎯 集群最少要几台机器，集群规则是怎样的？集群中有 3 台服务器，其中一个节点宕机，这个时候 Zookeeper 还可以使用吗？ 集群规则为 2N+1 台，N>0，即 3 台。可以继续使用，单数服务器只要没超过一半的服务器宕机就可以继续使用。 -## 22. 集群支持动态添加机器吗？ +### 🎯 集群支持动态添加机器吗？ 其实就是水平扩容了，Zookeeper 在这方面不太好。两种方式： @@ -572,7 +688,7 @@ Zookeeper 有三种部署模式： 3.5 版本开始支持动态扩容。 -## 23. Zookeeper 对节点的 watch 监听通知是永久的吗？为什么不是永久的? +### 🎯 Zookeeper 对节点的 watch 监听通知是永久的吗？为什么不是永久的? 不是。官方声明：一个 Watch 事件是一个一次性的触发器，当被设置了 Watch的数据发生了改变的时候，则服务器将这个改变发送给设置了 Watch 的客户端，以便通知它们。 @@ -582,19 +698,19 @@ Zookeeper 有三种部署模式： 在实际应用中，很多情况下，我们的客户端不需要知道服务端的每一次变动，我只要最新的数据即可。 -## 24. Zookeeper 的 java 客户端都有哪些？ +### 🎯 Zookeeper 的 java 客户端都有哪些？ java 客户端：zk 自带的 zkclient 及 Apache 开源的 Curator。 -## 25. chubby 是什么，和 zookeeper 比你怎么看？ +### 🎯 chubby 是什么，和 zookeeper 比你怎么看？ chubby 是 google 的，完全实现 paxos 算法，不开源。zookeeper 是 chubby的开源实现，使用 zab 协议，paxos 算法的变种。 -## 26. 说几个 zookeeper 常用的命令。 +### 🎯 说几个 zookeeper 常用的命令。 常用命令：ls get set create delete 等。 -## 27. ZAB 和 Paxos 算法的联系与区别？ +### 🎯 ZAB 和 Paxos 算法的联系与区别？ 相同点： @@ -610,113 +726,131 @@ ZAB 用来构建高可用的分布式数据主备系统（Zookeeper），Paxos -## Zookeeper 的典型应用场景 +### 🎯 Zookeeper 都有哪些功能？ -Zookeeper 是一个典型的发布/订阅模式的分布式数据管理与协调框架，开发人员可以使用它来进行分布式数据的发布和订阅。 - -通过对 Zookeeper 中丰富的数据节点进行交叉使用，配合 Watcher 事件通知机制，可以非常方便的构建一系列分布式应用中年都会涉及的核心功能，如： - -1. 数据发布/订阅 -2. 负载均衡 -3. 命名服务 -4. 分布式协调/通知 -5. 集群管理 -6. Master 选举 -7. 分布式锁 -8. 分布式队列 - -#### 数据发布/订阅 +1. 集群管理：监控节点存活状态、运行请求等； +2. 主节点选举：主节点挂掉了之后可以从备用的节点开始新一轮选主，主节点选举说的就是这个选举的过程，使用 Zookeeper 可以协助完成这个过程； +3. 分布式锁：Zookeeper 提供两种锁：独占锁、共享锁。独占锁即一次只能有一个线程使用资源，共享锁是读锁共享，读写互斥，即可以有多线线程同时读同一个资源，如果要使用写锁也只能有一个线程使用。Zookeeper 可以对分布式锁进行控制。 +4. 命名服务：在分布式系统中，通过使用命名服务，客户端应用能够根据指定名字来获取资源或服务的地址，提供者等信息。 -**数据发布/订阅（Publish/Subscribe）系统**，即所谓的配置中心，顾名思义就是发布者将数据发布到ZooKeeper的一个或一系列节点上，供订阅者进行数据订阅，进而达到动态获取数据的目的，实现配置信息的集中式管理和数据的动态更新。 +### 🎯 说一下 Zookeeper 的通知机制？ -**发布/订阅系统一般有两种设计模式，**分别是推（Push）模式和拉（Pull）模式。在推模式中，服务端主动将数据更新发送给所有订阅的客户端；而拉模式则是由客户端主动发起请求来获取最新数据，通常客户端都采用定时进行轮询拉取的方式。 +client 端会对某个 znode 建立一个 watcher 事件，当该 znode 发生变化时，这些 client 会收到 zk 的通知，然后 client 可以根据 znode 变化来做出业务上的改变等。 -**ZooKeeper 采用的是推拉相结合的方式**：客户端向服务端注册自己需要关注的节点，一旦该节点的数据发生变更，那么服务端就会向相应的客户端发送Watcher事件通知，客户端接收到这个消息通知之后，需要主动到服务端获取最新的数据 +### 🎯 Zookeeper 和 Dubbo 的关系？ -#### 负载均衡 +Zookeeper的作用： -使用Zookeeper实现负载均衡原理，服务器端将启动的服务注册到，zk注册中心上，采用临时节点。客户端从zk节点上获取最新服务节点信息，本地使用负载均衡算法，随机分配服务器。 +zookeeper用来注册服务和进行负载均衡，哪一个服务由哪一个机器来提供必需让调用者知道，简单来说就是ip地址和服务名称的对应关系。当然也可以通过硬编码的方式把这种对应关系在调用方业务代码中实现，但是如果提供服务的机器挂掉调用者无法知晓，如果不更改代码会继续请求挂掉的机器提供服务。zookeeper通过心跳机制可以检测挂掉的机器并将挂掉机器的ip和服务对应关系从列表中删除。至于支持高并发，简单来说就是横向扩展，在不更改代码的情况通过添加机器来提高运算能力。通过添加新的机器向zookeeper注册服务，服务的提供者多了能服务的客户就多了。 -#### 分布式通知和协调 +dubbo： -对于系统调度来说：操作人员发送通知实际是通过控制台改变某个节点的状态，然后 zk 将这些变化发送给注册了这个节点的 watcher 的所有客户端。 +是管理中间层的工具，在业务层到数据仓库间有非常多服务的接入和服务提供者需要调度，dubbo提供一个框架解决这个问题。 +注意这里的dubbo只是一个框架，至于你架子上放什么是完全取决于你的，就像一个汽车骨架，你需要配你的轮子引擎。这个框架中要完成调度必须要有一个分布式的注册中心，储存所有服务的元数据，你可以用zk，也可以用别的，只是大家都用zk。 -对于执行情况汇报：每个工作进程都在某个目录下创建一个临时节点。并携带工作的进度数据，这样汇总的进程可以监控目录子节点的变化获得工作进度的实时的全局情况。 +zookeeper和dubbo的关系： -#### zk 的命名服务（文件系统） +Dubbo 的将注册中心进行抽象，它可以外接不同的存储媒介给注册中心提供服务，有 ZooKeeper，Memcached，Redis 等。 -命名服务是指通过指定的名字来获取资源或者服务的地址，利用 zk 创建一个全局的路径，即是唯一的路径，这个路径就可以作为一个名字，指向集群中的集群，提供的服务的地址，或者一个远程的对象等等。 +引入了 ZooKeeper 作为存储媒介，也就把 ZooKeeper 的特性引进来。首先是负载均衡，单注册中心的承载能力是有限的，在流量达到一定程度的时 候就需要分流，负载均衡就是为了分流而存在的，一个 ZooKeeper 群配合相应的 Web 应用就可以很容易达到负载均衡；资源同步，单单有负载均衡还不 够，节点之间的数据和资源需要同步，ZooKeeper 集群就天然具备有这样的功能；命名服务，将树状结构用于维护全局的服务地址列表，服务提供者在启动 的时候，向 ZooKeeper 上的指定节点 /dubbo/${serviceName}/providers 目录下写入自己的 URL 地址，这个操作就完成了服务的发布。 其他特性还有 Mast 选举，分布式锁等。 -#### Zookeeper 集群管理 +![img](https://imgconvert.csdnimg.cn/aHR0cHM6Ly91c2VyLWdvbGQtY2RuLnhpdHUuaW8vMjAxOS8xMC8zMS8xNmUyMTliYzc3MDA5OGRm?x-oss-process=image/format,png) -所谓集群管理无在乎两点：是否有机器退出和加入、选举 master。 -对于第一点，所有机器约定在父目录下创建临时目录节点，然后监听父目录节点的子节点变化消息。一旦有机器挂掉，该机器与 zookeeper 的连接断开，其所创建的临时目录节点被删除，所有其他机器都收到通知：某个兄弟目录被删除，于是，所有人都知道：它上船了。 -新机器加入也是类似，所有机器收到通知：新兄弟目录加入，highcount 又有了，对于第二点，我们稍微改变一下，所有机器创建临时顺序编号目录节点，每次选取编号最小的机器作为 master 就好。 +--- -#### Zookeeper 分布式锁 +## 🚨 六、运维实践与故障处理（生产经验） -有了 zookeeper 的一致性文件系统，锁的问题变得容易。锁服务可以分为两类，一个是保持独占，另一个是控制时序。 +> **核心思想**：ZooKeeper在生产环境中的运维实践，包括部署配置、性能监控、故障排查等，这些经验是高级工程师必备的技能。 -对于第一类，我们将 zookeeper 上的一个 znode 看作是一把锁，通过 createznode 的方式来实现。所有客户端都去创建 /distribute_lock 节点，最终成功创建的那个客户端也即拥有了这把锁。用完删除掉自己创建的 distribute_lock 节点就释放出锁。 +- **部署配置**：[部署模式](#🎯-zookeeper-有哪几种几种部署模式) | [集群规划](#🎯-集群最少要几台机器集群规则是怎样的集群中有-3-台服务器其中一个节点宕机这个时候-zookeeper-还可以使用吗) | [动态扩容](#🎯-集群支持动态添加机器吗) +- **监控运维**：[客户端工具](#🎯-zookeeper-的-java-客户端都有哪些) | [常用命令](#🎯-说几个-zookeeper-常用的命令) | [通知机制](#🎯-说一下-zookeeper-的通知机制) | [Watch监听](#🎯-zookeeper-对节点的-watch-监听通知是永久的吗为什么不是永久的) -对于第二类， /distribute_lock 已经预先存在，所有客户端在它下面创建临时顺序编号目录节点，和选 master 一样，编号最小的获得锁，用完删除，依次方便。 +--- -#### Zookeeper 队列管理 +## 💼 七、对比分析与技术选型（架构决策） -两种类型的队列： +> **核心思想**：理解ZooKeeper与其他分布式协调系统的差异，掌握在不同场景下的技术选型原则。 -1. 同步队列，当一个队列的成员都聚齐时，这个队列才可用，否则一直等待所有成员到达。 +### 📋 本章知识点 -2. 队列按照 FIFO 方式进行入队和出队操作。 +- **技术对比**：[ZK vs 其他系统](#🎯-chubby-是什么和-zookeeper-比你怎么看) | [ZAB vs Paxos](#🎯-zab-和-paxos-算法的联系与区别) | [CAP选择](#🎯-zk-是-cp-还是-ap) +- **应用集成**：[与Dubbo关系](#🎯-zookeeper-和-dubbo-的关系) | [负载均衡对比](#🎯-zookeeper-负载均衡和-nginx-负载均衡区别) -第一类，在约定目录下创建临时目录节点，监听节点数目是否是我们要求的数目。 +### 🎯 zk 是 CP 还是 AP -第二类，和分布式锁服务中的控制时序场景基本原理一致，入列有编号，出列按编号。在特定的目录下创建 PERSISTENT_SEQUENTIAL 节点，创建成功时Watcher 通知等待的队列，队列删除序列号最小的节点用以消费。此场景下Zookeeper 的 znode 用于消息存储，znode 存储的数据就是消息队列中的消息内容，SEQUENTIAL 序列号就是消息的编号，按序取出即可。由于创建的节点是持久化的，所以不必担心队列消息的丢失问题。 +zk的ap和cp是从不同的角度分析的。 +从一个读写请求分析，保证了可用性（不用阻塞等待全部follwer同步完成），保证不了数据的一致性，所以是ap。 +但是从zk架构分析，zk在leader选举期间，会暂停对外提供服务（为啥会暂停，因为zk依赖leader来保证数据一致性)，所以丢失了可用性，保证了一致性，即cp。 -## Zookeeper 都有哪些功能？ +再细点话，这个c不是强一致性，而是最终一致性。即上面的写案例，数据最终会同步到一致，只是时间问题。 -1. 集群管理：监控节点存活状态、运行请求等； -2. 主节点选举：主节点挂掉了之后可以从备用的节点开始新一轮选主，主节点选举说的就是这个选举的过程，使用 Zookeeper 可以协助完成这个过程； -3. 分布式锁：Zookeeper 提供两种锁：独占锁、共享锁。独占锁即一次只能有一个线程使用资源，共享锁是读锁共享，读写互斥，即可以有多线线程同时读同一个资源，如果要使用写锁也只能有一个线程使用。Zookeeper 可以对分布式锁进行控制。 -4. 命名服务：在分布式系统中，通过使用命名服务，客户端应用能够根据指定名字来获取资源或服务的地址，提供者等信息。 +综上，zk广义上来说是cp，狭义上是ap。 -## 30. 说一下 Zookeeper 的通知机制？ +--- -client 端会对某个 znode 建立一个 watcher 事件，当该 znode 发生变化时，这些 client 会收到 zk 的通知，然后 client 可以根据 znode 变化来做出业务上的改变等。 +## 🎯 ZooKeeper面试备战指南 -## 31. Zookeeper 和 Dubbo 的关系？ +### 💡 高频考点Top10 -Zookeeper的作用： +1. **🔥 ZAB协议原理** - ZK一致性算法的核心，必考概念 +2. **⚡ Leader选举机制** - 分布式一致性的关键技术 +3. **📊 数据一致性保证** - 顺序一致性、原子性等特性 +4. **🚨 脑裂问题** - 分布式系统经典问题，解决思路要清晰 +5. **🔍 Watcher机制** - 事件通知的实现原理 +6. **💾 分片与副本** - 数据分布和高可用保证 +7. **⚙️ 节点类型与特性** - 持久、临时、顺序节点的应用 +8. **🔧 分布式锁实现** - ZK的典型应用场景 +9. **📈 集群架构设计** - 生产环境的部署和运维 +10. **💼 实际项目经验** - 能结合具体场景谈技术应用 -zookeeper用来注册服务和进行负载均衡，哪一个服务由哪一个机器来提供必需让调用者知道，简单来说就是ip地址和服务名称的对应关系。当然也可以通过硬编码的方式把这种对应关系在调用方业务代码中实现，但是如果提供服务的机器挂掉调用者无法知晓，如果不更改代码会继续请求挂掉的机器提供服务。zookeeper通过心跳机制可以检测挂掉的机器并将挂掉机器的ip和服务对应关系从列表中删除。至于支持高并发，简单来说就是横向扩展，在不更改代码的情况通过添加机器来提高运算能力。通过添加新的机器向zookeeper注册服务，服务的提供者多了能服务的客户就多了。 +### 🎭 面试答题技巧 -dubbo： +**📝 标准回答结构** +1. **概念定义**（30秒） - 用一句话说清楚是什么 +2. **工作原理**（1分钟） - 阐述核心机制和流程 +3. **应用场景**（30秒） - 什么时候用，解决什么问题 +4. **具体示例**（1分钟） - 最好是自己项目的真实案例 +5. **注意事项**（30秒） - 体现深度思考和实战经验 -是管理中间层的工具，在业务层到数据仓库间有非常多服务的接入和服务提供者需要调度，dubbo提供一个框架解决这个问题。 -注意这里的dubbo只是一个框架，至于你架子上放什么是完全取决于你的，就像一个汽车骨架，你需要配你的轮子引擎。这个框架中要完成调度必须要有一个分布式的注册中心，储存所有服务的元数据，你可以用zk，也可以用别的，只是大家都用zk。 +**🗣️ 表达话术模板** +- "从我的项目经验来看..." +- "在生产环境中，我们通常会..." +- "这里有个需要注意的点是..." +- "相比于其他分布式协调系统，ZK的优势在于..." +- "在大规模集群场景下，推荐的做法是..." -zookeeper和dubbo的关系： +### 🚀 进阶加分点 -Dubbo 的将注册中心进行抽象，它可以外接不同的存储媒介给注册中心提供服务，有 ZooKeeper，Memcached，Redis 等。 +- **底层原理**：能从ZAB协议层面解释ZK的一致性保证 +- **性能调优**：有具体的集群优化经验和数据对比 +- **架构设计**：能设计适合业务场景的ZK集群方案 +- **故障处理**：有排查和解决ZK集群问题的经验 +- **技术选型**：能准确分析ZK与其他技术的适用场景 -引入了 ZooKeeper 作为存储媒介，也就把 ZooKeeper 的特性引进来。首先是负载均衡，单注册中心的承载能力是有限的，在流量达到一定程度的时 候就需要分流，负载均衡就是为了分流而存在的，一个 ZooKeeper 群配合相应的 Web 应用就可以很容易达到负载均衡；资源同步，单单有负载均衡还不 够，节点之间的数据和资源需要同步，ZooKeeper 集群就天然具备有这样的功能；命名服务，将树状结构用于维护全局的服务地址列表，服务提供者在启动 的时候，向 ZooKeeper 上的指定节点 /dubbo/${serviceName}/providers 目录下写入自己的 URL 地址，这个操作就完成了服务的发布。 其他特性还有 Mast 选举，分布式锁等。 +### 📚 延伸学习建议 -![img](https://imgconvert.csdnimg.cn/aHR0cHM6Ly91c2VyLWdvbGQtY2RuLnhpdHUuaW8vMjAxOS8xMC8zMS8xNmUyMTliYzc3MDA5OGRm?x-oss-process=image/format,png) +- **官方文档**：ZooKeeper官方文档是最权威的学习资料 +- **源码研读**：深入理解ZAB协议、Watcher机制的实现 +- **实战练习**：搭建ZK集群，动手验证各种特性 +- **案例分析**：研究大厂的ZK应用案例和最佳实践 +- **社区交流**：关注ZK相关的技术博客和开源项目 +--- +## 🎉 总结 -### zk 是 CP 还是 AP +**ZooKeeper作为分布式协调服务的经典实现**，是构建大规模分布式系统的基石。从配置管理到服务发现，从分布式锁到Leader选举，ZK在分布式系统中发挥着不可替代的作用。 -zk的ap和cp是从不同的角度分析的。 +**掌握ZK的核心在于理解其一致性保证机制**：通过ZAB协议实现分布式一致性，通过Leader选举保证集群稳定，通过Watcher机制实现事件通知，通过节点类型支持各种分布式应用场景。 -从一个读写请求分析，保证了可用性（不用阻塞等待全部follwer同步完成），保证不了数据的一致性，所以是ap。 +**记住：面试官考察的不是你背了多少概念，而是你能否在实际项目中灵活运用ZK解决分布式协调问题。** -但是从zk架构分析，zk在leader选举期间，会暂停对外提供服务（为啥会暂停，因为zk依赖leader来保证数据一致性)，所以丢失了可用性，保证了一致性，即cp。 +**最后一句话**：*"分布式系统的复杂性在于一致性，而ZooKeeper正是解决这一复杂性的优雅方案！"* -再细点话，这个c不是强一致性，而是最终一致性。即上面的写案例，数据最终会同步到一致，只是时间问题。 +--- -综上，zk广义上来说是cp，狭义上是ap。 +> 💌 **坚持学习，持续成长！** diff --git a/docs/interview/networks-interview.md b/docs/interview/networks-interview.md deleted file mode 100755 index 87305d2a8d..0000000000 --- a/docs/interview/networks-interview.md +++ /dev/null @@ -1,1090 +0,0 @@ -# 计算机网络面试突击 - -## 一：各协议层以及它们的服务类型 - -### 1. OSI 七层模型 - -![img](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/8cad8cadf67e482696231599f834aa81~tplv-k3u1fbpfcp-watermark.awebp) OSI 模型全称为开放式通信系统互连参考模型，是国际标准化组织 ( ISO ) 提出的一个试图使各种计算机在世界范围内互连为网络的标准框架。 OSI 将计算机网络体系结构划分为七层，每一层实现各自的功能和协议，并完成与相邻层的接口通信。OSI 的服务定义详细说明了各层所提供的服务。某一层的服务就是该层及其下各层的一种能力，它通过接口提供给更高一层。各层所提供的服务与这些服务是怎么实现的无关。 - -① 应用层 - -应用层位于 OSI 参考模型的第七层，其作用是通过应用程序间的交互来完成特定的网络应用。该层协议定义了应用进程之间的交互规则，通过不同的应用层协议为不同的网络应用提供服务。例如域名系统 DNS，支持万维网应用的 HTTP 协议，电子邮件系统采用的 SMTP 协议等。在应用层交互的数据单元我们称之为报文。 - -② 表示层 - -表示层的作用是使通信的应用程序能够解释交换数据的含义，其位于 OSI 参考模型的第六层，向上为应用层提供服务，向下接收来自会话层的服务。该层提供的服务主要包括数据压缩，数据加密以及数据描述。这使得应用程序不必担心在各台计算机中表示和存储的内部格式差异。 - -③ 会话层 - -会话层就是负责建立、管理和终止表示层实体之间的通信会话。该层提供了数据交换的定界和同步功能，包括了建立检查点和恢复方案的方法。 - -④ 传输层 - -传输层的主要任务是为两台主机进程之间的通信提供服务。应用程序利用该服务传送应用层报文。该服务并不针对某一特定的应用，多种应用可以使用同一个运输层服务。由于一台主机可同时运行多个线程，因此运输层有复用和分用的功能。所谓复用就是指多个应用层进程可同时使用下面运输层的服务，分用和复用相反，是运输层把收到的信息分别交付上面应用层中的相应进程。 - -⑤ 网络层 - -两台计算机之间传送数据时其通信链路往往不止一条，所传输的信息甚至可能经过很多通信子网。网络层的主要任务就是选择合适的网间路由和交换节点，确保数据按时成功传送。在发送数据时，网络层把运输层产生的报文或用户数据报封装成分组和包向下传输到数据链路层。在网络层使用的协议是无连接的网际协议（Internet Protocol）和许多路由协议，因此我们通常把该层简单地成为 IP 层。 - -⑥ 数据链路层 - -数据链路层通常也叫做链路层，在物理层和网络层之间。两台主机之间的数据传输，总是在一段一段的链路上传送的，这就需要使用专门的链路层协议。在两个相邻节点之间传送数据时，数据链路层将网络层交下来的 IP 数据报组装成帧，在两个相邻节点间的链路上传送帧。每一帧包括数据和必要的控制信息。通过控制信息我们可以知道一个帧的起止比特位置，此外，也能使接收端检测出所收到的帧有无差错，如果发现差错，数据链路层能够简单的丢弃掉这个帧，以避免继续占用网络资源。 - -⑦ 物理层 - -作为 OSI 参考模型中最低的一层，物理层的作用是实现计算机节点之间比特流的透明传送，尽可能屏蔽掉具体传输介质和物理设备的差异。使其上面的数据链路层不必考虑网络的具体传输介质是什么。该层的主要任务是确定与传输媒体的接口的一些特性（机械特性、电气特性、功能特性，过程特性）。 - -### 2. TCP/IP 参考模型 - -OSI 七层模型在提出时的出发点是基于标准化的考虑，而没有考虑到具体的市场需求，使得该模型结构复杂，部分功能冗余，因而完全实现 OSI 参考模型的系统不多。而 TCP/IP 参考模型直接面向市场需求，实现起来也比较容易，因此在一经提出便得到了广泛的应用。基于 TCP/IP 的参考模型将协议分成四个层次，如上图所示，它们分别是：网络访问层、网际互联层、传输层、和应用层。 - -① 应用层 - -TCP/IP 模型将 OSI 参考模型中的会话层、表示层和应用层的功能合并到一个应用层实现，通过不同的应用层协议为不同的应用提供服务。例如：FTP、Telnet、DNS、SMTP 等。 - -② 传输层 - -该层对应于 OSI 参考模型的传输层，为上层实体提供源端到对端主机的通信功能。传输层定义了两个主要协议：传输控制协议（TCP）和用户数据报协议（UDP）。其中面向连接的 TCP 协议保证了数据的传输可靠性，面向无连接的 UDP 协议能够实现数据包简单、快速地传输。 - -③ 网际互联层 - -网际互联层对应 OSI 参考模型的网络层，主要负责相同或不同网络中计算机之间的通信。在网际互联层， IP 协议提供的是一个可靠、无连接的数据报传递服务。该协议实现两个基本功能：寻址和分段。根据数据报报头中的目的地址将数据传送到目的地址，在这个过程中 IP 负责选择传送路线。除了 IP 协议外，该层另外两个主要协议是互联网组管理协议（IGMP）和互联网控制报文协议（ICMP）。 - -④ 网络接入层 - -网络接入层的功能对应于 OSI 参考模型中的物理层和数据链路层，它负责监视数据在主机和网络之间的交换。事实上，TCP/IP 并未真正描述这一层的实现，而由参与互连的各网络使用自己的物理层和数据链路层协议，然后与 TCP/IP 的网络接入层进行连接，因此具体的实现方法将随着网络类型的不同而有所差异。 - -### 3. TCP/IP 五层参考模型 - -五层体系的协议结构是综合了 OSI 和 TCP/IP 优点的一种协议，包括应用层、传输层、网络层、数据链路层和物理层。其中应用层对应 OSI 的上三层，下四层和 OSI 相同。五层协议的体系结构只是为介绍网络原理而设计的，实际应用还是 TCP/IP 四层体系结构。 - -### 4. OSI 模型和 TCP/IP 模型的异同比较 - -相同点 - -① OSI 参考模型与 TCP/IP 参考模型都采用了层次结构。 - -② 都能够提供面向连接和无连接两种通信服务机制。 - -不同点 - -① OSI 采用的七层模型； TCP/IP 是四层结构。 - -② TCP/IP 参考模型没有对网络接口层进行细分，只是一些概念性的描述； OSI 参考模型对服务和协议做了明确的区分。 - -③ OSI 先有模型，后有协议规范，适合于描述各种网络；TCP/IP 是先有协议集然后建立模型，不适用于非 TCP/IP 网络。 - -④ TCP/IP 一开始就提出面向连接和无连接服务，而 OSI 一开始只强调面向连接服务，直到很晚才开始制定无连接的服务标准。 - -⑤ OSI 参考模型虽然被看好，但将网络划分为七层，实现起来较困难；相反，TCP/IP 参考模型虽然有许多不尽人意的地方，但作为一种简化的分层结构还是比较成功的。 - -### 5. OSI 和 TCP/IP 协议之间对应关系 - -![img](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/269b01d866bc4d3bb4db983cc102c72a~tplv-k3u1fbpfcp-watermark.awebp) - -### 6. 为什么 ICP/IP 去除了表示层和会话层 - -OSI 参考模型在提出时，他们的理想是非常好的，但实际上，由于会话层、表示层、应用层都是在应用程序内部实现的，最终产出的是一个应用数据包，而应用程序之间是几乎无法实现代码的抽象共享的，这也就造成 OSI 设想中的应用程序维度的分层是无法实现的，例如，我们几乎不会认为数据的压缩、加密算法算是一种协议，而会话的概念则更为抽象，难以用协议来进行描述，所以在后来的 TCP/IP 协议框架的设计中，便将表示层和会话层与应用层整合在一起，让整个过程更为清晰明了。 - -### 7. 数据如何在各层之间传输 - -在发送主机端，一个应用层报文被传送到运输层。在最简单的情况下，运输层收取到报文并附上附加信息，该首部将被接收端的运输层使用。应用层报文和运输层首部信息一道构成了运输层报文段。附加的信息可能包括：允许接收端运输层向上向适当的应用程序交付报文的信息以及差错检测位信息。该信息让接收端能够判断报文中的比特是否在途中已被改变。运输层则向网络层传递该报文段，网络层增加了如源和目的端系统地址等网络层首部信息，生成了网络层数据报。该数据报接下来被传递给链路层，在数据链路层数据包添加发送端 MAC 地址和接收端 MAC 地址后被封装成数据帧，在物理层数据帧被封装成比特流，之后通过传输介质传送到对端。 - -## 二：应用层 - -### 1. HTTP 头部包含哪些信息 - -HTTP 头部本质上是一个传递额外重要信息的键值对。主要分为：通用头部，请求头部，响应头部和实体头部。 - -**通用头部** - -![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/f8b770232b8947b6aa7f6cfd90529281~tplv-k3u1fbpfcp-watermark.awebp) - -**请求头部** - -![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/dae9893ab7ba4b14be5e26c2e90498b7~tplv-k3u1fbpfcp-watermark.awebp) - -**响应头部** - -![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/3ffb1fa2a46544d0a5da0658d4dddf07~tplv-k3u1fbpfcp-watermark.awebp) - -**实体头部** - -![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/717e4a10362c4efb8dae4bd81a953c27~tplv-k3u1fbpfcp-watermark.awebp) - -### 2. Keep-Alive 和非 Keep-Alive 区别，对服务器性能有影响吗 - -在早期的 HTTP/1.0 中，浏览器每次 发起 HTTP 请求都要与服务器创建一个新的 TCP 连接，服务器完成请求处理后立即断开 TCP 连接，服务器不跟踪每个客户也不记录过去的请求。然而创建和关闭连接的过程需要消耗资源和时间，为了减少资源消耗，缩短响应时间，就需要重用连接。在 HTTP/1.1 版本中默认使用持久连接，在此之前的 HTTP 版本的默认连接都是使用非持久连接，如果想要在旧版本的 HTTP 协议上维持持久连接，则需要指定 connection 的首部字段的值为 Keep-Alive 来告诉对方这个请求响应完成后不要关闭，下一次咱们还用这个请求继续交流，我们用一个示意图来更加生动的表示两者的区别： - -![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/10194b7d0e304fd786bebda28fb69718~tplv-k3u1fbpfcp-watermark.awebp) - -对于非 Keep=Alive 来说，必须为每一个请求的对象建立和维护一个全新的连接。对于每一个这样的连接，客户机和服务器都要分配 TCP 的缓冲区和变量，这给服务器带来的严重的负担，因为一台 Web 服务器可能同时服务于数以百计的客户机请求。在 Keep-Alive 方式下，服务器在响应后保持该 TCP 连接打开，在同一个客户机与服务器之间的后续请求和响应报文可通过相同的连接进行传送。甚至位于同一台服务器的多个 Web 页面在从该服务器发送给同一个客户机时，可以在单个持久 TCP 连接上进行。 - -然而，Keep-Alive 并不是没有缺点的，当长时间的保持 TCP 连接时容易导致系统资源被无效占用，若对 Keep-Alive 模式配置不当，将有可能比非 Keep-Alive 模式带来的损失更大。因此，我们需要正确地设置 keep-alive timeout 参数，当 TCP 连接在传送完最后一个 HTTP 响应，该连接会保持 keepalive_timeout 秒，之后就开始关闭这个链接。 - -### 3. HTTP 长连接短连接使用场景是什么 - -长连接：多用于操作频繁，点对点的通讯，而且客户端连接数目较少的情况。例如即时通讯、网络游戏等。 - -短连接：用户数目较多的Web网站的 HTTP 服务一般用短连接。例如京东，淘宝这样的大型网站一般客户端数量达到千万级甚至上亿，若采用长连接势必会使得服务端大量的资源被无效占用，所以一般使用的是短连接。 - -### 4. 怎么知道 HTTP 的报文长度 - -当响应消息中存在 Content-Length 字段时，我们可以直接根据这个值来判断数据是否接收完成，例如客户端向服务器请求一个静态页面或者一张图片时，服务器能够很清楚的知道请求内容的大小，因此可以通过消息首部字段 Content- Length 来告诉客户端需要接收多少数据，但是如果服务器预先不知道请求内容的大小，例如加载动态页面的时候，就需要使用 Transfer-Encoding: chunked 的方式来代替 Content-Length。 - -分块传输编码（Chunked transfer encoding）是 HTTP/1.1 中引入的一种数据传输机制，其允许 HTTP 由服务器发送给客户端的数据可以分成多个部分，当数据分解成一系列数据块发送时，服务器就可以发送数据而不需要预先知道发送内容的总大小，每一个分块包含十六进制的长度值和数据，最后一个分块长度值为0，表示实体结束，客户机可以以此为标志确认数据已经接收完毕。 - -### 5. HTTP 方法了解哪些 - -HTTP/1.0 定义了三种请求方法：GET, POST 和 HEAD 方法。 - -HTTP/1.1 增加了六种请求方法：OPTIONS, PUT, PATCH, DELETE, TRACE 和 CONNECT 方法。 - -![img](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/1105df43f3da4ec0b5ff3f77cdf6e297~tplv-k3u1fbpfcp-watermark.awebp) - -### 6. GET 和 POST 的区别 - -1. get 提交的数据会放在 URL 之后，并且请求参数会被完整的保留在浏览器的记录里，由于参数直接暴露在 URL 中，可能会存在安全问题，因此往往用于获取资源信息。而 post 参数放在请求主体中，并且参数不会被保留，相比 get 方法，post 方法更安全，主要用于修改服务器上的资源。 -2. get 请求只支持 URL 编码，post 请求支持多种编码格式。 -3. get 只支持 ASCII 字符格式的参数，而 post 方法没有限制。 -4. get 提交的数据大小有限制（这里所说的限制是针对浏览器而言的），而 post 方法提交的数据没限制 -5. get 方式需要使用 Request.QueryString 来取得变量的值，而 post 方式通过 Request.Form 来获取。 -6. get 方法产生一个 TCP 数据包，post 方法产生两个（并不是所有的浏览器中都产生两个）。 - -### 7. GET 的长度限制是多少 - -HTTP 中的 GET 方法是通过 URL 传递数据的，而 URL 本身并没有对数据的长度进行限制，真正限制 GET 长度的是浏览器，例如 IE 浏览器对 URL 的最大限制为 2000多个字符，大概 2KB左右，像 Chrome, FireFox 等浏览器能支持的 URL 字符数更多，其中 FireFox 中 URL 最大长度限制为 65536 个字符，Chrome 浏览器中 URL 最大长度限制为 8182 个字符。并且这个长度不是只针对数据部分，而是针对整个 URL 而言，在这之中，不同的服务器同样影响 URL 的最大长度限制。因此对于特定的浏览器，GET的长度限制不同。 - -由于 POST 方法请求参数在请求主体中，理论上讲，post 方法是没有大小限制的，而真正起限制作用的是服务器处理程序的处理能力。 - -### 8. HTTP 与 HTTPs 的工作方式【建立连接的过程】 - -HTTP - -HTTP（Hyper Text Transfer Protocol: 超文本传输协议） 是一种简单的请求 - 响应协议，被用于在 Web 浏览器和网站服务器之间传递消息。HTTP 使用 TCP（而不是 UDP）作为它的支撑运输层协议。其默认工作在 TCP 协议 80 端口，HTTP 客户机发起一个与服务器的 TCP 连接，一旦连接建立，浏览器和服务器进程就可以通过套接字接口访问 TCP。客户机从套接字接口发送 HTTP 请求报文和接收 HTTP 响应报文。类似地，服务器也是从套接字接口接收 HTTP 请求报文和发送 HTTP 响应报文。其通信内容以明文的方式发送，不通过任何方式的数据加密。当通信结束时，客户端与服务器关闭连接。 - -HTTPS - -HTTPS（Hyper Text Transfer Protocol over Secure Socket Layer）是以安全为目标的 HTTP 协议，在 HTTP 的基础上通过传输加密和身份认证的方式保证了传输过程的安全性。其工作流程如下： - -① 客户端发起一个 HTTPS 请求，并连接到服务器的 443 端口，发送的信息主要包括自身所支持的算法列表和密钥长度等； - -② 服务端将自身所支持的所有加密算法与客户端的算法列表进行对比并选择一种支持的加密算法，然后将它和其它密钥组件一同发送给客户端。 - -③ 服务器向客户端发送一个包含数字证书的报文，该数字证书中包含证书的颁发机构、过期时间、服务端的公钥等信息。 - -④ 最后服务端发送一个完成报文通知客户端 SSL 的第一阶段已经协商完成。 - -⑤ SSL 第一次协商完成后，客户端发送一个回应报文，报文中包含一个客户端生成的随机密码串，称为 pre_master_secre，并且该报文是经过证书中的公钥加密过的。 - -⑥ 紧接着客户端会发送一个报文提示服务端在此之后的报文是采用pre_master_secre 加密的。 - -⑦ 客户端向服务端发送一个 finish 报文，这次握手中包含第一次握手至今所有报文的整体校验值，最终协商是否完成取决于服务端能否成功解密。 - -⑧ 服务端同样发送与第 ⑥ 步中相同作用的报文，已让客户端进行确认，最后发送 finish 报文告诉客户端自己能够正确解密报文。 - -当服务端和客户端的 finish 报文交换完成之后，SSL 连接就算建立完成了，之后就进行和 HTTP 相同的通信过程，唯一不同的是在 HTTP 通信过程中并不是采用明文传输，而是采用对称加密的方式，其中对称密钥已经在 SSL 的建立过程中协商好了。 - -### 9. HTTPS 和 HTTP 的区别 - -1. HTTP 协议以明文方式发送内容，数据都是未加密的，安全性较差。HTTPS 数据传输过程是加密的，安全性较好。 -2. HTTP 和 HTTPS 使用的是完全不同的连接方式，用的端口也不一样，前者是 80 端口，后者是 443 端口。 -3. HTTPS 协议需要到数字认证机构（Certificate Authority, CA）申请证书，一般需要一定的费用。 -4. HTTP 页面响应比 HTTPS 快，主要因为 HTTP 使用 3 次握手建立连接，客户端和服务器需要握手 3 次，而 HTTPS 除了 TCP 的 3 次握手，还需要经历一个 SSL 协商过程。 - -### 10. HTTPS 的加密方式 - -HTTPS 采用对称加密和非对称加密相结合的方式，首先使用 SSL/TLS 协议进行加密传输，为了弥补非对称加密的缺点，HTTPS 采用证书来进一步加强非对称加密的安全性，通过非对称加密，客户端和服务端协商好之后进行通信传输的对称密钥，后续的所有信息都通过该对称秘钥进行加密解密，完成整个 HTTPS 的流程。 - -### 11. 客户端为什么信任第三方证书 - -假设中间人篡改了证书原文，由于他没有 CA 机构的私钥，所以无法得到此时加密后的签名，因此无法篡改签名。客户端浏览器收到该证书后会发现原文和签名解密后的值不一致，则说明证书被中间人篡改，证书不可信，从而终止向服务器传输信息。 - -上述过程说明证书无法被篡改，我们考虑更严重的情况，例如中间人拿到了 CA 机构认证的证书，它想窃取网站 A 发送给客户端的信息，于是它成为中间人拦截到了 A 传给客户端的证书，然后将其替换为自己的证书。此时客户端浏览器收到的是被中间人掉包后的证书，但由于证书里包含了客户端请求的网站信息，因此客户端浏览器只需要把证书里的域名与自己请求的域名比对一下就知道证书有没有被掉包了。 - -### 12. HTTP 是不保存状态的协议,如何保存用户状态 - -我们知道，假如某个特定的客户机在短时间内两次请求同一个对象，服务器并不会因为刚刚为该用户提供了该对象就不再做出反应，而是重新发送该对象，就像该服务器已经完全忘记不久之前所做过的事一样。因为一个 HTTP 服务器并不保存关于客户机的任何信息，所以我们说 HTTP 是一个无状态协议。 - -通常有两种解决方案： - -① 基于 Session 实现的会话保持 - -在客户端第一次向服务器发送 HTTP 请求后，服务器会创建一个 Session 对象并将客户端的身份信息以键值对的形式存储下来，然后分配一个会话标识（SessionId）给客户端，这个会话标识一般保存在客户端 Cookie 中，之后每次该浏览器发送 HTTP 请求都会带上 Cookie 中的 SessionId 到服务器，服务器根据会话标识就可以将之前的状态信息与会话联系起来，从而实现会话保持。 - -优点：安全性高，因为状态信息保存在服务器端。 - -缺点：由于大型网站往往采用的是分布式服务器，浏览器发送的 HTTP 请求一般要先通过负载均衡器才能到达具体的后台服务器，倘若同一个浏览器两次 HTTP 请求分别落在不同的服务器上时，基于 Session 的方法就不能实现会话保持了。 - -【解决方法：采用中间件，例如 Redis，我们通过将 Session 的信息存储在 Redis 中，使得每个服务器都可以访问到之前的状态信息】 - -② 基于 Cookie 实现的会话保持 - -当服务器发送响应消息时，在 HTTP 响应头中设置 Set-Cookie 字段，用来存储客户端的状态信息。客户端解析出 HTTP 响应头中的字段信息，并根据其生命周期创建不同的 Cookie，这样一来每次浏览器发送 HTTP 请求的时候都会带上 Cookie 字段，从而实现状态保持。基于 Cookie 的会话保持与基于 Session 实现的会话保持最主要的区别是前者完全将会话状态信息存储在浏览器 Cookie 中。 - -优点：服务器不用保存状态信息， 减轻服务器存储压力，同时便于服务端做水平拓展。 - -缺点：该方式不够安全，因为状态信息存储在客户端，这意味着不能在会话中保存机密数据。除此之外，浏览器每次发起 HTTP 请求时都需要发送额外的 Cookie 到服务器端，会占用更多带宽。 - -拓展：Cookie被禁用了怎么办？ - -若遇到 Cookie 被禁用的情况，则可以通过重写 URL 的方式将会话标识放在 URL 的参数里，也可以实现会话保持。 - -### 13. 状态码 - -HTTP 状态码由三个十进制数字组成，第一个数字定义了状态码的类型，后两个并没有起到分类的作用。HTTP 状态码共有 5 种类型： ![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/3e82615c74cb403dbc7e1ac4ba5c9c5d~tplv-k3u1fbpfcp-watermark.awebp) - -面试时针对状态码的常见问法： - -① 状态码 301 和 302 的区别？ - -301：永久移动。请求的资源已被永久的移动到新的URI，旧的地址已经被永久的删除了。返回信息会包括新的URI，浏览器会自动定向到新的URI。今后新的请求都应使用新的URI代替。 - -302：临时移动。与301类似，客户端拿到服务端的响应消息后会跳转到一个新的 URL 地址。但资源只是临时被移动，旧的地址还在，客户端应继续使用原有URI。 - -② HTTP 异常状态码知道哪些？ - -该问题一般只需要回答 3, 4 , 5 开头的一些常见异常状态码即可。 - -### 14. HTTP/1.1 和 HTTP/1.0 的区别 - -主要区别如下： - -缓存处理：在 HTTP/1.0 中主要使用 header 里的 if-modified-Since, Expries 来做缓存判断的标准。而 HTTP/1.1 请求头中添加了更多与缓存相关的字段，从而支持更为灵活的缓存策略，例如 Entity-tag, If-Unmodified-Since, If-Match, If-None-Match 等可供选择的缓存头来控制缓存策略。 - -节约带宽： 当客户端请求某个资源时，HTTP/1.0 默认将该资源相关的整个对象传送给请求方，但很多时候可能客户端并不需要对象的所有信息。而在 HTTP/1.1 的请求头中引入了 range 头域，它允许只请求部分资源，其使得开发者可以多线程请求某一资源，从而充分的利用带宽资源，实现高效并发。 - -错误通知的管理：HTTP/1.1 在 1.0 的基础上新增了 24 个错误状态响应码，例如 414 表示客户端请求中所包含的 URL 地址太长，以至于服务器无法处理；410 表示所请求的资源已经被永久删除。 - -Host 请求头：早期 HTTP/1.0 中认为每台服务器都绑定一个唯一的 IP 地址并提供单一的服务，请求消息中的 URL 并没有传递主机名。而随着虚拟主机的出现，一台物理服务器上可以存在多个虚拟主机，并且它们共享同一个 IP 地址。为了支持虚拟主机，HTTP/1.1 中添加了 host 请求头，请求消息和响应消息中应声明这个字段，若请求消息中缺少该字段时服务端会响应一个 404 错误状态码。 - -长连接：HTTP/1.0 默认浏览器和服务器之间保持短暂连接，浏览器的每次请求都需要与服务器建立一个 TCP 连接，服务器完成后立即断开 TCP 连接。HTTP/1.1 默认使用的是持久连接，其支持在同一个 TCP 请求中传送多个 HTTP 请求和响应。此之前的 HTTP 版本的默认连接都是使用非持久连接，如果想要在旧版本的 HTTP 协议上维持持久连接，则需要指定 Connection 的首部字段的值为 Keep-Alive。 - -### 15. HTTP/1.X 和 HTTP/2.0 的区别 - -1. 相比于 HTTP/1.X 的文本（字符串）传送， HTTP/2.0 采用二进制传送。客户端和服务器传输数据时把数据分成帧，帧组成了数据流，流具有流 ID 标识和优先级，通过优先级以及流依赖能够一定程度上解决关键请求被阻塞的问题。 -2. HTTP/2.0 支持多路复用。因为流 ID 的存在， 通过同一个 HTTP 请求可以实现多个 HTTP 请求传输，客户端和服务器可以通过流 ID 来标识究竟是哪个流从而定位到是哪个 HTTP 请求。 -3. HTTP/2.0 头部压缩。HTTP/2.0 通过 gzip 和 compress 压缩头部然后再发送，同时通信双方会维护一张头信息表，所有字段都记录在这张表中，在每次 HTTP 传输时只需要传头字段在表中的索引即可，大大减小了重传次数和数据量。 -4. HTTP/2.0 支持服务器推送。 服务器在客户端未经请求许可的情况下，可预先向客户端推送需要的内容，客户端在退出服务时可通过发送复位相关的请求来取消服务端的推送。 - -### 16. HTTP/3 了解吗 - -HTTP/2 存在的问题 - -我们知道，传统 Web 平台的数据传输都基于 TCP 协议，而 TCP 协议在创建连接之前不可避免的需要三次握手，如果需要提高数据交互的安全性，即增加传输层安全协议（TLS），还会增加更多的握手次数。 HTTP 从 1.0 到 2.0，其传输层都是基于 TCP 协议的。即使是带来巨大性能提升的 HTTP/2，也无法完全解决 TCP 协议存在的固有问题（慢启动，拥塞窗口尺寸的设置等）。此外，HTTP/2 多路复用只是减少了连接数，其队头的拥塞问题并没有完全解决，倘若 TCP 丢包率过大，则 HTTP/2 的表现将不如 HTTP/1.1。 - -QUIC 协议 - -QUIC（Quick UDP Internet Connections），直译为快速 UDP 网络连接，是谷歌制定的一种基于 UDP 的低延迟传输协议。其主要目的是解决采用传输层 TCP 协议存在的问题，同时满足传输层和应用层对多连接、低延迟等的需求。该协议融合了 TCP, TLS, HTTP/2 等协议的特性，并基于 UDP传输。该协议带来的主要提升有： - -低延迟连接。当客户端第一次连接服务器时，QUIC 只需要 1 RTT（Round-Trid Time）延迟就可以建立安全可靠的连接（采用 TLS 1.3 版本），相比于 TCP + TLS 的 3 次 RTT 要更加快捷。之后，客户端可以在本地缓存加密的认证信息，当再次与服务器建立连接时可以实现 0 RTT 的连接建立延迟。 - -QUIC 复用了 HTTP/2 协议的多路复用功能，由于 QUIC 基于 UDP，所以也避免了 HTTP/2存在的队头阻塞问题。 - -基于 UDP 协议的 QUIC 运行在用户域而不是系统内核，这使得 QUIC 协议可以快速的更新和部署，从而很好地解决了 TPC 协议部署及更新的困难。 - -QUIC 的报文是经过加密和认证的，除了少量的报文，其它所有的 QUIC 报文头部都经过了认证，报文主体经过了加密。只要有攻击者篡改 QUIC 报文，接收端都能及时发现。 - -具有向前纠错机制，每个数据包携带了除了本身内容外的部分其他数据包的内容，使得在出现少量丢包的情况下，尽量地减少其它包的重传次数，其通过牺牲单个包所携带的有效数据大小换来更少的重传次数，这在丢包数量较小的场景下能够带来一定程度的性能提升。 - -HTTP/3 - -HTTP/3 是在 QUIC 基础上发展起来的，其底层使用 UDP 进行数据传输，上层仍然使用 HTTP/2。在 UDP 与 HTTP/2 之间存在一个 QUIC 层，其中 TLS 加密过程在该层进行处理。HTTP/3 主要有以下几个特点： - -① 使用 UDP 作为传输层进行通信； - -② 在 UDP 之上的 QUIC 协议保证了 HTTP/3 的安全性。QUIC 在建立连接的过程中就完成了 TLS 加密握手； - -③ 建立连接快，正常只需要 1 RTT 即可建立连接。如果有缓存之前的会话信息，则直接验证和建立连接，此过程 0 RTT。建立连接时，也可以带有少量业务数据； - -④ 不和具体底层连接绑定，QUIC 为每个连接的两端分别分配了一个唯一 ID，上层连接只认这对逻辑 ID。网络切换或者断连时，只需要继续发送数据包即可完成连接的建立； - -⑤ 使用 QPACK 进行头部压缩，因为 在 HTTP/2 中的 HPACK 要求传输过程有序，这会导致队头阻塞，而 QPACK 不存在这个问题。 - -最后我们使用一张图来清晰的表示出 HTTP 协议的发展变化： ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/1ef086415a1b455d98f8b4a74daff170~tplv-k3u1fbpfcp-watermark.awebp) - -### 17. DNS 的作用和原理 - -DNS - -DNS（Domain Name System）是域名系统的英文缩写，是一种组织成域层次结构的计算机和网络服务命名系统，用于 TCP/IP 网络。 - -DNS 的作用 - -通常我们有两种方式识别主机：通过主机名或者 IP 地址。人们喜欢便于记忆的主机名表示，而路由器则喜欢定长的、有着层次结构的 IP 地址。为了满足这些不同的偏好，我们就需要一种能够进行主机名到 IP 地址转换的目录服务，域名系统作为将域名和 IP 地址相互映射的一个分布式数据库，能够使人更方便地访问互联网。 - -DNS 域名解析原理 - -DNS 采用了分布式的设计方案，其域名空间采用一种树形的层次结构： ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/86c84543fb6c40149ec721b5f015247d~tplv-k3u1fbpfcp-watermark.awebp) - -上图展示了 DNS 服务器的部分层次结构，从上到下依次为根域名服务器、顶级域名服务器和权威域名服务器。其实根域名服务器在因特网上有13个，大部分位于北美洲。第二层为顶级域服务器，这些服务器负责顶级域名（如 com、org、net、edu）和所有国家的顶级域名（如uk、fr、ca 和 jp）。在第三层为权威 DNS 服务器，因特网上具有公共可访问主机（例如 Web 服务器和邮件服务器）的每个组织机构必须提供公共可访问的 DNS 记录，这些记录由组织机构的权威 DNS 服务器负责保存，这些记录将这些主机的名称映射为 IP 地址。 - -除此之外，还有一类重要的 DNS 服务器，叫做本地 DNS 服务器。本地 DNS 服务器严格来说不在 DNS 服务器的层次结构中，但它对 DNS 层次结构是很重要的。一般来说，每个网络服务提供商（ISP） 都有一台本地 DNS 服务器。当主机与某个 ISP 相连时，该 ISP 提供一台主机的 IP 地址，该主机具有一台或多台其本地 DNS 服务器的 IP 地址。主机的本地 DNS 服务器通常和主机距离较近，当主机发起 DNS 请求时，该请求被发送到本地 DNS 服务器，它起着代理的作用，并将该请求转发到 DNS 服务器层次结构中。 - -我们以一个例子来了解 DNS 的工作原理，假设主机 A（IP 地址为 abc.xyz.edu） 想知道主机 B 的 IP 地址 （def.mn.edu），如下图所示，主机 A 首先向它的本地 DNS 服务器发送一个 DNS 查询报文。该查询报文含有被转换的主机名 def.mn.edu。本地 DNS 服务器将该报文转发到根 DNS 服务器，根 DNS 服务器注意到查询的 IP 地址前缀为 edu 后向本地 DNS 服务器返回负责 edu 的顶级域名服务器的 IP 地址列表。该本地 DNS 服务器则再次向这些 顶级域名服务器发送查询报文。该顶级域名服务器注意到 mn.edu 的前缀，并用权威域名服务器的 IP 地址进行响应。通常情况下，顶级域名服务器并不总是知道每台主机的权威 DNS 服务器的 IP 地址，而只知道中间的某个服务器，该中间 DNS 服务器依次能找到用于相应主机的 IP 地址，我们假设中间经历了权威服务器 ① 和 ②，最后找到了负责 def.mn.edu 的权威 DNS 服务器 ③，之后，本地 DNS 服务器直接向该服务器发送查询报文从而获得主机 B 的IP 地址。 - -![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/f6dba7c39fd1418aa3f8b007771b0953~tplv-k3u1fbpfcp-watermark.awebp) - -在上图中，IP 地址的查询其实经历了两种查询方式，分别是递归查询和迭代查询。 - -**拓展：域名解析查询的两种方式** - -**递归查询**：如果主机所询问的本地域名服务器不知道被查询域名的 IP 地址，那么本地域名服务器就以 DNS 客户端的身份，向其他根域名服务器继续发出查询请求报文，即替主机继续查询，而不是让主机自己进行下一步查询，如上图步骤（1）和（10）。 - -**迭代查询**：当根域名服务器收到本地域名服务器发出的迭代查询请求报文时，要么给出所要查询的 IP 地址，要么告诉本地服务器下一步应该找哪个域名服务器进行查询，然后让本地服务器进行后续的查询，如上图步骤（2）~（9）。 - -### 19. DNS 为什么用 UDP - -DNS 既使用 TCP 又使用 UDP。 - -当进行区域传送（主域名服务器向辅助域名服务器传送变化的那部分数据）时会使用 TCP，因为数据同步传送的数据量比一个请求和应答的数据量要多，而 TCP 允许的报文长度更长，因此为了保证数据的正确性，会使用基于可靠连接的 TCP。 - -当客户端向 DNS 服务器查询域名 ( 域名解析) 的时候，一般返回的内容不会超过 UDP 报文的最大长度，即 512 字节。用 UDP 传输时，不需要经过 TCP 三次握手的过程，从而大大提高了响应速度，但这要求域名解析器和域名服务器都必须自己处理超时和重传从而保证可靠性。 - -### 20. 怎么实现 DNS 劫持 - -DNS 劫持即域名劫持，是通过将原域名对应的 IP 地址进行替换从而使得用户访问到错误的网站或者使得用户无法正常访问网站的一种攻击方式。域名劫持往往只能在特定的网络范围内进行，范围外的 DNS 服务器能够返回正常的 IP 地址。攻击者可以冒充原域名所属机构，通过电子邮件的方式修改组织机构的域名注册信息，或者将域名转让给其它组织，并将新的域名信息保存在所指定的 DNS 服务器中，从而使得用户无法通过对原域名进行解析来访问目的网址。 - -具体实施步骤如下： - -① 获取要劫持的域名信息：攻击者首先会访问域名查询站点查询要劫持的域名信息。 - -② 控制域名相应的 E-MAIL 账号：在获取到域名信息后，攻击者通过暴力破解或者专门的方法破解公司注册域名时使用的 E-mail 账号所对应的密码。更高级的攻击者甚至能够直接对 E-mail 进行信息窃取。 - -③ 修改注册信息：当攻击者破解了 E-MAIL 后，会利用相关的更改功能修改该域名的注册信息，包括域名拥有者信息，DNS 服务器信息等。 - -④ 使用 E-MAIL 收发确认函：在修改完注册信息后，攻击者在 E-mail 真正拥有者之前收到修改域名注册信息的相关确认信息，并回复确认修改文件，待网络公司恢复已成功修改信件后，攻击者便成功完成 DNS 劫持。 - -**用户端的一些预防手段：** - -直接通过 IP 地址访问网站，避开 DNS 劫持。 由于域名劫持往往只能在特定的网络范围内进行，因此一些高级用户可以通过网络设置让 DNS 指向正常的域名服务器以实现对目的网址的正常访问，例如将计算机首选 DNS 服务器的地址固定为 8.8.8.8。 - -### 21. socket() 套接字有哪些 - -套接字（Socket）是对网络中不同主机上的应用进程之间进行双向通信的端点的抽象，网络进程通信的一端就是一个套接字，不同主机上的进程便是通过套接字发送报文来进行通信。例如 TCP 用主机的 IP 地址 + 端口号作为 TCP 连接的端点，这个端点就叫做套接字。 - -套接字主要有以下三种类型： - -1. 流套接字（SOCK_STREAM）：流套接字基于 TCP 传输协议，主要用于提供面向连接、可靠的数据传输服务。由于 TCP 协议的特点，使用流套接字进行通信时能够保证数据无差错、无重复传送，并按顺序接收，通信双方不需要在程序中进行相应的处理。 -2. 数据报套接字（SOCK_DGRAM）：和流套接字不同，数据报套接字基于 UDP 传输协议，对应于无连接的 UDP 服务应用。该服务并不能保证数据传输的可靠性，也无法保证对端能够顺序接收到数据。此外，通信两端不需建立长时间的连接关系，当 UDP 客户端发送一个数据给服务器后，其可以通过同一个套接字给另一个服务器发送数据。当用 UDP 套接字时，丢包等问题需要在程序中进行处理。 -3. 原始套接字（SOCK_RAW）：由于流套接字和数据报套接字只能读取 TCP 和 UDP 协议的数据，当需要传送非传输层数据包（例如 Ping 命令时用的 ICMP 协议数据包）或者遇到操作系统无法处理的数据包时，此时就需要建立原始套接字来发送。 - -### 22. URI（统一资源标识符）和 URL（统一资源定位符）之间的区别 - -URL，即统一资源定位符 (Uniform Resource Locator )，URL 其实就是我们平时上网时输入的网址，它标识一个互联网资源，并指定对其进行操作或获取该资源的方法。例如 [leetcode-cn.com/problemset/…](https://link.juejin.cn/?target=https%3A%2F%2Fleetcode-cn.com%2Fproblemset%2Fall%2F) 这个 URL，标识一个特定资源并表示该资源的某种形式是可以通过 HTTP 协议从相应位置获得。 - -从定义即可看出，URL 是 URI 的一个子集，两者都定义了资源是什么，而 URL 还定义了如何能访问到该资源。URI 是一种语义上的抽象概念，可以是绝对的，也可以是相对的，而 URL 则必须提供足够的信息来定位，是绝对的。简单地说，只要能唯一标识资源的就是 URI，在 URI 的基础上给出其资源的访问方式的就是 URL。 - -### 23. 为什么 fidder，charles 能抓到你的包【抓取数据包的过程】 - -假如我们需要抓取客户端的数据包，需要监控客户端与服务器交互之间的网络节点，监控其中任意一个网络节点（网卡），获取所有经过网卡中的数据，对这些数据按照网络协议进行解析，这就是抓包的基本原理。而中间的网络节点不受我们控制，是基本无法实现抓包的，因此只能在客户端与服务器之间进行抓包。 - -① 当采用抓包工具抓取 HTTP 数据包时，过程较为简单： - -首先抓包工具会提出代理服务，客户端需要连接该代理； 客户端发出 HTTP 请求时，会经过抓包工具的代理，抓包工具将请求的原文进行展示； 抓包工具使用该原文将请求发送给服务器； 服务器返回结果给抓包工具，抓包工具将返回结果进行展示； 抓包工具将服务器返回的结果原样返回给客户端。 这里抓包工具相当于透明人，数据经过的时候它一只手接到数据，然后另一只手把数据传出去。 - -② 当抓取 HTTPS 数据包时： - -- 客户端连接抓包工具提供的代理服务，并安装抓包工具的根证书； -- 客户端发出 HTTPS 请求，抓包工具模拟服务器与客户端进行 TLS 握手交换密钥等流程； -- 抓包工具发送一个 HTTPS 请求给客户端请求的目标服务器，并与目标服务器进行 TLS 握手交换密钥等流程； -- 客户端使用与抓包工具协定好的密钥加密数据后发送给抓包工具； -- 抓包工具使用与客户端协定好的密钥解密数据，并将结果进行展示； -- 抓包工具将解密后的客户端数据，使用与服务器协定好的密钥进行加密后发送给目标服务器； -- 服务器解密数据后，做对应的逻辑处理，然后将返回结果使用与抓包工具协定好的密钥进行加密发送给抓包工具； -- 抓包工具将服务器返回的结果，用与服务器协定好的密钥解密，并将结果进行展示； -- 抓包工具将解密后的服务器返回数据，使用与客户端协定好的密钥进行加密后发送给客户端； -- 客户端解密数据。 - -这个时候抓包工具对客户端来说相当于服务器，对服务器来说相当于客户端。在这个传输过程中，客户端会以为它就是目标服务器，服务器也会以为它就是请求发起的客户端。 - -### 24. 如果你访问一个网站很慢，怎么排查和解决 - -网页打开速度慢的原因有很多，这里列举出一些较常出现的问题： - -① 首先最直接的方法是查看本地网络是否正常，可以通过网络测速软件例如电脑管家等对电脑进行测速，若网速正常，我们查看网络带宽是否被占用，例如当你正在下载电影时并且没有限速，是会影响你打开网页的速度的，这种情况往往是处理器内存小导致的； - -② 当网速测试正常时，我们对网站服务器速度进行排查，通过 ping 命令查看链接到服务器的时间和丢包等情况，一个速度好的机房，首先丢包率不能超过 1%，其次 ping 值要小，最后是 ping 值要稳定，如最大和最小差值过大说明路由不稳定。或者我们也可以查看同台服务器上其他网站的打开速度，看是否其他网站打开也慢。 - -③ 如果网页打开的速度时快时慢，甚至有时候打不开，有可能是空间不稳定的原因。当确定是该问题时，就要找你的空间商解决或换空间商了，如果购买空间的话，可选择购买购买双线空间或多线空间；如果是在有的地方打开速度快，有的地方打开速度慢，那应该是网络线路的问题。电信线路用户访问放在联通服务器的网站，联通线路用户访问放在电信服务器上的网站，相对来说打开速度肯定是比较慢。 - -④ 从网站本身找原因。网站的问题主要包括网站程序设计、网页设计结构和网页内容三个部分。 - -- 网站程序设计：当访问网页中有拖慢网站打开速度的代码，会影响网页的打开速度，例如网页中的统计代码，我们最好将其放在网站的末尾。因此我们需要查看网页程序的设计结构是否合理； -- 网页设计结构：如果是 table 布局的网站，查看是否嵌套次数太多，或是一个大表格分成多个表格这样的网页布局，此时我们可以采用 div 布局并配合 css 进行优化。 -- 网页内容：查看网页中是否有许多尺寸大的图片或者尺寸大的 flash 存在，我们可以通过降低图片质量，减小图片尺寸，少用大型 flash 加以解决。此外，有的网页可能过多地引用了其他网站的内容，若某些被引用的网站访问速度慢，或者一些页面已经不存在了，打开的速度也会变慢。一种直接的解决方法是去除不必要的加载项。 - -### 25. 其他协议 - -对于应用层来说，考察的重点集中在 HTTP 协议和 DNS 这两块，其他协议考察较少，我们仅加以了解即可。 - -**FTP** - -- FTP（File Transfer Protocol，文件传输协议）是用于在网络上进行文件传输的一套标准协议，使用客户/服务器模式，使用 TCP 数据报，提供交互式访问，双向传输。 -- TFTP（Trivial File Transfer Protocol，简单文件传输协议）一个小且易实现的文件传输协议，也使用客户/服务器方式，使用 UDP 数据报，只支持文件传输而不支持交互，没有列目录，不能对用户进行身份鉴定。 - -**SMTP** SMTP（Simple Main Transfer Protocol，简单邮件传输协议）是在 Internet 传输 Email 的标准，是一个相对简单的基于文本的协议。在其之上指定了一条消息的一个或多个接收者（在大多数情况下被确认是存在的），然后消息文本会被传输。可以很简单地通过 Telnet 程序来测试一个 SMTP 服务器。SMTP 使用 TCP 端口 25。 - -**DHCP** - -DHCP ( Dynamic Host Configuration Protocol，动态主机设置协议 ) 是一个局域网的网络协议，使用 UDP 协议工作，主要有两个用途： - -用于内部网络或网络服务供应商自动分配 IP 地址给用户 用于内部网络管理员作为对所有电脑作中央管理的手段 - -**SNMP** - -SNMP（Simple Network Management Protocol，简单网络管理协议）构成了互联网工程工作小组（IETF，Internet Engineering Task Force）定义的 Internet 协议族的一部分。该协议能够支持网络管理系统，用以监测连接到网络上的设备是否有任何引起管理上关注的情况。 - -### 26. 网页解析全过程【用户输入网址到显示对应页面的全过程】 - -![img](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/dadeadd36a41416bb7f89026d68b6a77~tplv-k3u1fbpfcp-watermark.awebp) ① DNS 解析：当用户输入一个网址并按下回车键的时候，浏览器获得一个域名，而在实际通信过程中，我们需要的是一个 IP 地址，因此我们需要先把域名转换成相应 IP 地址。【具体细节参看问题 16，17】 - -② TCP 连接：浏览器通过 DNS 获取到 Web 服务器真正的 IP 地址后，便向 Web 服务器发起 TCP 连接请求，通过 TCP 三次握手建立好连接后，浏览器便可以将 HTTP 请求数据发送给服务器了。【三次握手放在传输层详细讲解】 - -③ 发送 HTTP 请求：浏览器向 Web 服务器发起一个 HTTP 请求，HTTP 协议是建立在 TCP 协议之上的应用层协议，其本质是在建立起的TCP连接中，按照HTTP协议标准发送一个索要网页的请求。在这一过程中，会涉及到负载均衡等操作。 - -**拓展：什么是负载均衡？** - -负载均衡，英文名为 Load Balance，其含义是指将负载（工作任务）进行平衡、分摊到多个操作单元上进行运行，例如 FTP 服务器、Web 服务器、企业核心服务器和其他主要任务服务器等，从而协同完成工作任务。负载均衡建立在现有的网络之上，它提供了一种透明且廉价有效的方法扩展服务器和网络设备的带宽、增加吞吐量、加强网络处理能力并提高网络的灵活性和可用性。 - -负载均衡是分布式系统架构设计中必须考虑的因素之一，例如天猫、京东等大型用户网站中为了处理海量用户发起的请求，其往往采用分布式服务器，并通过引入反向代理等方式将用户请求均匀分发到每个服务器上，而这一过程所实现的就是负载均衡。 - -④ 处理请求并返回：服务器获取到客户端的 HTTP 请求后，会根据 HTTP 请求中的内容来决定如何获取相应的文件，并将文件发送给浏览器。 - -⑤ 浏览器渲染：浏览器根据响应开始显示页面，首先解析 HTML 文件构建 DOM 树，然后解析 CSS 文件构建渲染树，等到渲染树构建完成后，浏览器开始布局渲染树并将其绘制到屏幕上。 - -⑥ 断开连接：客户端和服务器通过四次挥手终止 TCP 连接。【其中的细节放在传输层详细讲解】 - -## 三：传输层 - -### 1. 三次握手和四次挥手机制 - -**三次握手** ![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/e43a8e15606d4ff7b5cc4c41361d5d1d~tplv-k3u1fbpfcp-watermark.awebp) 三次握手是 TCP 连接的建立过程。在握手之前，主动打开连接的客户端结束 CLOSE 阶段，被动打开的服务器也结束 CLOSE 阶段，并进入 LISTEN 阶段。随后进入三次握手阶段： - -① 首先客户端向服务器发送一个 SYN 包，并等待服务器确认，其中： - -- 标志位为 SYN，表示请求建立连接； -- 序号为 Seq = x（x 一般为 1）； -- 随后客户端进入 SYN-SEND 阶段。 - -② 服务器接收到客户端发来的 SYN 包后，对该包进行确认后结束 LISTEN 阶段，并返回一段 TCP 报文，其中： - -- 标志位为 SYN 和 ACK，表示确认客户端的报文 Seq 序号有效，服务器能正常接收客户端发送的数据，并同意创建新连接； -- 序号为 Seq = y； -- 确认号为 Ack = x + 1，表示收到客户端的序号 Seq 并将其值加 1 作为自己确认号 Ack 的值，随后服务器端进入 SYN-RCVD 阶段。 - -③ 客户端接收到发送的 SYN + ACK 包后，明确了从客户端到服务器的数据传输是正常的，从而结束 SYN-SENT 阶段。并返回最后一段报文。其中： - -- 标志位为 ACK，表示确认收到服务器端同意连接的信号； -- 序号为 Seq = x + 1，表示收到服务器端的确认号 Ack，并将其值作为自己的序号值； -- 确认号为 Ack= y + 1，表示收到服务器端序号 seq，并将其值加 1 作为自己的确认号 Ack 的值。 -- 随后客户端进入 ESTABLISHED。 - -当服务器端收到来自客户端确认收到服务器数据的报文后，得知从服务器到客户端的数据传输是正常的，从而结束 SYN-SEND 阶段，进入 ESTABLISHED 阶段，从而完成三次握手。 - -**四次挥手：** ![img](https://p1-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/8d9f6dd8c3c14e4fb2f3c6f303df5e8e~tplv-k3u1fbpfcp-watermark.awebp) 四次挥手即 TCP 连接的释放，这里假设客户端主动释放连接。在挥手之前主动释放连接的客户端结束 ESTABLISHED 阶段，随后开始四次挥手： - -① 首先客户端向服务器发送一段 TCP 报文表明其想要释放 TCP 连接，其中： - -- 标记位为 FIN，表示请求释放连接； -- 序号为 Seq = u； -- 随后客户端进入 FIN-WAIT-1 阶段，即半关闭阶段，并且停止向服务端发送通信数据。 - -② 服务器接收到客户端请求断开连接的 FIN 报文后，结束 ESTABLISHED 阶段，进入 CLOSE-WAIT 阶段并返回一段 TCP 报文，其中： - -- 标记位为 ACK，表示接收到客户端释放连接的请求； -- 序号为 Seq = v； -- 确认号为 Ack = u + 1，表示是在收到客户端报文的基础上，将其序号值加 1 作为本段报文确认号 Ack 的值； -- 随后服务器开始准备释放服务器端到客户端方向上的连接。 -- 客户端收到服务器发送过来的 TCP 报文后，确认服务器已经收到了客户端连接释放的请求，随后客户端结束 FIN-WAIT-1 阶段，进入 FIN-- WAIT-2 阶段。 - -③ 服务器端在发出 ACK 确认报文后，服务器端会将遗留的待传数据传送给客户端，待传输完成后即经过 CLOSE-WAIT 阶段，便做好了释放服务器端到客户端的连接准备，再次向客户端发出一段 TCP 报文，其中： - -- 标记位为 FIN 和 ACK，表示已经准备好释放连接了； -- 序号为 Seq = w； -- 确认号 Ack = u + 1，表示是在收到客户端报文的基础上，将其序号 Seq 的值加 1 作为本段报文确认号 Ack 的值。 -- 随后服务器端结束 CLOSE-WAIT 阶段，进入 LAST-ACK 阶段。并且停止向客户端发送数据。 - -④ 客户端收到从服务器发来的 TCP 报文，确认了服务器已经做好释放连接的准备，于是结束 FIN-WAIT-2 阶段，进入 TIME-WAIT 阶段，并向服务器发送一段报文，其中： - -- 标记位为 ACK，表示接收到服务器准备好释放连接的信号； -- 序号为 Seq= u + 1，表示是在已收到服务器报文的基础上，将其确认号 Ack 值作为本段序号的值； -- 确认号为 Ack= w + 1，表示是在收到了服务器报文的基础上，将其序号 Seq 的值作为本段报文确认号的值。 - -随后客户端开始在 TIME-WAIT 阶段等待 2 MSL。服务器端收到从客户端发出的 TCP 报文之后结束 LAST-ACK 阶段，进入 CLOSED 阶段。由此正式确认关闭服务器端到客户端方向上的连接。客户端等待完 2 MSL 之后，结束 TIME-WAIT 阶段，进入 CLOSED 阶段，由此完成「四次挥手」。 - -### 2. 如果三次握手的时候每次握手信息对方没有收到会怎么样 - -- 若第一次握手服务器未接收到客户端请求建立连接的数据包时，服务器不会进行任何相应的动作，而客户端由于在一段时间内没有收到服务器发来的确认报文， 因此会等待一段时间后重新发送 SYN 同步报文，若仍然没有回应，则重复上述过程直到发送次数超过最大重传次数限制后，建立连接的系统调用会返回 -1。 -- 若第二次握手客户端未接收到服务器回应的 ACK 报文时，客户端会采取第一次握手失败时的动作，这里不再重复，而服务器端此时将阻塞在 accept() 系统调用处等待 client 再次发送 ACK 报文。 -- 若第三次握手服务器未接收到客户端发送过来的 ACK 报文，同样会采取类似于客户端的超时重传机制，若重传次数超过限制后仍然没有回应，则 accep() 系统调用返回 -1，服务器端连接建立失败。但此时客户端认为自己已经连接成功了，因此开始向服务器端发送数据，但是服务器端的 accept() 系统调用已返回，此时没有在监听状态。因此服务器端接收到来自客户端发送来的数据时会发送 RST 报文给 客户端，消除客户端单方面建立连接的状态。 - -### 3. 为什么要进行三次握手？两次握手可以吗？ - -三次握手的主要目的是确认自己和对方的发送和接收都是正常的，从而保证了双方能够进行可靠通信。若采用两次握手，当第二次握手后就建立连接的话，此时客户端知道服务器能够正常接收到自己发送的数据，而服务器并不知道客户端是否能够收到自己发送的数据。 - -我们知道网络往往是非理想状态的（存在丢包和延迟），当客户端发起创建连接的请求时，如果服务器直接创建了这个连接并返回包含 SYN、ACK 和 Seq 等内容的数据包给客户端，这个数据包因为网络传输的原因丢失了，丢失之后客户端就一直接收不到返回的数据包。由于客户端可能设置了一个超时时间，一段时间后就关闭了连接建立的请求，再重新发起新的请求，而服务器端是不知道的，如果没有第三次握手告诉服务器客户端能否收到服务器传输的数据的话，服务器端的端口就会一直开着，等到客户端因超时重新发出请求时，服务器就会重新开启一个端口连接。长此以往， 这样的端口越来越多，就会造成服务器开销的浪费。 - -### 4. 第 2 次握手传回了 ACK，为什么还要传回 SYN - -ACK 是为了告诉客户端发来的数据已经接收无误，而传回 SYN 是为了告诉客户端，服务端收到的消息确实是客户端发送的消息。 - -### 5. 为什么要四次挥手？ - -释放 TCP 连接时之所以需要四次挥手，是因为 FIN 释放连接报文和 ACK 确认接收报文是分别在两次握手中传输的。 当主动方在数据传送结束后发出连接释放的通知，由于被动方可能还有必要的数据要处理，所以会先返回 ACK 确认收到报文。当被动方也没有数据再发送的时候，则发出连接释放通知，对方确认后才完全关闭TCP连接。 - -举个例子：A 和 B 打电话，通话即将结束后，A 说“我没啥要说的了”，B回答“我知道了”，但是 B 可能还会有要说的话，A 不能要求 B 跟着自己的节奏结束通话，于是 B 可能又巴拉巴拉说了一通，最后 B 说“我说完了”，A 回答“知道了”，这样通话才算结束。 - -### 6. CLOSE-WAIT 和 TIME-WAIT 的状态和意义 - -在服务器收到客户端关闭连接的请求并告诉客户端自己已经成功收到了该请求之后，服务器进入了 CLOSE-WAIT 状态，然而此时有可能服务端还有一些数据没有传输完成，因此不能立即关闭连接，而 CLOSE-WAIT 状态就是为了保证服务器在关闭连接之前将待发送的数据发送完成。 - -TIME-WAIT 发生在第四次挥手，当客户端向服务端发送 ACK 确认报文后进入该状态，若取消该状态，即客户端在收到服务端的 FIN 报文后立即关闭连接，此时服务端相应的端口并没有关闭，若客户端在相同的端口立即建立新的连接，则有可能接收到上一次连接中残留的数据包，可能会导致不可预料的异常出现。除此之外，假设客户端最后一次发送的 ACK 包在传输的时候丢失了，由于 TCP 协议的超时重传机制，服务端将重发 FIN 报文，若客户端并没有维持 TIME-WAIT 状态而直接关闭的话，当收到服务端重新发送的 FIN 包时，客户端就会用 RST 包来响应服务端，这将会使得对方认为是有错误发生，然而其实只是正常的关闭连接过程，并没有出现异常情况。 - -### 7. TIME_WAIT 状态会导致什么问题，怎么解决 - -我们考虑高并发短连接的业务场景，在高并发短连接的 TCP 服务器上，当服务器处理完请求后主动请求关闭连接，这样服务器上会有大量的连接处于 TIME_WAIT 状态，服务器维护每一个连接需要一个 socket，也就是每个连接会占用一个文件描述符，而文件描述符的使用是有上限的，如果持续高并发，会导致一些正常的 连接失败。 - -解决方案：修改配置或设置 SO_REUSEADDR 套接字，使得服务器处于 TIME-WAIT 状态下的端口能够快速回收和重用。 - -### 8. TIME-WAIT 为什么是 2MSL - -当客户端发出最后的 ACK 确认报文时，并不能确定服务器端能够收到该段报文。所以客户端在发送完 ACK 确认报文之后，会设置一个时长为 2 MSL 的计时器。MSL（Maximum Segment Lifetime），指一段 TCP 报文在传输过程中的最大生命周期。2 MSL 即是服务器端发出 FIN 报文和客户端发出的 ACK 确认报文所能保持有效的最大时长。 - -若服务器在 1 MSL 内没有收到客户端发出的 ACK 确认报文，再次向客户端发出 FIN 报文。如果客户端在 2 MSL 内收到了服务器再次发来的 FIN 报文，说明服务器由于一些原因并没有收到客户端发出的 ACK 确认报文。客户端将再次向服务器发出 ACK 确认报文，并重新开始 2 MSL 的计时。 - -若客户端在 2MSL 内没有再次收到服务器发送的 FIN 报文，则说明服务器正常接收到客户端 ACK 确认报文，客户端可以进入 CLOSE 阶段，即完成四次挥手。 - -所以客户端要经历 2 MSL 时长的 TIME-WAIT 阶段，为的是确认服务器能否接收到客户端发出的 ACK 确认报文。 - -### 9. 有很多 TIME-WAIT 状态如何解决 - -服务器可以设置 SO_REUSEADDR 套接字选项来通知内核，如果端口被占用，但 TCP 连接位于 TIME_WAIT 状态时可以重用端口。如果你的服务器程序停止后想立即重启，而新的套接字依旧希望使用同一端口，此时 SO_REUSEADDR 选项就可以避免 TIME-WAIT 状态。 - -也可以采用长连接的方式减少 TCP 的连接与断开，在长连接的业务中往往不需要考虑 TIME-WAIT 状态，但其实在长连接的业务中并发量一般不会太高。 - -### 10. 有很多 CLOSE-WAIT 怎么解决 - -- 首先检查是不是自己的代码问题（看是否服务端程序忘记关闭连接），如果是，则修改代码。 -- 调整系统参数，包括句柄相关参数和 TCP/IP 的参数，一般一个 CLOSE_WAIT 会维持至少 2 个小时的时间，我们可以通过调整参数来缩短这个时间。 - -### 11. TCP 和 UDP 的区别 - -![img](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/5e26ed2859b241b3be1eb930ec32f356~tplv-k3u1fbpfcp-watermark.awebp) - -### 12. TCP 协议中的定时器 - -TCP中有七种计时器，分别为： - -- 建立连接定时器：顾名思义，该定时器是在建立 TCP 连接的时候使用的，在 TCP 三次握手的过程中，发送方发送 SYN 时，会启动一个定时器（默认为 3 秒），若 SYN 包丢失了，那么 3 秒以后会重新发送 SYN 包，直到达到重传次数。 -- 重传定时器：该计时器主要用于 TCP 超时重传机制中，当TCP 发送报文段时，就会创建特定报文的重传计时器，并可能出现两种情况： - -① 若在计时器截止之前发送方收到了接收方的 ACK 报文，则撤销该计时器； - -② 若计时器截止时间内并没有收到接收方的 ACK 报文，则发送方重传报文，并将计时器复位。 - -- 坚持计时器：我们知道 TCP 通过让接受方指明希望从发送方接收的数据字节数（窗口大小）来进行流量控制，当接收端的接收窗口满时，接收端会告诉发送端此时窗口已满，请停止发送数据。此时发送端和接收端的窗口大小均为0，直到窗口变为非0时，接收端将发送一个 确认 ACK 告诉发送端可以再次发送数据，但是该报文有可能在传输时丢失。若该 ACK 报文丢失，则双方可能会一直等待下去，为了避免这种死锁情况的发生，发送方使用一个坚持定时器来周期性地向接收方发送探测报文段，以查看接收方窗口是否变大。 -- 延迟应答计时器：延迟应答也被称为捎带 ACK，这个定时器是在延迟应答的时候使用的，为了提高网络传输的效率，当服务器接收到客户端的数据后，不是立即回 ACK 给客户端，而是等一段时间，这样如果服务端有数据需要发送给客户端的话，就可以把数据和 ACK 一起发送给客户端了。 -- 保活定时器：该定时器是在建立 TCP 连接时指定 SO_KEEPLIVE 时才会生效，当发送方和接收方长时间没有进行数据交互时，该定时器可以用于确定对端是否还活着。 -- FIN_WAIT_2 定时器：当主动请求关闭的一方发送 FIN 报文给接收端并且收到其对 FIN 的确认 ACK后进入 FIN_WAIT_2状态。如果这个时候因为网络突然断掉、被动关闭的一端宕机等原因，导致请求方没有收到接收方发来的 FIN，主动关闭的一方会一直等待。该定时器的作用就是为了避免这种情况的发生。当该定时器超时的时候，请求关闭方将不再等待，直接释放连接。 -- TIME_WAIT 定时器：我们知道在 TCP 四次挥手中，发送方在最后一次挥手之后会进入 TIME_WAIT 状态，不直接进入 CLOSE 状态的主要原因是被动关闭方万一在超时时间内没有收到最后一个 ACK，则会重发最后的 FIN，2 MSL（报文段最大生存时间）等待时间保证了重发的 FIN 会被主动关闭的一段收到且重新发送最后一个 ACK 。还有一个原因是在这 2 MSL 的时间段内任何迟到的报文段会被接收方丢弃，从而防止老的 TCP 连接的包在新的 TCP 连接里面出现。 - -### 13. TCP 是如何保证可靠性的 - -**数据分块**： 应用数据被分割成 TCP 认为最适合发送的数据块。 - -**序列号和确认应答**：TCP 给发送的每一个包进行编号，在传输的过程中，每次接收方收到数据后，都会对传输方进行确认应答，即发送 ACK 报文，这个 ACK 报文当中带有对应的确认序列号，告诉发送方成功接收了哪些数据以及下一次的数据从哪里开始发。除此之外，接收方可以根据序列号对数据包进行排序，把有序数据传送给应用层，并丢弃重复的数据。 - -**校验和**： TCP 将保持它首部和数据部分的检验和。这是一个端到端的检验和，目的是检测数据在传输过程中的任何变化。如果收到报文段的检验和有差错，TCP 将丢弃这个报文段并且不确认收到此报文段。 - -**流量控制**： TCP 连接的双方都有一个固定大小的缓冲空间，发送方发送的数据量不能超过接收端缓冲区的大小。当接收方来不及处理发送方的数据，会提示发送方降低发送的速率，防止产生丢包。TCP 通过滑动窗口协议来支持流量控制机制。 - -**拥塞控制**： 当网络某个节点发生拥塞时，减少数据的发送。 - -**ARQ协议**： 也是为了实现可靠传输的，它的基本原理就是每发完一个分组就停止发送，等待对方确认。在收到确认后再发下一个分组。 - -**超时重传**： 当 TCP 发出一个报文段后，它启动一个定时器，等待目的端确认收到这个报文段。如果超过某个时间还没有收到确认，将重发这个报文段。 - -### 14. UDP 为什么是不可靠的？bind 和 connect 对于 UDP 的作用是什么 - -UDP 只有一个 socket 接收缓冲区，没有 socket 发送缓冲区，即只要有数据就发，不管对方是否可以正确接收。而在对方的 socket 接收缓冲区满了之后，新来的数据报无法进入到 socket 接受缓冲区，此数据报就会被丢弃，因此 UDP 不能保证数据能够到达目的地，此外，UDP 也没有流量控制和重传机制，故UDP的数据传输是不可靠的。 - -和 TCP 建立连接时采用三次握手不同，UDP 中调用 connect 只是把对端的 IP 和 端口号记录下来，并且 UDP 可多多次调用 connect 来指定一个新的 IP 和端口号，或者断开旧的 IP 和端口号（通过设置 connect 函数的第二个参数）。和普通的 UDP 相比，调用 connect 的 UDP 会提升效率，并且在高并发服务中会增加系统稳定性。 - -当 UDP 的发送端调用 bind 函数时，就会将这个套接字指定一个端口，若不调用 bind 函数，系统内核会随机分配一个端口给该套接字。当手动绑定时，能够避免内核来执行这一操作，从而在一定程度上提高性能。 - -### 15. TCP 超时重传的原理 - -发送方在发送一次数据后就开启一个定时器，在一定时间内如果没有得到发送数据包的 ACK 报文，那么就重新发送数据，在达到一定次数还没有成功的话就放弃重传并发送一个复位信号。其中超时时间的计算是超时的核心，而定时时间的确定往往需要进行适当的权衡，因为当定时时间过长会造成网络利用率不高，定时太短会造成多次重传，使得网络阻塞。在 TCP 连接过程中，会参考当前的网络状况从而找到一个合适的超时时间。 - -### 16. TCP 的停止等待协议是什么 - -停止等待协议是为了实现 TCP 可靠传输而提出的一种相对简单的协议，该协议指的是发送方每发完一组数据后，直到收到接收方的确认信号才继续发送下一组数据。我们通过四种情形来帮助理解停等协议是如何实现可靠传输的： - -![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/eb64698e5881443d9455c76bf01597e0~tplv-k3u1fbpfcp-watermark.awebp) - -① 无差错传输 - -如上述左图所示，A 发送分组 Msg 1，发完就暂停发送，直到收到接收方确认收到 Msg 1 的报文后，继续发送 Msg 2，以此类推，该情形是通信中的一种理想状态。 - -② 出现差错 - -如上述右图所示，发送方发送的报文出现差错导致接收方不能正确接收数据，出现差错的情况主要分为两种： - -- 发送方发送的 Msg 1 在中途丢失了，接收方完全没收到数据。 -- 接收方收到 Msg 1 后检测出现了差错，直接丢弃 Msg 1。 - -上面两种情形，接收方都不会回任何消息给发送方，此时就会触发超时传输机制，即发送方在等待一段时间后仍然没有收到接收方的确认，就认为刚才发送的数据丢失了，因此重传前面发送过的数据。 - -![img](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/99b8534c772647f3b0fc7c41272e72f3~tplv-k3u1fbpfcp-watermark.awebp) - -③ 确认丢失 - -当接收方回应的 Msg 1 确认报文在传输过程中丢失，发送方无法接收到确认报文。于是发送方等待一段时间后重传 Msg 1，接收方将收到重复的 Msg1 数据包，此时接收方会丢弃掉这个重复报文并向发送方再次发送 Msg1 的确认报文。 - -④ 确认迟到 - -当接收方回应的 Msg 1 确认报文由于网络各种原因导致发送方没有及时收到，此时发送方在超时重传机制的作用下再次发送了 Msg 数据包，接收方此时进行和确认丢失情形下相同的动作（丢弃重复的数据包并再次发送 Msg 1 确认报文）。发送方此时收到了接收方的确认数据包，于是继续进行数据发送。过了一段时间后，发送方收到了迟到的 Msg 1 确认包会直接丢弃。 - -上述四种情形即停止等待协议中所出现的所有可能情况。 - -### 17. TCP 最大连接数限制 - -- **Client 最大 TCP 连接数** - -client 在每次发起 TCP 连接请求时，如果自己并不指定端口的话，系统会随机选择一个本地端口（local port），该端口是独占的，不能和其他 TCP 连接共享。TCP 端口的数据类型是 unsigned short，因此本地端口个数最大只有 65536，除了端口 0不能使用外，其他端口在空闲时都可以正常使用，这样可用端口最多有 65535 个。 - -- **Server最大 TCP 连接数** - -server 通常固定在某个本地端口上监听，等待 client 的连接请求。不考虑地址重用（Unix 的 SO_REUSEADDR 选项）的情况下，即使 server 端有多个 IP，本地监听端口也是独占的，因此 server 端 TCP 连接 4 元组中只有客户端的 IP 地址和端口号是可变的，因此最大 TCP 连接为客户端 IP 数 × 客户端 port 数，对 IPV4，在不考虑 IP 地址分类的情况下，最大 TCP 连接数约为 2 的 32 次方（IP 数）× 2 的 16 次方（port 数），也就是 server 端单机最大 TCP 连接数约为 2 的 48 次方。 - -然而上面给出的是只是理论上的单机最大连接数，在实际环境中，受到明文规定（一些 IP 地址和端口具有特殊含义，没有对外开放）、机器资源、操作系统等的限制，特别是 sever 端，其最大并发 TCP 连接数远不能达到理论上限。对 server 端，通过增加内存、修改最大文件描述符个数等参数，单机最大并发 TCP 连接数超过 10 万 是没问题的。 - -### 18. TCP 流量控制与拥塞控制 - -- 流量控制 - -所谓流量控制就是让发送方的发送速率不要太快，让接收方来得及接收。如果接收方来不及接收发送方发送的数据，那么就会有分组丢失。在 TCP 中利用可边长的滑动窗口机制可以很方便的在 TCP 连接上实现对发送方的流量控制。主要的方式是接收方返回的 ACK 中会包含自己的接收窗口大小，以控制发送方此次发送的数据量大小（发送窗口大小）。 - -- 拥塞控制 - -在实际的网络通信系统中，除了发送方和接收方外，还有路由器，交换机等复杂的网络传输线路，此时就需要拥塞控制。拥塞控制是作用于网络的，它是防止过多的数据注入到网络中，避免出现网络负载过大的情况。常用的解决方法有：慢开始和拥塞避免、快重传和快恢复。 - -- 拥塞控制和流量控制的区别 - -拥塞控制往往是一种全局的，防止过多的数据注入到网络之中，而TCP连接的端点只要不能收到对方的确认信息，猜想在网络中发生了拥塞，但并不知道发生在何处，因此，流量控制往往指点对点通信量的控制，是端到端的问题。 - -### 19. 如果接收方滑动窗口满了，发送方会怎么做 - -基于 TCP 流量控制中的滑动窗口协议，我们知道接收方返回给发送方的 ACK 包中会包含自己的接收窗口大小，若接收窗口已满，此时接收方返回给发送方的接收窗口大小为 0，此时发送方会等待接收方发送的窗口大小直到变为非 0 为止，然而，接收方回应的 ACK 包是存在丢失的可能的，为了防止双方一直等待而出现死锁情况，此时就需要坚持计时器来辅助发送方周期性地向接收方查询，以便发现窗口是否变大【坚持计时器参考问题】，当发现窗口大小变为非零时，发送方便继续发送数据。 - -### 20. TCP 拥塞控制采用的四种算法 - -- 慢开始 - -当发送方开始发送数据时，由于一开始不知道网络负荷情况，如果立即将大量的数据字节传输到网络中，那么就有可能引起网络拥塞。一个较好的方法是在一开始发送少量的数据先探测一下网络状况，即由小到大的增大发送窗口（拥塞窗口 cwnd）。慢开始的慢指的是初始时令 cwnd为 1，即一开始发送一个报文段。如果收到确认，则 cwnd = 2，之后每收到一个确认报文，就令 cwnd = cwnd* 2。 - -但是，为了防止拥塞窗口增长过大而引起网络拥塞，另外设置了一个慢开始门限 ssthresh。 - -① 当 cwnd < ssthresh 时，使用上述的慢开始算法； - -② 当 cwnd > ssthresh 时，停止使用慢开始，转而使用拥塞避免算法； - -③ 当 cwnd == ssthresh 时，两者均可。 - -- 拥塞避免 - -拥塞控制是为了让拥塞窗口 cwnd 缓慢地增大，即每经过一个往返时间 RTT （往返时间定义为发送方发送数据到收到确认报文所经历的时间）就把发送方的 cwnd 值加 1，通过让 cwnd 线性增长，防止很快就遇到网络拥塞状态。 - -当网络拥塞发生时，让新的慢开始门限值变为发生拥塞时候的值的一半,并将拥塞窗口置为 1 ,然后再次重复两种算法（慢开始和拥塞避免）,这时一瞬间会将网络中的数据量大量降低。 - -- 快重传 - -快重传算法要求接收方每收到一个失序的报文就立即发送重复确认，而不要等到自己发送数据时才捎带进行确认，假定发送方发送了 Msg 1 ~ Msg 4 这 4 个报文，已知接收方收到了 Msg 1，Msg 3 和 Msg 4 报文，此时因为接收到收到了失序的数据包，按照快重传的约定，接收方应立即向发送方发送 Msg 1 的重复确认。 于是在接收方收到 Msg 4 报文的时候，向发送方发送的仍然是 Msg 1 的重复确认。这样，发送方就收到了 3 次 Msg 1 的重复确认，于是立即重传对方未收到的 Msg 报文。由于发送方尽早重传未被确认的报文段，因此，快重传算法可以提高网络的吞吐量。 - -- 快恢复 - -快恢复算法是和快重传算法配合使用的，该算法主要有以下两个要点： - -① 当发送方连续收到三个重复确认，执行乘法减小，慢开始门限 ssthresh 值减半； - -② 由于发送方可能认为网络现在没有拥塞，因此与慢开始不同，把 cwnd 值设置为 ssthresh 减半之后的值，然后执行拥塞避免算法，线性增大 cwnd。 - -### 21. TCP 粘包问题 - -**为什么会发生TCP粘包和拆包?** - -① 发送方写入的数据大于套接字缓冲区的大小，此时将发生拆包。 - -② 发送方写入的数据小于套接字缓冲区大小，由于 TCP 默认使用 Nagle 算法，只有当收到一个确认后，才将分组发送给对端，当发送方收集了多个较小的分组，就会一起发送给对端，这将会发生粘包。 - -③ 进行 MSS （最大报文长度）大小的 TCP 分段，当 TCP 报文的数据部分大于 MSS 的时候将发生拆包。 - -④ 发送方发送的数据太快，接收方处理数据的速度赶不上发送端的速度，将发生粘包。 - -**常见解决方法** - -① 在消息的头部添加消息长度字段，服务端获取消息头的时候解析消息长度，然后向后读取相应长度的内容。 - -② 固定消息数据的长度，服务端每次读取既定长度的内容作为一条完整消息，当消息不够长时，空位补上固定字符。但是该方法会浪费网络资源。 - -③ 设置消息边界，也可以理解为分隔符，服务端从数据流中按消息边界分离出消息内容，一般使用换行符。 - -**什么时候需要处理粘包问题？** - -当接收端同时收到多个分组，并且这些分组之间毫无关系时，需要处理粘包；而当多个分组属于同一数据的不同部分时，并不需要处理粘包问题。 - -### 22. TCP 报文包含哪些信息 - -TCP 报文是 TCP 传输的的数据单元，也叫做报文段，其报文格式如下图所示： - -![img](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/36ad4ec349134a269d47a4236eb5c456~tplv-k3u1fbpfcp-watermark.awebp) - -- 源端口和目的端口号：它用于多路复用/分解来自或送往上层应用的数据，其和 IP 数据报中的源 IP 与目的 IP 地址一同确定一条 TCP 连接。 -- 序号和确认号字段：序号是本报文段发送的数据部分中第一个字节的编号，在 TCP 传送的流中，每一个字节一个序号。例如一个报文段的序号为 100，此报文段数据部分共有 100 个字节，则下一个报文段的序号为 200。序号确保了 TCP 传输的有序性。确认号，即 ACK，指明下一个想要收到的字节序号，发送 ACK 时表明当前序号之前的所有数据已经正确接收。这两个字段的主要目的是保证数据可靠传输。 -- 首部长度：该字段指示了以 32 比特的字为单位的 TCP 的首部长度。其中固定字段长度为 20 字节，由于首部长度可能含有可选项内容，因此 TCP 报头的长度是不确定的，20 字节是 TCP 首部的最小长度。 -- 保留：为将来用于新的用途而保留。 -- 控制位：URG 表示紧急指针标志，该位为 1 时表示紧急指针有效，为 0 则忽略；ACK 为确认序号标志，即相应报文段包括一个对已被成功接收报文段的确认；PSH 为 push 标志，当该位为 1 时，则指示接收方在接收到该报文段以后，应尽快将这个报文段交给应用程序，而不是在缓冲区排队； RST 为重置连接标志，当出现错误连接时，使用此标志来拒绝非法的请求；SYN 为同步序号，在连接的建立过程中使用，例如三次握手时，发送方发送 SYN 包表示请求建立连接；FIN 为 finish 标志，用于释放连接，为 1 时表示发送方已经没有数据发送了，即关闭本方数据流。 -- 接收窗口：主要用于 TCP 流量控制。该字段用来告诉发送方其窗口（缓冲区）大小，以此控制发送速率，从而达到流量控制的目的。 -- 校验和：奇偶校验，此校验和是对整个 TCP 报文段，包括 TCP 头部和 数据部分。该校验和是一个端到端的校验和，由发送端计算和存储，并由接收端进行验证，主要目的是检验数据是否发生改动，若检测出差错，接收方会丢弃该 TCP 报文。 -- 紧急数据指针：紧急数据用于告知紧急数据所在的位置，在URG标志位为 1 时才有效。当紧急数据存在时，TCP 必须通知接收方的上层实体，接收方会对紧急模式采取相应的处理。 -- 选项：该字段一般为空，可根据首部长度进行推算。主要有以下作用： - -① TCP 连接初始化时，通信双方确认最大报文长度。 - -② 在高速数据传输时，可使用该选项协商窗口扩大因子。 - -③ 作为时间戳时，提供一个 较为精准的 RTT，主要为了更好的实现 TCP 流量控制协议。 - -- 数据：TCP 报文中的数据部分也是可选的，例如在 TCP 三次握手和四次挥手过程中，通信双方交换的报文只包含头部信息，数据部分为空，只有当连接成功建立后，TCP 包才真正携带数据。 - -### 23. SYN FLOOD 是什么 - -SYN Flood 是种典型的 DoS（拒绝服务）攻击，其目的是通过消耗服务器所有可用资源使服务器无法用于处理合法请求。通过重复发送初始连接请求（SYN）数据包，攻击者能够压倒目标服务器上的所有可用端口，导致目标设备根本不响应合法请求。 - -### 24. 为什么服务端易受到 SYN 攻击 - -在 TCP 建立连接的过程中，因为服务端不确定自己发给客户端的 SYN-ACK 消息或客户端反馈的 ACK 消息是否会丢在半路，所以会给每个待完成的半开连接状态设一个定时器，如果超过时间还没有收到客户端的 ACK 消息，则重新发送一次 SYN-ACK 消息给客户端，直到重试超过一定次数时才会放弃。 - -服务端为了维持半开连接状态，需要分配内核资源维护半开连接。当攻击者伪造海量的虚假 IP 向服务端发送 SYN 包时，就形成了 SYN FLOOD 攻击。攻击者故意不响应 ACK 消息，导致服务端被大量注定不能完成的半开连接占据，直到资源耗尽，停止响应正常的连接请求。 - -**解决方法：** - -- 直接的方法是提高 TCP 端口容量的同时减少半开连接的资源占用时间，然而该方法只是稍稍提高了防御能力； -- 部署能够辨别恶意 IP 的路由器，将伪造 IP 地址的发送方发送的 SYN 消息过滤掉，该方案作用一般不是太大； - -上述两种方法虽然在一定程度上能够提高服务器的防御能力，但是没有从根本上解决服务器资源消耗殆尽的问题，而以下几种方法的出发点都是在发送方发送确认回复后才开始分配传输资源，从而避免服务器资源消耗殆尽。 - -**SYN Cache**：该方法首先构造一个全局 Hash Table，用来缓存系统当前所有的半开连接信息。在 Hash Table 中的每个桶的容量大小是有限制的，当桶满时，会主动丢掉早来的信息。当服务端收到一个 SYN 消息后，会通过一个映射函数生成一个相应的 Key 值，使得当前半连接信息存入相应的桶中。当收到客户端正确的确认报文后，服务端才开始分配传输资源块，并将相应的半开连接信息从表中删除。和服务器传输资源相比，维护表的开销要小得多。 - -**SYN Cookies**：该方案原理和 HTTP Cookies 技术类似，服务端通过特定的算法将半开连接信息编码成序列号或者时间戳，用作服务端给客户端的消息编号，随 SYN-ACK 消息一同返回给连接发起方，这样在连接建立完成前服务端不保存任何信息，直到发送方发送 ACK 确认报文并且服务端成功验证编码信息后，服务端才开始分配传输资源。若请求方是攻击者，则不会向服务端会 ACK 消息，由于未成功建立连接，因此服务端并没有花费任何额外的开销。 - -然而该方案也存在一些缺点，由于服务端并不保存半开连接状态，因此也就丧失了超时重传的能力，这在一定程度上降低了正常用户的连接成功率。此外，客户端发送给服务端的确认报文存在传输丢失的可能，当 ACK 确认报文丢失时，服务端和客户端会对连接的成功与否产生歧义，此时就需要上层应用采取相应的策略进行处理了。 - -**SYN Proxy**：在客户端和服务器之间部署一个代理服务器，类似于防火墙的作用。通过代理服务器与客户端进行建立连接的过程，之后代理服务器充当客户端将成功建立连接的客户端信息发送给服务器。这种方法基本不消耗服务器的资源，但是建立连接的时间变长了（总共需要 6 次握手）。 - -### 25. 高并发服务器客户端主动关闭连接和服务端主动关闭连接的区别 - -以下是针对 TCP 服务来说的： - -- 服务端主动关闭连接 - -在高并发场景下，当服务端主动关闭连接时，此时服务器上就会有大量的连接处于 TIME-WAIT 状态【详解见问题 7, 8, 9】 - -- 客户端主动关闭连接 - -当客户端主动关闭连接时，我们并不需要关心 TIME-WAIT 状态过多造成的问题，但是需要关注服务端保持大量的 CLOSE-WAIT 状态时会产生的问题【见问题 10 的解决方法】 - -无论是客户端还是服务器主动关闭连接，从本质上来说，在高并发场景下主要关心的就是服务端的资源占用问题，而这也是采用 TCP 传输协议必须要面对的问题，其问题解决的出发点也是如何处理好服务质量和资源消耗之间的关系。 - -## 四：网络层 - -### 1. IP 协议的定义和作用 - -IP 协议（Internet Protocol）又称互联网协议，是支持网间互联的数据包协议。该协议工作在网络层，主要目的就是为了提高网络的可扩展性，和传输层 TCP 相比，IP 协议提供一种无连接/不可靠、尽力而为的数据包传输服务，其与TCP协议（传输控制协议）一起构成了TCP/IP 协议族的核心。IP 协议主要有以下几个作用： - -- 寻址和路由：在IP 数据包中会携带源 IP 地址和目的 IP 地址来标识该数据包的源主机和目的主机。IP 数据报在传输过程中，每个中间节点（IP 网关、路由器）只根据网络地址进行转发，如果中间节点是路由器，则路由器会根据路由表选择合适的路径。IP 协议根据路由选择协议提供的路由信息对 IP 数据报进行转发，直至抵达目的主机。 -- 分段与重组：IP 数据包在传输过程中可能会经过不同的网络，在不同的网络中数据包的最大长度限制是不同的，IP 协议通过给每个 IP 数据包分配一个标识符以及分段与组装的相关信息，使得数据包在不同的网络中能够传输，被分段后的 IP 数据报可以独立地在网络中进行转发，在到达目的主机后由目的主机完成重组工作，恢复出原来的 IP 数据包。 - -### 2. 域名和 IP 的关系，一个 IP 可以对应多个域名吗 - -IP 在同一个网络中是唯一的，用来标识每一个网络上的设备，其相当于一个人的身份证号；域名在同一个网络中也是唯一的，就像一个人的名字，绰号。假如你有多个不同的绰号，你的朋友可以用其中任何一个绰号叫你，但你的身份证号码却是唯一的。由此我们可以看出一个域名只能对应一个 IP 地址，是一对一的关系；而一个 IP 却可以对应多个域名，是一对多的关系。 - -### 3. IPV4 地址不够如何解决 - -- DHCP：动态主机配置协议。动态分配 IP 地址，只给接入网络的设备分配IP地址，因此同一个 MAC 地址的设备，每次接入互联网时，得到的IP地址不一定是相同的，该协议使得空闲的 IP 地址可以得到充分利用。 -- CIDR：无类别域间路由。CIDR 消除了传统的 A 类、B 类、C 类地址以及划分子网的概念，因而更加有效的分配 IPv4 的地址空间，但无法从根本上解决地址耗尽问题。 -- NAT：网络地址转换协议。我们知道属于不同局域网的主机可以使用相同的 IP 地址，从而一定程度上缓解了 IP 资源枯竭的问题。然而主机在局域网中使用的 IP 地址是不能在公网中使用的，当局域网主机想要与公网进行通信时， NAT 方法可以将该主机 IP 地址转换成全球 IP 地址。该协议能够有效解决 IP 地址不足的问题。 -- IPv6 ：作为接替 IPv4 的下一代互联网协议，其可以实现 2 的 128 次方个地址，而这个数量级，即使是给地球上每一颗沙子都分配一个IP地址，该协议能够从根本上解决 IPv4 地址不够用的问题。 - -### 4. 路由器的分组转发流程 - -① 从 IP 数据包中提取出目的主机的 IP 地址，找到其所在的网络； - -② 判断目的 IP 地址所在的网络是否与本路由器直接相连，如果是，则不需要经过其它路由器直接交付，否则执行 ③； - -③ 检查路由表中是否有目的 IP 地址的特定主机路由。如果有，则按照路由表传送到下一跳路由器中，否则执行 ④； - -④ 逐条检查路由表，若找到匹配路由，则按照路由表转发到下一跳路由器中，否则执行步骤 ⑤； - -⑤ 若路由表中设置有默认路由，则按照默认路由转发到默认路由器中，否则执行步骤 ⑥； - -⑥ 无法找到合适路由，向源主机报错。 - -### 5. 路由器和交换机的区别 - -- 交换机：交换机用于局域网，利用主机的物理地址（MAC 地址）确定数据转发的目的地址，它工作与数据链路层。 -- 路由器：路由器通过数据包中的目的 IP 地址识别不同的网络从而确定数据转发的目的地址，网络号是唯一的。路由器根据路由选择协议和路由表信息从而确定数据的转发路径，直到到达目的网络，它工作于网络层。 - -### 6. ICMP 协议概念/作用 - -ICMP（Internet Control Message Protocol）是因特网控制报文协议，主要是实现 IP 协议中未实现的部分功能，是一种网络层协议。该协议并不传输数据，只传输控制信息来辅助网络层通信。其主要的功能是验证网络是否畅通（确认接收方是否成功接收到 IP 数据包）以及辅助 IP 协议实现可靠传输（若发生 IP 丢包，ICMP 会通知发送方 IP 数据包被丢弃的原因，之后发送方会进行相应的处理）。 - -### 7. ICMP 的应用 - -- Ping - -Ping（Packet Internet Groper），即因特网包探测器，是一种工作在网络层的服务命令，主要用于测试网络连接量。本地主机通过向目的主机发送 ICMP Echo 请求报文，目的主机收到之后会发送 Echo 响应报文，Ping 会根据时间和成功响应的次数估算出数据包往返时间以及丢包率从而推断网络是否通常、运行是否正常等。 - -- TraceRoute - -TraceRoute 是 ICMP 的另一个应用，其主要用来跟踪一个分组从源点耗费最少 TTL 到达目的地的路径。TraceRoute 通过逐渐增大 TTL 值并重复发送数据报来实现其功能，首先，TraceRoute 会发送一个 TTL 为 1 的 IP 数据报到目的地，当路径上的第一个路由器收到这个数据报时，它将 TTL 的值减 1，此时 TTL = 0，所以路由器会将这个数据报丢掉，并返回一个差错报告报文，之后源主机会接着发送一个 TTL 为 2 的数据报，并重复此过程，直到数据报能够刚好到达目的主机。此时 TTL = 0，因此目的主机要向源主机发送 ICMP 终点不可达差错报告报文，之后源主机便知道了到达目的主机所经过的路由器 IP 地址以及到达每个路由器的往返时间。 - -### 8. 两台电脑连起来后 ping 不通，你觉得可能存在哪些问题？ - -1. 首先看网络是否连接正常，检查网卡驱动是否正确安装。 -2. 局域网设置问题，检查 IP 地址是否设置正确。 -3. 看是否被防火墙阻拦（有些设置中防火墙会对 ICMP 报文进行过滤），如果是的话，尝试关闭防火墙 。 -4. 看是否被第三方软件拦截。 -5. 两台设备间的网络延迟是否过大（例如路由设置不合理），导致 ICMP 报文无法在规定的时间内收到。 - -### 9. ARP 地址解析协议的原理和地址解析过程 - -ARP（Address Resolution Protocol）是地址解析协议的缩写，该协议提供根据 IP 地址获取物理地址的功能，它工作在第二层，是一个数据链路层协议，其在本层和物理层进行联系，同时向上层提供服务。当通过以太网发送 IP 数据包时，需要先封装 32 位的 IP 地址和 48位 MAC 地址。在局域网中两台主机进行通信时需要依靠各自的物理地址进行标识，但由于发送方只知道目标 IP 地址，不知道其 MAC 地址，因此需要使用地址解析协议。 ARP 协议的解析过程如下： - -① 首先，每个主机都会在自己的 ARP 缓冲区中建立一个 ARP 列表，以表示 IP 地址和 MAC 地址之间的对应关系； - -② 当源主机要发送数据时，首先检查 ARP 列表中是否有 IP 地址对应的目的主机 MAC 地址，如果存在，则可以直接发送数据，否则就向同一子网的所有主机发送 ARP 数据包。该数据包包括的内容有源主机的 IP 地址和 MAC 地址，以及目的主机的 IP 地址。 - -③ 当本网络中的所有主机收到该 ARP 数据包时，首先检查数据包中的 目的 主机IP 地址是否是自己的 IP 地址，如果不是，则忽略该数据包，如果是，则首先从数据包中取出源主机的 IP 和 MAC 地址写入到 ARP 列表中，如果已经存在，则覆盖，然后将自己的 MAC 地址写入 ARP 响应包中，告诉源主机自己是它想要找的 MAC 地址。 - -④ 源主机收到 ARP 响应包后。将目的主机的 IP 和 MAC 地址写入 ARP 列表，并利用此信息发送数据。如果源主机一直没有收到 ARP 响应数据包，表示 ARP 查询失败。 - -### 10. 网络地址转换 NAT - -NAT（Network Address Translation），即网络地址转换，它是一种把内部私有网络地址翻译成公有网络 IP 地址的技术。该技术不仅能解决 IP 地址不足的问题，而且还能隐藏和保护网络内部主机，从而避免来自外部网络的攻击。 - -NAT 的实现方式主要有三种： - -- 静态转换：内部私有 IP 地址和公有 IP 地址是一对一的关系，并且不会发生改变。通过静态转换，可以实现外部网络对内部网络特定设备的访问，这种方式原理简单，但当某一共有 IP 地址被占用时，跟这个 IP 绑定的内部主机将无法访问 Internet。 -- 动态转换：采用动态转换的方式时，私有 IP 地址每次转化成的公有 IP 地址是不唯一的。当私有 IP 地址被授权访问 Internet 时会被随机转换成一个合法的公有 IP 地址。当 ISP 通过的合法 IP 地址数量略少于网络内部计算机数量时，可以采用这种方式。 -- 端口多路复用：该方式将外出数据包的源端口进行端口转换，通过端口多路复用的方式，实现内部网络所有主机共享一个合法的外部 IP 地址进行 Internet 访问，从而最大限度地节约 IP 地址资源。同时，该方案可以隐藏内部网络中的主机，从而有效避免来自 Internet 的攻击。 - -### 11. TTL 是什么？有什么作用 - -TTL 是指生存时间，简单来说，它表示了数据包在网络中的时间。每经过一个路由器后 TTL 就减一，这样 TTL 最终会减为 0 ，当 TTL 为 0 时，则将数据包丢弃。通过设置 TTL 可以避免这两个路由器之间形成环导致数据包在环路上死转的情况，由于有了 TTL ，当 TTL 为 0 时，数据包就会被抛弃。 - -### 12. 运输层协议和网络层协议的区别 - -网络层协议负责提供主机间的逻辑通信；运输层协议负责提供进程间的逻辑通信。 - -## 五：数据链路层 - -### 1. MAC 地址和 IP 地址分别有什么作用 - -- MAC 地址是数据链路层和物理层使用的地址，是写在网卡上的物理地址。MAC 地址用来定义网络设备的位置。 -- IP 地址是网络层和以上各层使用的地址，是一种逻辑地址。IP 地址用来区别网络上的计算机。 - -### 2. 为什么有了 MAC 地址还需要 IP 地址 - -如果我们只使用 MAC 地址进行寻址的话，我们需要路由器记住每个 MAC 地址属于哪一个子网，不然每一次路由器收到数据包时都要满世界寻找目的 MAC 地址。而我们知道 MAC 地址的长度为 48 位，也就是说最多总共有 2 的 48 次方个 MAC 地址，这就意味着每个路由器需要 256 T 的内存，这显然是不现实的。 - -和 MAC 地址不同，IP 地址是和地域相关的，在一个子网中的设备，我们给其分配的 IP 地址前缀都是一样的，这样路由器就能根据 IP 地址的前缀知道这个设备属于哪个子网，剩下的寻址就交给子网内部实现，从而大大减少了路由器所需要的内存。 - -### 3. 为什么有了 IP 地址还需要 MAC 地址 - -只有当设备连入网络时，才能根据他进入了哪个子网来为其分配 IP 地址，在设备还没有 IP 地址的时候或者在分配 IP 地址的过程中，我们需要 MAC 地址来区分不同的设备。 - -### 4. 私网地址和公网地址之间进行转换：同一个局域网内的两个私网地址，经过转换之后外面看到的一样吗 - -当采用静态或者动态转换时，由于一个私网 IP 地址对应一个公网地址，因此经过转换之后的公网 IP 地址是不同的；而采用端口复用方式的话，在一个子网中的所有地址都采用一个公网地址，但是使用的端口是不同的。 - -### 5. 以太网中的 CSMA/CD 协议 - -CSMA/CD 为载波侦听多路访问/冲突检测，是像以太网这种广播网络采用的一种机制，我们知道在以太网中多台主机在同一个信道中进行数据传输，CSMA/CD 很好的解决了共享信道通信中出现的问题，它的工作原理主要包括两个部分： - -- 载波监听：当使用 CSMA/CD 协议时，总线上的各个节点都在监听信道上是否有信号在传输，如果有的话，表明信道处于忙碌状态，继续保持监听，直到信道空闲为止。如果发现信道是空闲的，就立即发送数据。 -- 冲突检测：当两个或两个以上节点同时监听到信道空闲，便开始发送数据，此时就会发生碰撞（数据的传输延迟也可能引发碰撞）。当两个帧发生冲突时，数据帧就会破坏而失去了继续传输的意义。在数据的发送过程中，以太网是一直在监听信道的，当检测到当前信道冲突，就立即停止这次传输，避免造成网络资源浪费，同时向信道发送一个「冲突」信号，确保其它节点也发现该冲突。之后采用一种二进制退避策略让待发送数据的节点随机退避一段时间之后重新。 - -### 6. 数据链路层上的三个基本问题 - -**封装成帧**：将网络层传下来的分组前后分别添加首部和尾部，这样就构成了帧。首部和尾部的一个重要作用是帧定界，也携带了一些必要的控制信息，对于每种数据链路层协议都规定了帧的数据部分的最大长度。 - -**透明传输**：帧使用首部和尾部进行定界，如果帧的数据部分含有和首部和尾部相同的内容， 那么帧的开始和结束的位置就会判断错，因此需要在数据部分中出现有歧义的内容前边插入转义字符，如果数据部分出现转义字符，则在该转义字符前再加一个转义字符。在接收端进行处理之后可以还原出原始数据。这个过程透明传输的内容是转义字符，用户察觉不到转义字符的存在。 - -**差错检测**：目前数据链路层广泛使用循环冗余检验（CRC）来检查数据传输过程中是否产生比特差错。 - -### 7. PPP 协议 - -互联网用户通常需要连接到某个 ISP 之后才能接入到互联网，PPP（点对点）协议是用户计算机和 ISP 进行通信时所使用的数据链路层协议。点对点协议为点对点连接上传输多协议数据包提供了一个标准方法。该协议设计的目的主要是用来通过拨号或专线方式建立点对点连接发送数据，使其成为各种主机、网桥和路由器之间简单连接的一种解决方案。 - -PPP 协议具有以下特点： - -- PPP 协议具有动态分配 IP 地址的能力，其允许在连接时刻协商 IP 地址。 -- PPP 支持多种网络协议，例如 TCP/IP、NETBEUI 等。 -- PPP 具有差错检测能力，但不具备纠错能力，所以 PPP 是不可靠传输协议。 -- 无重传的机制，网络开销小，速度快。 -- PPP 具有身份验证的功能。 - -### 8. 为什么 PPP 协议不使用序号和确认机制 - -- IETF 在设计因特网体系结构时把齐总最复杂的部分放在 TCP 协议中，而网际协议 IP 则相对比较简单，它提供的是不可靠的数据包服务，在这种情况下，数据链路层没有必要提供比 IP 协议更多的功能。若使用能够实现可靠传输的数据链路层协议，则开销就要增大，这在数据链路层出现差错概率不大时是得不偿失的。 -- 即使数据链路层实现了可靠传输，但其也不能保证网络层的传输也是可靠的，当数据帧在路由器中从数据链路层上升到网络层后，仍有可能因为网络层拥塞而被丢弃。 -- PPP 协议在帧格式中有帧检验序列，对每一个收到的帧，PPP 都会进行差错检测，若发现差错，则丢弃该帧。 - -### 9. 物理层主要做什么事情 - -作为 OSI 参考模型最低的一层，物理层是整个开放系统的基础，该层利用传输介质为通信的两端建立、管理和释放物理连接，实现比特流的透明传输。物理层考虑的是怎样才能在连接各种计算机的传输媒体上传输数据比特流，其尽可能地屏蔽掉不同种类传输媒体和通信手段的差异，使物理层上面的数据链路层感觉不到这些差异，这样就可以使数据链路层只考虑完成本层的协议和服务，而不必考虑网络的具体传输媒体和通信手段是什么。 - -### 10. 主机之间的通信方式 - -**单工通信**：也叫单向通信，发送方和接收方是固定的，消息只能单向传输。例如采集气象数据、家庭电费，网费等数据收集系统，或者打印机等应用主要采用单工通信。 **半双工通信**：也叫双向交替通信，通信双方都可以发送消息，但同一时刻同一信道只允许单方向发送数据。例如传统的对讲机使用的就是半双工通信。 **全双工通信**：也叫双向同时通信，全双工通信允许通信双方同时在两个方向是传输，其要求通信双方都具有独立的发送和接收数据的能力。例如平时我们打电话，自己说话的同时也能听到对面的声音。 - -### 11. 通道复用技术 - -**频分复用（FDM，Frequency Division Multiplexing）** 频分复用将传输信道的总带宽按频率划分为若干个子频带或子信道，每个子信道传输一路信号。用户分到一定的频带后，在数据传输的过程中自始至终地占用这个频带。由于每个用户所分到的频带不同，使得传输信道在同一时刻能够支持不同用户进行数据传输，从而实现复用。除了传统意义上的 FDM 外，目前正交频分复用（OFDM）已在高速通信系统中得到广泛应用。 - -**时分复用（TDM，Time Division Multiplexing）** 顾名思义，时分复用将信道传输信息的时间划分为若干个时间片，每一个时分复用的用户在每一个 TDM 帧中占用固定时隙进行数据传输。用户所分配到的时隙是固定的，所以时分复用有时也叫做同步时分复用。这种分配方式能够便于调节控制，但是也存在缺点，当某个信道空闲时，其他繁忙的信道无法占用该空闲信道，因此会降低信道利用率。 - -**波分复用（WDM，Wavelength Division Multiplexing）** 在光通信领域通常按照波长而不是频率来命名，因为光的频率和波长具有单一对应关系，因此 WDM 本质上也是 FDM，光通信系统中，通常由光来运载信号进行传输，WDM 是在一条光纤上传输多个波长光信号，其将 1 根光纤看做多条「虚拟」光纤，每条「虚拟」光纤工作在不同的波长上，从而极大地提高了光纤的传输容量。 - -**码分复用（CDM，Code Division Multiplexing）** 码分复用是靠不同的编码来区分各路原始信号的一种复用方式，不同的用户使用相互正交的码字携带信息。由于码组相互正交，因此接收方能够有效区分不同的用户数据，从而实现每一个用户可以在同样的时间在同样的频带进行数据传输，频谱资源利用率高。其主要和各种多址接入技术相结合从而产生各种接入技术，包括无线和优先接入。 - -### 12. 几种常用的宽带接入技术 - -我们一般将速率超过 1 Mbps 的接入称为宽带接入，目前常用的宽带接入技术主要包括：ADSL 和 FTTx + LAN。 - -- ADSL - -ADSL 全称为非对称用户数字环路，是铜线宽带接入技术的一种。其非对称体现在用户上行和下行的传输速率不相等，一般上行速率较低，下行速率高。这种接入技术适用于有宽带业务需求的家庭用户或者中小型商务用户等。 - -- FTTx + LAN - -其中 FTTx 英文翻译为 Fiber To The X，这里的 X 指任何地方，我们可以理解为光纤可以接入到任何地方，而 LAN 指的是局域网。FTTx + LAN 是一种在接入网全部或部分采用光纤传输介质，构成光纤用户线路，从而实现用户高速上网的接入技术，其中用户速率可达 20 Mbps。这种接入技术投资规模小，网络拓展性强，网络可靠稳定，使得其应用广泛，目前是城市汇总较为普及的一种宽带接入技术。 - -其它还有 光纤同轴混合网（HFC）、光接入技术（有源和无源光纤系统）和无线接入技术等等。 - -## 六：物理层 - -### 1. 物理层主要做什么事情 - -作为 OSI 参考模型最低的一层，物理层是整个开放系统的基础，该层利用传输介质为通信的两端建立、管理和释放物理连接，实现比特流的透明传输。物理层考虑的是怎样才能在连接各种计算机的传输媒体上传输数据比特流，其尽可能地屏蔽掉不同种类传输媒体和通信手段的差异，使物理层上面的数据链路层感觉不到这些差异，这样就可以使数据链路层只考虑完成本层的协议和服务，而不必考虑网络的具体传输媒体和通信手段是什么。 - -### 2. 主机之间的通信方式 - -**单工通信**：也叫单向通信，发送方和接收方是固定的，消息只能单向传输。例如采集气象数据、家庭电费，网费等数据收集系统，或者打印机等应用主要采用单工通信。 **半双工通信**：也叫双向交替通信，通信双方都可以发送消息，但同一时刻同一信道只允许单方向发送数据。例如传统的对讲机使用的就是半双工通信。 **全双工通信**：也叫双向同时通信，全双工通信允许通信双方同时在两个方向是传输，其要求通信双方都具有独立的发送和接收数据的能力。例如平时我们打电话，自己说话的同时也能听到对面的声音。 - -### 3. 通道复用技术 - -**频分复用（FDM，Frequency Division Multiplexing）** 频分复用将传输信道的总带宽按频率划分为若干个子频带或子信道，每个子信道传输一路信号。用户分到一定的频带后，在数据传输的过程中自始至终地占用这个频带。由于每个用户所分到的频带不同，使得传输信道在同一时刻能够支持不同用户进行数据传输，从而实现复用。除了传统意义上的 FDM 外，目前正交频分复用（OFDM）已在高速通信系统中得到广泛应用。 - -**时分复用（TDM，Time Division Multiplexing）** 顾名思义，时分复用将信道传输信息的时间划分为若干个时间片，每一个时分复用的用户在每一个 TDM 帧中占用固定时隙进行数据传输。用户所分配到的时隙是固定的，所以时分复用有时也叫做同步时分复用。这种分配方式能够便于调节控制，但是也存在缺点，当某个信道空闲时，其他繁忙的信道无法占用该空闲信道，因此会降低信道利用率。 - -**波分复用（WDM，Wavelength Division Multiplexing）** 在光通信领域通常按照波长而不是频率来命名，因为光的频率和波长具有单一对应关系，因此 WDM 本质上也是 FDM，光通信系统中，通常由光来运载信号进行传输，WDM 是在一条光纤上传输多个波长光信号，其将 1 根光纤看做多条「虚拟」光纤，每条「虚拟」光纤工作在不同的波长上，从而极大地提高了光纤的传输容量。 - -**码分复用（CDM，Code Division Multiplexing）** 码分复用是靠不同的编码来区分各路原始信号的一种复用方式，不同的用户使用相互正交的码字携带信息。由于码组相互正交，因此接收方能够有效区分不同的用户数据，从而实现每一个用户可以在同样的时间在同样的频带进行数据传输，频谱资源利用率高。其主要和各种多址接入技术相结合从而产生各种接入技术，包括无线和优先接入。 - -### 4. 几种常用的宽带接入技术 - -我们一般将速率超过 1 Mbps 的接入称为宽带接入，目前常用的宽带接入技术主要包括：ADSL 和 FTTx + LAN。 - -- ADSL - -ADSL 全称为非对称用户数字环路，是铜线宽带接入技术的一种。其非对称体现在用户上行和下行的传输速率不相等，一般上行速率较低，下行速率高。这种接入技术适用于有宽带业务需求的家庭用户或者中小型商务用户等。 - -- FTTx + LAN - -其中 FTTx 英文翻译为 Fiber To The X，这里的 X 指任何地方，我们可以理解为光纤可以接入到任何地方，而 LAN 指的是局域网。FTTx + LAN 是一种在接入网全部或部分采用光纤传输介质，构成光纤用户线路，从而实现用户高速上网的接入技术，其中用户速率可达 20 Mbps。这种接入技术投资规模小，网络拓展性强，网络可靠稳定，使得其应用广泛，目前是城市汇总较为普及的一种宽带接入技术。 - -其它还有 光纤同轴混合网（HFC）、光接入技术（有源和无源光纤系统）和无线接入技术等等。 - -## 七：计算机网络中的安全问题 - -### 1. 安全攻击有哪些 - -网络安全攻击主要分为被动攻击和主动攻击两类： - -- 被动攻击：攻击者窃听和监听数据传输，从而获取到传输的数据信息，被动攻击主要有两种形式：消息内容泄露攻击和流量分析攻击。由于攻击者并没有修改数据，使得这种攻击类型是很难被检测到的。 -- 主动攻击：攻击者修改传输的数据流或者故意添加错误的数据流，例如假冒用户身份从而得到一些权限，进行权限攻击，除此之外，还有重放、改写和拒绝服务等主动攻击的方式。 - -### 2. ARP 攻击 - -在 ARP 的解析过程中，局域网上的任何一台主机如果接收到一个 ARP 应答报文，并不会去检测这个报文的真实性，而是直接记入自己的 ARP 缓存表中。并且这个 ARP 表是可以被更改的，当表中的某一列长时间不适使用，就会被删除。ARP 攻击就是利用了这一点，攻击者疯狂发送 ARP 报文，其源 MAC 地址为攻击者的 MAC 地址，而源 IP 地址为被攻击者的 IP 地址。通过不断发送这些伪造的 ARP 报文，让网络内部的所有主机和网关的 ARP 表中被攻击者的 IP 地址所对应的 MAC 地址为攻击者的 MAC 地址。这样所有发送给被攻击者的信息都会发送到攻击者的主机上，从而产生 ARP 欺骗。通常可以把 ARP 欺骗分为以下几种： - -- 洪泛攻击 - -攻击者恶意向局域网中的网关、路由器和交换机等发送大量 ARP 报文，设备的 CPU 忙于处理 ARP 协议，而导致难以响应正常的服务请求。其表现通常为：网络中断或者网速很慢。 - -- 欺骗主机 - -这种攻击方式也叫仿冒网关攻击。攻击者通过 ARP 欺骗使得网络内部被攻击主机发送给网关的信息实际上都发送给了攻击者，主机更新的 ARP 表中对应的 MAC 地址为攻击者的 MAC。当用户主机向网关发送重要信息使，该攻击方式使得用户的数据存在被窃取的风险。 - -- 欺骗网关 - -该攻击方式和欺骗主机的攻击方式类似，不过这种攻击的欺骗对象是局域网的网关，当局域网中的主机向网关发送数据时，网关会把数据发送给攻击者，这样攻击者就会源源不断地获得局域网中用户的信息。该攻击方式同样会造成用户数据外泄。 - -- 中间人攻击 - -攻击者同时欺骗网关和主机，局域网的网关和主机发送的数据最后都会到达攻击者这边。这样，网关和用户的数据就会泄露。 - -- IP 地址冲突 - -攻击者对局域网中的主机进行扫描，然后根据物理主机的 MAC 地址进行攻击，导致局域网内的主机产生 IP 冲突，使得用户的网络无法正常使用。 - -### 3. 对称加密和非对称的区别，非对称加密有哪些 - -- 加密和解密的过程不同：对称加密和解密过程使用同一个密钥；非对称加密中加密和解密采用公钥和私钥两个密钥，一般使用公钥进行加密，使用私钥进行解密。 -- 加密和解密的速度不同：对称加密和解密速度较快，当数据量比较大时适合使用；非对称加密和解密时间较长，速度相对较慢，适合少量数据传输的场景。 -- 传输的安全性不同：采用对称加密方式进行通信时，收发双方在数据传送前需要协定好密钥，而这个密钥还有可能被第三方窃听到的，一旦密钥泄漏，之后的通信就完全暴漏给攻击者了；非对称加密采用公钥加密和私钥解密的方式，其中私钥是基于不同的算法生成的随机数，公钥可以通过私钥通过一定的算法推导得出，并且私钥到公钥的推导过程是不可逆的，也就是说公钥无法反推导出私钥，即使攻击者窃听到传输的公钥，也无法正确解出数据，所以安全性较高。 - -常见的非对称加密算法主要有：RSA、Elgamal、背包算法、Rabin、D-H 算法等等。 - -### 4. AES 的过程 - -AES（Advanced Encryption Standard）即密码学的高级加密标准，也叫做 Rijndeal 加密法，是为最为常见的一种对称加密算法，和传统的对称加密算法大致的流程类似，在发送端需要采用加密算法对明文进行加密，在接收端需要采用与加密算法相同的算法进行解密，不同的是， AES 采用分组加密的方式，将明文分成一组一组的，每组长度相等，每次加密一组数据，直到加密完整个明文。在 AES 标准中，分组长度固定为 128 位，即每个分组为 16 个字节（每个字节有 8 位）。而密钥的长度可以是 128 位，192 位或者 256 位。并且密钥的长度不同，推荐加密的轮数也不同。 - -我们以 128 位密钥为例（加密轮次为 10），已知明文首先需要分组，每一组大小为16个字节并形成 4 × 4 的状态矩阵（矩阵中的每一个元素代表一个字节）。类似地，128 位密钥同样用 4 × 4 的字节矩阵表示，矩阵中的每一列称为 1 个 32 位的比特字。通过密钥编排函数该密钥矩阵被扩展成一个由 44 个字组成的序列，该序列的前四个字是原始密钥，用于 AES 的初始密钥加过程，后面 40 个字分为 10 组，每组 4 个字分别用于 10 轮加密运算中的轮密钥加。在每轮加密过程中主要包括四个步骤： - -① **字节代换**：AES 的字节代换其实是一个简易的查表操作，在 AES 中定义了一个 S-box 和一个逆 S-box，我们可以将其简单地理解为两个映射表，在做字节代换时，状态矩阵中的每一个元素（字节）的高四位作为行值，低四位作为列值，取出 S-box 或者逆 S-box 中对应的行或者列作为输出。 - -② **行位移**：顾名思义，就是对状态矩阵的每一行进行位移操作，其中状态矩阵的第 0 行左移 0 位，第 1 行左移 1 位，以此类推。 - -③ **列混合**：列混合变换是通过矩阵相乘来实现的，经唯一后的状态矩阵与固定的矩阵相乘，从而得到混淆后的状态矩阵。其中矩阵相乘中涉及到的加法等价于两个字节的异或运算，而乘法相对复杂一些，对于状态矩阵中的每一个 8 位二进制数来说，首先将其与 00000010 相乘，其等效为将 8 位二进制数左移一位，若原二进制数的最高位是 1 的话再将左移后的数与 00011011 进行异或运算。 - -④ **轮密相加**：在开始时我们提到，128 位密钥通过密钥编排函数被扩展成 44 个字组成的序列，其中前 4 个字用于加密过程开始时对原始明文矩阵进行异或运算，而后 40 个字中每四个一组在每一轮中与状态矩阵进行异或运算（共计 10 轮）。 - -上述过程即为 AES 加密算法的主要流程，在我们的例子中，上述过程需要经过 10 轮迭代。而 AES 的解密过程的各个步骤和加密过程是一样的，只是用逆变换取代原来的变换。 - -### 5. RSA 和 AES 算法有什么区别 - -- RSA - -采用非对称加密的方式，采用公钥进行加密，私钥解密的形式。其私钥长度一般较长，除此之外，由于需要大数的乘幂求模等运算，其运算速度较慢，不适合大量数据文件加密。 - -- AES - -采用对称加密的方式，其密钥长度最长只有 256 个比特，加密和解密速度较快，易于硬件实现。由于是对称加密，通信双方在进行数据传输前需要获知加密密钥。 - -基于上述两种算法的特点，一般使用 RSA 传输密钥给对方，之后使用 AES 进行加密通信。 - -### 6. DDoS 有哪些，如何防范 - -DDoS 为分布式拒绝服务攻击，是指处于不同位置的多个攻击者同时向一个或数个目标发动攻击，或者一个攻击者控制了不同位置上的多台机器并利用这些机器对受害者同时实施攻击。和单一的 DoS 攻击相比，DDoS 是借助数百台或者数千台已被入侵并添加了攻击进程的主机一起发起网络攻击。 - -DDoS 攻击主要有两种形式：流量攻击和资源耗尽攻击。前者主要针对网络带宽，攻击者和已受害主机同时发起大量攻击导致网络带宽被阻塞，从而淹没合法的网络数据包；后者主要针对服务器进行攻击，大量的攻击包会使得服务器资源耗尽或者 CPU 被内核应用程序占满从而无法提供网络服务。 - -常见的 DDos 攻击主要有：TCP 洪水攻击（SYN Flood）、放射性攻击（DrDos）、CC 攻击（HTTP Flood）等。 - -针对 DDoS 中的流量攻击，最直接的方法是增加带宽，理论上只要带宽大于攻击流量就可以了，但是这种方法成本非常高。在有充足网络带宽的前提下，我们应尽量提升路由器、网卡、交换机等硬件设施的配置。 - -针对资源耗尽攻击，我们可以升级主机服务器硬件，在网络带宽得到保证的前提下，使得服务器能有效对抗海量的 SYN 攻击包。我们也可以安装专业的抗 DDoS 防火墙，从而对抗 SYN Flood等流量型攻击。此外，负载均衡，CDN 等技术都能够有效对抗 DDoS 攻击 \ No newline at end of file diff --git a/docs/java/.DS_Store b/docs/java/.DS_Store index 175e3f58f1..d82ae5d606 100644 Binary files a/docs/java/.DS_Store and b/docs/java/.DS_Store differ diff --git a/docs/java/IO.md b/docs/java/IO.md new file mode 100755 index 0000000000..7ee387638e --- /dev/null +++ b/docs/java/IO.md @@ -0,0 +1,137 @@ +# 从 BIO、NIO、AIO 到 Netty 再到 Spring WebFlux：演进与应用 + +> IO模型说起，貌似工作中很少使用IO,更别提NIO，但实际上我们工作中每天都在和IO打交道。我们所用到的中间件redis，rocketMq，nacos，mse，dubbo等等存在文件操作，存在网络通信的地方就存在IO。所以深入了解IO模型重要性可想而知，IO操作作为计算机系统中一个基本操作，几乎所有应用程序都需要,了解不同IO模型可助我们理解应用程序中IO操作底层原理，从而更好地优化应用程序的性能和可靠性。 + + + +### IO 分类 + +1.BIO（Blocking I/O）：同步阻塞I/O，传统的I/O模型。在进行I/O操作时，必须等待数据读取或写入完成后才能进行下一步操作。 + +2.NIO（Non-blocking I/O）：同步非阻塞I/O，是一种事件驱动的I/O模型。在进行I/O操作时，不需要等待操作完成，可以进行其他操作。 + +3.AIO（Asynchronous I/O）：异步非阻塞I/O，是一种更高级别的I/O模型。在进行I/O操作时，不需要等待操作完成，就可继续进行其他操作，当操作完成后会自动回调通知 + + + +### 从 BIO、NIO、AIO 多路复用 到 Netty 再到 Spring WebFlux 的演进与应用 + +#### 引言 + +在现代高并发应用中，服务器的并发能力决定了系统的响应速度和处理性能。传统的阻塞式I/O (BIO) 模型已经无法满足高并发场景下的需求，随着技术的进步，NIO（非阻塞I/O）、AIO（异步I/O）等技术逐步发展并广泛应用。近年来，基于多路复用机制的高性能框架如 Netty 以及响应式编程框架 Spring WebFlux 的兴起，为现代 Web 开发提供了新的思路和技术手段。本文将全面梳理从 BIO、NIO 到 AIO，再到 Netty、Spring WebFlux 的技术演进，深入探讨其工作原理、应用场景和优缺点。 + +### 一、阻塞式I/O (BIO) + +#### 1.1 BIO 模型介绍 + +BIO (Blocking I/O) 是最基础的 I/O 模型，在 BIO 模型中，服务器与每个客户端之间的连接是通过阻塞的 socket 方式来进行的。每一个连接都会占用一个线程，服务器在接收到客户端请求时，会创建一个新的线程来处理该请求。如果有大量的客户端连接请求，服务器需要创建大量线程来处理，从而增加了线程上下文切换的开销。 + +#### 1.2 BIO 工作流程 + +1. 服务器端启动监听某个端口，等待客户端连接。 +2. 每个客户端连接后，服务器会为其分配一个线程专门处理这个连接上的 I/O 操作。 +3. 客户端发送请求，服务器处理并返回结果。 +4. 如果没有连接进来，线程会一直阻塞在 `accept()` 函数处。 + +#### 1.3 BIO 的缺点 + +BIO 模型虽然简单易用，但由于其阻塞的特性，使得它在高并发场景下效率低下，面临着以下几个问题： + +- **线程资源消耗大**：每个客户端连接都会占用一个线程，线程过多会导致上下文切换的开销增加，性能下降。 +- **并发能力有限**：当连接数剧增时，线程资源会被耗尽，从而导致服务器响应速度下降，甚至宕机。 +- **可扩展性差**：由于每个连接都需要占用一个独立的线程，因此无法轻易扩展到大规模并发的应用场景中。 + +### 二、非阻塞 I/O (NIO) + +#### 2.1 NIO 概念与模型 + +为了克服 BIO 模型在高并发场景下的不足，JDK 在 1.4 版本中引入了 NIO（Non-blocking I/O）模型。NIO 是一种非阻塞的 I/O 模型，它通过通道（Channel）和缓冲区（Buffer）来进行数据的读写，并结合多路复用器（Selector）来实现单线程处理多连接的机制，从而提升了系统的并发能力。 + +#### 2.2 NIO 的核心组件 + +1. **Channel**：通道类似于传统的流（Stream），但与流不同的是，通道是双向的，可以同时进行读和写操作。常见的通道包括 `FileChannel`、`SocketChannel`、`ServerSocketChannel` 等。 +2. **Buffer**：缓冲区是 NIO 中用于数据存储的容器。所有数据都必须通过缓冲区来进行读写。常见的缓冲区有 `ByteBuffer`、`CharBuffer` 等。 +3. **Selector**：多路复用器是 NIO 中实现单线程处理多个连接的关键组件。通过 Selector，应用程序可以同时监听多个通道上的事件，如连接就绪、读写就绪等，而不必为每个连接创建独立的线程。 + +#### 2.3 NIO 工作流程 + +1. 创建 `ServerSocketChannel` 并设置为非阻塞模式。 +2. 创建 `Selector`，并将 `ServerSocketChannel` 注册到 Selector 上。 +3. 通过 `select()` 方法轮询所有注册的通道，监听就绪的事件。 +4. 当有 I/O 事件就绪时，取出对应的通道进行处理。 + +#### 2.4 NIO 的优点 + +- **资源利用率高**：通过多路复用技术，一个线程可以处理多个连接，避免了 BIO 中每个连接占用一个线程的情况。 +- **非阻塞操作**：I/O 操作不会阻塞线程，线程可以处理其他任务，从而提高了吞吐量。 +- **高并发场景性能优越**：由于线程数量不再与连接数成正比，NIO 能够在高并发场景下保持较高的性能。 + +#### 2.5 NIO 的缺点 + +- **编程复杂度高**：NIO 需要开发者自己处理通道的读写、缓冲区的管理和事件的分发，代码相较于 BIO 复杂很多。 +- **性能瓶颈**：虽然 NIO 模型相比 BIO 提升了性能，但在某些情况下，轮询操作的效率可能不够高。 + +### 三、异步 I/O (AIO) + +#### 3.1 AIO 模型介绍 + +AIO (Asynchronous I/O) 模型，也称为 NIO.2，是在 JDK 7 中引入的一种新的 I/O 模型。与 NIO 的非阻塞操作不同，AIO 采用了真正的异步 I/O 操作。开发者无需手动处理 I/O 事件的轮询和回调，而是将 I/O 操作委托给操作系统，操作系统在 I/O 操作完成后通知应用程序。 + +#### 3.2 AIO 的工作机制 + +1. 应用程序发起一个异步 I/O 请求，并立即返回，继续处理其他任务。 +2. 操作系统后台处理 I/O 操作。 +3. I/O 操作完成后，操作系统通过回调函数通知应用程序。 + +#### 3.3 AIO 的优点 + +- **真正的异步操作**：开发者无需手动处理轮询，操作系统完成 I/O 操作后会自动通知应用程序。 +- **高效的资源利用**：AIO 能够充分利用系统资源，特别是在高并发、大量 I/O 操作的场景下。 + +#### 3.4 AIO 的缺点 + +- **平台依赖性**：AIO 的实现依赖于操作系统的底层异步 I/O 支持，某些操作系统可能对 AIO 的支持并不完善。 + +### 四、Netty + +#### 4.1 Netty 简介 + +Netty 是一个基于 NIO 的高性能网络框架，封装了 Java NIO 的复杂性，提供了更友好的 API 来处理网络编程，特别适用于高并发和大规模应用场景。Netty 支持多种协议（如 HTTP、WebSocket、TCP），并能够很好地处理复杂的网络通信需求。 + +#### 4.2 Netty 的核心组件 + +1. **Channel**：Netty 中的 `Channel` 表示一个网络连接，类似于 NIO 中的 `SocketChannel`。 +2. **EventLoop**：Netty 中的事件循环，负责处理通道中的 I/O 操作。每个 `EventLoop` 可以处理多个通道。 +3. **ChannelPipeline 和 ChannelHandler**：`ChannelPipeline` 是一个处理网络事件的责任链，而 `ChannelHandler` 则是负责处理实际的 I/O 事件（如读、写、连接等）。 + +#### 4.3 Netty 的优点 + +- **高性能**：Netty 底层使用 NIO，并对其进行了进一步的优化，在高并发场景下表现优越。 +- **API 简单**：Netty 屏蔽了底层复杂的 NIO 细节，提供了更高层次的 API，使得开发者能够专注于业务逻辑。 +- **多协议支持**：Netty 支持多种网络协议，具有良好的扩展性。 + +#### 4.4 Netty 的应用场景 + +- 分布式系统中的 RPC 通信。 +- 高并发 WebSocket 服务。 +- 游戏服务器、大数据传输等。 + +### 五、Spring WebFlux + +#### 5.1 Spring WebFlux 简介 + +Spring WebFlux 是 Spring 5 引入的一个响应式非阻塞 Web 框架，旨在解决传统 Spring MVC 在高并发场景下性能瓶颈问题。WebFlux 基于 Reactor 库实现，采用了响应式流（Reactive Streams）标准，并支持异步非阻塞的编程模型。 + +#### 5.2 Spring WebFlux 的特性 + +1. **非阻塞 I/O**：WebFlux 采用 Reactor 异步非阻塞框架，能够高效处理大量并发请求。 +2. **响应式编程**：通过 `Mono` 和 `Flux` 两种响应式类型，WebFlux 支持对流式数据进行处理。 +3. **容器支持**：WebFlux 支持多种异步容器，如 Netty、Undertow 和 Servlet 3.1+ 容器。 + + + + + + + +- [从Java BIO到NIO再到多路复用，看这篇就够了](https://mp.weixin.qq.com/s/VdyXDBevE48Wtr95ug_aKw) \ No newline at end of file diff --git a/docs/java/JVM/.DS_Store b/docs/java/JVM/.DS_Store index d7cdb71133..b40385dc7f 100644 Binary files a/docs/java/JVM/.DS_Store and b/docs/java/JVM/.DS_Store differ diff --git a/docs/java/JVM/Class-Loading.md b/docs/java/JVM/Class-Loading.md index 044ed62001..d23921dc36 100644 --- a/docs/java/JVM/Class-Loading.md +++ b/docs/java/JVM/Class-Loading.md @@ -48,7 +48,7 @@ 类从被加载到虚拟机内存中开始，到卸载出内存为止，它的整个生命周期包括：**加载、验证、准备、解析、初始化、使用和卸载**七个阶段。(验证、准备和解析又统称为连接，为了支持 Java 语言的**运行时绑定**，所以**解析阶段也可以是在初始化之后进行的**。以上顺序都只是说开始的顺序，实际过程中是交叉的混合式进行的，加载过程中可能就已经开始验证了) -![jvm-class-load](https://tva1.sinaimg.cn/large/0082zybply1gbnxhplvkrj30yi0d60ty.jpg) +![jvm-class-load](https://img.starfish.ink/jvm/jvm-class-load.png) ### 1. 加载（Loading）： diff --git a/docs/java/JVM/G1.md b/docs/java/JVM/G1.md deleted file mode 100644 index 78678f1a8c..0000000000 --- a/docs/java/JVM/G1.md +++ /dev/null @@ -1,168 +0,0 @@ -> https://learn.lianglianglee.com/%E4%B8%93%E6%A0%8F/JVM%20%E6%A0%B8%E5%BF%83%E6%8A%80%E6%9C%AF%2032%20%E8%AE%B2%EF%BC%88%E5%AE%8C%EF%BC%89/14%20%E5%B8%B8%E8%A7%81%E7%9A%84%20GC%20%E7%AE%97%E6%B3%95%EF%BC%88ParallelCMSG1%EF%BC%89.md - -首先，先来整体了解一下 G1 GC 的内部结构和主要机制。 - -从内存区域的角度，G1 同样存在着年代的概念，但是与我前面介绍的内存结构很不一样，其内部是类似棋盘状的一个个 region 组成，请参考下面的示意图。 -![img](data:image/png;base64,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) - -region 的大小是一致的，数值是在 1M 到 32M 字节之间的一个 2 的幂值数，JVM 会尽量划分 2048 个左右、同等大小的 region，这点可以从源码[heapRegionBounds.hpp](http://hg.openjdk.java.net/jdk/jdk/file/fa2f93f99dbc/src/hotspot/share/gc/g1/heapRegionBounds.hpp)中看到。当然这个数字既可以手动调整，G1 也会根据堆大小自动进行调整。 - -在 G1 实现中，年代是个逻辑概念，具体体现在，一部分 region 是作为 Eden，一部分作为 Survivor，除了意料之中的 Old region，G1 会将超过 region 50% 大小的对象（在应用中，通常是 byte 或 char 数组）归类为 Humongous 对象，并放置在相应的 region 中。逻辑上，Humongous region 算是老年代的一部分，因为复制这样的大对象是很昂贵的操作，并不适合新生代 GC 的复制算法。 - -你可以思考下 region 设计有什么副作用？ - -例如，region 大小和大对象很难保证一致，这会导致空间的浪费。不知道你有没有注意到，我的示意图中有的区域是 Humongous 颜色，但没有用名称标记，这是为了表示，特别大的对象是可能占用超过一个 region 的。并且，region 太小不合适，会令你在分配大对象时更难找到连续空间，这是一个长久存在的情况，请参考[OpenJDK 社区的讨论](http://mail.openjdk.java.net/pipermail/hotspot-gc-use/2017-November/002726.html)。这本质也可以看作是 JVM 的 bug，尽管解决办法也非常简单，直接设置较大的 region 大小，参数如下： - -``` --XX:G1HeapRegionSize=M -复制代码 -``` - -从 GC 算法的角度，G1 选择的是复合算法，可以简化理解为： - -- 在新生代，G1 采用的仍然是并行的复制算法，所以同样会发生 Stop-The-World 的暂停。 -- 在老年代，大部分情况下都是并发标记，而整理（Compact）则是和新生代 GC 时捎带进行，并且不是整体性的整理，而是增量进行的。 - -我在[上一讲](http://time.geekbang.org/column/article/10513)曾经介绍过，习惯上人们喜欢把新生代 GC（Young GC）叫作 Minor GC，老年代 GC 叫作 Major GC，区别于整体性的 Full GC。但是现代 GC 中，这种概念已经不再准确，对于 G1 来说： - -- Minor GC 仍然存在，虽然具体过程会有区别，会涉及 Remembered Set 等相关处理。 -- 老年代回收，则是依靠 Mixed GC。并发标记结束后，JVM 就有足够的信息进行垃圾收集，Mixed GC 不仅同时会清理 Eden、Survivor 区域，而且还会清理部分 Old 区域。可以通过设置下面的参数，指定触发阈值，并且设定最多被包含在一次 Mixed GC 中的 region 比例。 - -``` -–XX:G1MixedGCLiveThresholdPercent -–XX:G1OldCSetRegionThresholdPercent -``` - -从 G1 内部运行的角度，下面的示意图描述了 G1 正常运行时的状态流转变化，当然，在发生逃逸失败等情况下，就会触发 Full GC。 -![img](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAkkAAAFmCAYAAAB5kg5KAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsMAAA7DAcdvqGQAAC2vSURBVHhe7d2LsxTlve7x868lAnLVxU2Q7FRln51zTp19TioXkZsihJuCEI0GUBNlcQlEQFFBQlAI3iNyK4TtPqHixtLoNgk7Ri0iauo962n6py/Nb6Znpmd6eqa/n6qn1lozPT2zZvX0POvtnu7/FgAAAHAdShIAAICDkgQAAOCgJAEAADgoSQAAAA5KEgAAgIOSBAAA4KAkAQAAOChJAAAADkoSAACAg5IEAADgoCQBAAA4KEkAAAAOShIAAICDkgQAAOCgJAEAADgoSQAAAA5KEgAAgIOSBAAA4KAkAQAAOChJAAAADkoSAACAg5IEAADgoCQBAAA4KEkAAAAOShIAAICDkgQAAOCgJAEAADgoSQAAAA5KEgAAgIOSBAAA4KAkAQAAOChJAAAADkoSAACAg5IEAADgoCQBAAA4KEkAAAAOShIAAICDkgQAAOCgJAEAADgoSQAAAA5KEgAAgIOSBAAA4KAkAQAAOChJAAAADkoSAACAg5IEAADgoCQBAAA4KEkAAAAOShIAAICDkgQAAOCgJAEAADgoSQAAAA5KEgAAgIOSBAAA4KAkAQAAOChJAAAADkoSAACAg5IEAADgoCQBAAA4KEkAAAAOShIAAICDkgQAAOCgJAEAADgoSQAAAA5KEgAAgIOSBAAA4KAkAQAAOChJAAAADkoSAACAg5IEAADgoCR1wZUvvgyvv/VuWP3LF8J31z8Vpt+1M9zwo8fCN374C0LcaBnRsrJi62/DS2cvJssQ0A2sj0g3wjrqKkpSAZ9cvhI2Pv16mHD7aBhZvieMrH0+zLr/tTBn44lw60Nnwrd+fp6Q66JlQ8uIlhUtMyM/fiJMXLg1bNjzSvjo07+nSxfQHtZHpFthHfU1SlKH9r30b2Hy4u3h5lX7w9xNp90FjZBWM3fzmTCy5mCYMrZM7TpyNl3KgNawPiK9Tl3XUZSkNl3+7POwfPRomLr08bGmfdJdmAjpNFqmblq2Jyx59PlkWQOaYX1Eyk7d1lGUpDZogfgf658KN694Ksx7+Ky7ABFSPOfC9FX7wz+t2UtRQkOsj0j/Up91FCWpDfqPTSskf6EhpLvRSui2zYfSpQ+4Fusj0u/UYR1FSWqRtvlrSJv/2Eh5OZcMa+947ky6FAJXsT4i1cjwr6MoSS3Qp0a0UyTb/EnZ0U64WvYufXw5XRpRd6yPSJUy7OsoSlIL9LFafWrEW0AI6XVm3PObcM+uF9OlEXXH+ohULcO8jqIk5dABtHTcET5WS/qVWx86GyYuHGUnbrA+IpXMMK+jKEk5dORaHZjNWzAIKSuzVz0dDp+4kC6VqCvWR6SqGdZ1FCUphw7tryOOegsFIWVlZN3RcMejz6dLJeqK9RGpaoZ1HUVJyqFz1+jQ7N5CQUhZmf3A8fCtNXvSpRJ1xfqIVDXDuo6iJOXQSf50DhtvoSCkrMzddCpMWrQ1XSpRV6yPSFUzrOsoSlIOnT2bk0OSKkRn5ka9sT4iVc4wrqMoSTn0R/cWBkLKDiUJrI9IlUNJqiFWSqQqoSSB9RGpcihJNcRKiVQllCSwPiJVDiWphlgpkaqEkgTWR6TKoSTVECslUpVQksD6iFQ5lKQaYqVEqhJKEspcH71z6e/pvYbwwUdXwvd3/d6dLpvD5y+lt9JpVP5xzXUPHnn3q8tX7P+Pa64btOjxv3zho+S5ielnXZ73fOn2Fz68HD757Mv0liFc+vTz5Lbe9IMQSlINUZJIVUJJQpnrI3vzV6ERlR9vujgqBprebiPx9cNSklRk4t/Ro+v1+3q3P/fHT9OpfCpLrZbSKoWSVEOUJFKVUJLQj5Kk0Q7RG7c3XRwbRbLbiDfdICf+3fQc7Tv1p68Kjb7qZ3vu9DV7+5MXP06uE80rLlLxbTVdfLtBCCWphihJpCqhJKEfJWnbqx98NWqi771pLbbpSKNExptuUKMSY/I2i6kwapNlfFn8vDQbmdO82y1Juo30c3MdJamGKEmkKqEkoV8lyTYPaeTDm1axAmGjJyY7nah0xZfpPkTFQKMx+mqFS9Pq/httfrLpNdJldJvsKI0lvi+VFvs9m20es9hjypafVmOjUPYcdTP6fURfvevLCCWphihJpCqhJKFfJSkeAWlUVmx6GyEx2elMfJkVF5WPuOzEvGKhx9JoepMdsbH7UvGyETKj6+Jp49j+VNLp/lR2f81GkToNJak3KEk5KEmkKqEkoV8lKf7Z25xjJUojLXaZiadrdLkVF6M3ehUgJd7JOTvSY49J96uRLLtc09l1KiZxqcnel/0+mqZRAVRsc1Yr+2Z5iYtmpyWrWShJvUFJykFJIlUJJWl4nL/4YfjyH80/HeXpZ0nS6IfERchim5HiN2gTT9fo8ri4eKMsNloUzz8e2fE2k6nw2OaxuNjl3VejWAnR85K9Lj5cQizeLBffb3zbboWS1BuUpByUJFKVUJKGx+ihk+GOR59vuyj1syQptrkoHrVRGbHL45EYYz83u9wKhFdAFBtNiguAlYJm+wd5xSbvvhrFm5fFSmKWd78S37bTtEp/G+/2vQglqYYoSaQqoSQND5WkcfO3tF2U+l2SrKzExcQ2Q2V36jbxZY0uzysuVlC8khRflk12Z3KlaElqZXObTduoJDXbrNdqWkVJKoaSlIOSRKoSStLwUEmatvpQmLHq6baKUr9LkrdfjW3SiqdTTHxZo8sHoSTFJSdvnyKvJCkmHonrVlp5PnodSlINUZJIVUJJGh4qSTetOTT2dz3XVlHqd0mKL9ebsZUQb3TFtHJ5kZLUyuY2b9+gdkuSYpsVs6Nm2dj9Zu9Dz5Pk3b6TeM9R2aEk1RAliVQllKTh8XVJ0t+29aJUhZJkO3CrMNg03g7QppXLOylJVtDEG9mJd9yOH1+RkmSPQ5rt9G3TZe/Dnjtpdntd16z8efGeo7JDSaohShKpSihJw+PakqS0VpSqUJIUG1GRRvu8mFYu76QkKVaCNEITb8LSp91s1EbTxPsAFSlJij0vou91v9n52zTefcS31z5e8Sfz4ttSkqqBkpSDkkSqEi2Lpy+8T4Yga3e+kClJSn5RqkpJio9dpO+z1yumlcs7LUkqGHFhy9J12cMDFC1JKkTx79+M99zo9nFR8qjgeYc1aBbbgT4+3EHZoSTVUFVKkr0ARP8ZtfoCyq5E4tvpe9H1vTi4WZnR49dzlF356GddHv+n50W3134C9p+paEXVzxVONloWZ6x4ggxJpq8/5vydmxelqpQkvV603mi27jDe5bpdfFmnJUnxXrv6XgXFe93bfbU7UpON1p+6DxuxMvoddHneOto2qcXrZ9222Wa4qoeSVENVKUm2krAXVKs7/tmKzm4Xr/CGpSSpyMQrGo+ub7TSyvuvUCvBvJJVRqqyLJJep3FRYhkgVQ4lqYaqVpJUjkwroyOi/6qa/Vc4yImfD/2O8f4B+qqf7XfX1+zt7XkVzSsuUvFtvf9gyw5vkHWKX5RYBkiVQ0mqoaqVJH3VEK19701rsQKh4dthLEkqMSZvs5j3aRErkdJsiFvzpiSR8nN9UWIZIFUOJamGqliSrBxohMibVtEoimgzk75vVJJE08SX2TZ73Zduq6+2vV/TNtrWr9j08XZ63SY7SmOJ70ulxR5ns81jFntMne5bYCXSG2GqYniDrGOuLUosA6TKoSTVUBVLkn62gqDClJ1WselVBPRzs5Ik8WVWXFQ+sjslGq9YqCA1mt5kR2zsvlS8VIxi2ccax/ankk73p7L7G5QdJXmDrGu+LkosA6TKoSTVUFVLkv3caBTFSpQViE5KktF9qQAp8U7O2ZEeuw/dd1zeNJ1dp2ISl5rsfdlmM03TaLRK0XSiUuZdnxfN33RassoOb5B1ztWi9M3bHku+96chpL+hJNVQVUtSszd5jYxIPNrTaUnyRllstMgeixKP7HibyVR4rLjF+w/l3Vej2PMR/44W22crKy6U8f3Gt61yKEl1zrlw84qnww23bQnzHj7rXE9I/0NJqqGqliTFyoBGd+JprRDFozmdlCSvgCg2mhQ/Fnt8jUa2FK/Y5N1Xo3jzsti+Rlne/Up82yqHklTXXC1Ii37+HMsAqXQoSTVU5ZJkO3BrE5ZdZiM6GrWxyxQVBOlGSfIei3dZNvZ4vbLS6L4axe6vlc1tNm2jktRss16VwhtkHfN1QWLHbVL1UJJqqMolSbFNWLapykZRstMNW0mKS07ePkX22LL3YeIRtyqHN8i65dqCJCwDpMqhJNVQ1UtSXAA0ImKyoyO6XnpdklrZ3ObtG9RuSVLs02n2Cb5GiZ+j+HLbtyrv9lUJb5B1yvUFSVgGSJVDSaqhqpekeAdu20fJe9PvdUmyUSLxRnbiHbfjHbSLlCR7HNJsp2+bLnsfuo1pdntd16z8lRXeIOsSvyAJywCpcihJNVT1kqRYOTLep8t6XZIUK0EaoYk3Yenx2KiNpolHuYqUJMV+L9H3ut/s/G0a7z7i22uH9Pi5i29blZLknSiVDGYaneC2UUESShJRbB2cd6aBskNJqqFBKEnxKE6jHZntzb6XJUkFI3tAyJiuyxa4oiVJhSg+dlMz2U8B2u3jouTRc+oVz7KjZfH0hffJEGTtzhfCTWsOZf7GzQuSUJKI0uz9oJ+hJNXQIJQkxUZqGu2E3KwkxZ+OUzotSYo2tWlzn40qib5XQYlHeCx2X0VHalRidB/2PBj9DtkRIi+2SS0uebpts81wZWcYV0B1NXroZKYk5Rck6ff6SK9hve7j11mz1zfpTfLeD/oVSlINVaUkEUJJGh7XlqTWCpL0c32kfxjaHSkmvQklqTyUpByUJFKVUJKGx9clqfWCJP1aH9mIr2iENbvPoR16pNHoM+luKEnloSTloCSRqoSSNDxUkqatPtRWQZJ+rY9s83mzw2WoSFXhAw51CCWpPJSkHJQkUpVQkoaHStIN87e0VZCkH+sjbWYTbU7rZL8j3V4jTDGVqUb7T4qNSOm28f5Pul2jg8d6+0vp+3b3l5L4/q0g6vdXSbR5aQRNj8foe29zo6bXp9Di50DzajS9FSCVTsXuX1+z02RLkuZnm0QbPb+9DCWphihJpCqhJA0PlaR2C5L0Y31kRaDZKFKj2Ga4Rrx5ispNXEBiXlnTz3E5ympnxEWa3b/KjhXHLD22bImz0uLxpo8LUJY3jV0WFyQVQ7u8zFCSaoiSRKoSStLwOH/xw7YLkvRjfWQjGSoG3vWNYm/keuPWSIoVG5UCvYmb7IhHTEXFSkRcTLLHB7L56b7i+el7lZq4TOQlFt9//JhF96WRHl2nr40Kip4/XRaPGml6K3XZohiXo/g+4ttnS1JckNr9O3UzlKQaoiSRqoSShH6sj4y9Wbcae9NudMBDG6nR1/hy440yWVGxzWEWu692H6MX491/vOktLi2Kfk/JPrZGsdKXnT4ul9n7yE6jr/EoWj8LkkJJqiFKEqlKKEkYlJKkaUVv9N71ik0j8eUmvsyikSGJi0Ur92XR7Tzx72bi21ns9jaCE8ceR7zvULPY9I1KkncfFptGpbEqBUmhJNUQJYlUJZQk9LMktbMjcKMCEEcjICa+3MSXWbz5tnJfFis5WZqHTWPi21ns9s1KkmSvU4HRiJmNeMWyj7udkmQFqdmoU5mhJNUQJYlUJZQk9GN9ZMUgu69Ns1S1JLUS411nz0U7Jclu00j2cbdTkvTVdo5XYbL9vvoVSlINUZJIVUJJQj/WR7YfUKubkRQrDK1sbstOY+LLLM1KUiub21qJ8a5rtyTZfkd6bPo+LjHe76K0W5L0s40oZffvKjuUpBqiJJGqhJKEfqyP9Oku4+3MbNHmHitS8ShRo31lbMft7DxNfJnFKxbxfen6ePpOYrzr2i1JVma8UThv/yolW4C8ZKfR30hFLL6sH6Ek1RAliVQllCT0a31kb8qichPvn6Q3aNvkE4/mxJfFoyjx9JLdl8bEl1kajb5Y4dJ9xY9N0+u+2ikOxruu3ZJkn3hTebQCp+dBl1up6UZJUuL7b2f/sW6GklRDlCRSlVCS0M/1kW12ayRbUFQGbDNQI94ok8lerjQqSfFIiqed/amMd127JUnPQaPHZc9Nt0pSfLnusx87clOSaoiSRKoSShL6vT5SEdDIjB0vSPRmrzdnGymKo8t0XVyW9AaueTR6EzfedY1KkqL78h6bCpJKVHb6RjHedTZi5R37Sb+P6PfLXq7bWVnS47PnSxqVpEbHl1KaTWOjdLrP7HW9DiWphihJpCqhJIH1EalyKEk1xEqJVCWUJLA+IlUOJamGWCmRqoSSBNZHpMqhJNUQKyVSlVCSwPqIVDmUpBpipUSqEkoSWB+RKoeSVEP6o9/60Bl3gSCkzFCSwPqIVDmUpBqaftfOMGfjCXeBIKSszN10KkxatDVdKlFXrI9IVTOs6yhKUo7vrn8qzLr/NXehIKSszH7geJi7Yne6VKKuWB+RqmZY11GUpBzLR4+GkbXPuwsFIWVl+vpjYcmjz6dLJeqK9RGpaoZ1HUVJyvHS2Yth5MdPuAsFIWVl1uqnwuETF9KlEnXF+ohUNcO6jqIk5bjyxZdh4sKtYe5mdpYk/cmtD50NExaMho8+vXpKBNQX6yNSxQzzOoqS1IJ7H385jKw56C4chPQ6M9ceDiu3H0uXRtQd6yNStQzzOoqS1AK14ymLt4c5G0+6CwghvYpGDCYt2hb+9NfmZ2BHfbA+IlXKsK+jKEkt2vHcmXDTsj1jC8W56xYSQnqTc2Hkx0+GRw68kS6FwFWsj0g1MvzrKEpSG27bfChMX7XfWVAI6X5GVj8bvvfggfDlP/6RLoHA11gfkX6nDusoSlIbLn/2ebh11Z50xcR/cKRXGfvvbGzlo2WNnbXRyKCvj+ZuOp18bNy7jlQ99VlHUZLapBWT/oPTUDefMCHdjpYpDV/rvzMKEvIM8vpo8rJ9yWksJi3dmxyt2ZuGVC91W0dRkjqkfQImL94eZtzzm+Tjj97CREir0TKkT4hoB0ht32cTG9oxaOujGRteTArSlBX7w7gF28I3b9uSHiSTEfqqpq7rKEpSAZc+vhzu2fVimLhwNMxe9XQYWXf06qHZ+a+I5ETLiJYVbW7QQdh0jBF9hJZPsaFTg7I+0putitHEO3d/9bPKkkrTjUseD7c8+MZ1tyHlh3XUVZSkLtCQt440qkOyf2vNnuQkf3rBE9IoWkZ0niMtM1p22LSGbhmE9dE3f/jodeVN56Qbt2D72PWPXjc9KT+so66iJAEASnH6wvvJG/DI3c9dU5As8x55M0xdfTB880ePhm+v2RvOX/wwvSXQH5QkAEDP6ZQq81Y9Hibd8auxQtR83yNt5tF0N4yVpZ8+8WoyOgb0AyUJANBzm595Pdxw22PhlgePu8Xo+pwLN9/9m7GiNHabH+8Kr55/J50TUB5KEgCgpy6895ekIE1b/WunDDXPnI0nwvgF28KE27ckO6cDZaIkAQB6Rh8V/+69+8KkxTuTfY68ItQsGnlSwRo9dDKdI1AeShIQ0X+qH1z6JP0JQFE7nz+T7Kw9+4HfuSWoec4l+yZ9Z+1ejh2GvqAkYeBNmP/YNR9dLZq9L5xL5wygiHc+/Gvy+py26lmnAOVHn4LTKBKfckO/UJIw8GYt35UcmO6mNYeaRgdFaxQdxE4FiTPuA93zg43PhgkLt3d0FPA5G08mO23/bN9r6dyA8lGSMPBUklSCvBVtK9HpEFSQWBkD3fPMK28lr6uZ973svu7yMnnpnuRTbXz8H/1EScLAK1KSKEhA9+nUFVMWbw1Tlu1zX3d5mb7uaPK6fP2td9M5Av1BScLA67QkUZCA3rjzsefChNu3hlsfOuO+9ppl7qbTYfzto2HtzhfSuQH9Q0nCwOukJM3dfCbccNuWMHXsv12OvQJ0z7Ezbyf/fGhfP++1l5epy/eFm+7YwfkMUQmUJAy8TkeS9JHkcfO3hH9avYeiBHTBJ5evhOlLfxmm3LXXfc3lZcaGF5OCpaIFVAElCQOvyD5JFCWge7SJTK+n7Bn+W4k+AXfjwm1h8c8Pp3MD+o+ShIFXpCQpFCWguBP/74/JKJD29fNeZ3mZtuKZMGXxtmSnb6AqKEkYeEVLkkJRAjqnj+nPWbErTLrj8bHXU/Mz/HuZdf+rScHa99L5dI5ANVCSMPB0LJWiJUmhKAGd0Rn+v/mjR5OT0XqvrWaZ9/DZcOOi7eF7P92fzg2oDkoSBl63SpKiojRhwTaKEtAinTJEpw7p9DU4dfXBMGHsnxOdwgSoGkoSBl43S5Ki/4YpSkA+nXT2X+59MkxcvHPstdP+Zjb9U6KCtf3w6XSOQLVQkjDwvJKk4yDFP7cbihKQT+VG51dT2fFeR81z9Qz/Klmc4R9VRUnCwMuWJB1rRStufb12pdxeKEpAY1fP8L8lTF15wH395EWvWc7wj6qjJGHgxSVJxUg7kM5Y+surXylKQE9oR+uJi3YkO157r51m0etq3FhB0g7fQJVRkjDwrCRZQVo2eiRc+eLL5CtFCeg+fVRfH9mfed8r7msmL5Pv3J28bvU6BaqMkoSBp5XtjUse/6og2f4N+trtojRz2U4+hYNa08EeJy3cmhz80Xut5GVk7ZGkYJ2+8H46R6C6KEkYeCpJWunGBcl0uyiNv31rGLlzB0UJtaXThkxY0PkZ/sfN5wz/GByUJAy8uSt/5RYkQ1ECuuPIqT8k/5DM2PCC+/rIy+S7nkhOgKsT4QKDgJKEgaedPxsVJBMXJQ33eyvwVkNRQh199Onfw01LtidFx3td5GX6+mNJweIM/xgklCTUhorST5+4eo6oTk/CaaEooW60iWz87aPJJjPvNdEs2jSnffrufOy5dG7AYKAkoXZ+tu+1rhWlGxftoChh6L3+1rvpa6azUdgpy5/mDP8YSJQk1FK3ipKO7K1TMlCUMKx0hn99OEIf2/deA3mZed/LyWvtmVfeSucIDA5KEmqLogTk0yZqHfhRI6fe8t8sOtCkDjj5g589m84NGCyUJNQaRQlozM7wf/Pdv3GX+7zolCU6dcl7f/5bOkdgsFCSUHsUJeB6+qDDt9fsSU5C2+kZ/vW6evzo2XSOwOChJAFjKErAtUYPnUxGkWY/cNxd1ptl3iNvJq8DzvCPQUdJAlIUJeAqLbcqSFNXH3SX8bzYGf4vvPeXdI7AYKIkAZFuF6XpS3eEs2//Zzp3oPo08vOv9z0Tbly0PRkR8pbvZrnlwTeSg7Zyhn8MA0oSkNHNonTjop1h4sJRihIGhp3hf9b9r7nLdfOcSw4VMG/Vbs7wj6FASQIcFCXU0QeXPgmTFhU4w//dzyWvG87wj2FBSQIasKKk/Su8N4RWQ1HCoNAZ/rWZ7daHzrrLcrPM3XQqjJu/Jfxkz8vp3IDBR0kCmtAnfFSUpq581n1jaDVJUVqyi6KEyvr18d8ny/qMDS+6y3BeJi/dE2Yu28kZ/jFUKElAjr0vnOtKUdLRhyfduZuihMpJzvB/x44wdflT7rKbFzvD/0tnL6ZzBIYDJQloAUUJw2zltqOFzvA/fsFoWDZ6JJ0bMDwoSUCLKEoYRq+efydZrkfWHXWX17xMWbYvOcP/pY8vp3MEhgclCWgDRQnDRGf4n7V8V7I/kbec5mXGhpeS14P2ZwKGESUJaBNFCcNCZ/i/4UePJZ9M85bRZtEn4CYs3M4Z/jHUKElAByhKGHQ6w3+yme3u59xlMy9TVuxPzvCvYysBw4qSBHSIooRBpaNhf3vN3o7P8K+jcWvZ5wz/GHaUJKCAXhSl1996N5070Bt2hv9bHuz8DP//+76nOcM/hh4lCSioq0XpjseTN69jZ95O5w50l87Mr2Vs2upfu8thXqauPsgZ/lEblCSgC7pZlCZSlNAjGvnRCNCkxTs7PMP/8eQM/48ePJHOERhulCSgS74uSgfG3lDa38/DcnXT2x6KErpO+xBpGZ39wO/cZa95ziX7MGlfJs7wj7qgJAFdtO+l82HcWLnRAfaKFCXdVvOgKKFb9Ck07fM2bVVno512hn8+XIA6oSQBXaZSo3JDUUKV3Lb5YHJco07O8D9n48nkeEo6rhJQJ5QkoAcoSqgSO8P/zPtedpax/HCGf9QVJQnoEYoSqkBn+J+yeGu6HHrLV/NMX3c0KVg6xxtQN5QkoIcoSug3nZ1/wu1bk7P1+8tW48zddJoz/KPWKElAj1GU0C8vnb2YjAJNX3/MWZ7yM3nZk+GmO3Yko1FAHVGSgBJQlFA27T+k/Yim3LXXWY7yM2PDi0nB4gz/qDNKElASihLK9JM9L4dx87d0fob/BdvCgocPpXMD6omSBJSoF0XpyKk/pHMHrjp94f1kFGhk7fPOspOfaSueSY6pxBn+UXeUJKBk3S5KejPU0b4B+foM/48ny4i/7DTOrPtfZZkCUpQkoA+6WZQmU5QQeeTAG8n51eZsPOEsL82jU+LcuGg7Z/gHUpQkoE+6V5TOJyfWpSjBzvB/05pD7nKSFzvD/9vv/1c6R6DeKElAH1lRmnTn7uS/eO+Nq9VQlOpNIz//c8NTYeLinWPLQ/ulWye91bI4euhkOkcAlCSgz3TCUO0kS1FCI+/9+W/h0seX0598OsO/zq9W9Az/bGYDvkZJAiqAooRmtPlr2pJt4ZlX3kovuZZK1IT5W8b+9gfcZSIv2jynUaTzFz9M5whAKElARVCU0IhGd7Rs6G/6g43PJqUo9oOfPRsmLtrR0XKjHbw5wz/goyQBFUJRQiPfHytC4xZsDxMWjmX+Y8nmNZWnA6/9e/J3nnnfK+5ykBcta7f8eFe4/Nnn6T0BMJQkoGIoSvBsfub15OP5Wia0WU1/1/+14akwZfG25OCP3t8/LyNrjyTz4Qz/gI+SBFQQRQlZdrJanZlff1ftoK1Pso0vcIb/cbePhjU7jqX3ACCLkgRUFEUJMX26TX9DnXjW/q7zHnlzrCwdv+Zv3Wom3/UEZ/gHclCSgAqjKCGms/rrgI/e37edTF9/LFkWDp+4kM4ZgIeSBFRcN4vSpKVPJG+OOgEqBs/y0SNh8thy4P1tW402zekM/4t/fjidK4BGKEnAAOhGUdJmGp3Ta9nYGy0GU3LAyNseG/t7dn4amynLn06WpT/99dN0rgAaoSQBA6JIUYoLEkdUHlxaBjQSeMuDne2HNPO+l5Pb73vpfDpHAM1QkoAB8lVRuuNXYe7m1j7RREEaHle++DIZSdJH972/dbOoWNsZ/gG0hpIEDBid6X3kzh3Jx7/zihIFafj893VPJpvMvL93s0xb/etkFOmRA2+kcwKQh5IEDKB3PvxrblGiIA0nnT5k0pJd7t+8WbTDtg46qaKk05hoGQLQHCUJGFDNihIFaXj9+vjvk6Jz60Od7cCv/ZImLt6RnBB3++HTLB9AE5QkYIB5RYmCNNz0N1dJUtnJFqBWo/2TJi/bl8znX+59krP/Aw1QkoABFxel6euOUpBqQOdru2nNIbcAeVEpmnX/a2Hk7ufGytGTyXGSVJCUSQu3hoUPHwrv/flv6dwBGEoSMASsKOlNj4I0/BaMlZrJS/e6hUi55cE3kqNqT1mxP0xc8qukOGvZ0CfjtOP3T/a8HA689u/h7ff/K50jAA8lCaggfdT79bfeDffvfTV878Fnw5wVu8ONC0a/+u+f1Cfj529J/v7/54H9YcPuV5Iz9j968I0wfmx5UCHSvkna9DZt9aEwaaw4jb/96+Vk9vJdyVG6dRBKHT7i8mefp0sYgFZQkoAK+eDSJ2Hl9mPJJpCZK58M09cdSTaTaGTAzv5O6hX93fX313Iw496jY8vFE2HCgi1JCdJxj6wQTV60Ndy26eBYgToRXjp7kRPXAl1ASQIqQP/hb37meJi0aFuYufZwx59cIvXI3E2nwvgF28K4+VvCD8eK0b9d/FO6JAHoJkoS0GeXPr4c/nndk2HG6gMtH0WbEEVlevrYcvOtNXuSUUgA3UVJAvpIO86OLP1lmL3+qPsmSEgrmXHvb8PNY8uR9jsC0D2UJKBPNIKkgqTjGnlvfIS0E+2zNHXJdj7KD3QRJQnoA+2DpE1sjCCRbmbG+mNh7ordfIoN6BJKEtAH2klb+yB5b3SEFMnImoPhnl0vpksagCIoSUDJtIOtPsXGTtqkF9HO3BMXbksOMAqgGEoSUDIdB0kf8/fe4AjpRnR8rfkP/SZd4gB0ipIElEhH0taBIjkOEull5j3yZnKE9k8uX0mXPACdoCQBJdKpRnQkbe+NjZBuZmTlvnDk1B/SJQ9AJyhJQIl0LjZtCvHe1AjpZnSC27u2HE2XPACdoCQBJdLJanU8G+9NjZBuZvYDx8N31u5LlzwAnaAkASXS2dx1slLvTY2Qbkbnd7vpzl+mSx6ATlCSgBJpZ1rO5k/KybnwjR/+Il3yAHSCkgSUSG9a/hsaId0PJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiSRMoMJQkohpIElIiS1NucvPhx8jy/fOEj9/q6hZIEFENJAkpESeptrCTpq3d93UJJAoqhJAEl6ldJeufS39NHEMIHH10J39/1e3e6bA6fv5TeKoQrX/zjmus0WiOXPv38msv7mSIl6cEj74Zzf/w0+X2Mfmc9d3oevNvE0TR6bo1ue+HDy8l8venLCCUJKIaSBJSoXyXJ3rz1xi2tvOmrSGl6u43E1w9LSdLvqXKUR7+nVy5Vgj757Mt0Kl8rz3cvQkkCiqEkASXqd0nSyIa0UmxsFMluI950VUq7JUmlJx450u+67dUPvrp+xf7/SJ4HK0HZ+VqRFE2jaa1I6baa3q6Pb1dWKElAMZQkoET9LkkqAPamHZcBL1YM9GZvvOmqlHZLko0g6TnJez40bXa+cen0RpkUPX/9Gm2jJAHFUJKAElWhJFkx0Bu8N62y79Sfkml0O/1s4mk0L9E+O3aZ7ftkt4tj06uQxJerROixWHkT3b7ZJipdF48A6X5t5EZaKUlx+evk03Dx7fMKVr9CSQKKoSQBJapCSYrf3BuNftj0VlRMPI2VnrgQad5WdlS04ultZCq+XPvzxOUoS4UunocSb/6LaT5W0lopSbZPlR6Xd31eit6+jFCSgGIoSUCJqlCS4p+9ERQrUfGbv4mn80qSYuVBpcVKmI3wxNPa/jyKbmPT6qvKmZWn+NNhdp+iedpt4umllZJkhcorYq3EylqzEbl+h5IEFENJAkpUlZKkUiHeKIi9+cdFw8TTNSpJim0KUwGx0qUSo+9tGitTjQqNFav4ents8SY+iwqT3W8rJcmeE2/auHDF4lLZ7PZVCSUJKIaSBJSoKiVJsSIQb/6y0R2xURrF2M9Ks5Kk0R9jm9myo1Y2kpMnnr/NK7spz+IVq0ZpVnLsfrLiaSlJwPCjJAElqlJJsh2441EZG93JbkIy8WXNSpJihUW8T3fZY8oTbw4z8e8Rx+6zleJi99/K5javELVz+36FkgQUQ0kCSlSlkhTvwG2bwWwEJVtCTHxZXkmKR4o0OhWPTCn2mBqNCnkx3ShJNq23yTEbryTZ7fv18f5WQkkCiqEkASWqUkmKL9cbvsqKeG/6Jr6sWUmyeamA2H1k9yPyikdevE2Ecay4tDLPeJOgfYqvUbzHar+jxPtaVSmUJKAYShJQoqqVJNuBW+XDpvEKg4kva1SS4v2aNE08YhXfv23aa2Ukx2KjU94nytrdcVux31mPN/4UXTZeSVJs5E33mx0ps9jjajb/XoWSBBRDSQJKVLWSpFihEX2fvV4x8WWNSpL3CTQb4VGpsDKh8mT3rXnEJULXqURp+vhyK3US7wiuy+Pfo9WSFBc60WOPnyNdrxEjK0PZ+dpzICpCehz2++mrprf5U5KAwUNJAkpUxZJkO3BLo52QTXyZV5LsMhUDKwuKvreiEd9HXHoayW7Kst8lS/dpI02tliRF8280zyxvM1+2oHnaeTzdDCUJKIaSBJSoiiXJRnSUbCGxmPgyK0TxiJFt7lJxiKdVbHqJC5RGWDSCYyVKNJ/sqI7FRmhsej1uTavLrXRlDzfQSlSAso9D89Zzp/k1em4UXafyZ7+/aD6aX7Pb9TqUJKAYShJQon6VJFLPUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQIkoSaTMUJKAYihJQInGz98S5m4+476hEdLdnKMkAQVRkoASzVmxO8zZeMJ5QyOku5m76VSYtmR7uuQB6AQlCSjRv/70QJh1/2vumxoh3czsB46H76zdly55ADpBSQJKtGH3K2HGvb9139QI6Wamrz8W7nzsSLrkAegEJQko0avn3wkzVz7hvqkR0s1MX7U/HD5xIV3yAHSCkgSU6MoXX4aJC0fDvIfPum9shHQj8x55M0y4fTR89Onf0yUPQCcoSUDJ7tpyJMy457D75kZINzKy7mj4vw8cSJc4AJ2iJAEle+/PfwuTFm4Ltz7EaBLpfjRKOWnRtnDhvb+kSxyATlGSgD64f++r4eZV+903OUKK5Oa7D4Xlo0fTJQ1AEZQkoA8uf/Z5mLd6D590I13NjA0vhFnLf8W+SECXUJKAPvng0ifh5qU7OW4S6UpmP/C7MGXJ9vDOh39NlzAARVGSgD46+/Z/hqmLt4cZ64+5b3yEtBKNIKkgaXkC0D2UJKDPtCP33JW7w82rn2VnbtJWtJO29kHSJjZGkIDuoyQBFaB9lO7Z9WLyqaTp644kx7nx3hQJUbR86GP+Wl60kzb7IAG9QUkCKkSjAT/adCjcuGA0jKzcl5xaQufg0slKdVZ37w2TDHvOJX9/LQdaHnQkbR0oUsdB4mP+QG9RkoAK+uTylXDk1B+Sc2/pJKU6m/s3fvgLUtPo76/lQMuDTjXCyBFQDkoSAACAg5IEAADgoCQBAAA4KEkAAAAOShIAAICDkgQAAOCgJAEAADgoSQAAAA5KEgAAgIOSBAAA4KAkAQAAOChJAAAADkoSAACAg5IEAADgoCQBAAA4KEkAAAAOShIAAICDkgQAAOCgJAEAADgoSQAAAA5KEgAAgIOSBAAA4KAkAQAAOChJAAAADkoSAACAg5IEAABwnRD+PwOcgYqykF7bAAAAAElFTkSuQmCC) - -G1 相关概念非常多，有一个重点就是 Remembered Set，用于记录和维护 region 之间对象的引用关系。为什么需要这么做呢？试想，新生代 GC 是复制算法，也就是说，类似对象从 Eden 或者 Survivor 到 to 区域的“移动”，其实是“复制”，本质上是一个新的对象。在这个过程中，需要必须保证老年代到新生代的跨区引用仍然有效。下面的示意图说明了相关设计。 -![img](data:image/png;base64,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) - -G1 的很多开销都是源自 Remembered Set，例如，它通常约占用 Heap 大小的 20% 或更高，这可是非常可观的比例。并且，我们进行对象复制的时候，因为需要扫描和更改 Card Table 的信息，这个速度影响了复制的速度，进而影响暂停时间。 - -描述 G1 内部的资料很多，我就不重复了，如果你想了解更多内部结构和算法等，我建议参考一些具体的[介绍](https://www.infoq.com/articles/G1-One-Garbage-Collector-To-Rule-Them-All)，书籍方面我推荐 Charlie Hunt 等撰写的《Java Performance Companion》。 - -接下来，我介绍下大家可能还不了解的 G1 行为变化，它们在一定程度上解决了专栏其他讲中提到的部分困扰，如类型卸载不及时的问题。 - -- 上面提到了 Humongous 对象的分配和回收，这是很多内存问题的来源，Humongous region 作为老年代的一部分，通常认为它会在并发标记结束后才进行回收，但是在新版 G1 中，Humongous 对象回收采取了更加激进的策略。 - 我们知道 G1 记录了老年代 region 间对象引用，Humongous 对象数量有限，所以能够快速的知道是否有老年代对象引用它。如果没有，能够阻止它被回收的唯一可能，就是新生代是否有对象引用了它，但这个信息是可以在 Young GC 时就知道的，所以完全可以在 Young GC 中就进行 Humongous 对象的回收，不用像其他老年代对象那样，等待并发标记结束。 -- 我在[专栏第 5 讲](http://time.geekbang.org/column/article/7349)，提到了在 8u20 以后字符串排重的特性，在垃圾收集过程中，G1 会把新创建的字符串对象放入队列中，然后在 Young GC 之后，并发地（不会 STW）将内部数据（char 数组，JDK 9 以后是 byte 数组）一致的字符串进行排重，也就是将其引用同一个数组。你可以使用下面参数激活： - -``` --XX:+UseStringDeduplication -复制代码 -``` - -注意，这种排重虽然可以节省不少内存空间，但这种并发操作会占用一些 CPU 资源，也会导致 Young GC 稍微变慢。 - -- 类型卸载是个长期困扰一些 Java 应用的问题，在[专栏第 25 讲](http://time.geekbang.org/column/article/10192)中，我介绍了一个类只有当加载它的自定义类加载器被回收后，才能被卸载。元数据区替换了永久代之后有所改善，但还是可能出现问题。 - -G1 的类型卸载有什么改进吗？很多资料中都谈到，G1 只有在发生 Full GC 时才进行类型卸载，但这显然不是我们想要的。你可以加上下面的参数查看类型卸载： - -``` --XX:+TraceClassUnloading -复制代码 -``` - -幸好现代的 G1 已经不是如此了，8u40 以后，G1 增加并默认开启下面的选项： - -``` --XX:+ClassUnloadingWithConcurrentMark -复制代码 -``` - -也就是说，在并发标记阶段结束后，JVM 即进行类型卸载。 - -- 我们知道老年代对象回收，基本要等待并发标记结束。这意味着，如果并发标记结束不及时，导致堆已满，但老年代空间还没完成回收，就会触发 Full GC，所以触发并发标记的时机很重要。早期的 G1 调优中，通常会设置下面参数，但是很难给出一个普适的数值，往往要根据实际运行结果调整 - -``` --XX:InitiatingHeapOccupancyPercent -复制代码 -``` - -在 JDK 9 之后的 G1 实现中，这种调整需求会少很多，因为 JVM 只会将该参数作为初始值，会在运行时进行采样，获取统计数据，然后据此动态调整并发标记启动时机。对应的 JVM 参数如下，默认已经开启： - -``` --XX:+G1UseAdaptiveIHOP -复制代码 -``` - -- 在现有的资料中，大多指出 G1 的 Full GC 是最差劲的单线程串行 GC。其实，如果采用的是最新的 JDK，你会发现 Full GC 也是并行进行的了，在通用场景中的表现还优于 Parallel GC 的 Full GC 实现。 - -当然，还有很多其他的改变，比如更快的 Card Table 扫描等，这里不再展开介绍，因为它们并不带来行为的变化，基本不影响调优选择。 - -前面介绍了 G1 的内部机制，并且穿插了部分调优建议，下面从整体上给出一些调优的建议。 - -首先，**建议尽量升级到较新的 JDK 版本**，从上面介绍的改进就可以看到，很多人们常常讨论的问题，其实升级 JDK 就可以解决了。 - -第二，掌握 GC 调优信息收集途径。掌握尽量全面、详细、准确的信息，是各种调优的基础，不仅仅是 GC 调优。我们来看看打开 GC 日志，这似乎是很简单的事情，可是你确定真的掌握了吗？ - -除了常用的两个选项， - -``` --XX:+PrintGCDetails --XX:+PrintGCDateStamps -``` - -还有一些非常有用的日志选项，很多特定问题的诊断都是要依赖这些选项： - -``` --XX:+PrintAdaptiveSizePolicy // 打印 G1 Ergonomics 相关信息 -复制代码 -``` - -我们知道 GC 内部一些行为是适应性的触发的，利用 PrintAdaptiveSizePolicy，我们就可以知道为什么 JVM 做出了一些可能我们不希望发生的动作。例如，G1 调优的一个基本建议就是避免进行大量的 Humongous 对象分配，如果 Ergonomics 信息说明发生了这一点，那么就可以考虑要么增大堆的大小，要么直接将 region 大小提高。 - -如果是怀疑出现引用清理不及时的情况，则可以打开下面选项，掌握到底是哪里出现了堆积。 - -``` --XX:+PrintReferenceGC -复制代码 -``` - -另外，建议开启选项下面的选项进行并行引用处理。 - -``` --XX:+ParallelRefProcEnabled -复制代码 -``` - -需要注意的一点是，JDK 9 中 JVM 和 GC 日志机构进行了重构，其实我前面提到的**PrintGCDetails 已经被标记为废弃**，而**PrintGCDateStamps 已经被移除**，指定它会导致 JVM 无法启动。可以使用下面的命令查询新的配置参数。 - -``` -java -Xlog:help -复制代码 -``` - -最后，来看一些通用实践，理解了我前面介绍的内部结构和机制，很多结论就一目了然了，例如： - -- 如果发现 Young GC 非常耗时，这很可能就是因为新生代太大了，我们可以考虑减小新生代的最小比例。 - -``` --XX:G1NewSizePercent -复制代码 -``` - -降低其最大值同样对降低 Young GC 延迟有帮助。 - -``` --XX:G1MaxNewSizePercent -复制代码 -``` - -如果我们直接为 G1 设置较小的延迟目标值，也会起到减小新生代的效果，虽然会影响吞吐量。 - -- 如果是 Mixed GC 延迟较长，我们应该怎么做呢？ - -还记得前面说的，部分 Old region 会被包含进 Mixed GC，减少一次处理的 region 个数，就是个直接的选择之一。 -我在上面已经介绍了 G1OldCSetRegionThresholdPercent 控制其最大值，还可以利用下面参数提高 Mixed GC 的个数，当前默认值是 8，Mixed GC 数量增多，意味着每次被包含的 region 减少。 - -``` --XX:G1MixedGCCountTarget -复制代码 -``` - -今天的内容算是抛砖引玉，更多内容你可以参考[G1 调优指南](https://docs.oracle.com/javase/9/gctuning/garbage-first-garbage-collector-tuning.htm#JSGCT-GUID-4914A8D4-DE41-4250-B68E-816B58D4E278)等，远不是几句话可以囊括的。需要注意的是，也要避免过度调优，G1 对大堆非常友好，其运行机制也需要浪费一定的空间，有时候稍微多给堆一些空间，比进行苛刻的调优更加实用。 - -今天我梳理了基本的 GC 调优思路，并对 G1 内部结构以及最新的行为变化进行了详解。总的来说，G1 的调优相对简单、直观，因为可以直接设定暂停时间等目标，并且其内部引入了各种智能的自适应机制，希望这一切的努力，能够让你在日常应用开发时更加高效。 \ No newline at end of file diff --git a/docs/java/JVM/GC.md b/docs/java/JVM/GC.md index 0093defcf7..d011b6ad4f 100644 --- a/docs/java/JVM/GC.md +++ b/docs/java/JVM/GC.md @@ -1,3 +1,5 @@ +![article-image](https://cdn.packtpub.com/article-hub/articles/23c5e054335d39909b5020b1f241ff4d.jpg) + # 垃圾回收机制 ## 一、前言 @@ -12,7 +14,7 @@ Java 相比 C/C++ 最显著的特点便是引入了自动垃圾回收 ，它解 ### 回顾下 JVM 内存区域 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gfwrx0a1jqj30ol0ck754.jpg) +![](https://dl-harmonyos.51cto.com/images/202212/d37207e632cd193510c4713b1db551924c2d36.png) @@ -30,11 +32,11 @@ String ref = new String("Java"); 以上代码 ref1 引用了右侧定义的对象，所以引用次数是 1 -![img](https://tva1.sinaimg.cn/large/007S8ZIlly1gjl9gdbf2mj307803adfn.jpg) +![](https://dl-harmonyos.51cto.com/images/202212/36620eb50bc2337a78a525cc3e139c029255f0.png) 如果在上述代码后面添加一个 ref = null，则由于对象没被引用，引用次数置为 0，由于不被任何变量引用，此时即被回收，动图如下 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gjl9gicofzg307204cglg.gif) +![](https://dl-harmonyos.51cto.com/images/202212/18eb87f042f7160d0d39383a1e82528e775cb1.gif) 看起来用引用计数确实没啥问题了，不过它无法解决一个主要的问题：**循环引用**！啥叫循环引用 @@ -63,7 +65,7 @@ public class TestRC { 按步骤一步步画图 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gjl6b79565j30rj0bejrk.jpg) +![](https://dl-harmonyos.51cto.com/images/202212/6610b0168edd882e5ed921e4eef6daf9c5d378.png) 到了第三步，虽然 a，b 都被置为 null 了，但是由于之前它们指向的对象互相指向了对方（引用计数都为 1），所以无法回收，也正是由于无法解决循环引用的问题，所以主流的 Java 虚拟机都没有选用引用计数法来管理内存。 @@ -85,7 +87,7 @@ public class TestRC { 现代虚拟机基本都是采用这种算法来判断对象是否存活，可达性算法的原理是以一系列叫做 **GC Root** 的对象为起点出发，引出它们指向的下一个节点，再以下个节点为起点，引出此节点指向的下一个结点。。。（这样通过 GC Root 串成的一条线就叫引用链），直到所有的结点都遍历完毕，如果相关对象不在任意一个以 **GC Root** 为起点的引用链中，则这些对象会被判断为「垃圾」,会被 GC 回收。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gjl6bl1kifj30jk0b60t0.jpg) +![](https://dl-harmonyos.51cto.com/images/202212/c89f360980bd1793f756862748b88614ca44a7.png) 如图示，如果用可达性算法即可解决上述循环引用的问题，因为从**GC Root** 出发没有到达 a,b，所以 a，b 可回收 @@ -156,7 +158,7 @@ public class Test { 当调用 Java 方法时，虚拟机会创建一个栈桢并压入 Java 栈，而当它调用的是本地方法时，虚拟机会保持 Java 栈不变，不会在 Java 栈祯中压入新的祯，虚拟机只是简单地动态连接并直接调用指定的本地方法。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gjl6ihuav7j30di0caq3j.jpg) +![](https://dl-harmonyos.51cto.com/images/202212/23a7586494ad8a59df60500df2b64936a33572.png) ```java JNIEXPORT void JNICALL Java_com_pecuyu_jnirefdemo_MainActivity_newStringNative(JNIEnv *env, jobject instance，jstring jmsg) { @@ -206,7 +208,7 @@ JNIEXPORT void JNICALL Java_com_pecuyu_jnirefdemo_MainActivity_newStringNative(J 1. 先根据可达性算法**标记**出相应的可回收对象（图中黄色部分） -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gjl79uspovj30ck07tt8n.jpg) +![](https://dl-harmonyos.51cto.com/images/202212/f7a858709c100d56d5122606c0a18d51fa3b8e.png) 2. 对可回收的对象进行回收操作起来确实很简单，也不用做移动数据的操作，那有啥问题呢？仔细看上图，没错，内存碎片！假如我们想在上图中的堆中分配一块需要**连续内存**占用 4M 或 5M 的区域，显然是会失败，怎么解决呢，如果能把上面未使用的 2M， 2M，1M 内存能连起来就能连成一片可用空间为 5M 的区域即可，怎么做呢? @@ -214,7 +216,7 @@ JNIEXPORT void JNICALL Java_com_pecuyu_jnirefdemo_MainActivity_newStringNative(J 把堆等分成两块区域, A 和 B，区域 A 负责分配对象，区域 B 不分配，对区域 A 使用以上所说的标记法把存活的对象标记出来，然后把区域 A 中存活的对象都复制到区域 B（存活对象都依次**紧邻排列**）最后把 A 区对象全部清理掉释放出空间，这样就解决了内存碎片的问题了。 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gfws4ow2i1j31gn0q075y.jpg) +![](https://dl-harmonyos.51cto.com/images/202212/c731dc529a180c970ab3849232c06fae11d56d.png) 不过复制算法的缺点很明显，比如给堆分配了 500M 内存，结果只有 250M 可用，空间平白无故减少了一半！这肯定是不能接受的！另外每次回收也要把存活对象移动到另一半，效率低下（我们可以想想删除数组元素再把非删除的元素往一端移，效率显然堪忧） @@ -222,7 +224,7 @@ JNIEXPORT void JNICALL Java_com_pecuyu_jnirefdemo_MainActivity_newStringNative(J 前面两步和标记清除法一样，不同的是它在标记清除法的基础上添加了一个整理的过程 ，即将所有的存活对象都往一端移动，紧邻排列（如图示），再清理掉另一端的所有区域，这样的话就解决了内存碎片的问题。 -![img](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9PeXdleXNDU2VMVXJZcVBpY2pWd2p1TUNoUHJQaWNOSGRYUzM1aWN4MTltaWIzZFpDRW0zZk9kbHcyY2xZYldUSnRoVTVpYm45WnRjOGtRdWFvc3hPYWNoUVd3LzY0MA?x-oss-process=image/format,png) +![](https://dl-harmonyos.51cto.com/images/202212/c5a4a0054791c5339646160ea1f1ccc03a4818.png) 但是缺点也很明显：每进一次垃圾清除都要频繁地移动存活的对象，效率十分低下。 @@ -230,13 +232,13 @@ JNIEXPORT void JNICALL Java_com_pecuyu_jnirefdemo_MainActivity_newStringNative(J 分代收集算法整合了以上算法，综合了这些算法的优点，最大程度避免了它们的缺点，所以是现代虚拟机采用的首选算法，与其说它是算法，倒不是说它是一种策略，因为它是把上述几种算法整合在了一起，为啥需要分代收集呢，来看一下对象的分配有啥规律 -![img](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9PeXdleXNDU2VMVXJZcVBpY2pWd2p1TUNoUHJQaWNOSGRYRjFmRXJWTmlhTHJ3ZW5NdVJGcHhOTE03a0pVSkdocVlnMWljUnpiaEVXT3lwWmZpY3F5eUdiaWFIdy82NDA?x-oss-process=image/format,png) +![](https://dl-harmonyos.51cto.com/images/202212/74acec408804279b3d42517a39878d08efa77f.jpg) *如图示：纵轴代表已分配的字节，而横轴代表程序运行时间* 由图可知，大部分的对象都很短命，都在很短的时间内都被回收了（IBM 专业研究表明，一般来说，98% 的对象都是朝生夕死的，经过一次 Minor GC 后就会被回收），所以分代收集算法根据**对象存活周期的不同**将堆分成新生代和老生代（Java8 以前还有个永久代），默认比例为 1 : 2，新生代又分为 Eden 区， from Survivor 区（简称S0），to Survivor 区(简称 S1)，三者的比例为 `8: 1 : 1`，这样就可以根据新老生代的特点选择最合适的垃圾回收算法，我们把新生代发生的 GC 称为 Young GC（也叫 Minor GC），老年代发生的 GC 称为 Old GC。 -![](https://tva1.sinaimg.cn/large/00831rSTly1gdc2yeeoz8j30aj04mglm.jpg) +![看完这篇垃圾回收，和面试官扯皮没问题了-鸿蒙开发者社区](https://dl-harmonyos.51cto.com/images/202212/74ab84b02f3754a4a10605675df0c59a6ce4ab.png) *画外音：思考一下，新生代为啥要分这么多区？* @@ -248,27 +250,23 @@ JNIEXPORT void JNICALL Java_com_pecuyu_jnirefdemo_MainActivity_newStringNative(J 由以上的分析可知，大部分对象在很短的时间内都会被回收，对象一般分配在 Eden 区 -![img](https://tva1.sinaimg.cn/large/00831rSTly1gdc2y9r7vsj30qk07kgls.jpg) +![看完这篇垃圾回收，和面试官扯皮没问题了-鸿蒙开发者社区](https://dl-harmonyos.51cto.com/images/202212/5116f2039552d5d4ed23789b7cc86ffa62247a.png) -当 Eden 区将满时，触发 Minor GC![img](https://tva1.sinaimg.cn/large/00831rSTly1gdc2ynwz4oj30q007wmxf.jpg) +当 Eden 区将满时，触发 Minor GC!![看完这篇垃圾回收，和面试官扯皮没问题了-鸿蒙开发者社区](https://dl-harmonyos.51cto.com/images/202212/535f4cf00d99ad7495a3963baebe4d8481c205.png) 我们之前怎么说来着，大部分对象在短时间内都会被回收，所以经过 Minor GC 后只有少部分对象会存活，它们会被移到 S0 区（这就是为啥空间大小 `Eden: S0: S1 = 8:1:1`，Eden 区远大于 S0，S1 的原因，因为在 Eden 区触发的 Minor GC 把大部对象（接近98%）都回收了，只留下少量存活的对象，此时把它们移到 S0 或 S1 绰绰有余）同时对象年龄加一（对象的年龄即发生 Minor GC 的次数），最后把 Eden 区对象全部清理以释放出空间，如下 -![img](https://tva1.sinaimg.cn/large/00831rSTly1gdc2z7ahusg30hr09l0v2.gif) +![看完这篇垃圾回收，和面试官扯皮没问题了](https://dl-harmonyos.51cto.com/images/202212/a2e29f7447f1c3aac22916ea7c2aabd1dea1e9.gif) -当触发下一次 Minor GC 时，会把 Eden 区的存活对象和 S0（或S1） 中的存活对象（S0 或 S1 中的存活对象经过每次 Minor GC 都可能被回收）一起移到 S1（Eden 和 S0 的存活对象年龄+1）, 同时清空 Eden 和 S0 的空间。![](https://tva1.sinaimg.cn/large/00831rSTly1gdc2zeh8bvg30hq09h76r.gif) +当触发下一次 Minor GC 时，会把 Eden 区的存活对象和 S0（或S1） 中的存活对象（S0 或 S1 中的存活对象经过每次 Minor GC 都可能被回收）一起移到 S1（Eden 和 S0 的存活对象年龄+1）, 同时清空 Eden 和 S0 的空间。![看完这篇垃圾回收，和面试官扯皮没问题了-鸿蒙开发者社区](https://dl-harmonyos.51cto.com/images/202212/97280d7105a02be986e3552ff90ef295b13529.gif) 若再触发下一次 Minor GC，则重复上一步，只不过此时变成了从 Eden，S1 区将存活对象复制到 S0 区，每次垃圾回收，S0，S1 角色互换，都是从 Eden ，S0(或S1) 将存活对象移动到 S1(或S0)。也就是说在 Eden 区的垃圾回收我们采用的是**复制算法**，因为在 Eden 区分配的对象大部分在 Minor GC 后都消亡了，只剩下极少部分存活对象，S0，S1 区域也比较小，所以最大限度地降低了复制算法造成的对象频繁拷贝带来的开销。 -> 新生代采用的复制算法，其实是优化后的复制算法，即在复制算法的基础上，使用三个分区（Eden/S0/S1）进行处理 -> -> ![](https://tva1.sinaimg.cn/large/007S8ZIlly1gjl7jk4257j30i2093mxu.jpg) -> -> + **2、对象何时晋升老年代** -- 当对象的年龄达到了我们设定的阈值，则会从S0（或S1）晋升到老年代![](https://tva1.sinaimg.cn/large/00831rSTly1gdc2zt5evgg30hs0axgnj.gif) +- 当对象的年龄达到了我们设定的阈值，则会从S0（或S1）晋升到老年代![看完这篇垃圾回收，和面试官扯皮没问题了-鸿蒙开发者社区](https://dl-harmonyos.51cto.com/images/202212/c1b3566218e225dae99945839dc3fa01bea3ba.gif) 如图示：年龄阈值设置为 15（默认为15岁）， 当发生下一次 Minor GC 时，S0 中有个对象年龄达到 15，达到我们的设定阈值，晋升到老年代！ @@ -286,7 +284,7 @@ JNIEXPORT void JNICALL Java_com_pecuyu_jnirefdemo_MainActivity_newStringNative(J 什么是 STW ？所谓的 STW，即在 GC（minor GC 或 Full GC）期间，只有垃圾回收器线程在工作，其他工作线程则被挂起。 -![](https://tva1.sinaimg.cn/large/00831rSTly1gdc2zzpdzfj30tk0go3zo.jpg) +![看完这篇垃圾回收，和面试官扯皮没问题了-鸿蒙开发者社区](https://dl-harmonyos.51cto.com/images/202212/d39094014a05d6db78370782eca38f2f38b6db.png) *画外音：为啥在垃圾收集期间其他工作线程会被挂起？想象一下，你一边在收垃圾，另外一群人一边丢垃圾，垃圾能收拾干净吗。* @@ -318,7 +316,7 @@ JNIEXPORT void JNICALL Java_com_pecuyu_jnirefdemo_MainActivity_newStringNative(J 1. `System.gc()` 方法的调用 - 此方法的调用是建议 JVM 进行 Full GC，虽然只是建议而非一定，但很多情况下它会触发 Full GC，从而增加Full GC 的频率，也即增加了间歇性停顿的次数。强烈影响系建议能不使用此方法就别使用，让虚拟机自己去管理它的内存，可通过通过 -XX:+ DisableExplicitGC 来禁止 RMI 调用 System.gc。 + 此方法的调用是建议 JVM 进行 Full GC，虽然只是建议而非一定，但很多情况下它会触发 Full GC，从而增加Full GC 的频率，也即增加了间歇性停顿的次数。强烈建议能不使用此方法就别使用，让虚拟机自己去管理它的内存，可通过通过 -XX:+ DisableExplicitGC 来禁止 RMI 调用 System.gc。 2. 老年代空间不足 @@ -337,7 +335,7 @@ JNIEXPORT void JNICALL Java_com_pecuyu_jnirefdemo_MainActivity_newStringNative(J 如果说收集算法是内存回收的方法论，那么垃圾收集器就是内存回收的具体实现。Java 虚拟机规范并没有规定垃圾收集器应该如何实现，因此一般来说不同厂商，不同版本的虚拟机提供的垃圾收集器实现可能会有差别，一般会给出参数来让用户根据应用的特点来组合各个年代使用的收集器，主要有以下垃圾收集器 -![](https://img3.sycdn.imooc.com/5bd714800001b3fc07070485.jpg) +![看完这篇垃圾回收，和面试官扯皮没问题了-鸿蒙开发者社区](https://dl-harmonyos.51cto.com/images/202212/f8c72c72318c032f5e802774787b4cfa9b940f.png) - 在新生代工作的垃圾回收器：Serial、ParNew、ParallelScavenge - 在老年代工作的垃圾回收器：CMS、Serial Old(MSC)、Parallel Old @@ -355,7 +353,7 @@ Serial 收集器是工作在新生代的，**单线程的垃圾收集器**，单 #### ParNew 收集器 -ParNew 收集器是 Serial 收集器的多线程版本，除了使用多线程，其他像收集算法、STW、对象分配规则、回收策略与 Serial 收集器完全一样，在底层上，这两种收集器也共用了相当多的代码，它的垃圾收集过程如下![](https://tva1.sinaimg.cn/large/007S8ZIlly1gjlbr6leplj30mk0fsab9.jpg) +ParNew 收集器是 Serial 收集器的多线程版本，除了使用多线程，其他像收集算法、STW、对象分配规则、回收策略与 Serial 收集器完全一样，在底层上，这两种收集器也共用了相当多的代码，它的垃圾收集过程如下![看完这篇垃圾回收，和面试官扯皮没问题了-鸿蒙开发者社区](https://dl-harmonyos.51cto.com/images/202212/d80fe3083c3264766921433926400276041c00.png) ParNew 主要工作在 Server 模式，我们知道服务端如果接收的请求多了，响应时间就很重要了，多线程可以让垃圾回收得更快，也就是减少了 STW 时间，能提升响应时间，所以是许多运行在 Server 模式下的虚拟机的首选新生代收集器，另一个与性能无关的原因是因为除了 Serial 收集器，**只有它能与 CMS 收集器配合工作**，CMS 是一个划时代的垃圾收集器，是真正意义上的**并发收集器**，它第一次实现了垃圾收集线程与用户线程（基本上）同时工作，它采用的是传统的 GC 收集器代码框架，与 Serial，ParNew 共用一套代码框架，所以能与这两者一起配合工作，而后文提到的 Parallel Scavenge 与 G1 收集器没有使用传统的 GC 收集器代码框架，而是另起炉灶独立实现的，另外一些收集器则只是共用了部分的框架代码，所以无法与 CMS 收集器一起配合工作。 @@ -432,7 +430,7 @@ G1 收集器是面向服务端的垃圾收集器，被称为驾驭一切的垃 为什么 G1 能建立可预测的停顿模型呢，主要原因在于 G1 对堆空间的分配与传统的垃圾收集器不一样，传统的内存分配就像我们前文所述，是连续的，分成新生代，老年代，新生代又分 Eden，S0，S1,如下 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gjlcc0ggtsj30cc04twem.jpg) +![看完这篇垃圾回收，和面试官扯皮没问题了-鸿蒙开发者社区](https://dl-harmonyos.51cto.com/images/202212/e3876dc9892d4d6b6c90814065700c28618baf.png) 而 G1 各代的存储地址不是连续的，每一代都使用了 n 个不连续的大小相同的 Region，每个 Region 占有一块连续的虚拟内存地址，如图示 diff --git a/docs/java/JVM/Runtime-Data-Areas.md b/docs/java/JVM/Runtime-Data-Areas.md index f29e7d632c..22c93695df 100644 --- a/docs/java/JVM/Runtime-Data-Areas.md +++ b/docs/java/JVM/Runtime-Data-Areas.md @@ -20,9 +20,7 @@ - 垃圾回收是否会涉及到虚拟机栈？ - 方法中定义的局部变量是否线程安全？ ------- -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gg9kuge8ovj32150tt7cd.jpg) # 运行时数据区 @@ -30,7 +28,7 @@ 下图是 JVM 整体架构，中间部分就是 Java 虚拟机定义的各种运行时数据区域。 -![jvm-framework](https://tva1.sinaimg.cn/large/0082zybply1gc6fz21n8kj30u00wpn5v.jpg) +![图片](https://img.starfish.ink/jvm/jvm-framework.png) Java 虚拟机定义了若干种程序运行期间会使用到的运行时数据区，其中有一些会随着虚拟机启动而创建，随着虚拟机退出而销毁。另外一些则是与线程一一对应的，这些与线程一一对应的数据区域会随着线程开始和结束而创建和销毁。 @@ -55,7 +53,7 @@ Java 虚拟机定义了若干种程序运行期间会使用到的运行时数据 PC 寄存器用来存储指向下一条指令的地址，即将要执行的指令代码。由执行引擎读取下一条指令。 -![jvm-pc-counter](https://tva1.sinaimg.cn/large/0082zybply1gc5kmznm1sj31m50u0wph.jpg) +![图片](https://mmbiz.qpic.cn/mmbiz_jpg/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29SIHYJWZ8MdtTBic8VyW9UFMkjDGzibzr6MRxUxHemmXKQibWAO5eVq93A/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) （分析：进入class文件所在目录，执行 `javap -v xx.class` 反解析（或者通过 IDEA 插件 `Jclasslib` 直接查看，上图），可以看到当前类对应的Code区（汇编指令）、本地变量表、异常表和代码行偏移量映射表、常量池等信息。） @@ -137,7 +135,7 @@ Java 虚拟机规范允许 **Java虚拟机栈的大小是动态的或者是固 IDEA 在 debug 时候，可以在 debug 窗口看到 Frames 中各种方法的压栈和出栈情况 -![](https://tva1.sinaimg.cn/large/0082zybply1gc9lezaxrbj319v0u0k4w.jpg) +![图片](https://mmbiz.qpic.cn/mmbiz_jpg/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29a7Bfd0qAUR98Brib5UNvia4yDCsvETZeO8lZoW3NljxkTic1ibDvj6PcJw/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) @@ -151,7 +149,7 @@ IDEA 在 debug 时候，可以在 debug 窗口看到 Frames 中各种方法的 - 方法返回地址（Return Address）：方法正常退出或异常退出的地址 - 一些附加信息 -![jvm-stack-frame](https://tva1.sinaimg.cn/large/0082zybply1gc8tjehg8bj318m0lbtbu.jpg) +![图片](https://mmbiz.qpic.cn/mmbiz_jpg/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29fMr12sicgr3HIgRFtFRY8IAcDvwP6orNRRIojrn3edcS3h2ibblgAgQg/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) 继续深抛栈帧中的五部分~~ @@ -178,7 +176,7 @@ IDEA 在 debug 时候，可以在 debug 窗口看到 Frames 中各种方法的 - 如果当前帧是由构造方法或实例方法创建的，那么该对象引用 this 将会存放在 index 为 0 的 Slot 处，其余的参数按照参数表顺序继续排列（这里就引出一个问题：静态方法中为什么不可以引用 this，就是因为 this 变量不存在于当前方法的局部变量表中） - **栈帧中的局部变量表中的槽位是可以重用的**，如果一个局部变量过了其作用域，那么在其作用域之后申明的新的局部变量就很有可能会复用过期局部变量的槽位，从而**达到节省资源的目的**。（下图中，this、a、b、c 理论上应该有 4 个变量，c 复用了 b 的槽） -![](https://tva1.sinaimg.cn/large/0082zybply1gc9s12g5wlj31li0owdm9.jpg) +![图片](https://mmbiz.qpic.cn/mmbiz_jpg/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29Jqp1Sop3BNUXFa3FiagNgVYjC9maNFtyltyrQVMQYrRe5wo7CFRTMUg/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) - 在栈帧中，与性能调优关系最为密切的就是局部变量表。在方法执行时，虚拟机使用局部变量表完成方法的传递 - **局部变量表中的变量也是重要的垃圾回收根节点，只要被局部变量表中直接或间接引用的对象都不会被回收** @@ -221,7 +219,7 @@ HotSpot 的执行引擎采用的并非是基于寄存器的架构，但这并不 - **每一个栈帧内部都包含一个指向运行时常量池中该栈帧所属方法的引用**。包含这个引用的目的就是为了支持当前方法的代码能够实现动态链接(Dynamic Linking)。 - 在 Java 源文件被编译到字节码文件中时，所有的变量和方法引用都作为**符号引用**（Symbolic Reference）保存在 Class 文件的常量池中。比如：描述一个方法调用了另外的其他方法时，就是通过常量池中指向方法的符号引用来表示的，那么**动态链接的作用就是为了将这些符号引用转换为调用方法的直接引用** -![jvm-dynamic-linking](https://tva1.sinaimg.cn/large/0082zybply1gca4k4gndgj31d20o2td0.jpg) +![图片](https://mmbiz.qpic.cn/mmbiz_jpg/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29g9IVw1nI30nh6BeSgA7ldbONVZicqAyetWkndD4cDwrWeRlCUwDMcKQ/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) ##### JVM 是如何执行方法调用的 @@ -339,7 +337,7 @@ Java 使用起来非常方便，然而有些层次的任务用 Java 实现起来 - 老年代（养老区）：被长时间使用的对象，老年代的内存空间应该要比年轻代更大 - 元空间（JDK1.8 之前叫永久代）：像一些方法中的操作临时对象等，JDK1.8 之前是占用 JVM 内存，JDK1.8 之后直接使用物理内存 -![JDK7](https://tva1.sinaimg.cn/large/00831rSTly1gdbr7ek6pfj30ci0560t4.jpg) +![图片](https://mmbiz.qpic.cn/mmbiz_jpg/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29bhZk1leXwNkO3Bo2iavTichwqE0W7ItpmlX5Ebr6BSputueQXutDhGOA/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) Java 虚拟机规范规定，Java 堆可以是处于物理上不连续的内存空间中，只要逻辑上是连续的即可，像磁盘空间一样。实现时，既可以是固定大小，也可以是可扩展的，主流虚拟机都是可扩展的（通过 `-Xmx` 和 `-Xms` 控制），如果堆中没有完成实例分配，并且堆无法再扩展时，就会抛出 `OutOfMemoryError` 异常。 @@ -360,7 +358,7 @@ Java 虚拟机规范规定，Java 堆可以是处于物理上不连续的内存 大对象直接进入老年代（大对象是指需要大量连续内存空间的对象）。这样做的目的是避免在 Eden 区和两个Survivor 区之间发生大量的内存拷贝 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gg06065oa9j31kw0u0q69.jpg) +![图片](https://mmbiz.qpic.cn/mmbiz_jpg/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29MhFR2A88icyjajrvRZewIe0IXiaHsSzQ7mfzm5libWG37dFyY0eoq72hg/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) #### 元空间 @@ -739,7 +737,7 @@ JVM 必须保存所有方法的 **栈、堆、方法区的交互关系** -![](https://static01.imgkr.com/temp/db050d0052a44605a13043a0bec204f0.png) +![图片](https://mmbiz.qpic.cn/mmbiz_png/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29TRzlibbP9xYfmZna5XO8A4ePIf0Jibs0BIBkq1VTouIaMMl1icRRp8Ygg/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) ### 5.4 运行时常量池 @@ -755,7 +753,7 @@ JVM 必须保存所有方法的 如下，我们通过 jclasslib 查看一个只有 Main 方法的简单类，字节码中的 #2 指向的就是 Constant Pool -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gg9i91ze2gj320i0riahe.jpg) +![图片](https://mmbiz.qpic.cn/mmbiz_jpg/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29PYTCbU8LShia2TQcibe0xefQibWmCVtKicttXza4gLfdicibp0un6yhqUX2w/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) 常量池可以看作是一张表，虚拟机指令根据这张常量表找到要执行的类名、方法名、参数类型、字面量等类型。 @@ -785,7 +783,7 @@ JVM 必须保存所有方法的 http://openjdk.java.net/jeps/122 -![](https://tva1.sinaimg.cn/large/007S8ZIlly1gg04ve34c2j30z00u0dp7.jpg) +![图片](https://mmbiz.qpic.cn/mmbiz_jpg/Z0fxkgAKKLMAVEVNlW7gDqZIFzSvVq29TOfUbUic8p6tVfwicc2Xn3hIEKaaq2wBoPOzplTrrobZUcx1V9DKUiaUw/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1) - 为永久代设置空间大小是很难确定的。 diff --git a/docs/notes/short-video.md b/docs/notes/short-video.md new file mode 100755 index 0000000000..2038ea31c8 --- /dev/null +++ b/docs/notes/short-video.md @@ -0,0 +1,93 @@ +![img](https://static001.geekbang.org/resource/image/2b/2c/2be44cf21a81b42f9637c049d025fd2c.jpg) + +## 定位 + +## 创作 + +### 选题 + +一个好选题是创作爆款短视频的第一步。 + +选题决定着创作方向，也代表着创作者对外输出的价值观，而这种价值观会直接影响创作者的个人定位和 IP 塑造。我见到过很多陷入瓶颈期的短视频创作者，并不是他们不知道怎么拍，而是不知道要拍什么，觉得自己能拍的东西都拍完了，从而陷入到创作焦虑中。 + +当然，现在的短视频平台一般都会推出一些官方活动和话题，我们可以结合自身经验、日常观察、职业背景或用户需求等角度来进行选择和创作。不过这只能算是一种权宜之策，我们还是需要真正掌握确定合适选题的方法，这样不管在哪个创作阶段，我们的创作方向才都是清晰、不迷茫的。 + +技巧一：和用户关心的话题相结合 + +不管你是采用哪种方法来寻找选题，都不要忘记热点是最重要的维度之一。 + +技巧二：和个人视角相匹配 + +不能转化成自我视角的选题，没有任何意义。 + +这句话是什么意思呢？就是指不管我们找的选题话题度有多高，如果没有办法以自我视角去剖析、解读，没有办法带给用户更多价值的话，那么这个选题本身也就没有任何意义。 + +### 标题 + +《溥仪重游故宫，看到墙上挂错了照片》 + +《溥仪重游故宫，指出一处错误，专家反倒骂其无知》 + +试想一下，如果你正在浏览短视频，你更愿意点开哪条视频来看呢？很显然，是第 2 条，对不对？因为它具备足够的悬念性，会吸引用户迫切地想了解发生了什么事，以及最后的答案是什么，视频的打开率自然就会很高。 + +数字标题 + +所谓的数字标题，就是将自己创作的短视频中最核心、最重要、最吸引人的内容以数字的方式呈现出来，作为标题的主打卖点。 + +看完这本书明白了 5 个道理，让我受益匪浅！ +明白了这本书中的 5 个道理，我卸载了游戏，还清了欠款！ + +### 封面 + +“**看书先看皮，看报先看题**” + +**悬念封面**：利用吸引人的画面、场景、人物等方式留住用户的注意力。一般来说，封面上往往是事件的起因，而视频内容是答案。一定要记得，不要在封面上留足噱头，但是内容中没有解释，这样的行为会非常影响用户的观感。 +**效果封面**：通过多种修饰的方法将最好的视觉效果呈现在封面上，同时还可以添加一些内容中的关键词，方便后台机器准确识别自己的内容，然后匹配给合适的用户群体。 +**借力封面**：借助外界有影响力的热点、人物、事件等元素，来吸引用户观看内容。这里一定要注意，采用借力的封面上不能只体现了热点，而没有凸显内容价值，否则会留不住用户。 +**猎奇封面**：以满足用户的好奇心为出发点，通过新鲜、新奇的事物来吸引用户观看自己的内容。注意，采用猎奇封面时，需要能在内容中提供具体的价值点。另外，我建议最好不要经常使用猎奇封面，不然一旦内容中提供的信息不能满足用户的需求，就会被平台判定为标题党。 + + +**所有短视频的本质其实就是在为用户提供价值。不管你创作的是搞笑类视频还是知识科普类视频，你都在对外传递价值，不过就是传递的价值种类不一样罢了。** + + + +**故事封面**：就是采用“图片 + 文字”的搭配方式将用户代入具体的情感场景下，让用户产生情感上的共鸣。请注意，故事封面最好选择的是带有情绪力量的图片。 +**精彩封面**：就是将内容中最惹人注意、或者让人眼前一亮的画面作为主打卖点，以此吸引用户的观看兴趣。请注意，千万不要从审丑或者哗众取宠的方向入手。 +**人设封面**：就是通过真人出镜的方式作为主打，封面上要提供有热度的关键词，内容中要提供信息的完整性。 +**重点信息封面**：就是将内容中最有价值或有亮点的信息以醒目的文字方式呈现出来，它可以作为标题的补充，以此快速让用户停留下来点开内容，寻找答案。 + + + +### 剪辑 + +使用具体案例学习剪辑时，一定要从易到难、循序渐进，一点点地拓展自己的剪辑水平。同时，你也可以利用碎片化时间进行反复练习，这样更能提升你的剪辑水平。 +在使用数据反馈法学习剪辑时，你要注意，各个短视频平台推出的剪辑 App 上都有热门的案例、模版、道具、教程等，上面也都有具体数字的标注，比如 10 万人在使用等字样。如果数据越大，就证明这个剪辑功能、方法越受用户的喜爱，你可以优先放到自己的作品中进行学习。 +在使用解决问题的方法来学习剪辑技巧时，注意不要将剪辑的目标定得太高，而是要一个个地来解决具体的剪辑问题。因为一口吃不成个胖子，只有不断地给予自己正向反馈，你才能更有信心，更能坚持下去。 +在使用参与平台活动来学习剪辑技巧时，你可以多关注下目前热门平台上的官方信息，试验着将最新的剪辑手法一步步应用到自己的创作上。 + + +日本的认知科学家今井睦美在《深度学习》中提到：**实现更好的学习，首先需要明确自己的学习目的。** 也就是说，我们必须搞清楚自己学习剪辑的目的是什么，这样才能真正学到有用的剪辑技巧。 + + + +## 运营 + +内容运营和数据运营的角度 + +我们先来学习下如何用电影创作的方式，即利用“拉片法”来掌握爆款短视频的内容运营技巧。 + +### 点赞率 + + + +## 变现 + +## 小结 + +重视时间的复利 + +“复利”这个词一般是出现在金融领域里的，通俗点来说就是“利滚利”。而所谓“时间的复利”，就是指在单向的时间维度里，通过点滴地学习，可以获得多倍的增长回报，爱因斯坦也把这种时间 + 复利的效应比作世界第八大奇迹。 + +看未来你想成为什么样的人，你就清楚现在的选择是否重要；看未来你想实现什么样的梦想，你就知道现在要选择什么样的路 + +另外，我的经验还告诉我，在砥砺前行时，一定记得要多跟自己比较，少拿别人的标准来影响自己，因为自己前行的一小步，才是成为人生赢家的一大步。 \ No newline at end of file diff --git a/docs/others/Unit-Testing.md b/docs/others/Unit-Testing.md new file mode 100755 index 0000000000..831068cd3a --- /dev/null +++ b/docs/others/Unit-Testing.md @@ -0,0 +1,29 @@ +```java + +@Test +public void should_add_todo_item() { + // 准备 + TodoItemRepository repository = mock(TodoItemRepository.class); + when(repository.save(any())).then(returnsFirstArg()); + TodoItemService service = new TodoItemService(repository); + + // 执行 + TodoItem item = service.addTodoItem(new TodoParameter("foo")); + + // 断言 + assertThat(item.getContent()).isEqualTo("foo"); + + // 清理(可选) + +} +``` + +我把这个测试分成了四段，分别是准备、执行、断言和清理，这也是一般测试都会具备的四个阶段，我们分别来看一下。 + +准备。这个阶段是为了测试所做的一些准备，比如启动外部依赖的服务，存储一些预置的数据。在我们这个例子里面就是设置所需组件的行为，然后将这些组件组装了起来。 + +执行。这个阶段是整个测试中最核心的部分，触发被测目标的行为。通常来说，它就是一个测试点，在大多数情况下，执行应该就是一个函数调用。如果是测试外部系统，就是发出一个请求。在我们这段代码里，它就是调用了一个函数。 + +断言。断言是我们的预期，它负责验证执行的结果是否正确。比如，被测系统是否返回了正确的应答。在这个例子，我们验证的是 Todo 项的内容是否是我们添加进去的内容。 + +清理。清理是一个可能会有的部分。如果在测试中使到了外部资源，在这个部分要及时地释放掉，保证测试环境被还原到一个最初的状态，就像什么都没发生过一样。比如，我们在测试过程中向数据库插入了数据，执行之后，要删除测试过程中插入的数据。一些测试框架对一些通用的情况已经提供支持，比如之前我们用到的临时文件。 \ No newline at end of file diff --git a/docs/work/.DS_Store b/docs/work/.DS_Store deleted file mode 100644 index e920c599d2..0000000000 Binary files a/docs/work/.DS_Store and /dev/null differ diff --git a/docs/work/DMP.md b/docs/work/DMP.md deleted file mode 100755 index d63f513b26..0000000000 --- a/docs/work/DMP.md +++ /dev/null @@ -1,16 +0,0 @@ -## DMP 平台介绍 - -DMP 其实是一个数据管理平台，是把分散的多方数据进行整合纳入统一的技术平台，并对这些数据进行标准化和细分，让用户可以把这些细分结果推向现有的互动营销环境里的平台。 - -业界代表性的产品有腾讯广点通和阿里达摩盘。它们主要提供创建细分人群、分析用户画像、种子用户群体拓展（lookalike）、再营销、分析投放管理、流量采买和第三方数据接入等功能。 - - - - - - - - - -[《58的商业DMP数据管理平台的架构与实践》](https://blog.csdn.net/zhaodedong/article/details/108250575) - diff --git a/docs/work/DPA.md b/docs/work/DPA.md deleted file mode 100644 index f92bddcb69..0000000000 --- a/docs/work/DPA.md +++ /dev/null @@ -1,169 +0,0 @@ -# 千人千面的动态商品广告 - -![网络图片](https://tva1.sinaimg.cn/large/0081Kckwly1gmckrhusklj30ic0cmjsw.jpg) - - - -## 一、什么是动态商品广告 | 千人千面的高效创意及转化 - -> 互联网的今天，大家肯定都遇到过这样的场景，当你想在某宝给女朋友买个生日礼物的时候，还没有下单，这时候女朋友叫你去刷碗，回来后就忘了这茬，然后躺在那刷微博，这时候，一条名为『还在纠结送女友什么吗？这三种礼物，让女友爱不释手』的内容就出现了，这不是刚才在某宝看到的商品吗？ - - - -恩~，这就是动态商品广告。 - - - -### DPA 类别 - -上边的例子，属于原生动态商品广告（信息流动态商品广告）。 - -由于广告形式的多样性，所以我们常见的动态商品广告，有**信息流动态商品广告** 和**搜索动态商品广告**这两种。 - -而搜索动态商品广告，就是基于搜索行为来匹配商品的。 - -当然，还有按商品数量分类的，其中又区分单商品广告（sDPA）和多商品广告（mDPA），前者适合希望打造营销爆品的广告主，后者适合拥有海量商品投放需求的广告主(这个大多是在创意里选择的)。 - - - -#### 信息流动态商品广告 - -你可能会疑惑的是，我在淘宝的行为怎么会被微博知道？ - -这个其实是一个数据打通的过程，淘宝要把广告商品的特征数据上传到微博，并且在淘宝部署微博的监测代码，当你浏览商品、加入购物车或购买时，就会触发监测，把商品特征数据传给微博。 - -这样，当微博认出你时就会匹配你的商品行为数据，展现对应的广告。 - - - -#### 搜索动态商品广告 - -搜索动态商品广告，是基于商品数据进行触发的，**属于用户搜索和商品的匹配** - -> 可以根据用户的搜索行为进行匹配、召回商品信息，自动生成创意，降低商品推广的维护成本、覆盖传统搜索触达不到的流量。 - -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/works/%E6%90%9C%E7%B4%A2DPA.png) - - - -动态商品广告围绕的核心是商品（程序化创意广告的核心是创意），发挥作用的前提是平台之间数据打通，基础要素是商品特征和人的特征的匹配，但持续发挥作用的条件是：**转化数据闭环的形成**。 - -如果你点击广告完成了购买，这就形成了一个转化闭环。如果你再上微博时还看到该商品广告，显然会造成广告费的浪费。 - -那怎么办呢？ - -再拿淘宝举例，它要持续给微博回传你后续转化情况的数据。换句话说，你一旦转化，就会成为数据分析的重要对象。 - -因为这证明你和商品之间存在高度匹配，那么，和你的“人的特征”高度相似的人，是不是也和该商品高度匹配？和你所购买的“商品特征”高度相似的商品，是不是也和你高度匹配？ - -接下来就可以通过 lookalike 能力给你推荐类似商品，也给与你相似的人推荐该商品。 - - - -> 动态商品广告，围绕商品 ，利用多维度数据模型智能投放，为广告主实现精准定向和千人千面素材投放。 - -动态商品广告（Dynamic Products Ads，简称DPA）是把正确的商品或服务展现在正确的人面前，这涉及到两个重要因素：商品的特征、人的特征。 - -所以，动态商品广告的原理是，通过匹配二者特征而展现广告，其实是**基于该用户之前与该商品的互动行为，针对该用户展开该商品的再营销。** - -商品的特征包括：商品ID、名称、描述、类别、价格、图片等等。 - -人的特征包括：年龄、性别、地理位置、兴趣爱好、媒介行为，尤其是商品行为（浏览、加入购物车、购买等）。 - -商家不用再为各种商品分别建立广告，也不需要时时更新广告内容，就可以及时向顾客显示他们最感兴趣的商品，达到再营销策略，提高成交率 - - - -## 二、DPA 产生背景 - -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/works/DPA%E4%BA%A7%E7%94%9F%E8%83%8C%E6%99%AF.png) - -以搜索广告为例，过去，基于关键词维度的广告触发，必须通过购买关键词，才能触发广告。针对海量商品，优化人员需要一一对应提取商品的不同属性，创建推广计划、单元并输出创意。 - -而现在，只需要创建一个动态商品广告的推广计划，只要广告主录入的商品与搜索的关键词相关，广告就会被触发，匹配更精准。 - - - -## 三、DPA 优势 - -动态商品广告是帮助广告主提高广告创意制作效率及营销转化的工具。一次设置，即可为不同的广告受众个性化推荐符合需求的商品或服务，**降低广告制作成本，显著提升投放转化率**。 - -#### 展现优势 - -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/works/dpa-%E5%8A%A8%E6%80%81%E5%95%86%E5%93%81%E5%B9%BF%E5%91%8A%E4%BC%98%E5%8A%BF.png) - - - -#### 投放操作优势 - -高效管理，无需逐一制作创意，只需一次对接商品库，即可投放海量商品 - -- 一次对接，多端投放（商品中心，就像是连接广告主业务数据和广告投放的数据银行） -- 人效N倍提升，1条计划投放海量商品 -- 对接门槛低，提供多种对接方式（在线表单、excel、自动 XML 对接） -- 一般是当天设置，第二天即可投放（效率不同） - - - - - -## 四、动态商品广告是怎么动起来的 - -DPA 的动态分为三个层次： - -- 内容动态：对不同喜好/购买需要的用户投放的内容不一样； -- 落地页动态：广告落地页是动态生成的，可以是某个商品的详情页，也可以是相同品类的列表页，是程序根据结构化数据自动生成的 -- 投放用户动态：不针对某一特定群体投放，根据每个用户的搜索或过往行为记录确定； - - - - - -## 五、投放 DPA - -以搜索动态商品广告为例——用户搜索和商品的匹配 - -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/works/dpa%E6%B5%81%E7%A8%8B.jpg) - - - - - -## 动态商品广告技术流程 - - - -TODO 用户搜索请求先到了哪里 - - - -几个关键业务： - -商品库（商品中心）：连接广告主业务数据和广告投放的数据银行，一库多用。不管有多少商品，通过一次对接，就把海量商品数据打包在一起，统一管理，全域投放。 - -一般商品库系统会包含这么几个概念： - -- 商品库：广告主对接系统，一般是个独立的系统，提供商品对接和存储、管理等服务（百度商品中心、腾讯商品库、360商品库） -- 商品文件：商品库存放商品数据的文件（广告主提供，一般是xml、excel、csv这类） -- 商品包：把满足特定条件的商品打包，用来投放（百度商品组、腾讯叫商品系列，一个东西） -- 商品：一条条的结构化商品信息，就是我们说的 SKU - -![](https://cdn.jsdelivr.net/gh/Jstarfish/picBed/others/%E6%88%AA%E5%B1%8F2022-05-11%20%E4%B8%8B%E5%8D%888.21.49.png) - -DMP：人群数据管理 - - - - - - - -## 参考 - -- 百度营销 http://yingxiao.baidu.com/new/home/product/product?id=88&ly=article_from - -- 腾讯广告 https://e.qq.com/technology/commodity/ - -- 腾讯社交广告 https://i.gtimg.cn/qzone/biz/gdt/portal/styles/download/technology-commodity.pdf - -- http://www.woshipm.com/it/1823883.html \ No newline at end of file diff --git a/docs/work/ad.md b/docs/work/ad.md deleted file mode 100644 index 0b2cf337be..0000000000 --- a/docs/work/ad.md +++ /dev/null @@ -1,157 +0,0 @@ -数据怎么变成钱的。左边这个广告位投放的吉列剃须刀的广告，这个广告位卖一万块钱，是流量的价值，我每天来了十万人，这十万人看到这个广告，你就得给我一万块钱。吉列是主要面对男性的广告主，我只给男性用户投吉列广告，省出来的用户都是女性用户，我找一个化妆品的广告投给女性用户，我找每一个广告主各收六千块钱。对媒体来说，投入产出比也提高了，我收到了一万两千块钱。我特别要强调，多出来的两千块钱是什么，这两千块钱就是数据变现的价值。你知道了每一个人是男是女，在原来一万块钱基础上可以凭空多挣两千块钱。仅仅知道一个性别就可以多挣两千，你要知道更多这个人的信息和购物偏好，你显然可以挣更多的钱，这些钱都是数据变现带来的钱。 ——刘鹏 - -![广告系统的平台架构与交互流程- 知乎](https://pica.zhimg.com/v2-b27805725869e5d4da822a89ac88361f_1440w.jpg?source=172ae18b) - -## 广告专业词汇： - -**投标（Bidding）** - -竞价系统，即广告客户选择愿意为广告点击支付的最高出价金额。出价越高，展示位置就越好。你可以使用以下三种出价方式：CPC、CPM或CPE。 - -- **CPC：**Cost Per Click即每次点击费用，是指为广告的每次点击所支付的费用。 - -- **CPM：**Cost Per Mille即每千次展示费用，当广告向一千人展示时需要支付的费用。 - -- **CPE：**Cost Per Engagement即每次互动费用，当用户对广告采取预定操作时需要支付的费用。 - - - -**点击率（CTR：Click-Through Rate）** - -CTR是指广告获得的点击次数占观看次数的比例。点击率越高，表示广告质量越高，该广告就可以匹配搜索意图并定位相关的关键字。 - - - -**关键词** - -当用户在搜索框中输入关键字查询时，显示与搜索者意图相符的一系列结果。 - -关键字是与搜索者的需求相符并能满足其查询条件的词或短语。你可以根据显示广告的查询选择关键字。例如，输入“如何清除鞋上的口香糖”后，将看到“鞋上的口香糖”和“清洁鞋”等搜索结果。 - -**否定关键字（Negative Keywords）**是指你不想为其排名的关键字词的列表。 Google会将这些关键字从你的出价中撤出。通常情况下，这些关键词与你想要的关键词还是有一定联系的，但却超出了你所能提供或想要的排名范围。 - - - -### 推荐系统中的召回和排序 - -在推荐系统中一般会分为召回和排序两个阶段： - -#### 召回 - -召回的目标是从千万级甚至亿级的候选中召回几千个item，召回一般由多路组成，每一路会有不同的侧重点（优化目标），如在广告中成熟期广告和冷启动广告分为两路召回（如果广告比较多，还可能分冷热广告分别召回）。在推荐系统，不同路可能代表了不同的优化目标，如喜欢、关注、观看时长、评论这些都可以分不同的路召回。 - -目前召回常用的方法有：协同过滤、FM、FFM、图模型、双塔模型、还有YouTube在2017年论文中提出的DNN模型、字节的Deep Retrieval算法等 - -在工业届，常常会用FM、双塔模型等先学习user embedding、和 item embedding，然后用ball tree、fast ball tree 等近似最近邻算法进行检索，加快效率 - -> 召回的目的在于减少候选的数量（尽量控制在1000以内），方便后续排序环节使用复杂模型精准排序；因为在短时间内评估海量候选，所以召回的关键点是个快字，受限与此与排序相比，召回的算法模型相对简单，使用的特征比较少。 -> -> 业界普遍采用的方式是多路召回，即从多个维度出发在海量库里把相关度高的候选尽可能找出来。 -> -> 多路同时召回是出于多方面的考虑： -> -> - 多样性，从不同维度出发去找到相关的候选； -> - 鲁棒性，即使一路召回出现问题，其他召回通路也会正常运行不至于阻塞主流程； -> - 可解释与灵活性，每一路从单独维度出发可以很好解释召回的逻辑，如果效果不理想调整起来复杂度低更加灵活。 -> -> 在某一路召回时选好方向确定对应的打分函数，之后进行打分、排序、截断召回topN，各路召回之间彼此独立，胜出的候选之间不具有可比性。 -> -> 召回主要从用户（U）、上下文（C）、搜索词（Q）、广告（A）几个大方向出发，细化维度可以结合实际业务场景，可以基于上下文标题/描述/分类/标签/图片、用户基础统计信息/兴趣标签/历史行为、检索词、基于物品的协同过滤，处理的信息是多模态的包括文字、图片、视频等。 -> -> 具体召回匹配时有两种思路： -> -> - 基于标签/关键词的文本硬匹配，如广告定向中的地域、性别，要么匹配，要么不匹配，扩展性及灵活度差一些； -> - 基于向量的语义软匹配。选择有效的原始特征进行embedding嵌入向量空间，通过双塔模型学习获得用户、广告的向量表示，利用点积、余弦相似度或者欧氏距离等方式计算向量相关度，类似Youtube的推荐双塔和微软的DSSM；既可以改变阈值调整召回数量又能满足性能需求，是当前召回的主流形式。 -> -> 召回不像排序阶段直接影响业务指标，经过粗排精排等环节作用后对最终结果的影响已经很小，对质量衡量难度相对较大，可以从两个方面出发尝试评估： -> -> - 独特性，某路召回结果的不可替代或者与其他通路的重复度，重复度越高该路召回的价值越小； -> - 转化效果，召回结果的后续表现，如精排后的排名或者被曝光后用户是否点击，效果越好价值越高。 - - - -#### 排序 - -排序阶段就是把召回的结果进行排序，把top k（k 一般都是个位数）结果作为推荐系统最终的输出。 - -如果说召回是提供可能性，则排序是提供确定性：把最合适的候选找出来推给用户。 - -排序细化可以分为粗排、精排、重排。 - -- 粗排是召回阶段返回的候选数量还是太多，精排直接处理性能上不能满足，粗排用简单模型再做一次过滤减少数量，是个可选环节； -- 精排是整个排序的关键，是各路模型的主战场，也是我们讨论的主角。 -- 重排则是出于业务考虑，对精排后的结果进行处理：多样性、频控、类别控制、特定结果提权等； - - - -#### 为什么要把排序分为精排和粗排？ - -把排序阶段分为粗排和精排，其实就是生成环境中成本和结果的一个平衡。进入排序阶段的候选集一般确实只有几千个，但是对于抖音、YouTube这种量级的应用来说，他们request是非常多的，依然不能上太复杂的模型和特征。 - -因此把排序分为粗排和精排： - -粗排漏斗一般是： 几千 -> 几百 - -精排漏斗一般是：几百 -> 几个 - -这样精排可以把模型和特征做到极致，可以达到非常高的精度 - - - -#### 召回和粗排的差别在哪里？ - -##### 1. 建模目标不同 - -召回是漏斗的最上游，可以说是决定了推荐系统的上限 - -召回的目标是召回用户可能感兴趣的 item，会考虑多方面的因素 - - - -粗排是对召回的结果进行排序，top k 送入精排，常用的有两种建模方式： - -1. 独立建模，如在在广告推荐中，粗排也是优化ecpm，在推荐中也是优化Finish、Staytime等 - -2. 对齐精排，用 leaning to rank 等方法去学习精排的序 - -##### 2. 正负样本的选择不同 - -如果说召回决定了推荐系统的上线的话，那么可以说样本的构造决定了模型的上限 - -先看召回阶段： - -正样本一般选择用户有正反馈的样本，如ctr中用户点击了的作为正样本，like中用户点了喜欢的作为正样本 - -但是负样本该怎么选呢？ - -最简单的方法就是把send给用户后，用户没有正反馈的样本作为负样本。但是这样会带来一个问题，那就是召回模型在training和serving面临的样本分布是不一样的，违反了机器学习的基本原则。 - -具体的来说就是，真正被send给用户的item只占所有item非常小的一部分，召回模型在serving时会面临很多它以前从来没有见过的样本，召回模型在这些样本上会很难区分 - -怎么解决这个问题呢？ - -通常的方法就是从召回的池子中进行随机采样，具体做法待补充 - - - -##### 再来看粗排： - -粗排的基本目标一般是对其精排，所以可以把精排的top k 个样本作为正样本，然后从精排中其它样本中随机采样，作为负样本 - -粗排对其精排本身没有太大问题，但是这里也有一个ee（exploit－explore）问题，如果粗排完全对其精排的话，可能会导致模型探索不足，为了缓解这个问题，我们可以适当补充一些进入召回但是没有进精排的样本作为负样本 - - - -CRT - -roi - -![](https://tva1.sinaimg.cn/large/008i3skNly1gqmpcxmlkoj30ms06ftbe.jpg) - - - - - - - -- 《广告系列：召回与排序》http://www.woshipm.com/pd/4443378.html diff --git a/scripts/.DS_Store b/scripts/.DS_Store deleted file mode 100644 index dfe848a9d7..0000000000 Binary files a/scripts/.DS_Store and /dev/null differ diff --git a/scripts/deploy-gh.sh b/scripts/deploy-gh.sh deleted file mode 100644 index 4b669ea113..0000000000 --- a/scripts/deploy-gh.sh +++ /dev/null @@ -1,30 +0,0 @@ -#!/usr/bin/env sh - -# 确保脚本抛出遇到的错误 -set -e - -# 生成静态文件 -npm run docs:build - -# 进入生成的文件夹 -cd docs/.vuepress/dist - -# 如果是发布到自定义域名 -echo 'http://javakeeper.starfish.ink/' > CNAME - -git init -git add -A -git commit -m 'deploy' - -# 如果发布到 https://.github.io -# git push -f git@github.com:/.github.io.git master - -# 如果发布到 https://.github.io/ -# git push -f git@github.com:/.git master:gh-pages - -# 把上面的 换成你自己的 Github 用户名， 换成仓库名，比如我这里就是： - -git push -f git@github.com:jstarfish/jstarfish.github.io.git master - - -cd - \ No newline at end of file