文章目录

1 数据库相关知识总结
- 1.2 MySQL数据库
- - 1.2.1 索引有哪些？
  - 1.2.2 MyISAM 和 InnoDB有什么不同？
  - 1.2.3 MySQL 有哪些锁？
  - 1.2.4 有哪些隔离级别
  - 1.2.5 如何解决脏读，不可重复读和幻读
  - 1.2.6 什么是悲观锁乐观锁
  - 1.2.7 undo日志和redo日志的作用
  - 1.2.8 简单易答的SQL优化方案
  - 1.2.9 数据库范式
- 1.3 Redis 数据库
- - 1.3.1 Redis 集群
- 1.4 Hadoop相关
- - 1.4.1 HDFS
  - 1.4.2 Hadoop
  - 1.4.3 MapReduce
  - Spark、Hive、Hbase、Flink、Kafka
  - 1.4.4 有哪些流式大数据处理框架？
- 1.5 OLTP和OLAP
- 1.6 mongoDB 数据库
- - 1.6.1 在什么场景下用它
  - 1.6.2 市场萎缩了？
2 分布式系统理论
- 2.1 什么是强一致性弱一致性
- 2.2 CAP理论
- 2.3 分布式事务的三种常见解决方案
- 2.4 一致性Hash算法
- 2.5 服务降级、限流和熔断
3 友情链接：

如果说，学习知识就像遍历一个巨大的图一样，那么必然有深度优先遍历和广度优先遍历，本文大概属于广度优先遍历，相关知识点点到即止。文末的链接里的文章是更为详细的内容，代表着这些知识点的子结点。

1 数据库相关知识总结

1.2 MySQL数据库

1.2.1 索引有哪些？

按照底层数据结构分为：

B+ 树索引，如InnoDB 引擎里的聚簇索引，每个节点都是页，叶子节点存放记录，非叶子节点存放的是主键和页编号的映射，每个页采用槽+单向链表的方式组织，页与页之间是双向链表。
Hash索引，如InnoDB 会在频繁使用的索引上自动创建hash索引以提高速度，其采用除法散列函数，冲突机制采用拉链法。
MyISAM引擎不支持事务，数据和索引是分开存储的。
位图索引，非常适合在性别，婚姻状况这样自由度/删选能力很低的字段上建立。
B*树索引是B+树索引的进一步演变，不仅叶子节点使用指针连接起来，中间结点也使用指针连接起来。
R树空间索引是B树在高纬空间的扩展，基于R树数据结构，解决了高纬空间搜索问题，R+树空间索引允许矩形重叠，MyISAM支持，主要用于GIS数据。
倒排索引，搜索引擎常用，其结构是key-value，key是关键词，value是文档ID[和频率]。
前缀树索引，百度搜索框自动提示应该用的就是这个，可以快速地从巨大的数据中查询出目标前缀字符串。
全文索引，MyISAM和InnoDB(5.6以上)均可以支持。

按照聚簇索引和非聚簇索引分为：

聚簇索引
二级索引
- 联合索引

按照应用层面（逻辑）分：

主键索引，不允许空值，看做特殊的唯一索引
唯一索引，允许空值
多列索引
普通索引
空间索引，仅MyISAM支持，猜测底层就是R树

B+ 树索引的结构是什么样的？

每个节点都是数据页（tablespace表空间，segment段，extent区, page页，row记录），默认大小16k，非叶子节点的仅仅存储数据索引，叶子结点如果是聚簇索引，则会存放数据记录，如果是非聚簇索引，则仅仅存放主键。

1.2.2 MyISAM 和 InnoDB有什么不同？

一般说MyISAM比InnoDB查询快，因为其数据和索引是分开的，数据是顺序存放的通过offset可以快速找到数据，另外MyISAM比较简单，因此快。
MyISAM不支持事务，只支持表级锁，不支持外键，崩溃无法安全恢复数据，不持之MVCC。

1.2.3 MySQL 有哪些锁？

按照锁的粒度分：

表级锁
页级锁
行级锁（innodb还有间隙锁Gap-lock, 用于锁定一个范围）

按照锁的级别 :

共享锁（读锁，事务自动加，也可以显示声明： SELECT … LOCK IN SHARE MODE）
排它锁（写锁，更新操作时会给涉及的数据自动加，也可显示声明：SELECT … FOR UPDATE）
意向锁（用户不可感知）

1.2.4 有哪些隔离级别

读取未提交：丢失修改，脏读（ABBA，对B来说脏读且丢失修改，ABAB对B是脏读，对A是丢失修改），不可重复度，幻读
读取已提交：不可重复读，幻读
可重复读：幻读（MySQL默认的事务隔离级别）
可串行化：事务依次逐个执行，不存在上述四个问题

1.2.5 如何解决脏读，不可重复读和幻读

解决脏读：更新时加写锁(排它锁)，查询时加读锁(共享锁)，只允许同时读操作。
解决不可重复读： MVCC (多版本并发控制)，mvcc为没条数据增加了隐藏的两列(创建版本号和删除版本号)。
解决幻读：基于next-key锁（记录锁+ 间隙锁就是在索引和索引之间上面加锁）和基于MVCC的快照读（所有其他事物增加与删除数据对于当前事务不可见）。

1.2.6 什么是悲观锁乐观锁

悲观锁包括共享锁和排它锁。
乐观锁在事务进行到提交阶段通过版本判断是否冲突，返回错误信息让用户自己处理。

1.2.7 undo日志和redo日志的作用

undo日志用于事务回滚，记录数据修改前的原版数据。
redo日志用于解决服务器崩溃等问题造成的缓存buffer和硬盘持久化数据的不一致性，两阶段提交。
两者都有缓存，崩溃恢复时，先恢复redo日志，再恢复undo日志(数据回滚时的日志也会写入redo)。

undo日志位于共享表空间。

## 日志记录过程简化后看是这样的
A.事务开始.
B.记录A=1到undo log.
C.修改A=3.
D.记录A=3到redo log.
E.记录B=2到undo log.
F.修改B=4.
G.记录B=4到redo log.
H.将redo log写入磁盘。
I.事务提交

此外还有binlog（二进制归档日志），用于主从复制。
日志都是顺序写的，通常磁盘顺序写的性能是很好的。

1.2.8 简单易答的SQL优化方案

总体来说有四个优化方向（越往下收益越小，成本越高）
- SQL及索引
- 数据库表结构
- 系统配置
- 硬件
主要说SQL及索引的方案
- 少用*，减少数据库服务解析代价，增加索引覆盖的可能性，减少网络带宽占用。
- 少用 like、union、or、!= 关键字。
- where限定语句限定效果好的放在前面。
- 特定情况下用子查询代替连接操作。
- 少对字段进行null判断。
- in，not in慎用。
- where条件语句里少用运算。
MySQL不会命中索引的情况
- 负向查询都不会命中索引: NOT IN,NOT LIKE,NOT EXTSTS
- 用like查询的话，%在右边会命中索引的，而%在左边则不会，单不绝对
- or条件查询时，如果每一个条件都有索引（单列的那种）时，会命中索引，各个字段在一个联合索引里无法命中
- 如果列类型是字符串，那一定要在条件中将数据使用引号引用起来，否则不命中索引
- 在where字句中使用类似于 age - 1 = 19的计算不命中索引，除非建立了函数索引
- B-tree 索引 is null 不会走， is not null 会走，位图索引都会走索引
- 没建立索引或者没使用where子句不会命中索引
- 查询的数量是大部分，如30%以上，则会扫描表而不是走索引
- 对小表的查询
- > <有时会命中索引，有些情况下不会
- 单独引用联合索引中非第一列的情况，index(name,age,weight)相当于附赠了index(name,age),index(name)两个索引
EXPLAIN关键字加在查询前面如explain select actor_id from actor order by actor_id可打印一些SQL解系信息，用于分析索引命中等等。
MySQL索引命中规则
- 最左匹配原则: where字句的条件分等值条件和范围条件，等值条件依次命中索引中最左边的字段，然后依次向右命中，范围放在最后。

1.2.9 数据库范式

1NF 每一列都是不可再分的
2NF 每一条记录都是和主键相关的（在1NF的基础上消除非主属性之间的传递依赖）
3NF 每一条记录都和主键直接相关（在2NF的基础上消除传递依赖）
BCNF 消除某一列与复合主键某一列相关，而与其他主键列无关（消除主键间的传递依赖）
4NF 非主属性不应该有多值
5NF 终极范式，极力消除冗余

1.3 Redis 数据库

Redis有哪些数据类型？
- String: Redis不使用C语言的String而是自己实现了CDS，CDS在头部存储了长度信息，空间分配机制更高效
- Hash: 和Java的Hash类似，拉链发解决冲突，初始空间为4，2倍扩容，扩容需要rehash，缩容发生在占用10%时。
- List：双向链表实现；quicklist实现，类似于B树，节点存放多个值，且使用双向链表指针连接节点；3.2版本之前有ziplist（压缩列表）实现，省内存但是查询效率差；
- Set: hash和intSet两种实现，前者和Java类似，Java中HashSet使用HashMap实现，后者维护一个int数组，有序存放
- SortedSet（zset）: 跳跃表
除此之外Redis还有哪些数据类型？
- Pub/Sub，如字面意思，可以往此类型key写数据，则订阅了该key的客户端会收到消息，接收消息是阻塞的。
- Bitmaps
- HyperLogLog,HyperLogLog算法用一个固定长度的字节统计流数据的基数，有2^14方个桶
Redis怎么实现分布式锁的？
- 题外话，除了redis实现，还可以zookeeper实现，DB锁实现(乐观锁，悲观锁)
- 如果用php的redis、Jedis客户端，可以使用setnx来加锁，mutil-exce来解锁
  - 这种分布式锁需要超时时间、key-value验证value才能解锁
  - 加锁setnx并同时指定超时时间，具有原子性，锁已存在的情况下自旋等待
  - 解锁判断value和事务传入的是否匹配，匹配才能完成解锁，通过Lua批量执行事项原子性
```
- 获取锁（unique_value可以是UUID等）
SET resource_name unique_value NX PX 30000- 释放锁（lua脚本中，一定要比较value，防止误解锁）
if redis.call("get",KEYS[1]) == ARGV[1] thenreturn redis.call("del",KEYS[1])
elsereturn 0
end
```
- 如果使用Redissson客户端，则直接调用接口即可，此外该客户端还支持更丰富的锁，其底层实现暂未研究
- 后来的Redis原生支持了分布式锁，Redlock（Redis Distributed Lock）,依赖多个Redis，是真正意义上的分布

1.3.1 Redis 集群

Redis高可用模型
- Redis主从模型，主写，从获得同步，可一主多从，读写分离
- Redis-Sentinel哨兵模型，通过一个独立的哨兵来监控主节点，哨兵通过发送命令，等待Redis服务器响应，从而监控运行的多个Redis实例，Master宕机，则可以把slave切换成master
- Redis-Cluster 集群模型，Redis 3.0之后支持的，是一种无中心的集群(其实这样的集群挺常见的，zookeeper也是这样的集群，差异可能在于选举算法上)
Redis的Cluster需要客户端支持，如php的redis扩展不支持cluster，而predis支持，无论是Redission(题外话，这个真的很强大)还是predis都需要在客户端配置及群里的全部redis连接（没有中心，考虑到任何一个master都可能宕机）。

集群的架构如上图所示，集群节点之间两两通过gossip协议交换信息，是去中心化的协调
节点间分区容错，分区的方法和一致性Hash算法基本一样，有2^14个槽，根据集群结点数目把槽分成多个段

1.4 Hadoop相关

1.4.1 HDFS

全程Hadoop Distribute File System
特点：
- 存储非常大的文件，百度云的HDFS集群有约10万台主机，具备PB级别的存储能力。
- 采用流式数据访问方式，采用append-only的方式写入数据，吞吐量大，但是延时较高。
- 对硬件不敏感，即不需要特别贵的、可靠的机器。
- 不适合存储大量的小文件，因为一个文件/目录/文件块占150字节的元数据空间，如果有100万个文件，则需要大约300M的内存。
- 不适合多方读写，需要任意修改文件的场景，不支持文件任意offset的修改，不支持多个写入器(writer)。
物理磁盘的扇区通常为512byte，为什么HDFS的Block大至128M？
- 为了最小化查找(seek)时间。
HDFS集群组成
- HDFS集群由Namenode和Datanode组成，构成了master-worker模式。
- Namenode负责构建命名空间，管理元数据等，而Datanode负责实际数据存储，负责读写工作。
- 为避免Namenode的单点问题，有两个措施，持久化元数据和Secondary Namenode。

1.4.2 Hadoop

图 Hadoop架构

核心部件
- HDFS: 分布式文件存储(GFS的一个实现？)
- MapReduce: 分布式计算
- YARN: 分布式资源管理
- Others: 利用YARN的资源管理功能实现其他的数据处理方式

1.4.3 MapReduce

图 MapReduce的架构层次

定义: MapReduce是一个面向大数据的高性能的并行计算平台/框架/方法, 其借鉴了函数式编程语言的设计思想，方便我们编写并行算法,其本质就是分治算法。
应用场景如：有1TB数据，如何建立倒排索引？如何排序？
MapReduce的工作过程：
- 打个比方
- 举个栗子：统计词频率

举个栗子: 建立倒排索引

Spark、Hive、Hbase、Flink、Kafka

简言之：这些都大数据相关的东西
- Spark比较流行，是基于内存计算的大数据并行计算框架，Spark-Streaming可做高吞吐率的实时计算。
- Hive是基于Hadoop的数据仓库工具，可将结构化的数据映射为数据库表，提供简单的sql查询（可以说Hive是类SQL引擎），将SQL转化为MapReduce，数据不支持更新操作。
- Hbase是基于Hadoop的数据库，key-value数据库，是一个分布式、可扩展、大数据的存储库，不能兼容所有的ACID特性，需要分布式协调zookeeper来协调。
- Flink最近非常火，和Hive，Spark, MapReduce的角色相同，能进行流处理和批处理分布式计算
- Kafka是一个分布式的高性能的消息队列中间件，我们通常拿来跟RocketMQ，RabbitMQ比较。其又一个流式处理Kafka Streams是一个用于构建流式处理的客户端，其输入输出都在Kafka集群中。

1.4.4 有哪些流式大数据处理框架？

Storm
Trident
Spark Streaming
Flink

产品	模型	API	保证次数	容错机制	状态管理	延时	吞吐量
Storm	Native（数据进入立即处理）	组合式（基础API）	At-least-once （至少一次）	Record ACK（ACK机制）	无	低	低
Trident	Micro-Batching（划分为小批处理）	组合式	Exactly-once （仅一次）	Record ACK	基于操作（每次操作有一个状态）	中等	中等
Spark Streaming	Micro-Batching	声明式（提供封装后的高阶函数，如count函数）	Exactly-once	RDD CheckPoint（基于RDD做CheckPoint）	基于DStream	中等	高
Flink	Native	声明式	Exactly-once	CheckPoint（Flink的一种快照）	基于操作	低	高

注: 本人2020年秋招面试了几个数据开发岗： ClickHouse 和 Flink 几乎是必问的内容

1.5 OLTP和OLAP

OnLine Transaction Processing，数据库，有事务，追求一致性
OnLine Access Processing，数据仓库，无事务，追求能快速查能计算
也就是上文中Hbase属于OLTP,Hive、Spark等属于OLAP

1.6 mongoDB 数据库

1.6.1 在什么场景下用它

和Hbase角色相同，是OLTP，不过不支持事务，因此不适合用在银行会计场合。
有数据量大，高伸缩性需求，适合实时的插入更新和查询。
文档型数据，尤其是字段多结构复杂的json数据，mongo的BSON。
性能高，做缓存基础设施，能在一定程度上干Redis的事情。

1.6.2 市场萎缩了？

笔者感觉市场有一定的萎缩，不过应该较受Nodejs、PHP和Ruby技术栈人员喜爱。
如果追求数据量较大，且可靠，用Cassandra，用MySQL+MyCat，用兼容MySQL的大型的开源的关系型数据库如 tiDB, Cubrid。
如果追求高性能的数据分析，Hbase家族得天独厚。

2 分布式系统理论

2.1 什么是强一致性弱一致性

一致性分为数据一致性和事务一致性，后者就是ACID里的一致性。
数据复制是导致数据一致性问题的唯一原因。
强一致性又称为线性一致性，数据复制过程是同步的。
除了强一致性，其他一致性都是弱一致性，弱一致性的数据复制是异步的。
强一致性结构中，主库宕机时从库的数据是完整的，但是如果从库阻塞或宕机，则主库就无法完成写入操作。
最终一致性，从库的数据是异步更新的，等一段时间之后会和主库保持一致。

2.2 CAP理论

CAP理论指的是一个分布式系统最多只能同时满足一致性（Consistency）、可用性（Availability）和分区容错性（Partition tolerance）这三项中的两项。拿一个网上的图来看看。
这里的一致性是强一致性。
可用性可以理解为性能好，不阻塞。
分区容错性指的是数据在不同节点上有备份容易，避免单点故障。

如果只能取两个，通常一定会取分区容错性P，不然有违设计初衷，大型系统性能必须优于单机，因此性能要好，因此很多时候会采用AP。
分布式事务要做到的就是保证AP，然后尽可能保证C，通常是通过柔性事务实现最终一致性。
TCC操作：Try阶段，尝试执行业务，完成所有业务的检查，实现一致性；预留必须的业务资源，实现准隔离性。Confirm阶段：真正的去执行业务，不做任何检查，仅适用Try阶段预留的业务资源，Confirm操作还要满足幂等性。Cancel阶段：取消执行业务，释放Try阶段预留的业务资源，Cancel操作要满足幂等性。TCC与2PC(两阶段提交)协议的区别：TCC位于业务服务层而不是资源层，TCC没有单独准备阶段，Try操作兼备资源操作与准备的能力，TCC中Try操作可以灵活的选择业务资源，锁定粒度。TCC的开发成本比2PC高。实际上TCC也属于两阶段操作，但是TCC不等同于2PC操作。

2.3 分布式事务的三种常见解决方案

基于可靠消息的最终一致性方案
- 实现：业务处理服务在业务事务提交之前，向实时消息服务请求发送消息，实时消息服务只记录消息数据，而不是真正的发送。业务处理服务在业务事务提交之后，向实时消息服务确认发送。只有在得到确认发送指令后，实时消息服务才会真正发送。
- 消息：业务处理服务在业务事务回滚后，向实时消息服务取消发送。消息发送状态确认系统定期找到未确认发送或者回滚发送的消息，向业务处理服务询问消息状态，业务处理服务根据消息ID或者消息内容确认该消息是否有效。被动方的处理结果不会影响主动方的处理结果，被动方的消息处理操作是幂等操作。
- 成本：可靠的消息系统建设成本，一次消息发送需要两次请求，业务处理服务需要实现消息状态回查接口。
- 优点：消息数据独立存储，独立伸缩，降低业务系统和消息系统之间的耦合。对最终一致性时间敏感度较高，降低业务被动方的实现成本。兼容所有实现JMS标准的MQ中间件，确保业务数据可靠的前提下，实现业务的最终一致性，理想状态下是准实时的一致性。

TCC事务补偿型方案
- 实现：一个完整的业务活动由一个主业务服务于若干的从业务服务组成。主业务服务负责发起并完成整个业务活动。从业务服务提供TCC型业务操作。业务活动管理器控制业务活动的一致性，它登记业务活动的操作，并在业务活动提交时确认所有的TCC型操作的Confirm操作，在业务活动取消时调用所有TCC型操作的Cancel操作。
- 成本：实现TCC操作的成本较高，业务活动结束的时候Confirm和Cancel操作的执行成本。业务活动的日志成本。
- 使用范围：强隔离性，严格一致性要求的业务活动。适用于执行时间较短的业务，比如处理账户或者收费等等。
- 特点：不与具体的服务框架耦合，位于业务服务层，而不是资源层，可以灵活的选择业务资源的锁定粒度。TCC里对每个服务资源操作的是本地事务，数据被锁住的时间短，可扩展性好，可以说是为独立部署的SOA服务而设计的。

最大努力通知型
- 实现：业务活动的主动方在完成处理之后向业务活动的被动方发送消息，允许消息丢失。业务活动的被动方根据定时策略，向业务活动的主动方查询，恢复丢失的业务消息。
- 约束：被动方的处理结果不影响主动方的处理结果。
- 成本：业务查询与校对系统的建设成本。
- 使用范围：对业务最终一致性的时间敏感度低。跨企业的业务活动。
- 特点：业务活动的主动方在完成业务处理之后，向业务活动的被动方发送通知消息。主动方可以设置时间阶梯通知规则，在通知失败后按规则重复通知，知道通知N次后不再通知。主动方提供校对查询接口给被动方按需校对查询，用户恢复丢失的业务消息。
- 适用范围：银行通知，商户通知。

2.4 一致性Hash算法

一致性hash算法的性质
- 平衡性：尽可能保证所有的缓冲空间得以被利用
- 单调性：结点数目发生变化，无需全部重新hash
- 分散性：分散性应当尽量降低，尽量避免相同的内容被分散到不同结点
- 负载: 和分散性讲的是同样的问题
- 平滑性：服务器节点数平滑改变对应的缓存对象也平滑改变
如何一致性？如下图，如果某个结点宕机，则数据被hash到下一个结点。
- 引入虚拟节点来解决不平衡问题

2.5 服务降级、限流和熔断

什么是微服务的雪崩效应？
- 在微服务架构中，微服务是完成一个单一的业务功能，这样做的好处是可以做到解耦，每个微服务可以独立演进。但是，一个应用可能会有多个微服务组成，微服务之间的数据交互通过远程过程调用完成。这就带来一个问题，假设微服务A调用微服务B和微服务C，微服务B和微服务C又调用其它的微服务，这就是所谓的“扇出”。如果扇出的链路上某个微服务的调用响应时间过长或者不可用，对微服务A的调用就会占用越来越多的系统资源，进而引起系统崩溃，所谓的“雪崩效应”。
什么是服务降级？
- 服务降级有很多种降级方式！如开关降级、限流降级、熔断降级!
怎么降级？
- 简化执行流程，如蚂蚁森林只返回最近100天的日志，而不是特别多的内容。
- 关闭次要功能，如一个实时系统面临高负载，暂时关闭报表功能。
- 降低一致性，即将核心业务流程的同步改异步，将强一致性改最终一致性！
什么是熔断？
- 这个概念很好理解，比如电流过大或者短路就会熔断，避免电路大面积烧毁，股市暴跌之后停止交易，避免过大亏损。在微服务中熔断的作用就是避免雪崩发生，当某个服务长时间不能正常响应时，对其熔断，不再使用，快速返回，释放资源。
在Spring Cloud框架里，熔断机制通过Hystrix实现。Hystrix会监控微服务间调用的状况，当失败的调用到一定阈值，缺省是5秒内20次调用失败，就会启动熔断机制，5s之后再判断是否符合解除熔断条件。阿里出的Sentinel也是熔断实现方案。
如何限流降级？
- 令牌桶方法：以固定速率生成令牌，每个请求获得令牌消费了令牌才能通过过滤得到服务。
- 漏桶算法：有一个固定容量的漏桶（请求缓冲区），溢出则丢弃，漏桶里的请求消费速率是固定的。

3 友情链接：

[1] 知乎：MySQL 索引

[2] MySQL 的hash 索引的使用场景

[3] 什么是乐观锁，悲观锁

[4] 通俗易懂强一致性、弱一致性、最终一致性、读写一致性、单调读、因果一致性的区别与联系

[5] CAP理论

[6] 分布式事务中常见的三种解决方案

[7] MySQL表结构，表空间，段，区，页，MVCC

[8] undo日志和redo日志

[9] MySQL日志系统：redo log、binlog、undo log 区别与作用

[10] MySQL Innodb 数据页结构分析

[11] 一条SQL语句在MySQL中是如何执行的

[12] SQL语句优化分析

[13] 史上最全SQL优化方案

[14] 必须掌握的30种SQL语句优化

[15] 数据库设计三大范式

[16] 数据库设计六大范式

[17] 单点故障与分布式锁

[18] 一致性Hash算法

[19] Elasticsearch如何做到亿级数据查询毫秒级返回？

[20] MySQL索引类型都有哪些？

[21] MySQL中不会命中索引的情况

[22] MySQL索引命中规则

[23] 关系型数据库大数据解决方案OLTP

[24] 数据库常见索引解析（B树，B-树，B+树，B*树，位图索引，Hash索引）

[25] 服务降级和限流

[26] 谈谈服务雪崩、降级与熔断

[27] 高并发系统限流-漏桶算法和令牌桶算法

[28] Redis的Hash实现详解

[29] Redis源码走马观花（5）HyperLogLog

[30] 面试官：你看过Redis数据结构底层实现吗？

[31] Redis集合set底层原理

[32] Hadoop教程

[33] B站视频: 深入浅出讲解 MapReduce

[34] 【Spark】Spark基础教程

[35] Spark Streaming简介及原理

[36] 阿里巴巴主推的 Flink 为什么火？

[37] 用Redis构建分布式锁-RedLock(真分布)

[38] redis分布式锁的安全性探讨（二）：分布式锁Redlock

[39] Redlock：Redis分布式锁最牛逼的实现

[40] springboot2.0集成redisson搭建redis-cluster集群模式开发

[41] redis cluster介绍

[42] Kafka流式处理

[43] mysql索引之一：索引基础（B-Tree索引、哈希索引、聚簇索引、全文(Full-text)索引区别）（唯一索引、最左前缀索引、前缀索引、多列索引）

[44] HBase、MongoDB、cassandra比较

[45] 关系型数据库大数据解决方案OLTP

面试数据库知识点总结相关推荐

使用t-sql语句修改表中的某些数据及数据类型。_Java面试——数据库知识点
微信公众号:猿的夜场关注可了解更多的技术文档.问题或建议,请公众号留言! MySQL 1.建主键:数据库表中对储存数据对象予以唯一和完整标识的数据列或属性的组合.一个数据列只能有一个主键,且主键的 ...
高级 Java 面试通关知识点整理
转载自高级 Java 面试通关知识点整理 1.常用设计模式单例模式:懒汉式.饿汉式.双重校验锁.静态加载,内部类加载.枚举类加载.保证一个类仅有一个实例,并提供一个访问它的全局访问点. 代理模式: ...
Android工程师面试准备知识点
Android工程师面试准备知识点听+7哥说,把下面的全弄懂,面试必过,所以我就试着去把所有题目补充了一下,各位能耐的网友们,如果有吐槽或者补充的尽管给我留言,在这里谢过大家了. 1. andr ...
JavaScript工作面试常用知识点总结大全
JavaScript工作面试常用知识点总结大全 JS语言的构成 ECMAScript - JavaScript的核心 BOM - 浏览器对象模型 DOM - 文档对象模型 JS的引入方式外部引入:通 ...
C/C++面试笔试知识点总结
C/C++面试笔试知识点总结 1.const关键字的作用?(变量,参数,返回值) 2.什么是死锁? 3.造成死锁的4个必要条件? 4.如何避免死锁? 5.static关键字作用? 6.c/c++中内存 ...
Java面试常见知识点总结
目录面试常见知识点静态代码块代码块构造方法之间的顺序 interface和abstract的区别 abstract能不能继承interface 反正可不可以 interface 和abstra ...
06-JAVA面试核心知识点整理(时间较多的同学全面复习)
JVM (1) 基本概念: JVM是可运行Java代码的假想计算机 ,包括一套字节码指令集.一组寄存器.一个栈.一个垃圾回收,堆和一个存储方法域.JVM 是运行在操作系统之上的,它与硬件没有直接的 ...
C++面试基础知识点
C++开发面试基础知识点 1. 语言基础 1.1 const的用法 1)在定义的时候必须进行初始化 2)指针可以是const 指针,也可以是指向const对象的指针 3)定义为const的形参,即在 ...
2020年Android面试高频知识点小结+9家公司面试真题
作者:小羊子说前言正直2020金九银十,第一次换工作或是面试候选人,我们都会对面试知识做一次总结梳理,毕竟开发技术无边界,不同人对技术的解读不同.文章总结了最近大半年中的面试考查点V1.0,希望对 ...

面试数据库知识点总结