数据库面试题2022,RabbitMQ面试题：如何解决消息的顺序问题？ --- 2022-04-03

数据库面试题2022,RabbitMQ面试题：如何解决消息的顺序问题？ --- 2022-04-03详细介绍

本文目录一览： 「春招系列」MySQL面试核心25问（附答案）

篇幅所限本文只写了MySQL25题，像其他的Redis，SSM框架，算法，计网等技术栈的面试题后面会持续更新，个人整理的1000余道面试八股文会放在文末给大家白嫖，最近有面试需要刷题的同学可以直接翻到文末领取。
如果表使用自增主键，那么每次插入新的记录，记录就会顺序添加到当前索引节点的后续位置，当一页写满，就会自动开辟一个新的页。如果使用非自增主键（如果身份证号或学号等），由于每次插入主键的值近似于随机，因此每次新纪录都要被插到现有索引页得中间某个位置， 频繁的移动、分页操作造成了大量的碎片，得到了不够紧凑的索引结构，后续不得不通过OPTIMIZE TABLE（optimize table）来重建表并优化填充页面。
Server层按顺序执行sql的步骤为：
简单概括：
可以分为服务层和存储引擎层两部分，其中：
服务层包括连接器、查询缓存、分析器、优化器、执行器等 ，涵盖MySQL的大多数核心服务功能，以及所有的内置函数（如日期、时间、数学和加密函数等），所有跨存储引擎的功能都在这一层实现，比如存储过程、触发器、视图等。
存储引擎层负责数据的存储和提取 。其架构模式是插件式的，支持InnoDB、MyISAM、Memory等多个存储引擎。现在最常用的存储引擎是InnoDB，它从MySQL 5.5.5版本开始成为了默认的存储引擎。
Drop、Delete、Truncate都表示删除，但是三者有一些差别：
Delete 用来删除表的全部或者一部分数据行，执行Delete之后，用户需要提交(commmit)或者回滚(rollback)来执行删除或者撤销删除，会触发这个表上所有的delete触发器。
Truncate 删除表中的所有数据，这个操作不能回滚，也不会触发这个表上的触发器，TRUNCATE比Delete更快，占用的空间更小。
Drop 命令从数据库中删除表，所有的数据行，索引和权限也会被删除，所有的DML触发器也不会被触发，这个命令也不能回滚。
因此，在不再需要一张表的时候，用Drop；在想删除部分数据行时候，用Delete；在保留表而删除所有数据的时候用Truncate。
隔离级别脏读不可重复读幻影读 READ-UNCOMMITTED 未提交读 READ-COMMITTED 提交读 REPEATABLE-READ 重复读 SERIALIZABLE 可串行化读
MySQL InnoDB 存储引擎的默认支持的隔离级别是 REPEATABLE-READ （可重读）
这里需要注意的是 ：与 SQL 标准不同的地方在于InnoDB 存储引擎在 REPEATABLE-READ（可重读）事务隔离级别 下使用的是 Next-Key Lock 锁 算法，因此可以避免幻读的产生，这与其他数据库系统(如 SQL Server)是不同的。所以 说InnoDB 存储引擎的默认支持的隔离级别是 REPEATABLE-READ（可重读） 已经可以完全保证事务的隔离性要 求，即达到了 SQL标准的SERIALIZABLE(可串行化)隔离级别。
因为隔离级别越低，事务请求的锁越少，所以大部分数据库系统的隔离级别都是READ-COMMITTED(读取提交内 容):，但是你要知道的是InnoDB 存储引擎默认使用 REPEATABLE-READ（可重读）并不会有任何性能损失 。
InnoDB 存储引擎在分布式事务 的情况下一般会用到SERIALIZABLE(可串行化)隔离级别。
主要原因：B+树只要遍历叶子节点就可以实现整棵树的遍历，而且在数据库中基于范围的查询是非常频繁的，而B树只能中序遍历所有节点，效率太低。
文件与数据库都是需要较大的存储，也就是说，它们都不可能全部存储在内存中，故需要存储到磁盘上。而所谓索引，则为了数据的快速定位与查找，那么索引的结构组织要尽量减少查找过程中磁盘I/O的存取次数，因此B+树相比B树更为合适。数据库系统巧妙利用了局部性原理与磁盘预读原理，将一个节点的大小设为等于一个页，这样每个节点只需要一次I/O就可以完全载入，而红黑树这种结构，高度明显要深的多，并且由于逻辑上很近的节点(父子)物理上可能很远，无法利用局部性。
最重要的是，B+树还有一个最大的好处：方便扫库。
B树必须用中序遍历的方法按序扫库，而B+树直接从叶子结点挨个扫一遍就完了，B+树支持range-query非常方便，而B树不支持，这是数据库选用B+树的最主要原因。
B+树查找效率更加稳定，B树有可能在中间节点找到数据，稳定性不够。
B+tree的磁盘读写代价更低：B+tree的内部结点并没有指向关键字具体信息的指针(红色部分)，因此其内部结点相对B 树更小。如果把所有同一内部结点的关键字存放在同一块盘中，那么盘块所能容纳的关键字数量也越多。一次性读入内存中的需要查找的关键字也就越多，相对来说IO读写次数也就降低了；
B+tree的查询效率更加稳定：由于内部结点并不是最终指向文件内容的结点，而只是叶子结点中关键字的索引，所以，任何关键字的查找必须走一条从根结点到叶子结点的路。所有关键字查询的路径长度相同，导致每一个数据的查询效率相当；
视图是一种虚拟的表，通常是有一个表或者多个表的行或列的子集，具有和物理表相同的功能 游标是对查询出来的结果集作为一个单元来有效的处理。一般不使用游标，但是需要逐条处理数据的时候，游标显得十分重要。
而在 MySQL 中，恢复机制是通过回滚日志（undo log）实现的，所有事务进行的修改都会先记录到这个回滚日志中，然后在对数据库中的对应行进行写入。当事务已经被提交之后，就无法再次回滚了。
回滚日志作用：1)能够在发生错误或者用户执行 ROLLBACK 时提供回滚相关的信息 2) 在整个系统发生崩溃、数据库进程直接被杀死后，当用户再次启动数据库进程时，还能够立刻通过查询回滚日志将之前未完成的事务进行回滚，这也就需要回滚日志必须先于数据持久化到磁盘上，是我们需要先写日志后写数据库的主要原因。
InnoDB
MyISAM
总结
数据库并发会带来脏读、幻读、丢弃更改、不可重复读这四个常见问题，其中：
脏读 ：在第一个修改事务和读取事务进行的时候，读取事务读到的数据为100，这是修改之后的数据，但是之后该事务满足一致性等特性而做了回滚操作，那么读取事务得到的结果就是脏数据了。
幻读 ：一般是T1在某个范围内进行修改操作（增加或者删除），而T2读取该范围导致读到的数据是修改之间的了，强调范围。
丢弃修改 ：两个写事务T1 T2同时对A=0进行递增操作，结果T2覆盖T1，导致最终结果是1 而不是2，事务被覆盖
不可重复读 ：T2 读取一个数据，然后T1 对该数据做了修改。如果 T2 再次读取这个数据，此时读取的结果和第一次读取的结果不同。
第一个事务首先读取var变量为50，接着准备更新为100的时，并未提交，第二个事务已经读取var为100，此时第一个事务做了回滚。最终第二个事务读取的var和数据库的var不一样。
T1 读取某个范围的数据，T2 在这个范围内插入新的数据，T1 再次读取这个范围的数据，此时读取的结果和和第一次读取的结果不同。
T1 和 T2 两个事务都对一个数据进行修改，T1 先修改，T2 随后修改，T2 的修改覆盖了 T1 的修改。例如：事务1读取某表中的数据A=50，事务2也读取A=50，事务1修改A=A+50，事务2也修改A=A+50，最终结果A=100，事务1的修改被丢失。
T2 读取一个数据，T1 对该数据做了修改。如果 T2 再次读取这个数据，此时读取的结果和第一次读取的结果不同。
悲观锁，先获取锁，再进行业务操作，一般就是利用类似 SELECT … FOR UPDATE 这样的语句，对数据加锁，避免其他事务意外修改数据。当数据库执行SELECT … FOR UPDATE时会获取被select中的数据行的行锁，select for update获取的行锁会在当前事务结束时自动释放，因此必须在事务中使用。
乐观锁，先进行业务操作，只在最后实际更新数据时进行检查数据是否被更新过。Java 并发包中的 AtomicFieldUpdater 类似，也是利用 CAS 机制，并不会对数据加锁，而是通过对比数据的时间戳或者版本号，来实现乐观锁需要的版本判断。
分库与分表的目的在于，减小数据库的单库单表负担，提高查询性能，缩短查询时间。
通过分表 ，可以减少数据库的单表负担，将压力分散到不同的表上，同时因为不同的表上的数据量少了，起到提高查询性能，缩短查询时间的作用，此外，可以很大的缓解表锁的问题。分表策略可以归纳为垂直拆分和水平拆分:
水平分表 ：取模分表就属于随机分表，而时间维度分表则属于连续分表。如何设计好垂直拆分，我的建议：将不常用的字段单独拆分到另外一张扩展表. 将大文本的字段单独拆分到另外一张扩展表, 将不经常修改的字段放在同一张表中，将经常改变的字段放在另一张表中。对于海量用户场景，可以考虑取模分表，数据相对比较均匀，不容易出现热点和并发访问的瓶颈。
库内分表 ，仅仅是解决了单表数据过大的问题，但并没有把单表的数据分散到不同的物理机上，因此并不能减轻 MySQL 服务器的压力，仍然存在同一个物理机上的资源竞争和瓶颈，包括 CPU、内存、磁盘 IO、网络带宽等。
分库与分表带来的分布式困境与应对之策 数据迁移与扩容问题----一般做法是通过程序先读出数据，然后按照指定的分表策略再将数据写入到各个分表中。分页与排序问题----需要在不同的分表中将数据进行排序并返回，并将不同分表返回的结果集进行汇总和再次排序，最后再返回给用户。
不可重复读的重点是修改，幻读的重点在于新增或者删除。
视图是虚拟的表，与包含数据的表不一样，视图只包含使用时动态检索数据的查询；不包含任何列或数据。使用视图可以简化复杂的 sql 操作，隐藏具体的细节，保护数据；视图创建后，可以使用与表相同的方式利用它们。
视图不能被索引，也不能有关联的触发器或默认值，如果视图本身内有order by 则对视图再次order by将被覆盖。
创建视图：create view xxx as xxxx
对于某些视图比如未使用联结子查询分组聚集函数Distinct Union等，是可以对其更新的，对视图的更新将对基表进行更新；但是视图主要用于简化检索，保护数据，并不用于更新，而且大部分视图都不可以更新。
B+tree的磁盘读写代价更低，B+tree的查询效率更加稳定 数据库索引采用B+树而不是B树的主要原因：B+树只要遍历叶子节点就可以实现整棵树的遍历，而且在数据库中基于范围的查询是非常频繁的，而B树只能中序遍历所有节点，效率太低。
B+树的特点
在最频繁使用的、用以缩小查询范围的字段,需要排序的字段上建立索引。不宜：1）对于查询中很少涉及的列或者重复值比较多的列 2）对于一些特殊的数据类型，不宜建立索引，比如文本字段（text）等。
如果一个索引包含（或者说覆盖）所有需要查询的字段的值，我们就称 之为“覆盖索引”。
我们知道在InnoDB存储引 擎中，如果不是主键索引，叶子节点存储的是主键+列值。最终还是要“回表”，也就是要通过主键再查找一次,这样就 会比较慢。覆盖索引就是把要查询出的列和索引是对应的，不做回表操作！
举例 ：
学号姓名性别年龄系别专业 20020612李辉男20计算机软件开发 20060613张明男18计算机软件开发 20060614王小玉女19物理力学 20060615李淑华女17生物动物学 20060616赵静男21化学食品化学 20060617赵静女20生物植物学
主键为候选键的子集，候选键为超键的子集，而外键的确定是相对于主键的。

java面试题中一般数据库会问什么内容(数据库常问的面试题)

数据库基础(面试常见题)
一、数据库基础
1.数据抽象：物理抽象、概念抽象、视图级抽象,内模式、模式、外模式
2.SQL语言包括数据定义、数据操纵(Data),数据控制(DataControl)
数据定义：CreateTable,AlterTable,DropTable,Craete/DropIndex等
数据操纵：Select,insert,update,delete，数据控制：grant,revoke
3.SQL常用命令：
CREATETABLEStudent(
IDNUMBERPRIMARYKEY，NAMEVARCHAR2(50)NOTNULL);//建表
CREATEVIEWview_nameAS
Select*FROMTable_name;//建视图
CreateUNIQUEINDEXindex_nameONTableName(col_name);//建索引
INSERTINTOtablename{column1,column2,}values(exp1,exp2,);//插入
INSERTINTOViewname{column1,column2,}values(exp1,exp2,);//插入视图实际影响表
UPDATEtablenameSETname=’zang3’condition;//更新数据
DELETEFROMTablenameWHEREcondition;//删除
GRANT(Select,delete,)ON(对象)TOUSER_NAME[WITHGRANTOPTION];//授权
REVOKE(权限表)ON(对象)FROMUSER_NAME[WITHREVOKEOPTION]//撤权
列出工作人员及其领导的名字：
SelectE.NAME,S.NAMEFROMEMPLOYEEES
WHEREE.SUPERName=S.Name
4.视图：
5.完整性约束：实体完整性、参照完整性、用户定义完整性

2022年Python技术类面试题总结（面试题+答案解析）

这是一位有着五年 Python 经验的好友最近对 Python 岗位面试后的一篇经验总结，从 Python 就业方向到 Python 面试题。
Python 就业方向 ：
下面是 Python 面试知识点，总结了华为、阿里巴巴等互联网公司 Python 常问面试题。每道题都提供参考答案，希望能够帮助你在求职面试中脱颖而出，找到一份高薪工作。
这些面试题分为 Python 基础和 Python高级，内容包含： 基础语法、文件操作、模块与包、数据类型、元类、内存管理与垃圾回收机制以及 Python 函数 等知识点。
（一） Python 基础语法
（二） 文件操作
（三） 模块与包
（四） 数据类型
（五）企业面试题
（一） 元类
（二）内存管理与垃圾回收机制
（三）函数
（四） 面向对象
由于篇幅有限，这份 Python 面试宝典已经被整理成了PDF文档，有需要 Python 面试宝典全套完整文档（面试题+答案解析）的可以 免费领取!

大数据面试题及答案谁能分享一下

大数据时代才刚刚开始。随着越来越多的公司倾向于大数据运营，人才需求达到历史最高水平。这对你意味着什么？如果您想在任何大数据岗位上工作，它只能转化为更好的机会。您可以选择成为数据分析师，数据科学家，数据库管理员，大数据工程师，Hadoop大数据工程师等。 在本文中，慧都网将介绍与大数据相关的前10大数据面试问题。
以下是最重要的大数据面试问题以及具体问题的详细解答。对于更广泛的问题，答案取决于您的经验，我们将分享一些如何回答它们的提示。
10个大数据面试入门级问题无论何时进行大数据采访，采访者都可能会询问一些基本问题。无论您是大数据领域的新手还是经验丰富，都需要基础知识。因此，让我们来介绍一些常见的基本大数据面试问题以及破解大数据面试的答案。
1.您对“大数据”一词有何了解？
答： 大数据是与复杂和大型数据集相关的术语。关系数据库无法处理大数据，这就是使用特殊工具和方法对大量数据执行操作的原因。大数据使公司能够更好地了解其业务，并帮助他们从定期收集的非结构化和原始数据中获取有意义的信息。大数据还允许公司采取数据支持的更好的业务决策。
2.大数据的五个V是什么？
答：大数据的五个V如下：
Volume -Volume表示体积大，即以高速率增长的数据量，即以PB为单位的数据量
Velocity -Velocity是数据增长的速度。社交媒体在数据增长速度方面发挥着重要作用。
Variety -Variety是指不同的数据类型，即各种数据格式，如文本，音频，视频等。
Veracity -Veracity是指可用数据的不确定性。由于大量数据带来不完整性和不一致性，因此产生了准确性。
Value -价值是指将数据转化为价值。通过将访问的大数据转换为价值，企业可以创造收入。
注意： 这是大数据访谈中提出的基本和重要问题之一。如果您看到面试官有兴趣了解更多信息，您可以选择详细解释五个V. 但是，如果您被问及“大数据”这一术语，甚至可以提及这些名称。
3.告诉我们大数据和Hadoop如何相互关联。
答： 大数据和Hadoop几乎是同义词。随着大数据的兴起，专门从事大数据操作的Hadoop框架也开始流行起来。专业人员可以使用该框架来分析大数据并帮助企业做出决策。
注意： 这个问题通常在大数据访谈中提出。 可以进一步去回答这个问题，并试图解释的Hadoop的主要组成部分。
4.大数据分析如何有助于增加业务收入？
答：大数据分析对企业来说非常重要。它可以帮助企业将自己与众不同并增加收入。通过预测分析，大数据分析为企业提供定制的建议和建议。此外，大数据分析使企业能够根据客户需求和偏好推出新产品。这些因素使企业获得更多收入，因此公司正在使用大数据分析。通过实施大数据分析，公司可能会收入大幅增加5-20％的收入。一些使用大数据分析来增加收入的受欢迎公司是 - 沃尔玛，LinkedIn，Facebook，Twitter，美国银行等。
5.解释部署大数据解决方案时应遵循的步骤。
答：以下是部署大数据解决方案所遵循的三个步骤
Ⅰ、数据摄取
部署大数据解决方案的第一步是数据提取，即从各种来源提取数据。数据源可以是像Salesforce这样的CRM，像SAP这样的企业资源规划系统，像MySQL这样的RDBMS或任何其他日志文件，文档，社交媒体源等。数据可以通过批处理作业或实时流来提取。然后将提取的数据存储在HDFS中。
II、数据存储
在数据摄取之后，下一步是存储提取的数据。数据存储在HDFS或NoSQL数据库（即HBase）中。HDFS存储适用于顺序访问，而HBase适用于随机读/写访问。
III、数据处理
部署大数据解决方案的最后一步是数据处理。数据通过Spark，MapReduce，Pig等处理框架之一进行处理。
6.定义HDFS和YARN的相应组件
答： HDFS的两个主要组成部分：
NameNode - 这是用于处理HDFS内数据块的元数据信息的主节点
DataNode / Slave节点 - 这是作为从节点存储数据的节点，供NameNode处理和使用
除了提供客户端请求之外，NameNode还执行以下两个角色之一：
CheckpointNode - 它在与NameNode不同的主机上运行
BackupNode-它是一个只读的NameNode，它包含不包括块位置的文件系统元数据信息
YARN的两个主要组成部分：
ResourceManager-该组件接收处理请求，并根据处理需要相应地分配给各个NodeManager。
NodeManager-它在每个单个数据节点上执行任务
7.为什么Hadoop可用于大数据分析？
答： 由于数据分析已成为业务的关键参数之一，因此，企业正在处理大量结构化，非结构化和半结构化数据。在Hadoop主要支持其功能的情况下，分析非结构化数据非常困难
存储
处理
数据采集
此外，Hadoop是开源的，可在商用硬件上运行。因此，它是企业的成本效益解决方案。
8.什么是fsck？
答： fsck代表文件系统检查。它是HDFS使用的命令。此命令用于检查不一致性以及文件中是否存在任何问题。例如，如果文件有任何丢失的块，则通过此命令通知HDFS。
9. NAS（网络附加存储）和HDFS之间的主要区别是什么？
答： NAS（网络附加存储）和HDFS之间的主要区别 -
HDFS在一组计算机上运行，而NAS在单个计算机上运行。因此，数据冗余是HDFS中的常见问题。相反，复制协议在NAS的情况下是不同的。因此，数据冗余的可能性要小得多。
在HDFS的情况下，数据作为数据块存储在本地驱动器中。在NAS的情况下，它存储在专用硬件中。
10.格式化NameNode的命令是什么？
答： $ hdfs namenode -format。
欢迎咨询慧都在线客服，我们将帮您转接大数据专家团队，并发送相关资料给您！
以上就是大数据面试题及答案，希望我的回答对您有帮助！

数据库常见笔试面试题

数据库常见笔试面试题
　　数据库常见笔试面试题有哪些?数据库常见笔试面试会考什么?下面是数据库常见面试题总结，为大家提供参考。

　　1、SQL的表连接方式有哪些?
　　SQL中连接按结果集分为：内连接，外连接，交叉连接
　　内连接：inner join on，两表都满足的组合。内连接分为等值连接，不等连接，自然连接。
　　等值连接：两表中相同的列都会出现在结果集中。
　　自然连接：两表中具体相同列表的列会合并为同一列出现在结果集中。
　　外连接：分为左(外)连接，右(外)连接，全连接
　　左(外)连接：A left (outer) join B,以A表为基础，A表的全部数据，B表有的组合，没有的为null。
　　右(外)连接：A right(outer) join B,以B表为基础，B表的全部数据，A表有的组合，没有的位null。
　　全连接：A full (outer) join 两表相同的组合在一起，A表有，B表没有的数据(显示为null)，同样B表有，A表没有的显示为null。
　　交叉连接：cross join,就是笛卡尔乘积。
　　2、三范式
　　1NF:表中的字段都是单一属性，不再可分。
　　2NF：在1NF的基础上，表中所有的非主属性都必须完全依赖于任意一组候选键，不能仅依赖于候选键中的某个属性。
　　3NF：在2NF的基础上，表中所有的属性都不依赖其他非主属性。
　　简单的说就是：1NF表示每个属性不可分割，2NF表示非主属性不存在对主键的部分依赖，3NF表示不存在非主属性对主键的依赖传递。
　　3、表的操作
　　表的创建：create table 表名 (列名1 类型 约束，列2 类型 约束…)
　　表的删除： 表名
　　表的更改(结构的更改，不是记录的更新)：alter table 表名 add|drop 列名|约束名
　　插入记录： into 表名…values…
　　更新记录：表名 set 列名=值 where 条件
　　删除记录： from 表名 where 条件
　　4、数据的完整性
　　数据完整性指的是存储在数据库中的数据的一致性和准确性。
　　完整性分类：
　　(1)实体完整性：主键值必须唯一且非空。(主键约束)
　　(2) 引用完整性(也叫参照完整性)：外键要么为空，要么引用主表中存在的记录。(外键约束)。
　　(3)用户自定义完整性：针对某一具体关系数据库中的约束条件。
　　5、SQL的查询优化
　　(1)从表连接的角度优化：尽量使用内连接，因为内连接是两表都满足的行的组合，而外连接是以其中一个表的全部为基准。
　　(2)尽量使用存储过程代替临时写SQL语句：因为存储过程是预先编译好的SQL语句的集合，这样可以减少编译时间。
　　(3)从索引的角度优化：对那些常用的查询字段简历索引，这样查询时值进行索引扫描，不读取数据块。
　　(4)还有一些常用的select优化技巧：
　　(5)A.只查询那些需要访问的字段，来代替select*
　　B、将过滤记录越多的where语句向前移：在一个SQL语句中，如果一个where条件过滤的数据库记录越多，定位越准确，则该where条件越应该前移。
　　6、索引的作用，聚集索引与非聚集索引的区别
　　索引是一个数据库对象，使用索引，可以是数据库程序无须对整个数据进行扫描，就可以在其中找到目标数据，从而提高查找效率。索引的底层采用的是B树。
　　聚集索引：根据记录的key再表中排序数据行。
　　非聚集索引：独立于记录的结构，非聚集所以包含的`key，且每个键值项都有指向该简直的数据行的指针。
　　聚集索引与非聚集索引的区别：
　　(1)聚集索引的物理存储按索引排序，非聚集所以的物理存储不按索引排序。
　　(2) 聚集索引插入，更新数据的速度比非聚集索引慢，单查询速度更快。
　　(3) 聚集索引的叶级结点保存的是时间的数据项，而非聚集结点的叶级结点保存的是指向数据项的指针。
　　(4)一个表只能有一个聚集索引(因为只有一种排序方式)，但可以有多个非聚集索引。
　　7、存储过程与函数的区别
　　(1)函数有返回值，存储过程没有返回值。
　　(2) 因为存储过程没有返回值，所以不能将存储过程的执行结果赋值给变量;函数有返回值类型，调用函数时，可以将函数的执行结果赋值给变量。也就是说，函数可以在select语句中使用，而存储过程则不能。

;

RabbitMQ面试题：如何确保消息不丢失？ --- 2022-04-03

RabbitMq如何确保消息不丢失？

RabbitMQ主要通过持久化机制，确保消息不丢，RabbitMQ持久化机制分为队列持久化、消息持久化、交换器持久化。

下面从多个方面确保消息不丢：

RabbitMQ 的消息默认存放在内存上面，如果不特别声明，消息不会持久化保存到硬盘上面，如果节点重启或者意外crash掉，消息就会丢失。

要想做到消息持久化，必须满足以下三个条件：

默认情况消费者收到消息，MQ就会从队列中删除消息，如果消费者没处理成功，消息就丢了，可以使用手动ACK机制，处理完成手动调用MQ的ACK方法通知MQ删除消息。

使用集群模式部署RabbitMQ,实现消息的高可用，避免单个MQ节点挂了，消息就没了。

有时候可能是因为消息过期（TTL）、或者消费者异常导致消息丢了，这个时候需要从业务数据角度，写个脚本重新生成消息，投递到消息队列中。

RabbitMQ面试题：如何解决消息的顺序问题？ --- 2022-04-03

RabbitMQ的消息顺序问题，需要分三个环节看待，发送消息的顺序、队列中消息的顺序、消费消息的顺序。
消息发送端的顺序，大部分业务不做要求，谁先发消息无所谓，如果遇到业务一定要发送消息也确保顺序，那意味着，只能全局加锁一个个的操作，一个个的发消息，不能并发发送消息。
RabbitMQ中，消息最终会保存在队列中，在同一个队列中，消息是顺序的，先进先出原则，这个由Rabbitmq保证，不同队列中的消息顺序，是没有保证的，例如：进地铁站的时候，排了三个队伍，不同队伍之间的，不能确保谁先进站。
在多个消费者消费同一个消息队列的场景，通常是无法保证消息顺序的。
例如：消息A、B、C按顺序进入队列，消费者A1拿到消息A、消费者B1拿到消息B, 结果消费者B执行速度快，就跑完了，又或者消费者A1挂了，都会导致消息顺序不一致。
解决消费顺序的问题，通常就是一个队列只有一个消费者
这样就可以一个个消息按顺序处理，缺点就是并发能力下降了，无法并发消费消息，这是个取舍问题。

SQL数据库面试题 急急急

select
*
from
学员表
left
outer
join
成绩表on
(学员ID=
成绩表的学员ID)
where
成绩
is
null
就这么一局就可以显示没有考试的学员，。如果想全部显示。而没有考试的学员成绩为null不要
where条件就好了
select
*
from
学员表
left
outer
join
成绩表on
学员ID=
成绩表的学员ID
a)select pname as '商品名',avg(qty) as 平均销售量 from s,p,m where m.city='上海' and s.mno=m.mno and p.pno=s.pno，select p.Pno,p.pname,sum(s.qty)
from s left join p on s.pno=p.pno left join m on p.Mno=m.Mno
where m.city='上海市'
group by p.Pno,p.pname,p.city,p.color
b)、先删除Sale表的外键PNO，再删除gds表。
c)联系：视图（view）是在基本表之上建立的表，它的结构（即所定义的列）和内容（即所有数据行）都来自基本表，它依据基本表存在而存在。一个视图可以对应一个基本表，也可以对应多个基本表。视图是基本表的抽象和在逻辑意义上建立的新关系
区别：1、视图是已经编译好的sql语句。而表不是
2、视图没有实际的物理记录。而表有。
3、表是内容，视图是窗口
4、表只用物理空间而视图不占用物理空间，视图只是逻辑概念的存在，表可以及时四对它进行修改，但视图只能有创建的语句来修改
5、表是内模式，视图是外模式
6、视图是查看数据表的一种方法，可以查询数据表中某些字段构成的数据，只是一些SQL语句的集合。从安全的角度说，视图可以不给用户接触数据表，从而不知道表结构。
7、表属于全局模式中的表，是实表；视图属于局部模式的表，是虚表。
8、视图的建立和删除只影响视图本身，不影响对应的基本表。

2022史上最全Android面试题归纳汇总（附答案解析）

我经历过这么多年的摸爬滚打，面试过也被面试过。现总结与归纳Android开发相关面试题：
1、Activity启动模式有哪些，分别有什么不同？
2、Service启动模式有哪些，对应的生命周期？IntentService呢？
3、ContentProvider的作用，是否支持多线程和多进程
4、Broadcast的注册方式，对应的生命周期是什么，有序和无序那种可以中断广播？
5、AsyncTask的作用，如何使用(包括有哪些方法，能说出同步异步，能说出不同Android版本下的区别加分）
6、有哪些异步的方式？
7、Handler机制
8、Dialog的使用及其生命周期
9、Activity的生命周期，能否改？
10、Fragment的生命周期，能否改？
11、Activity和Fragment如何通信
12、View的绘制机制
13、View的事件传递机制
14、如何监听手势
15、ImageView设置图片显示有哪几种模式，有什么区别？
16、有哪些存储方式
17、SharedPreferences是否支持多进程、多线程
别看以上常问的是入门级的，但是有两三年开发经验能回答圆满的人不多。
1、如何理解Activity的任务亲和性
2、如何让Service为单独的进程
3、IntentService的实现原理
4、LocalBroadcast的作用，实现原理，相对于Broadcast的优势在哪，劣势在哪
5、Handler的缺点，会不会造成内存泄漏，有则如何解决
6、Fragment与Activity的区别和联系
7、Fragment如何缓存布局
8、Fragment与ViewPager的搭配使用，有没有问题重叠问题，怎么解决
9、同时提供侧滑和上下滑动，如何解决事件传播问题
10、是否使用过Design包
11、嵌套滑动理解
12、behavior的原理
13、对设计模式有什么看法，经常使用的有哪些？
中级的稍微偏底层一些，这个主要考察平时是否关注而不是一味地怼业务需求
1、Activity的启动过程
2、Service创建为单独进程会有哪些问题？
3、简述AIDL的构建过程
4、IPC机制有哪些？
5、android多进程通信方式，内部原理
6、App启动的入口在哪？
7、LRU缓存算法
8、Bitmap的有哪几种压缩算法，有啥区别？
9、图片在手机本地存储大小和在内存大小是否一致，为什么，Android默认像素一般占几个字节？
10、第三方框架的熟练程度，如：
11、SharedPreference内部实现原理
12、模块化、插件话、组件化等分别有什么区别，对用有什么好处
13、说说MV * 模式，并画出做过项目的架构图
14、对跨平台方案有哪些了解，使用过哪些？ 比如RN
15、对大前端有什么看法，了解多少？使用过什么？
16、对其他语言的了解，kotlin，python、php、c++等
17、兴趣爱好是什么？对未来有什么规划？
目前是一些经常会被问到的，当然只是列举了Android 开发方向的，Java的一些还没列举，比如异常、网络、多线程、JCF等等
以上问题的答案在下面都有详细解答，我们不仅整理了这些资料，而且还有一份长达"635页"的Android资料汇总：
包括：底层原理+项目实战+面试专题
虽说Android早已不像过去那般火爆，但各大厂对于中高级开发者仍旧是求贤若渴，想要获取更丰厚的薪资，打铁还得自身硬。对于框架、源码、原理、项目实操经验，都必须有足够的知识储备，才可以在面试中击败面试官。但是由于网上的资料鱼龙混杂，也不成体系，很多人在自我提升的过程中都头疼不已。 这里就给大家分享一份字节大佬整理的《Android中高级面试题汇总（2022）》，帮助大家系统的梳理中高级Android知识！里面包含了所有Android面试的知识点，刷完进大厂妥妥的 ！
(含：静态内部类和非静态内部类的比较，多态的理解与应用， java方法的多态性理解，java中接口和继承的区别，线程池的好处，详解，单例，线程池的优点及其原理，线程池的优点，为什么不推荐通过Executors直接创建线程池，创建线程或线程池时请指定有意义的线程名称，方便出错时回溯，深入理解ReentrantLock与Condition，Java多线程：线程间通信之Lock，Synchronized 关键字原理，ReentrantLock原理，HashMap中的Hash冲突解决和扩容机制， JVM常见面试题， JVM内存结构，类加载机制/双亲委托…)
（含：Activity知识点， Fragment知识点， Service知识点， Intent知识点…）
（含：屏幕适配，主要控件优化，事件分发与嵌套滚动…）
（含：MVP架构设计，组件化架构…）
（含：启动优化，内存优化，绘制优化，安装包优化…）
（含：开源库源码分析，Glide源码分析，OkHttp源码分析，Retrofit源码分析，RxJava源码分析…）
（含：开源文档，面试合集…）