没想到，招实习这件事，大厂之间也卷起来，之前说过字节今年要新招 4000+ 实习生，结果腾讯紧跟节奏，宣布今年要新招 7000+人实习生，好久没看到腾讯招聘会标注招聘的数字出来，快接近字节的 2 倍了，
这次腾讯大规模招聘实习生，大概率也是因为 deepseek 这一波风口，腾讯很多应用都接入了 deepseek，业务有新的增长点，那必须得给技术团队扩充人才，26 届同学一定要狠狠抓住这一波机会。
其实，腾讯早在春节后不久就开始了腾讯基地实习的招聘，那时候是实习的提前批， 这次应该算是正式批暑期实习了。实习提前批那会，也有双非本科的
训练营
学员跟我反馈，腾讯竟然给他约面了，再一次证明早就优势啊。
腾讯面试流程跟字节一样，3 轮技术面+hr 面试，大厂的面试时间通常是 1 小时，但是有时候面试腾讯，你可能会面 1 个半小时，甚至 2 小时都有可能，这么长时间的面试拷打，压力还是蛮大的，看到不少同学的腾讯面经的技术问题，有 30-40 多个八股的，简直是全方面拷打了。
这次来看看今年的腾讯实习一面面经，主要是基础拷打为主，从 Java、MySQL、Redis、网络、算法这些知识点拷打，可惜同学没有准备好，最后被面试官评价「有待筛选」，最后还是挂了。
挂了其实没关系，大部分同学前几次面试基本都是失败，失败是常态，成功才是偶然，重要的是失败过程，要给自己的面试进行深度复盘，列出不足的地方，再进一步加强，避免同样的知识，下次被问到还是不会，这样面的太多次，结果也不会改变。
好了，话不说了，一起来看看这次的面试，你们觉得难度如何呢？可以在
面试刷题神器 - 面试鸭
上查看详细答案哦~
腾讯一面（凉经）
HashMap底层是如何实现的？
在 JDK 1.7 版本之前， HashMap 数据结构是数组和链表，HashMap通过哈希算法将元素的键（Key）映射到数组中的槽位（Bucket）。如果多个键映射到同一个槽位，它们会以链表的形式存储在同一个槽位上，因为链表的查询时间是O(n)，所以冲突很严重，一个索引上的链表非常长，效率就很低了。
JDK 1.8
版本的时候做了优化，当一个链表的长度超过8的时候就转换数据结构，不再使用链表存储，而是使用
红黑树
，查找时使用红黑树，时间复杂度O（log n），可以提高查询性能，但是在数量较少时，即数量小于6时，会将红黑树转换回链表。
null
追问：哈希冲突如何解决，链表转红黑树的条件是什么？
HashMap 哈希冲突是通过拉链法来解决的，当有新的键值对要插入到
HashMap
中时，会先计算键的哈希值，然后根据哈希值确定在数组中的位置。如果该位置已经有元素了，就会将新的元素插入到该位置的链表尾部（在 Java 8 及之后的版本中，当链表长度达到一定阈值时会转换为红黑树）。这样，同一个位置上的多个元素就通过链表（或红黑树）的方式连接起来，从而解决了哈希冲突。
当链表的长度大于等于 8 时，并且
HashMap
的容量大于等于 64，会将链表转换为红黑树。这是因为当链表长度较长时，查找、插入和删除操作的时间复杂度会退化为On，而红黑树可以将这些操作的时间复杂度保持在O(logn)，从而提高了性能。
追问：HashMap进行插入、删除等操作的时间复杂度是什么？
不存在哈希冲突时：
插入一个键值对只需要根据哈希值直接定位到对应的数组位置，然后将元素插入即可，时间复杂度为O(1)。
类似插入操作，在没有哈希冲突的情况下，通过哈希值可以直接找到要删除的元素所在位置，然后进行删除，时间复杂度也是O(1)。
存在哈希冲突时，采用链地址法解决冲突且为「链表」结构：
当发生哈希冲突，新元素需要插入到链表中时，如果插入操作是在链表头部进行（如 Java 中的 HashMap 在链表未树化时采用头插法），时间复杂度为O(1)。；如果是在链表尾部插入，则需要遍历链表找到尾部节点，时间复杂度为O(n)。n 为链表的长度。
需要遍历链表找到要删除的节点，然后进行删除操作，平均时间复杂度为O(n)。
存在哈希冲突时，采用链地址法解决冲突且为「红黑树」结构：
红黑树的插入操作需要进行一系列的平衡调整操作，以保持红黑树的性质，时间复杂度为O(logn)，n 为红黑树的节点数。
删除操作也可能会引发红黑树的平衡调整，时间复杂度同样为O(logn)。
追问：链表和红黑树在其中的性能表现如何？相较于链表，红黑树有哪些优势？
当哈希冲突较少，链表长度较短时，链表的插入、删除和查找操作相对简单，空间开销也较小，性能表现较好。
当哈希冲突严重，链表长度较长时，链表的查找、插入和删除操作时间复杂度会退化为 O(n)，性能显著下降。此时，红黑树的O(logn) 时间复杂度优势就会凸显出来，能够提供更高效的操作。
final关键字在Java中有什么作用？
final
关键字主要有以下三个方面的作用：用于修饰类、方法和变量。
修饰类：当
final
修饰一个类时，表示这个类不能被继承，是类继承体系中的最终形态。例如，Java 中的
String
类就是用
final
修饰的，这保证了
String
类的不可变性和安全性，防止其他类通过继承来改变
String
类的行为和特性。
修饰方法：用
final
修饰的方法不能在子类中被重写。比如，
java.lang.Object
类中的
getClass
方法就是
final
的，因为这个方法的行为是由 Java 虚拟机底层实现来保证的，不应该被子类修改。
修饰变量：当
final
修饰基本数据类型的变量时，该变量一旦被赋值就不能再改变。例如，
final int num = 10;
，这里的
num
就是一个常量，不能再对其进行重新赋值操作，否则会导致编译错误。对于引用数据类型，
final
修饰意味着这个引用变量不能再指向其他对象，但对象本身的内容是可以改变的。例如，
final StringBuilder sb = new StringBuilder("Hello");
，不能让
sb
再指向其他
StringBuilder
对象，但可以通过
sb.append(" World");
来修改字符串的内容。
MySQL的存储引擎有哪些？InnoDB、MyISAM和Memory有什么特点？
InnoDB：InnoDB是MySQL的默认存储引擎，具有ACID事务支持、行级锁、外键约束等特性。它适用于高并发的读写操作，支持较好的数据完整性和并发控制。
MyISAM：MyISAM是MySQL的另一种常见的存储引擎，具有较低的存储空间和内存消耗，适用于大量读操作的场景。然而，MyISAM不支持事务、行级锁和外键约束，因此在并发写入和数据完整性方面有一定的限制。
Memory：Memory引擎将数据存储在内存中，适用于对性能要求较高的读操作，但是在服务器重启或崩溃时数据会丢失。它不支持事务、行级锁和外键约束。
数据库索引的原理是什么，为什么它能加快查询速度？
MySQL InnoDB 引擎是用了B+树作为了索引的数据结构。
B+Tree 是一种多叉树，叶子节点才存放数据，非叶子节点只存放索引，而且每个节点里的数据是
按主键顺序存放
的。每一层父节点的索引值都会出现在下层子节点的索引值中，因此在叶子节点中，包括了所有的索引值信息，并且每一个叶子节点都有两个指针，分别指向下一个叶子节点和上一个叶子节点，形成一个双向链表。
主键索引的 B+Tree 如图所示：
比如，我们执行了下面这条查询语句：
select * from product where id = 5 ;
这条语句使用了主键索引查询 id 号为 5 的商品。查询过程是这样的，B+Tree 会自顶向下逐层进行查找：
将 5 与根节点的索引数据 (1，10，20) 比较，5 在 1 和 10 之间，所以根据 B+Tree的搜索逻辑，找到第二层的索引数据 (1，4，7)；
在第二层的索引数据 (1，4，7)中进行查找，因为 5 在 4 和 7 之间，所以找到第三层的索引数据（4，5，6）；
在叶子节点的索引数据（4，5，6）中进行查找，然后我们找到了索引值为 5 的行数据。
数据库的索引和数据都是存储在硬盘的，我们可以把读取一个节点当作一次磁盘 I/O 操作。那么上面的整个查询过程一共经历了 3 个节点，也就是进行了 3 次 I/O 操作。
B+Tree 存储千万级的数据只需要 3-4 层高度就可以满足，这意味着从千万级的表查询目标数据最多需要 3-4 次磁盘 I/O，所以
B+Tree 相比于 B 树和二叉树来说，最大的优势在于查询效率很高，因为即使在数据量很大的情况，查询一个数据的磁盘 I/O 依然维持在 3-4次。
左连接、右连接和内连接的区别是什么？
左连接（LEFT JOIN）
：以左表为基础，返回左表中的所有行，以及右表中与左表匹配的行。如果右表中没有与左表匹配的行，则右表中的列值显示为 NULL。
右连接（RIGHT JOIN）
：与左连接相反，以右表为基础，返回右表中的所有行，以及左表中与右表匹配的行。如果左表中没有与右表匹配的行，则左表中的列值显示为 NULL。
内连接（INNER JOIN）
：只返回两个表中连接条件匹配的行，即只返回同时存在于左表和右表中的数据，不包含任何一方表中无法匹配的行。
追问：左连接时若右边表不存在匹配记录会怎样？
会显示 null 列。
这是因为左连接是以左边表为基础，确保返回左边表中的所有行，对于左边表中没有在右边表找到匹配的行，无法从右边表获取对应的数据，所以用
NULL
来表示缺失的值。例如，有
customers
表和
orders
表，以
customer_id
为连接条件进行左连接，如果某个客户在
customers
表中存在，但在
orders
表中没有对应的订单记录，那么在查询结果中，该客户对应的订单相关列（如
order_id
、
order_date
等）都会显示为
NULL
。
Redis一般如何使用？
Redis 是一种基于内存的数据库，对数据的读写操作都是在内存中完成，因此
读写速度非常快
，常用于
缓存，消息队列、分布式锁等场景
。
缓存
: Redis最常见的用途就是作为缓存系统。通过将热门数据存储在内存中，可以极大地提高访问速度，减轻数据库负载，这对于需要快速响应时间的应用程序非常重要。
排行榜
: Redis的有序集合结构非常适合用于实现排行榜和排名系统，可以方便地进行数据排序和排名。
分布式锁
: Redis的特性可以用来实现分布式锁，确保多个进程或服务之间的数据操作的原子性和一致性。
计数器
由于Redis的原子操作和高性能，它非常适合用于实现计数器和统计数据的存储，如网站访问量统计、点赞数统计等。
消息队列
: Redis的发布订阅功能使其成为一个轻量级的消息队列，它可以用来实现发布和订阅模式，以便实时处理消息。
缓存有哪些常见现象（如缓存雪崩、缓存击穿、缓存穿透），它们的解决方案是什么？
缓存雪崩：当
大量缓存数据在同一时间过期（失效）或者 Redis 故障宕机
时，如果此时有大量的用户请求，都无法在 Redis 中处理，于是全部请求都直接访问数据库，从而导致数据库的压力骤增，严重的会造成数据库宕机，从而形成一系列连锁反应，造成整个系统崩溃，这就是
缓存雪崩
的问题。
null
缓存击穿：如果缓存中的
某个热点数据过期
了，此时大量的请求访问了该热点数据，就无法从缓存中读取，直接访问数据库，数据库很容易就被高并发的请求冲垮，这就是
缓存击穿
的问题。
