去哪儿

1.拷打实习2.5个最大核心线程数。10个最大线程数，15工作队列，一直有任务进入，这个参数变化是怎样的？3.5个最大核心线程数，10个最大线程数，15工作队列，一时间进入大量任务，之后，任务队列清空，再进来任务，非核心线程会不会执行？4.5个最大核心线程数，10个最大线程数，工作队列最大为15，进来2个任务，会创建2个核心线程数，之后再进来一个任务是会复用已创建的核心线程还是新创建核心线程？5.如果没有任务，核心线程处于什么状态？6.Future是如何获得这个任务的结果的，说一下这个路程？7.主线程执行future.get（）方法，子线程执行任务，调用.get()方法时，分为两种状态，一种子线程任务执行未结束，一种是子线程任务执行已结束。那么，主线程是如何得知子线程任务执行状态的？8. 线程通信有哪几种？9. JVM运行时分区10.反问，校招生期待-基础+沟通能力====秒挂线程池底层和Future底层，难搞

bg：211本大学里学的java，朝着后端开发方向学的。目前手上两个offer，薪资待遇大体差不多，考虑二选一。A公司：主要业务是做半导体相关的（规模10000+，跟华子有点关系），软件开发工程师，使用语言为c++，做一些半导体有关的软件。B公司：做erp一类软件的（规模1000+，面试时聊了下面试官说他们用到的中间件那些都蛮多的），Java开发工程师。自己的话对后端开发比较感兴趣。但是也想听听牛友们的看法，主要自己对c++的前景也不太了解。两者前景、以后跳槽的难易、上限（技术/薪资）如何？

让ai总结了一下问题和回答，心累了，面试官一直问优化相关的问题，多少也回答了一些出来，最后反问的时候，问有什么能加强的，说是觉得项目没什么亮点，一、代码问题的主动发现与预防主动发现方式静态代码分析：使用 ESLint、TSLint 等工具在编码阶段检测语法错误、代码规范问题、潜在逻辑漏洞（如未处理的空值、死循环）。自动化测试：通过单元测试（Jest）、集成测试（Cypress）覆盖核心逻辑，结合 CI/CD 流程在提交 / 部署前触发测试，提前暴露问题。代码审查：制定 Code Review 规范，重点检查边界条件、性能风险、安全性（如 XSS、CSRF）。监控告警：线上通过 Sentry 等工具捕获运行时错误（如 TypeError、Promise 未捕获异常），结合日志分析高频异常点。预防措施制定开发规范：明确命名规则、代码结构、错误处理方式（如统一使用 try/catch 或全局异常捕获）。技术选型管控：避免引入低维护性依赖，优先选择成熟库并控制版本。定期重构：针对耦合度高、可维护性差的代码进行重构，降低后续迭代风险。二、To C 项目的监控设计To C 项目需重点关注用户体验与稳定性，监控设计可从以下层面展开：前端性能监控核心指标：首屏加载时间（FCP）、交互响应时间（TTI）、白屏时间，通过 Performance API 或第三方工具（如 Lighthouse、阿里云 ARMS）采集。资源加载：监控 JS/CSS 加载耗时、图片加载失败率，设置阈值告警（如某资源加载超时 >3s）。用户行为与异常监控错误监控：捕获 JS 运行时错误、接口错误（4xx/5xx）、资源加载失败，关联用户 ID、设备信息便于定位。行为轨迹：记录用户点击、滑动等操作，分析卡顿、崩溃场景的触发路径（如某按钮点击后高频报错）。业务指标监控核心流程转化：如注册、支付步骤的成功率，异常中断时触发告警。设备兼容性：统计不同浏览器 / 机型的报错率，优先修复高占比问题。实现方式埋点系统：通过 SDK 主动上报监控数据，后端存储后用 Grafana 等工具可视化。实时告警：配置短信 / 钉钉通知，针对严重错误（如大面积白屏、支付失败）即时响应。三、虚拟列表优化实现虚拟列表核心是只渲染可视区域内的 DOM 元素，减少渲染压力，实现思路：核心原理计算可视区域高度、单个 item 高度，确定可见项数量（如可视区高度 500px，item 高 50px → 可见 10 项）。监听滚动事件，动态计算滚动偏移量，确定当前需渲染的 item 起始索引。通过容器内的 “占位元素” 撑起列表总高度，避免滚动条异常，可视区项通过绝对定位展示。关键优化缓存已渲染项：避免滚动时频繁销毁 / 创建 DOM，仅更新位置和内容。预渲染缓冲区：在可视区上下额外渲染 1-2 项，减少快速滚动时的空白闪烁。动态高度支持：若 item 高度不固定，可通过预估高度 + 滚动时修正位置解决。库选型：优先使用成熟库（如 react-virtualized、vue-virtual-scroller），减少自研成本。四、列表滑动卡顿的排查与优化排查方向性能分析：用 Chrome DevTools 的 Performance 面板录制滑动过程，查看是否有长任务（>50ms）、频繁重排（Layout）/ 重绘（Paint）。DOM 数量：检查列表是否渲染了过多 DOM（如未做虚拟列表），导致渲染线程阻塞。事件处理：滑动时是否绑定了高频事件（如 scroll、touchmove）且未做节流 / 防抖，导致 JS 线程繁忙。样式问题：是否使用复杂样式（如阴影、渐变）或强制同步布局（如频繁读取 offsetHeight 后修改样式）。优化措施实现虚拟列表：减少 DOM 数量（见上文）。优化事件：对 scroll/touchmove 事件节流（如 100ms 触发一次），避免高频执行。减少重排 / 重绘：将固定样式抽离为 CSS 类，避免 inline 样式；使用 will-change: transform 让浏览器单独分层渲染。数据处理：若滑动时需加载数据，提前预加载并缓存，避免同步阻塞。五、白屏的检测与解决检测方式前端埋点：在页面关键节点（如 DOMContentLoaded、首屏元素渲染完成）设置时间戳，若超过阈值（如 5s 未渲染）则上报白屏事件。图片监控：在页面顶部放一个 1x1 像素的 “探针图片”，若加载成功则证明页面正常，否则判定为白屏。错误关联：结合 JS 错误日志（如关键脚本加载失败、语法错误）定位白屏原因。解决思路加载问题：优化资源加载（如 CDN 加速、代码分割、懒加载），处理脚本加载失败（如重试机制、备用 CDN）。渲染阻塞：避免 JS 阻塞 HTML 解析（如用 defer/async），减少首屏不必要的 CSS/JS。数据依赖：若白屏因接口延迟，增加骨架屏、加载动画，避免用户感知空白；接口失败时显示错误提示并提供重试。兼容性：修复特定浏览器的渲染 bug（如 CSS 前缀缺失、ES6+ 语法未转译）。六、ECharts 性能问题及优化常见性能问题大数据量渲染卡顿（如万级以上数据点）。频繁更新（如实时数据）导致内存泄漏或 CPU 占用过高。图表容器大小频繁变化时重绘异常。折线图（多日期筛选）的优化与后端方案前端优化：数据采样：根据日期范围动态调整精度（如日级展示 24 点，周级展示 24*7 点，月级按天采样而非小时，避免数据量过大）。节流重绘：筛选日期时，通过防抖（如 300ms 延迟）避免频繁调用 setOption。销毁旧实例：切换筛选条件前，调用 dispose () 销毁旧图表，释放内存。懒加载：非首屏图表延迟初始化，避免阻塞首屏渲染。与后端沟通方案：动态返回精度：后端根据筛选的时间范围（天 / 周 / 月）返回对应粒度的数据（如周级返回按小时聚合的平均值，而非每小时原始数据）。分页 / 分段加载：若需保留细粒度，后端支持按时间段分段返回，前端滚动时再加载后续数据。数据压缩：后端用二进制或精简格式（如仅返回 [x,y] 数组而非完整对象）减少传输量。ECharts 适配方案响应式容器：监听窗口 resize 事件，调用 resize () 方法调整图表大小，结合 CSS 媒体查询适配不同屏幕。移动端优化：简化图表样式（如隐藏次要网格线、缩小字体），触摸交互适配（如支持双击放大、手势缩放）。七、图片优化方向资源优化格式选择：优先使用 WebP/AVIF（比 JPEG 小 30%+），降级兼容旧浏览器；简单图形用 SVG 替代位图。压缩处理：通过工具（如 TinyPNG）或后端服务（如七牛云）压缩图片，平衡质量与体积。合理尺寸：根据展示容器大小提供多分辨率图片（如 srcset 属性），避免大图小用。加载优化懒加载：使用 IntersectionObserver 监听图片进入视口后再加载，减少首屏请求。预加载：对首屏或即将展示的图片（如轮播图下一张）用 link [rel="preload"] 预加载。缓存策略：设置合理的 Cache-Control 头，复用缓存减少重复请求。体验优化占位符：加载前显示低分辨率缩略图或纯色占位，减少布局偏移（CLS）。错误处理：图片加载失败时显示默认图，避免破图影响体验。八、图片加载时间的检测前端检测监听事件：通过 img.onload 记录加载完成时间，减去 img.src 赋值时间，得到加载耗时。Performance API：使用 performance.getEntriesByType ('resource') 获取图片资源的加载详情（如 startTime、responseEnd），计算耗时 = responseEnd - startTime。埋点上报：将检测到的耗时结合图片 URL、用户设备信息上报，分析慢加载图片。工具辅助浏览器 DevTools：Network 面板筛选 img 类型资源，查看各阶段耗时（如 DNS、TCP、下载）。第三方监控：通过 Lighthouse 或监控平台（如 Datadog）批量分析页面图片加载性能。

10.29 线下三面。 一面： 先手撕， 一个数组把奇数放在前面偶数放在后面，快排， 然后问了一些笔试的问题， knn算法， kmeans算法， 简历上面的项目。二面：介绍简历上面的项目，没问八股， 主要是让我讲技术路线， 手撕一沓纸里面随机抽的， 比较幸运抽到的非常简单的岛屿数量。 三面： 主要是开放性的问题，问了在团队里想做领导人物还是专注技术问题， 回答不想当领导， 还有企业文化相关， 回答的以客户为中心。投的车bu ai算法，本 机械 硕 机器人工程， 有多大的机会能泡出来呢