Java面试题(java高级面试题)

线程池的核心线程数设置为多大比较合理？

Worker线程在执行的过程中，有一部计算时间需要占用CPU，另一部分等待时间不需要占用CPU，通过量化分析，例如打日志进行统计，可以统计出整个Worker线程执行过程中这两部分时间的比例，例如：线程计算和等待的时间是1：1，即有50%的时间在计算（占用CPU），50%的时间在等待（不占用CPU）：

1）假设此时是单核，则设置为2个工作线程就可以把CPU充分利用起来，让CPU跑到100%

2）假设此时是N核，则设置为2N个工作现场就可以把CPU充分利用起来，让CPU跑到N*100%

结论：

N核服务器，通过执行业务的单线程分析出本地计算时间为x，等待时间为y，则工作线程数（线程池线程数）设置为 N*(x+y)/x 也就是： N * (1+y/x)，能让CPU的利用率最大化, 等待时间越长，线程数就可以越多。

30分钟不支付订单自动取消如何来实现？

技术方案

• 定时任务每秒扫库（不推荐，对数据库的压力比较大）
• Redisson（延迟消息的数量少的时候可用）
• MQ
  • RabbitMQ延迟交换机插件
  • RocketMQ延迟消息
  • EMQ 延迟消息

具体的业务逻辑

创建订单完成以后，向RabbitMQ的延迟交换机发送延迟30分钟的消息，消息中存放了订单的id。
30分钟以后，消息到期会从MQ出队，消费者收到这个消息以后，根据消息中的订单id查询数据
库，检查订单的状态，如果是已经支付什么事情也不需要做，如果是未支付，则把订单状态
修改成已取消。

项目中用过AOP吗？如何用的？AOP底层的实现原理

如何来使用？

• @Datasource做数据源切换
• @Log记录用户的操作日志
• @Lock 分布式锁

实现原理

• springboot 2.0之前，目标类如果实现了接口，则使用JDK动态代理方式，否则通过CGLIB子类的方式生成代理。
• springboot 2.0版本之后，如果不在配置文件中显示的指定spring.aop.proxy-tartget-class的值，默认情况下生成代理的方式为CGLIB

@Transantional失效的场景中，this内部调用会失效的解决办法

• @EnableAspectJAutoProxy(exposeProxy = true) + AopContext.currentProxy()
• @Lazy + 注入bean本身

    @Service
    public class AopService {
    
        @Autowired
        @Lazy
        private AopService selfService;
    
        public void f1(){
            // f2()的事务会失效
            this.f2();
            // 第一种方式
            AopService aopService = (AopService)AopContext.currentProxy();
            aopService.f2();
            // 第二种方式
            selfService.f2();
        }
    
        @Transactional(rollbackFor = Exception.class)
        public void f2(){
            log.info("some business logic in f2()");
        }
    
    }

项目中的安全是如何来做的？项目如何防止sql注入攻击、xss攻击？CSRF漏洞？

防止xss主要就是对一些特殊字符做替换。

我们是写了一个Filter，在Filter中会把原始的HttpServletRequest替换成我们自定义的一个Request，我们在这个自定义的Requst中去做了特殊字符的替换，主要是替换掉比如

防止sql注入主要就是使用SQL的预编译。

有没有遇到过OOM？生产环境内存溢出怎么处理？

1）导出JVM内存映像

• 当发生内存溢出的时候自动导出，需要添加jvm的启动参数

     -XX:+HeapDumpOnOutOfMemoryError
     -XX:HeapDumpPath=./

• 手动导出

      jmap -dump:format=b,file=heap.hprof [pid]

2)使用MAT之类的工具分析内存泄漏的原因

• Histogram： 查看某个对象的数量
• Dominator Tree：查看某个对象占的内存大小以及引用关系
• Top Consumers：查看占内存最大的对象

生产环境CPU利用率(负载load)500%如何处理？

• ps -ef | grep java 找到你的java进程
• top -Hp pid 找到耗cpu高的线程
• printf %x 十进制转化成16进制
• jstack pid 打印线程堆栈
• 在堆栈中找到cpu高的线程

Excel导出几十万条记录超时怎么办？

客户端点击导出按钮以后，服务端记录一个日志，状态是待处理，给客户端返回日志的id，然后服务端异步做excel的导出，完成以后，把excel上传到oss，把下载的url地址记录到日志，并把日志的状态改成已完成。

客户端拿到这个id以后可以到服务端的一个单独的页面上做查询，如果是已完成，则可以点击下载按钮去下载excel。

十万个修改数据同时来了,十万个新增数据？

• MQ削峰

  • 请求先放到MQ，给客户端返回：正在排队中…
  • 客户端起定时任务，向服务端轮询执行结果

• Redis预减

  //请求url：/miaosha/product/12234
  //服务端controller：
  @PostMapping(“/product/miaosha/{productId}”)
  public boolean miaosha(@PathVariable(“productId”) long productId){
  // 秒杀活动开始之前，把商品id和商品的库存数量加载到redis中，key:商品id，value:库存数量
  // redis预减库存，让1万个人去抢数据库中的10个商品是没有意义的，只让10个人去抢就可以了
  int count = redisTemplate.decr(“”+productId);
  if(count <= 0){
  // 秒杀失败
  return false;
  }
  //预减成功以后， 再放入MQ，返回给前端排队中
  kafkaTemplate.send(productId);
  // 从MQ收消息，下单，SQL中要加上stock>0的判断，防止把库存扣成负数
  select * from product where id = #{productId} //version
  int ret = update product set stock=stock-1 where id = #{productId} and stock>0
  if(ret > 0){
  // 秒杀成功，生成订单
  return true;
  }else{
  // 秒杀失败
  return false;
  }
  }

• 验证码，非常复杂，防止机器人刷接口，减少瞬间的并发

• 活动开始之前换接口，换页面，防机器人

• 回仓

• 卖不完是允许的，卖超是不允许的！！

参考秒杀功能

有没有搭建过ES的集群？

主要就是设置了每一个节点的名称、集群的名称、启动的端口、数据存储路径以及其他节点的IP和端口，集群名称一样的话，他们就能组成一个集群。

    services:
      es01:
        image: elasticsearch:7.12.1
        container_name: es01
        environment:
          - node.name=es01
          - cluster.name=es-docker-cluster
          - discovery.seed_hosts=es02,es03
          - cluster.initial_master_nodes=es01,es02,es03
          - "ES_JAVA_OPTS=-Xms512m -Xmx512m"
        volumes:
          - data01:/usr/share/elasticsearch/data
        ports:
          - 9200:9200
        networks:
          - elastic

jdk8为啥要用红黑树？

红黑树是一种自平衡二叉搜索树，因此查找和插入操作的时间复杂度为 O(log n)，而链表的时间复杂度为 O(n)。在哈希冲突比较严重的情况下，使用红黑树能够更快地进行搜索和插入操作。

• 红黑树是”近似平衡“的。
• 红黑树相比avl树，在检索的时候效率其实差不多，都是通过平衡来二分查找。但对于插入删除等操作效率提高很多。红黑树不像avl树一样追求绝对的平衡，他允许局部很少的不完全平衡，这样对于效率影响不大，但省去了很多没有必要的调平衡操作，avl树调平衡有时候代价较大，所以效率不如红黑树，在现在很多地方都是底层都是红黑树的天下啦。
• 红黑树的高度只比高度平衡的AVL树的高度（log2n）仅仅大了一倍，在性能上却好很多。
• HashMap在里面就是链表加上红黑树的一种结构，这样利用了链表对内存的使用率以及红黑树的高效检索，是一种很happy的数据结构。
• AVL树是一种高度平衡的二叉树，所以查找的效率非常高，但是，有利就有弊，AVL树为了维持这种高度的平衡，就要付出更多代价。每次插入、删除都要做调整，就比较复杂、耗时。所以，对于有频繁的插入、删除操作的数据集合，使用AVL树的代价就有点高了。
• 红黑树只是做到了近似平衡，并不严格的平衡，所以在维护的成本上，要比AVL树要低。
• 所以，红黑树的插入、删除、查找各种操作性能都比较稳定。对于工程应用来说，要面对各种异常情况，为了支撑这种工业级的应用，我们更倾向于这种性能稳定的平衡二叉查找树。

ES如何与Mysql数据保持一致？

ES与MySQL的数据同步分成了3部分：

• 全量同步
  系统上线之前，首先会做一次全量同步，把mysql中的数据批量的导入到ES中。
• 增量同步
  常见的增量同步的方式有很多，比如：
  • 同步双写
    • 耦合严重
    • 性能问题
  • 异步双写
    • 松耦合
    • 依赖MQ的可靠性，有可能丢消息
  • 监听binlog
    • 无耦合
    • 技术门槛比较高

我们的系统中是使用的基于MQ的异步双写来实现数据同步的，具体来说，当mysql数据发生变化的时候，会向MQ中发一个消息，然后我们的搜索服务会接收这个消息，根据消息中的数据Id构造出完整的数据，然后同步到ES中。

• 定时任务全量同步

为了提高MQ的性能，我们没有对消息的可靠性做特殊处理，因此理论上会存在消息丢失导致数据不一致的风险，所以，我们有一个定时任务，每周会把mysql中的数据全量的再导入一次ES，如果这中间发现不一致，人工手动处理。

linux跑了两个docker容器，怎么让两个docker进行通讯

• 两个容器都使用host网络模式，就可以使用主机的ip和端口进行通信

      // 启动两个容器
      docker run --name d1 --network=host -e port=8081 -d demo
      docker run --name d2 --network=host -e port=8082 -d demo
      // 进入d1容器，执行telnet命令
      docker exec -it d1 sh
      telnet 192.168.137.138 8082 
      GET /demo 正常输出

• 两个容器连接到同一个网络模式是bridge的自定义网络上，可以使用容器名进行通信

      docker network create mynet
      // 启动两个容器
      docker run --name d3 --network=mynet -e port=8083 -d demo
      docker run --name d4 --network=mynet -e port=8084 -d demo
      // 进入d3容器，执行telnet命令
      docker exec -it d3 sh
      telnet d4 8084
      GET /demo 正常输出

• 测试用的Dockerfile和接口如下：

      //Dockerfile
      FROM java:8-alpine
      COPY ./demo.jar /tmp/app.jar
      ENV port 8080
      EXPOSE $port
      ENTRYPOINT java -Dserver.port=$port  -jar /tmp/app.jar
      // 接口
      @RestController
      public class DemoController {
          @GetMapping("/demo")
          public String demo() {
              return "demo";
          }
      }
      //docker-compose.yml
      version: '3.9'
      services:
        d1:
          image: demo
          environment:
            port: '8081'
          ports:
            - '8081:8081'
          container_name: d1
          hostname: d1
        d2:
          image: demo
          environment:
            port: '8082'
          ports:
            - '8082:8082'
          container_name: d2
          hostname: d2