游卡服务端开发面经（已oc） 一面1.自我介绍2.虚函数和多态3.vector删除一个元素如何实现的，讲讲移动语义，如何回收一个vector的内存（创建一个空的，移动给现在的（挺巧妙））4.讲讲几种智能指针的应用场景、weak_ptr如何保证在使用期间资源不失效的5.socket编程的流程6.进程、线程、协程7.cpu计算密集型任务用多线程还是多协程,为什么8.死锁是什么，如何解决9.每次生成1个1到1亿的随机数、且不重复10.反问二面+hr面1.自我介绍2.实验室项目拷打，做的东西偏底层，为什么想来做游戏3.bustub，为什么用B+树4.了解innodb的页面组织形式吗5.了解mangod...

最开始机考的时候有一道题感觉做的时候连测试用例都还有没通过，最后提交歪打正着通过了很多，最后顺利通过10月底线下面试也很坎坷，一面就面的很不好，手撕用的最暴力的解法，面试官喊优化也一直优化不出来，面试问的问题也是很偏计算机网络基础的问题，很多没回答上，但是最后竟然获得了二面机会二面的时候感觉运气特别好，手撕抽到了一个很简单的算法题（岛屿问题），面试问的也都是基础java八股，最后也是顺利进入三面，第二天感觉第一面不好都以为没机会了，竟然顺利通过后面十一月份没有等到保温电话，中旬还去询问接口人（部门领导），还被降温了，回复我：看破不说破。当时就觉得无了最后十一月底竟然收到了部门领导的保温电话，也是很快就收到了意向。12月初显线下签约完后部门领导聊天，他说我当时的面试成绩刚刚过及格线，而且是他第一个收到简历的，后面帮我推了一下进度（部门投递的人比较少），最后也很幸运有这个机会

是腾讯的csig腾讯云，前天晚上九点突然打电话约面，激动的通宵学了一晚上，第二天状态很差改了今天（以后再也不通宵学习了）感觉自己浪费了面试官一个半小时单纯手写＋场景，无八股无项目无算法，打击真的很大，全是在面试官提醒的情况下完成的，自己技术方面真的还是有待提高，实力匹配不上大厂和已经面试的两个公司完全不一样，很注重编码能力和解决问题的能力，然而我这两个方面都很薄弱，面试官人很好很耐心的等我写完题目，遇到瓶颈也会提醒我，写不出题也会很耐心的跟我讲解好感动，到最后面试结束还安慰我打算把下周最后一场面试面完之后就不面啦，如果能去实习还是很开心，但是最重要的还是好好努力提高技术以下是面经第一题// 实现一个解析 url 参数的函数function parseUrl(urlStr) {// TODO}parseUrl('*********************************************');// 返回 {a: 1, b: 2, c: 3}追问：在链接里见过什么部分？用 hash 路由的话放在哪第二题// 考虑有一个异步任务要执行，返回 Promise，这个任务可能会失败，请实现 retry 方法，返回新方法，可以在失败后自动重试指定的次数。/*** 异步任务重试* @param task 要执行的异步任务* @param times 需要重试的次数，默认为 3 次*/function retry(task, times = 3) {// TODO: 请实现}// ---------------测试示例 ----------------// 原方法const request = async (data) => {// 模拟失败if (Math.random() < 0.7) {throw new Error('request failed');}const res = await fetch('https://jsonplaceholder.typicode.com/posts', {method: 'POST',body: JSON.stringify(data),});return res.json();}// 新的方法const requestWithRetry = retry(request);// 使用async function run() {const res = await requestWithRetry({ body: 'content' });console.log(res);}run();第三题就是给 retry 函数添加类型注释，用到泛型第四题：在组件库中将 Alert 用 api 的形式实现（应该就是 message 这个组件）怎么渲染到一个浮层里而不是原地渲染出来

一、背景 大数据时代，对数据的使用分析频繁，在数仓层面对数据的管理组织都在考虑用新的技术方案实现更快速的数据计算，算力的发展是底层引擎迭代的驱动力；从最最初的MR计算框架到现在的基于Rdd的内存计算模型，再到向量化计算优化，一步步追求更高性能的计算。数据模型的发展也是从最初的银行范式建模，到现在迭代快速的维度建模反范式建模，团队发展从最初的中台团队到现在的BP模式，都在追求极致的效率。目前，在对数据模型层面对长周期的数据进行访问都在追求避免对底层明细数据的过多扫描，从而实现模型计算效率的提升。本篇重点剖析几种数据压缩方案。主要是基于二进制压缩的方案进行数据模型的压缩。 目前，在对实体进行历史周...