大家好，我是白露。

现在的就业形势严峻到什么地步了？就连985硕的毕业生找了一年才找到工作。。。

我分享一位网友的经历，希望他研三一年应聘的感受能够给大家启发和动力。

---

结束了，研三一年应聘感受，终于走到了尽头。

今天答辩刚过，前几周也拿到offer，签了三方，整个人真的累到不行。以下是我个人，一名985硕士学渣在2023年秋招至2024年春招的经历。

2023年4-5月，我试图投华为的实习岗位，但却没能通过。这成为了我求职的第一道坎。

7月，我将简历投向大疆，揭开了秋招的序幕。但求职的压力骤增，我索性开始海投。

可惜的是，选择上犯了错——技术岗均是投向大厂，而产品经理和游戏策划岗位虽然投了不少，但因缺乏实习经历，大多数连笔试机会都没能获得。

大厂的技术岗位笔试过后也几乎都被挂，某些岗位甚至连笔试机会也没有。

从7月到10月，我是几乎没有任何面试机会的。曾尝试投简历到比亚迪，但最终简历被直接刷掉。

到了11月，投的新凯来虽然迅速走完所有流程，但最终审批被卡，hr也不回复，还给了一个白菜价薪资。此后，我不得不放弃秋招，转而期待春招的机会。

2024年2月，本以为可以大展拳脚的春招开始了，但现实依旧残酷。

由于小论文发表晚，延毕的可能性时刻压在心头。我忙于修改论文，几乎没时间复习算法题和八股文，精神和体力在春招中越发捉襟见肘。

主投技术岗（算法和硬件）例如vivo基带硬件工程师、oppo算法岗位，结果仍是惨淡收场。vivo笔试直接被刷，美团、oppo等算法岗位笔试后杳无音讯，小厂则因算法题不扎实、专业不匹配等原因频频被挂。

眼看即将延毕，选择放弃了一些重要的面试（如农行、移动、浦发银行等），最终在4月收到人生第一份offer：教育机构卓越教育。

随后5月又收到第二份offer：国星光电。

5月30日，终于小论文被录用，答辩通过。

总而言之，压力山大。

---

对于这位网友的经历，其他网友很多感同身受，因为今年实在是太难了。

1. “好吓人，没实习连面试机会都没有吗？”
2. “9硕真不至于吧，要是一开始就投java估计好很多，算法还是太卷。”
3. “校友实惨😂我现在也还被老板催进度，还好已经有offer了。”
4. “这可是985啊，看的我冒冷汗了，哥们。”
5. “哥，华工硕今年就业怎么样？寄算机不是年包20，30吗😭，我们双非本能赶上开发岗都算好，大部分人都干不了开发。”

白露也说一下我自己的经历吧，相信老粉丝都清楚。

当年我毕业的时候，拿到offer的部门突然被裁了，整个部门被裁。

我整个人都懵了！

我必须要在毕业前两个月内重新找到一份工作。

那段时间可谓压力山大，但内心始终有一个坚定的信念支撑着我：“我一定能找到工作”。

每天不分昼夜地修改简历、准备面试题、背八股文。

持续一个月，终于在煎熬中如愿以偿地拿到了字节跳动的offer。

在我看来，求职并不是单纯的投递简历，更重要的是要根据自己的特长和背景精准定位。

同时，要时刻准备好，充实自己的专业技能。

未来充满不确定性，但只要脚踏实地，一步一个脚印，我相信终会迎来属于每个人的成功。

美团二面面经

---

面试官: 同学你好，欢迎参加今天的面试。我们先聊聊索引吧。你能解释一下什么是索引，索引有哪些种类吗？

求职者: 当然可以。索引是数据库中的一种数据结构，能够帮助快速查找数据。它类似于书的目录，通过索引可以快速找到目标数据。索引的种类主要有：

• 主键索引：基于表的主键创建的索引，唯一且非空。
• 唯一索引：与主键索引类似，但允许空值。
• 普通索引：没有唯一性限制。
• 全文索引：用于对文本进行全文搜索。
• 组合索引：基于多个列创建的索引。

我还知道空间索引，这个在地理信息系统（GIS）中比较常用。

面试官: 好的，那你能再详细讲讲空间索引吗？它是如何工作的？

求职者: 嗯，空间索引主要用于处理多维空间数据，比如地理位置。它能加快对这些数据的检索。常见的空间索引有R树、Quad树和Geohash。

• R树：用于索引多维空间数据，适合范围查询。它将数据分层次存储，按照最小边界矩形（MBR）组织节点。
• Quad树：将空间递归地划分为四个象限，适合二维空间数据，例如地图。
• Geohash：将地理位置编码成字符串，适合快速的邻近查询。

面试官: 很好，接下来我们聊聊MVCC吧。你能解释一下MVCC是什么吗？

求职者: 好的。MVCC，即多版本并发控制（Multi-Version Concurrency Control），是数据库管理系统用来提供并发控制的一种方法。

• MVCC通过保存数据的多个版本来实现。每个事务在开始时会获取一个唯一的时间戳。
• 读操作会读取其开始时存在的数据版本，不会被其他事务的写操作阻塞。
• 写操作会创建新的数据版本，并在提交时将其时间戳更新。

这使得读操作和写操作互不干扰，从而提高了并发性能。

面试官: 很好，接下来我们讨论一下MySQL的加锁机制。MySQL是怎么加锁的？

求职者: MySQL的加锁机制主要包括表级锁和行级锁。表级锁包括表锁和元数据锁，而行级锁又分为共享锁（S锁）和排他锁（X锁）。

• 表级锁：锁定整个表，适用于批量操作，但并发性能较低。
  • 表锁：显式加锁，锁定整个表。
  • 元数据锁：用于保护表的结构，防止DDL操作和DML操作冲突。
• 行级锁：锁定单行数据，适用于高并发操作。
  • 共享锁（S锁）：允许多个事务读取同一行，但不能进行修改。
  • 排他锁（X锁）：一个事务独占此行，其他事务不能读或写。

此外，MySQL还支持间隙锁（Gap Lock）和临键锁（Next-Key Lock），用于防止幻读现象。

面试官: 很好，接下来我们继续深入。你刚才解释得很好，特别是关于MVCC和一致性哈希的部分。现在我想了解一下，你在实际项目中有使用过这些技术吗？如果有，你能具体说说是怎么应用的吗？

求职者: 当然可以。在我之前的一个项目中，我们使用了MySQL作为主要的数据库，并使用了MVCC来提高并发性能。

• MVCC使得读操作不会被写操作阻塞，这对于我们高并发的业务场景非常重要。
• 我们还使用了一致性哈希来进行分布式缓存的节点分配，具体来说是用在Redis集群中，以确保当节点增加或减少时，数据迁移的量最小。

通过这些技术，我们显著提高了系统的并发性能和扩展性。

面试官: 听起来很不错。那你能具体讲讲你们是如何实现一致性哈希的吗？

求职者: 好的，我们使用了Ketama一致性哈希算法。具体步骤如下：

• 哈希环：我们将所有的缓存节点映射到一个哈希环上，每个节点有一个哈希值。
• 虚拟节点：为了均匀分布数据，我们为每个实际节点创建多个虚拟节点。
• 数据映射：每个数据项通过哈希函数计算其哈希值，然后顺时针找到最近的节点存储。
• 节点变动：当节点增加或减少时，只需重新分配受影响的少部分数据。

通过这种方式，我们减少了因节点变动导致的数据迁移量。

面试官: 很好。我们再深入一点，聊聊MySQL的锁机制。你能详细说说**间隙锁（Gap Lock）和临键锁（Next-Key Lock）**吗？

求职者: 当然可以。

• 间隙锁（Gap Lock）：用于锁定一个范围内的所有不包含记录的间隙，防止其他事务在这个间隙内插入数据。主要用于防止幻读现象。
  • 举个例子，如果一个事务在某个范围内进行查询并加了间隙锁，其他事务就不能在这个范围内插入新记录。
• 临键锁（Next-Key Lock）：结合了行锁和间隙锁，锁定一个范围内的所有记录和间隙。它是InnoDB默认的锁模式，用于防止幻读。
  • 举个例子，如果一个事务在某个范围内进行查询并加了临键锁，其他事务就不能在这个范围内插入、删除或修改记录。

通过这些锁机制，MySQL能有效防止幻读和并发冲突。

面试官: 不错，解释得很清楚。最后一个问题，我们来聊聊Redis的底层数据结构。你能详细说说跳表是如何在Redis中应用的吗？

求职者: 当然可以。跳表是一种用于有序集合的数据结构，能够高效地进行插入、删除和查找操作。具体来说：

• 跳表由多层链表组成，每一层都是一个有序链表。
• 基础层（Level 0）包含所有元素，而每一层的元素都是下一层的子集，通过随机函数决定是否将元素提升到上一级。
• 查找操作：从最高层开始，每次在当前层找到小于目标值的最大元素，然后向下到下一层继续查找，直到找到目标元素。
• 插入操作：新元素首先插入到基础层，然后根据随机函数决定是否提升到上一级。
• 删除操作：首先找到要删除的元素，然后从每一层中删除它。

在Redis中，跳表被用于实现有序集合（Sorted Set，ZSet），能够在**O(log n)**时间复杂度下进行插入、删除和查找操作，非常高效。

面试官: 不错。那你能解释一下一致性哈希吗？

求职者: 当然可以。**一致性哈希（Consistent Hashing）**是一种分布式系统中的负载均衡算法，主要用于解决节点动态变化时数据重分布的问题。

• 一致性哈希将整个哈希值空间组织成一个环，每个节点在环上有一个哈希值。
• 数据通过哈希函数映射到环上的某个位置，并顺时针找到最近的节点存储。
• 当节点增加或减少时，只需重新分配受影响的少部分数据，而不是全部数据。

这样就能极大地减少因节点变化导致的数据移动，提高系统的扩展性和容错性。

面试官: 好的，接下来我们聊聊Redis。你能解释一下Redis中的IO多路复用吗？

求职者: 好的。Redis中的IO多路复用主要是通过select、poll、epoll等系统调用实现的。它允许在单个线程中管理多个网络连接，提高了并发性能。

• select：遍历文件描述符，检查其状态，效率较低。
• poll：与select类似，但在数据结构上有所优化。
• epoll：效率更高，适用于大量文件描述符的场景。它通过事件驱动机制，避免了遍历所有描述符。

Redis使用epoll来实现高效的网络IO操作，从而支持高并发的请求处理。

面试官: 最后一个关于Redis的问题：你了解哪些Redis的底层数据结构？

求职者: 当然，Redis的底层数据结构主要包括：

• SDS（简单动态字符串）：用于字符串类型。
• 双向链表：用于列表类型。
• 字典：用于哈希类型。
• 跳表：用于有序集合类型。
• 整数数组：用于压缩列表。

这些数据结构各有其特点，能够高效地支持不同类型的数据操作。

面试官: 接下来我们写几道SQL吧。请写一个查询，查找表employees中所有薪水大于5000的员工姓名和其对应的部门名称。

求职者:

SELECT e.name, d.department_name
FROM employees e
JOIN departments d ON e.department_id = d.department_id
WHERE e.salary > 5000;

面试官: 很好，再写一个查询，找出表orders中每个客户的订单总数。

求职者:

SELECT customer_id, COUNT(*) AS order_count
FROM orders
GROUP BY customer_id;

面试官: 最后一个查询，找出表products中价格最高的商品名称和价格。

求职者:

SELECT name, price
FROM products
ORDER BY price DESC
LIMIT 1;

面试官: 不错，最后我们来做一道算法题。请解答LeetCode 154题《寻找旋转排序数组中的最小值 II》。

求职者: 好的，我解释我的思路：

• 定义左右指针：我们用left和right两个指针，初始分别指向数组的两端。
• 二分查找：在循环中，计算中间位置mid。
• 比较中间值和右边界值：
  • 如果nums[mid]大于nums[right]，说明最小值在右半部分，调整left为mid + 1。
  • 如果nums[mid]小于nums[right]，说明最小值在左半部分，调整right为mid。
  • 如果nums[mid]等于nums[right]，无法确定最小值在哪一半，将right左移一位。
• 返回最小值：最终left指向最小值，返回nums[left]。

#include <vector>
using namespace std;

class Solution {
public:
    int findMin(vector<int>& nums) {
        int left = 0, right = nums.size() - 1;
        while (left < right) {
            int mid = left + (right - left) / 2;
            if (nums[mid] > nums[right]) {
                left = mid + 1;
            } else if (nums[mid] < nums[right]) {
                right = mid;
            } else {
                right--;
            }
        }
        return nums[left];
    }
};

这样我们就能在O(log n)的时间复杂度内找到旋转排序数组中的最小值。

面试官: 很好，今天的面试就到这里，感谢你的回答。我们会尽快通知你结果。祝你好运！