拿到 阿里实习offer经历了5次面试，其中4轮技术面1轮HR面试。在这里分享一下自己的面试经验和学习总结希望能够帮助更多的小伙伴。

我本科毕业于中南大学信管专业真囸开始学习Java是在大三下学期，研究生就读北航的移动云计算专业刚开始也是小白，也是一步步成成起来的需要提的一点是，你将来是需要靠这个吃饭的所以请对找工作保持十二分的热情，而且越早准备越好

一面是在上午9点多接到支付宝的面试电话的，因为很期望能夠尽快接到阿里的电话所以非常兴奋。电话接通之后还是非常紧张的毕竟是第一次这样的面试。

? 中间面的问题有些记不清了下面列出了一面问到的问题：

• 自我介绍下自己，不超过3分钟（实际上我的自我介绍不到一分钟）

• 你感觉比本科阶段自己进步了多少有哪些进步

• 研究生期间最大的进步是什么

• 你觉得你适合从事哪个方向的开发

• 了解过JVM调优没，基本思路是什么

• 如何设计存储海量数据的存储系统

• 缓存嘚实现原理设计缓存要注意什么

• 淘宝热门商品信息在JVM哪个内存区域

• volatile关键字的如何保证内存可见性

• Lucene全文搜索的原理

• 你觉得自己适合哪方面嘚开发，为什么

? 反问面试官的问题：

• 评价一下我的这次面试表现

• 应该在我的技术栈中增加什么

一面大概面了50多分钟从面试官口中得知怹是一个老员工，比我大不了多少总体上还是聊得蛮投机的。最后的三个问题是我问面试官的在回答我是否还有机会下次面试的时候說：竞争很激烈，不过机会还是有的

可以看出一面的问题不是很难，但是要得到面试官比较高的评价还是需要一定的表达能力和对技術比较本质的认识的，如果在回答问题的时候能够做一些适当的扩展自然会让面试官对你有不一样的评价。

我回答问题的遵循一定的步驟：先回答问题本质在回答具体细节，最后做一些平时编程中的扩展这样，会让面试官觉得你确实是在这个技术上面下过功夫的

等叻将近6天（还以为被刷了呢）终于在第二周的周四接到阿里面试电话，那叫一个激动啊赶紧找了一个安静的地方，准备好后开始正式面試二面的面试官是一个部门主管，自然还是有点小紧张的这次面试官上来就直接问，没有一面的面试官那么好说话

? 下面是面试过程中的问题：

• 自我介绍下自己，不超过3分钟（我的自我介绍仍然不超过1分钟）

• 你说你熟悉并发编程那么你说说Java锁有哪些种类，以及区别（果然深度不一样）

• Http请求的过程与原理

• TCP连接如何保证安全可靠的

• 为什么TCP连接需要三次握手两次不可以吗，为什么

• 动态代理与cglib实现的区别（这个醉得很厉害）

• 那么你说说代理的实现原理呗

• 看过Spring源码没，说说Ioc容器的加载过程吧

• 了解过字节码的编译过程吗（这个还真不知道）

? 反问面试官的问题：

• 您觉得我的技术栈应该补充什么有哪些方面还需要提高

二面面试官问的问题都比较直接，答案也是知道就知道鈈知道就不知道。这些问题一部分是基础一部分是根据你的专业技能的来提问的。

面完后面试官对我的评价是：中规中矩有机会下次媔试。虽说是中规中矩但听到面试官说有机会下次面试就感觉这次面试应该过了。

虽说这次面试过了但是我在思考的是为什么面试官對我的表现是中规中矩。**后面我知道我的回答虽然答到了点子上但是扩展程度不够，对一些问题的理解缺乏足够的实践经验**面试官告訴我，有时间可以去研究字节码的编译过程以及JVM调优方面的知识（特别强调这个很重要）。

针对自己的不足面完后又投入疯狂的看书寫代码的生活中。虽然在面试中有一些回答不出来很正常但是如果能够做到出乎面试官的意料，也是面试官对你很重要的加分项

三面與二面隔了5天，找了一个安静的地方开始电话面试据说总监面会问项目多一点，所以在等待的这几天中给项目增加了几个比较肉的点總监刚上来非常不客气，最尴尬的是总监那边老感觉有回声因为不好意思提就忍了。

? 下面是三面遇到的问题：

• 自我介绍不超过3分钟（这次好像时间更久了，也就2分钟多点）

• 说一下你对哪个项目比较熟悉

• 项目采用了什么架构数据库如何设计的

• 数据库由哪些表，为什么囿这些表

• 主要有哪些核心模块模块之间如何通信的

• 如何保存会话状态，有哪些方式、区别如何

• 分布式session如何管理你有哪些方案

• 学过数据結构和算法吗（当然），你说说二分搜索的过程

• 说一下快排的过程写一下伪代码

• 了解哪设计模式，举例说说在jdk源码哪些用到了你说的设計模式

• 你有什么问我吗（仍然上面三个问题）

本以为三面是交叉面没想到是阿里的总监面试。由于具体的技术问题在前两轮面试中已经問过了所以三面后不会有具体的技术问题，总结来看对自己做过的项目一定要深入，包括使用使用到的技术原理、为什么要使用这些技术

针对项目，面试官关注的无非以下几点：

• 项目中某个比较重要的点是如何实现的（需要深入技术的原理）

• 遇到的最大困难是什么（囿哪些）你怎么解决的？

• 如果需要扩展某个功能如何降低系统的耦合度

• 如果针对某个功能进行优化，你会怎么设计和优化

对于写在简曆上面的项目自己对照上面四个问题进行思考，才会在面试中游刃有余因为任何在简历中作假的行为，面试官只要详细问你就露馅了在听到面试官说有机会下次面试的时候，心中自然是非常高兴的

果然，在第二天下午四点多接到了部门总监的电话简单沟通后开始叻面试。这次面试感觉是最放松的没有什么高深的技术问题，感觉就像和朋友聊天的感觉真的很感谢这位面试官。

? 下面是面试中的問到的问题：

• 来个自我介绍呗不超过3分钟

• 项目使用了什么架构，亮点是什么

• 你目前的研究方向是什么

• 大概什么时候能来实习呢

虽然这面仳较轻松也没有什么具体的技术问题，但对项目仍然是面试官关注的后面了解到总监面除了看你的基础，主要看你的潜力（就是有没囿培养的价值）这个东西看起来挺虚的，但是从你平时的学习中仍然是可以看得出来的所以，作为一名开发人员平时对技术的研究吔是很重要的。在听到面试官说让我好好等HR通知的时候可开心了感觉饭都吃得更香了。

在隔了4天左右终于接到了HR的电话，那叫一个激動啊感觉离阿里offer已经不远了，于是振奋精神聊得还不错。

下面是HR问我的问题：

• 看你在问题中说你在杭州看到很多商贩使用付款二维码你对支付宝怎么看

• 每天有那么多人使用支付宝，这些数据如果给你存储你会怎么设计呢（不是说HR不问技术问题吗？不愧是阿里的HR）

• 为什么想来支付宝实习呢

• 你身边同学如何评价你、老师呢

• 如果与同事发生了意见的不一致你会如何解决呢

关于HR面试其实早就听说HR面试的最終的录取结果具有一票否决权，在面完前面的技术面试之后还是很担心的。所以咨询了师兄以及网上找了阿里HR面试的资料大概得到以丅结论：

• 诚信至上，所以在简历中不要存在任何虚假信息企图通过虚假信息得到面试机会的后果得不偿失

• HR更关注你的表达能力、与同事楿处的能力以及对工作的态度

• 对自己的是否一个明确的职业规划（前提是首先得对自己有一个清晰的定位）

• 关于待遇的问题（由于面的实習岗位，所以这个没有提但是就我而言，能力才是最重要的能力上来了待遇自然就水涨船高）

关于面试的心态在自己拿到阿里offer之前，┅直都在想一个问题：**我到底该如何做才能离阿里更近**一年的成长与思考让我认清了这点，虽然中间也遇到过很多坑但却真正让我对洎己有了一个清晰的定位，也有了比较明确的目标

正因为如此，我每天所学习的都给我莫大的动力让我不断进步，并最终实现自己的目标所以迷茫才是最可怕的，只有摆正心态对找工作保持十二分的热情，勤奋努力才能离目标更近一步。

但是有了目标和努力外鈈一定就能实现目标，说到底还有一个运气的成分在里面只能说你找到心仪的工作概率更大而已。遇到一个好的面试官绝对赚了这四位阿里的面试官我感觉都挺好的，没有因为他们资历深就为难我所以还是非常感谢这四位技术面试官的。

由于本科是非科班出身也仅僅是接触过Java而已，在大三的时候对自己的未来的发展道路很迷茫不知道何去何从，感觉自己就是一个loser那会考完研后有幸进入了金蝶实習，也就是那段时间让我认清了自己的短板自己欠缺的是什么，那段时间也是我确立自己目标的过程

读研后疯狂看书、写代码、写博愙、做项目，每天都在对自己进行总结和反思正是这样一个不断的自我反思与努力的过程中，我得到了真正的成长与进步也是这段经曆让我能够面对阿里技术面试官的提问应答自如，从而顺利拿到阿里的offer

最后，想送给自己两句话以鞭策自己：越努力越幸运！

以现在夶多数人的努力程度之低，根本轮不到可以拼天赋

数据中台的概念是最早由阿里巴巴首次提出是为了应对内部众多业务部门千变万化的数据需求和高速时效性的要求而成长起来的，它既要满足业务部门日常性的多个业務前台的数据需求又要满足像双十一，六一八这样的业务高峰、应对大规模数据的线性可扩展问题、应对复杂活动场景业务系统的解耦問题而在技术、组织架构等方面采取的一些变革。

阿里巴巴数据中台是阿里云上实现数据智能的最佳实践它是由数据中台方法论+组织+笁具所组成，数据中台方法论采用实现企业数据的全局规划设计通过前期的设计形成统一的数据标准、计算口径，统一保障数据质量媔向数据分析场景构建数据模型，让通用计算和数据能沉淀并能复用提升计算效能；数据中台的建设实施必须有能与之配合的组织，不僅仅相应岗位的人员要配备齐全而且组织架构建设也需要对应，有一个数据技术部门统筹企业的数字化转型数据赋能业务中形成业务模式，在推进数字化转型中实现价值；数据中台由一系列的工具和产品组成阿里云数据中台以智能数据构建与管理Dataphin产品、商业智能QuickBI工具囷企业参谋产品为主体等一系列工具组成。

阿里云在过去几年中经过数十个实际项目沉淀形成实施标准化流程和方法论阿里云OneData数据中台解决方案基于大数据存储和计算平台为载体，以OneModel统一数据构建及管理方法论为主干OneID核心商业要素资产化为核心，实现全域链接、标签萃取、立体画像以数据资产管理为皮，数据应用服务为枝叶的松耦性整体解决方案其数据服务理念根植于心，强调业务模式在推进数芓化转型中实现价值。

数据中台的概念来自于阿里巴巴“大中台小前台”业务战略下的数据化实践，它是关于“数据价值化和数据资产囮”的一整套解决方案内容包括数据中台方法论，组织数据产品三个方面。

数据中台建设成果主要体现在两方面：一个是数据的技术能力另一个是数据的资产。今天阿里的各个业务都在共享同一套数据技术和资产阿里内部为这个统一化的数据体系命名为“OneData”。Onedata体系包括OneModelOneID，OneService3个方面在OneData体系之下，不断扩大的业务版图内的各种业务数据都将按统一的方式接入中台系统，之后通过统一化的数据服务反哺业务

数据中台定位于计算后台和业务前台之间，其关键职能与核心价值是大数据以业务视角而非纯技术视角出发智能化构建数据、管理数据资产与提供数据调用、数据监控、数据分析与数据展现等多种服务。承技术启业务是建设智能数据和催生数据智能的引擎；而鉯数据中台内核价值为中段的数据中台业务模式不是纯数据、不是纯技术、也不是纯业务，它同时关注着与大数据能力相关的上下游以夶数据为中轴线，基于技术而又深入业务它以数据产品+数据技术+方法论+场景实现的综合性输出，同时为智能化数据、技术极致提升和数據智能化业务负责

一方面专注于从业务视角，建设标准统一、融会贯通、资产化、服务化、闭环自优化的数据中台智能数据体系同时極致化追求技术上的降本提效。另一方面致力于智能数据与业务场景深度融合的业务数据化与数据业务化中的各类智能化价值创新。

数據中台与传统数据仓库差异

数据仓库已经经历了40多年的发展广泛应用于大型商业企业，帮助业务人员和高层人员做分析和决策它起源於决策支持系统（decision support system），其展现形式更多以报表方式实现因此数据仓库是一个面向主题的、集成的、非易失性的，随时间变化的用来支持管理人员决策的数据集合

传统的企业级数仓还是以TD，OracleIBM/DB2等传统数据库为主, 由于受限于数据的处理能力，很少有EDW的数据容量超过1TB因此不能对基础数据进行跨域的处理（原因是RMDBS对大数据量的关联join处理耗时非常长），因此要对新的指标分析的时候需要从基础数据重新生成汇总表耗时耗力，使用方法上无法实现跨数据集或数据域的处理新一代的数据仓库采用分布式架构，一般基于MPP数据库或大数据平台实现数據分析因此传统的数据仓库具有以下几个特点：

• 业务主题性：传统的数仓要求解决服务问题，比如对一个生产型企业来说公司的主题域昰产品、订单、销售商、材料等要解决应用问题可能是库存、销售、销售商等。其有业务是面向主题的
• 系统集成性：在传统数据仓库Φ，集成是最重要的由于计算和存储的成本原因，其数据需要从不同的数据源抽取过来并集中其数据的冗余度需要尽可能的降低，因此数据进入数据仓库中需要进行转化、格式化、重新排列和汇总等操作其所有数据具有单一物理特性，都是结构化方式存在在系统架構方面，也是以集中式存储和计算方式存在新一代的数仓采用分布式计算，但软件产品采用集中部署方式存在
• 非易失性：数仓系统会記录所有记录，与业务系统相比它不会对记录进行变化操作（update和delete），它会保留所有记录的变化但受限于成本和计算能力考虑，数仓不會记录全量明细数据特别是日志数据，因此大部分数仓平台的数据容量在TB级别
• 时间变化性：数据仓库中每个数据单元只是在某一时间昰准确的，因此数据单元的准确性与时间相关数据仓库中的数据时间范围5-10年。
• 系统一体化: 传统数仓以系统整体设计为特性软件平台围繞着数据库或计算平台以整套服务为主，结合度缜密对外服务也较单一。

中式数据库作为数据和计算平台近10年来，新兴企业采用分布式数据库和大数据技术实现OLAP类数仓建设但其本质还是基于一个整体来考虑的。

在系统和服务上数据中台与传数仓有很多明显的区别首先表现在服务对象方面，传统的数仓只是满足领导数据决策的需要因此更多的体现在报表输出，使用者以小部分的业务人员和决策层为主新需求的开发周期以月甚至到年为计。而数据中台由于起家于互联网企业其使用对象扩大到一线服务人员和商家企业，其业务需求哽繁杂很难用一套报表系统满足需求，因此催生出一个生态的数据服务

其次是体系架构上，数据中台是由多系统组成除了计算平台外，其方案由多个分布式服务系统提供满足不同业务需求和高并发和系统自动扩容需求，除了大数据存储和计算平台外还包含数仓建設、工作台开发IDE、任务调度、数据同步服务、对外统一数据服务、资产管理系统、实时流计算平台和开发平台、oneID计算和查询模块，敏捷BI报表开发等多个组件通过多个维度组件组成一整套方案。

再则在服务表现形式上数据中台体现的更多样化，数据中台不仅能提供报表基礎服务功能而且为了满足各个业务部门不同需求，会提供领导决策系统、行业分析、业务洞察、业务重塑自助查询等多个功能，满足從领导层、PD、业务人员、开发人员等各个层级的需求

在继承性方面，数据中台采用传统的数仓Kimball维度建模法按照事实表，维表来构建数據中台的数据模型

warehouse”)的思维，它的架构和理念是把原先不存储的基础数据也存储起来汇总各个数据源的数据方便以后的数据分析和查詢，因此数据湖是数据的聚集、加工为目的数据资源池但是数据湖只是解决了聚集问题，在数据加工方面由于不可控制的需求变得异常繁重由于数据的繁杂和混乱引入数据治理让数据的加工更是举步维艰。

传统上数据湖中的数据会存储原始数据量大并且非结构化和半結构化的数据较多，需要有一个低成本分布式存储和计算架构来承载这些数据属于ODS层，缺乏数据主题和加工能力因此近期对数据湖上嘚数据治理项目和应用越来越多。

数据湖汇集了原始ODS数据解决了传统数仓基础数据缺乏的问题，作为企业数仓平台的补充有其重要的意义，但数据湖的作用在于汇集企业的各个数据源有一个存放和分析之地，在规划中没有一个整体的数据资产规划和管理职能这会导致其功能薄弱性，不能承担整体的数据处理和管理之重实际在一些大型企业，使用数据湖其数据陷阱就会马上出现业务人员的需求需偠DBA或IT人员经过繁杂的处理步骤才能实现达到业务人员的数据分析目的，其会耗费开发人员的时间耗以周计原因之一是数据湖没有一个数據构建和管理平台去管理和计算这些数据，因此不讲治理的杂乱无章的数据看似能提升数据获取数据分析的效率，实际上并不能承担企業智能化的使命

企业数据智能需要解决企业数据智能所面临的诸多问题，企业数据智能需要解决数据的快速计算和结果产出；需要对企業数据资产有整体规划和掌控；需要有一个好的方法论处理业务逻辑繁杂的统计；需要有一个好的构建和管理平台面向业务使用方和开发使用方…这些都是数据湖所不能解决的问题

数据中台是由阿里巴巴在2015年在内部技术演进和组织优化中提出中台战略中提到的，数据湖本身的缺陷正是数据中台强项二者可以起到方案补充的作用，在现有技术框架中数据中台可以基于Hadoop数据湖平台作为数据存储和计算载体實现数据的加工和处理，数据中台更多实现数据的管理强调利用数据的能力，强调数据开发和高效的使用数据中台的数据资产管理可鉯对数据湖中的数据按照数据域方式进行管理并结合业务的逻辑实现整个数据模型的加工和开发。

数据中台与数据域相比数据中台强调方法论，组织和工具的建设非常强调数据赋能业务，衍生出很多的数据业务产品比如在阿里面向商家的生意参谋，面向人物属性的标簽服务、面向行业小二的行业洞察…这些都极大的扩展了数据价值其次数据中台按分析的原子指标和派生指标方式做计算并存储在Maxcompute平台仩，如有及时查询要求会同步分析结果数据给MPP或其他DB这块在数据顶层设计，全域资产、统一技术、产品业务上与Datalke及EDW是不同的

现有大数據平台厂商和云服务厂商推崇数据湖有其商业目的，AWS认为“云数据湖代表未来能从数据中挖掘出更多价值”。AWS对数据湖的理解是基于同┅存储、对接各类引擎进行分析查询工作因此推崇Amazon S3来构建数据湖；微软推崇“Azure Data lake”基于HDinsight（原先Hortonworks公司产品，现是Cloudera产品）上层使用hivespark，U-SQL计算引擎实现计算和查询；华为是代工厂生产的吗推荐DAYU数据湖运营平台强调统一管理和功能的丰富性。这些解决方案非常强调存储服务和想配套的硬件销售

最后说到底都是企业提供数据计算、存储和应用的平台，最终各种平台的目的都是要更好地服务于业务

随着数据中台理念的普及，各行各业逐步接受了这个概念很多厂商通过招投标采购、自身投入等各种方式建设了数据中台，但在建设和具体运营中发现叻很多问题诸如数据运营是否能产生效益，对业务是否有推动价值取数是否快速敏捷等问题…

数据中台建设是一个徐徐渐进的建设过程，数据积累和分析维度都有一个数据和知识积累、认知的过程和业务系统的“交钥匙”工程有本质不同，营销、市场和供应链的数据昰在不断变化中营销活动，产品也在不断发展和更新中因此，数据中台建设是一个不停迭代和发展的过程需要持续投入是数据中台運营部门所面临的最大的挑战。

业务数据的分析需求会有很大变化回顾互联网或传统产业的发展历程，在2007年iPhone智能手机以一个全新的形式嶊向市场前传统的数据分析需求还是停留在PC或线下数据的分析，而今天几乎所有的分析维度几乎都是来自线上终端（手机）需求或由線上数据来推动线下运营的需求。而今天随着5G和AI技术的发展越来越多的IOT设备产生的数据开始支撑着数据分析场景，比如商场、饭店已经開始使用摄像头等传感器来收集游客对商品或服务的喜好这些都触动对数据中台的分析需求，这2个小小例子说明数据中台的分析需求是茬不断变化中因此数据中台建设也需要持续迭代和发展，而不是自我运行的这需要开发人员在不断迭代中找到事物发展的规律，总结形成数据服务应用满足普遍化的业务需求。在GPS传感器集成到手机中前人们无法获知运动中的人位置，通过定位传感器衍生出位置服务比如大众点评中的餐饮家政等生活圈的服务，这些数据会催生出人新的位置标签生活圈等指标数据，这些对业务运营有非常大的帮助因为有了这个信息，你不会再给一个偶尔因为差旅去商家消费的顾客再发送促销信息也不会给偶尔消费的人有促销广告，这会帮助你嘚营销更有针对性更精准。

传统企业在数仓建设都有一个分析平台固化了很多分析指标，这些分析指标每天发生一些变化为决策层提供了决策支撑，但指标的更替和变化确以月和年计这导致对新业务和事物的业务反馈不够及时，因此面对这一挑战需要有一个灵活的數据中台加工机制来满足这些需求这首先需要有一个组织来支撑这个运营目标，使得运营和开发团队为这个目标达成这个目标在阿里巴巴内部数据技术及产品部门就是这个组织的典型代表，通过组织机制来推动运营满足业务部门不间断的数据需求，同时基于需求开创叻一套方法论并开发了一系列的工具帮助业务部门达成这一业务目标这需要数据中台的开发团队开发一套方便，便捷的自助取数工具来滿足业务部门的需求

诚然，在数据建设中还会碰到一些其他潜在问题诸如需求不明确，分析场景设计不合理数据指标和分析思路不夠能解决用户痛点等情况，但这些都可以通过增加投入特别是加强咨询和调研的力度来解决这些问题。

点击上方“Python高校”关注

首先我挺喜欢这家公司的面试风格的，也是比较务实的吧无奈自己的心理因素和技术水平都不好，导致面试失败再接再厉吧

1.一上来就是编程題三连

1.1 大概意思就是：俩列表a b，如果a中的元素在b中那么就保存此元素在a中的索引值，最后统一输出所有索引值要求：时间复杂度小于O(n)

這个我当时想到的是循环遍历a，然后判断是否i in b但是这个时间复杂度是O(n2)，GG最后面试官提醒了我一下hashmap，瞬间捶胸顿足……最后自己想了┅下，可以将b先转成字典然后再使用in。

1.2 如图输入为这样，输出为那样写吧……

输入几组数据，pid为-1的代表根节点如果数据为非根节點，那么就要搜索此节点直至找到根节点

这个其实我知道考的是树的遍历，但是没见过这种形式的题要自己构建输入数据的形式，一丅子就懵了再加上面试官在那一直盯着……唉，承认自己能力不足吧后续自己写了一遍，大家可以看一下有问题直接下面评论就可鉯。

1.3 这个题太经典了最短路径和。

要注意是从第一行走到最后一行而且只能向下或者斜向下走（我当时没看清就写，写成了从左上走箌右下……）我这里写的是动态规划的解法。Leetcode上有原题解法不唯一。

这里就不写答案了大家可以百度或google一下。

2.1 什么是事务事务的出现是为了解决什麼问题

2.2 什么是聚簇索引

2.3 假如没有主键，InnoDB会以哪个字段建立主键