如：
selectid fromt wherenum/ 2= 100
应改为:
selectid fromt wherenum = 100* 2；
不适合键值较少的列(重复数据较多的列)比如：set enum列就不适合(枚举类型(enum)可以添加null,并且默认的值会自动过滤空格集合(set)和枚举类似，但只可以添加64个值)
如果MySQL估计使用全表扫描要比使用索引快，则不使用索引
什么是聚集索引
B+Tree叶子节点保存的是数据还是指针
MyISAM索引和数据分离，使用非聚集
InnoDB数据文件就是索引文件，主键索引就是聚集索引
Redis命令总结
为什么这么快？
基于内存，由C语言编写
使用多路I/O复用模型，非阻塞IO
使用单线程减少线程间切换
因为Redis是基于内存的操作，CPU不是Redis的瓶颈，Redis的瓶颈最有可能是机器内存的大小或者网络带宽。既然单线程容易实现，而且CPU不会成为瓶颈，那就顺理成章地采用单线程的方案了(毕竟采用多线程会有很多麻烦！)。
数据结构简单
自己构建了VM机制，减少调用系统函数的时间
优势
丰富的数据类型
原子 – Redis的所有操作都是原子性的，同时Redis还支持对几个操作全并后的原子性执行
什么是redis事务？
将多个请求打包，一次性、按序执行多个命令的机制
通过multi,exec,watch等命令实现事务功能
Python redis-py pipeline=conn.pipeline(transaction=True)
持久化方式
RDB(快照)
save(同步，可以保证数据一致性)
bgsave(异步，shutdown时，无AOF则默认使用)
AOF(追加日志)
怎么实现队列
push
rpop
常用的数据类型(Bitmaps,Hyperloglogs,范围查询等不常用)
String(字符串):计数器
整数或sds(Simple Dynamic String)
List(列表)：用户的关注，粉丝列表
ziplist(连续内存块，每个entry节点头部保存前后节点长度信息实现双向链表功能)或double linked list
Hash(哈希)：
Set(集合)：用户的关注者
intset或hashtable
Zset(有序集合)：实时信息排行榜
skiplist(跳跃表)
与Memcached区别
Memcached只能存储字符串键
Memcached用户只能通过APPEND的方式将数据添加到已有的字符串的末尾，并将这个字符串当做列表来使用。但是在删除这些元素的时候，Memcached采用的是通过黑名单的方式来隐藏列表里的元素，从而避免了对元素的读取、更新、删除等操作
Redis和Memcached都是将数据存放在内存中，都是内存数据库。不过Memcached还可用于缓存其他东西，例如图片、视频等等
虚拟内存–Redis当物理内存用完时，可以将一些很久没用到的Value 交换到磁盘
存储数据安全–Memcached挂掉后，数据没了；Redis可以定期保存到磁盘(持久化)
应用场景不一样：Redis出来作为NoSQL数据库使用外，还能用做消息队列、数据堆栈和数据缓存等；Memcached适合于缓存SQL语句、数据集、用户临时性数据、延迟查询数据和Session等
Redis实现分布式锁
使用setnx实现加锁，可以同时通过expire添加超时时间
锁的value值可以是一个随机的uuid或者特定的命名
释放锁的时候，通过uuid判断是否是该锁，是则执行delete释放锁
常见问题
缓存雪崩
短时间内缓存数据过期，大量请求访问数据库
缓存穿透
请求访问数据时，查询缓存中不存在，数据库中也不存在
缓存预热
初始化项目，将部分常用数据加入缓存
缓存更新
数据过期，进行更新缓存数据
缓存降级
当访问量剧增、服务出现问题(如响应时间慢或不响应)或非核心服务影响到核心流程的性能时，仍然需要保证服务还是可用的，即使是有损服务。系统可以根据一些关键数据进行自动降级，也可以配置开关实现人工降级
一致性Hash算法
使用集群的时候保证数据的一致性
基于redis实现一个分布式锁，要求一个超时的参数
setnx
虚拟内存
内存抖动
Linux
Unix五种i/o模型
阻塞io
非阻塞io
多路复用io(Python下使用selectot实现io多路复用)
select
并发不高，连接数很活跃的情况下
poll
比select提高的并不多
epoll
适用于连接数量较多，但活动链接数少的情况
信号驱动io
异步io(Gevent/Asyncio实现异步)
比man更好使用的命令手册
tldr:一个有命令示例的手册
kill -9和-15的区别
-15：程序立刻停止/当程序释放相应资源后再停止/程序可能仍然继续运行
-9：由于-15的不确定性，所以直接使用-9立即杀死进程
分页机制(逻辑地址和物理地址分离的内存分配管理方案)：
操作系统为了高效管理内存，减少碎片
程序的逻辑地址划分为固定大小的页
物理地址划分为同样大小的帧
通过页表对应逻辑地址和物理地址
分段机制
为了满足代码的一些逻辑需求
数据共享/数据保护/动态链接
每个段内部连续内存分配，段和段之间是离散分配的
查看cpu内存使用情况？
top
free 查看可用内存，排查内存泄漏问题
设计模式
单例模式
# 方式一
defSingle(cls,*args,**kwargs):
instances = {}
defget_instance(*args, **kwargs):
ifcls notininstances:
instances[cls] = cls(*args, **kwargs)
returninstances[cls]
returnget_instance
@Single
classB:
pass
# 方式二
classSingle:
def__init__(self):
print( "单例模式实现方式二。。。")
single = Single
delSingle # 每次调用single就可以了
# 方式三(最常用的方式)
classSingle:
def__new__(cls,*args,**kwargs):
ifnothasattr(cls, '_instance'):
cls._instance = super.__new__(cls,*args,**kwargs)
returncls._instance
工厂模式
classDog:
def__init__(self):
print( "Wang Wang Wang")
classCat:
def__init__(self):
print( "Miao Miao Miao")
deffac(animal):
ifanimal.lower == "dog":
returnDog
ifanimal.lower == "cat":
returnCat
print( "对不起，必须是：dog,cat")
构造模式
class Computer:
def __init__(self,serial_number):
self.serial_number = serial_number
self.memory = None
self.hadd = None
self.gpu = None
def __str__(self):
info = (f'Memory:{self.memoryGB}',
'Hard Disk:{self.hadd}GB',
'Graphics Card:{self.gpu}')
return ''.join(info)
class ComputerBuilder：
def __init__(self):
self.computer = Computer('Jim1996')
def configure_memory(self,amount):
self.computer.memory = amount
return self #为了方便链式调用
def configure_hdd(self,amount):
pass
def configure_gpu(self,gpu_model):
pass
class HardwareEngineer:
def __init__(self):
self.builder = None
def construct_computer(self,memory,hdd,gpu)
self.builder = ComputerBuilder
self.builder.configure_memory(memory).configure_hdd(hdd).configure_gpu(gpu)
@property
def computer(self):
return self.builder.computer
数据结构和算法内置数据结构和算法
python实现各种数据结构
快速排序
defquick_sort(_list):
iflen(_list) < 2:
return_list
pivot_index = 0
pivot = _list(pivot_index)
left_list = [i fori in_list[:pivot_index] ifi < pivot]
right_list = [i fori in_list[pivot_index:] ifi > pivot]
returnquick_sort(left) + [pivot] + quick_sort(right)
选择排序
defselect_sort(seq):
n = len(seq)
fori inrange(n- 1)
min_idx = i
forj inrange(i+ 1,n):
ifseq[j] < seq[min_inx]:
min_idx = j
ifmin_idx != i:
seq[i], seq[min_idx] = seq[min_idx],seq[i]
插入排序
definsertion_sort(_list):
n = len(_list)
fori inrange( 1,n):
value = _list[i]
pos = i
whilepos > 0andvalue < _list[pos - 1]
_list[pos] = _list[pos - 1]
pos -= 1
_list[pos] = value
print(sql)
归并排序
defmerge_sorted_list(_list1,_list2):#合并有序列表
len_a, len_b = len(_list1),len(_list2)
a = b = 0
sort = []
whilelen_a > a andlen_b > b:
if_list1[a] > _list2[b]:
sort.append(_list2[b])
b += 1
else:
sort.append(_list1[a])
a += 1
iflen_a > a:
sort.append(_list1[a:])
iflen_b > b:
sort.append(_list2[b:])
returnsort
defmerge_sort(_list):
iflen(list1)< 2:
returnlist1
else:
mid = int(len(list1)/ 2)
left = mergesort(list1[:mid])
right = mergesort(list1[mid:])
returnmerge_sorted_list(left,right)
堆排序heapq模块
fromheapq importnsmallest
defheap_sort(_list):
returnnsmallest(len(_list),_list)
栈
fromcollections importdeque
classStack:
def__init__(self):
self.s = deque
defpeek(self):
p = self.pop
self.push(p)
returnp
defpush(self, el):
self.s.append(el)
defpop(self):
returnself.pop
队列
fromcollections importdeque
classQueue:
def__init__(self):
self.s = deque
defpush(self, el):
self.s.append(el)
defpop(self):
returnself.popleft
二分查找
defbinary_search(_list,num):
mid = len(_list)// 2
iflen(_list) < 1:
returnFlase
ifnum > _list[mid]:
BinarySearch(_list[mid:],num)
elifnum < _list[mid]:
BinarySearch(_list[:mid],num)
else:
return_list.index(num)面试加强题：
关于数据库优化及设计
如何使用两个栈实现一个队列
反转链表
合并两个有序链表
删除链表节点
反转二叉树
设计短网址服务？62进制实现
设计一个秒杀系统(feed流)？ https://www.jianshu.com/p/ea0259d109f9
为什么mysql数据库的主键使用自增的整数比较好？使用uuid可以吗？为什么？
如果InnoDB表的数据写入顺序能和B+树索引的叶子节点顺序一致的话，这时候存取效率是最高的。为了存储和查询性能应该使用自增长id做主键。
对于InnoDB的主索引，数据会按照主键进行排序，由于UUID的无序性，InnoDB会产生巨大的IO压力，此时不适合使用UUID做物理主键，可以把它作为逻辑主键，物理主键依然使用自增ID。为了全局的唯一性，应该用uuid做索引关联其他表或做外键
如果是分布式系统下我们怎么生成数据库的自增id呢？
使用redis
基于redis实现一个分布式锁，要求一个超时的参数
setnx
setnx + expire
如果redis单个节点宕机了，如何处理？还有其他业界的方案实现分布式锁码?
使用hash一致算法
缓存算法
LRU(least-recently-used):替换最近最少使用的对象
LFU(Least frequently used):最不经常使用，如果一个数据在最近一段时间内使用次数很少，那么在将来一段时间内被使用的可能性也很小
服务端性能优化方向
使用数据结构和算法
数据库
索引优化
慢查询消除
slow_query_log_file开启并且查询慢查询日志
通过explain排查索引问题
调整数据修改索引
批量操作，从而减少io操作
使用NoSQL:比如Redis
网络io
批量操作
pipeline
缓存
Redis
异步
Asyncio实现异步操作
使用Celery减少io阻塞
并发
多线程
Gevent
