timeline：2.10投递简历，2.11完成测评，2.12一面邀请，2.13一面（面完5分钟左右显示通过），2.14电话约二面，2.17二面（结束5分钟左右显示通过），2.17下午邀请hr面，2.18早上hr面，晚上9点offer call。一面1. 介绍一下你之前实习做的事情2. xxx我不是很理解，你再解释一下3. 说一个你实习过程中做一个技术点，从前端视角的一个技术点，不是业务相关的4. 针对上面提到的业务场景（分页），提出一些角度比较刁钻的问题，问你如何解决（场景题）5. 你有没有用过以前那种没有Ract hook 的那个年代的代码6. hook 的这种 state 跟常规的类组...

#前端#

timeline：8.20 一志愿简历挂9.03 二志愿一面挂9.03 被捞简历又挂12.09 被捞12.11 一面12.13 二面12.16 hr面12.17 加面，入池1.3 被捞，主管面1.7 hr面1.10 oc终于等到你~出乎意料的给我这个双非本定了p5，这下真是淘孝子了#阿里##淘天##阿里求职进展汇总##秋招#

这是之前在处理一个实时流数据上碰到的。 之前背过很多，类似的关于高并发问题的一些官样文章。初读起来，总感觉索然无味。好像和幼儿园里把大象放进冰箱里的故事一样。 在业务中碰到的情况很特别。 同一个用户，会在同一个时间点有多条订单，即使把时间精确到 00:00:00，依然发现无法区分。前辈提醒后，才发现这其实是一种高并发的情况。 在Flink实时流里，通常碰到高并发的情况下，会进行一次打乱操作。在SQL任务中，我忘记进行了这种操作，后来发现其实是有这样的key by 参数。 大约可以这样处理。 在处理的时候，通过key by 的操作，会将并发数据存储同一个kaf...