2021Java笔试题总结!java高级工程师工资

阿里巴巴 java笔试 试题 有两份 这里有两套阿里巴巴java开发工程师德笔试试题,和朋友们分享 立即下载

20个二叉树面试高频

  • 0. 几个概念
  • 1. 求二叉树中的节点个数
  • 2. 求二叉树的最大层数(最大深度)
  • 3. 先序遍历/前序遍历
  • 4. 中序遍历
  • 5. 后序遍历
  • 6. 分层遍历
  • 7. 求二叉树第K层的节点个数
  • 8. 求二叉树第K层的叶子节点个数
  • 9. 判断两棵二叉树是否结构相同
  • 10. 判断二叉树是不是平衡二叉树
  • 11. 求二叉树的镜像
  • 12. 求二叉树中两个节点的最低公共祖先节点
  • 13. 求二叉树的直径
  • 14. 由前序遍历序列和中序遍历序列重建二叉树
  • 15. 判断二叉树是不是完全二叉树
  • 16. 树的子结构
  • 17. 二叉树中和为某一值的路径
  • 18. 二叉树的下一个结点
  • 19. 序列化二叉树
  • 20. 二叉搜索树的第k个结点

image

21二叉树

算法刷题LeetCode中文版:二叉树

image

算法刷题LeetCode中文版:二叉树

17个链表面试高频

  • 1. 在 O(1) 时间删除链表节点
  • 2. 翻转单链表
  • 3. 翻转部分单链表
  • 4. 旋转单链表
  • 5. 删除单链表倒数第 n 个节点
  • 6. 求单链表的中间节点
  • 7. 链表划分
  • 8. 链表求和
  • 9. 单链表排序
  • 10. 合并两个排序的链表
  • 11. 复杂链表的复制
  • 12. 删除链表中重复的结点
  • 13. 判断单链表是否存在环
  • 14. 单链表是否有环扩展:找到环的入口点
  • 15. 判断两个无环单链表是否相交
  • 16. 两个链表相交扩展:求两个无环单链表的第一个相交点
  • 17. 两个链表相交扩展:判断两个有环单链表是否相交

image

17链表

算法刷题LeetCode中文版:链表

image

算法刷题LeetCode中文版:链表

7个堆栈和队列面试高频

  • 1.基础概念
  • 2.栈的 java 实现
  • 3.队列的 java 实现
  • 4.用两个栈实现队列
  • 5.用队列实现栈
  • 6.包含min函数的栈
  • 7.栈的压入、弹出序列

image

7堆栈和队列

算法刷题LeetCode中文版:栈和队列

image

算法刷题LeetCode中文版:栈和队列

13个字符串面试高频

  • 1. KMP 算法
  • 2. 替换空格
  • 3. 最长公共前缀
  • 4. 最长回文串
  • 5. 字符串的排列
  • 6. 打印字符串的全排列
  • 7. 第一个只出现一次的字符
  • 8. 翻转单词顺序列
  • 9. 旋转字符串
  • 10. 把字符串转换成整数
  • 11. 正则表达式匹配
  • 12. 表示数值的字符串
  • 13. 字符流中第一个不重复的字符

13个字符串面试高频答案解析

image

13字符串

算法刷题LeetCode中文版:字符串

image

总结

如果你选择了IT行业并坚定的走下去,这个方向肯定是没有一丝问题的,这是个高薪行业,但是高薪是凭自己的努力学习获取来的,这次我把P8大佬用过的一些学习笔记(pdf)都整理在本文中了,如果你有需要的话,请一定点赞分享本文,然后点击这里获取免费下载方式!

《Java中高级核心知识全面解析》

小米商场项目实战,别再担心面试没有实战项目:

m/vip204888/java-p7)**

《Java中高级核心知识全面解析》

[外链图片转存中…(img-XBh9wnDe-1626745285266)]

小米商场项目实战,别再担心面试没有实战项目:

阿里巴巴java笔试zz. 关于java的笔试题,大家共享。阿里巴巴java笔试,希望对大家有用。 立即下载

相关推荐

MarkDown简介(深度解析MarkDown用法)

欢迎使用Markdown编辑器写博客 本Markdown编辑器使用StackEdit修改而来,用它写博客,将会带来全新的体验哦: Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和流程图 离线写博客 导入导出Markdown文件 丰富的快捷键 快捷键 加粗 Ctrl + B 斜体 Ctrl + I...

酷酷的旭 7345

2024阿里Java笔试总结,java面试准备内容

程序员代码面试指南-IT名企算法与数据结构题目最优解:栈和队列部分(10)1. 设计一个有getMin功能的栈(士★☆☆☆)2. 由两个栈组成的队列(尉★★☆☆)3. 如何仅用递归函数和栈操作逆序一个栈(尉★★☆☆)4. 猫狗队列(士★☆☆☆)5. 用一个栈实现另一个栈的排序(士★☆☆☆)6. 用栈来求解汉诺塔问题(校★★★☆)7. 生成窗口最大值数组(尉★★☆☆)8. 构造数组的MaxTree(校★★★☆)9. 求最大子矩阵的大小(校★★★☆)10. 最大值减去最小值小于或等于num的子数组数量(校★★★

H1767410的博客 1365

Cadence OrCAD常见引脚错误排查指南:从原理图到封装的完整解决方案

本文详细解析Cadence OrCAD设计中常见的引脚错误问题,提供从原理图到封装的系统化解决方案。涵盖错误诊断、元件库修复、封装管理及自动化处理技巧,帮助工程师高效解决ORCAP-36022等典型错误,确保设计流程顺畅。

weixin_29294975的博客 258

2018阿里巴巴秋招java笔试题做题记录

一、单项选择题 1、以下函数的时间复杂度是 ( ) void func(int x,int y, int z){ if(x<=0) printf(“%d, %d\n”, y, z); else { func(x-1,y+1,z); func(x-1,y,z+1); } } 求递归函数的时间复杂度,借助栈来存储。 A.O(x*y*z) B.O(x^2*y...

5995

DIY电磁炉核心驱动方案:IR2153PBF自振荡半桥芯片实战指南(附电路图)

本文详细介绍了IR2153PBF自振荡半桥驱动芯片在DIY电磁炉核心驱动方案中的实战应用。该芯片集成了振荡器与600V高压驱动能力,仅需少量外围元件即可生成互补带死区的PWM信号,极大简化了半桥逆变电路设计。文章深入解析了其工作原理、关键参数,并提供了完整的电路设计、PCB布局指南及调试步骤,帮助电子爱好者构建稳定高效的感应加热驱动核心。

beer8的博客 595

YOLOv11 TensorRT极致加速:C++部署性能优化完全指南

购买即可解锁300+YOLO优化文章,并且还有海量深度学习复现项目,价格仅需两杯奶茶的钱,别人有的本专栏也有!

LXY_LOVE36的博客 119

Java精选笔试题

合抱之木,生于毫末;九层之台,起于垒土;千里之行;始于足下。赶快测测你的Java基础知识掌握的如何? 1,下列说法正确的是() A.一个文件里可以同时存在两个public修饰的类 B.构造函数可以被重写(override) C.子类不能访问父类非public和protected修饰的属性 D.final修饰的类可以被继承 答案:C 一个Java源文件中...

dengwan3818的博客 381

UDS自动化测试-Service 0x27(CAPL调用dll实现key计算)

相信读者基于Diagnostic/ISO TP Confighration中cdd、dll文件的测试并不陌生,本文基于其的基础上,介绍在capl中调用内置的函数diagGenerateKeyFromSeed实现27服务解锁,从而进行诊断自动化测试。本文基于4个byte的Seed、16个byte的Key的安全访问,实现27服务的自动化测试。需要加载项目使用的cdd文件,如果没有的情况下可以使用canoe例程中默认的cdd文件。

诊断协议那些事儿's blog 2054

阿里巴巴java方向笔试题 带详细答案

方法重写又称方法覆盖。wait是Object类的方法,对此对象调用wait方法导致本线程放弃对象锁,进入等待此对象的等待锁定池,只有针对此对象发出notify方法(或notifyAll)后本线程才进入对象锁定池准备获得对象锁进入运行状态。就是在类中可以创建多个方法,它们具有相同的名字,但具有不同的参数和不同的定义。若子类中的方法与父类中的某一方法具有相同的方法名、返回类型和参数表,则新方法将覆盖原有的方法。若子类中的方法与父类中的某一方法具有相同的方法名、返回类型和参数表,则新方法将覆盖原有的方法。...

segegefe的博客 1408

高压控制单元与接触器 —— BMS电池的“高压大门”

高压接触器在BMS电池管理系统中扮演着“高压大门”的角色,负责控制电池包与整车高压母线的连接与隔离。接触器的工作原理基于线圈产生的磁力吸合接点,通过主触点接通高压电流路径,辅助触点检测状态,灭弧结构保护接点。预充电路的设计是为了避免直接连接大电容时产生的浪涌电流冲击,通过预充电阻逐步充电,确保系统安全上电。接触器控制策略包括顺序控制、辅助触点检测、温度监控、故障断电和背靠背MOS辅助控制,以确保系统的高效和安全运行。工程师在选择接触器型号、控制线圈、检测状态、软件冗余控制和预充失败保护等方面提供了具体建议。

weixin_43199439的博客 816

Unity-RetargetPro3-动画插件试用

一个名气大于实战的插件。

大话程序员 713

2023年春招阿里巴巴全套1000道java面试笔试题及答案

zookeeper原理和适用场景* zookeeper watch机制* redis/zk节点宕机如何处理* 分布式集群下如何做到唯一序列号* 如何做一个分布式锁* 用过哪些MQ,怎么用的,和其他mq比较有什么优缺点,MQ的连接是线程安全的吗* MQ系统的数据如何保证不丢失* 列举出你能想到的数据库分库分表策略;回答面试题,切忌只是简单一句话回答,可以将你对概念的理解,特点等多个方面描述一下,哪怕你自己认为不完全切中题意的也可以说说,面试官不喜欢会打断你的,你的目的是让面试官认为你是好沟通的。

m0_73311735的博客 1767

使用 MATLAB/Simulink 构建一个 光伏-储能联合系统接入10kV配电网 的协同控制仿真模型

本教程详细介绍了基于Simulink的光伏-储能联合系统在配电网中的协同控制仿真方法。主要内容包括:系统结构设计(光伏阵列、储能电池、双向变流器等);建模流程(MPPT控制、BMS系统、PCS矢量控制);核心协同控制策略(功率平滑、削峰填谷、电压支撑的三层控制架构);仿真结果分析方法及性能评估指标。教程提供了从组件建模到系统集成的完整指导,并建议了模型预测控制、微网孤岛运行等进阶方向,帮助开发者掌握智能电网的关键仿真技术。通过该模型可实现可再生能源的高效利用与电网稳定运行的平衡。

amy_mhd的博客 217

2021Java笔试题总结!深圳java程序员工资待遇

一面 1 自我介绍和项目 2 Java的内存分区 3 Java对象的回收方式,回收算法。 4 CMS和G1了解么,CMS解决什么问题,说一下回收的过程。 5 CMS回收停顿了几次,为什么要停顿两次。 6 Java栈什么时候会发生内存溢出,Java堆呢,说一种场景,我说集合类持有对象。 7 那集合类如何解决这个问题呢,我说用软引用和弱引用,那你讲一下这两个引用的区别吧。 8 Java里的锁了解哪些,说了Lock和synchronized 9 它们的使用方式和实现原理有什么区别呢? 10 synchroniz.

青山绿轻舟 261

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【笔试题】某公司中有N名员工。给定所有员工工资的清单

排列员工工资顺序(C++map解法) 题目描述:某公司中有N名员工。给定所有员工工资的清单,财务人员要按照特定的顺序排列员工的工资。他按照工资的频次降序排列。即给定清单中所有频次较高的工资将在频次较低的工资之前出现。如果相同数量的员工都有相同的工资,则将按照给定清单中该工资第一次出现的顺序排列。写一个算法来帮助财务人员排列员工工资的顺序。 输入:该函数/方法的输入包括两个参数----...

weixin_30687811的博客 609

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

高新兴java开发工资_高新兴--java工程师笔试题

java笔试题高新兴--java工程师笔试题试卷中涵盖前端技术、java基础知识、开源框架和数据库技术。一、前端部分1、下面选项中可以设置网页中某个标签的左外边距为5像素()A、margin:0 5px;B、margin:5px 0 0 0 ;C、margin:0 0 0 5px;D、padding-left:5px;(内边距)2、下拉菜单中,用户更改表单元素Select中的值时,会调用()事件处...

weixin_28717611的博客 413

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

java笔试题_一道简单的 Java 笔试题,但值得很多人反思

专注于Java领域优质技术,欢迎关注作者:匿蟒前言面试别人,对我来说是一件新奇事,以前都是别人面试我。我清楚地知道,我在的地域与公司,难以吸引到中国的一流软件人才。所以,我特地调低了期望,很少问什么深入的技术问题,只问一些广泛的、基础的。我只要最终给Leader一句“这个人技术还行/很好/非常好”,就行了。至于其它能力、综合水平,由别人把关。为此,在挑选唯一的一道笔试题时,我特别地上心。首先,我不...

weixin_39878760的博客 877

IBM的JAVA笔试题

转载地址:http://tag.youkuaiyun.com/Article/a335d168-3e0d-4a16-8af6-cac76af0471c.html1.    简答题:   a)  在你心中,J2EE是什么样的?请用三句话描述清楚。 b)  会话EJB主要分为哪两种类型?它们的主要区别是什么?谁的性能更好,为什么?   c)  EJB的开发人员必须为每个EJB提供哪三个类型的Java对象?这些Ja

shuangr的专栏 1313

国泰新点java开发笔试题,看完跪了

正文 我在做技术面试官的时候,在问完问题后,照例会问一句:你期望的工资是多少?对此,我只会记录下候选人的回答然后上报,没有同意权,更没有批驳权。 判断候选人能否通过面试,主要看候选人能力和岗位的匹配度,如果能力行,自然没话说,如果可上可下,那就要综合衡量优点和缺点。我不敢说,不敢要高工资一定会导致面试失败,但这至少是个扣分项,这说明候选人自信不足,或者暗示候选人能力不行。 1 其实公司会根据能力制定预算,低于预算的钱不会给项目组 某项目组在制定招人名额时,经过层层审批后,会制定一个预算,比如招个java 5

m0_56222134的博客 2014

java面试笔试题集结(二)

19、编写代码实现如下内容:if语句实现考试成绩分等级(使用switch语句)。 [90-100] A等。 [80-90) B等。 [70-80) C等。 [60-70) D等。 [0-60)   E等。 请根据给定成绩,输出对应的等级。 说明:"["表示包含,")"表示不包含 代码: import java.util.Scanner; public class

sj0613xz的博客 1517

一道简单的 Java 笔试题,但值得很多人反思!

参考:https://mp.weixin.qq.com/s/jmtNd64Z9FdomRlBkfNKRg我自己写的:前言面试别人,对我来说是一件新奇事,以前都是别人面试我。我清楚地知道,我在的地域与公司,难以吸引到中国的一流软件人才。所以,我特地调低了期望,很少问什么深入的技术问题,只问一些广泛的、基础的。我只要最终给Leader一句“这个人技术还行/很好/非常好”,就行了。至于其它能力、综合水平...

weixin_34383618的博客 183

字节跳动2020届秋招 Java 笔试题

第一题 ,问最晚什么时候起床 N:闹钟数 <= 100 HI 小时 Mi 分钟 0 - 24 X 去教室走几分钟 0 - 60 A 上课时间 输入案例: 3 定三个闹钟 5 0 闹钟1 6 0 闹钟2 7 0 闹钟3 59 ...

qq_40398017的博客 986

Java面试经验,Java实习生/应届生面试笔试题整理

我觉得也该写一篇文章来总结下自己这十天的找工作经历了,6月13号进京到今天正好是10天,除去端午三天假期,找工作的时间也就是一周时间。 分享下我这十多天来找工作的过程中遇到的问题,顺便记录总结下面试经验吧 在BOSS直聘上联系了将近300个BOSS,拉勾、实习僧也有很多,实习僧大多都不回或者是很晚才回的。 一周的时间面试了9家Java后台开发实习岗位,拿到了8个offer。   本人大三...

扎西小哥哥——全堆栈溢出工程师 6611

都2021年了,现在转行搞JAVA还来的及么?

最近看到好多粉丝私信,问我:都2021年了,现在转行搞java还来的及么? 因为最近一直在写程序人生专栏,所以今天就以此为主题来写一篇文章,希望能够对那些准备转行或刚踏出校园大门的你们能有所启发和帮助。 如果你想踏入计算机编程这个行业的话,那你就要做好活到老学到老的准备,从这句话的字面意思,应该可以这么理解:什么时候入门编程行业都不晚,只要你有足够的兴趣和忍耐力,坚持不懈的去学习,终会成为这个行业的大佬。 当然很多同学肯定听过这句话“程序员到了35岁就是一个坎”,确实是一个坎,但是我对这...

deqing271的博客 442
上一篇: 2021京东Java面试真题:kafka一个生产者多个消费者
下一篇: 2021Java笔试题:java开发接口返回文件
普通网友
博客等级 码龄6年 39粉丝 387原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值