什麼是全棧呢（轉）

背景

自從2013年離開北京後，就沒有在固定單位上班了。
期間搗鼓過一些東西，也掙了點小錢，日子也沒有到過不下去非要找工做的地步。

只是以爲自身仍有不足，做爲技術，仍是想再開闊一點，再深入一點，再專業一點。

也沒有去刻意地投遞簡歷，原本老婆懷孕，本身在家，時間比較多，因此就寫寫博客，因此會有一些來自私信的機會。

既然有機會，那就愉快地去追一下，本篇，就記錄一下最近幾個月的一些經歷。

雲XX

這個公司招聘全棧，要求精通編譯、操做系統、計算機網絡，要精通一門底層語言，好比彙編或者C，要精通一門高級語言，好比C++或者Java，沒有.Net方面的要求。

由於不是本身投的，通常看到諸如要求精通的，我就呵呵一下，而後就掃其餘的了，可是機緣巧合，可能HR妹妹比較具備親和力，因此也就答應應試。

約的兩週後聊，不過因爲老總臨時有事，就和CTO哥哥先聊下，主要聊的一些內容是：

1. 操做系統的進/線程區別，Linux Kernel進線程調度的機制，以及操做系統原理概念上的調度算法。
2. 分佈式存儲的一些問題，好比分佈式鎖、鎖性能、Master-Master多主架構和Master-Slave架構的各自優劣，等等。
3. 做爲第2個問題的延續，會聊到CouchBase和HBase的一些實現原理，但並不深刻，還會聊到性能上的東西，好比爲何不選擇HBase。
4. 本身的一些項目經歷，一些比較泛的知識點，看似隨意，但應該是在考察知識結構，是否全面。
5. 知道哪些開源軟件或者框架，看沒看過源碼，有沒有本身的理解等等。
6. Java多態的實現和體現，接口和抽象類的關係，我從java和vm層面大概作了敘述。

次日，和老總聊，這個比較有趣，由於老總的技術很厲害，並且也很堅持己見的，此次聊的好久，大概有3個小時，主要仍是爭論，其實到這一步基本就沒打算要這個offer了：

1. 碩士爲何沒有畢業。
2. 天文科學家爲什麼要選擇Python來處理數據，而不選擇其餘的語言。我說這是歷史緣由，而後老總說這個設計方向不是用來處理這個的。這裏也有點小爭議，略過吧。
3. 爲何要在Python虛擬機上作核間並行，在kernel裏作會不會更舒服。
4. 聊到老總面過的一些人，包括985出來的，和BAT出來的一些T，能把編譯、裝載、連接，說清楚的人不超過5個。我說大家公司要求挺嚴格的，老總說不是他們要求嚴格，是行業總體水平過低。不少作WEB開發的，後面的東西一點不懂，但也能作，你說能作好嗎。這一點，各自有不一樣的見解，但分歧到沒有大到要爭論的地步。
5. 中途我問到了一個問題,爲何選擇Erlang做爲開發語言。由於這家公司目前主要作雲通信（以前CTO本身的定位），而這個問題也是本次面試最大的爭議所在。
   
   老總說你應該本身作作homework，當時我是以爲吧，經過這個點讓人家介紹下業務，畢竟沒業務聊啥都是比較泛，本身想有點針對性，但被這麼當頭一棒，以爲本身是在浪費人家的時間，並且「作作homework」若是你聽了也會有點火吧，呵呵。
   
   從這裏開始，基本各類爭論的東西也就出來了，好比，聊到ZooKeeper：
   
   老總：ZooKeeper過重，在它們的架構中是臃腫的或者累贅。
   我：能夠不用zk，但一致性和同步也得本身實現吧。
   老總：它們本身基於paxos算法實現了。同時列舉了一些行業內的反例，說其實用zk等開源框架拼出來的系統，都存在邏輯上的問題。
   我：提到了twitter。
   老總：若是你有機會能夠去twitter看看，咱們如今作的是取代它們的老框架。
   我：雖然我沒在twitter工做過，不過各類Con，各類Summit，各類SlideShare，仍是有看過的。
   
   後來又聊到多主結構，和主從結構：
   
   我：我以前有了解到，相似p2p這種，捕獲網絡拓補變化的速度會比較慢，隨着節點數的上升，可能時間複雜度太高。
   老總：咱們從不空談問題。不少業內觀點，認爲這種架構很差，但事實上咱們有一套老系統性能特別高，目前的通信也是基於這個，30-40個節點沒有什麼問題。
   我：那心跳是怎麼維護的？
   老總：是由每一個節點互相維護心跳。
   我：好的。但好像這樣也是將同步和協調機制耦合進去了，我以爲Hadoop和HBase那種Master-Slave的，抽象出NameNode或者MasterNode，而後維護一些metadata在zk上，也是已經被成功證實的一種架構呀？
   老總：我問你，若是狀態節點和數據節點之間發生網絡割裂怎麼辦？
   我：發現網絡拓補這塊不通後，確定要進行節點間複製，並等待網絡恢復，好比阿里那次光纖切斷事件。並且，您爲何必定以爲狀態節點必定是單個節點呢？
   老總：因此，它們之間並無解耦。
   我：哦，我說的解耦不是說完全不協做了，只是從設計上按照獨立角色原則分離開來，這樣清晰一些。
   老總：那仍是耦合的。
   
   期間，老總還以爲Java不是一門比較好的語言，固然，這一點我也有同感，但我以爲生態可能更重要一些。
   
   最後，仍是回到了那個Homework問題：
   
   我：X總，您應該是一直受西化文化的影響，因此以爲問這個問題會沒有什麼價值？由於您的homework回答，讓我感受有點過於直接和難以接受。
   老總：公司須要以效率爲重。
   我：其實，我我的聽HR說您的技術很厲害，我也搜過一些新聞和對您的採訪，我以爲我我的是做爲一個follower來取經的，不過這麼幹脆的拒絕，的確我是第一次見。
   老總：講了不少公司開會的方式，好比先作好準備再開會，不然要一直給某個不懂的人講，會算白開了。
   我：這個我贊成，但我是面試，因此不清楚大家公司的業務，只是想聽聽做爲創始人，對這個技術選型的見解，並且不少大牛，若是你郵件給他，他也會很謙虛，很詳實地回答你的問題。
   
   期間又聊到StackOverflow，我提到，記得之前有我的對於回答問題的人，表示了感謝，站務以爲這是廢話，後來有很高reputation的人站出來發聲：至少在咱們的國度，若是有人幫了你，說聲謝謝，是有教養的體現。若是以爲表示感謝這樣的話，過於社交向，那不如去掉reputation和回答者的我的連接好了。
   
   後面的不少問答，其實也是在互相表達團隊溝通的一些原則，我只是以爲，公司不是招聘機器人，你們都是專家獨當一面，開會高效，無可厚非，但人與人之間廣泛存在差距，一個好的leader，若是這麼冷麪，那團隊氛圍會利於激發創新麼？
   
   的確，老總說的不少都是有道理的，好比美團，就有要麼牛逼，要麼滾蛋之類的宣言，但我我的以爲任何事，得3-7開，不能那麼絕對。

極客XX

教育類公司，職位好像是大數據佈道師，就是研發管理大數據方向的課程。

這個是從獵聘上來的機會。

HR要了簡歷後，以爲太簡單了，我又大概補充了下，3天后，跟數據中心負責研發的leader聊，主要內容是：

1. 算法課程，在大學和在培訓機構的課程，有什麼不一樣。
   對方leader表示算法雖然沒什麼用，學起來沒有乾貨的感受，可是能夠幫助一些學員就業，好比一些公司會考算法。
2. Hadoop和Spark。
3. 項目經歷。
4. 上班時間，課程開發的一些過程，等等。

原本以爲聊得還行，結果HR後來講，可能此方面直接項目經驗少了些，那就不會有下文了。

民XX商

這個機會，接觸了來回有2個多月的感受，對方的總監是個很好的人，上海交大的碩士，素質很高。

由於接觸的時間挺長，因此對個人一些擅長和不足都有較深的瞭解，去上海時，和總監聊的少一些。

去上海終面，先和負責數據中心研發的leader聊，人很是不錯，平易近人，聊的內容也挺普遍。

1. 項目經歷.
2. Hadoop.
3. HBase是否適合做爲行爲分析的後端storage。
4. 淘寶dubbo.
5. Phoenix.
6. Storm的混合拓補問題，好比同時支持最少一次和僅一次的數據處理語義。
7. SOA，異步，原子服務。
8. Spark.
9. 流式處理。
10. 實時系統構建，主要問下有沒有一個完整的設計和想法。
11. Kafka，全局序的一些限制和問題。
12. 目前數據中心的研發狀態和產品。

這個leader哥，人真的很好，哈哈，中午請我吃了一餐。

下午和CIO聊，主要是聽人家的見解，由於他以前覺得我是應聘數據科學家，後來發現是想聘基礎平臺的搭建，傾向於工程師，因此數據挖掘和數據倉庫沒有問太多。

1. 大概介紹了互聯網金融行業內的一些生態，對數據倉庫和ODS的異同表達了一些看法。
2. 對數據中心期待的數據倉庫，有什麼，應該是什麼，作了一些設計上的表述，讓我更明白一些已經實現的，和沒有實現的，從總體上有個把握。
3. 數據挖掘的一些東西，好比分類、聚類、關聯規則、有監督和無監督學習等等。
4. 音頻和視頻數據的處理和知識發現。
5. 結構化數據和非結構化數據，在生產環境的一些強制要求。
6. 北京、成都、上海，各個研發中心的一些狀況，看更傾向於在哪裏，從事何種工做，大數據方向的仍是在上海。
7. 敏捷，自我驅動，等等內容。
8. 基礎平臺的重要性，以及領域專家發現知識的價值，等等關係。
9. 工程師文化。

CIO感受深不可測哈，由於他以前在國外一些挺著名的搞DW的公司作，因此經驗很豐富，理論素養也很高，由於聊得東西很普遍，因此我更可能是在聽，表達的比較少一點。

結語

僅做流水記錄，感謝每一個給機會的人和公司，呵呵。

 

http://www.cnblogs.com/foreach-break/p/interviews_in_last_3_months.html