Netflix 面试题专题

先分岗位

Netflix 的不同岗位和团队可能考不同内容。先核对 JD 与面试邀请，再选对应题型。

合并同题变体

相同核心考点只保留一条，后续的附加约束放在原题里练，避免把同一道题当成多道题刷。

练习顺序

先口述输入、输出和边界，再写核心方案；最后解释复杂度、失败路径和面试官可能追加的约束。

按观看时长占比把每个 session 分为 Abandoned、Sampled、Completed

按观看时长占比把每个 session 分为 Abandoned、Sampled、Completed；对每个 account 选出现最多的类别，再汇总各类别的用户数。

查看上方解题路线 ↑

Netflix 首页多行 shelf 去重

Netflix 首页多行 shelf 去重：每行前 X 个显示位跨行去重，后续标题只需行内去重；讨论每行不同 X 与特殊行。

解题切入：逐行扫描标题；前 X 个输出位用跨行集合过滤，后续只用该行的已输出集合过滤。先问清 X 指输入索引还是输出位、跳过后是否补位。

不用内置转换函数解析带可选负号的十进制整数，检测非法字符、溢出及不超过一位的前导零

不用内置转换函数解析带可选负号的十进制整数，检测非法字符、溢出及不超过一位的前导零。

解题切入：按字符累积十进制数，加入下一位前检查上界；负数要允许最小有符号值，非法字符和前导零规则单独判断。

实现并发 latency tracker

实现并发 latency tracker：写入 timestamp 与毫秒延迟，查询给定时间窗口内的指定分位数。

解题切入：写入与查询需要一致的窗口快照；按时间索引过期样本，分位数的 nearest-rank 或插值口径先约定，再比较精确排序与近似 sketch 的成本。

设计广告 frequency cap

设计广告 frequency cap：定义用户、广告与窗口的计数语义，并讨论高并发下的扩容和一致性。

解题切入：先明确 cap 的维度与滑动/固定窗口，计数检查和写入要原子化；分片热点、迟到事件与存储故障时的误放误拒需说明。

沿 URL 文件及可选 next URL 读取电影评论，按负面关键词收集每部电影的负评，并讨论文件规模与并发抓取

沿 URL 文件及可选 next URL 读取电影评论，按负面关键词收集每部电影的负评，并讨论文件规模与并发抓取。

解题切入：把 start URL 与每个文件的可选 next URL 看成有向链；记录 visited 避免环和跨起点重复，按 movie id 聚合命中负面关键词的 review。

观看 ID 三阶段查重

观看 ID 三阶段查重：任意重复、索引距离不超过 K 的重复、数值差不超过 T 的近似 ID；第三阶段用桶。

解题切入：普通重复用 set，K 距离重复记录上次索引，数值差≤T 用宽 T+1 的桶并检查相邻桶；第三阶段原帖未给索引距离。

给定闭区间，求任一点被最多多少区间覆盖

给定闭区间，求任一点被最多多少区间覆盖；追问频繁查询某一点覆盖数的预处理方案。

解题切入：闭区间扫描线在同坐标先加开始事件再减结束事件；多次点查询可预排序起点和终点，用 `starts≤t` 减 `ends<t` 两次二分。

实现内存文件管理的增删改查与版本，讨论实际生产中的快照、并发、持久化和历史读取语义

实现内存文件管理的增删改查与版本，讨论实际生产中的快照、并发、持久化和历史读取语义。

解题切入：先问 version 是全局快照还是每文件版本，删除后历史是否可读；内存实现把路径规范化、文件内容与版本记录分开，生产化再讨论 WAL 与恢复。

设计跟踪社交媒体上 Netflix 整体 sentiment 随时间变化的系统

设计跟踪社交媒体上 Netflix 整体 sentiment 随时间变化的系统：接入、聚合、离线模型训练与质量监控。

解题切入：先定义 sentiment 对象与事件时间；多平台接入要做去重、语言检测、采样偏差校正，再按时间聚合并用标注样本监控分类漂移。

设计崩溃后仍可恢复文件内容的 resilient file system，并讨论 WAL、快照、提交语义与扩容瓶颈

设计崩溃后仍可恢复文件内容的 resilient file system，并讨论 WAL、快照、提交语义与扩容瓶颈。

解题切入：把写入确认点与可恢复性绑定：WAL 先持久化再 ACK，恢复时读快照并重放 WAL；原子 rename 与多文件操作需另定事务边界。

实现保证同步的 KV store，讨论细粒度锁、单 key 原子更新、验证及生产并发

实现保证同步的 KV store，讨论细粒度锁、单 key 原子更新、验证及生产并发。

解题切入：按 key 或 lock stripe 保护完整读改写，不要把线程安全 map 当作复合操作天然原子；测试多线程同 key 递增和异常回滚。

按每个用户最后 K 部电影的集合把相同用户分组

按每个用户最后 K 部电影的集合把相同用户分组；追问返回任意两名用户交集至少 M 部电影的所有 pair。

解题切入：先从每名用户的有序历史取最后 K 条再转集合；相同集合用 frozenset 分组，至少 M 重叠的 pair 可先做两两集合交集基线。

实现电影轮播

实现电影轮播：每部电影有可更新分数，每个轮播周期内一部电影只返回一次，全部返回后开始新周期。

解题切入：维护电影分数与本周期已返回集合；分数更新作用于尚未返回项，取完全部后清空周期。生产优化用两个按分数有序的结构而非每次全量排序。

设计 ML Job Scheduler

设计 ML Job Scheduler：区分训练、批量推断和 eval，讨论资源分配策略、资源监控、崩溃恢复及多租户。

解题切入：按 training/batch inference/eval 拆资源与 SLA；调度器把排队、配额、分配、运行状态和故障重试分别建模，防止一个租户垄断 GPU。

实现音乐 playlist，支持 add、remove、shuffle

实现音乐 playlist，支持 add、remove、shuffle；澄清重复歌曲与随机均匀性，并现场运行测试。

解题切入：playlist 维护轨道有序数组与 id→位置索引；shuffle 用 Fisher–Yates 且允许注入随机源做确定性验证，重复歌曲策略先问清。

设计执行 command 和撤销最后一个 command 的类，处理可逆状态、失败命令与历史记录

设计执行 command 和撤销最后一个 command 的类，处理可逆状态、失败命令与历史记录。

解题切入：每个 command 成功执行后才把撤销信息入栈；undo 成功后再弹栈，失败则保留历史，无法逆转的外部副作用须另定补偿。

为广告需求侧设计 entity schema

为广告需求侧设计 entity schema：advertiser、campaign、order、creative、投放与曝光事件之间的关系及历史版本。

解题切入：先定义 advertiser/campaign/order/creative 等实体的主键与版本，再把曝光/点击作为不可变事件；频控计数不能直接等同于计费账本。

设计广告 audience targeting，支持大规模受众数据上传、校验、去重、索引、隐私删除和投放查询

设计广告 audience targeting，支持大规模受众数据上传、校验、去重、索引、隐私删除和投放查询。

解题切入：上传文件先隔离到 staging，校验格式、权限与版本后构建分片 audience 索引，再原子发布；删除请求需传播到缓存与下游副本。

给定 show 列表，求最长连续相同 show 的长度

给定 show 列表，求最长连续相同 show 的长度；明确空列表与边界重置。

解题切入：扫描相邻 show 是否相等，维护当前连续段和全局最长；空列表返回 0，无需嵌套 while。

给定 show 列表，返回最长连续无重复子数组

给定 show 列表，返回最长连续无重复子数组；用滑动窗口与上次出现位置优化。

解题切入：维护 show 最近出现下标，重复且仍在窗口内就把 left 跳到旧下标+1；只在严格更长时更新最优，保留最早结果。

给定字符串列表，返回没有共同字符的字符串 pair

给定字符串列表，返回没有共同字符的字符串 pair；讨论限定小写字母时的 bitmask 优化。

解题切入：一般字符用 set 交集，两两比较；若仅含 a–z，把字符集压成 26 位掩码，`maskA & maskB == 0` 即无共同字符。

实现简化 jq

实现简化 jq：对 JSON 支持 `.`、`.name.email` 与 `.*.email.*` 等路径和 wildcard 选择。

解题切入：把路径切成 segment，从根 JSON 逐层推进候选值；普通键查 object，`*` 枚举 object value 或 array element；缺失路径返回空结果。

给定闭区间列表，合并所有有公共点的区间并返回覆盖原输入的不重叠区间

给定闭区间列表，合并所有有公共点的区间并返回覆盖原输入的不重叠区间。

解题切入：按 start 排序并维护当前合并段；闭区间只要 next.start≤current.end 就重叠，端点相同也必须合并。

实现 movie history

实现 movie history：添加电影、按浏览顺序取历史、清空历史，并明确重复观看与并发/持久化追问。

解题切入：每用户维护按浏览顺序的列表，add 追加、get 返回副本、clear 删除；同一电影重复观看是否保留与清空粒度先确认。

设计带依赖关系的 task 执行框架

设计带依赖关系的 task 执行框架：定义 task 接口，检测缺失依赖与环，按依赖顺序运行并讨论失败策略。

解题切入：把 task 和依赖建 DAG，先校验未知节点，再用 indegree/Kahn 调度 ready 队列；环无法执行，失败任务是否跳过后继要先约定。

实现有界 Blocking Queue 的 offer、poll、peek、size，并正确使用 wait/signal 处理多生产者消费者

实现有界 Blocking Queue 的 offer、poll、peek、size，并正确使用 wait/signal 处理多生产者消费者。

解题切入：有界队列用同一把 Condition 保护 deque；offer 等不满、poll 等非空，均用 while 重查谓词且超时按单一 deadline 计算。

实现 AtomicCounter 的 increment、decrement、get 和等待值归零

实现 AtomicCounter 的 increment、decrement、get 和等待值归零；正确处理条件等待及超时。

解题切入：计数器用 Condition 保证 increment/decrement/get 原子；降到零时 notify_all，wait_zero 在 while 中重查值并处理 timeout。

实现带 TTL、容量限制与 LRU 淘汰的并发 Map，讨论 lazy cleanup、过期边界及锁粒度

实现带 TTL、容量限制与 LRU 淘汰的并发 Map，讨论 lazy cleanup、过期边界及锁粒度。

解题切入：TTL Map 用同一锁保护 OrderedDict 与过期检查；get 命中刷新 LRU，put 先移除过期项再按容量淘汰，时钟用 monotonic。

为 3 亿用户设计月订阅 Billing System，处理账期、付款重试、幂等、账本对账和扩容

为 3 亿用户设计月订阅 Billing System，处理账期、付款重试、幂等、账本对账和扩容。

解题切入：把月订阅拆成账期生成、金额快照、付款意图、支付回调和账本；按 account 与 billing period 的幂等键避免重试重复扣款，并做对账。

最近收到的 constructive feedback 是什么？若没有，自己会给自己什么改进反馈？

最近收到的 constructive feedback 是什么？若没有，自己会给自己什么改进反馈？

解题切入：挑一条真实、具体的建设性反馈，按原话/场景、验证、改动、复查与结果说明；若无外部反馈，不能编造面试官或经理评价。

讲一次你犯过的最大错误

讲一次你犯过的最大错误：当时如何发现、承担责任、补救并避免复发？

解题切入：错误题要讲清自己做错的决定、发现信号、影响范围、补救与事后机制变化；不要把别人的失误包装成自己的担当。

讲一次你如何处理合作中的 conflict、challenge 或收到的反馈，说明实际决策与结果

讲一次你如何处理合作中的 conflict、challenge 或收到的反馈，说明实际决策与结果。

解题切入：冲突题先还原各方目标与分歧证据，再说如何试验/对齐、做决定、保护关系与复盘；不能只说自己‘沟通很好’。

你认为自己的弱点是什么，最近采取了什么可验证的改进措施？

你认为自己的弱点是什么，最近采取了什么可验证的改进措施？

解题切入：弱点选真实且正在改进的能力，用具体行为和可观察结果佐证，别把‘过于追求完美’当答案。

为什么想加入 Netflix？结合 culture memo 选一个认同的点，并用自己的工作证据解释

为什么想加入 Netflix？结合 culture memo 选一个认同的点，并用自己的工作证据解释。

解题切入：先读面试时实际给到的 culture memo，选与经历对应的原则；用真实取舍说明为何匹配，避免复述官网或夸大内部政策。

介绍当前团队的 mission、自己负责的最大项目、个人贡献、取舍及与其他团队的协作

介绍当前团队的 mission、自己负责的最大项目、个人贡献、取舍及与其他团队的协作。

解题切入：项目深挖先讲团队目标与指标，再拆个人负责范围、关键决策、验证结果和跨团队合作；未知数据明确说无法确认。