题目重点：先定义top榜是总量、增长还是独立用户，再选计数与近似方案。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 题目讨论hashtag聚合/metrics方向，未给排名公式；本文训练采用滑动窗口独立帖子数并可扩展趋势。
- 标签规范化、删帖及机器人治理规则需确认，不能默认一条贴重复标签计多次。
解题路线
- 事件key=(postId,tag)去重，保存eventTime/version和delete；stream按窗口汇总。热tag用局部聚合再合并，避免一个全局key承受每条写。
- 总次数、独立发帖人和增长率是不同指标。定义窗口边界/迟到水位/修订策略，发布榜单版本。TopK可维护分片候选，但独立用户不能简单相加重叠分片。
- 精确结果用集合/去重存储；规模高可用近似结构并公布误差与低频限制。趋势榜需防小基数暴涨与刷量，不把比率高自动当热门。
手动走一遍
同一帖子带#A两次只计一个post/tag；删除事件重复到达不能再减第二次。A从100到200，B从1到10，按增长率B更大但绝对增长A更大，必须问清榜单目的。
规模与取舍
写量约帖子×平均不同tag，内存随窗口活跃post/tag增长。local聚合降流量但延迟增加，榜单新鲜度和准确度需一同设预算。
易错点与追问
容易失分的边界
- 仅按processingTime会让重传旧贴突然上榜。
- 分片TopK合并对于sum统计需保证候选充分，分片各取K不总保证全局topK。
继续深挖
- 如何安全处理事件迟到与跨窗口删除？
- 用户想看某tag过去一年趋势，怎样存多粒度历史？
