TikTok Data Engineer 面经｜TikTok NG 面试全流程

面试概况

一般 60 分钟，分三部分：聊简历 + 两道 SQL + 一道 Python。

面试官可能在 San Jose，也可能在国内：

面试时间	面试官
PT 下午 6 点之后	一般是国内面试官，100% 讲中文
PT 下午 6 点之前	一般是美国面试官，小概率讲中文

Part 1：Resume Deep Dive

以候选人讲为主，没有特定考点。只要项目和 data engineering 相关、并且自己足够熟悉，就没什么问题。

一个真实案例：面试官让候选人从项目里挑一个最能体现数据工程能力的例子。候选人讲了一个基于 Kinesis + Flink 的实时用户行为分析系统，介绍了从数据采集、实时计算到下游入库的整体链路。

面试官的追问：

• Flink checkpoint 延迟或状态膨胀怎么办？ 回答：调整 RocksDB state backend、控制 checkpoint 频率，以及给状态数据设置 TTL，避免状态积压。
• 流处理任务出现 back pressure 时如何排查？

back pressure 排查参考：先在 Flink Web UI 看哪个算子被标红（背压从下游往上游传，找到第一个处理不过来的算子）；再看这个算子是 CPU 打满、数据倾斜（某些 subtask 特别慢），还是下游 sink 写入慢；对应地加并行度、打散热点 key，或者给 sink 做批量写入、异步写入。

Part 2：SQL 实战（HackerRank）

两道 SQL，难度中等，更注重分析的清晰度和优化思路。

第一题：每日活跃用户与日增长率

根据用户事件表计算每天的活跃用户数（DAU），并统计相比前一天的增长率。

WITH daily AS (
  SELECT DATE(event_time) AS dt,
         COUNT(DISTINCT user_id) AS dau
  FROM events
  GROUP BY DATE(event_time)
)
SELECT dt,
       dau,
       ROUND(100.0 * (dau - LAG(dau) OVER (ORDER BY dt))
             / LAG(dau) OVER (ORDER BY dt), 2) AS growth_pct
FROM daily
ORDER BY dt;

LAG() 窗口函数取前一天的 DAU，第一天没有前一天，增长率为 NULL。

追问：大规模数据下怎么优化？按日期字段做表分区，查询时带上日期范围过滤，避免全表扫描。

第二题：Engagement 最高的 Creator

从多张表 JOIN，计算过去一段时间内 engagement 得分最高的 creator。下面假设得分 = 点赞 × 1 + 评论 × 2 + 分享 × 3，面试时要先和面试官确认得分规则和时间范围（日期函数以 SQLite 为例，MySQL / Hive 等写法略有不同，比如 DATE_SUB(CURRENT_DATE, INTERVAL 7 DAY)）：

WITH recent AS (
  SELECT v.creator_id,
         SUM(CASE e.event_type WHEN 'like' THEN 1
                               WHEN 'comment' THEN 2
                               WHEN 'share' THEN 3 ELSE 0 END) AS score
  FROM engagements e
  JOIN videos v ON v.video_id = e.video_id
  WHERE e.event_time >= DATE('2026-10-01', '-7 days')
  GROUP BY v.creator_id
)
SELECT c.creator_name,
       r.score,
       RANK() OVER (ORDER BY r.score DESC) AS rnk
FROM recent r
JOIN creators c ON c.creator_id = r.creator_id
ORDER BY rnk, c.creator_name;

先在大表里聚合、再 JOIN 小表（creators），比先 JOIN 再聚合省很多计算量。

追问：事件表达到亿级，大表 JOIN 怎么优化？

• 小表（比如 creators）用 broadcast join，避免大表 shuffle。
• 预先维护按天的 summary 表，查询时只聚合汇总数据。
• 分布式环境下，配合窗口函数和 CTE 简化查询逻辑。

Part 3：Python 编程题（HackerRank）

难度低于 SDE 面试。题目要求在一组用户日志里，找出满足特定行为模式的用户，比如连续执行相同行为达到一定次数。

解法：先按用户分组、按时间排序，再单次遍历统计连续出现的行为次数，时间复杂度 O(n log n)。

from collections import defaultdict

def users_with_streak(logs, k):
    """logs: [(user_id, timestamp, action)]；返回连续 k 次（或更多）相同行为的用户"""
    by_user = defaultdict(list)
    for user, ts, action in logs:
        by_user[user].append((ts, action))
    result = set()
    for user, events in by_user.items():
        events.sort()                       # 按时间排序
        streak, prev = 0, None
        for _, action in events:
            streak = streak + 1 if action == prev else 1
            prev = action
            if streak >= k:
                result.add(user)
                break
    return result

Follow-up（感觉是面试官临时想的）：

• 日志是乱序到达的分布式数据流，怎么保证处理顺序？ 用时间分桶 + watermark 控制乱序日志的等待窗口，在窗口内重新排序后再处理。
• 数据量太大，不能一次性加载进内存怎么办？ 用流式处理，或者外部排序（先按 user 分片、分批排序）分批计算。