面试真题：计算 2025 年每个用户最长连续下单天数

题目描述：
给定一张订单明细表 order_details，记录了用户的购买行为。请编写 SparkSQL 语句，计算出每个用户在 2025 年 期间，最长连续 有多少天进行了下单购买。

示例数据

订单明细表：order_details

样例说明：

• 用户 101：在 2025 年的下单日期有 2025-01-01, 2025-01-02, 2025-01-03（连续 3 天）和 2025-01-05, 2025-01-06（连续 2 天）。2024-12-31 属于 2024 年，予以排除。因此，其最长连续天数为 3。
• 用户 102：在 2025-01-01 下了两次单（需去重），2025-01-02 下了一次单，累计连续 2 天。2025-01-04 下单 1 天。最长连续天数为 2。
• 用户 103：下单日期为 2025-01-01 和 2025-01-03，不连续。最长连续天数为 1。

期望输出

SparkSQL 解决方案

WITH temp_dedup AS (
    -- 1. 过滤 2025 年数据，并对【用户+日期】进行去重（同一天多次下单只算一天）
    SELECT DISTINCT 
        user_id, 
        CAST(order_date AS DATE) AS order_date
    FROM order_details
    WHERE order_date >= '2025-01-01' AND order_date <= '2025-12-31'
),
temp_rn AS (
    -- 2. 按照用户分组，日期升序排列，生成连续的序号
    SELECT 
        user_id,
        order_date,
        ROW_NUMBER() OVER(PARTITION BY user_id ORDER BY order_date) AS rn
    FROM temp_dedup
),
temp_group AS (
    -- 3. 利用【日期 - 序号】差值相同的原理，构建连续下单的逻辑分组键 (diff_date)
    SELECT 
        user_id,
        order_date,
        DATE_SUB(order_date, rn) AS diff_date
    FROM temp_rn
),
temp_consecutive AS (
    -- 4. 统计每个用户在每个连续区间内的下单天数
    SELECT 
        user_id,
        diff_date,
        COUNT(1) AS consecutive_days
    FROM temp_group
    GROUP BY user_id, diff_date
)
-- 5. 聚合获取每个用户最长的连续下单天数
SELECT 
    user_id,
    MAX(consecutive_days) AS max_consecutive_days
FROM temp_consecutive
GROUP BY user_id;

核心考点与深度解析

在 SparkSQL / HiveSQL 面试中，“最长连续登录/下单天数”是一道经典的高频金牌题。考官通过此题主要考察候选人对窗口函数、日期函数以及复杂逻辑抽象能力的掌握。

1. 核心解题思路：DATE_SUB(date, rn) 差值法

这是解决“连续性”问题的通用模板，其核心数学原理如下：

• 如果日期是连续的（如：1号, 2号, 3号），而我们生成的窗口行号 row_number() 也是连续的（如：1, 2, 3）。
• 当我们将 【日期 - 行号】 时，他们会得到一个完全相同的日期基准值（即 diff_date）。
• 若日期发生中断（如：1号, 2号, 4号），对应的行号为 1, 2, 3，相减后的差值分别为 (31号, 31号, 1号)。此时差值不同，自然分成了不同的组。

图解说明（以用户 101 为例）：

通过 GROUP BY user_id, diff_date，我们能轻易计算出 A 组有 3 天，B 组有 2 天，最后取 MAX 即可得到 3。

2. 面试易错防坑点（Deduplication）

• 同一天多次下单去重：用户可能在同一天内多次下单（例如数据中的用户 102 在 2025-01-01 下单 2 次）。如果不做去重直接算 row_number()，行号会累加，从而导致差值计算错乱。因此，第一步必须进行 DISTINCT 或 GROUP BY 去重。
• 严格的时间过滤：题目要求是“2025 年期间”。必须在第一步就切断跨年数据的干扰，例如本例中的 2024-12-31 必须被过滤掉。

3. SparkSQL 性能调优探讨（高分加分项）

在实际的 Spark 分布式生产环境中，直接运行上述 SQL 可能会遇到性能瓶颈。如果你能在面试中主动提及以下优化点，会极大增加通过率：

• 数据倾斜（Data Skew）：
  ROW_NUMBER() OVER(PARTITION BY user_id ...) 会导致相同 user_id 的所有数据被 Shuffle 到同一个 Reduce 任务中。如果存在“大卖家”或“热点用户”（某个 user_id 的订单量极大），就会导致 Executor OOM 或运行极慢。
  • 解决方案：如果只需计算连续天数，且已知数据源非常大，可以先将 user_id 加上随机前缀进行两阶段聚合，或者利用 Spark 3.x 的 Adaptive Query Execution (AQE) 自动倾斜处理。
• 避免全表扫描：
  在 temp_dedup 中，order_date 的过滤应该尽量利用分区剪裁（Partition Pruning）。如果 order_details 表是以 dt（日期）作为分区字段的，应该优先对分区字段进行过滤，避免扫描全表，从而大幅提升 Spark 读取 HDFS/S3 的 I/O 效率。