30 питань на технічній співбесіді Java Middle 2026: задачі + відповіді

У чому різниця між IoC і DI?

IoC (Inversion of Control) — принцип, при якому контроль над створенням і життєвим циклом об'єктів передається фреймворку. DI (Dependency Injection) — один зі способів реалізувати IoC: залежності об'єкта передаються йому ззовні, а не створюються всередині. Spring реалізує IoC через DI-контейнер. Constructor injection вважається кращим за field injection бо робить залежності явними і дозволяє immutable стан.

Опиши Bean lifecycle у Spring.

Instantiation → Populate properties → BeanNameAware.setBeanName() → BeanFactoryAware.setBeanFactory() → ApplicationContextAware.setApplicationContext() → BeanPostProcessor.postProcessBeforeInitialization() → @PostConstruct → InitializingBean.afterPropertiesSet() → custom init-method → BeanPostProcessor.postProcessAfterInitialization() → готовий до використання → @PreDestroy → DisposableBean.destroy() → custom destroy-method.

На Middle очікують спрощену форму: створення → ін'єкція залежностей → ініціалізація → готовність → знищення.

Як працює @Transactional і які бувають propagation levels?

@Transactional створює проксі навколо методу і керує транзакцією через PlatformTransactionManager. Шість основних propagation:

• REQUIRED (default) — використовує існуючу транзакцію або створює нову
• REQUIRES_NEW — завжди створює нову, призупиняючи поточну
• NESTED — savepoint всередині існуючої
• SUPPORTS — приєднується якщо є, працює без транзакції якщо немає
• NOT_SUPPORTED — призупиняє існуючу
• MANDATORY — кидає виняток якщо транзакції немає

Як працює autoconfiguration у Spring Boot?

Spring Boot сканує classpath, читає META-INF/spring/org.springframework.boot.autoconfigure.AutoConfiguration.imports (у Boot 3+), і умовно реєструє конфігурації через @ConditionalOnClass, @ConditionalOnMissingBean, @ConditionalOnProperty. Якщо HikariCP у classpath і немає кастомного DataSource — Boot створить його сам.

Що нового у Spring 6 / Spring Boot 3?

Базова Java 17, нативна підтримка Jakarta EE 9+ (javax.* → jakarta.*), GraalVM native image без додаткових плагінів, Virtual Threads через spring.threads.virtual.enabled=true, observation API замість старих Sleuth/Micrometer trace.

Як зробити кастомний Spring Boot starter?

Створити модуль з AutoConfiguration класом, додати його у META-INF/spring/org.springframework.boot.autoconfigure.AutoConfiguration.imports, опціонально — ConfigurationProperties для параметрів. Інший проєкт додає starter як залежність, конфігурація підтягується автоматично.

Як ти використовуєш Spring Profiles на проєкті?

Очікувана відповідь — конкретний кейс: application-dev.yml, application-prod.yml, активація через SPRING_PROFILES_ACTIVE=prod, або @Profile("prod") на бінах. Помилка — теоретично описувати без прикладу свого проєкту.

Що показує Spring Boot Actuator і які endpoint вмикав на проді?

/health — для k8s liveness/readiness probe, /metrics — для Prometheus, /info — версія застосунку, /loggers — зміна рівня логування в рантаймі. На проді не вмикають /env, /heapdump, /threaddump без authentication — це безпекова дірка.

Що таке N+1 problem і як її вирішити?

Першим — увімкнути spring.jpa.show-sql=true. Якщо завантажити список з 100 Order сутностей, у кожній з яких є @ManyToOne User, Hibernate зробить 1 запит на Orders + 100 запитів на Users (N+1 = 101 запит). Рішення:

• JOIN FETCH у JPQL: SELECT o FROM Order o JOIN FETCH o.user
• @EntityGraph на репозиторії — кращий варіант якщо запит використовується в кількох місцях
• Batch fetching: @BatchSize(size = 50) на entity
• Перехід на DTO projection через interface-based projections у Spring Data

У чому різниця між FetchType.LAZY і FetchType.EAGER?

LAZY — Hibernate генерує проксі і завантажує дані тільки при першому зверненні. EAGER — завантаження одразу разом з основною сутністю. Default для @OneToMany/@ManyToMany — LAZY, для @ManyToOne/@OneToOne — EAGER.

Правило Middle: ставити LAZY скрізь, а eager робити явно через JOIN FETCH на конкретному запиті.

Що таке second-level cache і коли він шкодить?

Second-level cache (Ehcache, Hazelcast, Infinispan) живе на рівні SessionFactory і шерится між сесіями. Корисний для read-mostly довідників (країни, валюти). Шкодить коли:

• Дані часто змінюються — постійні інвалідації
• Кілька інстансів додатку без розподіленого кешу — рассинхронізація
• Запити з умовами, що не індексуються в кеші — все одно йдуть у БД

Як налагодити повільний запит у Hibernate?

• Увімкнути spring.jpa.show-sql=true і hibernate.format_sql=true
• Скопіювати SQL і запустити EXPLAIN ANALYZE у PostgreSQL/MySQL
• Подивитись чи використовуються індекси (Seq Scan vs Index Scan)
• Перевірити p99 через Hibernate Statistics або APM (Datadog, New Relic)

Які isolation levels існують і яку проблему вирішує SERIALIZABLE?

READ UNCOMMITTED → READ COMMITTED → REPEATABLE READ → SERIALIZABLE. По наростаючій захищають від: dirty read, non-repeatable read, phantom read. SERIALIZABLE гарантує що транзакції виконуються "ніби послідовно" — найбезпечніше, але найповільніше.

У PostgreSQL default — READ COMMITTED, в Oracle і Spring @Transactional без параметрів — теж READ COMMITTED.

Як ти створюєш індекс на колонці і коли цього робити не варто?

Через @Index на entity або міграцією Flyway/Liquibase. Не варто індексувати:

• Колонки з низькою кардинальністю (boolean, status з 3 значеннями)
• Колонки, які часто оновлюються (індекс перебудовується)
• Маленькі таблиці (<1000 рядків) — Seq Scan швидший

Спроектуй URL shortener (як bit.ly).

Кодування: base62 від auto-increment ID (8 символів покривають 200T URL) або хеш-функція з обробкою колізій. API: POST /shorten, GET /{code}. БД: PostgreSQL для метаданих + Redis для гарячого кешу redirect (TTL = 24h). Аналітика: асинхронна через Kafka в окремий ClickHouse — щоб не блокувати redirect.

Спроектуй rate limiter.

Algorithm: Token Bucket або Sliding Window. Сховище: Redis з INCR + TTL. Ключ: rate_limit:{user_id}:{endpoint}. Якщо count > limit — повертаємо 429.

На Middle очікують, що ти знаєш про відмінність Token Bucket (burst tolerance) і Fixed Window (boundary problem).

Як побудувати чат на 10k одночасних користувачів?

WebSocket з'єднання через Spring WebFlux або Netty напряму. Стан з'єднань — sticky session або Redis pub/sub для горизонтального масштабування. Зберігання повідомлень — Cassandra (write-heavy, time-series доступ). Гарантія доставки — message queue + retry з ack від клієнта.

Як зробити sharding для таблиці orders на 500M рядків?

Shard key: user_id (запити завжди по користувачу — добре). Алгоритм: consistent hashing для додавання шардів без масової міграції. Cross-shard запити: через aggregator-сервіс або BI-replica. Hot partitions: додати випадковий суфікс до ключа.

Anagram check

Дано два рядки. Перевір чи є вони анаграмами один одного.

public boolean isAnagram(String a, String b) {
    // Швидка перевірка: різна довжина = не анаграми
    if (a.length() != b.length()) return false;

    // Лічильник для 26 літер латиниці
    int[] counts = new int[26];

    // Інкрементуємо для a, декрементуємо для b
    for (int i = 0; i < a.length(); i++) {
        counts[a.charAt(i) - 'a']++;
        counts[b.charAt(i) - 'a']--;
    }

    // Якщо хоч одна літера лишилась з ненулем — не анаграми
    for (int c : counts) if (c != 0) return false;
    return true;
}

Складність: O(n) час, O(1) пам'ять (26 літер — константа). Типова помилка: сортувати обидва рядки — O(n log n) і втрата балів за оптимальність.

Longest substring without repeating characters

Знайди довжину найдовшого підрядка без повторень символів. Класична задача на sliding window.

public int lengthOfLongestSubstring(String s) {
    // Зберігаємо останню позицію кожного символу
    Map<Character, Integer> lastIndex = new HashMap<>();
    int max = 0;
    int start = 0;  // Ліва межа поточного вікна

    for (int i = 0; i < s.length(); i++) {
        char c = s.charAt(i);
        // Якщо символ був усередині поточного вікна — рухаємо start вправо
        if (lastIndex.containsKey(c) && lastIndex.get(c) >= start) {
            start = lastIndex.get(c) + 1;
        }
        lastIndex.put(c, i);
        max = Math.max(max, i - start + 1);
    }
    return max;
}

Складність: O(n) час, O(min(n, alphabet)) пам'ять. Sliding window — патерн, який треба знати на Middle напам'ять.

Merge intervals

Дано список інтервалів [[1,3], [2,6], [8,10]]. Об'єднай ті, що перетинаються.

public int[][] merge(int[][] intervals) {
    // Сортуємо за початком — це дозволяє йти лінійно
    Arrays.sort(intervals, (a, b) -> a[0] - b[0]);

    List<int[]> result = new ArrayList<>();
    int[] current = intervals[0];

    for (int i = 1; i < intervals.length; i++) {
        // Якщо новий інтервал починається до кінця поточного — об'єднуємо
        if (intervals[i][0] <= current[1]) {
            current[1] = Math.max(current[1], intervals[i][1]);
        } else {
            // Інакше — закриваємо поточний, починаємо новий
            result.add(current);
            current = intervals[i];
        }
    }

    // Не забути додати останній — типова помилка
    result.add(current);
    return result.toArray(new int[0][]);
}

Складність: O(n log n) через сортування. Типова помилка: забути додати останній інтервал після циклу — і втратити частину результату.

LRU Cache

Реалізуй кеш з фіксованою місткістю, де при перевищенні викидається найдавніше використаний елемент.

public class LRUCache<K, V> extends LinkedHashMap<K, V> {
    private final int capacity;

    public LRUCache(int capacity) {
        // accessOrder=true — порядок за останнім доступом, не вставкою
        super(capacity, 0.75f, true);
        this.capacity = capacity;
    }

    // Викликається після кожної вставки — викидаємо найстаріший
    @Override
    protected boolean removeEldestEntry(Map.Entry<K, V> eldest) {
        return size() > capacity;
    }
}

Складність: O(1) на get/put. Підвох: інтерв'юер часто просить написати без LinkedHashMap — через HashMap + двозв'язний список. Це варіант для Senior.

Two-sum з відсортованим масивом

Дано відсортований масив чисел і target. Знайди два індекси, сума яких = target.

public int[] twoSum(int[] nums, int target) {
    // Two pointers працює тільки на відсортованому
    int left = 0;
    int right = nums.length - 1;

    while (left < right) {
        int sum = nums[left] + nums[right];
        if (sum == target) return new int[]{left, right};

        // Сума замала — рухаємо лівий вказівник вправо
        if (sum < target) left++;
        // Сума завелика — рухаємо правий вліво
        else right--;
    }
    return new int[]{-1, -1};
}

Складність: O(n) час, O(1) пам'ять. Якщо масив не відсортований — HashMap-варіант теж O(n) часу, але O(n) пам'яті.