海量数据面试题（位图、布隆过滤器、哈希切割）

对于处理海量数据，内存中放不下的数据一般有两种方法：
1.考虑特殊数据结构（位图、布隆过滤器）
2.切割（哈希切割、平均切割）
对于这类问题可以画图+文字+伪代码说明问题。
一：哈希切割topK问题：
给一个超过100G大小的log file，log中存放着IP地址，设计算法找到出现次数最多的IP地址？如何找到top K的IP？
对于本题采用哈希切割:

二:位图应用：
**给定100亿个整数，设计算法找到只出现一次的整数？
一个文件有100亿个int，1G内存，设计算法找到出现次数不超过2次的整数？**
本题利用数据结构位图：

解释如何设置次数：

代码如下：

#include
#include
#include

typedef struct TwoBitSet
{
    size_t *bts;//数组
    size_t range;//数据的范围
}TwoBitSet;

void TBSInit(TwoBitSet *tbs,size_t range)
{
    assert(tbs);
    //需要两位表示一个数据，所以除以16，(range >> 4) + 1计算需要多少个整型
    tbs->bts = (size_t *)malloc(((range >> 4) + 1) * sizeof(size_t));
    assert(tbs->bts);
    memset(tbs->bts, 0,((range >> 4) + 1) * sizeof(size_t));
    tbs->range = range;
}
int TBSGetValue(TwoBitSet *tbs, size_t x)//
{
    assert(tbs);
    size_t index = x >> 4;//计算x在数组里下标
    size_t num = x % 16 * 2;//因为两位表示一位，需要乘2
    int value = tbs->bts[index];//不能改变tbs->bts[index]，所以设置value
    value >>= num;//将value向右移
    return value & 3;//任何数和3(11）&为任何数
}
void TBSSetVaule(TwoBitSet *tbs, size_t x, size_t value)//设置值
{
    assert(tbs);
    size_t index = x >> 4;//计算x在数组里下标
    size_t num = x % 16 * 2;//因为两位表示一位，需要乘2
    if (value == 0)//设置为00
    {
        //先将3左移到要设置的位，然后取反，保证在这两位为0，然后&，这两位为0，其他为不变
        tbs->bts[index] &= ~(3 << num);
    }
    else if (value == 1)//要设置为01
    {
        tbs->bts[index] |= (1 << num);//设置1 
        tbs->bts[index] &= ~(1 << (num + 1));
    }
    else if (value == 2)//要设置为10
    {
        tbs->bts[index] |= (1 << (num + 1));//设置1
        tbs->bts[index] &= ~(1 << num);//设置0
    }
    else if (value == 3)//要设置为11
    {
        tbs->bts[index] |= (3 << num);
    }       
}
void BTSDestory(TwoBitSet *tbs)//销毁
{
    assert(tbs);
    free(tbs->bts);
    tbs->bts = NULL;
    tbs->range = 0;
}

给两个文件，分别有100亿个整数，只有1G内存，如何找到两个文件的交集？
本题利用数据结构位图：
如上个题：一个文件500M，文件A中数据出现一次将位图1中该位设置为1，再出现不用设置；文件B中数据出现一次将位图2中该位设置为1，再出现不用设置（一个整型32位，存32个数据），然后位图1&位图2，&结果为1的位则是两个文件的交集。
三：布隆过滤器：
给两个文件，分别有100亿个query，只有1G内存，如何找到两个文件的交集？分别给出精确算法和近似算法。
我们知道，布隆过滤器算法可以存储任意类型数据，尤其适用字符串，所以对于近似算法可以直接利用布隆过滤器，将query利用哈希函数放到布隆中，但这样误判率较大，可能该位置是其他字符串。所以，精确算法如下：
100亿个query，假设平均每个query占30字节，100亿个query占300G(10亿字节=1G，100亿*30字节=3000亿字节=300G）

*如何扩展BloomFilter使得它支持删除元素的操作？
如何扩展BloomFilter使得它支持计数操作？*
因为一个布隆过滤器的Key对应多个位，冲突的概率较大，所以不支持删除，因为删除有可能影响其他元素，如果要对其元素进行删除，就不得不对每一个位进行引用计数：

四：倒排索引
给上千个文件，每个文件大小为1K—100M。给n个词，设计算法对每个词找到包含它 的文件，只有100K内存？

输入需要查询的key：先找到映射位置，然后会根据key在每个文件出现次数将出现次数多的文件放在前面。
以上为海量数据如何处理的分析。