秋招总结(四)-海量数据处理问题归纳

TOP N问题

 

1.如何在海量数据中找出重复最多一个

• 通过hash映射为小文件
• 通过hash_map统计各个小文件重读最多的并记录次数
• 对每个小文件重复最多的进行建立大根堆

 

2.上亿有重数据，统计最多前N个

• 内存存不下

  • 通过hash映射为小文件

  • 通过hash_map统计各个小文件重读最多的并记录次数

  • 对每个小文件重复最多的进行建立大根堆并重复N次取走堆顶并重建堆操作

• 内存存得下

  • 直接内存通过hash_map统计并建大根堆

  • 重复N次取走堆顶并重建堆操作 

 

3.海量日志数据，提取出某日访问百度次数最多的那个IP

• 将IP % 1000映射到1000个小文件中

  • 相同IP会被映射到同一个文件

  • 不会出现累加和更大情况

• 分1000次在内存处理小文件，得到频率最大IP（使用map统计）

• 对这1000个IP建立大根堆

 

 4.1000w查询串统计最热门10个（同2）

 

5.1G的文件，里面1行1个不超过16字节的词。内存限制1M，返回频数最高前100

• 将单词 % 5000存入5000小文件

  • 平均各文件约200K

  • 对超过1M的文件继续分割直到小于200K

• 使用map统计各个词出现的频率

• 对5000词使用堆排序或归并排序

 

6.分布在100台电脑的海量数据，统计前十

• 各数据只出现在一台机器中

  • 先在独立机器得到前十

    • 若可以放入内存直接堆排序

    • 若不可全放入内存：哈希分块 -> map统计 -> 归总堆排

  • 再将100台计算机的TOP10组合起来堆排序

• 同一元素可同时出现在不同机器中

  • 遍历所有数据，重新hash取模，使同一个元素只出现在单独的一台电脑中，然后采用上面方法先统计每台电脑TOP10再汇总起来

 

7.A,B两个文件各存放50亿url，每个为64Byte，限制内存4G找出公共url

• 遍历文件a，对每个url求取hash(url)%1000，然后根据所取得的值将url分别存储到1000个小文件(记为a0,a1,...,a999，每个小文件约300M)，为什么是1000？主要根据内存大小和要分治的文件大小来计算，我们就大致可以把320G大小分为1000份，每份大约300M（当然，到底能不能分布尽量均匀，得看hash函数的设计）
• 遍历文件b，采取和a相同的方式将url分别存储到1000个小文件(记为b0,b1,...,b999)（为什么要这样做? 文件a的hash映射和文件b的hash映射函数要保持一致，这样的话相同的url就会保存在对应的小文件中)
• 在问题转换成了：找出1000对小文件中每一对相同的url（不对应的小文件不可能有相同的url）
• 每个hash大约300M，对每个小文件建立hash表，每次遍历查看url是否存在，重复的都写到另一个文件中

 

8.1000w有重字符串，对字符串去重

• 先hash分为多个文件

• 逐个文件检查并插入set中

• 多个set取交集

 

9.在2.5亿数字中找出不重复的整数

• 使用2-Bit位图法，00表示不存在，01表示出现一次，10表示出现多次，11无意义。这样只需要1G内存。

• 或者hash划分小文件，小文件使用hash_set检查各个元素，得到的。

 

10.如何在40亿数字中快速判断是否有某个数？

• 位图法标记某个数字是否存在，check标记数组。