海量数据Top K算法(C实现)

 最近2天受到http://blog.csdn.net/v_JULY_v/archive/2011/05/08/6403777.aspx的影响,从头开始实现了这个算法。收获还是挺大的:(1)实现了Hash链表(2)实现了堆;(3)熟悉了C语言的文件操作;

     海量数据处理的Top K 算法就是在很大的文件中找出重复出现次数最多的前K个字符串;

     如果数据可以一次读入内存,那么可以按照如下思路来解决:

    (1)首先遍历文件,将其加入Hash链表;Hash链表的节点定义为:

view plain
  1. typedef struct node  
  2. {  
  3.     char *word;  
  4.     int count;  
  5.     struct node *next;  
  6. }node,*node_ptr;  

word指向字符串,count为出现的次数;

   (2)建立一个容量为K的最小堆,然后遍历Hash表中剩下的元素;如果找到了一个元素的count值比这个元素值大,那么交换这个节点和堆顶节点;

     完整全部代码如下:在Eclipse + CDT + mingw 下调试通过

     程序有待完善的地方:

     (1)存在一个位置bug:改变HASHLEN的值,程序崩溃;

      (2)HASH链表的遍历不正确,应该遍历到每一个节点的时候,在判断该节点的next是否为空;

 

    

view plain
  1. # include   
  2. # include   
  3. # include   
  4. # include   
  5. # include   
  6. #define HASHLEN 101  
  7. #define WORDLEN 30  
  8. #define MAX  100000  
  9. #define DOMAIN 300  
  10. #define K 5  
  11. //Hash链表的节点定义  
  12. typedef struct node  
  13. {  
  14.     char *word;  
  15.     int count;  
  16.     struct node *next;  
  17. }node,*node_ptr;  
  18. static node_ptr head[HASHLEN];  
  19. static node array[K];  
  20. //Hash函数  
  21. int hash_function(char *p)  
  22. {  
  23.     unsigned int value = 0;  
  24.     while (*p != '/0')  
  25.     {  
  26.         value = value * 31 + *p++;  
  27.         if (value > HASHLEN)  
  28.             value = value % HASHLEN;  
  29.     }  
  30.     return value;  
  31. }  
  32. //加入节点到HASH链表  
  33. void append_word(char *str)  
  34. {  
  35.     int index = hash_function(str);  
  36.     node_ptr p = head[index];  
  37.     while (p != NULL)  
  38.     {  
  39.         if (strcmp(str, p->word) == 0)  
  40.         {  
  41.             (p->count)++;  
  42.             return;  
  43.         }  
  44.         p = p->next;  
  45.     }  
  46.     // 新建一个结点  
  47.     node_ptr q = (node_ptr)malloc(sizeof(node));  
  48.     q->count = 1;  
  49.     q->word = (char *)malloc(sizeof(str) + 1);  
  50.     strcpy(q->word, str);  
  51. //    q->word = str;  
  52.     q->next = head[index];  
  53.     head[index] = q;  
  54. }  
  55. //产生0~DOMAIN - 1范围内的MAX个整数  
  56. void gen_data()  
  57. {  
  58.     FILE *fp = fopen("c://data1.txt""w");  
  59.     assert(fp);  
  60.     int i = 0;  
  61.     srand((int)(time(0)));  
  62.     for (i = 0; i < MAX; i++)  
  63.         fprintf(fp,"%d  ",rand()%DOMAIN);  
  64.     fclose(fp);  
  65. }  
  66. //堆调整:调整为最小堆  
  67. void heapAdjust(node array[], int beginIndex, int endIndex, int index)  
  68. {  
  69.     int length = endIndex - beginIndex + 1;  
  70.     int largestIndex = index;  
  71.     int leftIndex = 2 * index + 1;     //下标从0开始,可以自己做实验  
  72.     int rightIndex = 2 * index + 2;  
  73.     if (leftIndex <= length - 1 && array[leftIndex].count <= array[largestIndex].count )  
  74.         {  
  75.             largestIndex = leftIndex;  
  76.         }  
  77.     if (rightIndex <= length - 1 && array[rightIndex].count <= array[largestIndex].count )  
  78.         {  
  79.             largestIndex = rightIndex;  
  80.         }  
  81.     if (largestIndex != index)  
  82.         {  
  83.             node temp = array[largestIndex];  
  84.             array[largestIndex] = array[index];  
  85.             array[index] = temp;  
  86.             heapAdjust (array, beginIndex, endIndex, largestIndex);  
  87.         }  
  88. }  
  89. //建堆  
  90. void heapBuild (node array[], int len )  
  91.     {  
  92.         int i = 0;  
  93.         for (i = len/2 - 1; i >= 0; i --)  
  94.         {  
  95.             heapAdjust (array, 0, len - 1, i);  
  96.         }  
  97.     }  
  98.   
  99. int main()  
  100. {  
  101.     gen_data();  
  102.     char str[WORDLEN];  
  103. //  char *str;  
  104.     int i;  
  105.     int cnt1 = 0;  
  106.     for (i = 0; i < HASHLEN; i++)  
  107.        head[i] = NULL;  
  108.     FILE *fp_passage = fopen("c://data1.txt""r");  
  109.     assert(fp_passage);  
  110.     while (fscanf(fp_passage, "%s", str) != EOF)  
  111.     {  
  112.         cnt1++;  
  113.         append_word(str);  
  114.        }  
  115.     printf("the cnt1 is %d/n", cnt1);  
  116.          fclose(fp_passage);  
  117.          //寻找Top K  
  118.     for(i = 0; i < HASHLEN; i++)  
  119.     {  
  120.         if(i < K - 1)  
  121.                 array[i] = *head[i];  
  122.         else  
  123.             if(i == K - 1)  
  124.                 {  
  125.                 array[i] = *head[i];  
  126.                 heapBuild(array,K);  
  127.                 }  
  128.             else  
  129.             {  
  130.                 if(array[0].count < head[i]->count)  
  131.                 {  
  132.                     array[0] = *head[i];  
  133.                     heapAdjust(array,0,K - 1,0);  
  134.                 }  
  135.             }  
  136.     }  
  137.     printf("the top K is as follows/n");  
  138.     for(i = 0; i < K; i++)  
  139.          printf("%s , and its count is %d/n",array[i].word, array[i].count);  
  140. //  printf("the total number of word is %d",cnt);  
  141.     return 0;  
  142. }  

    

   运行结果:

100000个树中重复出现次数最多的前5个数:

the top K is as follows
49 , and its count is 372
4 , and its count is 374
249 , and its count is 373
246 , and its count is 380
227 , and its count is 376


http://blog.csdn.net/randyjiawenjie/article/details/6417753

你可能感兴趣的:(C++)