海量数据处理

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

1. 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

1. 海量日志数据，提取出某日访问百度次数最多的那个IP（同1）。

• 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

1. 1000w查询串统计最热门10个（同2）。

• 同上

1. 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（同2）。

• 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

分布式TOP N问题

1. 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

快速外排序问题

1. 有10个1G文件，每行都是一个可重复用户query，按query频度排序。

• 顺序读取十个文件并采取哈希，将query写入10个文件中

• 通过hash_map(query, count)统计每个query出现次数，至少2G内存

• 通过得到的hash_map中query和query_count，对query_count排序并将重新输出到文件中，得到已排序好的文件

• 对十个文件进行归并排序（外排序）

公共数据问题

1. 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。

• 对A和B两个大文件，先通过url % 1000将数据映射到1000个文件中，单个文件大小约320M（我们只需要检查对应小文件A1 V B1......，不对应小文件不会有相同url）

• 通过hash_set统计，把A1的url存储到hash_set中，再遍历对应的B1小文件，检查是否在hash_set中，若存在则写入外存。重复循环处理对应的1000个对。

1. 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

内存内TOP N问题

1. 100w个数字找出最大100个。

• 堆排序法

  • 建大根堆，取走堆顶并重建堆，重复100次

• 快排法

  • 使用快速排序划分，若某次枢纽元在后10000时（具体情况具体分析），对后10000数据排序后取前100

位图法

1. 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。

1. 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。