转载自：哈希分治法 - 统计海量数据中出现次数最多的前10个IP
实现代码如下：
// 在海量数据中找出出现次数最高的前 10 个 IP
// 算法思想, 分治法
// IP 记录文件大小 10 GB, 约 10 亿个 IP, 内存限制 64 MB
// 将 IP 记录文件中的 IP 对 500 取模, 散列到 500 个小文件中
// 相同的 IP 会被散列到同一个文件中
// 平均每个小文件 20 MB, 在 64 MB 之内
// 再在每个小文件中用二叉树统计每个 IP 的次数
// 遍历二叉树返回最大的 IP 和出现次数
// 因为 IP 有 2^32 个, 要保证能产生重复的 IP 需要生成 2^32 个 IP
// 约要 64 GB 的文件, 为了保证 10 GB 的文件中也能产生重复 IP
// 将 IP 段设置为 0.0.0.0 - 100.100.100.100
// fopen() 最多只能打开 507 个文件
// 后记: 将主记录文件分解成 500 个小文件后 (分)
// 可以将这些小文件通过网络发送给其他计算机计算 (治)
// 再将结果返回给主程序, 即类似 google 的 MapReduce 工作原理
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <io.h> // access()
#include <string.h>
const int num = 1000000; // 10 亿, 手动修改 num
unsigned int iton(char *ip); // 点分记法的 IP 地址转为整型
void ntoi(unsigned int num, char *ip);
int fileexist(char *path); // 判断文件存在
void fclose_all(FILE **t); // 关闭所有文件
int random_write(char *path); // 随机生成 6.7 亿个 IP, 约 10 GB
// 统计 hashfile 中次数最多的 IP
void count(char *hashfile, unsigned int *data, unsigned int *num);
void sort(unsigned int *max, unsigned int *ip, int n); // 排序
inline unsigned int hash(unsigned int ip) // 哈希函数
{ return (ip % 500); }
typedef struct node // 二叉树结点
{
unsigned int ip; // IP
unsigned int n; // 出现次数
node *left;
node *right;
}node;
int main(void)
{
FILE *in = NULL;
FILE *tmpfile[505];
char *path = "c:\ip_data.dat";
char hashfile[50];
char buf[20];
unsigned int add, data, n;
unsigned int ip[10], max[10]; // 记录前十的 IP
unsigned int t1, t2, s, e; // 记录时间
int i, j, len, now; // IP 个数
printf("正在生成数据 %s
", path);
if (!random_write(path)) return 0; // 随机生成 IP 记录文件
// 判断文件夹是否存在, access() == 0 存在
if (access("c:\hashfile", 0) == 0)
system("rmdir /s /q c:\hashfile");
system("mkdir c:\hashfile"); // 建立工作目录
system("attrib +h c:\hashfile"); // 隐藏目录
in = fopen(path, "rt"); // 打开 IP 记录文件
if (in == NULL) return 0;
for (i=0; i<505; i++) tmpfile[i] = NULL;
// 将 6.7 亿个 IP 散列到 505 个小文件中
printf("
正在哈希 %s
", path);
e = s = t1 = clock();
now = 0;
while (fscanf(in, "%s", buf) != EOF)
{
data = iton(buf); // IP 数字化
add = hash(data); // 计算哈希地址, 文件地址
sprintf(hashfile, "c:\hashfile\hash_%u.~tmp", add);
if (tmpfile[add] == NULL)
tmpfile[add] = fopen(hashfile, "a");
sprintf(buf, "%u
", data);
len = strlen(buf);
// 将该 IP 写入到文件中, 反复读写磁盘慢
fwrite(buf, len, 1, tmpfile[add]);
now++;
e = clock();
if (e - s > 1000) // 计算进度
{
printf("
处理进度 %0.2f %% ", (now * 100.0) / num);
s = e;
}
}
fclose(in);
fclose_all(tmpfile);
remove(path);
// 在每个小文件中统计重复度最高的 IP, 可以用多台计算机处理
for (i=0; i<10; i++) max[i] = 0;
for (i=0; i<500; i++)
{
sprintf(hashfile, "c:\hashfile\hash_%d.~tmp", i);
if (fileexist(hashfile))
{
printf("
正在处理 hash_%d.~tmp ", i);
// 统计该小文件中的次数最多的 IP
count(hashfile, &data, &n);
// 因为只有 10 个元素, 用选择排序的思想记录最大的 10 个
// 如果元素过多, 可以用插入排序的思想找或者用堆
unsigned int min = 0xFFFFFFFF, pos;
for (j=0; j<10; j++)
{
if (max[j] < min)
{
min = max[j];
pos = j;
}
}
if (n > min)
{
max[pos] = n;
ip[pos] = data;
}
}
}
t2 = clock();
sort(max, ip, 10);
FILE *log = NULL; // 同时在 C:ip_result.txt 记录结果
log = fopen("C:\ip_result.txt", "wt");
fprintf(log, "
访问次数最高的前 10 个 IP:
");
fprintf(log, " %-15s%s
", "IP", "访问次数");
printf("
访问次数最高的前 10 个 IP:
");
printf(" %-15s%s
", "IP", "访问次数");
for (i=0; i<10; i++)
{
ntoi(ip[i], buf); // 解码
printf(" %-20s%u
", buf, max[i]);
fprintf(log, " %-20s%u
", buf, max[i]);
}
fprintf(log, "
--- 用时 %0.3f 秒
", (t2 - t1) / 1000.0);
printf("
--- 用时 %0.3f 秒
", (t2 - t1) / 1000.0);
fclose(log);
system("rmdir /s /q c:\hashfile");
return 0;
}
void fclose_all(FILE **t) // 关闭所有文件
{
int i;
for (i=0; i<500; i++)
{
if (t[i])
{
fclose(t[i]);
t[i] = NULL;
}
}
}
// 随机生成 6.7 亿个 IP, 约 10 GB
int random_write(char *path)
{
FILE *out = NULL;
int i, j, b;
char buf[20];
char *cur;
unsigned int s, e;
out = fopen(path, "wt");
if (out == NULL) return 0;
srand(time(NULL));
e = s = clock();
for (i=0; i<num; i++)
{
e = clock();
if (e - s > 1000) // 计算进度
{
printf("
处理进度 %0.2f %% ", (i * 100.0) / num);
s = e;
}
for (j=0; j<20; j++) buf[j] = ' ';
cur = buf;
for (j=0; j<4; j++)
{
// 点分记法中应该产生 0-255 的数值
// 这里产生 0-101 的数值
b = rand() % 101;
sprintf(cur, "%d.", b);
while (*cur != ' ') cur++;
}
*(cur - 1) = '
';
fwrite(buf, cur-(char *)buf, 1, out);
}
fclose(out); // 记得要关闭
return 1;
}
// 二叉树的插入
void insert(node **tree, unsigned int ip)
{
if ((*tree) == NULL)
{
// new_node
(*tree) = (node *)malloc(sizeof(node));
(*tree)->ip = ip;
(*tree)->n = 1;
(*tree)->left = (*tree)->right = NULL;
}
else if ((*tree)->ip == ip)
{
(*tree)->n++;
return ;
}
else if (ip < (*tree)->ip) // 左子树
insert(&((*tree)->left), ip);
else insert(&((*tree)->right), ip); // 右子树
}
unsigned int maxn; // 入口参数
node *max_node; // 出口参数
void max_n(node *tree) // 找出树中 n 最大的结点
{
if (tree)
{
if (tree->n > maxn)
{
maxn = tree->n;
max_node = tree;
}
max_n(tree->left);
max_n(tree->right);
}
}
void destory(node *tree) // 释放树
{
if (tree)
{
destory(tree->left);
destory(tree->right);
free(tree);
}
}
// 统计 hashfile 中次数最多的 IP
void count(char *hashfile, unsigned int *data, unsigned int *n)
{
FILE *in = NULL;
node *tree = NULL;
unsigned int ip;
in = fopen(hashfile, "rt");
while (fscanf(in, "%d", &ip) != EOF)
{
insert(&tree, ip);
}
fclose(in);
maxn = 0;
max_n(tree); // 结果在 max_node
*n = max_node->n;
*data = max_node->ip;
destory(tree);
}
// 插入排序
void sort(unsigned int *max, unsigned int *ip, int n)
{
int i, j;
unsigned int tmpm, tmpi;
for (i=1; i<n; i++)
{
if (max[i-1] < max[i])
{
tmpm = max[i];
tmpi = ip[i];
for (j=i; j>0; j--)
{
if (max[j-1] < tmpm)
{
max[j] = max[j-1];
ip[j] = ip[j-1];
}
else break;
}
max[j] = tmpm;
ip[j] = tmpi;
}
}
}
// 将字符串的 IP 地址转为整型
unsigned int iton(char *ip)
{
unsigned int r = 0;
unsigned int t;
int i, j;
for (j=i=0; i<4; i++)
{
sscanf(ip + j, "%d", &t);
if (i < 3)
while (ip[j++] != '.');
r = r << 8;
r += t;
}
return r;
}
// 将整型 num 转为字符型 IP
void ntoi(unsigned int num, char *ip)
{
unsigned int b, f;
int i, cur;
f = 0x00FFFFFF;
cur = 0;
for (i=3; i>=0; i--)
{
b = num >> (i * 8);
num = num & f;
f = f >> 8;
sprintf(ip + cur, "%u.", b);
while (ip[cur] != ' ') cur++;
}
ip[cur - 1] = ' ';
}
// 判断文件存在
int fileexist(char *path)
{
FILE *fp = NULL;
fp = fopen(path, "rt");
if (fp)
{
fclose(fp);
return 1;
}
else return 0;
}