海量數(shù)據(jù)處理方法總結

1、1.給定給定a、b兩個文件，各存放兩個文件，各存放50億個億個url，每個，每個url各占各占64字節(jié)，內(nèi)存限制是字節(jié)，內(nèi)存限制是4G，讓，讓你找出你找出a、b文件共同的文件共同的url？方案1：可以估計每個文件安的大小為50G64=320G，遠遠大于內(nèi)存限制的4G。所以不可能將其完全加載到內(nèi)存中處理。考慮采取分而治之的方法。s遍歷文件a，對每個url求取，然后根據(jù)所取得的值將url分別存儲到1000個小文件（記為）中。這樣每個小文件的

2、大約為300M。s遍歷文件b，采取和a相同的方式將url分別存儲到1000各小文件（記為）。這樣處理后，所有可能相同的url都在對應的小文件（）中，不對應的小文件不可能有相同的url。然后我們只要求出1000對小文件中相同的url即可。s求每對小文件中相同的url時，可以把其中一個小文件的url存儲到hash_set中。然后遍歷另一個小文件的每個url，看其是否在剛才構建的hash_set中，如果是，那么就是共同的url，存到文件里面就

3、可以了。方案2：如果允許有一定的錯誤率，可以使用Bloomfilter，4G內(nèi)存大概可以表示340億bit。將其中一個文件中的url使用Bloomfilter映射為這340億bit，然后挨個讀取另外一個文件的url，檢查是否與Bloomfilter，如果是，那么該url應該是共同的url（注意會有一定的錯誤率）。ps:個人認為方案1中的估計是不是有問題50億就是510的9次方。小于等于52的30次方，即5G，2.有10個文件，每個文件個

4、文件，每個文件1G，每個文件的每一行存放的都是用戶的，每個文件的每一行存放的都是用戶的query，每個文，每個文件的件的query都可能重復。要求你按照都可能重復。要求你按照query的頻度排序。的頻度排序。方案1：s順序讀取10個文件，按照hash(query)%10的結果將query寫入到另外10個文件（記為）中。這樣新生成的文件每個的大小大約也1G（假設hash函數(shù)是隨機的）。s找一臺內(nèi)存在2G左右的機器，依次對用hash_map

5、(queryquery_count)來統(tǒng)計每個query出現(xiàn)的次數(shù)。利用快速堆歸并排序按照出現(xiàn)次數(shù)進行排序。將排序好的query和對應的query_cout輸出到文件中。這樣得到了10個排好序的文件（記為內(nèi)存，還可以接受。然后掃描這2.5億個整數(shù)，查看Bitmap中相對應位，如果是00變01，01變10，10保持不變。所描完事后，查看bitmap，把對應位是01的整數(shù)輸出即可。方案2：也可采用上題類似的方法，進行劃分小文件的方法。然后在

6、小文件中找出不重復的整數(shù)，并排序。然后再進行歸并，注意去除重復的元素。6.海量數(shù)據(jù)分布在海量數(shù)據(jù)分布在100臺電腦中，想個辦法高校統(tǒng)計出這批數(shù)據(jù)的臺電腦中，想個辦法高校統(tǒng)計出這批數(shù)據(jù)的TOP10。方案1：s在每臺電腦上求出TOP10，可以采用包含10個元素的堆完成（TOP10小，用最大堆，TOP10大，用最小堆）。比如求TOP10大，我們首先取前10個元素調(diào)整成最小堆，如果發(fā)現(xiàn)，然后掃描后面的數(shù)據(jù)，并與堆頂元素比較，如果比堆頂元素大，那

7、么用該元素替換堆頂，然后再調(diào)整為最小堆。最后堆中的元素就是TOP10大。s求出每臺電腦上的TOP10后，然后把這100臺電腦上的TOP10組合起來，共1000個數(shù)據(jù)，再利用上面類似的方法求出TOP10就可以了。7.怎么在海量數(shù)據(jù)中找出重復次數(shù)最多的一個？怎么在海量數(shù)據(jù)中找出重復次數(shù)最多的一個？方案1：先做hash，然后求模映射為小文件，求出每個小文件中重復次數(shù)最多的一個，并記錄重復次數(shù)。然后找出上一步求出的數(shù)據(jù)中重復次數(shù)最多的一個就是所

8、求（具體參考前面的題）。8.上千萬或上億數(shù)據(jù)（有重復），統(tǒng)計其中出現(xiàn)次數(shù)最多的錢上千萬或上億數(shù)據(jù)（有重復），統(tǒng)計其中出現(xiàn)次數(shù)最多的錢N個數(shù)據(jù)。個數(shù)據(jù)。方案1：上千萬或上億的數(shù)據(jù)，現(xiàn)在的機器的內(nèi)存應該能存下。所以考慮采用hash_map搜索二叉樹紅黑樹等來進行統(tǒng)計次數(shù)。然后就是取出前N個出現(xiàn)次數(shù)最多的數(shù)據(jù)了，可以用第6題提到的堆機制完成。9.1000萬字符串，其中有些是重復的，需要把重復的全部去掉，保留沒有重復的字符萬字符串，其中有些是重

9、復的，需要把重復的全部去掉，保留沒有重復的字符串。請怎么設計和實現(xiàn)？串。請怎么設計和實現(xiàn)？方案1：這題用trie樹比較合適，hash_map也應該能行。10.一個文本文件，大約有一萬行，每行一個詞，要求統(tǒng)計出其中最頻繁出現(xiàn)的前一個文本文件，大約有一萬行，每行一個詞，要求統(tǒng)計出其中最頻繁出現(xiàn)的前10個詞，請給出思想，給出時間復雜度分析。詞，請給出思想，給出時間復雜度分析。方案1：這題是考慮時間效率。用trie樹統(tǒng)計每個詞出現(xiàn)的次數(shù)，時間復

10、雜度是O(nle)（le表示單詞的平準長度）。然后是找出出現(xiàn)最頻繁的前10個詞，可以用堆來實現(xiàn)，前面的題中已經(jīng)講到了，時間復雜度是O(nlg10)。所以總的時間復雜度，是O(nle)與O(nlg10)中較大的哪一個。11.一個文本文件，找出前一個文本文件，找出前10個經(jīng)常出現(xiàn)的詞，但這次文件比較長，說是上億行或十億個經(jīng)常出現(xiàn)的詞，但這次文件比較長，說是上億行或十億行，總之無法一次讀入內(nèi)存，問最優(yōu)解。行，總之無法一次讀入內(nèi)存，問最優(yōu)解。方

11、案1：首先根據(jù)用hash并求模，將文件分解為多個小文件，對于單個文件利用上題的方法求出每個文件件中10個最常出現(xiàn)的詞。然后再進行歸并處理，找出最終的10個最常出現(xiàn)的詞。12.100w個數(shù)中找出最大的個數(shù)中找出最大的100個數(shù)。個數(shù)。方案1：在前面的題中，我們已經(jīng)提到了，用一個含100個元素的最小堆完成。復雜度為O(100wlg100)。方案2：采用快速排序的思想，每次分割之后只考慮比軸大的一部分，知道比軸大的一部分在比100多的時候，采