海量數(shù)據(jù)處理方法總結(jié)

1、1.給定給定a、b兩個(gè)文件，各存放兩個(gè)文件，各存放50億個(gè)億個(gè)url，每個(gè)，每個(gè)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?zhuān)屇阏页瞿阏页鯽、b文件共同的文件共同的url？方案1：可以估計(jì)每個(gè)文件安的大小為50G64=320G，遠(yuǎn)遠(yuǎn)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(duì)每個(gè)url求取，然后根據(jù)所取得的值將url分別存儲(chǔ)到1000個(gè)小文件（記為）中。這樣每個(gè)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(chǔ)到1000各小文件（記為）。這樣處理后，所有可能相同的url都在對(duì)應(yīng)的小文件（）中，不對(duì)應(yīng)的小文件不可能有相同的url。然后我們只要求出1000對(duì)小文件中相同的url即可。s求每對(duì)小文件中相同的url時(shí)，可以把其中一個(gè)小文件的url存儲(chǔ)到hash_set中。然后遍歷另一個(gè)小文件的每個(gè)url，看其是否在剛才構(gòu)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(cuò)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(gè)文件中的url使用Bloomfilter映射為這340億bit，然后挨個(gè)讀取另外一個(gè)文件的url，檢查是否與Bloomfilter，如果是，那么該url應(yīng)該是共同的url（注意會(huì)有一定的錯(cuò)誤率）。ps:個(gè)人認(rèn)為方案1中的估計(jì)是不是有問(wèn)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(gè)文件，每個(gè)文件個(gè)

4、文件，每個(gè)文件1G，每個(gè)文件的每一行存放的都是用戶的，每個(gè)文件的每一行存放的都是用戶的query，每個(gè)文，每個(gè)文件的件的query都可能重復(fù)。要求你按照都可能重復(fù)。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(gè)文件，按照hash(query)%10的結(jié)果將query寫(xiě)入到另外10個(gè)文件（記為）中。這樣新生成的文件每個(gè)的大小大約也1G（假設(shè)hash函數(shù)是隨機(jī)的）。s找一臺(tái)內(nèi)存在2G左右的機(jī)器，依次對(duì)用hash_map

5、(queryquery_count)來(lái)統(tǒng)計(jì)每個(gè)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(jìn)行排序。將排序好的query和對(duì)應(yīng)的query_cout輸出到文件中。這樣得到了10個(gè)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(gè)整數(shù)，查看Bitmap中相對(duì)應(yīng)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(duì)應(yīng)位是01的整數(shù)輸出即可。方案2：也可采用上題類(lèi)似的方法，進(jìn)行劃分小文件的方法。然后在

6、小文件中找出不重復(fù)的整數(shù)，并排序。然后再進(jìn)行歸并，注意去除重復(fù)的元素。6.海量數(shù)據(jù)分布在海量數(shù)據(jù)分布在100臺(tái)電腦中，想個(gè)辦法高校統(tǒng)計(jì)出這批數(shù)據(jù)的臺(tái)電腦中，想個(gè)辦法高校統(tǒng)計(jì)出這批數(shù)據(jù)的TOP10。方案1：s在每臺(tái)電腦上求出TOP10，可以采用包含10個(gè)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(gè)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(tái)電腦上的TOP10后，然后把這100臺(tái)電腦上的TOP10組合起來(lái)，共1000個(gè)數(shù)據(jù)，再利用上面類(lèi)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(fù)次數(shù)最多的一個(gè)？怎么在海量數(shù)據(jù)中找出重復(fù)次數(shù)最多的一個(gè)？方案1：先做hash，然后求模映射為小文件，求出每個(gè)小文件中重復(fù)次數(shù)最多的一個(gè)，并記錄重復(fù)次數(shù)。然后找出上一步求出的數(shù)據(jù)中重復(fù)次數(shù)最多的一個(gè)就是所

8、求（具體參考前面的題）。8.上千萬(wàn)或上億數(shù)據(jù)（有重復(fù)），統(tǒng)計(jì)其中出現(xiàn)次數(shù)最多的錢(qián)上千萬(wàn)或上億數(shù)據(jù)（有重復(fù)），統(tǒng)計(jì)其中出現(xiàn)次數(shù)最多的錢(qián)N個(gè)數(shù)據(jù)。個(gè)數(shù)據(jù)。方案1：上千萬(wàn)或上億的數(shù)據(jù)，現(xiàn)在的機(jī)器的內(nèi)存應(yīng)該能存下。所以考慮采用hash_map搜索二叉樹(shù)紅黑樹(shù)等來(lái)進(jìn)行統(tǒng)計(jì)次數(shù)。然后就是取出前N個(gè)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(jī)制完成。9.1000萬(wàn)字符串，其中有些是重復(fù)的，需要把重復(fù)的全部去掉，保留沒(méi)有重復(fù)的字符萬(wàn)字符串，其中有些是重

9、復(fù)的，需要把重復(fù)的全部去掉，保留沒(méi)有重復(fù)的字符串。請(qǐng)?jiān)趺丛O(shè)計(jì)和實(shí)現(xiàn)？串。請(qǐng)?jiān)趺丛O(shè)計(jì)和實(shí)現(xiàn)？方案1：這題用trie樹(shù)比較合適，hash_map也應(yīng)該能行。10.一個(gè)文本文件，大約有一萬(wàn)行，每行一個(gè)詞，要求統(tǒng)計(jì)出其中最頻繁出現(xiàn)的前一個(gè)文本文件，大約有一萬(wàn)行，每行一個(gè)詞，要求統(tǒng)計(jì)出其中最頻繁出現(xiàn)的前10個(gè)詞，請(qǐng)給出思想，給出時(shí)間復(fù)雜度分析。詞，請(qǐng)給出思想，給出時(shí)間復(fù)雜度分析。方案1：這題是考慮時(shí)間效率。用trie樹(shù)統(tǒng)計(jì)每個(gè)詞出現(xiàn)的次數(shù)，時(shí)間復(fù)

10、雜度是O(nle)（le表示單詞的平準(zhǔn)長(zhǎng)度）。然后是找出出現(xiàn)最頻繁的前10個(gè)詞，可以用堆來(lái)實(shí)現(xiàn)，前面的題中已經(jīng)講到了，時(shí)間復(fù)雜度是O(nlg10)。所以總的時(shí)間復(fù)雜度，是O(nle)與O(nlg10)中較大的哪一個(gè)。11.一個(gè)文本文件，找出前一個(gè)文本文件，找出前10個(gè)經(jīng)常出現(xiàn)的詞，但這次文件比較長(zhǎng)，說(shuō)是上億行或十億個(gè)經(jīng)常出現(xiàn)的詞，但這次文件比較長(zhǎng)，說(shuō)是上億行或十億行，總之無(wú)法一次讀入內(nèi)存，問(wèn)最優(yōu)解。行，總之無(wú)法一次讀入內(nèi)存，問(wèn)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(gè)小文件，對(duì)于單個(gè)文件利用上題的方法求出每個(gè)文件件中10個(gè)最常出現(xiàn)的詞。然后再進(jìn)行歸并處理，找出最終的10個(gè)最常出現(xiàn)的詞。12.100w個(gè)數(shù)中找出最大的個(gè)數(shù)中找出最大的100個(gè)數(shù)。個(gè)數(shù)。方案1：在前面的題中，我們已經(jīng)提到了，用一個(gè)含100個(gè)元素的最小堆完成。復(fù)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(shí)候，采