海量数据处理

处理海量数据的常规思路

分而治之/Hash映射 + Hash_map统计 + 堆/快速/归并排序

1、海量日志数据，提取出某日访问百度次数最多的那个IP

1.)分而治之/hash映射：把大文件化成(取模映射)小文件

2)hash_map统计：当大文件转化了小文件，那么我们便可以采用常规的hash_map(ip，value)来进行频率统计O(n)复杂度

3)堆/快速排序：得到每个文件次数最多的IP,然后汇总这几个文件排序取最大的ip次数

首先是这一天，并且是访问百度的日志中的IP取出来，逐个写入到一个大文件中。注意到IP是32位的，最多有个2^32个IP。同样可以采用 hash映射 的方法，比如%1000，把整个大文件映射为1000个小文件，再找出每个小文件中出现频率最大的IP（可以采用 hash_map 对那1000个文件中的所有IP进行频率统计，然后 依次找出各个文件中频率最大的那个IP ）及相应的频率。然后再在这 1000个最大的IP中 ，找出那个频率 最大的IP ，即为所求。

2、寻找热门查询，300万个查询字符串中统计最热门的10个查询

1. hash映射 ：顺序读文件中，对于每个词x，取hash(x)%5000，然后按照该值存到5000个小文件（记为x0,x1,...x4999）中

这样每个文件大概是200k左右。如果其中的有的文件超过了1M大小，还可以按照类似的方法继续往下分，直到分解得到的小文件的大小都不超过1M

2. hash_map统计 ：对每个小文件，采用trie树/hash_map等统计每个文件中出现的词以及相应的频率

3. 堆/归并排序 ：取出出现频率最大的100个词（可以用含100个结点的 最小堆 ）后，再把100个词及相应的频率存入文件，这样又得到了5000个文件。最后就是把这5000个文件进行 归并（类似于归并排序） 的过程了

5、有10个文件，每个文件1G，每个文件的每一行存放的都是用户的query，每个文件的query都可能重复。要求你按照query的频度排序

hash映射/取模->hashMap统计->单文件堆排序->多文件归并

6、 给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件***同的url？

1. 分而治之/hash映射 ：遍历文件a，对每个url求取，然后根据所取得的值将url分别存储到1000个小文件。这样每个小文件的大约为300M。遍历文件b，采取和a相同的方式将url分别存储到1000小文件中（记为）。这样处理后，所有可能相同的url都在对应的小文件（

O（N） + N' * O（logK），（N为1万，N’为hashmap的key的元素 算1万吧,K=10）

用一个含100个元素的最小堆完成。复杂度为O(100w*lg100)

13、2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。

/writer#/notebooks/45731388/notes/70253940/preview

对于这道题，顺序读取这 5 亿个数字，对于读取到的数字 num，如果它对应的二进制中最高位为 1，则把这个数字写到 f1 中，否则写入 f0 中。通过这一步，可以把这 5 亿个数划分为两部分，而且 f1 中的数都大于 f0中的数。

划分之后，可以非常容易地知道中位数是在 f0 还是 f1 中。假设 f0中有 1 亿个数，那么中位数一定在 f1 中，且是在 f1 中，从小到大排列的第 1.5 亿个数与它后面的一个数的平均值。

对于 f1可以用次高位的二进制继续将文件一分为二，如此划分下去，直到划分后的文件可以被加载到内存中，把数据加载到内存中以后直接排序或使用快排或堆排序(小顶堆) 找出第K大的数，从而找出中位数。

/s/rdz4pfTCeX1ahOM4KAi3oQ

/s/VXGtJ9Miwfc1yD3v44kvnw