面试准备海量数据Word文档下载推荐.docx
《面试准备海量数据Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《面试准备海量数据Word文档下载推荐.docx（20页珍藏版）》请在冰豆网上搜索。
给你A、B两个文件，各存放50亿条URL，每条URL占用64字节，内存限制是4G，让你找出A,B文件共同的URL。
如果是三个乃至n个文件呢？
根据这个问题我们来计算下内存的占用，4G=2^32大概是40亿*8大概是340亿，n=50亿，如果按出错率0.01算需要的大概是650亿个bit。
现在可用的是340亿，相差并不多，这样可能会使出错率上升些。
另外如果这些urlip是一一对应的，就可以转换成ip，则大大简单了。
Hashing
快速查找，删除的基本数据结构，通常需要总数据量可以放入内存
hash函数选择，针对字符串，整数，排列，具体相应的hash方法。
碰撞处理，一种是openhashing，也称为拉链法；
另一种就是closedhashing，也称开地址法，openedaddressing。
哈希碰撞处理的方法：
第一种策略是openaddressing，如果数组中当前位置已经被占用，他会为当前数据重新选择一个位置；
第二种策略是separatechaining，在数组每一个位置安放一个链表。
Openaddressing策略常用三种方法：
a.Linerprobing
这种方法简单的以当前位置为起点，线性搜索空闲位置。
如果hash函数选择了第n个位置给当前数据，但是n位置已经被占用，该方法将会尝试n+1，n+2.........,知道找到一个空闲位置，如果到达数组末尾，则从数组头继续搜索。
这个尝试不同位置的过程叫做probing。
b.Quadraticprobing
Quadraticprobing的好处是可以降低clustering，因为probing的偏移是n^2，而不是1，不会使得数据很接近。
但是如果很多数据同时被映射到同一个位置上，那么这种方法也是于事无补的。
当有很多数据被映射到同一个位置时候，他将会尝试x+1，x+4，x+9...............这将使数据查找变得困难。
c.doublehashing
doublehashing中，probing的偏移取决于keyvalue自己。
当key映射到位置x，而x已经被占用的时候，则用第二个hash函数对key进行处理得到y，尝试x+y，x+2y,x
+3y..........直到找到一个可以插入的位置。
选择第二个hash函数的目标是：
hash函数值永远大于等于1，对于key的得到的hash结果和第一个hash函数不同。
通常，第二个hash函数这么写：
probeoffset=c-key%c,c是一个小于数组大小的常数
Separatechaining策略
这种方法在数组的每一个位置上用一个链表
d-lefthashing中的d是多个的意思，我们先简化这个问题，看一看2-lefthashing。
2-lefthashing指的是将一个哈希表分成长度相等的两半，分别叫做T1和T2，给T1和T2分别配备一个哈希函数，h1和h2。
在存储一个新的key时，同时用两个哈希函数进行计算，得出两个地址h1[key]和h2[key]。
这时需要检查T1中的h1[key]位置和T2中的h2[key]位置，哪一个位置已经存储的（有碰撞的）key比较多，然后将新key存储在负载少的位置。
如果两边一样多，比如两个位置都为空或者都存储了一个key，就把新key存储在左边的T1子表中，2-left也由此而来。
在查找一个key时，必须进行两次hash，同时查找两个位置。
1）、海量日志数据，提取出某日访问XX次数最多的那个IP。
IP的数目还是有限的，最多2^32个，所以可以考虑使用hash将ip直接存入内存，然后进行统计。
bit-map
可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下
使用bit数组来表示某些元素是否存在，比如8位电话号码
bloomfilter可以看做是对bit-map的扩展
1）已知某个文件内包含一些电话号码，每个号码为8位数字，统计不同号码的个数。
8位最多99999999，大概需要99m个bit，大概10几m字节的内存即可。
2）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。
将bit-map扩展一下，用2bit表示一个数即可，0表示未出现，1表示出现一次，2表示出现2次及以上。
或者我们不用2bit来进行表示，我们用两个bit-map即可模拟实现这个2bit-map。
堆
海量数据前n大，并且n比较小，堆可以放入内存
基本原理及要点：
最大堆求前n小，最小堆求前n大。
方法，比如求前n小，我们比较当前元素与最大堆里的最大元素，如果它小于最大元素，则应该替换那个最大元素。
这样最后得到的n个元素就是最小的n个。
适合大数据量，求前n小，n的大小比较小的情况，这样可以扫描一遍即可得到所有的前n元素，效率很高。
双堆，一个最大堆与一个最小堆结合，可以用来维护中位数。
1）100w个数中找最大的前100个数。
用一个100个元素大小的最小堆即可。
双层桶划分
第k大，中位数，不重复或重复的数字
因为元素范围很大，不能利用直接寻址表，所以通过多次划分，逐步确定范围，然后最后在一个可以接受的范围内进行。
可以通过多次缩小，双层只是一个例子。
1）、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。
有点像鸽巢原理，整数个数为2^32,也就是，我们可以将这2^32个数，划分为2^8个区域（比如用单个文件代表一个区域），然后将数据分离到不同的区域，然后不同的区域在利用bitmap就可以直接解决了。
也就是说只要有足够的磁盘空间，就可以很方便的解决。
2）、5亿个int找它们的中位数。
这个例子比上面那个更明显。
首先我们将int划分为2^16个区域，然后读取数据统计落到各个区域里的数的个数，之后我们根据统计结果就可以判断中位数落到那个区域，同时知道这个区域中的第几大数刚好是中位数。
然后第二次扫描我们只统计落在这个区域中的那些数就可以了。
实际上，如果不是int是int64，我们可以经过3次这样的划分即可降低到可以接受的程度。
即可以先将int64分成2^24个区域，然后确定区域的第几大数，在将该区域分成2^20个子区域，然后确定是子区域的第几大数，然后子区域里的数的个数只有2^20，就可以直接利用directaddrtable进行统计了。
数据库索引
大数据量的增删改查
利用数据的设计实现方法，对海量数据的增删改查进行处理。
7、倒排索引（Invertedindex）
搜索引擎，关键字查询
为何叫倒排索引？
一种索引方法，被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。
以英文为例，下面是要被索引的文本：
T0="
itiswhatitis"
T1="
whatisit"
T2="
itisabanana"
我们就能得到下面的反向文件索引：
"
a"
:
{2}
banana"
is"
{0,1,2}
it"
what"
{0,1}
检索的条件"
"
和"
将对应集合的交集。
正向索引开发出来用来存储每个文档的单词的列表。
正向索引的查询往往满足每个文档有序频繁的全文查询和每个单词在校验文档中的验证这样的查询。
在正向索引中，文档占据了中心的位置，每个文档指向了一个它所包含的索引项的序列。
也就是说文档指向了它包含的那些单词，而反向索引则是单词指向了包含它的文档，很容易看到这个反向的关系。
文档检索系统，查询那些文件包含了某单词，比如常见的学术论文的关键字搜索。
外排序
大数据的排序，去重
外排序的归并方法，置换选择败者树原理，最优归并树
1）.有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16个字节，内存限制大小是1M。
返回频数最高的100个词。
这个数据具有很明显的特点，词的大小为16个字节，但是内存只有1m做hash有些不够，所以可以用来排序。
内存可以当输入缓冲区使用。
trie树
数据量大，重复多，但是数据种类小可以放入内存
实现方式，节点孩子的表示方式
压缩实现。
1）、有10个文件，每个文件1G，每个文件的每一行都存放的是用户的query，每个文件的query都可能重复。
要你按照query的频度排序。
2）、1000万字符串，其中有些是相同的（重复）,需要把重复的全部去掉，保留没有重复的字符串。
请问怎么设计和实现？
3）、寻找热门查询：
查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个，每个不超过255字节。
分布式处理mapreduce
要点：
map时，根据数据划分（如取模），而不是根据索引划分（0~100，。
。
）
数据量大，但是数据种类小可以放入内存
将数据交给不同的机器去处理，数据划分，结果归约。
1）、ThecanonicalexampleapplicationofMapReduceisaprocesstocounttheappearancesof
eachdifferentwordinasetofdocuments:
voidmap（Stringname,Stringdocument）:
//name:
documentname
//document:
documentcontents
foreachwordwindocument:
EmitIntermediate（w,1）;
voidreduce（Stringword,IteratorpartialCounts）:
//key:
aword
//values:
alistofaggregatedpartialcounts
intresult=0;
foreachvinpartialCounts:
result+=ParseInt（v）;
Emit（result）;
Here,eachdocumentissplitinwords,andeachwordiscountedinitiallywitha"
1"
valuebytheMapfunction,usingthewordastheresultkey.TheframeworkputstogetherallthepairswiththesamekeyandfeedsthemtothesamecalltoReduce,thusthisfunctionjustneedstosumallofitsinputvaluestofindthetotalappearancesofthatword.
2）、海量数据分布在100台电脑中，想个办法高效统计出这批数据的TOP10。
3）、一共有N个机器，每个机器上有N个数。
每个机器最多存O（N）个数并对它们操作。
如何找到N^2个数的中数（median）？
经典问题分析
上千万or亿数据（有重复），统计其中出现次数最多的前N个数据,分两种情况：
可一次读入内存，不可一次读入。
可用思路：
trie树+堆，数据库索引，划分子集分别统计，hash，分布式计算，近似统计，外排序
所谓的是否能一次读入内存，实际上应该指去除重复后的数据量。
如果去重后数据可以放入内存，我们可以为数据建立字典，比如通过map，hashmap，trie，然后直接进行统计即可。
当然在更新每条数据的出现次数的时候，我们可以利用一个堆来维护出现次数最多的前N个数据，当然这样导致维护次数增加，不如完全统计后在求前N大效率高。
如果数据无法放入内存。
一方面我们可以考虑上面的字典方法能否被改进以适应这种情形，可以做的改变就是将字典存放到硬盘上，而不是内存，这可以参考数据库的存储方法。
当然还有更好的方法，就是可以采用分布式计算，基本上就是map-reduce过程，首先可以根据数据值或者把数据hash（md5）后的值，将数据按照范围划分到不同的机子，最好可以让数据划分后可以一次读入内存，这样不同的机子负责处理各种的数值范围，实际上就是map。
得到结果后，各个机子只需拿出各自的出现次数最多的前N个数据，然后汇总，选出所有的数据中出现次数最多的前N个数据，这实际上就是reduce过程。
实际上可能想直接将数据均分到不同的机子上进行处理，这样是无法得到正确的解的。
因为一个数据可能被均分到不同的机子上，而另一个则可能完全聚集到一个机子上，同时还可能存在具有相同数目的数据。
比如我们要找出现次数最多的前100个，我们将1000万的数据分布到10台机器上，找到每台出现次数最多的前100个，归并之后这样不能保证找到真正的第100个，因为比如出现次数最多的第100个可能有1万个，但是它被分到了10台机子，这样在每台上只有1千个，假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的，比如有1001个，这样本来具有1万个的这个就会被淘汰，即使我们让每台机子选出出现次数最多的1000个再归并，仍然会出错，因为可能存在大量个数为1001个的发生聚集。
因此不能将数据随便均分到不同机子上，而是要根据hash后的值将它们映射到不同的机子上处理，让不同的机器处理一个数值范围。
而外排序的方法会消耗大量的IO，效率不会很高。
而上面的分布式方法，也可以用于单机版本，也就是将总的数据根据值的范围，划分成多个不同的子文件，然后逐个处理。
处理完毕之后再对这些单词的及其出现频率进行一个归并。
实际上就可以利用一个外排序的归并过程。
另外还可以考虑近似计算，也就是我们可以通过结合自然语言属性，只将那些真正实际中出现最多的那些词作为一个字典，使得这个规模可以放入内存。
1、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文件共同的url？
方案1：
可以估计每个文件的大小为50*10^8/10^9=5G,5G×
64=32G，远远大于内存限制的4G（1G为10亿字节）。
所以不可能将其完全加载到内存中处理。
考虑采取分而治之的方法。
s
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（记为
）中。
这样每个小文件的大约为30M。
遍历文件b，采取和a相同的方式将url分别存储到1000个小文件（记为
）。
这样处理后，所有可能相同的url都在对应的小文件（
）中，不对应的小文件不可能有相同的url。
然后我们只要求出1000对小文件中相同的url即可。
求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中。
然后遍历另一个小文件的每个url，看其是否在刚才构建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了。
方案2：
如果允许有一定的错误率，可以使用Bloom
filter，4G内存大概可以表示340亿bit。
将其中一个文件中的url使用Bloom
filter映射为这340亿bit，然后挨个读取另外一个文件的url，检查是否与Bloom
filter，如果是，那么该url应该是共同的url（注意会有一定的错误率）。
2、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。
s、顺序读取10个文件，按照hash（query）%10的结果将query写入到另外10个文件（记为
这样新生成的文件每个的大小大约也1G（假设hash函数是随机的）。
s、找一台内存在2G左右的机器，依次对
用hash_map（query,
query_count）来统计每个query出现的次数。
利用快速/堆/归并排序按照出现次数进行排序。
将排序好的query和对应的query_cout输出到文件中。
这样得到了10个排好序的文件（记为
s、对
这10个文件进行归并排序（内排序与外排序相结合）。
一般query的总量是有限的，只是重复的次数比较多而已，可能对于所有的query，一次性就可以加入到内存了。
这样，我们就可以采用trie树/hash_map等直接来统计每个query出现的次数，然后按出现次数做快速/堆/归并排序就可以了。
方案3：
与方案1类似，但在做完hash，分成多个文件后，可以交给多个文件来处理，采用分布式的架构来处理（比如MapReduce），最后再进行合并。
3、有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16字节，内存限制大小是1M。
顺序读文件中，对于每个词x，取
，然后按照该值存到5000个小文件（记为
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，知道分解得到的小文件的大小都不超过1M。
对每个小文件，统计每个文件中出现的词以及相应的频率（可以采用trie树/hash_map等），并取出出现频率最大的100个词（可以用含100个结点的最小堆），并把100词及相应的频率存入文件，这样又得到了5000个文件。
下一步就是把这5000个文件进行归并（类似与归并排序）的过程了。
4、海量日志数据，提取出某日访问XX次数最多的那个IP。
首先是这一天，并且是访问XX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IP。
同样可以采用映射的方法，比如模1000，把整个大文件映射为1000个小文件，再找出每个小文中出现频率最大的IP（可以采用hash_map进行频率统计，然后再找出频率最大的几个）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。
5、在2.5亿个整数中找出不重复的整数，内存不足以容纳这2.5亿个整数。
采用2-Bitmap（每个数分配2bit，00表示不存在，01表示出现一次，10表示多次，11无意义）进行，共需内存
内存，还可以接受。
然后扫描这2.5亿个整数，查看Bitmap中相对应位，如果是00变01，01变10，10保持不变。
所描完事后，查看bitmap，把对应位是01的整数输出即可。
也可采用上题类似的方法，进行划分小文件的方法。
然后在小文件中找出不重复的整数，并排序。
然后再进行归并，注意去除重复的元素。
6、海量数据分布在100台电脑中，想个办法高效统计出这批数据的TOP10。
应该是先对每台电脑的数据重新划分，将数据%100来重新分配数据，然后再在每台机器上进行分别进行hash_map统计+最小堆寻找top10，然后再在100台机器各自推荐的top10中采用归并排序的方式找出top10.
以下答案不对
在每台电脑上求出TOP10，可以采用包含10个元素的堆完成（TOP10小，用最大堆，TOP10大，用最小堆）。
比如求TOP10大，我们首先取前10个元素调整成最小堆，如果发现，然后扫描后面的数据，并与堆顶元素比较，如果比堆顶元素大，那么用该元素替换堆顶，然后再调整为最小堆。
最后堆中的元素就是TOP10大。
求出每台电脑上的TOP10后，然后把这100台电脑上的TOP10组合起来，共1000个数据，再利用上面类似的方法求出TOP10就可以了。
7、怎么在海量数据中找出重复次数最多的一个？
先做hash，然后求模映射为小文件，求出每个小文件中重复次数最多的一个，并记录重复次数。
然后找出上一步求出的数据中重复次数最多的一个就是所求（具体参考前面的题）。
8、上千万或上亿数据（有重复），统计其中出现次数最多的钱N个数据。
上千万或上亿的数据，现在的机器的内存应该能存下。
所以考虑采用hash_map/搜索二叉树/红黑树等来进行统计次数。
然后就是取出前N个出现次数最多的数据了，可以用第6题提到的堆机制完成。
9、1000万字符串，其中有些是重复的，需要把重复的全部去掉，保留没有重复的字符串。
请怎么设计和实现？
这题用trie树比较合适，hash_map也应该能行。
10、一个文本文件，大约有一万行，每行一个词，要求统计出其中最频繁出现的前10个词，请给出思想，给出时间复杂度分析。
这题是考虑时间效率。
用trie树统计每个词出现的次数，时间复杂度是O（n*le）（le表示单词的平准长度）。
然后是找出出现最频繁的前10个词，可以用堆来实现，前面的题中已经讲到了，时间复杂度是O（n*lg10）。
所以总的时间复杂度，是O（n*le）与O（n*lg10）中较大的哪一个。
11、一个文本文件，找出前10个经常出现的词，但这
升级会员 