• 极客专栏正式上线!欢迎访问 https://www.jikewenku.com/topic.html
  • 极客专栏正式上线!欢迎访问 https://www.jikewenku.com/topic.html

海量数据处理基础试题

极客笔记 巷子的童年 3个月前 (03-02) 139次浏览 已收录 0个评论 扫描二维码
何谓海量数据处理
   所谓海量数据处理,就是数据量太大,要么无法短时处理完,要么无法一次性装入内存。针对时间问题可采用算法搭配合适的数据结构,如Hash/bit-map/数据库或倒排索引,针对空间问题,采用大而化小,分而治之/hash映射的方式。
    常用的大数据处理方法:
1.分而治之/hash映射 + hash统计 + 堆/快速/归并排序;
2.Bitmap;
密匙一、分而治之/Hash映射 + Hash统计 + 堆/快速/归并排序
1、海量日志数据,提取出某日访问次数最多的那个IP。
    先映射,而后统计,最后排序:
1.分而治之/hash映射:针对数据太大,内存受限,把大文件化成(取模映射)小文件。
2.hash统计:当大文件转化了小文件,那么我们便可以采用常规的Hashmap(ip,value)来进行频率统计。
3.堆/快速排序:统计完了之后,便进行排序(可采取堆排序),得到次数最多的IP。
   
2、假设目前有一千万个记录(重复度较高,去重后,不超过3百万),请统计最热门的10个查询串,要求使用的内存不能超过1G。
  每个Query255Byte,因此可考虑把它们都放进内存中去,考虑用Hash Table进行存储,直接上hash统计,然后排序。
hash统计:先对这批海量数据预处理(Hashmap(Query,Value),每次读取一个Query,如果该字串不在Table中,则加入该字串,并且将Value设为1;如果该字串在Table中,那么将该字串的计数加一即可)。
堆排序:第二步、借助堆这个数据结构,找出Top K。即借助堆结构,我们可以在log量级的时间内查找和调整/移动。
    堆排序思路:维护k个元素的最小堆,即用容量为k的最小堆存储最先遍历到的k个数,并假设它们即是最大的k个数,调整堆后k1>k2>…kmin。继续遍历数列,每次遍历一个元素x,与堆顶元素比较,若x>kmin,则更新堆,否则不更新堆。总费时为O(n*logk)。
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。返回频数最高的100个词。
       顺序读文件,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。
hash统计:对每个小文件,采用hash_map统计每个文件中出现的词以及相应的频率。
堆/归并排序:取出出现频率最大的100个词(用含100个结点的最小堆),并把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。
4、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:顺序读取10个文件,按照hash(query)%10的结果将query写入到另外10个文件中。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)。
hash统计: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。
堆/快速/归并排序: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。对这10个文件进行归并排序(内排序与外排序相结合)。  
5、 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?
    可以估计每个文件安的大小为5G×64=320G,远远大于内存限制的4G。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。
分而治之/hash映射:遍历文件a,对每个url求取hash(url)%1000,然后根据所取得的值将url分别存储到1000个小文件中。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。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
hash统计: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。
 

丨极客文库, 版权所有丨如未注明 , 均为原创丨
本网站采用知识共享署名-非商业性使用-相同方式共享 3.0 中国大陆许可协议进行授权
转载请注明原文链接:海量数据处理基础试题
喜欢 (0)
[247507792@qq.com]
分享 (0)

您必须 登录 才能发表评论!

  • 精品技术教程
  • 编程资源分享
  • 问答交流社区
  • 极客文库知识库

客服QQ


QQ:2248886839


工作时间:09:00-23:00