1-十道海量数据处理面试题.pdfVIP

第一部分、十道海量数据处理面试题 1、海量日志数据，提取出某日访问百度次数最多的那个IP。 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。 或者如下阐述（雪域之鹰）： 算法思想：分而治之+Hash 1.IP 地址最多有2^32=4G 种取值情况，所以不能完全加载到内存中处理； 2.可以考虑采用“分而治之”的思想，按照IP 地址的Hash(IP)%1024 值，把海量IP 日志分别 存储到1024 个小文件中。这样，每个小文件最多包含4MB 个IP 地址； 3.对于每一个小文件，可以构建一个IP 为key，出现次数为value 的Hash map，同时记录 当前出现次数最多的那个IP 地址； 4.可以得到1024 个小文件中的出现次数最多的IP，再依据常规的排序算法得到总体上出现 次数最多的IP； 2、搜索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来，每个查询串的 长度为1-255 字节。 假设目前有一千万个记录（这些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。一个查询串的重复度越高，说明查询它的用户越多，也就是越 热门。），请你统计最热门的10 个查询串，要求使用的内存不能超过1G。 典型的Top K 算法，还是在这篇文章里头有所阐述，详情请参见：十一、从头到尾彻底解 析Hash 表算法。 文中，给出的最终算法是： 第一步、先对这批海量数据预处理，在O （N）的时间内用Hash 表完成统计 （之前写成 了排序，特此订正。July、2011.04.27）； 第二步、借助堆这个数据结构，找出Top K，时间复杂度为N‘logK。 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。因此，维护一个K(该题 目中是10)大小的小根堆，然后遍历300 万的Query，分别和根元素进行对比所以，我们最 终的时间复杂度是：O （N）+ N*O （logK），（N 为1000 万，N’为300 万）。ok，更多， 详情，请参考原文。 或者：采用trie 树，关键字域存该查询串出现的次数，没有出现为0 。最后用10 个元素的 最小推来对出现频率进行排序。 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。 方案：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。 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 个词及相应 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、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。 还是典型的TOP K 算法，解决方案如下： 方案1： 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） 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）。 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）。 对这10 个文件进行归并排序（内排序与外排序相结合）。 方案2： 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/