大数据量,海量数据处理方法总结.pdfVIP

大数据量，海量数据处理方法总结 发布：dxy 字体：[增加 减小] 类型：转载 大数据量的问题是很多面试笔试中经常出现的问题，比如baidu google 腾讯这样的一些涉及 到海量数据的公司经常会问到。 - 下面的方法是我对海量数据的处理方法进行了一个一般性的总结，当然这些方法可能并不能 完全覆盖所有的问题，但是这样的一些方法也基本可以处理绝大多数遇到的问题。下面的一 些问题基本直接来源于公司的面试笔试题目，方法不一定最优，如果你有更好的处理方法， 欢迎与我讨论。 1.Bloom filter 适用范围：可以用来实现数据字典，进行数据的判重，或者集合求交集 基本原理及要点： 对于原理来说很简单，位数组+k 个独立hash 函数。将hash 函数对应的值的位数组置1，查 找时如果发现所有hash 函数对应位都是1 说明存在，很明显这个过程并不保证查找的结果 是100%正确的。同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动 到其他的关键字。所以一个简单的改进就是 counting Bloom filter，用一个counter 数组代替 位数组，就可以支持删除了。 还有一个比较重要的问题，如何根据输入元素个数 n，确定位数组m 的大小及hash 函数个 数。当hash 函数个数k=(ln2)*(m/n)时错误率最小。在错误率不大于E 的情况下，m 至少要 等于n*lg(1/E)才能表示任意n 个元素的集合。 m 还应该更大些，因为还要保证bit 数组里 至少一半为0，则m 应该=nlg(1 /E)*lge 大概就是nlg(1/E)1.44 倍(lg 表示以2 为底的对数)。 举个例子我们假设错误率为0.01 ，则此时m 应大概 是n 的13 倍。这样k 大概是8 个。 注意这里m 与n 的单位不同，m 是bit 为单位，而n 则是以元素个数为单位(准确的说是不 同元素的个数)。通常单个元素的长度都是有很多bit 的。所以使用bloom filter 内存上通常 都是节省的。 扩展： Bloom filter 将集合中的元素映射到位数组中，用 k （k 为哈希函数个数）个映射位是否全1 表示元素在不在这个集合中。Counting bloom filter （CBF）将位数组中的每一位扩展为一个 counter，从而支持了元素的删除操作。Spectral Bloom Filter （SBF ）将其与集合元素的出现 次数关联。SBF 采用counter 中的最小值来近似表示元素的出现频率。 问题实例：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。 2.Hashing 适用范围：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 基本原理及要点： 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open hashing，也称为拉链法；另一种就是closed hashing，也称开地址法， opened addressing。 扩展： d-left hashing 中的d 是多个的意思，我们先简化这个问题，看一看2-left hashing 。2-left hashing 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。 问题