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 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。 问题实例： 1).海量日志数据，提取出某日访问百度次数最多的那个 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。 3.bit-map 适用范围：可进行数据的快速查找，判重，删除，一般来说