温州网站推广排名,网站开发需要研究什么,WordPress 蜘蛛池,做pc端网站怎么样教你如何迅速秒杀掉#xff1a;99%的海量数据处理面试题 前言 一般而言#xff0c;标题含有“秒杀”#xff0c;“99%”#xff0c;“史上最全/最强”等词汇的往往都脱不了哗众取宠之嫌#xff0c;但进一步来讲#xff0c;如果读者读罢此文#xff0c;却无任何收获…教你如何迅速秒杀掉99%的海量数据处理面试题 前言 一般而言标题含有“秒杀”“99%”“史上最全/最强”等词汇的往往都脱不了哗众取宠之嫌但进一步来讲如果读者读罢此文却无任何收获那么我也甘愿背负这样的罪名 :-)同时此文可以看做是对这篇文章十道海量数据处理面试题与十个方法大总结的一般抽象性总结。 毕竟受文章和理论之限本文将摒弃绝大部分的细节只谈方法/模式论且注重用最通俗最直白的语言阐述相关问题。最后有一点必须强调的是全文行文是基于面试题的分析基础之上的具体实践过程中还是得具体情况具体分析且各个场景下需要考虑的细节也远比本文所描述的任何一种解决方法复杂得多。 OK若有任何问题欢迎随时不吝赐教。谢谢。 何谓海量数据处理 所谓海量数据处理无非就是基于海量数据上的存储、处理、操作。何谓海量就是数据量太大所以导致要么是无法在较短时间内迅速解决要么是数据太大导致无法一次性装入内存。 那解决办法呢?针对时间我们可以采用巧妙的算法搭配合适的数据结构如Bloom filter/Hash/bit-map/堆/数据库或倒排索引/trie树针对空间无非就一个办法大而化小分而治之hash映射你不是说规模太大嘛那简单啊就把规模大化为规模小的各个击破不就完了嘛。 至于所谓的单机及集群问题通俗点来讲单机就是处理装载数据的机器有限(只要考虑cpu内存硬盘的数据交互)而集群机器有多辆适合分布式处理并行计算(更多考虑节点和节点间的数据交互)。 再者通过本blog内的有关海量数据处理的文章Big Data Processing我们已经大致知道处理海量数据问题无非就是 分而治之/hash映射 hash统计 堆/快速/归并排序双层桶划分Bloom filter/BitmapTrie树/数据库/倒排索引外排序分布式处理之Hadoop/Mapreduce。下面本文第一部分、从set/map谈到hashtable/hash_map/hash_set简要介绍下set/map/multiset/multimap及hash_set/hash_map/hash_multiset/hash_multimap之区别(万丈高楼平地起基础最重要)而本文第二部分则针对上述那6种方法模式结合对应的海量数据处理面试题分别具体阐述。 第一部分、从set/map谈到hashtable/hash_map/hash_set 稍后本文第二部分中将多次提到hash_map/hash_set下面稍稍介绍下这些容器以作为基础准备。一般来说STL容器分两种
序列式容器(vector/list/deque/stack/queue/heap)关联式容器。关联式容器又分为set(集合)和map(映射表)两大类以及这两大类的衍生体multiset(多键集合)和multimap(多键映射表)这些容器均以RB-tree完成。此外还有第3类关联式容器如hashtable(散列表)以及以hashtable为底层机制完成的hash_set(散列集合)/hash_map(散列映射表)/hash_multiset(散列多键集合)/hash_multimap(散列多键映射表)。也就是说set/map/multiset/multimap都内含一个RB-tree而hash_set/hash_map/hash_multiset/hash_multimap都内含一个hashtable。所谓关联式容器类似关联式数据库每笔数据或每个元素都有一个键值(key)和一个实值(value)即所谓的Key-Value(键-值对)。当元素被插入到关联式容器中时容器内部结构(RB-tree/hashtable)便依照其键值大小以某种特定规则将这个元素放置于适当位置。 包括在非关联式数据库中比如在MongoDB内文档(document)是最基本的数据组织形式每个文档也是以Key-Value键-值对的方式组织起来。一个文档可以有多个Key-Value组合每个Value可以是不同的类型比如String、Integer、List等等。 { name : July, sex : male, age : 23 } set/map/multiset/multimap set同map一样所有元素都会根据元素的键值自动被排序因为set/map两者的所有各种操作都只是转而调用RB-tree的操作行为不过值得注意的是两者都不允许两个元素有相同的键值。 不同的是set的元素不像map那样可以同时拥有实值(value)和键值(key)set元素的键值就是实值实值就是键值而map的所有元素都是pair同时拥有实值(value)和键值(key)pair的第一个元素被视为键值第二个元素被视为实值。 至于multiset/multimap他们的特性及用法和set/map完全相同唯一的差别就在于它们允许键值重复即所有的插入操作基于RB-tree的insert_equal()而非insert_unique()。
hash_set/hash_map/hash_multiset/hash_multimap hash_set/hash_map两者的一切操作都是基于hashtable之上。不同的是hash_set同set一样同时拥有实值和键值且实质就是键值键值就是实值而hash_map同map一样每一个元素同时拥有一个实值(value)和一个键值(key)所以其使用方式和上面的map基本相同。但由于hash_set/hash_map都是基于hashtable之上所以不具备自动排序功能。为什么?因为hashtable没有自动排序功能。 至于hash_multiset/hash_multimap的特性与上面的multiset/multimap完全相同唯一的差别就是它们hash_multiset/hash_multimap的底层实现机制是hashtable而multiset/multimap上面说了底层实现机制是RB-tree所以它们的元素都不会被自动排序不过也都允许键值重复。 所以综上说白了什么样的结构决定其什么样的性质因为set/map/multiset/multimap都是基于RB-tree之上所以有自动排序功能而hash_set/hash_map/hash_multiset/hash_multimap都是基于hashtable之上所以不含有自动排序功能至于加个前缀multi_无非就是允许键值重复而已。 此外
关于什么hash请看blog内此篇文章关于红黑树请参看blog内系列文章关于hash_map的具体应用请看这里关于hash_set请看此文。OK接下来请看本文第二部分、处理海量数据问题之六把密匙。 第二部分、处理海量数据问题之六把密匙
密匙一、分而治之/Hash映射 Hash_map统计 堆/快速/归并排序
1、海量日志数据提取出某日访问百度次数最多的那个IP。既然是海量数据处理那么可想而知给我们的数据那就一定是海量的。针对这个数据的海量我们如何着手呢?对的无非就是分而治之/hash映射 hash统计 堆/快速/归并排序说白了就是先映射而后统计最后排序分而治之/hash映射针对数据太大内存受限只能是把大文件化成(取模映射)小文件即16字方针大而化小各个击破缩小规模逐个解决hash_map统计当大文件转化了小文件那么我们便可以采用常规的hash_map(ipvalue)来进行频率统计。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。具体而论则是 “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%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对那1000个文件中的所有IP进行频率统计然后依次找出各个文件中频率最大的那个IP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。”--十道海量数据处理面试题与十个方法大总结。 关于本题还有几个问题如下 1、Hash取模是一种等价映射不会存在同一个元素分散到不同小文件中的情况即这里采用的是mod1000算法那么相同的IP在hash取模后只可能落在同一个文件中不可能被分散的。因为如果两个IP相等那么经过Hash(IP)之后的哈希值是相同的将此哈希值取模如模1000必定仍然相等。 2、那到底什么是hash映射呢简单来说就是为了便于计算机在有限的内存中处理big数据从而通过一种映射散列的方式让数据均匀分布在对应的内存位置(如大数据通过取余的方式映射成小树存放在内存中或大文件映射成多个小文件)而这个映射散列方式便是我们通常所说的hash函数设计的好的hash函数能让数据均匀分布而减少冲突。尽管数据映射到了另外一些不同的位置但数据还是原来的数据只是代替和表示这些原始数据的形式发生了变化而已。 OK有兴趣的还可以再了解下一致性hash算法见blog内此文第五部分http://blog.csdn.net/v_july_v/article/details/6879101。
2、寻找热门查询300万个查询字符串中统计最热门的10个查询 原题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。 解答由上面第1题我们知道数据大则划为小的如如一亿个Ip求Top 10可先%1000将ip分到1000个小文件中去并保证一种ip只出现在一个文件中再对每个小文件中的ip进行hashmap计数统计并按数量排序最后归并或者最小堆依次处理每个小文件的top10以得到最后的结。 但如果数据规模比较小能一次性装入内存呢?比如这第2题虽然有一千万个Query但是由于重复度比较高因此事实上只有300万的Query每个Query255Byte因此我们可以考虑把他们都放进内存中去300万个字符串假设没有重复都是最大长度那么最多占用内存3M*1K/40.75G。所以可以将所有字符串都存放在内存中进行处理而现在只是需要一个合适的数据结构在这里HashTable绝对是我们优先的选择。 所以我们放弃分而治之/hash映射的步骤直接上hash统计然后排序。So针对此类典型的TOP K问题采取的对策往往是hashmap 堆。如下所示
hash_map统计先对这批海量数据预处理。具体方法是维护一个Key为Query字串Value为该Query出现次数的HashTable即hash_map(QueryValue)每次读取一个Query如果该字串不在Table中那么加入该字串并且将Value值设为1如果该字串在Table中那么将该字串的计数加一即可。最终我们在O(N)的时间复杂度内用Hash表完成了统计堆排序第二步、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ON N * OlogKN为1000万N’为300万。别忘了这篇文章中所述的堆排序思路“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个数建堆费时Ok并调整堆(费时Ologk)后有k1k2...kminkmin设为小顶堆中最小元素。继续遍历数列每次遍历一个元素x与堆顶元素比较若xkmin则更新堆x入堆用时logk否则不更新堆。这样下来总费时Ok*logkn-k*logkOn*logk。此方法得益于在堆中查找等各项操作时间复杂度均为logk。”--第三章续、Top K算法问题的实现。 当然你也可以采用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。 由上面那两个例题分而治之 hash统计 堆/快速排序这个套路我们已经开始有了屡试不爽的感觉。下面再拿几道再多多验证下。请看此第3题又是文件很大又是内存受限咋办?还能怎么办呢?无非还是
分而治之/hash映射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。hash_map统计对每个小文件采用trie树/hash_map等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个词可以用含100个结点的最小堆后再把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、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。如果每个数据元素只出现一次而且只出现在某一台机器中那么可以采取以下步骤统计出现次数TOP10的数据元素堆排序在每台电脑上求出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。但如果同一个元素重复出现在不同的电脑中呢如下例子所述这个时候你可以有两种方法遍历一遍所有数据重新hash取摸如此使得同一个元素只出现在单独的一台电脑中然后采用上面所说的方法统计每台电脑中各个元素的出现次数找出TOP10继而组合100台电脑上的TOP10找出最终的TOP10。或者暴力求解直接统计统计每台电脑中各个元素的出现次数然后把同一个元素在不同机器中的出现次数相加最终从所有数据中找出TOP10。5、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。方案1直接上
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个文件记为a0,a1,..a9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_map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。注hash_map(query,query_count)是用来统计每个query的出现次数不是存储他们的值出现一次则count1。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个排好序的文件记为。最后对这10个文件进行归并排序内排序与外排序相结合。根据此方案1这里有一份实现https://github.com/ooooola/sortquery/blob/master/querysort.py。除此之外此题还有以下两个方法
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/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。
6、 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×64320G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求取然后根据所取得的值将url分别存储到1000个小文件记为这里漏写个了a1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。hash_set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。OK此第一种方法分而治之/hash映射 hash统计 堆/快速/归并排序再看最后4道题如下
7、怎么在海量数据中找出重复次数最多的一个 方案先做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前N个数据。 方案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。然后利用堆取出前N个出现次数最多的数据。
9、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。 方案1如果文件比较大无法一次性读入内存可以采用hash取模的方法将大文件分解为多个小文件对于单个小文件利用hash_map统计出每个小文件中10个最常出现的词然后再进行归并处理找出最终的10个最常出现的词。
方案2通过hash取模将大文件分解为多个小文件后除了可以用hash_map统计出每个小文件中10个最常出现的词也可以用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最终同样找出出现最频繁的前10个词可用堆来实现时间复杂度是O(n*lg10)。 10. 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
方案1这题用trie树比较合适hash_map也行。方案2from xjbzju:1000w的数据规模插入操作完全不现实以前试过在stl下100w元素插入set中已经慢得不能忍受觉得基于hash的实现不会比红黑树好太多使用vectorsortunique都要可行许多建议还是先hash成小文件分开处理再综合。
上述方案2中读者xbzju的方法让我想到了一些问题即是set/map与hash_set/hash_map的性能比较?共计3个问题如下1、hash_set在千万级数据下insert操作优于set? 这位bloghttp://t.cn/zOibP7t 给的实践数据可靠不? 2、那map和hash_map的性能比较呢? 谁做过相关实验?3、那查询操作呢如下段文字所述?或者小数据量时用map构造快大数据量时用hash_map?
rbtree PK hashtable 据朋友№邦卡猫№的做的红黑树和hash table的性能测试中发现当数据量基本上int型key时hash table是rbtree的3-4倍但hash table一般会浪费大概一半内存。 因为hash table所做的运算就是个%而rbtree要比较很多比如rbtree要看value的数据 每个节点要多出3个指针或者偏移量 如果需要其他功能比如统计某个范围内的key的数量就需要加一个计数成员。
且1s rbtree能进行大概50w次插入hash table大概是差不多200w次。不过很多的时候其速度可以忍了例如倒排索引差不多也是这个速度而且单线程且倒排表的拉链长度不会太大。正因为基于树的实现其实不比hashtable慢到哪里去所以数据库的索引一般都是用的B/B树而且B树还对磁盘友好(B树能有效降低它的高度所以减少磁盘交互次数)。比如现在非常流行的NoSQL数据库像MongoDB也是采用的B树索引。关于B树系列请参考本blog内此篇文章从B树、B树、B*树谈到R 树。更多请待后续实验论证。11. 一个文本文件找出前10个经常出现的词但这次文件比较长说是上亿行或十亿行总之无法一次读入内存问最优解。 方案1首先根据用hash并求模将文件分解为多个小文件对于单个文件利用上题的方法求出每个文件件中10个最常出现的词。然后再进行归并处理找出最终的10个最常出现的词。12. 100w个数中找出最大的100个数。方案1采用局部淘汰法。选取前100个元素并排序记为序列L。然后一次扫描剩余的元素x与排好序的100个元素中最小的元素比如果比这个最小的要大那么把这个最小的元素删除并把x利用插入排序的思想插入到序列L中。依次循环知道扫描了所有的元素。复杂度为O(100w*100)。 方案2采用快速排序的思想每次分割之后只考虑比轴大的一部分知道比轴大的一部分在比100多的时候采用传统排序算法排序取前100个。复杂度为O(100w*100)。 方案3在前面的题中我们已经提到了用一个含100个元素的最小堆完成。复杂度为O(100w*lg100)。接下来咱们来看第二种方法双层捅划分。 密匙二、多层划分
多层划分----其实本质上还是分而治之的思想重在“分”的技巧上 适用范围第k大中位数不重复或重复的数字 基本原理及要点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。问题实例
13、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。
14、5亿个int找它们的中位数。
思路一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direct addr table进行统计了。 思路二绿色夹克衫同样需要做两遍统计如果数据存在硬盘上就需要读取2次。方法同基数排序有些像开一个大小为65536的Int数组第一遍读取统计Int32的高16位的情况也就是0-65535都算作0,65536 - 131071都算作1。就相当于用该数除以65536。Int32 除以 65536的结果不会超过65536种情况因此开一个长度为65536的数组计数就可以。每读取一个数数组中对应的计数1考虑有负数的情况需要将结果加32768后记录在相应的数组内。第一遍统计之后遍历数组逐个累加统计看中位数处于哪个区间比如处于区间k那么0- k-1的区间里数字的数量sum应该n/22.5亿。而k1 - 65535的计数和也n/2第二遍统计同上面的方法类似但这次只统计处于区间k的情况也就是说(x / 65536) 32768 k。统计只统计低16位的情况。并且利用刚才统计的sum比如sum 2.49亿那么现在就是要在低16位里面找100万个数(2.5亿-2.49亿)。这次计数之后再统计一下看中位数所处的区间最后将高位和低位组合一下就是结果了。密匙三Bloom filter/Bitmap Bloom filter
关于什么是Bloom filter请参看blog内此文 海量数据处理之Bloom Filter详解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。但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kk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 filterCBF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 FilterSBF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。 可以看下上文中的第6题 “6、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4G2^32大概是40亿*8大概是340亿n50亿如果按出错率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。 同时上文的第5题给定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如果允许有一定的错误率可以使用Bloom filter4G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。” Bitmap
关于什么是Bitmap请看blog内此文第二部分http://blog.csdn.net/v_july_v/article/details/6685962。下面关于Bitmap的应用可以看下上文中的第13题以及另外一道新题
“13、在2.5亿个整数中找出不重复的整数注内存不足以容纳这2.5亿个整数。 方案1采用2-Bitmap每个数分配2bit00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2^32 * 2 bit1 GB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0101变1010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。 方案2也可采用与第1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。”
15、给40亿个不重复的unsigned int的整数没排过序的然后再给一个数如何快速判断这个数是否在那40亿个数当中 方案1frome oo用位图/Bitmap的方法申请512M的内存一个bit位代表一个unsigned int值。读入40亿个数设置相应的bit位读入要查询的数查看相应bit位是否为1为1表示存在为0表示不存在。 密匙四、Trie树/数据库/倒排索引
Trie树 适用范围数据量大重复多但是数据种类小可以放入内存 基本原理及要点实现方式节点孩子的表示方式 扩展压缩实现。 问题实例
上面的第2题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。上面的第5题有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。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上面的第8题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。其解决方法是用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。更多有关Trie树的介绍请参见此文从Trie树字典树谈到后缀树。
数据库索引 适用范围大数据量的增删改查 基本原理及要点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。
关于数据库索引及其优化更多可参见此文http://www.cnblogs.com/pkuoliver/archive/2011/08/17/mass-data-topic-7-index-and-optimize.html关于MySQL索引背后的数据结构及算法原理这里还有一篇很好的文章http://blog.codinglabs.org/articles/theory-of-mysql-index.html关于B 树、B 树、B* 树及R 树本blog内有篇绝佳文章http://blog.csdn.net/v_JULY_v/article/details/6530142。
倒排索引(Inverted index) 适用范围搜索引擎关键字查询 基本原理及要点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 it is what it is T1 what is it T2 it is a banana 我们就能得到下面的反向文件索引 a: {2} banana: {2} is: {0, 1, 2} it: {0, 1, 2} what: {0, 1} 检索的条件what,is和it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。 扩展 问题实例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。 关于倒排索引的应用更多请参见
第二十三、四章杨氏矩阵查找倒排索引关键词Hash不重复编码实践第二十六章基于给定的文档生成倒排索引的编码与实践。密匙五、外排序 适用范围大数据的排序去重 基本原理及要点外排序的归并方法置换选择败者树原理最优归并树问题实例 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明显不够所以可以用来排序。内存可以当输入缓冲区使用。 关于多路归并算法及外排序的具体应用场景请参见blog内此文
第十章、如何给10^7个数据量的磁盘文件排序密匙六、分布式处理之Mapreduce MapReduce是一种计算模型简单的说就是将大批量的工作数据分解MAP执行然后再将结果合并成最终结果REDUCE。这样做的好处是可以在任务被分解后可以通过大量机器进行并行计算减少整个操作的时间。但如果你要我再通俗点介绍那么说白了Mapreduce的原理就是一个归并排序。
适用范围数据量大但是数据种类小可以放入内存基本原理及要点将数据交给不同的机器去处理数据划分结果归约。问题实例
The canonical example application of MapReduce is a process to count the appearances of each different word in a set of documents: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。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)更多具体阐述请参见blog内
从Hadhoop框架与MapReduce模式中谈海量数据处理及MapReduce技术的初步了解与学习。
其它模式/方法论结合操作系统知识
至此六种处理海量数据问题的模式/方法已经阐述完毕。据观察这方面的面试题无外乎以上一种或其变形然题目为何取为是秒杀99%的海量数据处理面试题而不是100%呢。OK给读者看最后一道题如下非常大的文件装不进内存。每行一个int类型数据现在要你随机取100个数。我们发现上述这道题无论是以上任何一种模式/方法都不好做那有什么好的别的方法呢我们可以看看操作系统内存分页系统设计(说白了就是映射建索引)。Windows 2000使用基于分页机制的虚拟内存。每个进程有4GB的虚拟地址空间。基于分页机制这4GB地址空间的一些部分被映射了物理内存一些部分映射硬盘上的交换文 件一些部分什么也没有映射。程序中使用的都是4GB地址空间中的虚拟地址。而访问物理内存需要使用物理地址。 关于什么是物理地址和虚拟地址请看 物理地址 (physical address): 放在寻址总线上的地址。放在寻址总线上如果是读电路根据这个地址每位的值就将相应地址的物理内存中的数据放到数据总线中传输。如果是写电路根据这个 地址每位的值就将相应地址的物理内存中放入数据总线上的内容。物理内存是以字节(8位)为单位编址的。 虚拟地址 (virtual address): 4G虚拟地址空间中的地址程序中使用的都是虚拟地址。 使用了分页机制之后4G的地址空间被分成了固定大小的页每一页或者被映射到物理内存或者被映射到硬盘上的交换文件中或者没有映射任何东西。对于一 般程序来说4G的地址空间只有一小部分映射了物理内存大片大片的部分是没有映射任何东西。物理内存也被分页来映射地址空间。对于32bit的 Win2k页的大小是4K字节。CPU用来把虚拟地址转换成物理地址的信息存放在叫做页目录和页表的结构里。 物理内存分页一个物理页的大小为4K字节第0个物理页从物理地址 0x00000000 处开始。由于页的大小为4KB就是0x1000字节所以第1页从物理地址 0x00001000 处开始。第2页从物理地址 0x00002000 处开始。可以看到由于页的大小是4KB所以只需要32bit的地址中高20bit来寻址物理页。 返回上面我们的题目非常大的文件装不进内存。每行一个int类型数据现在要你随机取100个数。针对此题我们可以借鉴上述操作系统中内存分页的设计方法做出如下解决方案操作系统中的方法先生成4G的地址表在把这个表划分为小的4M的小文件做个索引二级索引。30位前十位表示第几个4M文件后20位表示在这个4M文件的第几个等等基于key value来设计存储用key来建索引。 但如果现在只有10000个数然后怎么去随机从这一万个数里面随机取100个数请读者思考。更多海里数据处理面试题请参见此文第一部分http://blog.csdn.net/v_july_v/article/details/6685962。 参考文献
十道海量数据处理面试题与十个方法大总结海量数据处理面试题集锦与Bit-map详解十一、从头到尾彻底解析Hash表算法海量数据处理之Bloom Filter详解从Trie树字典树谈到后缀树第三章续、Top K算法问题的实现第十章、如何给10^7个数据量的磁盘文件排序从B树、B树、B*树谈到R 树第二十三、四章杨氏矩阵查找倒排索引关键词Hash不重复编码实践第二十六章基于给定的文档生成倒排索引的编码与实践从Hadhoop框架与MapReduce模式中谈海量数据处理第十六~第二十章全排列跳台阶奇偶排序第一个只出现一次等问题http://blog.csdn.net/v_JULY_v/article/category/774945STL源码剖析第五章侯捷著2012百度实习生招聘笔试题http://blog.csdn.net/hackbuteer1/article/details/7542774。后记
经过上面这么多海量数据处理面试题的轰炸我们依然可以看出这类问题是有一定的解决方案/模式的所以不必将其神化。然这类面试题所包含的问题还是比较简单的若您在这方面有更多实践经验欢迎随时来信与我不吝分享zhoulei0907yahoo.cn。当然自会注明分享者及来源。不过相信你也早就意识到若单纯论海量数据处理面试题本blog内的有关海量数据处理面试题的文章已涵盖了你能在网上所找到的70~80%。但有点必须负责任的敬告大家无论是这些海量数据处理面试题也好还是算法也好面试时70~80%的人不是倒在这两方面而是倒在基础之上(诸如语言数据库操作系统网络协议等等)所以无论任何时候基础最重要没了基础便什么都不是。最后推荐国外一面试题网站http://www.careercup.com/以及个人正在读的Redis/MongoDB绝佳站点http://blog.nosqlfan.com/。OK本文若有任何问题欢迎随时不吝留言评论赐教谢谢。完。
