海量数据处理

处理海量数据的常规思路

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

1.)分而治之/hash映射：把大文件化成(取模映射)小文件

2)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(ip，value)来进行频率统计O(n)复杂度

3)堆/快速排序：得到每个文件次数最多的IP,然后汇总这几个文件排序取最大的ip次数

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hash映射的方法，比如%1000，把整个大文件映射为1000个小文件，再找出每个小文件中出现频率最大的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。

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

• 重复度高内存可以容纳:
  直接hashmap统计+堆排序 Top K
• 重复度低内存不够:
  hash映射到多个文件->每个文件hashMap统计->文件内堆排序取Top K->
  汇总每个文件的topK,使用堆排再取topK
  注意:针对TOPK的场景,可以使用最小堆（klogk+（n-k）logk）=O（n*logk）.
  维护k个元素的最小堆,遍历出k个数存储到堆.然后继续遍历,与堆顶比较,如果大于堆顶,则入到堆中 如果比堆顶元素小,则不更新堆

最终时间复杂度O（N） + N' * O（logK），（N为1000万，N’为300万）。

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

1.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
2.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
3.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
   两种情况:

• 同一元素分布在同一台机器
  ‘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
  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(归并)

• 但如果同一个元素重复出现在不同的电脑中呢
  有两种方法：
  1.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。
  2.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
hash映射/取模->hashMap统计->单文件堆排序->多文件归并

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？
1.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。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（

image.png
）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。
2.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。
7、怎么在海量数据中找出重复次数最多的一个？
hash映射/取模->hashMap统计->单文件堆排序->多文件归并
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。
hash映射/取模->hashMap统计->单文件堆排序->多文件归并
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。

O（N） + N' * O（logK），（N为1万，N’为hashmap的key的元素 算1万吧,K=10）

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？
    hash_map

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。
    hash映射/取模->hashMap统计->单文件堆排序->多文件归并

12. 100w个数中找出最大的100个数。

用一个含100个元素的最小堆完成。复杂度为O(100w*lg100)

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。

https://www.jianshu.com/writer#/notebooks/45731388/notes/70253940/preview

14. 5亿个int找它们的中位数
    分治法的思想是把一个大的问题逐渐转换为规模较小的问题来求解。

对于这道题，顺序读取这 5 亿个数字，对于读取到的数字 num，如果它对应的二进制中最高位为 1，则把这个数字写到 f1 中，否则写入 f0 中。通过这一步，可以把这 5 亿个数划分为两部分，而且 f1 中的数都大于 f0中的数。

划分之后，可以非常容易地知道中位数是在 f0 还是 f1 中。假设 f0中有 1 亿个数，那么中位数一定在 f1 中，且是在 f1 中，从小到大排列的第 1.5 亿个数与它后面的一个数的平均值。

对于 f1可以用次高位的二进制继续将文件一分为二，如此划分下去，直到划分后的文件可以被加载到内存中，把数据加载到内存中以后直接排序或使用快排或堆排序(小顶堆) 找出第K大的数，从而找出中位数。

https://mp.weixin.qq.com/s/rdz4pfTCeX1ahOM4KAi3oQ
https://blog.csdn.net/randyjiawenjie/article/details/6968591

https://blog.csdn.net/v_july_v/article/details/7382693
https://mp.weixin.qq.com/s/VXGtJ9Miwfc1yD3v44kvnw