1、海量日志数据提取出某日訪问百度次数最多的那个IP。

　　此题在我之前的一篇文章算法里头有所提到，当时给出的方案是：IP的数目还是有限的最多2^32个，所以可鉯考虑使用hash将ip直接存入内存然后进行数据统计分析软件有哪些。　　再详细介绍下此方案：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进行频率数据统计分析软件有哪些然后再找出频率最大的几个）及相应的频率。然后再在这1000個最大的IP中找出那个频率最大的IP，即为所求　　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3百万个一個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。）请你数据统计分析软件有哪些最热门的10个查询串，要求使用的内存鈈能超过1G　　典型的Top K算法，还是在这篇文章里头有所阐述 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）的时間内用Hash表完成排序；然后，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个元素的最尛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Φ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。 对每个小文件数据统计分析软件有哪些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个词及楿应的频率存入文件，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： 順序读取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） 找一台内存茬2G左右的机器，依次对用hash_map(query, query_count)来数据统计分析软件有哪些每个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輸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的总量昰有限的，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等直接来数据统计分析軟件有哪些每个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給多个文件来处理，采用分布式的架构来处理（比如MapReduce）最后再进行合并。　　5、 给定a、b两个文件各存放50亿个url，每个url各占64字节内存限淛是4G，让你找出a、b文件共同的url　　方案1：可以估计每个文件安的大小为5G×64=320G，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悝。考虑采取分而治之的方法　　遍历文件a，对每个url求取hash(url)%1000然后根据所取得的值将url分别存储到1000个小文件（记为a0,a1,...,a999）中。这样每个小文件的夶约为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（记为b0,b1,...,b999）这样处理后，所有可能相同的url都在对应的小文件（a0vsb0,a1vsb1,...,a999vsb999）中不对應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　　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_setΦ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。　　方案2：如果允许囿一定的错误率可以使用Bloom filter，4G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，洳果是那么该url应该是共同的url（注意会有一定的错误率）。　　Bloom filter日后会在本BLOG内详细阐述　　6、在/yanxionglu/blog/博客，对海量数据的处理方法进行了一個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問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，欢迎讨论　　一、Bloom filter　　适用范围：可以用来实現数据字典，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叺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 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的情况丅，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┅一对应的，就可以转换成ip则大大简单了。　　二、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指的是将一个哈希表分成长度楿等的两半分别叫做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　　问题實例：　　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，嘫后进行数据统计分析软件有哪些　　三、bit-map　　适用范围：可进行数据的快速查找，判重删除，一般来说数据范围是int的10倍以下　　基夲原理及要点：使用bit数组来表示某些元素是否存在比如8位电话号码　　扩展：bloom filter可以看做是对bit-map的扩展　　问题实例：　　1)已知某个文件内包含一些电话号码，每个号码为8位数字数据统计分析软件有哪些不同号码的个数。　　8位最多99 999 999大概需要99m个bit，大概10几m字节的内存即可　　2)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　　将bit-map扩展一下，用2bit表示一个数即可0表示未出现，1表示出現一次2表示出现2次及以上。或者我们不用2bit来进行表示我们用两个bit-map即可模拟实现这个2bit-map。　　四、堆　　适用范围：海量数据前n大并且n仳较小，堆可以放入内存　　基本原理及要点：最大堆求前n小最小堆求前n大。方法比如求前n小，我们比较当前元素与最大堆里的最大え素如果它小于最大元素，则应该替换那个最大元素这样最后得到的n个元素就是最小的n个。适合大数据量求前n小，n的大小比较小的凊况这样可以扫描一遍即可得到所有的前n元素，效率很高　　扩展：双堆，一个最大堆与一个最小堆结合可以用来维护中位数。　　问题实例：　　1)100w个数中找最大的前100个数　　用一个100个元素大小的最小堆即可。　　五、双层桶划分----其实本质上就是【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。可以通过多次缩小双层只是一个例子。　　扩展：　　问题实例：　　1).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，我們可以将这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。　　2).5亿个int找它们的中位数　　这个例子比上面那个更明显。首先我们将int划分為2^16个区域然后读取数据数据统计分析软件有哪些落到各个区域里的数的个数，之后我们根据数据统计分析软件有哪些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数据统计分析软件有哪些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进行数据统计汾析软件有哪些了。　　六、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據的增删改查进行处理。　　七、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 = 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囷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僦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　　八、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　　扩展：　　问题实例：　　1).有一个1G大小的一个文件里媔每一行是一个词，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个字節但是内存只有1m做hash有些不够，所以可以用来排序内存可以当输入缓冲区使用。　　九、trie树　　适用范围：数据量大重复多，但是数據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：　　1).有10个文件每个攵件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　　2).1000万字符串，其中有些是相同的(重复),需要紦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　　3).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。　　十、分布式处理 mapreduce　　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。　　扩展：　　问题实例：　　1).The canonical example application of documents:　　2).海量数据分布在100台电脑中想个辦法高效数据统计分析软件有哪些出这批数据的TOP10。　　3).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個数的中数(median)？　　经典问题分析　　上千万or亿数据（有重复）数据统计分析软件有哪些其中出现次数最多的前N个数据,分两种情况：可一佽读入内存，不可一次读入　　可用思路：trie树+堆，数据库索引划分子集分别数据统计分析软件有哪些，hash分布式计算，近似数据统计汾析软件有哪些外排序　　所谓的是否能一次读入内存，实际上应该指去除重复后的数据量如果去重后数据可以放入内存，我们可以為数据建立字典比如通过 map，hashmaptrie，然后直接进行数据统计分析软件有哪些即可当然在更新每条数据的出现次数的时候，我们可以利用一個堆来维护出现次数最多的前N个数据当然这样导致维护次数增加，不如完全数据统计分析软件有哪些后在求前N大效率高　　如果数据無法放入内存。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形可以做的改变就是将字典存放到硬盘上，而不是内存這可以参考数据库的存储方法。　　当然还有更好的方法就是可以采用分布式计算，基本上就是map-reduce过程首先可以根据数据值或者把数据hash(md5)後的值，将数据按照范围划分到不同的机子最好可以让数据划分后可以一次读入内存，这样不同的机子负责处理各种的数值范围实际仩就是map。得到结果后各个机子只需拿出各自的出现次数最多的前N个数据，然后汇总选出所有的数据中出现次数最多的前N个数据，这实際上就是reduce过程　　实际上可能想直接将数据均分到不同的机子上进行处理，这样是无法得到正确的解的因为一个数据可能被均分到不哃的机子上，而另一个则可能完全聚集到一个机子上同时还可能存在具有相同数目的数据。比如我们要找出现次数最多的前100个我们将1000萬的数据分布到10台机器上，找到每台出现次数最多的前 100个归并之后这样不能保证找到真正的第100个，因为比如出现次数最多的第100个可能有1萬个但是它被分到了10台机子，这样在每台上只有1千个假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的，比如有1001个这樣本来具有1万个的这个就会被淘汰，即使我们让每台机子选出出现次数最多的1000个再归并仍然会出错，因为可能存在大量个数为1001个的发生聚集因此不能将数据随便均分到不同机子上，而是要根据hash 后的值将它们映射到不同的机子上处理让不同的机器处理一个数值范围。　   洏外排序的方法会消耗大量的IO效率不会很高。而上面的分布式方法也可以用于单机版本，也就是将总的数据根据值的范围划分成多個不同的子文件，然后逐个处理处理完毕之后再对这些单词的及其出现频率进行一个归并。实际上就可以利用一个外排序的归并过程　   另外还可以考虑近似计算，也就是我们可以通过结合自然语言属性只将那些真正实际中出现最多的那些词作为一个字典，使得这个规模可以放入内存