第一部分驯杜、十道海量數(shù)據(jù)處理面試題
1、海量日志數(shù)據(jù)做个，提取出某日訪問百度次數(shù)最多的那個IP鸽心。
此題，在我之前的一篇文章算法里頭有所提到居暖，當時給出的方案是：IP的數(shù)目還是有限的顽频，最多2^32個，所以可以考慮使用hash將ip直接存入內(nèi)存太闺，然后進行統(tǒng)計糯景。
再詳細介紹下此方案：首先是這一天，并且是訪問百度的日志中的IP取出來省骂，逐個寫入到一個大文件中蟀淮。注意到IP是32位的，最多有個2^32個IP钞澳。 同樣可以采用映射的方法灭贷，比如模1000，把整個大文件映射為1000個小文件略贮，再找出每個小文中出現(xiàn)頻率最大的IP（可以采用hash_map進行頻率 統(tǒng)計甚疟，然后再找出頻率最大的幾個）及相應的頻率。然后再在這1000個最大的IP中逃延，找出那個頻率最大的IP览妖，即為所求。
2揽祥、搜索引擎會通過日志文件把用戶每次檢索使用的所有檢索串都記錄下來讽膏，每個查詢串的長度為1-255字節(jié)。
假設目前有一千萬個記錄（這些查詢串的重復度比較高拄丰，雖然總數(shù)是1千萬府树，但如果除去重復后俐末，不超過3百萬個。一個查詢串的重復度越高奄侠，說明查詢它的用戶越多卓箫，也就是越熱門。）垄潮，請你統(tǒng)計最熱門的10個查詢串烹卒，要求使用的內(nèi)存不能超過1G。
典型的Top K算法弯洗，還是在這篇文章里頭有所闡述旅急。 文中，給出的最終算法是：第一步牡整、先對這批海量數(shù)據(jù)預處理藐吮，在O（N）的時間內(nèi)用Hash表完成排序；然后逃贝，第二步谣辞、借助堆這個數(shù)據(jù)結(jié)構(gòu)，找出Top K秋泳，時間復雜度為N‘logK潦闲。 即，借助堆結(jié)構(gòu)迫皱，我們可以在log量級的時間內(nèi)查找和調(diào)整/移動歉闰。因此，維護一個K(該題目中是10)大小的小根堆卓起，然后遍歷300萬的Query和敬，分別 和根元素進行對比所以，我們最終的時間復雜度是：O（N） + N’*O（logK）戏阅，（N為1000萬昼弟，N’為300萬）。ok奕筐，更多舱痘，詳情，請參考原文离赫。
或者：采用trie樹芭逝，關(guān)鍵字域存該查詢串出現(xiàn)的次數(shù)，沒有出現(xiàn)為0渊胸。最后用10個元素的最小推來對出現(xiàn)頻率進行排序旬盯。
3、有一個1G大小的一個文件，里面每一行是一個詞胖翰，詞的大小不超過16字節(jié)接剩，內(nèi)存限制大小是1M。返回頻數(shù)最高的100個詞萨咳。
方案：順序讀文件中懊缺，對于每個詞x，取hash(x)%5000某弦，然后按照該值存到5000個小文件（記為x0,x1,…x4999）中桐汤。這樣每個文件大概是200k左右而克。
如果其中的有的文件超過了1M大小靶壮，還可以按照類似的方法繼續(xù)往下分，直到分解得到的小文件的大小都不超過1M员萍。 對每個小文件腾降，統(tǒng)計每個文件中出現(xiàn)的詞以及相應的頻率（可以采用trie樹/hash_map等），并取出出現(xiàn)頻率最大的100個詞（可以用含100個結(jié) 點的最小堆）碎绎，并把100個詞及相應的頻率存入文件螃壤，這樣又得到了5000個文件。下一步就是把這5000個文件進行歸并（類似與歸并排序）的過程了筋帖。
4奸晴、有10個文件，每個文件1G日麸，每個文件的每一行存放的都是用戶的query寄啼，每個文件的query都可能重復。要求你按照query的頻度排序代箭。
還是典型的TOP K算法墩划，解決方案如下：
方案1：順序讀取10個文件，按照hash(query)%10的結(jié)果將query寫入到另外10個文件（記為）中嗡综。這樣新生成的文件每個的大小大約也1G（假設 hash函數(shù)是隨機的）乙帮。 找一臺內(nèi)存在2G左右的機器，依次對用hash_map(query, query_count)來統(tǒng)計每個query出現(xiàn)的次數(shù)极景。利用快速/堆/歸并排序按照出現(xiàn)次數(shù)進行排序察净。將排序好的query和對應的 query_cout輸出到文件中。這樣得到了10個排好序的文件（記為）。
對這10個文件進行歸并排序（內(nèi)排序與外排序相結(jié)合）陌僵。
方案2：一般query的總量是有限的嫂冻，只是重復的次數(shù)比較多而已，可能對于所有的query异吻，一次性就可以加入到內(nèi)存了。這樣，我們就可以采用trie樹/hash_map等直接來統(tǒng)計每個query出現(xiàn)的次數(shù)诀浪，然后按出現(xiàn)次數(shù)做快速/堆/歸并排序就可以了棋返。
方案3：與方案1類似，但在做完hash雷猪，分成多個文件后睛竣，可以交給多個文件來處理，采用分布式的架構(gòu)來處理（比如MapReduce）求摇，最后再進行合并射沟。
5、 給定a与境、b兩個文件验夯，各存放50億個url，每個url各占64字節(jié)摔刁，內(nèi)存限制是4G挥转，讓你找出a、b文件共同的url共屈？
方案1：可以估計每個文件安的大小為5G×64=320G绑谣，遠遠大于內(nèi)存限制的4G。所以不可能將其完全加載到內(nèi)存中處理拗引〗柘考慮采取分而治之的方法。
遍歷文件a矾削，對每個url求取hash(url)%1000壤玫，然后根據(jù)所取得的值將url分別存儲到1000個小文件（記為a0,a1,…,a999）中。這樣每個小文件的大約為300M怔软。
遍歷文件b垦细，采取和a相同的方式將url分別存儲到1000小文件（記為b0,b1,…,b999）。這樣處理后挡逼，所有可能相同的url都在對應 的小文件（a0vsb0,a1vsb1,…,a999vsb999）中括改，不對應的小文件不可能有相同的url。然后我們只要求出1000對小文件中相 同的url即可家坎。
求每對小文件中相同的url時嘱能，可以把其中一個小文件的url存儲到hash_set中。然后遍歷另一個小文件的每個url虱疏，看其是否在剛才構(gòu)建的hash_set中惹骂，如果是，那么就是共同的url做瞪，存到文件里面就可以了对粪。
方案2：如果允許有一定的錯誤率右冻，可以使用Bloom filter，4G內(nèi)存大概可以表示340億bit著拭。將其中一個文件中的url使用Bloom filter映射為這340億bit纱扭，然后挨個讀取另外一個文件的url，檢查是否與Bloom filter儡遮，如果是乳蛾，那么該url應該是共同的url（注意會有一定的錯誤率）。
Bloom filter日后會在本BLOG內(nèi)詳細闡述鄙币。
6肃叶、在2.5億個整數(shù)中找出不重復的整數(shù)，注十嘿，內(nèi)存不足以容納這2.5億個整數(shù)因惭。
方案1：采用2-Bitmap（每個數(shù)分配2bit，00表示不存在详幽，01表示出現(xiàn)一次筛欢，10表示多次浸锨，11無意義）進行唇聘，共需內(nèi)存內(nèi)存，還可以接 受柱搜。然后掃描這2.5億個整數(shù)迟郎，查看Bitmap中相對應位，如果是00變01聪蘸，01變10宪肖，10保持不變。所描完事后健爬，查看bitmap控乾，把對應位是 01的整數(shù)輸出即可。
方案2：也可采用與第1題類似的方法娜遵，進行劃分小文件的方法蜕衡。然后在小文件中找出不重復的整數(shù)，并排序设拟。然后再進行歸并慨仿，注意去除重復的元素。
7纳胧、騰訊面試題：給40億個不重復的unsigned int的整數(shù)镰吆，沒排過序的，然后再給一個數(shù)跑慕，如何快速判斷這個數(shù)是否在那40億個數(shù)當中万皿？
與上第6題類似，我的第一反應時快速排序+二分查找。以下是其它更好的方法： 方案1：oo牢硅，申請512M的內(nèi)存慰于，一個bit位代表一個unsigned int值。讀入40億個數(shù)唤衫，設置相應的bit位婆赠，讀入要查詢的數(shù)，查看相應bit位是否為1佳励，為1表示存在休里，為0表示不存在。
方案2：這個問題在《編程珠璣》里有很好的描述赃承，大家可以參考下面的思路妙黍，探討一下：又因為2^32為40億多，所以給定一個數(shù)可能在瞧剖，也可能不在其中拭嫁；這里我們把40億個數(shù)中的每一個用32位的二進制來表示假設這40億個數(shù)開始放在一個文件中。
然后將這40億個數(shù)分成兩類: 1.最高位為0 2.最高位為1 并將這兩類分別寫入到兩個文件中抓于，其中一個文件中數(shù)的個數(shù)<=20億做粤，而另一個>=20億（這相當于折半了）；與要查找的數(shù)的最高位比較并接著進入相應的文件再查找
再然后把這個文件為又分成兩類:
1.次最高位為0
2.次最高位為1
并將這兩類分別寫入到兩個文件中捉撮，其中一個文件中數(shù)的個數(shù)<=10億怕品，而另一個>=10億（這相當于折半了）； 與要查找的數(shù)的次最高位比較并接著進入相應的文件再查找巾遭。 ……. 以此類推肉康，就可以找到了,而且時間復雜度為O(logn)，方案2完灼舍。
附：這里吼和，再簡單介紹下，位圖方法： 使用位圖法判斷整形數(shù)組是否存在重復 判斷集合中存在重復是常見編程任務之一骑素，當集合中數(shù)據(jù)量比較大時我們通常希望少進行幾次掃描炫乓，這時雙重循環(huán)法就不可取了。
位圖法比較適合于這種情況砂豌，它的做法是按照集合中最大元素max創(chuàng)建一個長度為max+1的新數(shù)組厢岂，然后再次掃描原數(shù)組，遇到幾就給新數(shù)組的第幾位置 上1阳距，如遇到5就給新數(shù)組的第六個元素置1塔粒，這樣下次再遇到5想置位時發(fā)現(xiàn)新數(shù)組的第六個元素已經(jīng)是1了，這說明這次的數(shù)據(jù)肯定和以前的數(shù)據(jù)存在著重復筐摘。 這種給新數(shù)組初始化時置零其后置一的做法類似于位圖的處理方法故稱位圖法卒茬。它的運算次數(shù)最壞的情況為2N船老。如果已知數(shù)組的最大值即能事先給新數(shù)組定長的話 效率還能提高一倍。
8圃酵、怎么在海量數(shù)據(jù)中找出重復次數(shù)最多的一個柳畔？
方案1：先做hash，然后求模映射為小文件郭赐，求出每個小文件中重復次數(shù)最多的一個薪韩，并記錄重復次數(shù)。然后找出上一步求出的數(shù)據(jù)中重復次數(shù)最多的一個就是所求（具體參考前面的題）捌锭。
9俘陷、上千萬或上億數(shù)據(jù)（有重復），統(tǒng)計其中出現(xiàn)次數(shù)最多的錢N個數(shù)據(jù)观谦。
方案1：上千萬或上億的數(shù)據(jù)拉盾，現(xiàn)在的機器的內(nèi)存應該能存下。所以考慮采用hash_map/搜索二叉樹/紅黑樹等來進行統(tǒng)計次數(shù)豁状。然后就是取出前N個出現(xiàn)次數(shù)最多的數(shù)據(jù)了捉偏，可以用第2題提到的堆機制完成。
10泻红、一個文本文件夭禽，大約有一萬行，每行一個詞承桥，要求統(tǒng)計出其中最頻繁出現(xiàn)的前10個詞驻粟，請給出思想，給出時間復雜度分析凶异。
方案1：這題是考慮時間效率。用trie樹統(tǒng)計每個詞出現(xiàn)的次數(shù)挤巡，時間復雜度是O(n*le)（le表示單詞的平準長度）剩彬。然后是找出出現(xiàn)最頻繁的前 10個詞，可以用堆來實現(xiàn)矿卑，前面的題中已經(jīng)講到了喉恋，時間復雜度是O(n*lg10)。所以總的時間復雜度母廷，是O(n*le)與O(n*lg10)中較大的 哪一個轻黑。
附、100w個數(shù)中找出最大的100個數(shù)琴昆。
方案1：在前面的題中氓鄙，我們已經(jīng)提到了，用一個含100個元素的最小堆完成业舍。復雜度為O(100w*lg100)抖拦。
方案2：采用快速排序的思想升酣，每次分割之后只考慮比軸大的一部分，知道比軸大的一部分在比100多的時候态罪，采用傳統(tǒng)排序算法排序噩茄，取前100個。復雜度為O(100w*100)复颈。
方案3：采用局部淘汰法绩聘。選取前100個元素，并排序耗啦，記為序列L君纫。然后一次掃描剩余的元素x，與排好序的100個元素中最小的元素比芹彬，如果比這個最 小的要大蓄髓，那么把這個最小的元素刪除，并把x利用插入排序的思想舒帮，插入到序列L中会喝。依次循環(huán)，知道掃描了所有的元素玩郊。復雜度為O(100w*100)肢执。
第二部分、十個海量數(shù)據(jù)處理方法大總結(jié)
看了上面這么多的面試題译红，是否有點頭暈预茄。是的，需要一個總結(jié)侦厚。接下來耻陕，本文將簡單總結(jié)下一些處理海量數(shù)據(jù)問題的常見方法。
下面的方法全部來自http://hi.baidu.com/yanxionglu/博客刨沦，對海量數(shù)據(jù)的處理方法進行了一個一般性的總結(jié)诗宣，當然這些方法可能并不能完全覆蓋所有的問題，但是這樣的一些方法也基本可以處理絕大多數(shù)遇到的問題想诅。下面的一些問題基本直接來源于公司的面試筆試題目召庞，方法不一定最優(yōu)，如果你有更好的處理方法来破，歡迎討論篮灼。
一、Bloom filter（布隆過濾器）
適用范圍：可以用來實現(xiàn)數(shù)據(jù)字典徘禁，進行數(shù)據(jù)的判重诅诱，或者集合求交集
基本原理及要點：
對于原理來說很簡單，位數(shù)組+k個獨立hash函數(shù)晌坤。將hash函數(shù)對應的值的位數(shù)組置1逢艘，查找時如果發(fā)現(xiàn)所有hash函數(shù)對應位都是1說明存 在旦袋，很明顯這個過程并不保證查找的結(jié)果是100%正確的。同時也不支持刪除一個已經(jīng)插入的關(guān)鍵字它改，因為該關(guān)鍵字對應的位會牽動到其他的關(guān)鍵字疤孕。所以一個簡 單的改進就是 counting Bloom filter，用一個counter數(shù)組代替位數(shù)組央拖，就可以支持刪除了祭阀。
還有一個比較重要的問題，如何根據(jù)輸入元素個數(shù)n鲜戒，確定位數(shù)組m的大小及hash函數(shù)個數(shù)专控。當hash函數(shù)個數(shù)k=(ln2)*(m/n)時錯 誤率最小。在錯誤率不大于E的情況下遏餐，m至少要等于n*lg(1/E)才能表示任意n個元素的集合伦腐。但m還應該更大些，因為還要保證bit數(shù)組里至少一半 為0失都，則m應該>=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2為底的對數(shù))柏蘑。
舉個例子我們假設錯誤率為0.01，則此時m應大概是n的13倍粹庞。這樣k大概是8個咳焚。
注意這里m與n的單位不同，m是bit為單位庞溜，而n則是以元素個數(shù)為單位(準確的說是不同元素的個數(shù))革半。通常單個元素的長度都是有很多bit的。所以使用bloom filter內(nèi)存上通常都是節(jié)省的流码。
擴展：
Bloom filter將集合中的元素映射到位數(shù)組中又官，用k（k為哈希函數(shù)個數(shù)）個映射位是否全1表示元素在不在這個集合中。Counting bloom filter（CBF）將位數(shù)組中的每一位擴展為一個counter旅掂，從而支持了元素的刪除操作赏胚。Spectral Bloom Filter（SBF）將其與集合元素的出現(xiàn)次數(shù)關(guān)聯(lián)。SBF采用counter中的最小值來近似表示元素的出現(xiàn)頻率商虐。
問題實例：給你A,B兩個文件，各存放50億條URL崖疤，每條URL占用64字節(jié)秘车，內(nèi)存限制是4G，讓你找出A,B文件共同的URL劫哼。如果是三個乃至n個文件呢叮趴？
根據(jù)這個問題我們來計算下內(nèi)存的占用，4G=2^32大概是40億*8大概是340億权烧，n=50億眯亦，如果按出錯率0.01算需要的大概是650 億個bit∩烁龋現(xiàn)在可用的是340億，相差并不多妻率，這樣可能會使出錯率上升些乱顾。另外如果這些urlip是一一對應的，就可以轉(zhuǎn)換成ip宫静，則大大簡單了走净。
二、Hashing
適用范圍：快速查找孤里，刪除的基本數(shù)據(jù)結(jié)構(gòu)伏伯，通常需要總數(shù)據(jù)量可以放入內(nèi)存
基本原理及要點：
hash函數(shù)選擇，針對字符串捌袜，整數(shù)说搅，排列，具體相應的hash方法虏等。
碰撞處理弄唧，一種是open hashing，也稱為拉鏈法博其；另一種就是closed hashing套才，也稱開地址法，opened addressing慕淡。
擴展：
d-left hashing中的d是多個的意思背伴，我們先簡化這個問題，看一看2-left hashing峰髓。2-left hashing指的是將一個哈希表分成長度相等的兩半傻寂，分別叫做T1和T2，給T1和T2分別配備一個哈希函數(shù)携兵，h1和h2疾掰。在存儲一個新的key時，同 時用兩個哈希函數(shù)進行計算徐紧，得出兩個地址h1[key]和h2[key]静檬。這時需要檢查T1中的h1[key]位置和T2中的h2[key]位置，哪一個 位置已經(jīng)存儲的（有碰撞的）key比較多并级，然后將新key存儲在負載少的位置拂檩。如果兩邊一樣多，比如兩個位置都為空或者都存儲了一個key嘲碧，就把新key 存儲在左邊的T1子表中稻励，2-left也由此而來。在查找一個key時愈涩，必須進行兩次hash望抽，同時查找兩個位置加矛。
問題實例：
1).海量日志數(shù)據(jù)，提取出某日訪問百度次數(shù)最多的那個IP煤篙。
IP的數(shù)目還是有限的斟览，最多2^32個，所以可以考慮使用hash將ip直接存入內(nèi)存舰蟆，然后進行統(tǒng)計趣惠。
三、bit-map
適用范圍：可進行數(shù)據(jù)的快速查找身害，判重味悄，刪除，一般來說數(shù)據(jù)范圍是int的10倍以下
基本原理及要點：使用bit數(shù)組來表示某些元素是否存在塌鸯，比如8位電話號碼
擴展：bloom filter可以看做是對bit-map的擴展
問題實例：
1)已知某個文件內(nèi)包含一些電話號碼侍瑟，每個號碼為8位數(shù)字，統(tǒng)計不同號碼的個數(shù)丙猬。
8位最多99 999 999涨颜，大概需要99m個bit，大概10幾m字節(jié)的內(nèi)存即可茧球。
2)2.5億個整數(shù)中找出不重復的整數(shù)的個數(shù)庭瑰，內(nèi)存空間不足以容納這2.5億個整數(shù)。
將bit-map擴展一下抢埋，用2bit表示一個數(shù)即可弹灭，0表示未出現(xiàn)，1表示出現(xiàn)一次揪垄，2表示出現(xiàn)2次及以上穷吮。或者我們不用2bit來進行表示饥努，我們用兩個bit-map即可模擬實現(xiàn)這個2bit-map捡鱼。
四、堆
適用范圍：海量數(shù)據(jù)前n大酷愧，并且n比較小驾诈，堆可以放入內(nèi)存
基本原理及要點：最大堆求前n小，最小堆求前n大溶浴。方法翘鸭，比如求前n小，我們比較當前元素與最大堆里的最大元素戳葵，如果它小于最大元素，則應該替 換那個最大元素汉匙。這樣最后得到的n個元素就是最小的n個拱烁。適合大數(shù)據(jù)量生蚁，求前n小，n的大小比較小的情況戏自，這樣可以掃描一遍即可得到所有的前n元素邦投，效率很高。
擴展：雙堆擅笔，一個最大堆與一個最小堆結(jié)合志衣，可以用來維護中位數(shù)。
問題實例：
1)100w個數(shù)中找最大的前100個數(shù)猛们。
用一個100個元素大小的最小堆即可念脯。
五、雙層桶劃分—-其實本質(zhì)上就是【分而治之】的思想弯淘，重在分的技巧上绿店！
適用范圍：第k大，中位數(shù)庐橙，不重復或重復的數(shù)字
基本原理及要點：因為元素范圍很大假勿，不能利用直接尋址表，所以通過多次劃分态鳖，逐步確定范圍转培，然后最后在一個可以接受的范圍內(nèi)進行〗撸可以通過多次縮小浸须，雙層只是一個例子。
問題實例：
1).2.5億個整數(shù)中找出不重復的整數(shù)的個數(shù)兆蕉，內(nèi)存空間不足以容納這2.5億個整數(shù)羽戒。
有點像鴿巢原理，整數(shù)個數(shù)為2^32,也就是虎韵，我們可以將這2^32個數(shù)易稠，劃分為2^8個區(qū)域(比如用單個文件代表一個區(qū)域)，然后將數(shù)據(jù)分離到不同的區(qū)域包蓝，然后不同的區(qū)域在利用bitmap就可以直接解決了驶社。也就是說只要有足夠的磁盤空間，就可以很方便的解決测萎。
2).5億個int找它們的中位數(shù)亡电。
這個例子比上面那個更明顯。首先我們將int劃分為2^16個區(qū)域硅瞧，然后讀取數(shù)據(jù)統(tǒng)計落到各個區(qū)域里的數(shù)的個數(shù)份乒，之后我們根據(jù)統(tǒng)計結(jié)果就可以判 斷中位數(shù)落到那個區(qū)域，同時知道這個區(qū)域中的第幾大數(shù)剛好是中位數(shù)。然后第二次掃描我們只統(tǒng)計落在這個區(qū)域中的那些數(shù)就可以了或辖。
實際上瘾英，如果不是int是int64，我們可以經(jīng)過3次這樣的劃分即可降低到可以接受的程度颂暇。即可以先將int64分成2^24個區(qū)域缺谴，然后確 定區(qū)域的第幾大數(shù)，在將該區(qū)域分成2^20個子區(qū)域耳鸯，然后確定是子區(qū)域的第幾大數(shù)湿蛔，然后子區(qū)域里的數(shù)的個數(shù)只有2^20，就可以直接利用direct addr table進行統(tǒng)計了县爬。
六阳啥、數(shù)據(jù)庫索引
適用范圍：大數(shù)據(jù)量的增刪改查
基本原理及要點：利用數(shù)據(jù)的設計實現(xiàn)方法，對海量數(shù)據(jù)的增刪改查進行處理捌省。
七苫纤、倒排索引(Inverted index)
適用范圍：搜索引擎，關(guān)鍵字查詢
基本原理及要點：為何叫倒排索引纲缓？一種索引方法卷拘，被用來存儲在全文搜索下某個單詞在一個文檔或者一組文檔中的存儲位置的映射。
以英文為例祝高，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”
我們就能得到下面的反向文件索引：
1"a": {2} "banana": {2} "isv": {0, 1, 2} "it": {0, 1, 2} "what": {0, 1}
檢索的條件”what”,”is”和”it”將對應集合的交集栗弟。
正向索引開發(fā)出來用來存儲每個文檔的單詞的列表。正向索引的查詢往往滿足每個文檔有序頻繁的全文查詢和每個單詞在校驗文檔中的驗證這樣的查詢工闺。 在正向索引中乍赫，文檔占據(jù)了中心的位置，每個文檔指向了一個它所包含的索引項的序列陆蟆。也就是說文檔指向了它包含的那些單詞雷厂，而反向索引則是單詞指向了包含它 的文檔，很容易看到這個反向的關(guān)系叠殷。
問題實例：文檔檢索系統(tǒng)改鲫，查詢那些文件包含了某單詞，比如常見的學術(shù)論文的關(guān)鍵字搜索林束。
八像棘、外排序
適用范圍：大數(shù)據(jù)的排序，去重
基本原理及要點：外排序的歸并方法壶冒，置換選擇敗者樹原理缕题，最優(yōu)歸并樹
問題實例：
1).有一個1G大小的一個文件，里面每一行是一個詞胖腾，詞的大小不超過16個字節(jié)烟零，內(nèi)存限制大小是1M瘪松。返回頻數(shù)最高的100個詞。
這個數(shù)據(jù)具有很明顯的特點瓶摆，詞的大小為16個字節(jié)凉逛，但是內(nèi)存只有1m做hash有些不夠，所以可以用來排序群井。內(nèi)存可以當輸入緩沖區(qū)使用。
九毫胜、trie樹
適用范圍：數(shù)據(jù)量大书斜，重復多，但是數(shù)據(jù)種類小可以放入內(nèi)存
基本原理及要點：實現(xiàn)方式酵使，節(jié)點孩子的表示方式
擴展：壓縮實現(xiàn)荐吉。
問題實例：
1).有10個文件，每個文件1G口渔，每個文件的每一行都存放的是用戶的query样屠，每個文件的query都可能重復。要你按照query的頻度排序缺脉。
2).1000萬字符串痪欲，其中有些是相同的(重復),需要把重復的全部去掉，保留沒有重復的字符串攻礼。請問怎么設計和實現(xiàn)业踢？
3).尋找熱門查詢：查詢串的重復度比較高，雖然總數(shù)是1千萬礁扮，但如果除去重復后知举，不超過3百萬個，每個不超過255字節(jié)太伊。
十雇锡、分布式處理 mapreduce
適用范圍：數(shù)據(jù)量大，但是數(shù)據(jù)種類小可以放入內(nèi)存
基本原理及要點：將數(shù)據(jù)交給不同的機器去處理僚焦，數(shù)據(jù)劃分锰提，結(jié)果歸約。
問題實例：
1).The canonical example application of MapReduce is a process to count the appearances ofeach different word in a set of documents:
2).海量數(shù)據(jù)分布在100臺電腦中叠赐，想個辦法高效統(tǒng)計出這批數(shù)據(jù)的TOP10欲账。
3).一共有N個機器，每個機器上有N個數(shù)芭概。每個機器最多存O(N)個數(shù)并對它們操作赛不。如何找到N^2個數(shù)的中數(shù)(median)？
經(jīng)典問題分析
上千萬or億數(shù)據(jù)（有重復）罢洲，統(tǒng)計其中出現(xiàn)次數(shù)最多的前N個數(shù)據(jù),分兩種情況：可一次讀入內(nèi)存踢故，不可一次讀入文黎。
可用思路：trie樹+堆，數(shù)據(jù)庫索引殿较，劃分子集分別統(tǒng)計耸峭，hash，分布式計算淋纲，近似統(tǒng)計劳闹，外排序
所謂的是否能一次讀入內(nèi)存，實際上應該指去除重復后的數(shù)據(jù)量洽瞬。如果去重后數(shù)據(jù)可以放入內(nèi)存本涕，我們可以為數(shù)據(jù)建立字典，比如通過 map伙窃，hashmap菩颖，trie，然后直接進行統(tǒng)計即可为障。當然在更新每條數(shù)據(jù)的出現(xiàn)次數(shù)的時候晦闰，我們可以利用一個堆來維護出現(xiàn)次數(shù)最多的前N個數(shù)據(jù)，當 然這樣導致維護次數(shù)增加鳍怨，不如完全統(tǒng)計后在求前N大效率高呻右。
如果數(shù)據(jù)無法放入內(nèi)存。一方面我們可以考慮上面的字典方法能否被改進以適應這種情形京景，可以做的改變就是將字典存放到硬盤上窿冯，而不是內(nèi)存，這可以參考數(shù)據(jù)庫的存儲方法确徙。
當然還有更好的方法醒串，就是可以采用分布式計算，基本上就是map-reduce過程鄙皇，首先可以根據(jù)數(shù)據(jù)值或者把數(shù)據(jù)hash(md5)后的值芜赌， 將數(shù)據(jù)按照范圍劃分到不同的機子，最好可以讓數(shù)據(jù)劃分后可以一次讀入內(nèi)存伴逸，這樣不同的機子負責處理各種的數(shù)值范圍缠沈，實際上就是map。得到結(jié)果后错蝴，各個機 子只需拿出各自的出現(xiàn)次數(shù)最多的前N個數(shù)據(jù)洲愤，然后匯總，選出所有的數(shù)據(jù)中出現(xiàn)次數(shù)最多的前N個數(shù)據(jù)顷锰，這實際上就是reduce過程柬赐。
實際上可能想直接將數(shù)據(jù)均分到不同的機子上進行處理，這樣是無法得到正確的解的官紫。因為一個數(shù)據(jù)可能被均分到不同的機子上肛宋，而另一個則可能完全聚 集到一個機子上州藕，同時還可能存在具有相同數(shù)目的數(shù)據(jù)。比如我們要找出現(xiàn)次數(shù)最多的前100個酝陈，我們將1000萬的數(shù)據(jù)分布到10臺機器上床玻，找到每臺出現(xiàn)次 數(shù)最多的前 100個，歸并之后這樣不能保證找到真正的第100個沉帮，因為比如出現(xiàn)次數(shù)最多的第100個可能有1萬個锈死，但是它被分到了10臺機子，這樣在每臺上只有1千 個遇西，假設這些機子排名在1000個之前的那些都是單獨分布在一臺機子上的馅精，比如有1001個，這樣本來具有1萬個的這個就會被淘汰粱檀，即使我們讓每臺機子選 出出現(xiàn)次數(shù)最多的1000個再歸并，仍然會出錯漫玄，因為可能存在大量個數(shù)為1001個的發(fā)生聚集茄蚯。因此不能將數(shù)據(jù)隨便均分到不同機子上，而是要根據(jù)hash 后的值將它們映射到不同的機子上處理睦优，讓不同的機器處理一個數(shù)值范圍渗常。
而外排序的方法會消耗大量的IO，效率不會很高汗盘。而上面的分布式方法皱碘，也可以用于單機版本，也就是將總的數(shù)據(jù)根據(jù)值的范圍隐孽，劃分成多個不同的子文件癌椿，然后逐個處理。處理完畢之后再對這些單詞的及其出現(xiàn)頻率進行一個歸并菱阵。實際上就可以利用一個外排序的歸并過程踢俄。
另外還可以考慮近似計算，也就是我們可以通過結(jié)合自然語言屬性晴及，只將那些真正實際中出現(xiàn)最多的那些詞作為一個字典都办，使得這個規(guī)模可以放入內(nèi)存虑稼。
由天涯PHP博客重新排版并分享琳钉。
