Hadoop之蜻蜓点水

  • A+
所属分类:算法和数据结构
目录

今天我们来认识一个新概念,也是新技术,是一个开发和运行处理大规模数据的软件平台,是Appach的一个用java语言实现开源软件框架,实现在大量计算机组成的集群中对海量数据进行分布式计算。那么今天我们要讲的就是与Hadoop一样所处理的海量数据问题,只不过我们这里只是阐述思想,不做具体应用。

本来像好好总结一下海量数据处理问题来着,总结肯定是要去网上搜索资料啦,但是看到july的博客实在是惊呆了,总结的太好太全面,让后来人望尘莫及,难以超越。如果大家看到我这篇文章其实可以直接跳转到july的博客去看他的,我这里仅仅算是自己看完人家博客之后的笔记吧。

分而治之/Hash映射+Hash_map统计+堆/快排/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IP

  • 问题分析:首先我们认识到,IP是32位的,那么最多就会有2^32个IP,也就是有2^32=4G中取值情况,所以不能完全加载到内存中处理。
  • 分而治之/hash映射:可以考虑采用“分而治之”的思想,按照IP地址的Hash(IP)%1024值,把海量IP日志分别储存在1024个小文件中,这样,每个小文件最多包含4MB个IP地址;
  • hash_map统计:对于每一个小文件,可以构建一个IP为key,出现次数为value的Hash_map,同时记录当前出现次数最多的那个IP地址
  • 堆/快排:可以得到1024个小文件中的出现次数最多的IP,再依据常规的排序算法得到总体上出现次数最多的IP

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。

  • 问题分析:上一题我们知道,如果数据大则划小,所以我们对于这里的1千万求top10,可以先mod1000将ip分到1000个小文件中去,保证一种IP只出现在一个文件中,再对每个小文件的IP进行hash_map计数统计并按照数量排序,最后归并或者对小堆依次处理每个小文件的top10已得到最后的结果。但是,在经过我们mod之后,由于数据的重复度比较高,因此事实上只有300万的Query,每个Query为255Byte,因此我们可以考虑把他们都放进内存中去(300万字符串假设是没有重复的,都是最大长度,那么最多占用内存3M*1K/4 = 0.75G。所以可以将所有字符串都放进内存中进行处理),而现在,hashtable绝对是最优的选择。
  • 所以我们这里直接省略分而治之/hash映射的步骤,直接hash统计,然后排序
  • hash_map统计:先对这批海量数据预处理,方法是:为Query维护一个Key,Value为该Query常出现次数的Hash_Table,即hash_map(Query,Value),每次读取一个Query,如果该字符串不在table中,那么假如该字符串,并且将value值设为1,如果该字符串在table中,那么该字符串的计数+1.最终我们在O(N)的时候复杂度内用Hash表完成了统计。
  • 堆排序:借助堆这个数据结构,找出Top K,时间复杂度为NlogK。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(此题为10)大小的小根堆,然后遍历300万的Query,最终的时间复杂度为: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。

  • 问题分析:跟一题的情况类似,我们就直接说操作了
  • 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个小文件中(记为x0,x1,x2…x4999)中,这样每个文件中的大概就是200K左右。如果其中有的文件超过1M大小,还可以按照类似的方法继续方式继续往下分,知道分解得到的小文件都不超过1M
  • hash_map统计:对与每个小文件,采用字典树/hash_map等统计每个文件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(可以用包含100个节点的最小堆)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)

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。

方案1:1G数据计算机还是能存的下的,直接排就行

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个文件中(a0,a1,a2...a9)中,这样新生成的文件每个的大小约也是1G。

hash_map统计:找一台内存在2G左右的机器,一次对用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,不是储存他们的值,出现一次,则count+1

堆/快速/归并排序:利用快速/堆/归并排序按照出现的次数进行排序,将排序好的query和对应的query_count输出到文件中,这样得到了10个排序好的文件(记为b0,b1,b2…b10)。最后,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的总量是有限的,只是重复的分次比较多而已,可能对于所有的query,一次性就可以加入到内存了。这样,就能使用字典树/hash_map等直接统计每个query出现的次数,然后按照出现次数做快速/堆/归并就可以了。

方案3:在方案1中,当被分成多个文件后,可以采用分布式的架构来处理(MapReduce),最后再合并

5. 给定a、b两个文件,各存放50亿个url,每个url各占64字节,内存限制是4G,让你找出a、b文件共同的url?

问题分析:可以估计每个文件的大小为5G*64=320G,显然已经大于内存限制4G,所以不可能将其完全加遭到内存中处理,所以肯定是采用分而治之的策略

分而治之/hash映射: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分贝储存到1000个小文件中(a0,a1,a2…a999)中。这样每个小文件的大小约为300M,遍历文件b,采用同样的方式得到(b0,b1,b2…b999)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。

hast_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储存到hash_set中,然后遍历另一个小文件的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OK

还有一种方案是,允许有一定的错误率,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,然后挨个读取另一个文件的url,检测是否与Bloom filter,如果是,那么该url应该是共同的url(注意这种方案会有错误率)

6. 在2.5亿个整数中找出不重复的整数,注:内存中不足以容纳这2.5亿个整数

方案1:采用BitMap(每个数分配2bit,00表示不存在,01表示出现一次,10表示多次,11无意义)进行,共需要内存2^32*2=1GB内存,还可以接受。然后扫描这2.5亿个整数,查看BitMap中相对应的位,如果是00变01,01变10,10保持不变。所述完事后,查看bitmap,把对应位是01的整数输出即可。

方案2:也可采用与第一题类似的方法,进行划分小文件的方式,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,注意去重。

7. 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1:申请512M的内存,一个bit位代表unsigned int值。读入40亿个数,设置相应的bit位,读入要查询的数,看相应的bit位是否为1,为1表示存在,为0表示不存在。

方案2:2^32为40多亿,所以给定一个数可能在,也可能不在,这里我们把40亿个数中的每一个用32位的二进制来表示,假设这40亿个数开始放在一个文件中

然后将这40亿个数分成两类:

  1. 最高位为0
  2. 最高位为1

并将这两类分别写入到两个文件中,其中一个文件中数的个数<=20亿,而另一个>=20亿(这相当于折半了);

与要查找的数的最高位比较并接入相应的文件再查找

再然后把这个文件又分为两类:

  1. 次高位为0
  2. 次高位为1

并将这两类分别写入到两个文件中,其中一个文件的个数<=10亿,而另一个>=10亿(又是折半)

与要查找的数的次最高位比较并接着进入相应的文件再查找。

.......
以此类推,就可以找到了,而且时间复杂度为O(logn),方案2完

8. 如何在海量数据中找出重复次数最多的一个?

先做hash,然后mod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,然后找出上一部求出的数据中重复次数最多的一个就是所求。

9. 上千万或上亿数据(有重复),统计其中出现次数最多的钱N个数据。

上千万或上亿的数据,现在的机器内存应该能存下,所以考虑用hash_map/搜索二叉树/红黑书等来进行统计次数。然后就是取出前N个出现次数最多的数据,可以用堆机制来完成。

10. 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。

考虑到时间效率的问题,用字典树统计出每个词出现的次数,时间复杂度是O(n*le),然后是找出出现最频繁的前10个词,可以用堆实现,前面的题中已经讲到,时间复杂度是O(n*lg10)。所以总的时间复杂度,是两者中较大的那一个。

11. 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个元素最小的元素比,如果比这个最小的还要大,那么把这个最小的元素删除,并把x利用插入排序的思想,插入到之前的L序列中,一次循环,直到扫描了所有的元素,复杂度为O(100w*100)

方案2:采用快速排序的思想,每个分割之后只考虑之后只考虑比轴大的一部分,直到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:最小堆的完成,复杂度为O(100w*lg100)

方法总结

此处为隐藏的内容!
发表评论并刷新,才能查看

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen:

目前评论:1   其中:访客  1   博主  0

    • 代码块 代码块 2

      通过这篇文章我终于学会了大数据,希望博主下次讲一下云计算或机器学习