99%海量数据处理

http://blog.csdn.net/v_july_v/article/details/7382693

前言

   通常而言，标题含有“秒杀”，“99%”，“史上最全/最强”等词汇的每每都脱不了哗众取宠之嫌，但进一步来说，若是读者读罢此文，却无任何收获，那么，我也甘愿背负这样的罪名 :-)，同时，此文能够看作是对这篇文章：十道海量数据处理面试题与十个方法大总结的通常抽象性总结。

    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，具体实践过程当中，仍是得具体状况具体分析，且各个场景下须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，如有任何问题，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、操做。何谓海量，就是数据量太大，因此致使要么是没法在较短期内迅速解决，要么是数据太大，致使没法一次性装入内存。

    那解决办法呢?针对时间，咱们能够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，通俗点来说，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，经过本blog内的有关海量数据处理的文章：Big Data Processing，咱们已经大体知道，处理海量数据问题，无非就是：

 

1. 分而治之/hash映射 + hash统计 + 堆/快速/归并排序；
2. 双层桶划分
3. Bloom filter/Bitmap；
4. Trie树/数据库/倒排索引；
5. 外排序；
6. 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屡次提到hash_map/hash_set，下面稍稍介绍下这些容器，以做为基础准备。通常来讲，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，相似关联式数据库，每笔数据或每一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，好比，在MongoDB内，文档(document)是最基本的数据组织形式，每一个文档也是以Key-Value（键-值对）的方式组织起来。一个文档能够有多个Key-Value组合，每一个Value能够是不一样的类型，好比String、Integer、List等等。 
{ "name" : "July",  
  "sex" : "male",  
    "age" : 23 }  

 

set/map/multiset/multimap

    set，同map同样，全部元素都会根据元素的键值自动被排序，由于set/map二者的全部各类操做，都只是转而调用RB-tree的操做行为，不过，值得注意的是，二者都不容许两个元素有相同的键值。
    不一样的是：set的元素不像map那样能够同时拥有实值(value)和键值(key)，set元素的键值就是实值，实值就是键值，而map的全部元素都是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彻底相同，惟一的差异就在于它们容许键值重复，即全部的插入操做基于RB-tree的insert_equal()而非insert_unique()。

hash_set/hash_map/hash_multiset/hash_multimap

    hash_set/hash_map，二者的一切操做都是基于hashtable之上。不一样的是，hash_set同set同样，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同样，每个元素同时拥有一个实值(value)和一个键值(key)，因此其使用方式，和上面的map基本相同。但因为hash_set/hash_map都是基于hashtable之上，因此不具有自动排序功能。为何?由于hashtable没有自动排序功能。
    至于hash_multiset/hash_multimap的特性与上面的multiset/multimap彻底相同，惟一的差异就是它们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），因此它们的元素都不会被自动排序，不过也都容许键值重复。

    因此，综上，说白了，什么样的结构决定其什么样的性质，由于set/map/multiset/multimap都是基于RB-tree之上，因此有自动排序功能，而hash_set/hash_map/hash_multiset/hash_multimap都是基于hashtable之上，因此不含有自动排序功能，至于加个前缀multi_无非就是容许键值重复而已。以下图所示：

 

 

    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1、分而治之/Hash映射 + Hash_map统计 + 堆/快速/归并排序

一、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，给咱们的数据那就必定是海量的。针对这个数据的海量，咱们如何着手呢?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，然后统计，最后排序：

1. 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
2. hash_map统计：当大文件转化了小文件，那么咱们即可以采用常规的hash_map(ip，value)来进行频率统计。
3. 堆/快速排序：统计完了以后，便进行排序(可采起堆排序)，获得次数最多的IP。

   具体而论，则是： “首先是这一天，而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。一样能够采用映射的方法，好比%1000，把整个大文件映射为1000个小文件，再找出每一个小文中出现频率最大的IP（能够采用hash_map对那1000个文件中的全部IP进行频率统计，而后依次找出各个文件中频率最大的那个IP）及相应的频率。而后再在这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，以下：

      一、Hash取模是一种等价映射，不会存在同一个元素分散到不一样小文件中的状况，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。由于若是两个IP相等，那么通过Hash(IP)以后的哈希值是相同的，将此哈希值取模（如模1000），一定仍然相等。
      二、那到底什么是hash映射呢？简单来讲，就是为了便于计算机在有限的内存中处理big数据，从而经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(如大数据经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即是咱们一般所说的hash函数，设计的好的hash函数能让数据均匀分布而减小冲突。尽管数据映射到了另一些不一样的位置，但数据仍是原来的数据，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，还能够再了解下一致性hash算法，见blog内此文第五部分：http://blog.csdn.net/v_july_v/article/details/6879101。

二、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：搜索引擎会经过日志文件把用户每次检索使用的全部检索串都记录下来，每一个查询串的长度为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，但若是除去重复后，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，咱们知道，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只出如今一个文件中，再对每一个小文件中的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一个小文件的top10以获得最后的结。

    但若是数据规模比较小，能一次性装入内存呢?好比这第2题，虽然有一千万个Query，可是因为重复度比较高，所以事实上只有300万的Query，每一个Query255Byte，所以咱们能够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/4=0.75G。因此能够将全部字符串都存放在内存中进行处理），而如今只是须要一个合适的数据结构，在这里，HashTable绝对是咱们优先的选择。

    因此咱们放弃分而治之/hash映射的步骤，直接上hash统计，而后排序。So，针对此类典型的TOP K问题，采起的对策每每是：hashmap + 堆。以下所示：

1. 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(Query，Value)，每次读取一个Query，若是该字串不在Table中，那么加入该字串，而且将Value值设为1；若是该字串在Table中，那么将该字串的计数加一便可。最终咱们在O(N)的时间复杂度内用Hash表完成了统计；
2. 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，咱们能够在log量级的时间内查找和调整/移动。所以，维护一个K(该题目中是10)大小的小根堆，而后遍历300万的Query，分别和根元素进行对比。因此，咱们最终的时间复杂度是：O（N） + N' * O（logK），（N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的最小堆存储最早遍历到的k个数，并假设它们便是最大的k个数，建堆费时O（k），并调整堆(费时O（logk）)后，有k1>k2>...kmin（kmin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x>kmin，则更新堆（x入堆，用时logk），不然不更新堆。这样下来，总费时O（k*logk+（n-k）*logk）=O（n*logk）。此方法得益于在堆中，查找等各项操做时间复杂度均为logk。”--第三章续、Top K算法问题的实现。
    固然，你也能够采用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。

三、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，咱们已经开始有了屡试不爽的感受。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?无非仍是：

1. 分而治之/hash映射：顺序读文件中，对于每一个词x，取hash(x)%5000，而后按照该值存到5000个小文件（记为x0,x1,...x4999）中。这样每一个文件大概是200k左右。若是其中的有的文件超过了1M大小，还能够按照相似的方法继续往下分，直到分解获得的小文件的大小都不超过1M。
2. hash_map统计：对每一个小文件，采用trie树/hash_map等统计每一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（能够用含100个结点的最小堆）后，再把100个词及相应的频率存入文件，这样又获得了5000个文件。最后就是把这5000个文件进行归并（相似于归并排序）的过程了。

四、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。

    若是每一个数据元素只出现一次，并且只出如今某一台机器中，那么能够采起如下步骤统计出现次数TOP10的数据元素：

1. 堆排序：在每台电脑上求出TOP10，能够采用包含10个元素的堆完成（TOP10小，用最大堆，TOP10大，用最小堆，好比求TOP10大，咱们首先取前10个元素调整成最小堆，若是发现，而后扫描后面的数据，并与堆顶元素比较，若是比堆顶元素大，那么用该元素替换堆顶，而后再调整为最小堆。最后堆中的元素就是TOP10大）。
2. 求出每台电脑上的TOP10后，而后把这100台电脑上的TOP10组合起来，共1000个数据，再利用上面相似的方法求出TOP10就能够了。

    但若是同一个元素重复出如今不一样的电脑中呢，以下例子所述：

 

    这个时候，你能够有两种方法：

• 遍历一遍全部数据，从新hash取摸，如此使得同一个元素只出如今单独的一台电脑中，而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，而后把同一个元素在不一样机器中的出现次数相加，最终从全部数据中找出TOP10。

五、有10个文件，每一个文件1G，每一个文件的每一行存放的都是用户的query，每一个文件的query均可能重复。要求你按照query的频度排序。

   方案1：直接上：

1. 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一个的大小大约也1G（假设hash函数是随机的）。
2. 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)来统计每一个query出现的次数。注：hash_map(query,query_count)是用来统计每一个query的出现次数，不是存储他们的值，出现一次，则count+1。
3. 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，这样获得了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。

     除此以外，此题还有如下两个方法：
    方案2：通常query的总量是有限的，只是重复的次数比较多而已，可能对于全部的query，一次性就能够加入到内存了。这样，咱们就能够采用trie树/hash_map等直接来统计每一个query出现的次数，而后按出现次数作快速/堆/归并排序就能够了。

    方案3：与方案1相似，但在作完hash，分红多个文件后，能够交给多个文件来处理，采用分布式的架构来处理（好比MapReduce），最后再进行合并。

六、 给定a、b两个文件，各存放50亿个url，每一个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？

    能够估计每一个文件安的大小为5G×64=320G，远远大于内存限制的4G。因此不可能将其彻底加载到内存中处理。考虑采起分而治之的方法。

1. 分而治之/hash映射：遍历文件a，对每一个url求取，而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。这样每一个小文件的大约为300M。遍历文件b，采起和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，全部可能相同的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。而后咱们只要求出1000对小文件中相同的url便可。
2. hash_set统计：求每对小文件中相同的url时，能够把其中一个小文件的url存储到hash_set中。而后遍历另外一个小文件的每一个url，看其是否在刚才构建的hash_set中，若是是，那么就是共同的url，存到文件里面就能够了。

    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，以下：

七、怎么在海量数据中找出重复次数最多的一个？

    方案：先作hash，而后求模映射为小文件，求出每一个小文件中重复次数最多的一个，并记录重复次数。而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）。

八、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，如今的机器的内存应该能存下。因此考虑采用hash_map/搜索二叉树/红黑树等来进行统计次数。而后利用堆取出前N个出现次数最多的数据。

九、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：若是文件比较大，没法一次性读入内存，能够采用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统计出每一个小文件中10个最常出现的词，而后再进行归并处理，找出最终的10个最常出现的词。
    方案2：经过hash取模将大文件分解为多个小文件后，除了能够用hash_map统计出每一个小文件中10个最常出现的词，也能够用trie树统计每一个词出现的次数，时间复杂度是O(n*le)（le表示单词的平准长度），最终一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，须要把重复的所有去掉，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2：from xjbzju:，1000w的数据规模插入操做彻底不现实，之前试过在stl下100w元素插入set中已经慢得不能忍受，以为基于hash的实现不会比红黑树好太多，使用vector+sort+unique都要可行许多，建议仍是先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，便是set/map，与hash_set/hash_map的性能比较?共计3个问题，以下：

• 一、hash_set在千万级数据下，insert操做优于set? 这位blog：http://t.cn/zOibP7t 给的实践数据可靠不? 
• 二、那map和hash_map的性能比较呢? 谁作过相关实验?

 

• 三、那查询操做呢，以下段文字所述?

 

 

    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№的作的红黑树和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通常会浪费大概一半内存。

    由于hash table所作的运算就是个%，而rbtree要比较不少，好比rbtree要看value的数据 ，每一个节点要多出3个指针（或者偏移量） 若是须要其余功能，好比，统计某个范围内的key的数量，就须要加一个计数成员。

    且1s rbtree能进行大概50w+次插入，hash table大概是差很少200w次。不过不少的时候，其速度能够忍了，例如倒排索引差很少也是这个速度，并且单线程，且倒排表的拉链长度不会太大。正由于基于树的实现其实不比hashtable慢到哪里去，因此数据库的索引通常都是用的B/B+树，并且B+树还对磁盘友好(B树能有效下降它的高度，因此减小磁盘交互次数)。好比如今很是流行的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个常常出现的词，但此次文件比较长，说是上亿行或十亿行，总之没法一次读入内存，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一个文件件中10个最常出现的词。而后再进行归并处理，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。而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，若是比这个最小的要大，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，知道扫描了全部的元素。复杂度为O(100w*100)。
    方案2：采用快速排序的思想，每次分割以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，咱们已经提到了，用一个含100个元素的最小堆完成。复杂度为O(100w*lg100)。

 

    接下来，我们来看第二种方法，双层捅划分。

 

密匙2、多层划分

多层划分----其实本质上仍是分而治之的思想，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：由于元素范围很大，不能利用直接寻址表，因此经过屡次划分，逐步肯定范围，而后最后在一个能够接受的范围内进行。

问题实例：

1三、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，咱们能够将这2^32个数，划分为2^8个区域(好比用单个文件表明一个区域)，而后将数据分离到不一样的区域，而后不一样的区域在利用bitmap就能够直接解决了。也就是说只要有足够的磁盘空间，就能够很方便的解决。

1四、5亿个int找它们的中位数。

1. 思路一：这个例子比上面那个更明显。首先咱们将int划分为2^16个区域，而后读取数据统计落到各个区域里的数的个数，以后咱们根据统计结果就能够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恰好是中位数。而后第二次扫描咱们只统计落在这个区域中的那些数就能够了。
   实际上，若是不是int是int64，咱们能够通过3次这样的划分便可下降到能够接受的程度。便可以先将int64分红2^24个区域，而后肯定区域的第几大数，在将该区域分红2^20个子区域，而后肯定是子区域的第几大数，而后子区域里的数的个数只有2^20，就能够直接利用direct addr table进行统计了。
2. 　　思路二@绿色夹克衫：一样须要作两遍统计，若是数据存在硬盘上，就须要读取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位的状况，也就是0-65535，都算做0,65536 - 131071都算做1。就至关于用该数除以65536。Int32 除以 65536的结果不会超过65536种状况，所以开一个长度为65536的数组计数就能够。每读取一个数，数组中对应的计数+1，考虑有负数的状况，须要将结果加32768后，记录在相应的数组内。
   第一遍统计以后，遍历数组，逐个累加统计，看中位数处于哪一个区间，好比处于区间k，那么0- k-1的区间里数字的数量sum应该<n/2（2.5亿）。而k+1 - 65535的计数和也<n/2，第二遍统计同上面的方法相似，但此次只统计处于区间k的状况，也就是说(x / 65536) + 32768 = k。统计只统计低16位的状况。而且利用刚才统计的sum，好比sum = 2.49亿，那么如今就是要在低16位里面找100万个数(2.5亿-2.49亿)。此次计数以后，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：能够用来实现数据字典，进行数据的判重，或者集合求交集
　　基本原理及要点：
　　对于原理来讲很简单，位数组+k个独立hash函数。将hash函数对应的值的位数组置1，查找时若是发现全部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，由于该关键字对应的位会牵动到其余的关键字。因此一个简单的改进就是 counting Bloom filter，用一个counter数组代替位数组，就能够支持删除了。
　　还有一个比较重要的问题，如何根据输入元素个数n，肯定位数组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的状况下，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，由于还要保证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)。
　　举个例子咱们假设错误率为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的单位不一样，m是bit为单位，而n则是以元素个数为单位(准确的说是不一样元素的个数)。一般单个元素的长度都是有不少bit的。因此使用bloom filter内存上一般都是节省的。

　　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做。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。

   能够看下上文中的第6题：

 

“六、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。若是是三个乃至n个文件呢？

　　根据这个问题咱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，若是按出错率0.01算须要的大概是650亿个bit。如今可用的是340亿，相差并很少，这样可能会使出错率上升些。另外若是这些urlip是一一对应的，就能够转换成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，每一个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？若是容许有必定的错误率，可使用Bloom filter，4G内存大概能够表示340亿bit。将其中一个文件中的url使用Bloom filter映射为这340亿bit，而后挨个读取另一个文件的url，检查是否与Bloom filter，若是是，那么该url应该是共同的url（注意会有必定的错误率）。”

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，能够看下上文中的第13题，以及另一道新题：

“1三、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（每一个数分配2bit，00表示不存在，01表示出现一次，10表示屡次，11无心义）进行，共需内存2^32 * 2 bit=1 GB内存，还能够接受。而后扫描这2.5亿个整数，查看Bitmap中相对应位，若是是00变01，01变10，10保持不变。所描完过后，查看bitmap，把对应位是01的整数输出便可。
    方案2：也可采用与第1题相似的方法，进行划分小文件的方法。而后在小文件中找出不重复的整数，并排序。而后再进行归并，注意去除重复的元素。”

1五、给40亿个不重复的unsigned int的整数，没排过序的，而后再给一个数，如何快速判断这个数是否在那40亿个数当中？
    方案1：frome oo，用位图/Bitmap的方法，申请512M的内存，一个bit位表明一个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4、Trie树/数据库/倒排索引

Trie树

　　适用范围：数据量大，重复多，可是数据种类小能够放入内存
　　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. 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，但若是除去重复后，不超过3百万个，每一个不超过255字节。
2. 上面的第5题：有10个文件，每一个文件1G，每一个文件的每一行都存放的是用户的query，每一个文件的query均可能重复。要你按照query的频度排序。
3. 1000万字符串，其中有些是相同的(重复),须要把重复的所有去掉，保留没有重复的字符串。请问怎么设计和实现？
4. 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树统计每一个词出现的次数，时间复杂度是O(n*le)（le表示单词的平准长度），而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：为什么叫倒排索引？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"
    咱们就能获得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一个文档的单词的列表。正向索引的查询每每知足每一个文档有序频繁的全文查询和每一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，每一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，好比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：

• 第二十3、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5、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。
　　这个数据具备很明显的特色，词的大小为16个字节，可是内存只有1M作hash明显不够，因此能够用来排序。内存能够当输入缓冲区使用。

    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6、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做（数据）分解（MAP）执行，而后再将结果合并成最终结果（REDUCE）。这样作的好处是能够在任务被分解后，能够经过大量机器进行并行计算，减小整个操做的时间。但若是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，可是数据种类小能够放入内存
基本原理及要点：将数据交给不一样的机器去处理，数据划分，结果归约。
问题实例：

1. The canonical example application of MapReduce is a process to count the appearances of each different word in a set of documents:
2. 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。
3. 一共有N个机器，每一个机器上有N个数。每一个机器最多存O(N)个数并对它们操做。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，结合操做系统知识

    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，然题目为什么取为是：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，以下：

    很是大的文件，装不进内存。每行一个int类型数据，如今要你随机取100个数。

    咱们发现上述这道题，不管是以上任何一种模式/方法都很差作，那有什么好的别的方法呢？咱们能够看看：操做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。每一个进程有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，须要使用物理地址。 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，若是是读，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。若是是写，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。 使用了分页机制以后，4G的地址空间被分红了固定大小的页，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 般程序来讲，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作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。因为页的大小为4KB，就是0x1000字节，因此第1页从物理地址 0x00001000 处开始。第2页从物理地址 0x00002000 处开始。能够看到因为页的大小是4KB，因此只须要32bit的地址中高20bit来寻址物理页。 

    返回上面咱们的题目：很是大的文件，装不进内存。每行一个int类型数据，如今要你随机取100个数。针对此题，咱们能够借鉴上述操做系统中内存分页的设计方法，作出以下解决方案：

    操做系统中的方法，先生成4G的地址表，在把这个表划分为小的4M的小文件作个索引，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。

    但若是如今只有10000个数，而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

1. 十道海量数据处理面试题与十个方法大总结；
2. 海量数据处理面试题集锦与Bit-map详解；
3. 11、从头至尾完全解析Hash表算法；
4. 海量数据处理之Bloom Filter详解；
5. 从Trie树（字典树）谈到后缀树；
6. 第三章续、Top K算法问题的实现；
7. 第十章、如何给10^7个数据量的磁盘文件排序；
8. 从B树、B+树、B*树谈到R 树；
9. 第二十3、四章：杨氏矩阵查找，倒排索引关键词Hash不重复编码实践；
10. 第二十六章：基于给定的文档生成倒排索引的编码与实践；
11. 从Hadhoop框架与MapReduce模式中谈海量数据处理；
12. 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；
13. http://blog.csdn.net/v_JULY_v/article/category/774945；
14. STL源码剖析第五章，侯捷著；
15. 2012百度实习生招聘笔试题：http://blog.csdn.net/hackbuteer1/article/details/7542774；
16. Redis/MongoDB绝佳站点：http://blog.nosqlfan.com/；
17. 国外一面试题网站：http://www.careercup.com/。

 

 

后记

    通过上面这么多海量数据处理面试题的轰炸，咱们依然能够看出这类问题是有必定的解决方案/模式的，因此，没必要将其神化。然这类面试题所包含的问题仍是比较简单的，若您在这方面有更多实践经验，欢迎在本文评论下与你们不吝分享。

    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，必须负责任的敬告你们：不管是这些海量数据处理面试题也好，仍是算法也好，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，操做系统，网络协议等等)，因此，不管任什么时候候，基础最重要，没了基础，便什么都不是。

    最后，推荐几个求职/算法/刷题的相关课程，包括LeetCode直播刷题等等，感兴趣的能够看下：https://www.julyedu.com/category/index/1。

    OK，本文如有任何问题，欢迎随时不吝留言，评论，赐教，谢谢。完。

 

重大消息：个人新书《编程之法：面试和算法心得》终于在2015年10月14日起上架开卖了！京东抢购地址：http://item.jd.com/11786791.html。京东、当当、亚马逊等各大网店均已有现货销售。