海量数据处理相关面试题

时间 2019-11-20

原文原文链接

海量数据处理相关面试题

注意：本文只是本人对http://blog.csdn.net/v_july_v/article/details/7382693的一个阅读笔记。html

引言

通常来讲，STL容器分两种，mysql

序列式容器（vector/list/deque/stack/queue/heap）；
关联式容器（set/map/multiset/multimap），这些容器均以RB-tree完成；
hashtable，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。

注意：因为set/map/multiset/multimap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。面试

下面将依次介绍海量数据处理的6类方法：算法

分而治之/hash映射 + hash统计 + 堆/快速/归并排序；
多层划分；
Bloom filter/Bitmap；
Trie树/数据库/倒排索引；
外排序；
分布式处理之Hadoop/Mapreduce。

分而治之/hash映射 + hash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。sql

处理的整个过程分为三步，分别是映射，统计，排序。数据库

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；
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；
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： “扫描日志文件，对每条访问的IP地址做hash，而后取模，好比（%1000），则把整个大日志文件映射为1000个小文件（同一个IP地址老是被映射到同一个小文件中）。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。数组

二、寻找热门查询，300万个查询字符串中统计最热门的10个查询数据结构

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。架构

本题的数据规模比较小，虽然有1千万个Query，但去重后只有300万的Query，每一个Query最多使用255Byte，那么最多占用内存3M*1K/4=0.75G，因此咱们放弃分而治之/hash映射的步骤，直接把数据所有加载到内存中，而后使用hash统计词频。app

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：

a) 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；

b) 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，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）。

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。
a) 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。

b) 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。
c) 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：
a) 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（求最小的TOP10，用最大堆，求最大的TOP10，用最小堆，）。
b) 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怎么办呢，能够先遍历一遍全部数据，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，而后再采用上面所说的方法。

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：老方法

a) 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）。
b) hash_map统计：找一台内存在2G左右的机器，依次对每一个小文件用hash_map(query, query_count)来统计每一个query出现的次数。
c) 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）。

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url列表的交集？

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。

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都在成对的小文件中，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。
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。

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：这题是考虑时间效率。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，能够用堆来实现，前面的题中已经讲到了，时间复杂度是O(n*lg10)。因此总的时间复杂度，是O(n*le)与O(n*lg10)中较大的哪个。

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：用trie树/hash_map。

方案2：1000w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：
a) 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?
b) 那map和hash_map的性能比较呢? 谁作过相关实验?

c) 那查询操做呢，以下段文字所述?

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，直到比较大的一部分在比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)。

多层划分

多层划分的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。

一、在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。

二、有5亿个int类型的数字，找它们的中位数
方案一：首先将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。

方案二：一样须要作两遍统计，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。

Bloom Filter/Bitmap

Bloom Filter

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。

看一个以前遇到过的问题：

一、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url列表的交集？若是是三个乃至n个文件呢？

若是容许有必定的错误率，可使用Bloom filter。4G内存能够表示2^32*8=340亿bit。n=50亿，若是按出错率（E=0.01）算须要的大概是nlog₂(1/E)*1.44 =650亿个bit。如今可用的是340亿，相差并很少，可能会使出错率上升些。

方案：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

二、在2.5亿个整数中找出不重复的整数，内存空间不足以容纳这2.5亿个整数

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。

三、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：申请512M的内存，一个bit位表明一个unsigned int值（512M内存能够表示2^32=4.29亿bits）。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。

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。

数据库

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。

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：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。

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。

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。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：

一、The canonical example application of MapReduce is a process to count the appearances of each different word in a set of documents:二、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。三、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)？