一、问题
很多人面对问题,第一个想法是找有没有开源技术可以用一下。但我经常说服别人不要先去看什么开源技术可以用,而是从自己面对的问题出发独立思考,忘掉 MapReduce,忘掉 Apache Spark,忘掉 Apache Beam。如果这个世界一无所有,你会设计怎样的大规模数据处理框架?你要经常做一些思维实验,试试带领一下技术的发展,而不是永远跟随别人的技术方向。
1、大规模数据,分布式求前100,求全局排序
-
方法1:Spark思想
假如我有 100亿条数据,但是我们的内存只有1M,但是我们磁盘很大, 我们现在要对这100亿条数据进行排序,是没法把所有的数据一次性的load进行内存进行排序的,这就涉及到一个外部排序的问题,我们的1M内存只能装进1亿条数据,每次都只能对这 1亿条数据进行排序,排好序后输出到磁盘,总共输出100个文件,最后怎么把这100个文件进行merge成一个全局有序的大文件。我们可以每个文件(有序的)都取一部分头部数据最为一个 buffer, 并且把这 100个 buffer放在一个堆里面,进行堆排序,比较方式就是对所有堆元素(buffer)的head元素进行比较大小, 然后不断的把每个堆顶的 buffer 的head 元素 pop 出来输出到最终文件中, 然后继续堆排序,继续输出。如果哪个buffer 空了,就去对应的文件中继续补充一部分数据。最终就得到一个全局有序的大文件。 -
方法2:MR思想-用分治
…… -
方法3:粗调 + 精调
……
2、其他
1、【难题解决】海量数据求Top K
2、【难题解决】海量数据筛选
3、【Spark】数据倾斜
二、参考
1、如何快速判断一个用户是否访问过我们的 APP?
2、位图(BitMap)索引
3、海量数据中的TOPK问题小结
4、海量数据处理 - 10亿个数中找出最大的10000个数(top K问题)
5、10 亿个数中找出最大的 10000 个数(topK 问题)