海量数据处理的算法题目

题目1：

• 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？

    解题思路：可以估计每个文件安的大小为50G×64=320G，远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。

• 遍历文件a，对每个url求取has(url)%1000，然后根据所取得的值将url分别存储到1000个小文件（记为a0，a1，......，a999）中。这样每个小文件的大约为300M。
• 遍历文件b，采取和a相同的方式将url分别存储到1000小文件中（记为b0，b1，......，b999）。这样处理后，所有可能相同的url都在对应的小文件（a0 vs b0，a1 vs b1，......，a999 vs 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。
• 求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中。然后遍历另一个小文件的每个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，存到文件里面就可以了。

题目2：

• 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。

    解题思路：

• 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）中。这样新生成的文件每个的大小大约也1G（假设hash函数是随机的）。
• 找一台内存在2G左右的机器，依次对用a0，a1，......，a9用hash_map(query, query_count)来统计每个query出现的次数。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。这样得到了10个排好序的文件（b0，b1，b2，......，b9）。
• 对b0，b1，b2，......，b9这10个文件进行归并排序（内排序与外排序相结合）。

题目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。

    解题思路：和题目一类似

• 顺序读文件中，对于每个词x，取，然后按照该值存到5000个小文件（记为）中。这样每个文件大概是200k左右。如果其中的有的文件超过了1M大小，还可以按照类似的方法继续往下分，直到分解得到的小文件的大小都不超过1M。
• 对每个小文件，统计每个文件中出现的词以及相应的频率（可以采用trie树/hash_map等），并取出出现频率最大的100个词（可以用含100个结点的最小堆），并把100词及相应的频率存入文件，这样又得到了5000个文件。
• 下一步就是把这5000个文件进行归并（类似与归并排序）的过程了。

题目4：

• 海量日志数据，提取出某日访问百度次数最多的那个IP。

    解题思路：

• 注意到IP是32位的，最多有2^32个IP。同样可以采用映射的方法，比如Hash(IP)%1000，把整个大文件映射为1000个小文件；
• 再找出每个小文中出现频率最大的IP（可以采用hash_map进行频率统计，然后再找出频率最大的几个）及相应的频率；
• 然后再在这1000个最大的IP中，找出那个频率最大的IP，即为所求。

题目5：

• 怎么在海量数据中找出重复次数最多的一个？

    解题思路：

• 先做hash，然后求模映射为小文件；
• 求出每个小文件中重复次数最多的一个，并记录重复次数；
• 然后找出上一步求出的数据中重复次数最多的一个就是所求。

题目6：

• 100w个数中找出最大的100个数

    解题思路：

• 用一个含100个元素的最小堆完成。复杂度为O(100w*lg100)。

题目6：

• 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？

    解题思路（一）：

• 使用位图（Bitmap）来实现，申请512M的内存，一个bit位代表一个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。具体实现参考这里。

    解题思路（二）：

• 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： 最高位为0、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着进入相应的文件再查找；
• 再然后把这个文件为又分成两类：次最高位为0、次最高位为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<=10亿，而另一个>=10亿（这相当于折半了）；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)。

参考：https://blog.csdn.net/v_JULY_v/article/details/6279498