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)。