面试准备之-海量数据处理题目

经过好久的面试，海量数据的题目虽然老套，但是还是会经常出。

下面，尤其对海量性的题目作一下总结

http://www.cnblogs.com/simonote/articles/3087185.html

题目一:100w个数据里面，选出最大的100个数

方法1：堆排序的方法，维护一个100个数的堆，每次一个数，和堆最上面的数比较，堆顶是100个里面最小的数（最小堆），假如比堆顶大，则删除堆顶，放新的数，然后下沉（复杂度log100），因此总复杂度为(nlog100)

方法2：partition方法，快排的思想

题目二：海量日志数据，提取出某日访问百度次数最多的那个IP。

首先是这一天，并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。同样可以采用映射的方法， 比如模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。

重点是通过某种方式，比如mod1000，对数据进行划分，然后分别求最大，然后每个划分后的最大中的最大就是所求

题目三：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。

方案：顺序读文件中，对于每个词x，取hash(x)%5000，然后按照该值存到5000个小文件（记为x0,x1,…x4999）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个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。

题目四：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（每个数分配2bit，00表示不存在，01表示出现一次，10表示多次，11无意义）进行，共需内存2^32 * 2 bit=1 GB内存，还可以接受。然后扫描这2.5亿个整数，查看Bitmap中相对应位，如果是00变01，01变10，10保持不变。所描完事后，查看 bitmap，把对应位是01的整数输出即可。（bitmap算法，点击打开链接）

方案2：也可采用与第2题类似的方法，进行划分小文件的方法。然后在小文件中找出不重复的整数，并排序。然后再进行归并，注意去除重复的元素。

几个景点的做法都在里面了