十道海量数据处理面试题

1 、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。
或者如下阐述（雪域之鹰）：
算法思想： 分而治之+Hash
1.IP 地址最多有 2^32=4G 种取值情况，所以不能完全加载到内存中处理；
2.可以考虑采用“分而治之”的思想，按照 IP 地址的 Hash(IP)%1024 值，把海量 IP 日志分别
存储到 1024 个小文件中。这样，每个小文件最多包含 4MB 个 IP 地址；
3.对于每一个小文件，可以构建一个 IP 为 key，出现次数为 value 的 Hash map，同时记录
当前出现次数最多的那个 IP 地址；
4.可以得到 1024 个小文件中的出现次数最多的 IP，再依据常规的排序算法得到总体上出现
次数最多的 IP；
2 、搜索 引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来，每个查询串的
为 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，但如果除去
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。
典型的 Top K 算法，还是在这篇文章里头有所阐述，详情请参见： 十一、从头到尾彻底解
析 析 Hash 表算法。
文中，给出的最终算法是：
第一步、先对这批海量数据预处理，在 O（N）的时间内用 Hash 表完成 统计（ 之前写成
了排序，特此订正。July、2011.04.27 ）；
第二步、借助堆这个数据结构，找出 Top K，时间复杂度为 N‘logK。
即，借助堆结构，我们可以在 log 量级的时间内查找和调整/移动。因此，维护一个 K(该题
目中是 10)大小的小根堆，然后遍历 300 万的 Query，分别和根元素进行对比所以，我们最
终的时间复杂度是：O（N） + N'*O（logK），（N 为 1000 万，N’为 300 万）。ok，更多，
详情，请参考原文。
或者：采用 trie 树，关键字域存该查询串出现的次数，没有出现为 0。最后用 10 个元素的
最小推来对出现频率进行排序。
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
是 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。
4 、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 求 都可能重复。要求照 你按照 query 的频度排序。
还是典型的 TOP K 算法，解决方案如下：
方案 1：
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 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（记为）。
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：
一般 query 的总量是有限的，只是重复的次数比较多而已，可能对于所有的 query，一次性
就可以加入到内存了。这样，我们就可以采用 trie 树/hash_map 等直接来统计每个 query
出现的次数，然后按出现次数做快速/堆/归并排序就可以了。
方案 3：
与方案 1 类似，但在做完 hash，分成多个文件后，可以交给多个文件来处理，采用分布式
的架构来处理（比如 MapReduce），最后再进行合并。
5 、 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
出 你找出 a 、b 文件共同的 url ？
方案 1：可以估计每个文件安的大小为 5G×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 hash(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（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（a0vsb0,a1vsb1,...,a999vsb999）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。
方案 2：如果允许有一定的错误率，可以使用 Bloom filter，4G 内存大概可以表示 340 亿
bit。将其中一个文件中的 url 使用 Bloom filter 映射为这 340 亿 bit，然后挨个读取另外一个
文件的 url，检查是否与 Bloom filter，如果是，那么该 url 应该是共同的 url（注意会有一定
的错误率）。
Bloom filter 日后会在本 BLOG 内详细阐述。
6 、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。
方案 2：也可采用与第 1 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。
7 、腾讯面试题：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，
那 如何快速判断这个数是否在那 40 亿个数当中？
与上第 6 题类似，我的第一反应时快速排序+二分查找。以下是其它更好的方法：
案 方案 1 ：oo，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。
dizengrong：
案 方案 2 ：这个问题在《编程珠玑》里有很好的描述，大家可以参考下面的思路，探讨一下：
又因为 2^32 为 40 亿多，所以给定一个数可能在，也可能不在其中；
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:
1.最高位为 0
2.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:
1.次最高位为 0
2.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)，方案 2 完。
附：这里，再简单介绍下，位图方法：
使用位图法判断整形数组是否存在重复
判断集合中存在重复是常见编程任务之一，当集合中数据量比较大时我们通常希望少进行几
次扫描，这时双重循环法就不可取了。
位图法比较适合于这种情况，它的做法是按照集合中最大元素 max 创建一个长度为 max+1
的新数组，然后再次扫描原数组，遇到几就给新数组的第几位置上 1，如遇到 5 就给新数组
的第六个元素置 1，这样下次再遇到 5 想置位时发现新数组的第六个元素已经是 1 了，这说
明这次的数据肯定和以前的数据存在着重复。这种给新数组初始化时置零其后置一的做法类
似于位图的处理方法故称位图法。它的运算次数最坏的情况为 2N。如果已知数组的最大值
即能事先给新数组定长的话效率还能提高一倍。
欢迎，有更好的思路，或方法，共同交流。
8 、怎么在海量数据中找出重复次数最多的一个？
方案 1：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（具体参考前面
的题）。
9 、上千万或上亿数据（有重复），统计其中出现次数最多的钱 N 个数据。
方案 1：上千万或上亿的数据，现在的机器的内存应该能存下。所以考虑采用 hash_map/
搜索二叉树/红黑树等来进行统计次数。然后就是取出前 N 个出现次数最多的数据了，可以
用第 2 题提到的堆机制完成。
10 、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 1：这题是考虑时间效率。用 trie 树统计每个词出现的次数，时间复杂度是 O(n*le)（le
表示单词的平准长度）。然后是找出出现最频繁的前 10 个词，可以用堆来实现，前面的题
中已经讲到了，时间复杂度是 O(n*lg10)。所以总的时间复杂度，是 O(n*le)与 O(n*lg10)中
较大的哪一个。