海量数据处理面试题

何谓海量数据处理？

所谓海量数据处理，无非就是基于海量数据上的存储、处理、操作。何谓海量，就是数据量太大，所以导致要么是无法在较短时间内迅速解决，要么是数据太大，导致无法一次性装入内存。

那解决办法呢？针对时间，我们可以采用巧妙的算法搭配合适的数据结构，如布隆过滤器/Hash/bit-map/堆/数据库或倒排索引/trie树，针对空间，无非就一个办法：大而化小，分而治之（hash映射），你不是说规模太大嘛，那简单啊，就把规模大化为规模小的，各个击破不就完了嘛。

海量数据处理主要方法：

1. 分而治之-hash映射 + hash统计 + 堆排序/外排序
2. 布隆过滤器
3. 布隆过滤器+分层

哈希函数的性质：

1. 典型的哈希函数都有无限的输入值域。
2. 当给哈希函数传入相同的输入值时，返回值一样，即哈希值一样。
3. 当给哈希函数传入不同的值时，返回值可能一样，也可能不一样。
4. 很多不同的输入之所得到的返回值会均匀的分布在S上，S为输出域–范围固定。这条性质是评判一个哈希函数优劣的关键。

堆排序的注意点：

• 要找出最大的TopK，要建立最小堆，堆顶元素为最小的，先拿K个数建立最小堆，接下来每拿一个数都和堆顶元素比较，如果比堆顶元素大，则代替堆顶元素，然后对该堆进行凋整，使之成为最小堆。重复操作直到遍历所有数据。
• 要找出最小的TopK，要建立最大堆，每次与最大堆的堆顶元素比较，小于堆顶元素则代替堆顶元素，然后进行调整。重复操作直到遍历所有数据。

1. 分而治之-hash映射 + hash统计 + 堆排序/外排序

1、海量日志数据，提取出某日访问百度次数最多的那个IP。

既然是海量数据处理，那么可想而知，给我们的数据那就一定是海量的。针对这个数据的海量，我们如何着手呢?对的，无非就是分而治之/hash映射 + hash统计 + 堆/快速/归并排序，说白了，就是先映射，而后统计，最后排序：

• 分而治之/hash映射：针对数据太大，内存受限，只能是：把大文件化成(取模映射)小文件，即16字方针：大而化小，各个击破，缩小规模，逐个解决。
• hashmap统计：当大文件转化了小文件，那么我们便可以采用常规的hashmap(ip，value)来进行频率统计。
• 堆/快速排序：统计完了之后，便进行排序(可采取堆排序)，得到次数最多的IP。

2、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。

• 分而治之/hash映射：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。
• hashmap统计：对每个小文件，采用hashmap等统计每个文件中出现的词以及相应的频率。
• 堆/归并排序：取出出现频率最大的100个词（可以用含100个结点的最小堆）后，再把100个词及相应的频率存入文件，这样又得到了5000个文件。最后就是把这5000个文件进行归并（类似于归并排序）的过程了。

3、海量数据分布在100台电脑中，想个办法高效统计出这批数据的TOP10。

如果每个数据元素只出现一次，而且只出现在某一台机器中，那么可以采取以下步骤统计出现次数TOP10的数据元素：

• 堆排序：在每台电脑上求出TOP10，可以采用包含10个元素的堆完成（TOP10小，用最大堆，TOP10大，用最小堆，比如求TOP10大，我们首先取前10个元素调整成最小堆，如果发现，然后扫描后面的数据，并与堆顶元素比较，如果比堆顶元素大，那么用该元素替换堆顶，然后再调整为最小堆。最后堆中的元素就是TOP10大）。
• 求出每台电脑上的TOP10后，然后把这100台电脑上的TOP10组合起来，共1000个数据，再利用上面类似的方法求出TOP10就可以了。

但如果同一个元素重复出现在不同的电脑中呢？这个时候，你可以有两种方法：

• 遍历一遍所有数据，重新hash取摸，如此使得同一个元素只出现在单独的一台电脑中，然后采用上面所说的方法，统计每台电脑中各个元素的出现次数找出TOP10，继而组合100台电脑上的TOP10，找出最终的TOP10。
• 暴力求解：直接统计统计每台电脑中各个元素的出现次数，然后把同一个元素在不同机器中的出现次数相加，最终从所有数据中找出TOP10。

2. 多层划分

• 适用范围：第k大，中位数，不重复或重复的数字
• 基本原理及要点：因为元素范围很大，不能利用直接寻址表，所以通过多次划分，逐步确定范围，然后最后在一个可以接受的范围内进行。

1、32位无符号整数的范围是0-429467293，现在有一个正好包含40个亿无符号整数的文件，所以在整个范围内中必然有没有出现过的数。可以使用最多1GB的内存怎么找到所有没有出现过的数？

• 首先如果用哈希表来保存出现过的数据，在最差的情况下需要40亿4B（记录出现次数） 2（键和值）= 32GB。需要32GB的空间，不符合要求。
• 哈希表需要占很多空间，使用bitmap的方式来表示数出现的情况。
• 用一个长度为429467293的bit型数组bitArr，bitArr上的每个位置只可以表示0或1两种状态。所以该数组占控件500MB。
• 遍历这40亿个无符号数，假如遇到7000，就把bitArr[7000]置为1。
• 遍历完之后，再次遍历bitArr，哪个位置上的值没有被设置为1，哪个数就不在40个亿数中。

2、问题1的进阶问题，内存限制为10MB，但是只用找到一个没有出现过的数即可。

• 考虑到只有10M内存，所以将0-429467293范围分成64个小区间，每个区间是67108864个数。
• 第一次遍历时，先申请长度为64的整型数组countArr，用来记录统计区间i 上的数有多少。遍历所有的数，根据当前的数来决定让哪一个区间的计数增加。遍历完后，至少有一个区间的数量小于67108864。此时使用的内存就是64*4B。
• 对于找到的区间进行第二次遍历：
  
  • 申请长度为67108864的bitmap，这占用大概8MB的空间，记为bitArr，
  • 在遍历40亿个数，此时遍历只关注落在该区间a上的数，其他区间上的数忽略。
  • 如果该数num在该区间a上，则将bit[num - 67108864 * a] 置为1，就只做这个区间上的数的映射。
  • 在bitArr上必然有存在没被设置为1的位置。

总结进阶的解法：

• 根据10MB的内存限制，无额定统计区间的大小，就是第二次遍历时bitArr大小。
• 利用区间计数的方式，找到那个计数不足的区间，这个区间上可定有没有出现的数。
• 对这个区间上的数做bitmap映射，在遍历bitmap，找到一个没出现过的数即可。

3. 布隆过滤器

• 适用范围：可以用来实现数据字典，进行数据的判重，或者集合求交集，网页黑名单系统、垃圾邮件过滤系统、爬虫的网址重判系统等。且系统容忍一定程度的失误率，但是对空间要求比较严格。
• 优势在于：使用很少的控件可以将准确率做到很高。判断一个元素是否在集合中。

1、不安全网页的黑名单包含100亿个黑名单网页，每个网页的URL最多占64B。现在想要实现一种网页过滤系统，可以根据网页的URL判断该网页是否在黑名单上，请设计该系统。该系统允许有万分之一的判断失误率，使用的额外空间不能超过30GB。

• 讲解：假设有一个长度为m的bit类型数组，有k个哈希函数，这些函数的输出域都大于等于m，并且这些哈希函数都足够优秀，且彼此独立。那么对同一个输入对象，经过k个哈希函数算出来的结果也是独立的，可能相同，也可能不同，但彼此独立。对算出来的每一个结果都对m取余，然后在bitArr上把相应的位置1。
• 检查阶段，把对象通过k个哈希函数算出k个值，然后把k个值取余，得到的值与bitArr对比，如果对应位不都为1，则一定不在。如果都为1，说明该对象在这个集合里，但有可能误判。有可能由于bitmap过小，输入对象过多，导致bitmap大多数位置为1，那么在检查是有可能该对象不是输入对象，而错误的认为为输入对象。

• bitmap的大小m相比于输入对象的个数n过小，失误率会增大。根据输入对象个数n和失误率p求bitmap的大小m。
  

  $$m = \dfrac{-n*Inp}{（In2）^2}$$
  m = 19.19n，向上取整为20n，即需要2000亿个bit，就是25GB。

• 哈希函数的个数k：
  

  $$k = \dfrac{m*In2}{n}$$
  即k = 14个。

• 然后用25GB的bitmap在单独实现14个哈希函数，布隆过滤器真实的失误率为：
  $$k = （1- e^\dfrac{-nk}{m} ）^k$$
  根据这个公式算出来失误率为0.006%，比0.01%更低的失误率。