大数据处理面试题

一、题目以及答案

1.1

题目：
海量日志数据，提取出某日访问百度次数最多的那个IP

解决方法：

1. IP地址最多有$2^{3}2$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“分治”的思想，按照IP地址的Hash(IP)%1024值，将海量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

1.2

关于topK的补充知识看第二部分

题目：
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，虽然总数是一千万，但如果去掉重复后，不超过三百万个。一个查询串的重复度越高，说明查询它的用户越多，也就越是热门），请统计最热门的10个查询串，要求使用的内存不能超过1G。

解决方法：

1. 先对这批数据进行预处理，在O（N）时间内用Hash表完成统计
2. 借助堆这个结构，找出Top K，时间复杂度为NlogK

1.3

题目：
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。

解决方法：
顺序读取文件，对于每个词X，取hash（x）%5000，然后按照该值存到5000个小文件中，这样每个文件大概是200K左右。（注意如果其中有的文件超过了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（可以使用trie树/哈希表），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（类似于归并排序）的过程了。

1.5

问题：
给定a、b两个文件，各存放50亿个URL，，每个URL占64字节，内存限制是4G，找出a、b文件共同的URL。

方案一：
可以估计每个文件大小约为5G*64=320G，远远大于内存限制的4G。所以采取分治的方法。

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。这样每个小文件的大小约为300M。

遍历文件b，采取和a相同的方式将url分别存储到1000个小文件，这样处理后，所有可能相同的URL都在对应的小文件中，不对应的小文件不可能有相同的URL。然后我们只要求处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hashset中。然后遍历另一个小文件中的每个URL，看其是否在刚才构建的hashset中，如果是，那么就是相同的URL，存到文件里面就可以了。

方案二：
如果允许有一定的错误率，可以使用Bloom filter。

1.6

题目描述：
在2.5亿个整数中找出不重复的整数（内存不足以容纳这2.5亿个整数）

方案一：
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$2^{32}\times 2bit=1GB$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。扫描完事后，查看bitmap，把对应位是01的整数输出即可。

方案二：
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。

1.7

题目描述：
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？

方案一：
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。

方案二：
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）；这时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)，方案2完。

1.8

问题描述：
怎么在海量数据中找出重复次数最多的一个？

解决思路：
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。

1.11

问题描述：
100w个数中找出最大的100个数

方案一：
可以用一个含100个元素的最小堆完成。复杂度为O(100w*lg100)。

方案二：
采用快速排序的思想，每次分割之后只考虑比轴大的一部分，直到比轴大的一部分在比100多的时候，采用传统排序算法排序，取前100个。复杂度为：O(100w*100)。

方案三：
采用局部淘汰的思想，选取前100个元素，并排序，记为序列L。然后一次扫描剩余的元素x，与排好序的100个元素中最小的元素比，如果比这个最小的要大，那么把这个最小的元素删除，并把x利用插入排序的思想，插入到序列L中。依次循环，知道扫描了所有的元素。复杂度为O(100w*100)。

二、补充知识

2.1 Top K算法

问题描述：
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。

问题解析：
要统计最热门查询，首先就是要统计每个Query出现的次数，然后根据统计结果，找出Top 10。所以我们可以基于这个思路分两步来设计该算法。

即，此问题的解决分为以下两个步骤：

2.1.1 第一步：Query统计

这一步又有两种方法：

2.1.1.1 直接排序法

首先对这个日志里面的所有Query都进行排序，然后再遍历排好序的Query，统计每个Query出现的次数。

但是由于题目里面的内存不能超过1G的要求，所以不能使用直接排序。

我们可以考虑外部排序（归并排序），排序完再对已经有序的Query文件进行遍历，统计每个Query出现的次数，再次写入文件中

2.1.1.2 Hash Table法

题目中说明了，虽然有一千万个Query，但是由于重复度比较高，因此事实上只有300万的Query，每个Query 255Byte，因此我们可以考虑把他们都放到内存中去，因此HashTable是我们优先的选择。

现在我们的算法可以是：维护一个Key为Query，Value为该Query出现次数的HashTable，每次读取一个Query，如果该字串不在Table中，那么加入该字串，并且将Value值设为1；如果该字串在Table中，那么将该字串的计数加一即可。

2.1.2 第二步：找出Top 10

2.1.2.1 普通排序

在本题中，三百万条记录，用1G内存可以存下，排序的时间复杂度是NlogN

2.1.2.2 部分排序

题目要求是求出Top10，因此我们只需要维护一个10大小的数组，初始化放入10个Query，按照每个Query的统计次数由大到小排序，然后遍历这300万条记录，每读一条记录就和数组最后一个Query对比，如果小于这个QUery，那么继续遍历，否则，将数组中最后一条数据淘汰，加入当前的Query。最后当所有的数据都遍历完后，这个数组中的10个Query就是我们要找的Top 10了，这时时间复杂度是N*K，其中K是指top是多少。

2.1.2.3 堆

在算法二中，每次比较完后，需要的操作复杂度都是K，因为要把元素插入到一个线性表中，而且采用的是顺序比较。借助堆结构，我们可以在log量级的时间内查找和调整/移动。因此到这里，我们的算法可以改进为这样：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。

这样，采用堆数据结构，算法三最终的时间复杂度就降到了NlogK，和算法二比，又有了较大的改进。

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