海量数据处理——基于hash的常见问题总结

一、信息压缩处理
问题1：如果有40亿个数（不重复无符号整数），需要知道某个数是否在这40个亿中？
答：如果利用hash表来查找，需要 int[] array=new int[40亿],用这40亿个数作为下标初始化一个数组，各个值为0，然后遍历数组，下标等于这个数的位置存1，根据所有位置存的是0还是1就能知道某个数是否存在了。
40亿×4字节=160亿字节，每个位置只需要存0或1 ，用4字节来存太浪费空间。
由此引入位图:
所谓的位图，就是利用 1 bit保存0或1 （存在或者不存在的问题）
int[] bitArray=new int[10]
10*32 bit 可以判断320个数中是否存在的问题
位图的整体思路：压缩空间

问题2：如果需要判断王者荣耀的某玩家是否在黑名单里，然后确定是否进行封号，该设计怎样的算法？
比如黑名单为 {张三，李四，王五，赵六，…} 不是无符号的整数但是是海量的，这时就不能保证不重复，不能使用位图解决
这就需要引入布隆过滤器：
布隆过滤器原理: 将所有的用户利用多个哈希函数得到多个下标，将这多个下标处的值设置为1，然后使用这多个哈希函数对要查找用户进行处理得到下标，如果该用户得到的所有的下标处的值都为1，则这个用户在黑名单里，只要有一个得到的下标处的值为0，则说明这个数不在这个数据集里.
缺点：某用户可能不在黑名单里，但是得到的值为1 被进行了封号处理.（可能性小，概率事件）

二、分段处理
问题1：一个日志文件中保存了很多IP地址，问如何找到出现次数最多的IP地址？
解决思路： 1.如何获取每个IP地址的出现次数–Map解决
2.如何找到出现次数最多的IP–遍历Map，找max位置

伪代码：
InputStream is=new FileInputStream(“ip.txt”);
Scanner scanner=new Scanner(is);
Map<ip,出现次数> map=new HashMap<>();
while(scanner.hasNextLine()){//假设一行一个IP地址
String ip=scanner.nextLine();
int count=map.getOrDefault(ip,0)
map.put(ip,count+1);
}
//再遍历map中的所有key-value，找到count最大的一组
String maxIp=null;
int maxCount=-1;
for(Map.Entry<ip,次数> entry:map.entrySet()){ //entrySet是key-value对，Set里面的类型是Map.Entry
String ip=entry.getKey();
int count=entry.getValue();
if(count>maxCount){
maxCount=count;
maxIp=ip;
}
}
maxIp就是出现次数最多的IP

如果IP数量太大了，大到map在内存中存不下了，上述办法失效.

核心思路：分段处理，将原来的大文件，分成多个小文件分别处理
如何分段？相同的IP被分到一起–利用hash函数分段
分好之后，先依次对每个小文件选出次数最多的IP和出现次数，再在所有文件中选出最优解.

如何设计这个hash函数？
比如：分成10个文件，得到的下标为[0,10)
hash函数1：取IP地址的最后一位 192.168.10.0 取0
hash函数2：把IP地址中所有值相加v=192+168+10+0 取v%10
hash函数3：v=1921000+168100+10*10+0 取v%10
…
哈希函数可以设计很多，但是性能不一定好

问题2：给定100亿个整数，设计算法找到只出现一次的整数？
问题3：给定两个文件，分别有100亿个整数，只有1G内存，如何找到两个文件的交集？
万能方法：分段处理

这类问题，还可以从信息压缩的角度思考–位图
对于问题2：要找出只出现一次的整数.
某个数出现的情况有三种：不出现/出现一次/出现超过一次
1 bit只能存二元信息，三元信息需要2 bit，分别用00/01/11来表示，
如果有40亿个数只出现了一次，需要40亿2 bit =10亿字节，如果按常规思路，一个数用4个字节表示，需要40亿4字节=160亿字节，很明显这种方法节省了空间.

对于问题3：要找出在两个文件中都出现的数.
某个数出现的情况有四种：都不出现/只在a出现/只在b出现/都出现，
用2 bit表示四元信息，以上情况分别用00/10/01/11来表示

注意：
一定是处理数字的问题，才有可能用空间压缩的办法解决
不是处理数字的问题，可以试试布隆过滤器。

海量数据处理问题总结：
1.分段处理–核心在于文件怎么分–按hash函数分–万能方法
2.信息压缩处理–优点是实现简单，但是有使用范围

• 位图
• 布隆过滤器（得到的结果是概率性的）