海量数据处理有很多种方法,如哈希分治、simhash、外排序、多层划分等。本文将讨论哈希分治
哈希分治的核心是hash_map,hash_map和map类似,不过hash_map能够创造出对象而map不能。对内存中查找数据,hash_map比较适合在内存中查找。当然,这不是重点。
一个很典型的题:如果有两个500G的文件,里面放着若干IP地址,要求查找出出现频率TOP10,而给定内存为1G。该怎么处理。
很明显,我们不可能将文件加载到内存里。所以,对于这种海量数据处理,我们需要使用hash_map类的查找方法。
第一步:哈希映射。
分而治之的思想