需求1:
1. 有一万个单词,需要进行存储到
2. 任意查找某个单词,要求时间复杂度为o(10) ,如何实现?
需求2:
有一个非常大的文本文件(5T),里面有很多行,只有两行一样,他们出现再未知的位置,需要查找他们,使用一台普通的电脑如何实现?
1. 通过hash算法,将文件散列成n多个小文件(小到内存可以放下),这样的话相同的行肯定再这个小文件中
2. 然后再读取每一个文件,放入内存,再进行检索
需求3:
有一个1T大小的文件,里边存储的是数字,然后对这些数字全排序
方法1: 根据数值区间分割文件,比如0到100到去a文件,100到200的去b文件,以此类推,分割完成之后,再对 a b c..小文 件排序
方法2: 一次读取50M的数据,放入内存进行排序,然后放入a文件,再读取50M的数据放入内存排序,然后放入b文件,
以此类推,这样的话就得到内部有序,外部无序的多个文件。然后再使用归并排序算法。
具体的归并的实现:
比如说获取了三个内部有序的文件,这三个文件分别取出第一个数,然后比较,把最小的写入另外一个文件,紧接着读取刚才那个最小数值文件的下一个,再进行比较,一次类推,最终得到另外一个有序的文件
对于需求2来说,如果使用多台机器计算的话,能减少多少时间呢?
总结大数据的结论:
分而治之 并行计算 计算像数据移动 数据本地化读取
Hadoop 项目包括 Hadoop Common , Hadoop Distributed File System , Hadoop Yarn , Hadoop MapReduce