1、Question
现有海量日志数据保存在一个超大文件中,该文件无法直接读入内存,要求从中提取某天访问百度次数最多的那个 IP。
2、分析
这道题只关心某一天访问最多的 IP,因此,
- 可以首先对文件进行一次遍历,把这一天访问网站 IP 的相关信息记录到一个单独的大文件中。
- 接下来采用的方法与上博客一样,大致就是先对 IP 进行哈希映射然后存放到多个小文件中。
- 接着使用 HashMap 统计重复 IP 的次数,最后计算出重复次数最多的 IP。
注:这里只需要找出出现次数最多的 IP,可以不必使用堆,直接用一个变量 max 即可。
方法总结
- 分而治之,进行哈希取余;
- 使用 HashMap 统计频数;
- 求解最大的 TopN 个,用小顶堆;求解最小的 TopN 个,用大顶堆。