十七道海量数据处理面试题与bit-map详解

《十七道海量数据处理面试题与bit-map详解》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、http://blog.redfox66.com/post/2010/09/24/mass-data-topic-1-start.aspx第一部分、十五道海量数据处理面试题1.给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？方案1：可以估计每个文件安的大小为50G×64=320G，远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。1.遍历文件a，对每个url求取，然后根据所取得的值将url分别存储到1000个小文件（

2、记为）中。这样每个小文件的大约为300M。2.遍历文件b，采取和a相同的方式将url分别存储到1000小文件中（记为）。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。然后我们只要求出1000对小文件中相同的url即可。3.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hash_set中。然后遍历另一个小文件的每个url，看其是否在刚才构建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了。方案2：如果允许有一定的错误率，可以使用B

3、loomfilter，4G内存大概可以表示340亿bit（4G=2^32大概是40亿*8大概是340亿）。将其中一个文件中的url使用Bloomfilter映射为这m=340亿bit，n=50亿，如果按出错率0.01算,m应该>=nlg(1/E)*lge大概就是nlg(1/E)1.44倍(lg表示以2为底的对数),需要的大概是650亿个bit。现在可用的是340亿，相差并不多，这样可能会使出错率上升些。然后挨个读取另外一个文件的url，检查是否与Bloomfilter，如果是，那么该url应该是共同的url（注意会

4、有一定的错误率）。当hash函数个数k=(ln2)*(m/n)时错误率最小读者反馈@crowgns：1.hash后要判断每个文件大小，如果hash分的不均衡有文件较大，还应继续hash分文件，换个hash算法第二次再分较大的文件，一直分到没有较大的文件为止。这样文件标号可以用A1-2表示（第一次hash编号为1，文件较大所以参加第二次hash，编号为2）2.由于1存在，第一次hash如果有大文件，不能用直接set的方法。建议对每个文件都先用字符串自然顺序排序，然后具有相同hash编号的（如都是1-3，而不能a编号是

5、1，b编号是1-1和1-2），可以直接从头到尾比较一遍。对于层级不一致的，如a1，b有1-1，1-2-1，1-2-2，层级浅的要和层级深的每个文件都比较一次，才能确认每个相同的uri。2.有10个文件，每个文件1G，每个文件的每一行存放的都是用户的query，每个文件的query都可能重复。要求你按照query的频度排序。方案1：1.顺序读取10个文件，按照hash(query)%10的结果将query写入到另外10个文件（记为）中。这样新生成的文件每个的大小大约也1G（假设hash函数是随机的）。2.找一台内存在

6、2G左右的机器，依次对用hash_map(query,query_count)来统计每个query出现的次数。利用快速/堆/归并排序按照出现次数进行排序。将排序好的query和对应的query_cout输出到文件中。这样得到了10个排好序的文件（记为）。1.对这10个文件进行归并排序（内排序与外排序相结合）。方案2：一般query的总量是有限的，只是重复的次数比较多而已，可能对于所有的query，一次性就可以加入到内存了。这样，我们就可以采用trie树/hash_map等直接来统计每个query出现的次数，然后按出

7、现次数做快速/堆/归并排序就可以了（读者反馈@店小二：原文第二个例子中：“找一台内存在2G左右的机器，依次对用hash_map(query,query_count)来统计每个query出现的次数。”由于query会重复，作为key的话，应该使用hash_multimap。hash_map不允许key重复。此反馈是否正确，待日后考证）。方案3：与方案1类似，但在做完hash，分成多个文件后，可以交给多个文件来处理，采用分布式的架构来处理（比如MapReduce），最后再进行合并。3.有一个1G大小的一个文件，里面每一

8、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。方案1：顺序读文件中，对于每个词x，取，然后按照该值存到5000个小文件（记为）中。这样每个文件大概是200k左右。如果其中的有的文件超过了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