个海量数据处理方法总结

《个海量数据处理方法总结》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、十个海量数据处理方法大总结ok，看了上面这么多的面试题，是否有点头晕。是的，需要一个总结。接下来，本文将简单总结下一些处理海量数据问题的常见方法，而日后，本BLOG内会具体阐述这些方法。下面的方法全部来自http://hi.baidu.com/yanxionglu/blog/博客，对海量数据的处理方法进行了一个一般性的总结，当然这些方法可能并不能完全覆盖所有的问题，但是这样的一些方法也基本可以处理绝大多数遇到的问题。下面的一些问题基本直接来源于公司的面试笔试题目，方法不一定最优，如果你有更好的处理方法，欢迎讨论。一、Bloomfilter　　适用范围：可以用来实现数据字典，进行数据

2、的判重，或者集合求交集　　基本原理及要点：　　对于原理来说很简单，位数组+k个独立hash函数。将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这个过程并不保证查找的结果是100%正确的。同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字。所以一个简单的改进就是countingBloomfilter，用一个counter数组代替位数组，就可以支持删除了。　　还有一个比较重要的问题，如何根据输入元素个数n，确定位数组m的大小及hash函数个数。当hash函数个数k=(ln2)*(m/n)时错误率最小。在错误率不

3、大于E的情况下，m至少要等于n*lg(1/E)才能表示任意n个元素的集合。但m还应该更大些，因为还要保证bit数组里至少一半为0，则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)。　　举个例子我们假设错误率为0.01，则此时m应大概是n的13倍。这样k大概是8个。　　注意这里m与n的单位不同，m是bit为单位，而n则是以元素个数为单位(准确的说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloomfilter内存上通常都是节省的。　　扩展：　　Bloomfilter将集合中的元素映射到位数组中，用k（k为哈希函数

4、个数）个映射位是否全1表示元素在不在这个集合中。Countingbloomfilter（CBF）将位数组中的每一位扩展为一个counter，从而支持了元素的删除操作。SpectralBloomFilter（SBF）将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。　　问题实例：给你A,B两个文件，各存放50亿条URL，每条URL占用64字节，内存限制是4G，让你找出A,B文件共同的URL。如果是三个乃至n个文件呢？　　根据这个问题我们来计算下内存的占用，4G=2^32大概是40亿*8大概是340亿，n=50亿，如果按出错率0.01算需要的大概

5、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。另外如果这些urlip是一一对应的，就可以转换成ip，则大大简单了。二、Hashing　　适用范围：快速查找，删除的基本数据结构，通常需要总数据量可以放入内存　　基本原理及要点：　　hash函数选择，针对字符串，整数，排列，具体相应的hash方法。　　碰撞处理，一种是openhashing，也称为拉链法；另一种就是closedhashing，也称开地址法，openedaddressing。扩展：　　d-lefthashing中的d是多个的意思，我们先简化这个问题，看一看2-lefthashing。2-l

6、efthashing指的是将一个哈希表分成长度相等的两半，分别叫做T1和T2，给T1和T2分别配备一个哈希函数，h1和h2。在存储一个新的key时，同时用两个哈希函数进行计算，得出两个地址h1[key]和h2[key]。这时需要检查T1中的h1[key]位置和T2中的h2[key]位置，哪一个位置已经存储的（有碰撞的）key比较多，然后将新key存储在负载少的位置。如果两边一样多，比如两个位置都为空或者都存储了一个key，就把新key存储在左边的T1子表中，2-left也由此而来。在查找一个key时，必须进行两次hash，同时查找两个位置。　　问题实例：　　1).海量日志数据，提取

7、出某日访问百度次数最多的那个IP。　　IP的数目还是有限的，最多2^32个，所以可以考虑使用hash将ip直接存入内存，然后进行统计。三、bit-map　　适用范围：可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下　　基本原理及要点：使用bit数组来表示某些元素是否存在，比如8位电话号码　　扩展：bloomfilter可以看做是对bit-map的扩展　　问题实例：　　1)已知某个文件内包含一些电话号码，每个号码为8位数字，统计不同号码的个数。