海量数据面试题整理(转).pdf

《海量数据面试题整理(转).pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、2011-2-9海量数据面试题整理（转）-TheW…TheWayofC++C++博客::首页::联系::聚合::管理55Posts::0Stories::16Comments::0Trackbacks公告海量数据面试题整理（转）Thefirsttimeiusethisblog,iwillwritesomething1.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thatilearnwhichithinkis是4G，让你找出a、b文件共同的url？worthwritedown.方案1：

2、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常用链接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。我的随笔我的评论我参与的随笔s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（记为）中。这样每个小文件的大约为留言簿300M。给我留言查看公开留言s遍历文件b，采取和a相同的方式将url分别存储到1000各小文件（记为查看私人留言）。这样处理后，所有可能相同的url都在对应的小文件（我参与的团队）中，不对应的小文件不可能有相同的url。然

3、后随笔分类我们只要求出1000对小文件中相同的url即可。ACM(21)C/C++(2)s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_setDataStructAnd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Algorithm(2)果是，那么就是共同的url，存到文件里面就可以了。Hadoop(5)Java方案2：如果允许有一定的错误率，可以使用Bloomfilter，4G内存大概可以表示Job(2)340亿bit。将其中一个文件中的url使用B

4、loomfilter映射为这340亿bit，然后挨Linux(19)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Project(1)TopCoder(2)共同的url（注意会有一定的错误率）。随笔档案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2010年9月(6)query，每个文件的query都可能重复。要求你按照query的频度排序。2010年7月(4)2010年5月(1)方案1：2010年4月(10)2010年3月(23)s顺序读取10个文件，

5、按照hash(query)%10的结果将query写入到另外10个文2009年12月(2)件（记为）中。这样新生成的文件每个的大小大约也1G（假设hash2009年11月(5)2007年12月(4)函数是随机的）。相册s找一台内存在2G左右的机器，依次对用hash_map(query,Beautifulphotoquery_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Thememory数进行排序。将排序好的query和对应的query_cout输出到文件中。这样得到了收藏夹10个排

6、好序的文件（记为）。Zones对这10个文件进行归并排序（内排序与外排序相结合）。Someblognoetofjustin方案2：effectivec++的东西。yixianshikong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搜索等直接来统计每个query出现的次数，然后按出现次数做快速/堆/归并排序就可以了。搜索方案3：cppblog.com/koson/…/127442.html1/72011

7、-2-9海量数据面试题整理（转）-TheW…最新评论与方案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1.re:基于hive的日志数据统用分布式的架构来处理（比如MapReduce），最后再进行合并。计实战评论内容较长,点击标题查看3.有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16字--淡然一笑节，内存限制大小是1M。返回频数最高的100个词。2.re:linuxfirefox安装flashplayer10方案1：顺序读文件中，对于每个词x，取，然后按照该值存到谢谢，现在

8、终于可以看视频了--虹5000个小文件（记为）中。这样每个文件大概是200k左右。如果3.re:ms笔经攒RP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，知道分解得你怎么知道？@yuxyang--koson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4.re:ms笔经攒RP应的频率（可以采用trie树/hash_map等），并