2022年2022年教你如何迅速秒杀掉：%的海量数据处理面试题 .pdf

《2022年2022年教你如何迅速秒杀掉：%的海量数据处理面试题 .pdf》由会员分享，可在线阅读，更多相关《2022年2022年教你如何迅速秒杀掉：%的海量数据处理面试题 .pdf（11页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、教你如何迅速秒杀掉：99% 的海量数据处理面试题 - 结构之法算法之道 - 博客频道 - CSDN.NEThttp:/ 0:43:33分类：21.Big Data Processing05.MS 100 original教你如何迅速秒杀掉：99%的海量数据处理面试题2012-03-22 12:5129685 人阅读评论 (113)收藏举报教你如何迅速秒杀掉：99% 的海量数据处理面试题作者： July出处：结构之法算法之道blog前言一般而言，标题含有“ 秒杀 ” ，“99% ” ，“ 史上最全 /最强 ” 等词汇的往往都脱不了哗众取宠之嫌，但进一步来讲，如果读者读罢此文，却无任何收获，那么，

2、我也甘愿背负这样的罪名，:-)，同时，此文可以看做是对这篇文章：十道海量数据处理面试题与十个方法大总结的一般抽象性总结。毕竟受文章和理论之限，本文将摒弃绝大部分的细节，只谈方法/模式论，且注重用最通俗最直白的语言阐述相关问题。最后，有一点必须强调的是，全文行文是基于面试题的分析基础之上的，具体实践过程中，还是得具体情况具体分析，且场景也远比本文所述的任何一种情况复杂得多。 OK ，若有任何问题，欢迎随时不吝赐教。谢谢。何谓海量数据处理？所谓海量数据处理，无非就是基于海量数据上的存储、处理、操作。何谓海量，就是数据量太大，所以导致要么是无法在较短时间内迅速解决，要么是数据太大，导致无法一次性装入

3、内存。那解决办法呢?针对时间，我们可以采用巧妙的算法搭配合适的数据结构，如Bloom filter/Hash/bit-map/ 堆/ 数据库或倒排索引/trie树，针对空间，无非就一个办法：大而化小：分而治之/hash 映射，你不是说规模太大嘛，那简单啊，就把规模大化为规模小的，各个击破不就完了嘛。至于所谓的单机及集群问题，通俗点来讲，单机就是处理装载数据的机器有限(只要考虑 cpu ，内存，硬盘的数据交互 )，而集群，机器有多辆，适合分布式处理，并行计算(更多考虑节点和节点间的数据交互)。再者，通过本blog内的有关海量数据处理的文章：Big Data Processing，我们已经大致知道

4、，处理海量数据问题，无非就是：1. 分而治之 /hash 映射 + hash 统计 + 堆/快速 /归并排序；2. 双层桶划分3. Bloom filter/Bitmap；4. Trie 树/数据库 /倒排索引；5. 外排序；6. 分布式处理之 Hadoop/Mapreduce。下面，本文第一部分、从set/map谈到hashtable/hash_map/hash_set，简要介绍下set/map/multiset/multimap，及 hash_set/hash_map/hash_multiset/hash_multimap之区别 (万丈高楼平地起，基础最重要)，而本文第二部分，则针对上述那

5、6种方法模式结合对应的海量数据处理面试题分别具体阐述。第一部分、从 set/map谈到 hashtable/hash_map/hash_set名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 11 页 - - - - - - - - - 教你如何迅速秒杀掉：99% 的海量数据处理面试题 - 结构之法算法之道 - 博客频道 - CSDN.NEThttp:/ 0:43:33稍后本文第二部分中将多次提到hash_map/hash_set，下面稍稍介绍下这些容器，以作为基础准备。一

6、般来说， STL 容器分两种，序列式容器 (vector/list/deque/stack/queue/heap)，关联式容器。关联式容器又分为set( 集合 )和map( 映射表 )两大类，以及这两大类的衍生体multiset( 多键集合)和multimap( 多键映射表 )，这些容器均以RB-tree 完成。此外，还有第3类关联式容器，如hashtable( 散列表 )，以及以 hashtable 为底层机制完成的hash_set( 散列集合 )/hash_map( 散列映射表 )/hash_multiset(散列多键集合 )/hash_multimap(散列多键映射表)。也就是说，set

7、/map/multiset/multimap都内含一个 RB-tree ，而 hash_set/hash_map/hash_multiset/hash_multimap都内含一个 hashtable 。所谓关联式容器，类似关联式数据库，每笔数据或每个元素都有一个键值(key) 和一个实值 (value) ，即所谓的Key-Value(键-值对 )。当元素被插入到关联式容器中时，容器内部结构(RB-tree/hashtable)便依照其键值大小，以某种特定规则将这个元素放置于适当位置。包括在非关联式数据库中，比如，在MongoDB 内，文档 (document) 是最基本的数据组织形式，每个文档

8、也是以Key-Value （键 -值对）的方式组织起来。一个文档可以有多个Key-Value 组合，每个 Value 可以是不同的类型，比如 String 、Integer 、List等等。 name : July, sex : male, age : 23 set/map/multiset/multimap set ，同 map 一样，所有元素都会根据元素的键值自动被排序，因为set/map 两者的所有各种操作，都只是转而调用 RB-tree 的操作行为，不过，值得注意的是，两者都不允许两个元素有相同的键值。不同的是： set的元素不像 map 那样可以同时拥有实值(value) 和键值 (

9、key) ，set 元素的键值就是实值，实值就是键值，而 map 的所有元素都是pair ，同时拥有实值(value) 和键值 (key) ，pair 的第一个元素被视为键值，第二个元素被视为实值。至于 multiset/multimap，他们的特性及用法和set/map 完全相同，唯一的差别就在于它们允许键值重复，即所有的插入操作基于RB-tree 的insert_equal()而非 insert_unique()。hash_set/hash_map/hash_multiset/hash_multimap hash_set/hash_map，两者的一切操作都是基于hashtable 之上。不

10、同的是，hash_set 同set一样，同时拥有实值和键值，且实质就是键值，键值就是实值，而hash_map 同map 一样，每一个元素同时拥有一个实值(value) 和一个键值 (key) ，所以其使用方式，和上面的map 基本相同。但由于hash_set/hash_map都是基于 hashtable 之上，所以不具备自动排序功能。为什么?因为 hashtable 没有自动排序功能。至于 hash_multiset/hash_multimap的特性与上面的multiset/multimap完全相同，唯一的差别就是它们的底层实现机制是 hashtable ，所以它们的元素都不会被自动排序，不过

11、也都允许键值重复。所以，综上，说白了，什么样的结构决定其什么样的性质，因为set/map/multiset/multimap都是基于 RB-tree 之上，所以有自动排序功能，而hash_set/hash_map/hash_multiset/hash_multimap都是基于 hashtable 之上，所以不含有自动排序功能，至于加个前缀multi_ 无非就是允许键值重复而已。此外，关于什么 hash ，请看 blog 内此篇文章： http:/ 内系列文章： http:/ hash_map 的具体应用： http:/ OK ，接下来，请看本文第二部分、处理海量数据问题之六把密匙。名师资料总结

12、 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 11 页 - - - - - - - - - 教你如何迅速秒杀掉：99% 的海量数据处理面试题 - 结构之法算法之道 - 博客频道 - CSDN.NEThttp:/ 0:43:33第二部分、处理海量数据问题之六把密匙密匙一、分而治之/Hash 映射 + Hash统计 + 堆/ 快速 / 归并排序1 、海量日志数据，提取出某日访问百度次数最多的那个IP 。既然是海量数据处理，那么可想而知，给我们的数据那就一定是海量的。针对这个数据的海量，

13、我们如何着手呢?对的，无非就是分而治之/hash 映射 + hash 统计 + 堆/快速 /归并排序，说白了，就是先映射，而后统计，最后排序：1. 分而治之 /hash 映射：针对数据太大，内存受限，只能是：把大文件化成(取模映射 )小文件，即 16字方针：大而化小，各个击破，缩小规模，逐个解决2. hash 统计：当大文件转化了小文件，那么我们便可以采用常规的hash_map(ip ，value) 来进行频率统计。3. 堆/快速排序：统计完了之后，便进行排序(可采取堆排序 )，得到次数最多的IP。具体而论，则是： “首先是这一天，并且是访问百度的日志中的IP 取出来，逐个写入到一个大文件中。

14、注意到IP 是32 位的，最多有个232 个IP 。同样可以采用映射的方法，比如模1000 ，把整个大文件映射为1000 个小文件，再找出每个小文中出现频率最大的IP （可以采用 hash_map进行频率统计，然后再找出频率最大的几个）及相应的频率。然后再在这1000 个最大的 IP中，找出那个频率最大的IP ，即为所求。” -十道海量数据处理面试题与十个方法大总结。注： Hash 取模是一种等价映射，不会存在同一个元素分散到不同小文件中去的情况，即这里采用的是mod1000 算法，那么相同的IP在hash 后，只可能落在同一个文件中，不可能被分散的。那到底什么是hash 映射呢？我换个角度举

15、个浅显直白的例子，如本文的URL 是： http:/ 发表在微博上，便被映射成了： http:/ 本身的长度被缩短了，但这两个URL 对应的文章的是同一篇即本文。OK ，有兴趣的，还可以再了解下一致性hash 算法，见 blog 内此文第五部分：http:/ 、搜索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来，每个查询串的长度为1-255字节。假设目前有一千万个记录（这些查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个。一个查询串的重复度越高，说明查询它的用户越多，也就是越热门），请你统计最热门的10 个查询串，要求使用的内存不能超过1G。由上面第 1题，

16、我们知道，数据大则划为小的，但如果数据规模比较小，能一次性装入内存呢?比如这第 2题，虽然有一千万个Query ，但是由于重复度比较高，因此事实上只有300 万的 Query ，每个 Query255Byte，因此我们可以考虑把他们都放进内存中去，而现在只是需要一个合适的数据结构，在这里，Hash Table绝对是我们优先的选择。所以我们摒弃分而治之/hash 映射的方法，直接上hash 统计，然后排序。So，1. hash 统计：先对这批海量数据预处理(维护一个 Key 为Query 字串， Value 为该 Query 出现次数的HashTable ，即 hash_map(Query，Va

17、lue) ，每次读取一个Query ，如果该字串不在Table 中，那么加入该字串，并且将Value 值设为 1；如果该字串在Table 中，那么将该字串的计数加一即可。最终我们在O(N) 的时间复杂度内用Hash 表完成了统计；2. 堆排序：第二步、借助堆这个数据结构，找出Top K ，时间复杂度为N logK。即借助堆结构，我们可以在log 量级的时间内查找和调整/移动。因此，维护一个K(该题目中是 10) 大小的小根堆，然后遍历300 万的Query ，分别和根元素进行对比所以，我们最终的时间复杂度是：O（N） + N*O （logK ），（N为1000 万， N 为300 万）。别忘了

18、这篇文章中所述的堆排序思路：“维护 k个元素的最小堆，即用容量为k 的最小堆存储最先遍历到的k个数，并假设它们即是最大的k个数，建堆费时O（ k），并调整堆（费时O（logk ）后，有 k1k2.kmin（kmin 设为小顶堆中最小元素）。继续遍历数列，每次遍历一个元素x，与堆顶元素比较，若xkmin ，则更新堆（用时logk ），否则不更新堆。这样下来，总费名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 11 页 - - - - - - - - - 教你如何迅速秒杀掉：

19、99% 的海量数据处理面试题 - 结构之法算法之道 - 博客频道 - CSDN.NEThttp:/ 0:43:33时O（ k*logk+ （ n-k ）*logk ） =O （ n*logk ）。此方法得益于在堆中，查找等各项操作时间复杂度均为logk 。” - 第三章续、Top K算法问题的实现。当然，你也可以采用trie 树，关键字域存该查询串出现的次数，没有出现为0。最后用 10个元素的最小推来对出现频率进行排序。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 字节，内存限制大小是1M 。返回频数最高的 100 个词。由上面那两个例题，分而治之 + hash

20、统计 + 堆/快速排序这个套路，我们已经开始有了屡试不爽的感觉。下面，再拿几道再多多验证下。请看此第3题：又是文件很大，又是内存受限，咋办?还能怎么办呢?无非还是：1. 分而治之 /hash 映射：顺序读文件中，对于每个词x，取 hash(x)%5000，然后按照该值存到5000 个小文件（记为 x0,x1,.x4999）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 。2. hash 统计：对每个小文件，采用trie树/hash_map等统计每个文件中出现的词以及相应的频率。3. 堆/归并排序：取

21、出出现频率最大的100 个词（可以用含100个结点的最小堆），并把100 个词及相应的频率存入文件，这样又得到了5000 个文件。最后就是把这5000 个文件进行归并（类似于归并排序）的过程了。4 、海量数据分布在100 台电脑中，想个办法高效统计出这批数据的TOP10。此题与上面第3题类似，1. 堆排序：在每台电脑上求出TOP10 ，可以采用包含10个元素的堆完成（TOP10 小，用最大堆， TOP10 大，用最小堆）。比如求 TOP10 大，我们首先取前10个元素调整成最小堆，如果发现，然后扫描后面的数据，并与堆顶元素比较，如果比堆顶元素大，那么用该元素替换堆顶，然后再调整为最小堆。最后堆

22、中的元素就是TOP10 大。2. 求出每台电脑上的TOP10 后，然后把这 100 台电脑上的 TOP10 组合起来，共 1000 个数据，再利用上面类似的方法求出 TOP10 就可以了。上述第 4题的此解法，经读者反应有问题，如举个例子如求2个文件中的 top2 ，照上述算法，如果第一个文件里有a 49 次b 50 次c 2 次d 1次第二个文件里有a 9次b 1次c 11 次d 10 次虽然第一个文件里出来top2 是 b（ 50 次） ,a（ 49次） ,第二个文件里出来top2 是c（11次） ,d （10次） , 然后2个 top2 ：b（ 50 次） a （49次）与 c（ 11

23、次） d（ 10 次）归并，则算出所有的文件的top2 是b(50 次),a(49 次),但实际上是a(58次),b(51 次 )。是否真是如此呢?若真如此，那作何解决呢？正如老梦所述：首先，先把所有的数据遍历一遍做一次hash( 保证相同的数据条目划分到同一台电脑上进行运算)，然后根据hash 结果重新分布到100 台电脑中，接下来的算法按照之前的即可。最后由于 a可能出现在不同的电脑，各有一定的次数，再对每个相同条目进行求和（由于上一步骤中hash 之后，也方便每台电脑只需要对自己分到的条目内进行求和，不涉及到别的电脑，规模缩小）。5 、有 10 个文件，每个文件1G ，每个文件的每一行存

24、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。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 11 页 - - - - - - - - - 教你如何迅速秒杀掉：99% 的海量数据处理面试题 - 结构之法算法之道 - 博客频道 - CSDN.NEThttp:/ 0:43:33直接上：1. hash 映射：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

25、每个的大小大约也1G （假设 hash 函数是随机的）。2. hash 统计：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。注： hash_map(query,query_count)是用来统计每个query 的出现次数，不是存储他们的值，出现一次，则count+1 。3. 堆/快速 /归并排序：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）。对这10个文件进行归并排序（内排序与外排序相结合）。除此之外，此题还有

26、以下两个方法：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，然后按出现次数做快速/堆/归并排序就可以了。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。6 、 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 ？可以估计每个文件安的大小

27、为5G 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. 分而治之 /hash 映射：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300M 。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。2. hash 统计：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

28、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。 OK ，此第一种方法：分而治之/hash 映射 + hash 统计 + 堆/ 快速 / 归并排序，再看最后三道题，如下：7 、怎么在海量数据中找出重复次数最多的一个？方案 1：先做 hash ，然后求模映射为小文件，求出每个小文件中重复次数最多的一个，并记录重复次数。然后找出上一步求出的数据中重复次数最多的一个就是所求（具体参考前面的题）。8 、上千万或上亿数据（有重复），统计其中出现次数最多的钱N个数据。方案 1：上千万或上亿的数据，

29、现在的机器的内存应该能存下。所以考虑采用hash_map/搜索二叉树 /红黑树等来进行统计次数。然后就是取出前N个出现次数最多的数据了，可以用第2题提到的堆机制完成。9 、一个文本文件，大约有一万行，每行一个词，要求统计出其中最频繁出现的前10 个词，请给出思想，给出时间复杂度分析。方案 1：这题是考虑时间效率。用trie树统计每个词出现的次数，时间复杂度是O(n*le) （le表示单词的平准长度）。然后是找出出现最频繁的前10 个词，可以用堆来实现，前面的题中已经讲到了，时间复杂度是O(n*lg10) 。所以总的时间复杂度，是O(n*le) 与O(n*lg10) 中较大的哪一个。名师资料总结

30、 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 11 页 - - - - - - - - - 教你如何迅速秒杀掉：99% 的海量数据处理面试题 - 结构之法算法之道 - 博客频道 - CSDN.NEThttp:/ 0:43:33接下来，咱们来看第二种方法，双层捅划分。密匙二、双层桶划分双层桶划分 - 其实本质上还是分而治之的思想，重在“ 分” 的技巧上！适用范围：第 k大，中位数，不重复或重复的数字基本原理及要点：因为元素范围很大，不能利用直接寻址表，所以通过多次划分，逐步确定范围，

31、然后最后在一个可以接受的范围内进行。可以通过多次缩小，双层只是一个例子。扩展：问题实例：10 、2.5 亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5 亿个整数。有点像鸽巢原理，整数个数为232, 也就是，我们可以将这232 个数，划分为28 个区域 (比如用单个文件代表一个区域 )，然后将数据分离到不同的区域，然后不同的区域在利用bitmap 就可以直接解决了。也就是说只要有足够的磁盘空间，就可以很方便的解决。 11 、5 亿个 int 找它们的中位数。这个例子比上面那个更明显。首先我们将int 划分为 216 个区域，然后读取数据统计落到各个区域里的数的个数，之后我们根据统计

32、结果就可以判断中位数落到那个区域，同时知道这个区域中的第几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。实际上，如果不是int是int64 ，我们可以经过3次这样的划分即可降低到可以接受的程度。即可以先将int64 分成224 个区域，然后确定区域的第几大数，在将该区域分成220 个子区域，然后确定是子区域的第几大数，然后子区域里的数的个数只有220 ，就可以直接利用direct addr table进行统计了。密匙三： Bloom filter/BitmapBloom filter关于什么是 Bloom filter，请参看 blog 内此文：海量数据处理之Blo

33、om Filter详解适用范围：可以用来实现数据字典，进行数据的判重，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 counting Bloomfilter ，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

34、 hash 函数个数k=(ln2)*(m/n) 时错误率最小。在错误率不大于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bloom filter 内存上通常都是

35、节省的。扩展：Bloom filter 将集合中的元素映射到位数组中，用k（k为哈希函数个数）个映射位是否全1表示元素在不在这个集合中。 Counting bloom filter（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。 Spectral Bloom Filter（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名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 11 页 - - - -

36、- - - - - 教你如何迅速秒杀掉：99% 的海量数据处理面试题 - 结构之法算法之道 - 博客频道 - CSDN.NEThttp:/ 0:43:33素的出现频率。12 、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=232 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

37、一一对应的，就可以转换成ip，则大大简单了。同时，上文的第5题：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 ？如果允许有一定的错误率，可以使用Bloom filter，4G 内存大概可以表示340 亿bit。将其中一个文件中的 url 使用Bloom filter 映射为这 340 亿bit，然后挨个读取另外一个文件的url，检查是否与Bloom filter ，如果是，那么该url应该是共同的url （注意会有一定的错误率）。Bitmap关于什么是 Bitmap ，请看 blog 内此文： http:/ Bi

38、tmap 的应用，直接上题，如下第9、10 道： 13、在 2.5 亿个整数中找出不重复的整数，注，内存不足以容纳这2.5 亿个整数。方案 1：采用 2-Bitmap （每个数分配 2bit ，00 表示不存在， 01 表示出现一次，10 表示多次， 11 无意义）进行，共需内存 232 * 2 bit=1 GB内存，还可以接受。然后扫描这2.5亿个整数，查看Bitmap 中相对应位，如果是00变01，01 变10 ，10保持不变。所描完事后，查看bitmap ，把对应位是 01的整数输出即可。方案 2：也可采用与第1题类似的方法，进行划分小文件的方法。然后在小文件中找出不重复的整数，并排序。

39、然后再进行归并，注意去除重复的元素。 14、腾讯面试题：给40 亿个不重复的 unsigned int的整数，没排过序的，然后再给一个数，如何快速判断这个数是否在那40 亿个数当中？方案 1：frome oo，用位图 /Bitmap的方法，申请512M 的内存，一个bit位代表一个 unsigned int 值。读入 40 亿个数，设置相应的bit位，读入要查询的数，查看相应bit位是否为 1，为 1表示存在，为 0表示不存在。密匙四、 Trie 树/ 数据库 / 倒排索引Trie 树适用范围：数据量大，重复多，但是数据种类小可以放入内存基本原理及要点：实现方式，节点孩子的表示方式扩展：压缩实

40、现。问题实例：1. 有10 个文件，每个文件1G，每个文件的每一行都存放的是用户的query ，每个文件的query 都可能重复。要你按照 query 的频度排序。2. 1000 万字符串，其中有些是相同的(重复 ),需要把重复的全部去掉，保留没有重复的字符串。请问怎么设计和实现？3. 寻找热门查询：查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个，每个不超过 255 字节。4. 上面的第 8题：一个文本文件，大约有一万行，每行一个词，要求统计出其中最频繁出现的前10个词。其解决方法是：用 trie树统计每个词出现的次数，时间复杂度是O(n*le) （le表示单词的平准

41、长度），然后是找出出现最频繁的前10 个词。更多有关 Trie 树的介绍，请参见此文：从Trie 树（字典树）谈到后缀树。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 11 页 - - - - - - - - - 教你如何迅速秒杀掉：99% 的海量数据处理面试题 - 结构之法算法之道 - 博客频道 - CSDN.NEThttp:/ 0:43:33数据库索引适用范围：大数据量的增删改查基本原理及要点：利用数据的设计实现方法，对海量数据的增删改查进行处理。关于数据库索引及其

42、优化，更多可参见此文： http:/ MySQL 索引背后的数据结构及算法原理，这里还有一篇很好的文章： http:/www.codinglabs.org/html/theory-of-mysql-index.html；关于 B 树、 B+ 树、 B* 树及 R 树，本 blog 内有篇绝佳文章： http:/ (Inverted index)适用范围：搜索引擎，关键字查询基本原理及要点：为何叫倒排索引？一种索引方法，被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。以英文为例，下面是要被索引的文本： T0 = it is what it is T1 = what is

43、it T2 = it is a banana我们就能得到下面的反向文件索引： a: 2 banana: 2 is: 0, 1, 2 it: 0, 1, 2 what: 0, 1检索的条件 what,is 和it 将对应集合的交集。正向索引开发出来用来存储每个文档的单词的列表。正向索引的查询往往满足每个文档有序频繁的全文查询和每个单词在校验文档中的验证这样的查询。在正向索引中，文档占据了中心的位置，每个文档指向了一个它所包含的索引项的序列。也就是说文档指向了它包含的那些单词，而反向索引则是单词指向了包含它的文档，很容易看到这个反向的关系。扩展：问题实例：文档检索系统，查询那些文件包含了某单词，比

44、如常见的学术论文的关键字搜索。关于倒排索引的应用，更多请参见：第二十三、四章：杨氏矩阵查找，倒排索引关键词Hash 不重复编码实践，第二十六章：基于给定的文档生成倒排索引的编码与实践。密匙五、外排序适用范围：大数据的排序，去重基本原理及要点：外排序的归并方法，置换选择败者树原理，最优归并树扩展：问题实例：1). 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个字节，内存限制大小是1M 。返回频数最高的 100 个词。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第

45、8 页，共 11 页 - - - - - - - - - 教你如何迅速秒杀掉：99% 的海量数据处理面试题 - 结构之法算法之道 - 博客频道 - CSDN.NEThttp:/ 0:43:33这个数据具有很明显的特点，词的大小为16 个字节，但是内存只有1M做hash 明显不够，所以可以用来排序。内存可以当输入缓冲区使用。关于多路归并算法及外排序的具体应用场景，请参见blog 内此文：第十章、如何给 107个数据量的磁盘文件排序密匙六、分布式处理之Mapreduce MapReduce是一种计算模型，简单的说就是将大批量的工作（数据）分解（MAP ）执行，然后再将结果合并成最终结果（ REDU

46、CE ）。这样做的好处是可以在任务被分解后，可以通过大量机器进行并行计算，减少整个操作的时间。但如果你要我再通俗点介绍，那么，说白了，Mapreduce 的原理就是一个归并排序。适用范围：数据量大，但是数据种类小可以放入内存基本原理及要点：将数据交给不同的机器去处理，数据划分，结果归约。扩展：问题实例：1. The canonical example application of MapReduce is a process to count the appearances of eachdifferent word in a set of documents:2. 海量数据分布在100 台电

47、脑中，想个办法高效统计出这批数据的TOP10 。3. 一共有 N个机器，每个机器上有N个数。每个机器最多存O(N) 个数并对它们操作。如何找到N2 个数的中数(median) ？更多具体阐述请参见blog 内：从Hadhoop 框架与 MapReduce 模式中谈海量数据处理，及MapReduce 技术的初步了解与学习。其它模式 /方法论，结合操作系统知识至此，六种处理海量数据问题的模式/方法已经阐述完毕。据观察，这方面的面试题无外乎以上一种或其变形，然题目为何取为是：秒杀99% 的海量数据处理面试题，而不是100% 呢。 OK ，给读者看最后一道题，如下：非常大的文件，装不进内存。每行一个i

48、nt 类型数据，现在要你随机取100个数 。我们发现上述这道题，无论是以上任何一种模式/方法都不好做，那有什么好的别的方法呢？我们可以看看：操作系统内存分页系统设计(说白了，就是映射+建索引 )。 Windows 2000使用基于分页机制的虚拟内存。每个进程有4GB 的虚拟地址空间。基于分页机制，这4GB 地址空间的一些部分被映射了物理内存，一些部分映射硬盘上的交换文件，一些部分什么也没有映射。程序中使用的都是4GB 地址空间中的虚拟地址。而访问物理内存，需要使用物理地址。关于什么是物理地址和虚拟地址，请看：物理地址 (physical address): 放在寻址总线上的地址。放在寻址总线上

49、，如果是读，电路根据这个地址每位的值就将相应地址的物理内存中的数据放到数据总线中传输。如果是写，电路根据这个地址每位的值就将相应地址的物理内存中放入数据总线上的内容。物理内存是以字节(8位)为单位编址的。虚拟地址 (virtual address): 4G虚拟地址空间中的地址，程序中使用的都是虚拟地址。使用了分页机制之后， 4G 的地址空间被分成了固定大小的页，每一页或者被映射到物理内存，或者被映射到硬盘上的交换文件中，或者没有映射任何东西。对于一般程序来说， 4G的地址空间，只有一小部分映射了物理内存，大片大片的部分是没有映射任何东西。物理内存也被分页，来映射地址空间。对于32bit 的 W

50、in2k ，页的大小是4K 字节。 CPU 用来把虚拟地址转换成物理地址的信息存放在叫做页目录和页表的结构里。物理内存分页，一个物理页的大小为4K字节，第 0个物理页从物理地址 0 x00000000 处开始。由于页的大小为4KB ，就是 0 x1000 字节，所以第1页从物理地址 0 x00001000 处开始。第 2页从物理地址 0 x00002000 处开始。可以看到由于页的大小是4KB ，所以只需要32bit 的地址中高 20bit 来寻址物理页。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - -