大数据量,海量数据 处理方法总结.docx

《大数据量,海量数据 处理方法总结.docx》由会员分享，可在线阅读，更多相关《大数据量,海量数据 处理方法总结.docx（10页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、大数据量，海量数据 处理方法总结从目前大公司用的比较多的数据处理系统角度，你可以去看看关于 ，, 的书，纯粹讲海量数据处理的没见过，,这个是关于海量数据挖掘 的大数据量的问题是不少面试笔试中时常浮现的问题，比如baidu google腾讯这样的一些 涉及到海量数据的公司时常会问到。下面的方法是我对海量数据的处理方法进行了一个普通性的总结，固然这些方法可能并不能 彻底覆盖所有的问题，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， 欢迎与我讨论。1.Bloom filter合用范围：可以用来实现数据字典

2、，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 Bloom filter,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(l/E)才干表示任意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(l/E)*lge大概就是nlg(l/E)L44倍(1g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不少bit的。所以使用bloom filter内存上 通常都是节省的。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

4、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13-2图形和空间问题17413-3本章小结 184第14章知识问题18514.1 准备18514.2 问题18614-3本章小结 191第15章非技术问题19215.1为什么要问非技术问题19215-2 问题 19315-3本章小结 199第16章结束语 200附录A简历 201合元素的浮现次数关联。SBF采用counter中的最小值来近似表示元素的浮现频率。问题实例：

5、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URLo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人32大概是40亿*8大概是340亿，n=50 亿,如果按出错率0.01算需要的大概是650亿个bito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。此外如果这些urlip是一一对应的，就可以转换成ip,则 大大简单了。2 .Hashing合用范围：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，罗列，具体相应的hash方法。碰撞处理

6、，一种是open hashing,也称为拉链法；另一种就是closed hashing,也称开 土也址法，opened addressing。扩展：d-left hashing中的d是多个的意思，我们先简化这个问题，看一看2-left hashing。2-left hashing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，hl和h2o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hlkey和h2keyo这时需要检查T1中的hlkey位置和T2中的h2key 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

7、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人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。3 .bit-map合用范围：可进行数据的快速查找，判重，删除，普通来说数据范围是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：bloom filter可以看做是对bit-map的扩展

8、问题实例:1)已知某个文件内包含一些电话号码，每一个号码为8位数字，统计不同号码的个数。8位最多99 999 999,大概需要99m个bit,大概10几m字节的内存即可。2)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。将bit-map扩展一下，用2bit表示一个数即可，0表示未浮现，1表示浮现一次，2表示 浮现2次及以上。或者我们不用2bit来进行表示，我们用两个bit-map即可摹拟实现这个 2bit-mapo4 .堆合用范围：海量数据前n大，并且n比较小，堆可以放入内存基本原理及要点：最大堆求前n小，最小堆求前n大。方法，比如求前n小，我们比较当 前元素与最

9、大堆里的最大元素，如果它小于最大元素，则应该替换那个最大元素。这样最后 得到的n个元素就是最小的n个。适合大数据量，求前n小，n的大小比较小的情况，这 样可以扫描一遍即可得到所有的前n元素，效率很高。扩展：双堆，一个最大堆与一个最小堆结合，可以用来维护中位数。问题实例：l)100w个数中找最大的前100个数。用一个100个元素大小的最小堆即可。5 .双层桶划分合用范围：第k大，中位数，不重复或者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，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：1) .2.5亿

10、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2人32,也就是，我们可以将这2人32个数，划分为2人8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。2) .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2人16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

11、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2八24个区域，然后确定区域的第几大数，在将该区域分成2人20 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惟独2人20,就可以直 接利用direct addr table进行统计了。6 .数据库索引合用范围：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。扩展：问题实例：7 .倒排索引(Inverted index)合用范围：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

12、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：我们就能得到下面的反向文件索引：0, 1, 2(0, 1, 20, 1检索的条件和 将对应集合的交集。正向索引开辟出来用来存储每一个文档的单词的列表。正向索引的查询往往满足每一个文档 有序 频繁的全文查询和每一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 占领了中心的位置，每一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，比如常见的学术论文

13、的关键字搜索。8 ,外排序合用范围：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。这个数据具有很明显的特点，词的大小为16个字节，但是内存惟独1m做hash有些不够， 所以可以用来排序。内存可以当输入缓冲区使用。9.trie 树合用范围：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：压缩实现。问题实例：1),有10个文件，每一个文件1G, 每一个文件的每一行都存放的是

14、用户的query,每一 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),寻觅热门查询：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，每一个不超过255字节。10.分布式处理 mapreduce合用范围：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：l).The canonical example application of MapReduce is a pro

15、cess to count the appearances ofeach different word in a set of documents:void map(String name, String document):/ name: document name/ document: document contentsfor each word w in document:Emitlntermediate(w, 1);void reduce(String word, Iterator partialCounts):/ key: a word/ values: a list of aggr

16、egated partial countsint result = 0;for each v in partialCounts:result += Parselnt(v);Emit(result);Here, each document is split in words, and each word is counted initially with athe Map function, using the word as the result key. The framework puts together all the pairswith the same key and feeds

17、them to the same call to Reduce, thus this function just needs tosum all of its input values to find the total appearances of that word.2),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TOPlOo3).一共有N个机器，每一个机器上有N个数。每一个机器最多存O(N)个数并对它们操作。如 何找到N人2个数的中数(median)?经典问题分析上千万or亿数据(有重复)，统计其中浮现次数最多的前N个数据，分两种情况：可一次 读入内存，不可一次读入。可用

18、思路：trie树+堆，数据库索引，划份子集分别统计，hash,分布式计算，近似统计， 外排序所谓的是否能一次读入内存，实际上应该指去除重复后的数据量。如果去重后数据可以放入 内存，我们可以为数据建立字典，比如通过map, hashmap, trie,然后直接进行统计即 可。固然在更新每条数据的浮现次数的时候，我们可以利用一个堆来维护浮现次数最多的前 N个数据，固然这样导致维护次数增加，不如彻底统计后在求前N大效率高。如果数据无法放入内存。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形， 可以做的改变就是将字典存放到硬盘上，而不是内存，这可以参考数据库的存储方法。固然还有更好的方法，就

19、是可以采用分布式计算，基本上就是map-reduce过程，首先可 以根据数据值或者把数据hash(md5)后的值，将数据按照范围划分到不同的机子，最好可 以让数据划分后可以一次读入内存，这样不同的机子负责处理各种的数值范围，实际上就是 map。得到结果后，各个机子只需拿出各自的浮现次数最多的前N个数据，然后汇总，选 出所有的数据中浮现次数最多的前N个数据，这实际上就是reduce过程。实际上可能想直接将数据均分到不同的机子上进行处理，这样是无法得到正确的解的。因为 一个数据可能被均分到不同的机子上，而另一个则可能彻底会萃到一个机子上，同时还可能 存在具有相同数目的数据。比如我们要找浮现次数最多

20、的前100个，我们将1000万的数 据分布到10台机器上，找到每台浮现次数最多的前100个，归并之后这样不能保证找到 真正的第100个，因为比如浮现次数最多的第100个可能有1万个，但是它被分到了 10 台机子，这样在每台上惟独1千个，假设这些机子排名在1000个之前的那些都是单独分 布在一台机子上的，比如有1001个，这样本来具有1万个的这个就会被淘汰，即使我们 让每台机子选出浮现次数最多的1000个再归并，仍然会出错，因为可能存在大量个数为 1001个的发生会萃。因此不能将数据随便均分到不同机子上，而是要根据hash后的值将 它们映射到不同的机子上处理，让不同的机器处理一个数值范围。而外排

21、序的方法会消耗大量的10,效率不会很高。而上面的分布式方法，也可以用于单机 版本，也就是将总的数据根据值的范围，划分成多个不同的子文件，然后逐个处理。处理完 毕之后再对这些单词的及其浮现频率进行一个归并。实际上就可以利用一个外排序的归并过 程。此外还可以考虑近似计算，也就是我们可以通过结合自然语言属性，只将那些真正实际中出 现最多的那些词作为一个字典，使得这个规模可以放入内存。看来今天看书的效率蛮高的，居然看了两本，虽然都不是很厚，200页摆布。这本也是国外写的，跟ms出的那本编程之美很类似，无非这个题目更 简短些，覆盖了面试的方方面面，不少题目都基本上见过所以看的比较快。总体来说，写的还算不

22、错，例子也比较合适下面说几个常见的，几个的思路基本上还是自己搞的1 .按照树的结构，打印一棵树：中序遍历得到距离左边的位置，bfs打印2 .带有head,tail链表的插入，删除注意head,tail的边界下的赋值及变化1.1 CA(最深公共祖先)：特殊的对于bst,可以看到其最深祖先是出于二者之间的那个，而其他祖先则 均比他们大普通的来说，可以通过遍历祖先存在数组，比较相同的那个此外一种思路是将节点指向根，使其形成环-链表环的检测，这个方法对于 具有parent指针的树比较有效其他的可以参考tarjin离线算法对于链表来说，设两个指针是个很机灵的思路可以解决-求链表中点，求距 最后节点距离m

23、的节点，以及检测环里的追步法4 .海量整型数求第k大：整形数可以先分段统计，然后再在相应段内计数排序同时该思路对于2亿元素，寻觅缺失整数元素也可以5 .n个有序列求第k大减治法：比较每一个序列的第k/n大元素，舍弃最小的那个序列之前的元素, 同时变成求第(n-i)/nk大元素6 .颠倒单词浮现顺序不断重复reverse操作，这也是一个通用思路，比如可以求一个串的循环移位 的结果。7 .第一个无重复字符字符hash8 .删除指定字符字符hash+空间重用9 .判断矩形是否相交考虑不相交的条件10 .生产者消费者模型11 .统计1的个数x=x&(x-i)12 .递归到非递归利用栈另，直接考虑迭代：树的中序，可以借鉴bst的后继者实现，迭代求后继者13 .智力： 天平承重，过桥问题，猎狗追兔子，躲车问题，开关(彻底平方数)