1、如有幫助，歡迎下載支持十個海量數據處理方法大總結ok，看了上面這么多的面試題，是否有點頭暈。是的，需要一個總結。接下來，本文將簡單總結下一 些處理海量數據問題的常見方法，而日后，本BLOG內會具體闡述這些方法。下面的方法全部來自博客，對海量數據的處理方法進行了一個一般性的總結，當然這些方法可能并不 能完全覆蓋所有的問題，但是這樣的一些方法也基本可以處理絕大多數遇到的問題。下面的一些問題 基本直接來源于公司的面試筆試題目，方法不一定最優，如果你有更好的處理方法，歡迎討論。、Bloom filter適用范圍：可以用來實現數據字典，進行數據的判重，或者集合求交集基本原理及要點：對于原理來說很簡單，位

2、數組+k個獨立hash函數。將hash函數對應的值的位數組置 1，查找時如果發現所有hash函數對應位都是1說明存在，很明顯這個過程并不保證查找的結果是100%正確的。同時也不支持刪除一個已經插入的關鍵字，因為該關鍵字對應的位會牽動到其他的關鍵字。所以一個 簡單的改進就是 counting Bloom filter ，用一個counter數組代替位數組，就可以支持刪除了。還有一個比較重要的問題，如何根據輸入元素個數n,確定位數組 m的大小及hash函數個數。當hash函數個數k=(ln2)*(m/n)時錯誤率最小。在錯誤率不大于 E的情況下，m至少要等于n*lg(1/E) 才能表示任意n個元素

3、的集合。但 m還應該更大些，因為還要保證 bit數組里至少一半為 0,則m應 該=門1 g(1/E)*lge 大概就是nlg(1/E)1.44 倍(lg表示以2為底的對數)。舉個例子我們假設錯誤率為0.01，則此時m應大概是n的13倍。這樣k大概是8個。注意這里m與n的單位不同，m是bit為單位，而n則是以元素個數為單位(準確的說是不同元素 的個數)。通常單個元素的長度都是有很多bit的。所以使用bloom filter內存上通常都是節省的。擴展：Bloom filter將集合中的元素映射到位數組中，用k (k為哈希函數個數)個映射位是否全1表示元素在不在這個集合中。Counting bloo

4、m filter( CBF )將位數組中的每一位擴展為一個counter，從而支持了元素的刪除操作。Spectral Bloom Filter (SBF )將其與集合元素的出現次數關聯。SBF采用counter中的最小值來近似表示元素的出現頻率。問題實例：給你 A,B兩個文件，各存放 50億條URL，每條URL占用64字節，內存限制是 4G, 讓你找出A,B文件共同的URL。如果是三個乃至 n個文件呢？根據這個問題我們來計算下內存的占用，4G=232大概是40億*8大概是340億，n=50億，如果按出錯率0.01算需要的大概是650億個bit?，F在可用的是340億，相差并不多，這樣可能會使出

5、錯率上升些。另外如果這些 urlip是一一對應的，就可以轉換成ip，則大大簡單了。二、Hashing適用范圍：快速查找，刪除的基本數據結構，通常需要總數據量可以放入內存基本原理及要點：hash函數選擇，針對字符串，整數，排列，具體相應的hash方法。碰撞處理，一種是 open hashing，也稱為拉鏈法；另一種就是closed hashing ，也稱開地址法，ope ned address ing 。擴展：d-left hashing 中的d是多個的意思，我們先簡化這個問題，看一看 2-left hashing 。2-left hashing 指的是將一個哈希表分成長度相等的兩半，分別叫做T

6、1和T2，給T1和T2分別配備一個哈希函數，h1和h2。在存儲一個新的key時，同時用兩個哈希函數進行計算，得出兩個地址h1key和h2key。這時需要檢查 T1中的h1key位置和T2中的h2key位置，哪一個位置已經存儲的（有碰撞的）key比較多，然后將新 key存儲在負載少的位置。如果兩邊一樣多，比如兩個位置都為空或者都存儲了一 個key，就把新key存儲在左邊的T1子表中，2-left也由此而來。在查找一個key時，必須進行兩次hash，同時查找兩個位置。問題實例：1）.海量日志數據，提取出某日訪問百度次數最多的那個IP。IP的數目還是有限的，最多2A32個，所以可以考慮使用hash將

7、ip直接存入內存，然后進行統計。三、bit-map適用范圍：可進行數據的快速查找，判重，刪除，一般來說數據范圍是int的10倍以下基本原理及要點：使用bit數組來表示某些元素是否存在，比如8位電話號碼擴展：bloom filter可以看做是對 bit-map的擴展問題實例：1) 已知某個文件內包含一些電話號碼，每個號碼為8位數字，統計不同號碼的個數。8位最多99 999 999，大概需要99m個bit，大概10幾m字節的內存即可。2) 2.5億個整數中找出不重復的整數的個數，內存空間不足以容納這2.5億個整數。將bit-map擴展一下，用2bit表示一個數即可，0表示未出現，1表示出現一次，2

8、表示出現2次 及以上?；蛘呶覀儾挥?2bit來進行表示，我們用兩個bit-map即可模擬實現這個 2bit-map。四、堆適用范圍：海量數據前n大，并且n比較小，堆可以放入內存基本原理及要點：最大堆求前n小，最小堆求前n大。方法，比如求前 n小，我們比較當前元素與最大堆里的最大元素，如果它小于最大元素，則應該替換那個最大元素。這樣最后得到的n個元素就是最小的n個。適合大數據量，求前n小，n的大小比較小的情況，這樣可以掃描一遍即可得到所有的前n元素，效率很高。擴展：雙堆，一個最大堆與一個最小堆結合，可以用來維護中位數。問題實例：1)100w個數中找最大的前100個數。用一個100個元素大小的最小

9、堆即可。五、 雙層桶劃分-其實本質上就是【分而治之】的思想，重在分”的技巧上！適用范圍：第k大，中位數，不重復或重復的數字基本原理及要點：因為元素范圍很大，不能利用直接尋址表，所以通過多次劃分，逐步確定范圍， 然后最后在一個可以接受的范圍內進行?？梢酝ㄟ^多次縮小，雙層只是一個例子。擴展：問題實例：1) 25億個整數中找出不重復的整數的個數，內存空間不足以容納這2.5億個整數。有點像鴿巢原理，整數個數為 2A32,也就是，我們可以將這 2A32個數，劃分為2A8個區域(比如 用單個文件代表一個區域)，然后將數據分離到不同的區域，然后不同的區域在利用bitmap就可以直接解決了。也就是說只要有足夠

10、的磁盤空間，就可以很方便的解決。2) .5億個int找它們的中位數。這個例子比上面那個更明顯。首先我們將int劃分為2A16個區域，然后讀取數據統計落到各個區域里的數的個數，之后我們根據統計結果就可以判斷中位數落到那個區域，同時知道這個區域中的第 幾大數剛好是中位數。然后第二次掃描我們只統計落在這個區域中的那些數就可以了。實際上，如果不是int是int64 ,我們可以經過 3次這樣的劃分即可降低到可以接受的程度。即可 以先將int64分成2A24個區域，然后確定區域的第幾大數，在將該區域分成2人20個子區域，然后確定是子區域的第幾大數，然后子區域里的數的個數只有2A20，就可以直接利用 dir

11、ect addr table 進行統計了。六、數據庫索引適用范圍：大數據量的增刪改查基本原理及要點：利用數據的設計實現方法，對海量數據的增刪改查進行處理。七、倒排索引(Inverted index)適用范圍：搜索引擎，關鍵字查詢基本原理及要點：為何叫倒排索引？一種索引方法，被用來存儲在全文搜索下某個單詞在一個文 檔或者一組文檔中的存儲位置的映射。以英文為例，下面是要被索引的文本：TO = it is what it isT1 = what is itT2 = it is a banana我們就能得到下面的反向文件索引：a: 2ba nana: 2is: 0, 1,2it: 0, 1,2what

12、: 0, 1檢索的條件what,is和it將對應集合的交集。正向索引開發出來用來存儲每個文檔的單詞的列表。正向索引的查詢往往滿足每個文檔有序頻繁 的全文查詢和每個單詞在校驗文檔中的驗證這樣的查詢。在正向索引中，文檔占據了中心的位置，每 個文檔指向了一個它所包含的索引項的序列。也就是說文檔指向了它包含的那些單詞，而反向索引則 是單詞指向了包含它的文檔，很容易看到這個反向的關系。擴展：問題實例：文檔檢索系統，查詢那些文件包含了某單詞，比如常見的學術論文的關鍵字搜索。八、外排序適用范圍：大數據的排序，去重基本原理及要點：外排序的歸并方法，置換選擇敗者樹原理，最優歸并樹擴展：問題實例：1).有一個1G

13、大小的一個文件，里面每一行是一個詞，詞的大小不超過16個字節，內存限制大小是1M。返回頻數最高的100個詞。這個數據具有很明顯的特點，詞的大小為16個字節，但是內存只有 1m做hash有些不夠，所以可以用來排序。內存可以當輸入緩沖區使用。九、trie樹適用范圍：數據量大，重復多，但是數據種類小可以放入內存基本原理及要點：實現方式，節點孩子的表示方式擴展：壓縮實現。問題實例：1) .有10個文件，每個文件1G ,每個文件的每一行都存放的是用戶的query，每個文件的query都可能重復。要你按照 query的頻度排序。2) .1000萬字符串，其中有些是相同的(重復),需要把重復的全部去掉，保留

14、沒有重復的字符串。請問怎么設計和實現？3) .尋找熱門查詢：查詢串的重復度比較高，雖然總數是1千萬，但如果除去重復后，不超過3百萬個，每個不超過 255字節。十、分布式處理 mapreduce適用范圍：數據量大，但是數據種類小可以放入內存基本原理及要點：將數據交給不同的機器去處理，數據劃分，結果歸約。擴展：問題實例：1) .The canoni cal example applicati on of MapReduce is a process to count the appeara nces ofeach differe nt word in a set of docume nts:2)

15、.海量數據分布在100臺電腦中，想個辦法高效統計出這批數據的TOP10。3) . 一共有N個機器，每個機器上有N個數。每個機器最多存 O(N)個數并對它們操作。如何找到NA2個數的中數(median) ？經典問題分析上千萬or億數據(有重復)，統計其中出現次數最多的前N個數據，分兩種情況：可一次讀入內存，不可一次讀入。可用思路：trie樹+堆，數據庫索引，劃分子集分別統計，hash，分布式計算，近似統計，外排序所謂的是否能一次讀入內存，實際上應該指去除重復后的數據量。如果去重后數據可以放入內存，我們可以為數據建立字典，比如通過map， hashmap , trie，然后直接進行統計即可。當然在

16、更新每條數據的出現次數的時候，我們可以利用一個堆來維護出現次數最多的前N個數據，當然這樣導致維護次數增加，不如完全統計后在求前N大效率高。如果數據無法放入內存。一方面我們可以考慮上面的字典方法能否被改進以適應這種情形，可以做的改變就是將字典存放到硬盤上，而不是內存，這可以參考數據庫的存儲方法。當然還有更好的方法，就是可以采用分布式計算，基本上就是map-reduce過程，首先可以根據數據值或者把數據 hash(md5)后的值，將數據按照范圍劃分到不同的機子，最好可以讓數據劃分后可 以一次讀入內存，這樣不同的機子負責處理各種的數值范圍，實際上就是map。得到結果后，各個機子只需拿出各自的出現次數

17、最多的前N個數據，然后匯總，選出所有的數據中出現次數最多的前N個數據，這實際上就是 reduce過程。實際上可能想直接將數據均分到不同的機子上進行處理，這樣是無法得到正確的解的。因為一個數據可能被均分到不同的機子上，而另一個則可能完全聚集到一個機子上，同時還可能存在具有相同 數目的數據。比如我們要找出現次數最多的前100個，我們將1000萬的數據分布到10臺機器上，找到每臺出現次數最多的前100個，歸并之后這樣不能保證找到真正的第100個，因為比如出現次數最多的第100個可能有1萬個，但是它被分到了 10臺機子，這樣在每臺上只有1千個，假設這些機子排名在1000個之前的那些都是單獨分布在一臺機子上的，比如有 1001個，這樣本來具有 1萬個的這 個就會被淘汰，即使我們讓每臺機子選出出現次數最多的1000個再歸并，仍然會出錯，因