海量數(shù)據(jù)專題.docx

海量數(shù)據(jù)Bloom filter適用范圍：可以用來(lái)實(shí)現(xiàn)數(shù)據(jù)字典，進(jìn)行數(shù)據(jù)的判重，或者集合求交集.當(dāng)hash函數(shù)個(gè)數(shù)k=(ln2)*(m/n)時(shí)錯(cuò)誤率最小; m應(yīng)該=nlg(1/E)*lge;Hashing適用范圍：快速查找，刪除的基本數(shù)據(jù)結(jié)構(gòu)，通常需要總數(shù)據(jù)量可以放入內(nèi)存Bit-map適用范圍：可進(jìn)行數(shù)據(jù)的快速查找，判重，刪除，一般來(lái)說(shuō)數(shù)據(jù)范圍是int的10倍以下堆適用范圍：海量數(shù)據(jù)前n大，并且n比較小，堆可以放入內(nèi)存倒排索引適用范圍：搜索引擎，關(guān)鍵字查詢外排序適用范圍：大數(shù)據(jù)的排序，去重基本原理及要點(diǎn)：外排序的歸并方法，置換選擇 敗者樹原理，最優(yōu)歸并樹Trie適用范圍：數(shù)據(jù)量大，重復(fù)多，但是數(shù)據(jù)種類小可以放入內(nèi)存基本原理及要點(diǎn)：實(shí)現(xiàn)方式，節(jié)點(diǎn)孩子的表示方式分布式處理適用范圍：數(shù)據(jù)量大，但是數(shù)據(jù)種類小可以放入內(nèi)存基本原理及要點(diǎn)：將數(shù)據(jù)交給不同的機(jī)器去處理，數(shù)據(jù)劃分，結(jié)果歸約。何謂海量數(shù)據(jù)處理？ 所謂海量數(shù)據(jù)處理，其實(shí)很簡(jiǎn)單，海量，海量，何謂海量，就是數(shù)據(jù)量太大，所以導(dǎo)致要么是無(wú)法在較短時(shí)間內(nèi)迅速解決，要么是數(shù)據(jù)太大，導(dǎo)致無(wú)法一次性裝入內(nèi)存。 那解決辦法呢?針對(duì)時(shí)間，我們可以采用巧妙的算法搭配合適的數(shù)據(jù)結(jié)構(gòu)，如Bloom filter/Hash/bit-map/堆/數(shù)據(jù)庫(kù)或倒排索引/trie/，針對(duì)空間，無(wú)非就一個(gè)辦法：大而化?。悍侄沃?hash映射，你不是說(shuō)規(guī)模太大嘛，那簡(jiǎn)單啊，就把規(guī)模大化為規(guī)模小的，各個(gè)擊破不就完了嘛。 至于所謂的單機(jī)及集群?jiǎn)栴}，通俗點(diǎn)來(lái)講，單機(jī)就是處理裝載數(shù)據(jù)的機(jī)器有限(只要考慮cpu，內(nèi)存，硬盤的數(shù)據(jù)交互)，而集群，機(jī)器有多輛，適合分布式處理，并行計(jì)算(更多考慮節(jié)點(diǎn)和節(jié)點(diǎn)間的數(shù)據(jù)交互)。 再者，通過(guò)本blog內(nèi)的有關(guān)海量數(shù)據(jù)處理的文章，我們已經(jīng)大致知道，處理海量數(shù)據(jù)問(wèn)題，無(wú)非就是：分而治之/hash映射 + hash統(tǒng)計(jì) + 堆/快速/歸并排序； 雙層桶劃分 Bloom filter/Bitmap； Trie樹/數(shù)據(jù)庫(kù)/倒排索引； 外排序； 分布式處理之Hadoop/Mapreduce。 本文接下來(lái)的部分，便針對(duì)這6種方法模式結(jié)合對(duì)應(yīng)的海量數(shù)據(jù)處理面試題分別具體闡述。處理海量數(shù)據(jù)問(wèn)題之六把密匙密匙一、分而治之/Hash映射 + Hash統(tǒng)計(jì) + 堆/快速/歸并排序1、海量日志數(shù)據(jù)，提取出某日訪問(wèn)百度次數(shù)最多的那個(gè)IP。 既然是海量數(shù)據(jù)處理，那么可想而知，給我們的數(shù)據(jù)那就一定是海量的。針對(duì)這個(gè)數(shù)據(jù)的海量，我們?nèi)绾沃帜?對(duì)的，無(wú)非就是分而治之/hash映射 + hash統(tǒng)計(jì) + 堆/快速/歸并排序，說(shuō)白了，就是先映射，而后統(tǒng)計(jì)，最后排序： 分而治之/hash映射：針對(duì)數(shù)據(jù)太大，內(nèi)存受限，只能是：把大文件化成(取模映射)小文件，即16字方針：大而化小，各個(gè)擊破，縮小規(guī)模，逐個(gè)解決 hash統(tǒng)計(jì)：當(dāng)大文件轉(zhuǎn)化了小文件，那么我們便可以采用常規(guī)的Hashmap(ip，value)來(lái)進(jìn)行頻率統(tǒng)計(jì)。 堆/快速排序：統(tǒng)計(jì)完了之后，便進(jìn)行排序(可采取堆排序)，得到次數(shù)最多的IP。 具體而論，則是： “首先是這一天，并且是訪問(wèn)百度的日志中的IP取出來(lái)，逐個(gè)寫入到一個(gè)大文件中。注意到IP是32位的，最多有個(gè)232個(gè)IP。同樣可以采用映射的方法，比如模1000，把整個(gè)大文件映射為1000個(gè)小文件，再找出每個(gè)小文中出現(xiàn)頻率最大的IP（可以采用Hash_map進(jìn)行頻率統(tǒng)計(jì)，然后再找出頻率最大的幾個(gè)）及相應(yīng)的頻率。然后再在這1000個(gè)最大的IP中，找出那個(gè)頻率最大的IP，即為所求。”-十道海量數(shù)據(jù)處理面試題與十個(gè)方法大總結(jié)。2、搜索引擎會(huì)通過(guò)日志文件把用戶每次檢索使用的所有檢索串都記錄下來(lái)，每個(gè)查詢串的長(zhǎng)度為1-255字節(jié)。 假設(shè)目前有一千萬(wàn)個(gè)記錄（這些查詢串的重復(fù)度比較高，雖然總數(shù)是1千萬(wàn)，但如果除去重復(fù)后，不超過(guò)3百萬(wàn)個(gè)。一個(gè)查詢串的重復(fù)度越高，說(shuō)明查詢它的用戶越多，也就是越熱門。），請(qǐng)你統(tǒng)計(jì)最熱門的10個(gè)查詢串，要求使用的內(nèi)存不能超過(guò)1G。 由上面第1題，我們知道，數(shù)據(jù)大則劃為小的，但如果數(shù)據(jù)規(guī)模比較小，能一次性裝入內(nèi)存呢?比如這第2題，雖然有一千萬(wàn)個(gè)Query，但是由于重復(fù)度比較高，因此事實(shí)上只有300萬(wàn)的Query，每個(gè)Query255Byte，因此我們可以考慮把他們都放進(jìn)內(nèi)存中去，而現(xiàn)在只是需要一個(gè)合適的數(shù)據(jù)結(jié)構(gòu)，在這里，Hash Table絕對(duì)是我們優(yōu)先的選擇。所以我們摒棄分而治之/hash映射的方法，直接上hash統(tǒng)計(jì)，然后排序。So，hash統(tǒng)計(jì)：先對(duì)這批海量數(shù)據(jù)預(yù)處理(維護(hù)一個(gè)Key為Query字串，Value為該Query出現(xiàn)次數(shù)的HashTable，即Hashmap(Query，Value)，每次讀取一個(gè)Query，如果該字串不在Table中，那么加入該字串，并且將Value值設(shè)為1；如果該字串在Table中，那么將該字串的計(jì)數(shù)加一即可。最終我們?cè)贠(N)的時(shí)間復(fù)雜度內(nèi)用Hash表完成了統(tǒng)計(jì)； 堆排序：第二步、借助堆這個(gè)數(shù)據(jù)結(jié)構(gòu)，找出Top K，時(shí)間復(fù)雜度為NlogK。即借助堆結(jié)構(gòu)，我們可以在log量級(jí)的時(shí)間內(nèi)查找和調(diào)整/移動(dòng)。因此，維護(hù)一個(gè)K(該題目中是10)大小的小根堆，然后遍歷300萬(wàn)的Query，分別和根元素進(jìn)行對(duì)比所以，我們最終的時(shí)間復(fù)雜度是：O（N） + N*O（logK），（N為1000萬(wàn)，N為300萬(wàn)）。 別忘了這篇文章中所述的堆排序思路：“維護(hù)k個(gè)元素的最小堆，即用容量為k的最小堆存儲(chǔ)最先遍歷到的k個(gè)數(shù)，并假設(shè)它們即是最大的k個(gè)數(shù)，建堆費(fèi)時(shí)O（k），并調(diào)整堆（費(fèi)時(shí)O（logk）后，有k1k2.kmin（kmin設(shè)為小頂堆中最小元素）。繼續(xù)遍歷數(shù)列，每次遍歷一個(gè)元素x，與堆頂元素比較，若xkmin，則更新堆（用時(shí)logk），否則不更新堆。這樣下來(lái)，總費(fèi)時(shí)O（k*logk+（n-k）*logk）=O（n*logk）。此方法得益于在堆中，查找等各項(xiàng)操作時(shí)間復(fù)雜度均為logk?！?第三章續(xù)、Top K算法問(wèn)題的實(shí)現(xiàn)。 當(dāng)然，你也可以采用trie樹，關(guān)鍵字域存該查詢串出現(xiàn)的次數(shù)，沒(méi)有出現(xiàn)為0。最后用10個(gè)元素的最小推來(lái)對(duì)出現(xiàn)頻率進(jìn)行排序。3、有一個(gè)1G大小的一個(gè)文件，里面每一行是一個(gè)詞，詞的大小不超過(guò)16字節(jié)，內(nèi)存限制大小是1M。返回頻數(shù)最高的100個(gè)詞。 由上面那兩個(gè)例題，分而治之 + hash統(tǒng)計(jì) + 堆/快速排序這個(gè)套路，我們已經(jīng)開始有了屢試不爽的感覺(jué)。下面，再拿幾道再多多驗(yàn)證下。請(qǐng)看此第3題：又是文件很大，又是內(nèi)存受限，咋辦?還能怎么辦呢?無(wú)非還是：分而治之/hash映射：順序讀文件中，對(duì)于每個(gè)詞x，取hash(x)%5000，然后按照該值存到5000個(gè)小文件（記為x0,x1,.x4999）中。這樣每個(gè)文件大概是200k左右。如果其中的有的文件超過(guò)了1M大小，還可以按照類似的方法繼續(xù)往下分，直到分解得到的小文件的大小都不超過(guò)1M。 hash統(tǒng)計(jì)：對(duì)每個(gè)小文件，采用trie樹/hash_map等統(tǒng)計(jì)每個(gè)文件中出現(xiàn)的詞以及相應(yīng)的頻率。 堆/歸并排序：取出出現(xiàn)頻率最大的100個(gè)詞（可以用含100個(gè)結(jié)點(diǎn)的最小堆），并把100個(gè)詞及相應(yīng)的頻率存入文件，這樣又得到了5000個(gè)文件。最后就是把這5000個(gè)文件進(jìn)行歸并（類似于歸并排序）的過(guò)程了。4、海量數(shù)據(jù)分布在100臺(tái)電腦中，想個(gè)辦法高效統(tǒng)計(jì)出這批數(shù)據(jù)的TOP10。 此題與上面第3題類似，堆/歸并排序：在每臺(tái)電腦上求出TOP10，可以采用包含10個(gè)元素的堆完成（TOP10小，用最大堆，TOP10大，用最小堆）。比如求TOP10大，我們首先取前10個(gè)元素調(diào)整成最小堆，如果發(fā)現(xiàn)，然后掃描后面的數(shù)據(jù)，并與堆頂元素比較，如果比堆頂元素大，那么用該元素替換堆頂，然后再調(diào)整為最小堆。最后堆中的元素就是TOP10大。 求出每臺(tái)電腦上的TOP10后，然后把這100臺(tái)電腦上的TOP10組合起來(lái)，共1000個(gè)數(shù)據(jù)，再利用上面類似的方法求出TOP10就可以了。5、有10個(gè)文件，每個(gè)文件1G，每個(gè)文件的每一行存放的都是用戶的query，每個(gè)文件的query都可能重復(fù)。要求你按照query的頻度排序。 直接上：hash映射：順序讀取10個(gè)文件，按照hash(query)%10的結(jié)果將query寫入到另外10個(gè)文件（記為）中。這樣新生成的文件每個(gè)的大小大約也1G（假設(shè)hash函數(shù)是隨機(jī)的）。 hash統(tǒng)計(jì)：找一臺(tái)內(nèi)存在2G左右的機(jī)器，依次對(duì)用hash_map(query, query_count)來(lái)統(tǒng)計(jì)每個(gè)query出現(xiàn)的次數(shù)。注：hash_map(query,query_count)是用來(lái)統(tǒng)計(jì)每個(gè)query的出現(xiàn)次數(shù)，不是存儲(chǔ)他們的值，出現(xiàn)一次，則count+1。 堆/快速/歸并排序：利用快速/堆/歸并排序按照出現(xiàn)次數(shù)進(jìn)行排序。將排序好的query和對(duì)應(yīng)的query_cout輸出到文件中。這樣得到了10個(gè)排好序的文件（記為）。對(duì)這10個(gè)文件進(jìn)行歸并排序（內(nèi)排序與外排序相結(jié)合）。 除此之外，此題還有以下兩個(gè)方法： 方案2：一般query的總量是有限的，只是重復(fù)的次數(shù)比較多而已，可能對(duì)于所有的query，一次性就可以加入到內(nèi)存了。這樣，我們就可以采用trie樹/hash_map等直接來(lái)統(tǒng)計(jì)每個(gè)query出現(xiàn)的次數(shù)，然后按出現(xiàn)次數(shù)做快速/堆/歸并排序就可以了。 方案3：與方案1類似，但在做完hash，分成多個(gè)文件后，可以交給多個(gè)文件來(lái)處理，采用分布式的架構(gòu)來(lái)處理（比如MapReduce），最后再進(jìn)行合并。6、 給定a、b兩個(gè)文件，各存放50億個(gè)url，每個(gè)url各占64字節(jié)，內(nèi)存限制是4G，讓你找出a、b文件共同的url？ 可以估計(jì)每個(gè)文件安的大小為5G64=320G，遠(yuǎn)遠(yuǎn)大于內(nèi)存限制的4G。所以不可能將其完全加載到內(nèi)存中處理?？紤]采取分而治之的方法。分而治之/hash映射：遍歷文件a，對(duì)每個(gè)url求取，然后根據(jù)所取得的值將url分別存儲(chǔ)到1000個(gè)小文件（記為）中。這樣每個(gè)小文件的大約為300M。遍歷文件b，采取和a相同的方式將url分別存儲(chǔ)到1000小文件中（記為）。這樣處理后，所有可能相同的url都在對(duì)應(yīng)的小文件（）中，不對(duì)應(yīng)的小文件不可能有相同的url。然后我們只要求出1000對(duì)小文件中相同的url即可。 hash統(tǒng)計(jì)：求每對(duì)小文件中相同的url時(shí)，可以把其中一個(gè)小文件的url存儲(chǔ)到hash_set中。然后遍歷另一個(gè)小文件的每個(gè)url，看其是否在剛才構(gòu)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。7、怎么在海量數(shù)據(jù)中找出重復(fù)次數(shù)最多的一個(gè)？ 方案1：先做hash，然后求模映射為小文件，求出每個(gè)小文件中重復(fù)次數(shù)最多的一個(gè)，并記錄重復(fù)次數(shù)。然后找出上一步求出的數(shù)據(jù)中重復(fù)次數(shù)最多的一個(gè)就是所求（具體參考前面的題）。8、上千萬(wàn)或上億數(shù)據(jù)（有重復(fù)），統(tǒng)計(jì)其中出現(xiàn)次數(shù)最多的錢N個(gè)數(shù)據(jù)。 方案1：上千萬(wàn)或上億的數(shù)據(jù)，現(xiàn)在的機(jī)器的內(nèi)存應(yīng)該能存下。所以考慮采用hash_map/搜索二叉樹/紅黑樹等來(lái)進(jìn)行統(tǒng)計(jì)次數(shù)。然后就是取出前N個(gè)出現(xiàn)次數(shù)最多的數(shù)據(jù)了，可以用第2題提到的堆機(jī)制完成。9、一個(gè)文本文件，大約有一萬(wàn)行，每行一個(gè)詞，要求統(tǒng)計(jì)出其中最頻繁出現(xiàn)的前10個(gè)詞，請(qǐng)給出思想，給出時(shí)間復(fù)雜度分析。 方案1：這題是考慮時(shí)間效率。用trie樹統(tǒng)計(jì)每個(gè)詞出現(xiàn)的次數(shù)，時(shí)間復(fù)雜度是O(n*le)（le表示單詞的平準(zhǔn)長(zhǎng)度）。然后是找出出現(xiàn)最頻繁的前10個(gè)詞，可以用堆來(lái)實(shí)現(xiàn)，前面的題中已經(jīng)講到了，時(shí)間復(fù)雜度是O(n*lg10)。所以總的時(shí)間復(fù)雜度，是O(n*le)與O(n*lg10)中較大的哪一個(gè)。密匙二、雙層桶劃分雙層桶劃分-其實(shí)本質(zhì)上還是分而治之的思想，重在“分”的技巧上！適用范圍：第k大，中位數(shù)，不重復(fù)或重復(fù)的數(shù)字基本原理及要點(diǎn)：因?yàn)樵胤秶艽?，不能利用直接尋址表，所以通過(guò)多次劃分，逐步確定范圍，然后最后在一個(gè)可以接受的范圍內(nèi)進(jìn)行。可以通過(guò)多次縮小，雙層只是一個(gè)例子。擴(kuò)展：?jiǎn)栴}實(shí)例： 1).2.5億個(gè)整數(shù)中找出不重復(fù)的整數(shù)的個(gè)數(shù)，內(nèi)存空間不足以容納這2.5億個(gè)整數(shù)。有點(diǎn)像鴿巢原理，整數(shù)個(gè)數(shù)為232,也就是，我們可以將這232個(gè)數(shù)，劃分為28個(gè)區(qū)域(比如用單個(gè)文件代表一個(gè)區(qū)域)，然后將數(shù)據(jù)分離到不同的區(qū)域，然后不同的區(qū)域在利用bitmap就可以直接解決了。也就是說(shuō)只要有足夠的磁盤空間，就可以很方便的解決。 2).5億個(gè)int找它們的中位數(shù)。這個(gè)例子比上面那個(gè)更明顯。首先我們將int劃分為216個(gè)區(qū)域，然后讀取數(shù)據(jù)統(tǒng)計(jì)落到各個(gè)區(qū)域里的數(shù)的個(gè)數(shù)，之后我們根據(jù)統(tǒng)計(jì)結(jié)果就可以判斷中位數(shù)落到那個(gè)區(qū)域，同時(shí)知道這個(gè)區(qū)域中的第幾大數(shù)剛好是中位數(shù)。然后第二次掃描我們只統(tǒng)計(jì)落在這個(gè)區(qū)域中的那些數(shù)就可以了。實(shí)際上，如果不是int是int64，我們可以經(jīng)過(guò)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224個(gè)區(qū)域，然后確定區(qū)域的第幾大數(shù)，在將該區(qū)域分成220個(gè)子區(qū)域，然后確定是子區(qū)域的第幾大數(shù)，然后子區(qū)域里的數(shù)的個(gè)數(shù)只有220，就可以直接利用direct addr table進(jìn)行統(tǒng)計(jì)了。密匙三：Bloom filter/BitmapBloom filter關(guān)于什么是Bloom filter，請(qǐng)參看此文：海量數(shù)據(jù)處理之Bloom Filter詳解。適用范圍：可以用來(lái)實(shí)現(xiàn)數(shù)據(jù)字典，進(jìn)行數(shù)據(jù)的判重，或者集合求交集基本原理及要點(diǎn)：對(duì)于原理來(lái)說(shuō)很簡(jiǎn)單，位數(shù)組+k個(gè)獨(dú)立hash函數(shù)。將hash函數(shù)對(duì)應(yīng)的值的位數(shù)組置1，查找時(shí)如果發(fā)現(xiàn)所有hash函數(shù)對(duì)應(yīng)位都是1說(shuō)明存在，很明顯這個(gè)過(guò)程并不保證查找的結(jié)果是100%正確的。同時(shí)也不支持刪除一個(gè)已經(jīng)插入的關(guān)鍵字，因?yàn)樵撽P(guān)鍵字對(duì)應(yīng)的位會(huì)牽動(dòng)到其他的關(guān)鍵字。所以一個(gè)簡(jiǎn)單的改進(jìn)就是 counting Bloom filter，用一個(gè)counter數(shù)組代替位數(shù)組，就可以支持刪除了。還有一個(gè)比較重要的問(wèn)題，如何根據(jù)輸入元素個(gè)數(shù)n，確定位數(shù)組m的大小及hash函數(shù)個(gè)數(shù)。當(dāng)hash函數(shù)個(gè)數(shù)k=(ln2)*(m/n)時(shí)錯(cuò)誤率最小。在錯(cuò)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(gè)元素的集合。但m還應(yīng)該更大些，因?yàn)檫€要保證bit數(shù)組里至少一半為0，則m應(yīng)該=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2為底的對(duì)數(shù))。舉個(gè)例子我們假設(shè)錯(cuò)誤率為0.01，則此時(shí)m應(yīng)大概是n的13倍。這樣k大概是8個(gè)。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(gè)數(shù)為單位(準(zhǔn)確的說(shuō)是不同元素的個(gè)數(shù))。通常單個(gè)元素的長(zhǎng)度都是有很多bit的。所以使用bloom filter內(nèi)存上通常都是節(jié)省的。擴(kuò)展：Bloom filter將集合中的元素映射到位數(shù)組中，用k（k為哈希函數(shù)個(gè)數(shù)）個(gè)映射位是否全1表示元素在不在這個(gè)集合中。Counting bloom filter（CBF）將位數(shù)組中的每一位擴(kuò)展為一個(gè)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(xiàn)次數(shù)關(guān)聯(lián)。SBF采用counter中的最小值來(lái)近似表示元素的出現(xiàn)頻率。問(wèn)題實(shí)例：給你A,B兩個(gè)文件，各存放50億條URL，每條URL占用64字節(jié)，內(nèi)存限制是4G，讓你找出A,B文件共同的URL。如果是三個(gè)乃至n個(gè)文件呢？根據(jù)這個(gè)問(wèn)題我們來(lái)計(jì)算下內(nèi)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(cuò)率0.01算需要的大概是650億個(gè)bit?，F(xiàn)在可用的是340億，相差并不多，這樣可能會(huì)使出錯(cuò)率上升些。另外如果這些urlip是一一對(duì)應(yīng)的，就可以轉(zhuǎn)換成ip，則大大簡(jiǎn)單了。 同時(shí)，上文的第5題：給定a、b兩個(gè)文件，各存放50億個(gè)url，每個(gè)url各占64字節(jié)，內(nèi)存限制是4G，讓你找出a、b文件共同的url？如果允許有一定的錯(cuò)誤率，可以使用Bloom filter，4G內(nèi)存大概可以表示340億bit。將其中一個(gè)文件中的url使用Bloom filter映射為這340億bit，然后挨個(gè)讀取另外一個(gè)文件的url，檢查是否與Bloom filter，如果是，那么該url應(yīng)該是共同的url（注意會(huì)有一定的錯(cuò)誤率）。Bitmap 10、在2.5億個(gè)整數(shù)中找出不重復(fù)的整數(shù)，注，內(nèi)存不足以容納這2.5億個(gè)整數(shù)。 方案1：采用2-Bitmap（每個(gè)數(shù)分配2bit，00表示不存在，01表示出現(xiàn)一次，10表示多次，11無(wú)意義）進(jìn)行，共需內(nèi)存232 * 2 bit=1 GB內(nèi)存，還可以接受。然后掃描這2.5億個(gè)整數(shù)，查看Bitmap中相對(duì)應(yīng)位，如果是00變01，01變10，10保持不變。所描完事后，查看bitmap，把對(duì)應(yīng)位是01的整數(shù)輸出即可。 方案2：也可采用與第1題類似的方法，進(jìn)行劃分小文件的方法。然后在小文件中找出不重復(fù)的整數(shù)，并排序。然后再進(jìn)行歸并，注意去除重復(fù)的元素。11、騰訊面試題：給40億個(gè)不重復(fù)的unsigned int的整數(shù)，沒(méi)排過(guò)序的，然后再給一個(gè)數(shù)，如何快速判斷這個(gè)數(shù)是否在那40億個(gè)數(shù)當(dāng)中？ 方案1：oo，申請(qǐng)512M的內(nèi)存，一個(gè)bit位代表一個(gè)unsigned int值。讀入40億個(gè)數(shù)，設(shè)置相應(yīng)的bit位，讀入要查詢的數(shù)，查看相應(yīng)bit位是否為1，為1表示存在，為0表示不存在。密匙四、Trie樹/數(shù)據(jù)庫(kù)/倒排索引Trie樹適用范圍：數(shù)據(jù)量大，重復(fù)多，但是數(shù)據(jù)種類小可以放入內(nèi)存基本原理及要點(diǎn)：實(shí)現(xiàn)方式，節(jié)點(diǎn)孩子的表示方式擴(kuò)展：壓縮實(shí)現(xiàn)。問(wèn)題實(shí)例：有10個(gè)文件，每個(gè)文件1G，每個(gè)文件的每一行都存放的是用戶的query，每個(gè)文件的query都可能重復(fù)。要你按照query的頻度排序。 1000萬(wàn)字符串，其中有些是相同的(重復(fù)),需要把重復(fù)的全部去掉，保留沒(méi)有重復(fù)的字符串。請(qǐng)問(wèn)怎么設(shè)計(jì)和實(shí)現(xiàn)？ 尋找熱門查詢：查詢串的重復(fù)度比較高，雖然總數(shù)是1千萬(wàn)，但如果除去重復(fù)后，不超過(guò)3百萬(wàn)個(gè)，每個(gè)不超過(guò)255字節(jié)。 上面的第8題：一個(gè)文本文件，大約有一萬(wàn)行，每行一個(gè)詞，要求統(tǒng)計(jì)出其中最頻繁出現(xiàn)的前10個(gè)詞。其解決方法是：用trie樹統(tǒng)計(jì)每個(gè)詞出現(xiàn)的次數(shù)，時(shí)間復(fù)雜度是O(n*le)（le表示單詞的平準(zhǔn)長(zhǎng)度），然后是找出出現(xiàn)最頻繁的前10個(gè)詞。適用范圍：大數(shù)據(jù)量的增刪改查基本原理及要點(diǎn)：利用數(shù)據(jù)的設(shè)計(jì)實(shí)現(xiàn)方法，