數(shù)據(jù)處理面試題

數(shù)據(jù)處理面試題數(shù)據(jù)處理面試題本博客內(nèi)曾經(jīng)整理過有關海量數(shù)據(jù)處理的10道面試題（十道海量數(shù)據(jù)處理面試題與十個方法大總結(jié)），此次除了重復了之前的10道面試題之后，重新多整理了7道。僅作各位參考，不作它用。同時，程序員編程藝術系列將重新開始創(chuàng)作，第十一章以后的部分題目來源將取自下文中的17道海量數(shù)據(jù)處理的面試題。因為，我們覺得，下文的每一道面試題都值得重新思考，重新深究與學習。再者，編程藝術系列的前十章也是這么來的。若您有任何問題或建議，歡迎不吝指正。謝謝。第一部分、十五道海量數(shù)據(jù)處理面試題給定a、b兩個文件，各存放50億個url，每個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?方案1：可以估計每個文件安的大小為50GX64=320G，遠遠大于內(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。遍歷文件a，對每個url求取，然后根據(jù)所取得的值將url分別存儲到1000個小文件（記為）中。這樣每個小文件的大約為300M。遍歷文件b，采取和a相同的方式將url分別存儲到1000小文件中（記為）。這樣處理后，所有可能相同的url都在對應的小文件（）中，不對應的小文件不可能有相同的url。然后我們只要求出1000對小文件中相同的url即可。求每對小文件中相同的url時，可以把其中一個小文件的url存儲到hash_set中。然后遍歷另一個小文件的每個url，看其是否在剛才構建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了。方案2：如果允許有一定的錯誤率，可以使用Bloomfilter，4G內(nèi)存大概可以表示340億bit。將其中一個文件中的url使用Bloomfilter映射為這340億bit，然后挨個讀取另外一個文件的url，檢查是否與Bloomfilter，如果是，那么該url應該是共同的url（注意會有一定的錯誤率）。讀者反饋@crowgns:hash后要判斷每個文件大小，如果hash分的不均衡有文件較大，還應繼續(xù)hash分文件，換個hash算法第二次再分較大的文件，一直分到?jīng)]有較大的文件為止。這樣文件標號可以用A1-2表示（第一次hash編號為1，文件較大所以參加第二次hash，編號為2）由于1存在，第一次hash如果有大文件，不能用直接set的方法。建議對每個文件都先用字符串自然順序排序，然后具有相同hash編號的（如都是1-3，而不能a編號是1，b編號是1-1和1-2），可以直接從頭到尾比較一遍。對于層級不一致的，如a1，b有1-1，1-2-1，1-2-2,層級淺的要和層級深的每個文件都比較一次，才能確認每個相同的uri。有10個文件，每個文件1G，每個文件的每一行存放的都是用戶的query，每個文件的query都可能重復。要求你按照query的頻度排序。方案1：順序讀取10個文件，按照hash（query）%10的結(jié)果將query寫入到另外10個文件（記為）中。這樣新生成的文件每個的大小大約也1G（假設hash函數(shù)是隨機的）。找一臺內(nèi)存在2G左右的機器，依次對用hash_map（query,query_count）來統(tǒng)計每個query出現(xiàn)的次數(shù)。利用快速/堆/歸并排序按照出現(xiàn)次數(shù)進行排序。將排序好的query和對應的query_cout輸出到文件中。這樣得到了10個排好序的文件（記為）。對這10個文件進行歸并排序（內(nèi)排序與外排序相結(jié)合）。方案2：一般query的總量是有限的，只是重復的次數(shù)比較多而已，可能對于所有的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等直接來統(tǒng)計每個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，分成多個文件后，可以交給多個文件來處理，采用分布式的架構來處理（比如MapReduce），最后再進行合并。有一個1G大小的一個文件，里面每一行是一個詞，詞的大小不超過16字節(jié)，內(nèi)存限制大小是1M。返回頻數(shù)最高的100個詞。方案1：順序讀文件中，對于每個詞x，取，然后按照該值存到5000個小文件（記為）中。這樣每個文件大概是200k左右。如果其中的有的文件超過了1M大小，還可以按照類似的方法繼續(xù)往下分，知道分解得到的小文件的大小都不超過1M。對每個小文件，統(tǒng)計每個文件中出現(xiàn)的詞以及相應的頻率（可以采用trie樹/hash_map等），并取出出現(xiàn)頻率最大的100個詞（可以用含100個結(jié)點的最小堆），并把100詞及相應的'頻率存入文件，這樣又得到了5000個文件。下一步就是把這5000個文件進行歸并（類似與歸并排序）的過程了。海量日志數(shù)據(jù)，提取出某日訪問百度次數(shù)最多的那個IP。方案1：首先是這一天，并且是訪問百度的日志中的IP取出來，逐個寫入到一個大文件中。注意到IP是32位的，最多有2”32個IP。同樣可以采用映射的方法，比如模1000，把整個大文件映射為1000個小文件，再找出每個小文中出現(xiàn)頻率最大的IP（可以采用hash_map進行頻率統(tǒng)計，然后再找出頻率最大的幾個）及相應的頻率。然后再在這1000個最大的IP中，找出那個頻率最大的IP，即為所求。在2.5億個整數(shù)中找出不重復的整數(shù)，內(nèi)存不足以容納這2.5億個整數(shù)。方案1：采用2-Bitmap（每個數(shù)分配2bit，00表示不存在，01表示出現(xiàn)一次，10表示多次，11無意義）進行，共需內(nèi)存2"32*2bit=1GB內(nèi)存，還可以接受。然后掃描這2.5億個整數(shù)，查看Bitmap中相對應位，如果是00變01，01變10,10保持不變。所描完事后，查看bitmap，把對應位是01的整數(shù)輸出即可。方案2：也可采用上題類似的方法，進行劃分小文件的方法。然后在小文件中找出不重復的整數(shù)，并排序。然后再進行歸并，注意去除重復的元素。海量數(shù)據(jù)分布在100臺電腦中，想個辦法高效統(tǒng)計出這批數(shù)據(jù)的TOP10。方案1:在每臺電腦上求出TOP10，可以采用包含10個元素的堆完成（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。求出每臺電腦上的TOP10后，然后把這100臺電腦上的TOP10組合起來，共1000個數(shù)據(jù)，再利用上面類似的方法求出TOP10就可以了。（更多可以參考：第三章、尋找最小的k個數(shù)，以及第三章續(xù)、TopK算法問題的實現(xiàn)）怎么在海量數(shù)據(jù)中找出重復次數(shù)最多的一個？方案1：先做hash，然后求模映射為小文件，求出每個小文件中重復次數(shù)最多的一個，并記錄重復次數(shù)。然后找出上一步求出的數(shù)據(jù)中重復次數(shù)最多的一個就是所求（具體參考前面的題）。上千萬或上億數(shù)據(jù)（有重復），統(tǒng)計其中出現(xiàn)次數(shù)最多的錢N個數(shù)據(jù)。方案1:上千萬或上億的數(shù)據(jù)，現(xiàn)在的機器的內(nèi)存應該能存下。所以考慮采用hash_map/搜索二叉樹/紅黑樹等來進行統(tǒng)計次數(shù)。然后就是取出前N個出現(xiàn)次數(shù)最多的數(shù)據(jù)了，可以用第6題提到的堆機制完成。1000萬字符串，其中有些是重復的，需要把重復的全部去掉，保留沒有重復的字符串。請怎么設計和實現(xiàn)？方案1：這題用trie樹比較合適，hash_map也應該能行。一個文本文件，大約有一萬行，每行一個詞，要求統(tǒng)計出其中最頻繁出現(xiàn)的前10個詞，請給出思想，給出時間復雜度分析。方案1：這題是考慮時間效率。用trie樹統(tǒng)計每個詞出現(xiàn)的次數(shù)，時間復雜度是O(n*le)(le表示單詞的平準長度)。然后是找出出現(xiàn)最頻繁的前10個詞，可以用堆來實現(xiàn)，前面的題中已經(jīng)講到了，時間復雜度是O(n*lg10)。所以總的時間復雜度，是O(n*le)與。(n*lg10)中較大的哪一個。一個文本文件，找出前10個經(jīng)常出現(xiàn)的詞，但這次文件比較長，說是上億行或十億行，總