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(guò)有關(guān)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(gè)方法大總結(jié)），此次除了重復(fù)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(shí)，程序員編程藝術(shù)系列將重新開(kāi)始創(chuàng)作，第十一章以后的部分題目來(lái)源將取自下文中的17道海量數(shù)據(jù)處理的面試題。因?yàn)?，我們覺(jué)得，下文的每一道面試題都值得重新思考，重新深究與學(xué)習(xí)。再者，編程藝術(shù)系列的前十章也是這么來(lái)的。若您有任何問(wèn)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(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?方案1：可以估計(jì)每個(gè)文件安的大小為50GX64=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。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。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。方案2：如果允許有一定的錯(cuò)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(gè)文件中的url使用Bloomfilter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Bloomfilter，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）。讀者反饋@crowgns:hash后要判斷每個(gè)文件大小，如果hash分的不均衡有文件較大，還應(yīng)繼續(xù)hash分文件，換個(gè)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(biāo)號(hào)可以用A1-2表示（第一次hash編號(hào)為1，文件較大所以參加第二次hash，編號(hào)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(duì)每個(gè)文件都先用字符串自然順序排序，然后具有相同hash編號(hào)的（如都是1-3，而不能a編號(hào)是1，b編號(hào)是1-1和1-2），可以直接從頭到尾比較一遍。對(duì)于層級(jí)不一致的，如a1，b有1-1，1-2-1，1-2-2,層級(jí)淺的要和層級(jí)深的每個(gè)文件都比較一次，才能確認(rèn)每個(gè)相同的uri。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。方案1：順序讀取10個(gè)文件，按照hash（query）%10的結(jié)果將query寫(xiě)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）。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)。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）。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(shù)/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(lèi)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。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。方案1：順序讀文件中，對(duì)于每個(gè)詞x，取，然后按照該值存到5000個(gè)小文件（記為）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(lèi)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(guò)1M。對(duì)每個(gè)小文件，統(tǒng)計(jì)每個(gè)文件中出現(xiàn)的詞以及相應(yīng)的頻率（可以采用trie樹(shù)/hash_map等），并取出出現(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詞及相應(yīng)的'頻率存入文件，這樣又得到了5000個(gè)文件。下一步就是把這5000個(gè)文件進(jìn)行歸并（類(lèi)似與歸并排序）的過(guò)程了。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。方案1：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(xiě)入到一個(gè)大文件中。注意到IP是32位的，最多有2”32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。在2.5億個(gè)整數(shù)中找出不重復(fù)的整數(shù)，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2"32*2bit=1GB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：也可采用上題類(lèi)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。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。方案1: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(lèi)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(gè)數(shù)，以及第三章續(xù)、TopK算法問(wèn)題的實(shí)現(xiàn)）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）。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(qián)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(shù)/紅黑樹(shù)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6題提到的堆機(jī)制完成。1000萬(wàn)字符串，其中有些是重復(fù)的，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)?jiān)趺丛O(shè)計(jì)和實(shí)現(xiàn)？方案1：這題用trie樹(shù)比較合適，hash_map也應(yīng)該能行。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(shù)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。(n*lg10)中較大的哪一個(gè)。一個(gè)文本文件，找出前10個(gè)經(jīng)常出現(xiàn)的詞，但這次文件比較長(zhǎng)，說(shuō)是上億行或十億行，總