Hadoop面試45個題目及答案

本人博客開始遷移，博客整個架構本身搭建及編碼http://www.cookqq.com/listBlog.action

1.Hadoop集羣能夠運行的3個模式？ 單機（本地）模式 僞分佈式模式 全分佈式模式 2.  單機（本地）模式中的注意點？ 在單機模式（standalone）中不會存在守護進程，全部東西都運行在一個JVM上。這裏一樣沒有DFS，使用的是本地文件系統。單機模式適用於開發過程當中運行MapReduce程序，這也是最少使用的一個模式。 3.  僞分佈模式中的注意點？ 僞分佈式（Pseudo）適用於開發和測試環境，在這個模式中，全部守護進程都在同一臺機器上運行。 4.  VM是否能夠稱爲Pseudo？ 不是，兩個事物，同時Pseudo只針對Hadoop。 5.  全分佈模式又有什麼注意點？ 全分佈模式一般被用於生產環境，這裏咱們使用N臺主機組成一個Hadoop集羣，Hadoop守護進程運行在每臺主機之上。這裏會存在Namenode運行的主機，Datanode運行的主機，以及task tracker運行的主機。在分佈式環境下，主節點和從節點會分開。 6.  Hadoop是否遵循UNIX模式？ 是的，在UNIX用例下，Hadoop還擁有「conf」目錄。 7.  Hadoop安裝在什麼目錄下？ Cloudera和Apache使用相同的目錄結構，Hadoop被安裝在cd/usr/lib/hadoop-0.20/。 8.  Namenode、Job tracker和task tracker的端口號是？ Namenode，70；Job tracker，30；Task tracker，60。 9.  Hadoop的核心配置是什麼？ Hadoop的核心配置經過兩個xml文件來完成：1，hadoop-default.xml；2，hadoop-site.xml。這些文件都使用xml格式，所以每一個xml中都有一些屬性，包括名稱和值，可是當下這些文件都已不復存在。 10.  那當下又該如何配置？ Hadoop如今擁有3個配置文件：1，core-site.xml；2，hdfs-site.xml；3，mapred-site.xml。這些文件都保存在conf/子目錄下。 11.  RAM的溢出因子是？ 溢出因子（Spill factor）是臨時文件中儲存文件的大小，也就是Hadoop-temp目錄。 12.  fs.mapr.working.dir只是單一的目錄？ fs.mapr.working.dir只是一個目錄。 13.  hdfs-site.xml的3個主要屬性？ dfs.name.dir決定的是元數據存儲的路徑以及DFS的存儲方式（磁盤或是遠端） dfs.data.dir決定的是數據存儲的路徑 fs.checkpoint.dir用於第二Namenode 14.  如何退出輸入模式？ 退出輸入的方式有：1，按ESC；2，鍵入:q（若是你沒有輸入任何當下）或者鍵入:wq（若是你已經輸入當下），而且按下Enter。 15.  當你輸入hadoopfsck /形成「connection refused java exception’」時，系統究竟發生了什麼？ 這意味着Namenode沒有運行在你的VM之上。 16.  咱們使用Ubuntu及Cloudera，那麼咱們該去哪裏下載Hadoop，或者是默認就與Ubuntu一塊兒安裝？ 這個屬於Hadoop的默認配置，你必須從Cloudera或者Edureka的dropbox下載，而後在你的系統上運行。固然，你也能夠本身配置，可是你須要一個Linux box，Ubuntu或者是Red Hat。在Cloudera網站或者是Edureka的Dropbox中有安裝步驟。 17.  「jps」命令的用處？ 這個命令能夠檢查Namenode、Datanode、Task Tracker、 Job Tracker是否正常工做。 18.  如何重啓Namenode？ 點擊stop-all.sh，再點擊start-all.sh。 鍵入sudo hdfs（Enter），su-hdfs （Enter），/etc/init.d/ha（Enter），及/etc/init.d/hadoop-0.20-namenode start（Enter）。 19.  Fsck的全名？ 全名是：File System Check。 20.  如何檢查Namenode是否正常運行？ 若是要檢查Namenode是否正常工做，使用命令/etc/init.d/hadoop-0.20-namenode status或者就是簡單的jps。 21.  mapred.job.tracker命令的做用？ 可讓你知道哪一個節點是Job Tracker。 22.  /etc /init.d命令的做用是？ /etc /init.d說明了守護進程（服務）的位置或狀態，實際上是LINUX特性，和Hadoop關係不大。 23.  如何在瀏覽器中查找Namenode？ 若是你確實須要在瀏覽器中查找Namenode，你再也不須要localhost:8021，Namenode的端口號是50070。 24.  如何從SU轉到Cloudera？ 從SU轉到Cloudera只須要鍵入exit。 25.  啓動和關閉命令會用到哪些文件？ Slaves及Masters。 26.  Slaves由什麼組成？ Slaves由主機的列表組成，每臺1行，用於說明數據節點。 27.  Masters由什麼組成？ Masters一樣是主機的列表組成，每臺一行，用於說明第二Namenode服務器。 28.  hadoop-env.sh是用於作什麼的？ hadoop-env.sh提供了Hadoop中. JAVA_HOME的運行環境。 29.  Master文件是否提供了多個入口？ 是的你能夠擁有多個Master文件接口。 30.  Hadoop-env.sh文件當下的位置？ hadoop-env.sh如今位於conf。 31.  在Hadoop_PID_DIR中，PID表明了什麼？ PID表明了「Process ID」。 32.  /var/hadoop/pids用於作什麼？ /var/hadoop/pids用來存儲PID。 33.  hadoop-metrics.properties文件的做用是？ hadoop-metrics.properties被用作「Reporting」，控制Hadoop報告，初始狀態是「not to report」。 34.  Hadoop需求什麼樣的網絡？ Hadoop核心使用Shell（SSH）來驅動從節點上的服務器進程，並在主節點和從節點之間使用password-less SSH鏈接。 35.  全分佈式環境下爲何需求password-less SSH？ 這主要由於集羣中通訊過於頻繁，Job Tracker須要儘量快的給Task Tracker發佈任務。 36.  這會致使安全問題嗎？ 徹底不用擔憂。Hadoop集羣是徹底隔離的，一般狀況下沒法從互聯網進行操做。不同凡響的配置，所以咱們徹底不須要在乎這種級別的安全漏洞，好比說經過互聯網侵入等等。Hadoop爲機器之間的鏈接提供了一個相對安全的方式。 37.  SSH工做的端口號是？ SSH工做的端口號是NO.22，固然能夠經過它來配置，22是默認的端口號。 38.  SSH中的注意點還包括？ SSH只是個安全的shell通訊，能夠把它當作NO.22上的一種協議，只須要配置一個密碼就能夠安全的訪問。 39.  爲何SSH本地主機須要密碼？ 在SSH中使用密碼主要是增長安全性，在某些狀況下也根本不會設置密碼通訊。 40.  若是在SSH中添加key，是否還須要設置密碼？ 是的，即便在SSH中添加了key，仍是須要設置密碼。 41.  假如Namenode中沒有數據會怎麼樣？ 沒有數據的Namenode就不能稱之爲Namenode，一般狀況下，Namenode確定會有數據。 42.  當Job Tracker宕掉時，Namenode會發生什麼？ 當Job Tracker失敗時，集羣仍然能夠正常工做，只要Namenode沒問題。 43.  是客戶端仍是Namenode決定輸入的分片？ 這並非客戶端決定的，在配置文件中以及決定分片細則。 44.  是否能夠自行搭建Hadoop集羣？ 是的，只要對Hadoop環境足夠熟悉，你徹底能夠這麼作。 45.  是否能夠在Windows上運行Hadoop？ 你最好不要這麼作，Red Hat Linux或者是Ubuntu纔是Hadoop的最佳操做系統。在Hadoop安裝中，Windows一般不會被使用，由於會出現各類各樣的問題。所以，Windows絕對不是Hadoop的推薦系統。

第一部分、十道海量數據處理面試題 一、海量日誌數據，提取出某日訪問百度次數最多的那個IP。 首先是這一天，而且是訪問百度的日誌中的IP取出來，逐個寫入到一個大文件中。注意到IP是32位的，最多有個2^32個IP。一樣能夠採用映射的方法， 好比模1000，把整個大文件映射爲1000個小文件，再找出每一個小文中出現頻率最大的IP（能夠採用hash_map進行頻率統計，而後再找出頻率最大 的幾個）及相應的頻率。而後再在這1000個最大的IP中，找出那個頻率最大的IP，即爲所求。 或者以下闡述（雪域之鷹）： 算法思想：分而治之+Hash 1.IP地址最多有2^32=4G種取值狀況，因此不能徹底加載到內存中處理； 2.能夠考慮採用「分而治之」的思想，按照IP地址的Hash(IP)%1024值，把海量IP日誌分別存儲到1024個小文件中。這樣，每一個小文件最多包含4MB個IP地址； 3.對於每個小文件，能夠構建一個IP爲key，出現次數爲value的Hash map，同時記錄當前出現次數最多的那個IP地址； 4.能夠獲得1024個小文件中的出現次數最多的IP，再依據常規的排序算法獲得整體上出現次數最多的IP； 二、搜索引擎會經過日誌文件把用戶每次檢索使用的全部檢索串都記錄下來，每一個查詢串的長度爲1-255字節。     假設目前有一千萬個記錄（這些查詢串的重複度比較高，雖然總數是1千萬，但若是除去重複後，不超過3百萬個。一個查詢串的重複度越高，說明查詢它的用戶越多，也就是越熱門。），請你統計最熱門的10個查詢串，要求使用的內存不能超過1G。 典型的Top K算法，仍是在這篇文章裏頭有所闡述，詳情請參見：11、從頭至尾完全解析Hash表算法。 文中，給出的最終算法是： 第一步、先對這批海量數據預處理，在O（N）的時間內用Hash表完成統計（以前寫成了排序，特此訂正。July、2011.04.27）； 第二步、藉助堆這個數據結構，找出Top K，時間複雜度爲N‘logK。 即，藉助堆結構，咱們能夠在log量級的時間內查找和調整/移動。所以，維護一個K(該題目中是10)大小的小根堆，而後遍歷300萬的Query，分別 和根元素進行對比因此，咱們最終的時間複雜度是：O（N） + N’*O（logK），（N爲1000萬，N’爲300萬）。ok，更多，詳情，請參考原文。 或者：採用trie樹，關鍵字域存該查詢串出現的次數，沒有出現爲0。最後用10個元素的最小推來對出現頻率進行排序。 三、有一個1G大小的一個文件，裏面每一行是一個詞，詞的大小不超過16字節，內存限制大小是1M。返回頻數最高的100個詞。 方案：順序讀文件中，對於每一個詞x，取hash(x)%5000，而後按照該值存到5000個小文件（記爲x0,x1,…x4999）中。這樣每一個文件大概是200k左右。 若是其中的有的文件超過了1M大小，還能夠按照相似的方法繼續往下分，直到分解獲得的小文件的大小都不超過1M。 對每一個小文件，統計每一個文件中出現的詞以及相應的頻率（能夠採用trie樹/hash_map等），並取出出現頻率最大的100個詞（能夠用含100個結 點的最小堆），並把100個詞及相應的頻率存入文件，這樣又獲得了5000個文件。下一步就是把這5000個文件進行歸併（相似與歸併排序）的過程了。 四、有10個文件，每一個文件1G，每一個文件的每一行存放的都是用戶的query，每一個文件的query均可能重複。要求你按照query的頻度排序。 仍是典型的TOP K算法，解決方案以下： 方案1： 順序讀取10個文件，按照hash(query)%10的結果將query寫入到另外10個文件（記爲）中。這樣新生成的文件每一個的大小大約也1G（假設hash函數是隨機的）。 找一臺內存在2G左右的機器，依次對用hash_map(query, query_count)來統計每一個query出現的次數。利用快速/堆/歸併排序按照出現次數進行排序。將排序好的query和對應的 query_cout輸出到文件中。這樣獲得了10個排好序的文件（記爲）。 對這10個文件進行歸併排序（內排序與外排序相結合）。 方案2： 通常query的總量是有限的，只是重複的次數比較多而已，可能對於全部的query，一次性就能夠加入到內存了。這樣，咱們就能夠採用trie樹/hash_map等直接來統計每一個query出現的次數，而後按出現次數作快速/堆/歸併排序就能夠了。 方案3： 與方案1相似，但在作完hash，分紅多個文件後，能夠交給多個文件來處理，採用分佈式的架構來處理（好比MapReduce），最後再進行合併。 五、 給定a、b兩個文件，各存放50億個url，每一個url各佔64字節，內存限制是4G，讓你找出a、b文件共同的url？ 方案1：能夠估計每一個文件安的大小爲5G&times;64=320G，遠遠大於內存限制的4G。因此不可能將其徹底加載到內存中處理。考慮採起分而治之的方法。 遍歷文件a，對每一個url求取hash(url)%1000，而後根據所取得的值將url分別存儲到1000個小文件（記爲a0,a1,…,a999）中。這樣每一個小文件的大約爲300M。 遍歷文件b，採起和a相同的方式將url分別存儲到1000小文件（記爲b0,b1,…,b999）。這樣處理後，全部可能相同的url都在對應的小 文件（a0vsb0,a1vsb1,…,a999vsb999）中，不對應的小文件不可能有相同的url。而後咱們只要求出1000對小文件中相同的 url便可。 求每對小文件中相同的url時，能夠把其中一個小文件的url存儲到hash_set中。而後遍歷另外一個小文件的每一個url，看其是否在剛纔構建的hash_set中，若是是，那麼就是共同的url，存到文件裏面就能夠了。 方案2：若是容許有必定的錯誤率，可使用Bloom filter，4G內存大概能夠表示340億bit。將其中一個文件中的url使用Bloom filter映射爲這340億bit，而後挨個讀取另一個文件的url，檢查是否與Bloom filter，若是是，那麼該url應該是共同的url（注意會有必定的錯誤率）。 Bloom filter往後會在本BLOG內詳細闡述。 六、在2.5億個整數中找出不重複的整數，注，內存不足以容納這2.5億個整數。 方案1：採用2-Bitmap（每一個數分配2bit，00表示不存在，01表示出現一次，10表示屢次，11無心義）進行，共需內存2^32 * 2 bit=1 GB內存，還能夠接受。而後掃描這2.5億個整數，查看Bitmap中相對應位，若是是00變01，01變10，10保持不變。所描完過後，查看 bitmap，把對應位是01的整數輸出便可。 方案2：也可採用與第1題相似的方法，進行劃分小文件的方法。而後在小文件中找出不重複的整數，並排序。而後再進行歸併，注意去除重複的元素。 七、騰訊面試題：給40億個不重複的unsigned int的整數，沒排過序的，而後再給一個數，如何快速判斷這個數是否在那40億個數當中？ 與上第6題相似，個人第一反應時快速排序+二分查找。如下是其它更好的方法： 方案1：oo，申請512M的內存，一個bit位表明一個unsigned int值。讀入40億個數，設置相應的bit位，讀入要查詢的數，查看相應bit位是否爲1，爲1表示存在，爲0表示不存在。 dizengrong： 方案2：這個問題在《編程珠璣》裏有很好的描述，你們能夠參考下面的思路，探討一下： 又由於2^32爲40億多，因此給定一個數可能在，也可能不在其中； 這裏咱們把40億個數中的每個用32位的二進制來表示 假設這40億個數開始放在一個文件中。 而後將這40億個數分紅兩類: 1.最高位爲0 2.最高位爲1 並將這兩類分別寫入到兩個文件中，其中一個文件中數的個數<=20億，而另外一個>=20億（這至關於折半了）； 與要查找的數的最高位比較並接着進入相應的文件再查找 再而後把這個文件爲又分紅兩類: 1.次最高位爲0 2.次最高位爲1 並將這兩類分別寫入到兩個文件中，其中一個文件中數的個數<=10億，而另外一個>=10億（這至關於折半了）； 與要查找的數的次最高位比較並接着進入相應的文件再查找。 ……. 以此類推，就能夠找到了,並且時間複雜度爲O(logn)，方案2完。 附：這裏，再簡單介紹下，位圖方法： 使用位圖法判斷整形數組是否存在重複 判斷集合中存在重複是常見編程任務之一，當集合中數據量比較大時咱們一般但願少進行幾回掃描，這時雙重循環法就不可取了。 位圖法比較適合於這種狀況，它的作法是按照集合中最大元素max建立一個長度爲max+1的新數組，而後再次掃描原數組，遇到幾就給新數組的第幾位置上 1，如遇到5就給新數組的第六個元素置1，這樣下次再遇到5想置位時發現新數組的第六個元素已是1了，這說明此次的數據確定和之前的數據存在着重複。這 種給新數組初始化時置零其後置一的作法相似於位圖的處理方法故稱位圖法。它的運算次數最壞的狀況爲2N。若是已知數組的最大值即能事先給新數組定長的話效 率還能提升一倍。 歡迎，有更好的思路，或方法，共同交流。 八、怎麼在海量數據中找出重複次數最多的一個？ 方案1：先作hash，而後求模映射爲小文件，求出每一個小文件中重複次數最多的一個，並記錄重複次數。而後找出上一步求出的數據中重複次數最多的一個就是所求（具體參考前面的題）。 九、上千萬或上億數據（有重複），統計其中出現次數最多的錢N個數據。 方案1：上千萬或上億的數據，如今的機器的內存應該能存下。因此考慮採用hash_map/搜索二叉樹/紅黑樹等來進行統計次數。而後就是取出前N個出現次數最多的數據了，能夠用第2題提到的堆機制完成。 十、一個文本文件，大約有一萬行，每行一個詞，要求統計出其中最頻繁出現的前10個詞，請給出思想，給出時間複雜度分析。 方案1：這題是考慮時間效率。用trie樹統計每一個詞出現的次數，時間複雜度是O(n*le)（le表示單詞的平準長度）。而後是找出出現最頻繁的前10 個詞，能夠用堆來實現，前面的題中已經講到了，時間複雜度是O(n*lg10)。因此總的時間複雜度，是O(n*le)與O(n*lg10)中較大的哪一 個。 附、100w個數中找出最大的100個數。 方案1：在前面的題中，咱們已經提到了，用一個含100個元素的最小堆完成。複雜度爲O(100w*lg100)。 方案2：採用快速排序的思想，每次分割以後只考慮比軸大的一部分，知道比軸大的一部分在比100多的時候，採用傳統排序算法排序，取前100個。複雜度爲O(100w*100)。 方案3：採用局部淘汰法。選取前100個元素，並排序，記爲序列L。而後一次掃描剩餘的元素x，與排好序的100個元素中最小的元素比，若是比這個最小的 要大，那麼把這個最小的元素刪除，並把x利用插入排序的思想，插入到序列L中。依次循環，知道掃描了全部的元素。複雜度爲O(100w*100)。 致謝：http://www.cnblogs.com/youwang/。 第二部分、十個海量數據處理方法大總結 ok，看了上面這麼多的面試題，是否有點頭暈。是的，須要一個總結。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，而往後，本BLOG內會具體闡述這些方法。 下面的方法所有來自http://hi.baidu.com/yanxionglu/blog/博客，對海量數據的處理方法進行了一個通常性的總結，固然這些方法可能並不能徹底覆蓋全部的問題，可是這樣的一些方法也基本能夠處理絕大多數遇到的問題。下面的一些問題基本直接來源於公司的面試筆試題目，方法不必定最優，若是你有更好的處理方法，歡迎討論。 1、Bloom filter 適用範圍：能夠用來實現數據字典，進行數據的判重，或者集合求交集 基本原理及要點： 對於原理來講很簡單，位數組+k個獨立hash函數。將 hash函數對應的值的位數組置1，查找時若是發現全部hash函數對應位都是1說明存在，很明顯這個過程並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，由於該關鍵字對應的位會牽動到其餘的關鍵字。因此一個簡單的改進就是 counting Bloom filter，用一個counter數組代替位數組，就能夠支持刪除了。 還有一個比較重要的問題，如何根據輸入元素個數n，肯定位數組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。在錯誤率不大於E的狀況下，m至少要等於n*lg(1/E)才能表示任意n個元素的集 合。但m還應該更大些，由於還要保證bit數組裏至少一半爲0，則m應該>=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2爲底的對數)。 舉個例子咱們假設錯誤率爲0.01，則此時m應大概是n的13倍。這樣k大概是8個。 注意這裏m與n的單位不一樣，m是bit爲單位，而n則是以元素個數爲單位(準確的說是不一樣元素的個數)。一般單個元素的長度都是有不少bit的。因此使用bloom filter內存上一般都是節省的。 擴展： Bloom filter將集合中的元素映射到位數組中，用k（k爲哈希函數個數）個映射位是否全1表示元素在不在這個集合中。Counting bloom filter（CBF）將位數組中的每一位擴展爲一個counter，從而支持了元素的刪除操做。Spectral Bloom Filter（SBF）將其與集合元素的出現次數關聯。SBF採用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佔用64字節，內存限制是4G，讓你找出A,B文件共同的URL。若是是三個乃至n個文件呢？ 根據這個問題咱們來計算下內存的佔用，4G=2^32大概是40億*8大概是340 億，n=50億，若是按出錯率0.01算須要的大概是650億個bit。如今可用的是340億，相差並很少，這樣可能會使出錯率上升些。另外若是這些 urlip是一一對應的，就能夠轉換成ip，則大大簡單了。 2、Hashing 適用範圍：快速查找，刪除的基本數據結構，一般須要總數據量能夠放入內存 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，也稱爲拉鍊法；另外一種就是closed hashing，也稱開地址法，opened addressing。 擴展： d-left hashing中的d是多個的意思，咱們先簡化這個問題，看一看2-left hashing。2-left hashing指的是將一個哈希表分紅長度相等的兩半，分別叫作T1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h1[key]和h2[key]。這時須要檢查T1中的h1[key]位置和T2中的h2[key]位置，哪個 位置已經存儲的（有碰撞的）key比較多，而後將新key存儲在負載少的位置。若是兩邊同樣多，好比兩個位置都爲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).海量日誌數據，提取出某日訪問百度次數最多的那個IP。 IP的數目仍是有限的，最多2^32個，因此能夠考慮使用hash將ip直接存入內存，而後進行統計。 3、bit-map 適用範圍：可進行數據的快速查找，判重，刪除，通常來講數據範圍是int的10倍如下 基本原理及要點：使用bit數組來表示某些元素是否存在，好比8位電話號碼 擴展：bloom filter能夠看作是對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，每一個號碼爲8位數字，統計不一樣號碼的個數。 8位最多99 999 999，大概須要99m個bit，大概10幾m字節的內存便可。 2)2.5億個整數中找出不重複的整數的個數，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表示一個數便可，0表示未出現，1表示出現一次，2表示出現2次及以上。或者咱們不用2bit來進行表示，咱們用兩個bit-map便可模擬實現這個2bit-map。 4、堆 適用範圍：海量數據前n大，而且n比較小，堆能夠放入內存 基本原理及要點：最大堆求前n小，最小堆求前n大。方法，好比求前n小，咱們比較當前 元素與最大堆裏的最大元素，若是它小於最大元素，則應該替換那個最大元素。這樣最後獲得的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 小的狀況，這樣能夠掃描一遍便可獲得全部的前n元素，效率很高。 擴展：雙堆，一個最大堆與一個最小堆結合，能夠用來維護中位數。 問題實例： 1)100w個數中找最大的前100個數。 用一個100個元素大小的最小堆便可。 5、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！ 適用範圍：第k大，中位數，不重複或重複的數字 基本原理及要點：由於元素範圍很大，不能利用直接尋址表，因此經過屢次劃分，逐步肯定範圍，而後最後在一個能夠接受的範圍內進行。能夠經過屢次縮小，雙層只是一個例子。 擴展： 問題實例： 1).2.5億個整數中找出不重複的整數的個數，內存空間不足以容納這2.5億個整數。 有點像鴿巢原理，整數個數爲2^32,也就是，咱們能夠將這2^32個數，劃分爲2^8個區域(好比用單個文件表明一個區域)，而後將數據分離到不一樣的區域，而後不一樣的區域在利用bitmap就能夠直接解決了。也就是說只要有足夠的磁盤空間，就能夠很方便的解決。 2).5億個int找它們的中位數。 這個例子比上面那個更明顯。首先咱們 將int劃分爲2^16個區域，而後讀取數據統計落到各個區域裏的數的個數，以後咱們根據統計結果就能夠判斷中位數落到那個區域，同時知道這個區域中的第 幾大數恰好是中位數。而後第二次掃描咱們只統計落在這個區域中的那些數就能夠了。 實際上，若是不是int是int64，咱們能夠通過3次這樣的劃分便可下降到能夠接受 的程度。便可以先將int64分紅2^24個區域，而後肯定區域的第幾大數，在將該區域分紅2^20個子區域，而後肯定是子區域的第幾大數，而後子區域裏 的數的個數只有2^20，就能夠直接利用direct addr table進行統計了。 6、數據庫索引 適用範圍：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。 7、倒排索引(Inverted index) 適用範圍：搜索引擎，關鍵字查詢 基本原理及要點：爲什麼叫倒排索引？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。 以英文爲例，下面是要被索引的文本： T0 = 「it is what it is」 T1 = 「what is it」 T2 = 「it is a banana」 咱們就能獲得下面的反向文件索引： 「a」:      {2} 「banana」: {2} 「is」:     {0, 1, 2} 「it」:     {0, 1, 2} 「what」:   {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一個文檔的單詞的列表。正向索引的查詢每每知足每一個文檔有序 頻繁的全文查詢和每一個單詞在校驗文檔中的驗證這樣的查詢。在正向索引中，文檔佔據了中心的位置，每一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係。 擴展： 問題實例：文檔檢索系統，查詢那些文件包含了某單詞，好比常見的學術論文的關鍵字搜索。 8、外排序 適用範圍：大數據的排序，去重 基本原理及要點：外排序的歸併方法，置換選擇敗者樹原理，最優歸併樹 擴展： 問題實例： 1).有一個1G大小的一個文件，裏面每一行是一個詞，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。 這個數據具備很明顯的特色，詞的大小爲16個字節，可是內存只有1m作hash有些不夠，因此能夠用來排序。內存能夠當輸入緩衝區使用。 9、trie樹 適用範圍：數據量大，重複多，可是數據種類小能夠放入內存 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，每一個文件1G，每一個文件的每一行都存放的是用戶的query，每一個文件的query均可能重複。要你按照query的頻度排序。 2).1000萬字符串，其中有些是相同的(重複),須要把重複的所有去掉，保留沒有重複的字符串。請問怎麼設計和實現？ 3).尋找熱門查詢：查詢串的重複度比較高，雖然總數是1千萬，但若是除去重複後，不超過3百萬個，每一個不超過255字節。 10、分佈式處理 mapreduce 適用範圍：數據量大，可是數據種類小能夠放入內存 基本原理及要點：將數據交給不一樣的機器去處理，數據劃分，結果歸約。 擴展： 問題實例： 1).The canonical example application of MapReduce is a process to count the appearances of each different word in a set of documents: 2).海量數據分佈在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，每一個機器上有N個數。每一個機器最多存O(N)個數並對它們操做。如何找到N^2個數的中數(median)？ 經典問題分析 上千萬or億數據（有重複），統計其中出現次數最多的前N個數據,分兩種狀況：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，分佈式計算，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複後的數據量。若是去重後數據能夠放入 內存，咱們能夠爲數據創建字典，好比經過 map，hashmap，trie，而後直接進行統計便可。固然在更新每條數據的出現次數的時候，咱們能夠利用一個堆來維護出現次數最多的前N個數據，當 然這樣致使維護次數增長，不如徹底統計後在求前N大效率高。 若是數據沒法放入內存。一方面咱們能夠考慮上面的字典方法可否被改進以適應這種情形，能夠作的改變就是將字典存放到硬盤上，而不是內存，這能夠參考數據庫的存儲方法。 固然還有更好的方法，就是能夠採用分佈式計算，基本上就是map-reduce過程， 首先能夠根據數據值或者把數據hash(md5)後的值，將數據按照範圍劃分到不一樣的機子，最好可讓數據劃分後能夠一次讀入內存，這樣不一樣的機子負責處 理各類的數值範圍，實際上就是map。獲得結果後，各個機子只需拿出各自的出現次數最多的前N個數據，而後彙總，選出全部的數據中出現次數最多的前N個數 據，