海量數據處理相關面試題

時間 2019-11-20

原文原文鏈接

海量數據處理相關面試題

注意：本文只是本人對http://blog.csdn.net/v_july_v/article/details/7382693的一個閱讀筆記。html

引言

通常來講，STL容器分兩種，mysql

序列式容器（vector/list/deque/stack/queue/heap）；
關聯式容器（set/map/multiset/multimap），這些容器均以RB-tree完成；
hashtable，以及以hashtable爲底層機制完成的hash_set(散列集合)/hash_map(散列映射表)/hash_multiset(散列多鍵集合)/hash_multimap(散列多鍵映射表)。也就是說，set/map/multiset/multimap都內含一個RB-tree，而hash_set/hash_map/hash_multiset/hash_multimap都內含一個hashtable。

注意：因爲set/map/multiset/multimap是基於RB-tree之上，因此有自動排序功能；而hash_set/hash_map/hash_multiset/hash_multimap都是基於hashtable之上，因此不含有自動排序功能，至於加個前綴multi_無非就是容許鍵值重複而已。面試

下面將依次介紹海量數據處理的6類方法：算法

分而治之/hash映射 + hash統計 + 堆/快速/歸併排序；
多層劃分；
Bloom filter/Bitmap；
Trie樹/數據庫/倒排索引；
外排序；
分佈式處理之Hadoop/Mapreduce。

分而治之/hash映射 + hash統計 + 堆/快速/歸併排序

一、海量日誌數據，提取出某日訪問百度次數最多的那個IP。sql

處理的整個過程分爲三步，分別是映射，統計，排序。數據庫

分而治之/hash映射：針對數據太大，內存受限，只能是把大文件化成（取模映射）小文件；
hash_map統計：當大文件轉化了小文件，那麼咱們即可以採用常規的hash_map(ip，value)來進行頻率統計；
堆/快速排序：統計完了以後，便進行排序（可採起堆排序），獲得次數最多的IP。

具體而論，則是：「掃描日誌文件，對每條訪問的IP地址做hash，而後取模，好比（%1000），則把整個大日誌文件映射爲1000個小文件（同一個IP地址老是被映射到同一個小文件中）。再找出每一個小文中出現頻率最大的IP（能夠採用hash_map對那1000個文件中的全部IP進行頻率統計，而後依次找出各個文件中頻率最大的那個IP）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。數組

二、尋找熱門查詢，300萬個查詢字符串中統計最熱門的10個查詢數據結構

原題：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。架構

本題的數據規模比較小，雖然有1千萬個Query，但去重後只有300萬的Query，每一個Query最多使用255Byte，那麼最多佔用內存3M*1K/4=0.75G，因此咱們放棄分而治之/hash映射的步驟，直接把數據所有加載到內存中，而後使用hash統計詞頻。app

針對此類典型的TOP K問題，採起的對策每每是：hashmap + 堆，以下所示：

a) hash_map統計：先對這批海量數據預處理。具體方法是：維護一個Key爲Query字串，Value爲該Query出現次數的HashTable，即hash_map(Query，Value)，每次讀取一個Query，若是該字串不在Table中，那麼加入該字串，而且將Value值設爲1；若是該字串在Table中，那麼將該字串的計數加一便可。最終咱們在O(N)的時間複雜度內用Hash表完成了統計；

b) 堆排序：藉助堆這個數據結構，找出Top K，時間複雜度爲NlogK。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）。

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。
a) 分而治之/hash映射：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。

b) hash_map統計：對每一個小文件，採用trie樹/hash_map等統計每一個文件中出現的詞以及相應的頻率。
c) 堆/歸併排序：取出出現頻率最大的100個詞（能夠用含100個結點的最小堆）後，再把100個詞及相應的頻率存入文件，這樣又獲得了5000個文件。最後就是把這5000個文件進行歸併（相似於歸併排序）的過程了。

四、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。

若是每一個數據元素只出現一次，並且只出如今某一臺機器中，那麼能夠採起如下步驟統計出現次數TOP10的數據元素：
a) 堆排序：在每臺電腦上求出TOP10，能夠採用包含10個元素的堆完成（求最小的TOP10，用最大堆，求最大的TOP10，用最小堆，）。
b) 求出每臺電腦上的TOP10後，而後把這100臺電腦上的TOP10組合起來，共1000個數據，再利用上面相似的方法求出TOP10就能夠了。

但若是同一個元素重複出如今不一樣的電腦中怎麼辦呢，能夠先遍歷一遍全部數據，從新hash取摸，如此使得同一個元素只出如今單獨的一臺電腦中，而後再採用上面所說的方法。

五、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。

方案1：老方法

a) hash映射：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a0,a1,..a9）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）。
b) hash_map統計：找一臺內存在2G左右的機器，依次對每一個小文件用hash_map(query, query_count)來統計每一個query出現的次數。
c) 堆/快速/歸併排序：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）。最後，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。

六、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url列表的交集？

能夠估計每一個文件安的大小爲5G×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。

分而治之/hash映射：遍歷文件a，對每一個url求取，而後根據所取得的值將url分別存儲到1000個小文件中。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小文件中（記爲）。這樣處理後，全部可能相同的url都在成對的小文件中，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。
hash_set統計：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。

七、怎麼在海量數據中找出重複次數最多的一個？

方案：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）。

八、上千萬或上億數據（有重複），統計其中出現次數最多的前N個數據。

方案：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。而後利用堆取出前N個出現次數最多的數據。

九、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：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)中較大的哪個。

10. 1000萬字符串，其中有些是重複的，須要把重複的所有去掉，保留沒有重複的字符串。請怎麼設計和實現？

方案1：用trie樹/hash_map。

方案2：1000w的數據規模插入操做徹底不現實，之前試過在stl下100w元素插入set中已經慢得不能忍受，以爲基於hash的實現不會比紅黑樹好太多，使用vector+sort+unique都要可行許多，建議仍是先hash成小文件分開處理再綜合。

上述方案2中讀者xbzju的方法讓我想到了一些問題，便是set/map，與hash_set/hash_map的性能比較？共計3個問題，以下：
a) hash_set在千萬級數據下，insert操做優於set? 這位blog：http://t.cn/zOibP7t 給的實踐數據可靠不?
b) 那map和hash_map的性能比較呢? 誰作過相關實驗?

c) 那查詢操做呢，以下段文字所述?

11. 一個文本文件，找出前10個常常出現的詞，但此次文件比較長，說是上億行或十億行，總之沒法一次讀入內存，問最優解。
方案1：首先根據用hash並求模，將文件分解爲多個小文件，對於單個文件利用上題的方法求出每一個文件件中10個最常出現的詞。而後再進行歸併處理，找出最終的10個最常出現的詞。

12. 100w個數中找出最大的100個數。
方案1：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)。

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，直到比較大的一部分在比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：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)。

多層劃分

多層劃分的本質上仍是分而治之的思想，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。

一、在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。

二、有5億個int類型的數字，找它們的中位數
方案一：首先將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。

方案二：一樣須要作兩遍統計，若是數據存在硬盤上，就須要讀取2次。
方法同基數排序有些像，開一個大小爲65536的Int數組，第一遍讀取，統計Int32的高16位的狀況，也就是0-65535，都算做0；65536 - 131071都算做1。就至關於用該數除以65536。Int32 除以 65536的結果不會超過65536種狀況，所以開一個長度爲65536的數組計數就能夠。每讀取一個數，數組中對應的計數+1，考慮有負數的狀況，須要將結果加32768後，記錄在相應的數組內。
第一遍統計以後，遍歷數組，逐個累加統計，看中位數處於哪一個區間，好比處於區間k，那麼0- k-1的區間裏數字的數量sum應該<n/2（2.5億）。而k+1 - 65535的計數和也<n/2，第二遍統計同上面的方法相似，但此次只統計處於區間k的狀況，也就是說(x / 65536) + 32768 = k。統計只統計低16位的狀況。而且利用剛纔統計的sum，好比sum = 2.49億，那麼如今就是要在低16位裏面找100萬個數(2.5億-2.49億)。此次計數以後，再統計一下，看中位數所處的區間，最後將高位和低位組合一下就是結果了。

Bloom Filter/Bitmap

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。

看一個以前遇到過的問題：

一、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url列表的交集？若是是三個乃至n個文件呢？

若是容許有必定的錯誤率，可使用Bloom filter。4G內存能夠表示2^32*8=340億bit。n=50億，若是按出錯率（E=0.01）算須要的大概是nlog₂(1/E)*1.44 =650億個bit。如今可用的是340億，相差並很少，可能會使出錯率上升些。

方案：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）。

Bitmap

二、在2.5億個整數中找出不重複的整數，內存空間不足以容納這2.5億個整數

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。

三、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？

方案：申請512M的內存，一個bit位表明一個unsigned int值（512M內存能夠表示2^32=4.29億bits）。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。

Trie樹/數據庫/倒排索引

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。

數據庫

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。

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：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。

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。

分佈式處理之Mapreduce

MapReduce是一種計算模型，簡單的說就是將大批量的工做（數據）分解（MAP）執行，而後再將結果合併成最終結果（REDUCE）。這樣作的好處是能夠在任務被分解後，能夠經過大量機器進行並行計算，減小整個操做的時間。說白了，Mapreduce的原理就是一個歸併排序。

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。

問題實例：

一、The canonical example application of MapReduce is a process to count the appearances of each different word in a set of documents:二、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。三、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)？