算法
3、有一个1G大小的一个文件,里面每一行是一个词,词的大小不超过16字节,内存限制大小是1M。返回频数最高的100个词。
方案:顺序读文件中,对于每个词x,取hash(x)%5000,然后按照该值存到5000个小文件(记为x0,x1,...x4999)中。这样每个文件大概是200k左右。
如果其中的有的文件超过了1M大小,还可以按照类似的方法继续往下分,直到分解得到的小文件的大小都不超过1M。
对每个小文件,统计每个文件中出现的词以及相应的频率(可以采用trie树/hash_map等),并取出出现频率最大的100个词(可以用含100个结点的最小堆),并把100个词及相应的频率存入文件,这样又得到了5000个文件。下一步就是把这5000个文件进行归并(类似与归并排序)的过程了。
4、有10个文件,每个文件1G,每个文件的每一行存放的都是用户的query,每个文件的query都可能重复。要求你按照query的频度排序。
还是典型的TOP K算法,解决方案如下:
方案1:
顺序读取10个文件,按照hash(query)%10的结果将query写入到另外10个文件(记为)中。这样新生成的文件每个的大小大约也1G(假设hash函数是随机的)。
找一台内存在2G左右的机器,依次对用hash_map(query, query_count)来统计每个query出现的次数。利用快速/堆/归并排序按照出现次数进行排序。将排序好的query和对应的query_cout输出到文件中。这样得到了10个排好序的文件(记为)。
对这10个文件进行归并排序(内排序与外排序相结合)。
方案2:
一般query的总量是有限的,只是重复的次数比较多而已,可能对于所有的query,一次性就可以加入到内存了。这样,我们就可以采用trie树/hash_map等直接来统计每个query出现的次数,然后按出现次数做快速/堆/归并排序就可以了。
方案3:
与方案1类似,但在做完hash,分成多个文件后,可以交给多个文件来处理,采用分布式的架构来处理(比如MapReduce),最后再进行合并。
5、 给定a、b两个文件,各存放50亿个url,每个url各占64字节,内存限制是4G,让你找出a、b文件共同的url?
方案1:可以估计每个文件安的大小为50G×64=320G,远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。
遍历文件a,对每个url求取hash(url)%1000,然后根据所取得的值将url分别存储到1000个小文件(记为a0,a1,...,a999)中。这样每个小文件的大约为300M。
遍历文件b,采取和a相同的方式将url分别存储到1000小文件(记为b0,b1,...,b999)。这样处理后,所有可能相同的url都在对应的小文件(a0vsb0,a1vsb1,...,a999vsb999)中,不对应的小文件不可能有相同的url。然后我们只要求出1000对小文件中相同的url即可。
十道海量数据处理面试题与十个方法大总结_IT/计算机_专业资料。2011/5/9 十道海量数据处理面试题与十个方法…欢迎 in7deforever 我的: 空间 欢迎 in7deforever! ...
十道海量数据处理面试题与十个方法大总结_信息与通信_工程科技_专业资料。第一部分为10道海量数据处理的面试题,第二部分为10个海量数据处理的方法总结。海量...
此文, 却无任何收获, 那么, 我也甘愿背负这样的罪名, :-), 同时, 此文可以看做是对这篇文章: 十道海量数据处理面试题与十个方法大总结的一般抽象 性总结。 ...
前言本博客内曾经整理过有关海量数据处理的 10 道面试题 (十道海量数据处理面试题与十个 方法大总结),此次除了重复了之前的 10 道面试题之后,重新多整理了 7...
如果读者读罢此文,却无任何收获,那么,我也甘愿背负这样的罪名,:-),同时,此文可以看做是对 这篇文章:十道海量数据处理面试题与十个方法大总结的一般抽象性总结。...
此文, 却无任何收获, 那么, 我也甘愿背负这样的罪名, :-), 同时, 此文可以看做是对这篇文章: 十道海量数据处理面试题与十个方法大总结的一般抽象 性总结。 ...
教你如何迅速秒杀99%的海量数据处理面试题_IT/计算机_专业资料。十道海量数据处理面试题与十个方法大总结的一般抽象性总结教你如何迅速秒杀99%的海量数据处理面试题...
前言本博客内曾经整理过有关海量数据处理的 10 道面试题(十道海量数据处理面试题与十个方法大总结), 此次除了重复了之前的 10 道面试题之后,重新多整理了 7 ...
”-- 十道海量数据处理面试题与十个方法大总结。 注:Hash 取模是一种等价映射,不会存在同一个元素分散到不同小文件中 去的情况,即这里采用的是 mod1000 ...
如果读者读罢此文, 却无任何收获, 那么, 我也甘愿背负这样的罪名, :-), 同时, 此文可以看做是对这篇文章: 十道海量数据处理面试题与十个方法大总结的一般抽象...
,如果读者读罢此文,却无任何收获,那么,我也甘愿背负这样的罪名,:-),同时,此文可以看做是对这篇文章:十道海量数据处理面试题与十个方法大总结的一般抽象性总结。...
”--十道海量数据处理面试题与十个方法大总结。 关于本题,还有几个问题,如下: 1、Hash 取模是一种等价映射,不会存在同一个元素分散到不同小文件中去的情况,...
热门文档