大数据面试题.pdf


立即下载 一腔诗意
2024-03-14
IP 文件 算法 次数 Hash 频率 地址 统计 找出 查询
252.7 KB

精品课程
全程面授
做真实的自己,用良心做教育
大数据面试题
1、海量日志数据,提取出某日访问百度次数最多的那个 IP。
首先是这一天,并且是访问百度的日志中的 IP 取出来,逐个写入到一个大文件
中。注意到 IP 是 32 位的,最多有个 2^32 个 IP。同样可以采用映射的方法,
比如模 1000,把整个大文件映射为 1000 个小文件,再找出每个小文中出现频
率最大的 IP(可以采用 hash_map 进行频率统计,然后再找出频率最大的几个)
及相应的频率。然后再在这 1000 个最大的 IP 中,找出那个频率最大的 IP,即
为所求。
或者如下阐述:
算法思想:分而治之+Hash
1.IP 地址最多有 2^32=4G 种取值情况,所以不能完全加载到内存中处理;
2.可以考虑采用“分而治之”的思想,按照 IP 地址的 Hash(IP)%1024 值,把海
量 IP 日志分别存储到 1024 个小文件中。这样,每个小文件最多包含 4MB 个 IP
地址;
3.对于每一个小文件,可以构建一个 IP 为 key,出现次数为 value 的 Hash map,
同时记录当前出现次数最多的那个 IP 地址;
4.可以得到 1024 个小文件中的出现次数最多的 IP,再依据常规的排序算法得到
总体上出现次数最多的 IP;
tPPK/b7dw+bK1M7KzOK8sLTwsLg=
2、搜索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来,每
个查询串的长度为 1-255 字节。
精品课程
全程面授
做真实的自己,用良心做教育
假设目前有一千万个记录(这些查询串的重复度比较高,虽然总数是 1 千万,但
如果除去重复后,不超过 3 百万个。一个查询串的重复度越高,说明查询它的用
户越多,也就是越热门。),请你统计最热门的 10 个查询串,要求使用的内存不
能超过 1G。
典型的 Top K 算法,还是在这篇文章里头有所阐述,详情请参见:十一、从头
到尾彻底解析 Hash 表算法。
文中,给出的最终算法是:
第一步、先对这批海量数据预处理,在 O(N)的时间内用 Hash 表完成统计(之前
写成了排序,特此订正。July、2011.04.27);
第二步、借助堆这个数据结构,找出 Top K,时间


IP/文件/算法/次数/Hash/频率/地址/统计/找出/查询/ IP/文件/算法/次数/Hash/频率/地址/统计/找出/查询/
-1 条回复
登录 后才能参与评论
-->