整容医院网站建设目的,网页个人信息页面,宣讲家网站两学一做心得体会,为知笔记 编辑wordpress本文将简单总结下一些处理海量数据问题的常见方法。当然这些方法可能并不能完全覆盖所有的问题#xff0c;但是这样的一些方法也基本可以处理绝大多数遇到的问题。下面的一些问题基本直接来源于公司的面试笔试题目#xff0c;方法不一定最优#xff0c;如果你有更好的处理方…本文将简单总结下一些处理海量数据问题的常见方法。当然这些方法可能并不能完全覆盖所有的问题但是这样的一些方法也基本可以处理绝大多数遇到的问题。下面的一些问题基本直接来源于公司的面试笔试题目方法不一定最优如果你有更好的处理方法欢迎讨论。一、Bloom filter适用范围可以用来实现数据字典进行数据的判重或者集合求交集基本原理及要点对于原理来说很简单位数组k个独立hash函数。将 hash函数对应的值的位数组置1查找时如果发现所有hash函数对应位都是1说明存在很明显这个过程并不保证查找的结果是100%正确的。同时也不 支持删除一个已经插入的关键字因为该关键字对应的位会牵动到其他的关键字。所以一个简单的改进就是 counting Bloom filter用一个counter数组代替位数组就可以支持删除了。还有一个比较重要的问题如何根据输入元素个数n确定位数组m的大小及hash函数 个数。当hash函数个数k(ln2)*(m/n)时错误率最小。在错误率不大于E的情况下m至少要等于n*lg(1/E)才能表示任意n个元素的集 合。但m还应该更大些因为还要保证bit数组里至少一半为0则m应该nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。举个例子我们假设错误率为0.01则此时m应大概是n的13倍。这样k大概是8个。注意这里m与n的单位不同m是bit为单位而n则是以元素个数为单位(准确的说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloom filter内存上通常都是节省的。扩展Bloom filter将集合中的元素映射到位数组中用kk为哈希函数个数个映射位是否全1表示元素在不在这个集合中。Counting bloom filterCBF将位数组中的每一位扩展为一个counter从而支持了元素的删除操作。Spectral Bloom FilterSBF将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。问题实例给你A,B两个文件各存放50亿条URL每条URL占用64字节内存限制是4G让你找出A,B文件共同的URL。如果是三个乃至n个文件呢根据这个问题我们来计算下内存的占用4G2^32大概是40亿*8大概是340 亿n50亿如果按出错率0.01算需要的大概是650亿个bit。现在可用的是340亿相差并不多这样可能会使出错率上升些。另外如果这些 urlip是一一对应的就可以转换成ip则大大简单了。二、Hashing适用范围快速查找删除的基本数据结构通常需要总数据量可以放入内存基本原理及要点hash函数选择针对字符串整数排列具体相应的hash方法。碰撞处理一种是open hashing也称为拉链法另一种就是closed hashing也称开地址法opened addressing。扩展d-left hashing中的d是多个的意思我们先简化这个问题看一看2-left hashing。2-left hashing指的是将一个哈希表分成长度相等的两半分别叫做T1和T2给T1和T2分别配备一个哈希函数h1和h2。在存储一个新的key时同 时用两个哈希函数进行计算得出两个地址h1[key]和h2[key]。这时需要检查T1中的h1[key]位置和T2中的h2[key]位置哪一个 位置已经存储的有碰撞的key比较多然后将新key存储在负载少的位置。如果两边一样多比如两个位置都为空或者都存储了一个key就把新key 存储在左边的T1子表中2-left也由此而来。在查找一个key时必须进行两次hash同时查找两个位置。问题实例1)海量日志数据提取出某日访问百度次数最多的那个IP。IP的数目还是有限的最多2^32个所以可以考虑使用hash将ip直接存入内存然后进行统计。三、bit-map适用范围可进行数据的快速查找判重删除一般来说数据范围是int的10倍以下基本原理及要点使用bit数组来表示某些元素是否存在比如8位电话号码扩展bloom filter可以看做是对bit-map的扩展问题实例1)已知某个文件内包含一些电话号码每个号码为8位数字统计不同号码的个数。8位最多99 999 999大概需要99m个bit大概10几m字节的内存即可。2)2.5亿个整数中找出不重复的整数的个数内存空间不足以容纳这2.5亿个整数。将bit-map扩展一下用2bit表示一个数即可0表示未出现1表示出现一次2表示出现2次及以上。或者我们不用2bit来进行表示我们用两个bit-map即可模拟实现这个2bit-map。四、堆适用范围海量数据前n大并且n比较小堆可以放入内存基本原理及要点最大堆求前n小最小堆求前n大。方法比如求前n小我们比较当前 元素与最大堆里的最大元素如果它小于最大元素则应该替换那个最大元素。这样最后得到的n个元素就是最小的n个。适合大数据量求前n小n的大小比较 小的情况这样可以扫描一遍即可得到所有的前n元素效率很高。扩展双堆一个最大堆与一个最小堆结合可以用来维护中位数。问题实例1)100w个数中找最大的前100个数。用一个100个元素大小的最小堆即可。五、双层桶划分其实本质上就是【分而治之】的思想重在“分”的技巧上适用范围第k大中位数不重复或重复的数字基本原理及要点因为元素范围很大不能利用直接寻址表所以通过多次划分逐步确定范围然后最后在一个可以接受的范围内进行。可以通过多次缩小双层只是一个例子。扩展问题实例1)2.5亿个整数中找出不重复的整数的个数内存空间不足以容纳这2.5亿个整数。有点像鸽巢原理整数个数为2^32,也就是我们可以将这2^32个数划分为2^8个区域(比如用单个文件代表一个区域)然后将数据分离到不同的区域然后不同的区域在利用bitmap就可以直接解决了。也就是说只要有足够的磁盘空间就可以很方便的解决。2)5亿个int找它们的中位数。这个例子比上面那个更明显。首先我们 将int划分为2^16个区域然后读取数据统计落到各个区域里的数的个数之后我们根据统计结果就可以判断中位数落到那个区域同时知道这个区域中的第 几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。实际上如果不是int是int64我们可以经过3次这样的划分即可降低到可以接受 的程度。即可以先将int64分成2^24个区域然后确定区域的第几大数在将该区域分成2^20个子区域然后确定是子区域的第几大数然后子区域里 的数的个数只有2^20就可以直接利用direct addr table进行统计了。六、数据库索引适用范围大数据量的增删改查基本原理及要点利用数据的设计实现方法对海量数据的增删改查进行处理。七、倒排索引(Inverted index)适用范围搜索引擎关键字查询基本原理及要点为何叫倒排索引一种索引方法被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。以英文为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”我们就能得到下面的反向文件索引“a”: {2}“banana”: {2}“is”: {0, 1, 2}“it”: {0, 1, 2}“what”: {0, 1}检索的条件”what”,”is”和”it”将对应集合的交集。正向索引开发出来用来存储每个文档的单词的列表。正向索引的查询往往满足每个文档有序 频繁的全文查询和每个单词在校验文档中的验证这样的查询。在正向索引中文档占据了中心的位置每个文档指向了一个它所包含的索引项的序列。也就是说文档 指向了它包含的那些单词而反向索引则是单词指向了包含它的文档很容易看到这个反向的关系。扩展问题实例文档检索系统查询那些文件包含了某单词比如常见的学术论文的关键字搜索。八、外排序适用范围大数据的排序去重基本原理及要点外排序的归并方法置换选择败者树原理最优归并树扩展问题实例1).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个字节内存限制大小是1M。返回频数最高的100个词。这个数据具有很明显的特点词的大小为16个字节但是内存只有1m做hash有些不够所以可以用来排序。内存可以当输入缓冲区使用。九、trie树适用范围数据量大重复多但是数据种类小可以放入内存基本原理及要点实现方式节点孩子的表示方式扩展压缩实现。问题实例1).有10个文件每个文件1G每个文件的每一行都存放的是用户的query每个文件的query都可能重复。要你按照query的频度排序。2).1000万字符串其中有些是相同的(重复),需要把重复的全部去掉保留没有重复的字符串。请问怎么设计和实现3).寻找热门查询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3百万个每个不超过255字节。十、分布式处理 mapreduce适用范围数据量大但是数据种类小可以放入内存基本原理及要点将数据交给不同的机器去处理数据划分结果归约。扩展问题实例1)The canonical example application of MapReduce is a process to count the appearances ofeach different word in a set of documents:2)海量数据分布在100台电脑中想个办法高效统计出这批数据的TOP10。3)一共有N个机器每个机器上有N个数。每个机器最多存O(N)个数并对它们操作。如何找到N^2个数的中数(median)经典问题分析上千万or亿数据有重复统计其中出现次数最多的前N个数据,分两种情况可一次读入内存不可一次读入。可用思路trie树堆数据库索引划分子集分别统计hash分布式计算近似统计外排序所谓的是否能一次读入内存实际上应该指去除重复后的数据量。如果去重后数据可以放入 内存我们可以为数据建立字典比如通过 maphashmaptrie然后直接进行统计即可。当然在更新每条数据的出现次数的时候我们可以利用一个堆来维护出现次数最多的前N个数据当 然这样导致维护次数增加不如完全统计后在求前N大效率高。如果数据无法放入内存。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形可以做的改变就是将字典存放到硬盘上而不是内存这可以参考数据库的存储方法。当然还有更好的方法就是可以采用分布式计算基本上就是map-reduce过程 首先可以根据数据值或者把数据hash(md5)后的值将数据按照范围划分到不同的机子最好可以让数据划分后可以一次读入内存这样不同的机子负责处 理各种的数值范围实际上就是map。得到结果后各个机子只需拿出各自的出现次数最多的前N个数据然后汇总选出所有的数据中出现次数最多的前N个数 据这实际上就是reduce过程。实际上可能想直接将数据均分到不同的机子上进行处理这样是无法得到正确的解的。因为 一个数据可能被均分到不同的机子上而另一个则可能完全聚集到一个机子上同时还可能存在具有相同数目的数据。比如我们要找出现次数最多的前100个我 们将1000万的数据分布到10台机器上找到每台出现次数最多的前 100个归并之后这样不能保证找到真正的第100个因为比如出现次数最多的第100个可能有1万个但是它被分到了10台机子这样在每台上只有1千 个假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的比如有1001个这样本来具有1万个的这个就会被淘汰即使我们让每台机子选 出出现次数最多的1000个再归并仍然会出错因为可能存在大量个数为1001个的发生聚集。因此不能将数据随便均分到不同机子上而是要根据hash 后的值将它们映射到不同的机子上处理让不同的机器处理一个数值范围。而外排序的方法会消耗大量的IO效率不会很高。而上面的分布式方法也可以用于单机版本也就是将总的数据根据值的范围划分成多个不同的子文件然后逐个处理。处理完毕之后再对这些单词的及其出现频率进行一个归并。实际上就可以利用一个外排序的归并过程。另外还可以考虑近似计算也就是我们可以通过结合自然语言属性只将那些真正实际中出现最多的那些词作为一个字典使得这个规模可以放入内存。ok以上有任何问题欢迎指正。谢谢大家。本文完。
