海量数据处理分析方法(论文资料).doc

海量数据处理分析方法(论文资料).doc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50GX64=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。
s遍历文件a,对每个url求取新然后根据所取得的值将url分别存储到
1000个小文件（记为4°压，“"皿g）中。这样每个小文件的大约为300M。
s遍历文件b,采取和a相同的方式将url分别存储到1000各小文件（记为匕缶，”"皿）。
这样处理后，所有可能相同的url都在对应的小文件（ffo t^.a^ V£,ff0 V£ ）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。
s求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中。然后 遍历另一个小文件的每个url,看其是否在刚才构建的hash_set中，如果是，那么就是共 同的url,存到文件里面就可以了。
方案2：如果允许有一定的错误率，可以使用Bloom filter, 4G内存大概可以表示340亿 bito将其中一个文件中的url使用Bloom filter映射为这340亿bit,然后挨个读取另外 一个文件的url,检查是否与Bloom filter,如果是，那么该url应该是共同的url （注意 会有一定的错误率）。
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。
方案1：
s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
凤上甲・・・,知）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）。
s找一台内存在2G左右的机器，依次对㈤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（记为如，郊…，Mo）。
s对蝙，禹，”•，药。这10个文件进行归并排序（内排序与外排序相结合）。
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。
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IMo返回频数最高的100个词。
方案1：顺序读文件中，对于每个词X,取hash”）蛉5000,然后按照该值存到5000个小文
件（记为中。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，知道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。
海量日志数据，提取出某日访问百度次数最多的那个IP。
方案1：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Z”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。
在2. 5亿个整数中找出不重复的整数，内存不足以容纳这2. 5亿个整数。
方案1：采用2-Bitmap （每个数分配2bit, 00表示不存在，01表示出现一次，10表示多次,
11无意义）进行，共需内存2S8XZ&ff 内存，还可以接受。然后扫描这2. 5亿个整数,
查看Bitmap中相对应位,如果是00变01, 01变10, 10保持不变。所描完事后，查看bitmap, 把对应位是01的整数输出即可。
方案2：也可采用上题类似的方法，进行划分小文件的方法。然后在小文件中