大数据处理问题

大数据 , 就是指种类多、流量大、容量大、价值高、处理和分析速度快的真实数据汇聚的产物。

通常会需要考虑存储空间是、效率等问题。解决大数据问题一般主要的思想，1.文件切分，（将大文件切成若干个小文件进行处理），2.哈希切分，3.使用位图。以下通过几个实例来进行进一步分析：

1、海量日志数据，提取出某日访问百度次数最多的那个IP。（或者：给一个超过100G的文件，文件中存放着iP地址，请找出其中出现次数最多的IP地址 ）

思考： 这两个题是同一个题 。 IP的数目还是有限的， 最多有个2^32（42亿）个IP， 注意到IP是32位的。

1byte = 8位

1 KB = 1024 bytes （字节）

1 MB = 1024 KB

1 GB = 1024 MB

假设每个IP只出现一次，所需内存大概为（32*2^32）位，约为16个G左右。如果内存足够大，就直接进行统计。但是如果内存没有那么大，）我们可以将大文件切分成若干个小文件(假如为100个小文件),采用映射的方法，比如用IP地址模1000，这样同一个IP地址肯定会出现在同一个小文件中，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。

2.给定100亿个整数，设计算法找到只出现一次的整数 。

思考： 如果是有符号整数的话，范围为-2147483648~2147483647 

无符号整数为0~4294967296 ,有符号的使用两个bitset,一个存放正数，一个负数。 每

个数使用两个位来判断其出现几次。00表示出现0次，01出现1次，10出现大于一次。

比如说存放整数100，就将bitset的第100*2位设置为+1，当所有数放完之后，对每两

位进行测试看其值为多少？若是第i为与i+1为的值为01，则这个整数：i*2，在集合中只

出现了1次。需要总共用bitnun=(2^31*2)个位表示，需空间为int[bitnum],即512M.

3.给40亿个不重复的unsigned int的整数，没排过序的，然后再给一个数，如何快速判

断这个数是否在那40亿个数当中？

方案1 ：40亿个整数差不多相当于全部整数， 需要总共用(2^32 )个位表示，需空间为

int[bitnum],即512M. 申请512M的内存，一个bit位代表一个unsigned int值。读入40亿

个数，设置相应的bit位，读入要查询的数，查看相应bit位是否为1，为1表示存在，为0

表示不存在。

方案2 ： 因为2^32为40亿多，所以给定一个数可能在，也可能不在其中；这里我们

把40亿个数中的每一个用32位的二进制来表示假设这40亿个数开始放在一个文件中。

然后将这40亿个数分成两类: 1.最高位为0 2.最高位为1 并将这两类分别写入到两

个文件中， 其中一个文件中数的个数<=20亿，而另一个>=20亿（这相当于折 了 ）；

与要查找的数的最高位比较并接着进入相应的文件再查找， 再然后把这个文件为又分成

两类: 1.次最高位为0 2.次最高位为1。 并将这两类分别写入到两个文件中，其中一个文

件中数的个数 <=10亿，而另一个>=10亿（这相当于折半了） ； 与要查找的数的次最

高位比较并接着进入相应的文件再查找。 ....... 以此类推，就可以找到了,而且时间复

杂度为O(logn)。

方案三 ： 位图方法 ，使用位图法判断整形数组是否存在重复 判断集合中存在重复是

常见编程任务之一，当集合中数据量比较大时我们通常希望少进行几次扫描，这时双重

循环法就不可取了。( 位图法比较适合于这种情况，它的做法是按照集合中最大元素

max创建一个长度为max+1的新数组，然后再次扫描原数组，遇到几就给新数组的第

几位置上1，如遇到5就给新数组的第六个元素置1，这样下次再遇到5想置位时发现新数

组的第六个元素已经是1了，这说明这次的数据肯定和以前的数据存在着重复。它的运

算次数最坏的情况为2N。如果已知数组的最大值即能事先给新数组定长的话效率还能提

高一倍。)