1、海量日志數(shù)據(jù)，提取出某日訪問百度次數(shù)最多的那個(gè)IP。
首先是這一天，并且是訪問百度的日志中的IP取出來，逐個(gè)寫入到一個(gè)大文件中。注意到IP是32位的，最多有個(gè)2^32個(gè)IP。同樣可以采用映射的方法，比如模1000，把整個(gè)大文件映射為1000個(gè)小文件，再找出每個(gè)小文中出現(xiàn)頻率最大的IP(可以采用hash_map進(jìn)行頻率統(tǒng)計(jì)，然后再找出頻率最大的幾個(gè))及相應(yīng)的頻率。然后再在這1000個(gè)最大的IP中，找出那個(gè)頻率最大的IP，即為所求。
或者如下闡述：
算法思想：分而治之+Hash
1.IP地址最多有2^32=4G種取值情況，所以不能完全加載到內(nèi)存中處理;
2.可以考慮采用“分而治之”的思想，按照IP地址的Hash(IP)24值，把海量IP日志分別存儲到1024個(gè)小文件中。這樣，每個(gè)小文件最多包含4MB個(gè)IP地址;
3.對于每一個(gè)小文件，可以構(gòu)建一個(gè)IP為key，出現(xiàn)次數(shù)為value的Hash map，同時(shí)記錄當(dāng)前出現(xiàn)次數(shù)最多的那個(gè)IP地址;
4.可以得到1024個(gè)小文件中的出現(xiàn)次數(shù)最多的IP，再依據(jù)常規(guī)的排序算法得到總體上出現(xiàn)次數(shù)最多的IP;
2、搜索引擎會通過日志文件把用戶每次檢索使用的所有檢索串都記錄下來，每個(gè)查詢串的長度為1-255字節(jié)。
假設(shè)目前有一千萬個(gè)記錄(這些查詢串的重復(fù)度比較高，雖然總數(shù)是1千萬，但如果除去重復(fù)后，不超過3百萬個(gè)。一個(gè)查詢串的重復(fù)度越高，說明查詢它的用戶越多，也就是越熱門。)，請你統(tǒng)計(jì)最熱門的10個(gè)查詢串，要求使用的內(nèi)存不能超過1G。
典型的Top K算法，還是在這篇文章里頭有所闡述，
文中，給出的最終算法是：
第一步、先對這批海量數(shù)據(jù)預(yù)處理，在O(N)的時(shí)間內(nèi)用Hash表完成統(tǒng)計(jì)(之前寫成了排序，特此訂正。July、2011.04.27);
第二步、借助堆這個(gè)數(shù)據(jù)結(jié)構(gòu)，找出Top K，時(shí)間復(fù)雜度為N‘logK。
即，借助堆結(jié)構(gòu)，我們可以在log量級的時(shí)間內(nèi)查找和調(diào)整/移動(dòng)。因此，維護(hù)一個(gè)K(該題目中是10)大小的小根堆，然后遍歷300萬的Query，分別和根元素進(jìn)行對比所以，我們最終的時(shí)間復(fù)雜度是：O(N) + N’O(logK)，(N為1000萬，N’為300萬)。ok，更多，詳情，請參考原文。
或者：采用trie樹，關(guān)鍵字域存該查詢串出現(xiàn)的次數(shù)，沒有出現(xiàn)為0。最后用10個(gè)元素的最小推來對出現(xiàn)頻率進(jìn)行排序。
3、有一個(gè)1G大小的一個(gè)文件，里面每一行是一個(gè)詞，詞的大小不超過16字節(jié)，內(nèi)存限制大小是1M。返回頻數(shù)最高的100個(gè)詞。
方案：順序讀文件中，對于每個(gè)詞x，取hash(x)P00，然后按照該值存到5000個(gè)小文件(記為x0,x1,…x4999)中。這樣每個(gè)文件大概是200k左右。
如果其中的有的文件超過了1M大小，還可以按照類似的方法繼續(xù)往下分，直到分解得到的小文件的大小都不超過1M。
對每個(gè)小文件，統(tǒng)計(jì)每個(gè)文件中出現(xiàn)的詞以及相應(yīng)的頻率(可以采用trie樹/hash_map等)，并取出出現(xiàn)頻率最大的100個(gè)詞(可以用含100 個(gè)結(jié)點(diǎn)的最小堆)，并把100個(gè)詞及相應(yīng)的頻率存入文件，這樣又得到了5000個(gè)文件。下一步就是把這5000個(gè)文件進(jìn)行歸并(類似與歸并排序)的過程了。
4、有10個(gè)文件，每個(gè)文件1G，每個(gè)文件的每一行存放的都是用戶的query，每個(gè)文件的query都可能重復(fù)。要求你按照query的頻度排序。
還是典型的TOP K算法，解決方案如下：
方案1：
順序讀取10個(gè)文件，按照hash(query)的結(jié)果將query寫入到另外10個(gè)文件(記為)中。這樣新生成的文件每個(gè)的大小大約也1G(假設(shè)hash函數(shù)是隨機(jī)的)。
找一臺內(nèi)存在2G左右的機(jī)器，依次對用hash_map(query, query_count)來統(tǒng)計(jì)每個(gè)query出現(xiàn)的次數(shù)。利用快速/堆/歸并排序按照出現(xiàn)次數(shù)進(jìn)行排序。將排序好的query和對應(yīng)的 query_cout輸出到文件中。這樣得到了10個(gè)排好序的文件(記為)。
對這10個(gè)文件進(jìn)行歸并排序(內(nèi)排序與外排序相結(jié)合)。
方案2：
一般query的總量是有限的，只是重復(fù)的次數(shù)比較多而已，可能對于所有的query，一次性就可以加入到內(nèi)存了。這樣，我們就可以采用trie樹/hash_map等直接來統(tǒng)計(jì)每個(gè)query出現(xiàn)的次數(shù)，然后按出現(xiàn)次數(shù)做快速/堆/歸并排序就可以了。
方案3：
與方案1類似，但在做完hash，分成多個(gè)文件后，可以交給多個(gè)文件來處理，采用分布式的架構(gòu)來處理(比如MapReduce)，最后再進(jìn)行合并。
5、 給定a、b兩個(gè)文件，各存放50億個(gè)url，每個(gè)url各占64字節(jié)，內(nèi)存限制是4G，讓你找出a、b文件共同的url?
方案1：可以估計(jì)每個(gè)文件安的大小為5G×64=320G，遠(yuǎn)遠(yuǎn)大于內(nèi)存限制的4G。所以不可能將其完全加載到內(nèi)存中處理。考慮采取分而治之的方法。
遍歷文件a，對每個(gè)url求取hash(url)00，然后根據(jù)所取得的值將url分別存儲到1000個(gè)小文件(記為a0,a1,…,a999)中。這樣每個(gè)小文件的大約為300M。
遍歷文件b，采取和a相同的方式將url分別存儲到1000小文件(記為b0,b1,…,b999)。這樣處理后，所有可能相同的url都在對應(yīng)的小文件(a0vsb0,a1vsb1,…,a999vsb999)中，不對應(yīng)的小文件不可能有相同的url。然后我們只要求出1000對小文件中相同的 url即可。
求每對小文件中相同的url時(shí)，可以把其中一個(gè)小文件的url存儲到hash_set中。然后遍歷另一個(gè)小文件的每個(gè)url，看其是否在剛才構(gòu)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：如果允許有一定的錯(cuò)誤率，可以使用Bloom filter，4G內(nèi)存大概可以表示340億bit。將其中一個(gè)文件中的url使用Bloom filter映射為這340億bit，然后挨個(gè)讀取另外一個(gè)文件的url，檢查是否與Bloom filter，如果是，那么該url應(yīng)該是共同的url(注意會有一定的錯(cuò)誤率)。
Bloom filter日后會在本BLOG內(nèi)詳細(xì)闡述。
6、在2.5億個(gè)整數(shù)中找出不重復(fù)的整數(shù)，注，內(nèi)存不足以容納這2.5億個(gè)整數(shù)。
方案1：采用2-Bitmap(每個(gè)數(shù)分配2bit，00表示不存在，01表示出現(xiàn)一次，10表示多次，11無意義)進(jìn)行，共需內(nèi)存2^32 2 bit=1 GB內(nèi)存，還可以接受。然后掃描這2.5億個(gè)整數(shù)，查看Bitmap中相對應(yīng)位，如果是00變01，01變10，10保持不變。所描完事后，查看 bitmap，把對應(yīng)位是01的整數(shù)輸出即可。
方案2：也可采用與第1題類似的方法，進(jìn)行劃分小文件的方法。然后在小文件中找出不重復(fù)的整數(shù)，并排序。然后再進(jìn)行歸并，注意去除重復(fù)的元素。
7、騰訊面試題：給40億個(gè)不重復(fù)的unsigned int的整數(shù)，沒排過序的，然后再給一個(gè)數(shù)，如何快速判斷這個(gè)數(shù)是否在那40億個(gè)數(shù)當(dāng)中?
與上第6題類似，我的第一反應(yīng)時(shí)快速排序+二分查找。以下是其它更好的方法：
方案1：oo，申請512M的內(nèi)存，一個(gè)bit位代表一個(gè)unsigned int值。讀入40億個(gè)數(shù)，設(shè)置相應(yīng)的bit位，讀入要查詢的數(shù)，查看相應(yīng)bit位是否為1，為1表示存在，為0表示不存在。
方案2：這個(gè)問題在《編程珠璣》里有很好的描述，大家可以參考下面的思路，探討一下：
又因?yàn)?^32為40億多，所以給定一個(gè)數(shù)可能在，也可能不在其中;
這里我們把40億個(gè)數(shù)中的每一個(gè)用32位的二進(jìn)制來表示
假設(shè)這40億個(gè)數(shù)開始放在一個(gè)文件中。
