大數據排序或取重或去重相關問題

1. 給定a、b兩個文件，各存放50億個url，每個url各占64字節(jié)，內存限制是4G，讓你找出a、b文件共同的url？ 

方案1：可以估計每個文件安的大小為50G×64=320G，遠遠大于內存限制的4G。所以不可能將其完全加載到內存中處理?？紤]采取分而治之的方法。

s 遍歷文件a，對每個url求取 ，然后根據所取得的值將url分別存儲到1000個小文件（記為 ）中。這樣每個小文件的大約為300M。

s 遍歷文件b，采取和a相同的方式將url分別存儲到1000各小文件（記為 ）。這樣處理后，所有可能相同的url都在對應的小文件（ ）中，不對應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。 

s 求每對小文件中相同的url時，可以把其中一個小文件的url存儲到hash_set中。然后遍歷另一個小文件的每個url，看其是否在剛才構建的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誤率，可以使用Bloom filter，4G內存大概可以表示340億bit。將其中一個文件中的url使用Bloom filter映射為這340億bit，然后挨個讀取另外一個文件的url，檢查是否與Bloom filter，如果是，那么該url應該是共同的url（注意會有一定的錯誤率）。

2. 有10個文件，每個文件1G，每個文件的每一行存放的都是用戶的query，每個文件的query都可能重復。要求你按照query的頻度排序。 

方案1： 
s 順序讀取10個文件，按照hash(query)%10的結果將query寫入到另外10個文件（記為 ）中。這樣新生成的文件每個的大小大約也1G（假設hash函數是隨機的）。 
s 找一臺內存在2G左右的機器，依次對 用hash_map(query, query_count)來統(tǒng)計每個query出現(xiàn)的次數。利用快速/堆/歸并排序按照出現(xiàn)次數進行排序。將排序好的query和對應的query_cout輸出到文件中。這樣得到了10個排好序的文件（記為 ）。 
s 對 這10個文件進行歸并排序（內排序與外排序相結合）。 
方案2： 
一般query的總量是有限的，只是重復的次數比較多而已，可能對于所有的query，一次性就可以加入到內存了。這樣，我們就可以采用trie樹/hash_map等直接來統(tǒng)計每個query出現(xiàn)的次數，然后按出現(xiàn)次數做快速/堆/歸并排序就可以了。 
方案3： 
與方案1類似，但在做完hash，分成多個文件后，可以交給多個文件來處理，采用分布式的架構來處理（比如MapReduce），最后再進行合并。 

3. 有一個1G大小的一個文件，里面每一行是一個詞，詞的大小不超過16字節(jié)，內存限制大小是1M。返回頻數最高的100個詞。 
方案1：順序讀文件中，對于每個詞x，取 ，然后按照該值存到5000個小文件（記為 ） 中。這樣每個文件大概是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，知道分解得到的小文件的大小都不超過1M。對 每個小文件，統(tǒng)計每個文件中出現(xiàn)的詞以及相應的頻率（可以采用trie樹/hash_map等），并取出出現(xiàn)頻率最大的100個詞（可以用含100個結點 的最小堆），并把100詞及相應的頻率存入文件，這樣又得到了5000個文件。下一步就是把這5000個文件進行歸并（類似與歸并排序）的過程了。 

4. 海量日志數據，提取出某日訪問百度次數最多的那個IP。 
方案1：首先是這一天，并且是訪問百度的日志中的IP取出來，逐個寫入到一個大文件中。注意到IP是32位的，最多有 個 IP。同樣可以采用映射的方法，比如模1000，把整個大文件映射為1000個小文件，再找出每個小文中出現(xiàn)頻率最大的IP（可以采用hash_map進 行頻率統(tǒng)計，然后再找出頻率最大的幾個）及相應的頻率。然后再在這1000個最大的IP中，找出那個頻率最大的IP，即為所求。 

5. 在2.5億個整數中找出不重復的整數，內存不足以容納這2.5億個整數。 
方案1：采用2-Bitmap（每個數分配2bit，00表示不存在，01表示出現(xiàn)一次，10表示多次，11無意義）進行，共需內存 內存，還可以接受。然后掃描這2.5億個整數，查看Bitmap中相對應位，如果是00變01，01變10，10保持不變。所描完事后，查看bitmap，把對應位是01的整數輸出即可。 
方案2：也可采用上題類似的方法，進行劃分小文件的方法。然后在小文件中找出不重復的整數，并排序。然后再進行歸并，注意去除重復的元素。 

6. 海量數據分布在100臺電腦中，想個辦法高校統(tǒng)計出這批數據的TOP10。 
方案1： 
s 在每臺電腦上求出TOP10，可以采用包含10個元素的堆完成（TOP10小，用最大堆，TOP10大，用最小堆）。比如求TOP10大，我們首先取前 10個元素調整成最小堆，如果發(fā)現(xiàn)，然后掃描后面的數據，并與堆頂元素比較，如果比堆頂元素大，那么用該元素替換堆頂，然后再調整為最小堆。最后堆中的元 素就是TOP10大。 
s 求出每臺電腦上的TOP10后，然后把這100臺電腦上的TOP10組合起來，共1000個數據，再利用上面類似的方法求出TOP10就可以了。 

7. 怎么在海量數據中找出重復次數最多的一個？ 
方案1：先做hash，然后求模映射為小文件，求出每個小文件中重復次數最多的一個，并記錄重復次數。然后找出上一步求出的數據中重復次數最多的一個就是所求（具體參考前面的題）。 

8. 上千萬或上億數據（有重復），統(tǒng)計其中出現(xiàn)次數最多的錢N個數據。 
方案1：上千萬或上億的數據，現(xiàn)在的機器的內存應該能存下。所以考慮采用hash_map/搜索二叉樹/紅黑樹等來進行統(tǒng)計次數。然后就是取出前N個出現(xiàn)次數最多的數據了，可以用第6題提到的堆機制完成。 

9. 1000萬字符串，其中有些是重復的，需要把重復的全部去掉，保留沒有重復的字符串。請怎么設計和實現(xiàn)？ 
方案1：這題用trie樹比較合適，hash_map也應該能行。 

10. 一個文本文件，大約有一萬行，每行一個詞，要求統(tǒng)計出其中最頻繁出現(xiàn)的前10個詞，請給出思想，給出時間復雜度分析。 
方案1：這題是考慮時間效率。用trie樹統(tǒng)計每個詞出現(xiàn)的次數，時間復雜度是O(n*le)（le表示單詞的平準長度）。然后是找出出現(xiàn)最頻繁的 前10個詞，可以用堆來實現(xiàn)，前面的題中已經講到了，時間復雜度是O(n*lg10)。所以總的時間復雜度，是O(n*le)與O(n*lg10)中較大 的哪一個。 

11. 一個文本文件，找出前10個經常出現(xiàn)的詞，但這次文件比較長，說是上億行或十億行，總之無法一次讀入內存，問最優(yōu)解。 
方案1：首先根據用hash并求模，將文件分解為多個小文件，對于單個文件利用上題的方法求出每個文件件中10個最常出現(xiàn)的詞。然后再進行歸并處理，找出最終的10個最常出現(xiàn)的詞。 

12. 100w個數中找出最大的100個數。 
方案1：在前面的題中，我們已經提到了，用一個含100個元素的最小堆完成。復雜度為O(100w*lg100)。 
方案2：采用快速排序的思想，每次分割之后只考慮比軸大的一部分，知道比軸大的一部分在比100多的時候，采用傳統(tǒng)排序算法排序，取前100個。復雜度為O(100w*100)。 
方案3：采用局部淘汰法。選取前100個元素，并排序，記為序列L。然后一次掃描剩余的元素x，與排好序的100個元素中最小的元素比，如果比這個 最小的要大，那么把這個最小的元素刪除，并把x利用插入排序的思想，插入到序列L中。依次循環(huán)，知道掃描了所有的元素。復雜度為O(100w*100)。 

13. 尋找熱門查詢： 
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，每個查詢串的長度為1-255字節(jié)。假設目前有一千萬個記錄，這些查詢串的重復 讀比較高，雖然總數是1千萬，但是如果去除重復和，不超過3百萬個。一個查詢串的重復度越高，說明查詢它的用戶越多，也就越熱門。請你統(tǒng)計最熱門的10個 查詢串，要求使用的內存不能超過1G。 
(1) 請描述你解決這個問題的思路； 
(2) 請給出主要的處理流程，算法，以及算法的復雜度。 
方案1：采用trie樹，關鍵字域存該查詢串出現(xiàn)的次數，沒有出現(xiàn)為0。最后用10個元素的最小推來對出現(xiàn)頻率進行排序。 

14. 一共有N個機器，每個機器上有N個數。每個機器最多存O(N)個數并對它們操作。如何找到 個數中的中數？ 
方案1：先大體估計一下這些數的范圍，比如這里假設這些數都是32位無符號整數（共有 個）。我們把0到 的整數劃分為N個范圍段，每個段包含 個整數。比如，第一個段位0到 ，第二段為 到 ，…，第N個段為 到 。 然后，掃描每個機器上的N個數，把屬于第一個區(qū)段的數放到第一個機器上，屬于第二個區(qū)段的數放到第二個機器上，…，屬于第N個區(qū)段的數放到第N個機器上。 注意這個過程每個機器上存儲的數應該是O(N)的。下面我們依次統(tǒng)計每個機器上數的個數，一次累加，直到找到第k個機器，在該機器上累加的數大于或等于 ，而在第k-1個機器上的累加數小于 ，并把這個數記為x。那么我們要找的中位數在第k個機器中，排在第 位。然后我們對第k個機器的數排序，并找出第 個數，即為所求的中位數。復雜度是 的。 
方案2：先對每臺機器上的數進行排序。排好序后，我們采用歸并排序的思想，將這N個機器上的數歸并起來得到最終的排序。找到第n個便是所求。復雜度是n(i)的。 

15. 最大間隙問題 
給定n個實數 ，求著n個實數在實軸上向量2個數之間的最大差值，要求線性的時間算法。 
方案1：最先想到的方法就是先對這n個數據進行排序，然后一遍掃描即可確定相鄰的最大間隙。但該方法不能滿足線性時間的要求。故采取如下方法： 
s 找到n個數據中最大和最小數據max和min。 
s 用n-2個點等分區(qū)間[min, max]，即將[min, max]等分為n-1個區(qū)間（前閉后開區(qū)間），將這些區(qū)間看作桶，編號為 ，且桶 的上界和桶i+1的下屆相同，即每個桶的大小相同。每個桶的大小為： 。實際上，這些桶的邊界構成了一個等差數列（首項為min，公差為 ），且認為將min放入第一個桶，將max放入第n-1個桶。 
s 將n個數放入n-1個桶中：將每個元素 分配到某個桶（編號為index），其中 ，并求出分到每個桶的最大最小數據。 
s 最大間隙：除最大最小數據max和min以外的n-2個數據放入n-1個桶中，由抽屜原理可知至少有一個桶是空的，又因為每個桶的大小相同，所以最大間隙 不會在同一桶中出現(xiàn)，一定是某個桶的上界和氣候某個桶的下界之間隙，且該量筒之間的桶（即便好在該連個便好之間的桶）一定是空桶。也就是說，最大間隙在桶 i的上界和桶j的下界之間產生 。一遍掃描即可完成。 

16. 將多個集合合并成沒有交集的集合：給定一個字符串的集合，格式如： 。要求將其中交集不為空的集合合并，要求合并完成的集合之間無交集，例如上例應輸出 。 
(1) 請描述你解決這個問題的思路； 
(2) 給出主要的處理流程，算法，以及算法的復雜度； 
(3) 請描述可能的改進。 
方案1：采用并查集。首先所有的字符串都在單獨的并查集中。然后依掃描每個集合，順序合并將兩個相鄰元素合并。例如，對于 ， 首先查看aaa和bbb是否在同一個并查集中，如果不在，那么把它們所在的并查集合并，然后再看bbb和ccc是否在同一個并查集中，如果不在，那么也把 它們所在的并查集合并。接下來再掃描其他的集合，當所有的集合都掃描完了，并查集代表的集合便是所求。復雜度應該是O(NlgN)的。改進的話，首先可以 記錄每個節(jié)點的根結點，改進查詢。合并的時候，可以把大的和小的進行合，這樣也減少復雜度。
17. 最大子序列與最大子矩陣問題 
數組的最大子序列問題：給定一個數組，其中元素有正，也有負，找出其中一個連續(xù)子序列，使和最大。 
方案1：這個問題可以動態(tài)規(guī)劃的思想解決。設 表示以第i個元素 結尾的最大子序列，那么顯然 ?；谶@一點可以很快用代碼實現(xiàn)。 
最大子矩陣問題：給定一個矩陣（二維數組），其中數據有大有小，請找一個子矩陣，使得子矩陣的和最大，并輸出這個和。 
方案1：可以采用與最大子序列類似的思想來解決。如果我們確定了選擇第i列和第j列之間的元素，那么在這個范圍內，其實就是一個最大子序列問題。如何確定第i列和第j列可以詞用暴搜的方法進行。