没有合适的资源?快使用搜索试试~ 我知道了~
大数据常见处理方法总结.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 146 浏览量
2023-03-16
14:12:26
上传
评论
收藏 837KB PDF 举报
温馨提示
试读
31页
大数据常见处理方法总结.pdf大数据常见处理方法总结.pdf大数据常见处理方法总结.pdf大数据常见处理方法总结.pdf大数据常见处理方法总结.pdf
资源推荐
资源详情
资源评论
海量数据处理常用思路和方法》
大数据量,海量数据处理方法总结 最近有点忙,稍微空闲下来,发篇总结贴。
大数据量的问题是很多面试笔试中经常出现的问题,比如 baidu google 腾讯这
样的一 些涉及到海量数据的公司经常会问到。
下面的方法是我对海量数据的处理方法进行了一个一般性的总结, 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,欢迎与我讨论。
1. 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 k ( k 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 filter ( CBF)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 Filter ( SBF)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, 4G=2^32 大概是 40 亿*8 大概是 340
亿,n=50 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。
2. 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。
3. 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 。
4. 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。
5. 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。
6. 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。
扩展:
问题实例:
7. 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。
8. 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。
9. 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
剩余30页未读,继续阅读
资源评论
hhappy0123456789
- 粉丝: 61
- 资源: 5万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功