Hadoop之企业案例分析
Hadoop之企业案例分析
目录
- 海量日志数据,提取出某日访问百度次数最多的那个IP
- 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1M。返回频数最高的100 个词
- 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。
- 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?
- 在 2.5 亿个整数中找出不重复的整数,注,内存不足以容纳这 2.5 亿个整数
- 腾讯面试题: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?
- 怎么在海量数据中找出重复次数最多的一个?
- 上千万或上亿数据(有重复),统计其中出现次数最多的N 个数据?
1. 海量日志数据,提取出某日访问百度次数最多的那个IP
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,最多有个 2^32 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。
或者如下阐述:
算法思想:分而治之+Hash
- IP 地址最多有2^32=4G种取值情况,所以不能完全加载到内存中处理;
- 可以考虑采用“分而治之”的思想,按照IP地址的Hash(IP)%1024值,把海量IP日志分别存储到1024个小文件中。这样,每个小文件最多包含4MB个IP地址;
- 对于每一个小文件,可以构建一个IP为 key,出现次数为value的Hash map,同时记录当前出现次数最多的那个IP地址;
- 可以得到1024个小文件中的出现次数最多的IP,再依据常规的排序算法得到总体上出现次数最多的IP;
2. 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1M。返回频数最高的100 个词
方案:
- 顺序读文件中,对于每个词 x,取 hash(x)%5000,然后按照该值存到 5000 个小文件(记为 x0,x1,…x4999)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,直到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个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。
3. 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。
还是典型的 TOP K 算法,解决方案如下:
方案 1:
- 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)。找一台内存在2G左右的机器,依次对用 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。对这10个文件进行归并排序(内排序与外排序相结合)。
方案 2:
- 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。
4. 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:可以估计每个文件的大小为 5G×64=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。
- 遍历文件a,对每个url求取 hash(url)%1000,然后根据所取得的值将url分别存储到 1000个小文件(记为 a0,a1,…,a999)中。这样每个小文件的大约为300M。遍历文件b,采取和a相同的方式将url分别存储到1000小文件(记为b0,b1,…,b999)。
- 这样处理后,所有可能相同的url都在对应的小文件(a0vsb0,a1vsb1,…,a999vsb999)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。
- 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bit。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)。
Bloom filter 日后会在BLOG 内详细阐述。
5. 在 2.5 亿个整数中找出不重复的整数,注,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 2^32 * 2 bit=1 GB 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。扫描完事后,查看bitmap,把对应位是01的整数输出即可。
方案 2:也可采用与第 1 题类似的方法,进行划分小文件的方法。然后在小文件中找出不重复的整数,并排序。然后再进行归并,注意去除重复的元素。
6. 腾讯面试题: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:oo,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。
7. 怎么在海量数据中找出重复次数最多的一个?
方案 1:先做hash,然后求模映射为小文件,求出每个小文件中重复次数最多的一个,并记录重复次数。然后找出上一步求出的数据中重复次数最多的一个就是所求(具体参考前面的题)。
8. 上千万或上亿数据(有重复),统计其中出现次数最多的N 个数据?
方案 1:上千万或上亿的数据,现在的机器的内存应该能存下。所以考虑采用hash_map/搜索二叉树/红黑树等来进行统计次数。然后就是取出前N个出现次数最多的数据了
Hadoop之企业案例分析相关推荐
- mba案例分析_2020年(第八届)MBA企业案例分析实践课程暨大赛完美收官!
点击蓝字关注我们 9月12日中午,历经4个多小时的总决赛(复赛)鏖战,2020年(第八届)MBA企业案例分析实践课程总决赛圆满落幕,比赛共决出一等奖1名,二等奖2名,三等奖3名,优胜奖2名,以及网络人 ...
- 十个成功企业案例分析_2020年新版 企业合理节税避税经典案例讲解+企业纳税筹划实用技巧与典型案例分析...
企业纳税筹划实用技巧与典型案例分析>.本书论述了企业投资决策纳税筹划方案.企业经营决策纳税筹划方案.企业融资决策纳税筹划方案.企业再投资与结业决策纳税筹划方案.企业跨国经营纳税筹划方案.企业薪酬 ...
- 十个成功企业案例分析_成功的企业流程管理案例的优劣势
随着市场环境的不断变化和改善,企业的业务流程也是随着变化改善尽量做到了与市场的同步性,一些企业的管理者能够有效地改善内部的流程管理,运用一些手段帮助企业进行改革和优化,成为流程管理案例中的一些成功企业 ...
- 【行研报告】2021年中国剧本杀行业用户研究及标杆企业案例分析报告—附下载链接
来源 | 艾媒咨询 面对不断庞大的剧本杀市场,大量资本为争夺更多的市场利润,纷纷介入剧本杀行业,将富有发展潜力的企业,打造成头部企业,逐步提高头部企业的市场影响力,进而引领行业发展.另一方面,剧本创作 ...
- Hadoop大数据平台开发与案例分析
关于举办"Hadoop大数据平台开发与案例分析 "高级工程师 一.课程介绍 1. 需求理解 Hadoop 设计之初的目标就定位于高可靠性.高可拓展性.高容错性和高效性,正是这些设计 ...
- 案例分析 | SAP如何帮助企业实现端到端的数字化供应链管理
https://www.toutiao.com/a6687387597922107916/ 在我之前的一篇 <收藏 | 供应链管理最佳实践之S&OP> 文章中,为大家介绍了关于S& ...
- 华为企业管理经典案例_企业税务筹划-华为公司税筹案例分析
中国企业集团跨国经营注定其要面临激烈的国际竞争,在生产经营过程中,税务管理方面需要严格依据各个国家的税法进行税务筹划和管理,同时还需要对各类应税经营活动进行科学合理的安排,以最大程度上降低企业税负!对 ...
- 企业购置新车,各项费用会计入账以及案例分析
企业购置新车,各项费用会计入账以及案例分析 理论分析 一:关于小规模与一般纳税人购车转固定资产科目的处理. 1.小规模纳税人购车 借方:固定资产 = 裸车价 + 增值税(裸车价*0. ...
- 一文讲透大型网站架构模式核心原理与案例分析
什么是模式?每一个模式描述了一个在我们周围不断发生的问题及该问题解决方案的核心.这样,你就能一次又一次地使用该方案而不必做重复的工作. 也许互联网产品不是随便复制就能成功的,创新的产品更能为用户创造价 ...
最新文章
- 苹果后门、微软垄断与Linux缺位
- python当输入负数时结束_如何在lis中输入负数
- cocos2d-x初探学习笔记(3)--动作(CCAction)
- php 设计模式 - 单例
- YBTOJ:前缀匹配(AC自动机)
- swfobject.embedSWF属性与用法
- 计算机技术博客博客知乎,我的技术博客的选择:CSDN、博客园、简书、知乎专栏仍是Github Page?...
- Velocity 模板引擎介绍
- Linux文件上传下载sz 和 rz 命令
- python——argsort函数
- Sloth演示程序及源代码发布
- java造成capturing lambda后需要注意的事情
- layui分页和模板引擎
- 蓝桥杯java B组历年省赛真题汇总及题目详解
- Delphi中使用TThread类实现多线程
- OpenCV/C++ 图片锐化
- mc服务器权限文件,mc服务器如何开启权限
- 软件测试-测试历史/职业发展
- MySQL基本使用(内容较多建议熟读并背诵)
- unittest测试用例和测试报告
热门文章
- 果断收藏!六大主流大数据采集平台架构分析
- XMNetworking 网络库的设计与使用
- 各大浏览器CSS Hack收集
- 自己的JS 监听器。用于选择文字
- 上海理工大学第二届“联想杯”全国程序设计邀请赛 - Little Witch Academia(矩阵快速幂)
- HDU - 6356 Glad You Came(线段树)
- CodeForces - 1368E Ski Accidents(拓扑排序)
- POJ - 3764 The xor-longest Path(字典树性质)
- php js urlencode,JavaScript版本的UrlEncode和UrlDecode函数实现
- 数据分析与挖掘实战-基于水色图像的水质评价