精华内容
下载资源
问答
  • 海量数据解决方案

    2018-06-26 09:42:01
    这本书的作者是韩国知名数据库专家李华植所著,本书根据多个维度讲述了大数据处理的技术方案,是一本相当不错的技术书籍。
  • mysql
  • 华为全联接大会2019,部分资源PPT文件,大概有几十个,需要的可以自行下载
  • 海量数据处理:十道面试题与十个海量数据处理方法总结
  • 西电海量数据管理大作业,有图,有设计思路
  • 我也⼀一时兴起,想拿Python试试⼑刀,看看Python对于海量数据的处理能⼒力如何。⽆无奈在百度和Google输⼊入“Python 海量数据”都⽆无果。可能是国内使⽤用python的不多, ⽤用python处理海量数据的就更少了。不过...
  • 今天小编就为大家分享一篇关于海量数据去重排序bitmap(位图法)在java中实现的两种方法,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
  • hadoop 海量数据处理 技术详解与项目实战,是一本hadoop工程师和大数据工程师必备的。内容详细hadoop技术的应用和实战场景。
  • MySQL数据集,解压后附加到数据库直接可以用,包含10亿条数据
  • 数据库表海量数据对比代码,大家可以参考一下,有需要的可以下载看看,有助于学习。
  • 海量数据管理报告.zip

    2020-12-23 21:56:08
    西电海量数据管理实验报告
  • 对大数据文本文件读取(按行读取)的优化,目前常规的方案有三种,第一...代码提供在RandomAccessFile基础上,整合内部缓冲区,效率会有提高,测试过程中1000w行数据用时1秒,1亿行数据用时103(比1438秒快了13倍左右)
  • NULL 博文链接:https://wq-pro.iteye.com/blog/1734344
  • 十道海量数据处理试题与十大方法总结
  • 众所周知 以hadoop为代表的分布式计算平台 以良好的扩展性和易用性 几乎已经成为了海量数据处理的实事标准 近几年获得了大面积的应用 特别是在拥有海量用户 众多产品 巨大流量的互联网公司 这一平台的核心特点就是 ...
  • 基于大数据和海量数据挖掘的攻击溯源技术基于大数据和海量数据挖掘的攻击溯源技术基于大数据和海量数据挖掘的攻击溯源技术
  • 基于Hadoop的海量数据分析系统设计吗,完整版学位论文。
  • Serverless架构海量数据备份和同步 阿里云智能产品专家 傅海雯 01 02 03 04 数据备份和 Serverless 函数计算特点 函数计算数据同步 迁移现状 架构解决办 和迁移3个场景 法 海量数据迁移备份面临问题 数据源多样 运维...
  • 基于数据网格的分布式处理后海量数据的存储及管理,刘庆慧,,研究基于数据网格的分布式处理后海量数据的存储及查询问题。首先,根据软件不同组件的功能以及对于数据的要求,将海量数据进行分
  • 海量数据处理-hive数据仓库 很好的讲解的大数据海量数据处理的数据仓库模型建设
  • 一种基于云计算的海量数据分布式存储策略.pdf
  • SQL Server 海量数据查询代码优化以及建议: 海量数据是大家容易碰到的一个难题,本文档给出了中肯的建议
  • 如何在SQLSERVER中快速有条件删除海量数据
  • 基于云计算的图书馆海量数据存储研究 摘要基于云计算的数据存储技术改变了现代图书馆的管理模式也更新了传统的信息服务方式现代数字图书馆系统的构建将沿着网络信息服务产业的发展方向搭设对以往的数据存储模式形成...
  • Hadoop海量数据处理技术详解与项目实战,大数据,海量数据处理,项目实战
  • 海量数据处理面试题

    2018-12-26 14:34:57
    海量数据处理 !!!!!
  • 基于云计算的海量数据挖掘研究 (1).pdf
  • 西电海量数据管理课程作业
  • 海量数据处理的方法总结

    万次阅读 多人点赞 2021-02-24 02:56:17
    所谓海量数据处理,就是指数据量太大,无法在较短时间内迅速解决,或者无法一次性装入内存。而解决方案就是:针对时间,可以采用巧妙的算法搭配合适的数据结构,如 Bloom filter/Hashmap/bit-map/堆/数据库/倒排索引...

    基础知识:

    • bit:位
    • byte:字节
    • 1 byte= 8 bit 
    • int 类型为 4 byte,共32位bit,unsigned int也是
    • 2^32 byte = 4G 
    • 1G= 2^30 =10.7亿 

    海量数据处理概述:

    所谓海量数据处理,就是指数据量太大,无法在较短时间内迅速解决,或者无法一次性装入内存。而解决方案就是:针对时间,可以采用巧妙的算法搭配合适的数据结构,如 Bloom filter/Hashmap/bit-map/堆/数据库/倒排索引/trie树;针对空间,大而化小,分而治之(hash映射),把规模大化为规模小的,各个击破。所以,海量数据处理的基本方法总结起来分为以下几种:

    • 分而治之/hash映射 + hash统计 + 堆/快速/归并排序;
    • Trie树/Bloom filter/Bitmap
    • 数据库/倒排索引;
    • 双层桶划分;
    • 外排序;
    • 分布式处理之Hadoop/Mapreduce。

    一、分而治之/hash映射 + hashmap统计 + 快速/归并/堆排序

    这种方法是典型的“分而治之”的策略,是解决空间限制最常用的方法,即海量数据不能一次性读入内存,而我们需要对海量数据进行的计数、排序等操作。基本思路如下图所示:先借助哈希算法,计算每一条数据的 hash 值,按照 hash 值将海量数据分布存储到多个桶中。根据 hash 函数的唯一性,相同的数据一定在同一个桶中。如此,我们再依次处理这些小文件,最后做合并运算即可。

    问题1:海量日志数据,统计出某日访问百度次数最多的那个IP

    解决方式: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进行处理,采用 hash分解+ 分而治之 + 归并 方式:

    • (1)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; 
    • (2)对于每一个小文件,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
    • (3)然后再在这1024组最大的IP中,找出那个频率最大的IP

    问题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。

    解决思想: hash分解+ 分而治之 + 归并

    • (1)顺序读文件中,对于每个词x,按照 hash(x)/(1024*4) 存到4096个小文件中。这样每个文件大概是250k左右。如果其中的有的文件超过了1M大小,还可以按照hash继续往下分,直到分解得到的小文件的大小都不超过1M。
    • (2)对每个小文件,可以采用 trie树/hashmap 统计每个文件中出现的词以及相应的频率,并使用 100个节点的小顶堆取出出现频率最大的100个词,并把100个词及相应的频率存入文件。这样又得到了4096个文件。
    • (3)下一步就是把这4096个文件进行归并的过程了

    问题3:有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?

    解决方案1:如果内存中想要存入所有的 url,共需要 50亿 * 64= 320G大小空间,所以采用 hash 分解+ 分而治之 + 归并 的方式:

    • (1)遍历文件a,对每个 url 根据某种hash规则,求取hash(url)/1024,然后根据所取得的值将 url 分别存储到1024个小文件(a0~a1023)中。这样每个小文件的大约为300M。如果hash结果很集中使得某个文件ai过大,可以在对ai进行二级hash(ai0~ai1024),这样 url 就被hash到 1024 个不同级别的文件中。
    • (2)分别比较文件,a0 VS b0,…… ,a1023 VS b1023,求每对小文件中相同的url时:把其中一个小文件的 url 存储到 hashmap 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 hashmap 中,如果是,那么就是共同的url,存到文件中。
    • (3)把1024个文件中的相同 url 合并起来

    解决方案2:Bloom filter

    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,n = 50亿,如果按照出错率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,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)

    问题4: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。

    解决方案1:hash分解+ 分而治之 +归并

    • (1)顺序读取10个文件 a0~a9,按照 hash(query)%10 的结果将 query 写入到另外10个文件(记为 b0~b9)中,这样新生成的文件每个的大小大约也1G
    • (2)找一台内存2G左右的机器,依次使用 hashmap(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c0~c9。
    • (3)对这10个文件 c0~c9 进行归并排序(内排序与外排序相结合)。每次取 c0~c9 文件的 m 个数据放到内存中,进行 10m 个数据的归并,即使把归并好的数据存到  d结果文件中。如果 ci 对应的m个数据全归并完了,再从 ci 余下的数据中取m个数据重新加载到内存中。直到所有ci文件的所有数据全部归并完成。

    解决方案2:Trie树

    如果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。在这种情况下,可以采用 trie树/hashmap 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。

    问题5:海量数据分布在100台电脑中,请高效统计出这批数据的TOP10

    解决思想: 分而治之 + 归并

    • (1)在每台电脑上求出TOP10,采用包含10个元素的堆完成(TOP10小,用最大堆,TOP10大,用最小堆)
    • (2)求出每台电脑上的TOP10后,把这100台电脑上的 TOP10 合并之后,共1000个数据,在采用堆排序或者快排方式 求出 top10

    (注意:该题的 TOP10 是取最大值或最小值,如果取频率TOP10,就应该先hash分解,将相同的数据移动到同一台电脑中,再使用hashmap分别统计出现的频率)

    问题6:在 2.5 亿个整数中找出不重复的整数,内存不足以容纳这2.5亿个整数

    解决方案1:hash 分解+ 分而治之 + 归并

    • (1)2.5亿个 int 类型 hash 到1024个小文件中 a0~a1023,如果某个小文件大小还大于内存,进行多级hash
    • (2)将每个小文件读进内存,找出只出现一次的数据,输出到b0~b1023
    • (3)最后数据合并即可

    解决方案2 : 2-Bitmap

    如果内存够1GB的话,采用 2-Bitmap 进行统计,共需内存 2^32 * 2bit = 1GB内存。2-bitmap 中,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),然后扫描这 2.5 亿个整数,查看Bitmap中相对应位,如果是00,则将其置为01;如果是01,将其置为10;如果是10,则保持不变。所描完成后,查看bitmap,把对应位是01的整数输出即可。(如果是找出重复的数据,可以用1-bitmap。第一次bit位由0变1,第二次查询到相应bit位为1说明是重复数据,输出即可)

    二、Trie树+红黑树+hashmap

    Trie树、红黑树 和 hashmap 可以认为是第一部分中分而治之算法的具体实现方法之一。

    其中,Trie树适合处理海量字符串数据,尤其是大量的字符串数据中存在前缀时。Trie树在字典的存储,字符串的查找,求取海量字符串的公共前缀,以及字符串统计等方面发挥着重要的作用。

    • 用于存储时,Trie树因为不重复存储公共前缀,节省了大量的存储空间;
    • 用于以字符串的查找时,Trie树依靠其特殊的性质,实现了在任意数据量的字符串集合中都能以O(len)的时间复杂度完成查找(len为要检索的字符串长度);
    • 在字符串统计中,Trie树能够快速记录每个字符串出现的次数

    问题1:上千万或上亿数据(有重复),统计其中出现次数最多的前N个数据。

    解决方案: hashmap/红黑树 + 堆排序

    • (1)如果是上千万或上亿的 int 数据,现在的机器4G内存能存下。所以考虑采用 hashmap/搜索二叉树/红黑树 等来进行统计重复次数
    • (2)然后使用包含 N 个元素的小顶堆找出频率最大的N个数据

    问题2:一个文本文件,大约有一万行,每行一个词,要求统计出其中最频繁出现的前10个词,并给出时间复杂度

    解决思路: trie树 + 堆排序

    • 用 trie树 统计每个词出现的次数,时间复杂度是O(n*len)(len表示单词的平均长度)。
    • 然后使用小顶堆找出出现最频繁的前10个词,时间复杂度是O(n*lg10)。

    总的时间复杂度,是O(n*le)与O(n*lg10)中较大的那一个。

    问题3:有一千万个字符串记录(这些字符串的重复率比较高,虽然总数是1千万,但是如果去除重复和,不超过3百万个),每个查询串的长度为1-255字节。请你统计最热门的10个查询串(重复度越高,说明越热门),要求使用的内存不能超过1G。

    解决方案:

    内存不能超过 1G,每条记录是 255byte,1000W 条记录需要要占据2.375G内存,这个条件就不满足要求了,但是去重后只有 300W 条记录,最多占用0.75G内存,因此可以将它们都存进内存中去。使用 trie树(或者使用hashmap),关键字域存该查询串出现的次数。最后用10个元素的最小堆来对出现频率进行排序。总的时间复杂度,是O(n*le)与O(n*lg10)中较大的那一个。

    问题4:1000万字符串,其中有些是重复的,需要把重复的全部去掉,保留没有重复的字符串。

    解决方案:trie树

    三、BitMap 与 Bloom Filter

    1、BitMap 就是通过 bit 位为 1 或 0 来标识某个状态存不存在。可用于数据的快速查找,判重,删除,一般来说适合的处理数据范围小于 8bit *2^32。否则内存超过4G,内存资源消耗有点多。

    2、Bloom Filter 主要是用于判定目标数据是否存在于一个海量数据集 以及 集合求交集。以存在性判定为例,Bloom Filter 通过对目标数据的映射,能够以 O(k) 的时间复杂度判定目标数据的存在性,其中k为使用的hash函数个数。这样就能大大缩减遍历查找所需的时间。

    问题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。

    解决思路

    8位最多99 999 999,需要 100M个bit 位,不到12M的内存空间。我们把 0-99 999 999的每个数字映射到一个Bit位上,这样,就用了小小的12M左右的内存表示了所有的8位数的电话

    问题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。

    解决方案:使用 2-bitmap,详情见上文

    问题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

    解决方案:使用 Bitmap,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。

    问题4:现有两个各有20亿行的文件,每一行都只有一个数字,求这两个文件的交集。 

    解决方案:采用 bitmap 进行问题解决,因为 int 的最大数是 2^32 = 4G,用一个二进制的下标来表示一个 int 值,大概需要4G个bit位,即约4G/8 = 512M的内存,就可以解决问题了。

    • ① 首先遍历文件,将每个文件按照数字的正数,负数标记到2个 bitmap 上,为:正数 bitmapA_positive,负数 bitmapA_negative
    • ② 遍历另为一个文件,生成正数:bitmapB_positive,bitmapB_negative
    • ③ 取 bitmapA_positive and bitmapB_positive 得到2个文件的正数的交集,同理得到负数的交集。
    • ④ 合并,问题解决

    这里一次只能解决全正数,或全负数,所以要分两次

    问题5:与上面的问题4类似,只不过现在不是A和B两个大文件,而是A, B, C, D….多个大文件,求集合的交集

    解决方案:

    • (1)依次遍历每个大文件中的每条数据,遍历每条数据时,都将它插入 Bloom Filter;
    • (2)如果已经存在,则在另外的集合(记为S)中记录下来;
    • (3)如果不存在,则插入Bloom Filter;
    • (4)最后,得到的S即为所有这些大文件中元素的交集

    四、多层划分:

    多层划分本质上还是分而治之的思想,重在“分”的技巧上!因为元素范围很大,需要通过多次划分,逐步确定范围,然后最后在一个可以接受的范围内进行。适用用于:第k大,中位数,不重复或重复的数字

    问题1:求取海量整数的中位数

    解决方案:

    依次遍历整数,按照其大小将他们分拣到n个桶中。如果有的桶数据量很小,有的则数据量很大,大到内存放不下了;对于那些太大的桶,再分割成更小的桶;

    之后根据桶数量的统计结果就可以判断中位数落到哪个桶中,如果该桶中还有子桶,就判断在其哪个子桶中,直到最后找出目标。

    问题2:一共有N个机器,每个机器上有N个数,每个机器最多存 N 个数,如何找到 N^2 个数中的中数?

    解决方案1: hash分解 + 排序

    • 按照升序顺序把这些数字,hash划分为N个范围段。假设数据范围是2^32 的unsigned int 类型。理论上第一台机器应该存的范围为0~(2^32)/N,第i台机器存的范围是(2^32)*(i-1)/N~(2^32)*i/N。hash过程可以扫描每个机器上的N个数,把属于第一个区段的数放到第一个机器上,属于第二个区段的数放到第二个机器上,…,属于第N个区段的数放到第N个机器上。注意这个过程每个机器上存储的数应该是O(N)的。
    • 然后我们依次统计每个机器上数的个数,依次累加,直到找到第k个机器,在该机器上累加的数大于或等于(N^2)/2,而在第k-1个机器上的累加数小于(N^2)/2,并把这个数记为x。那么我们要找的中位数在第k个机器中,排在第(N^2)/2-x位。然后我们对第k个机器的数排序,并找出第(N^2)/2-x个数,即为所求的中位数的复杂度是O(N^2)的。

    解决方案2: 分而治之 + 归并

    先对每台机器上的数进行排序。排好序后,我们采用归并排序的思想,将这N个机器上的数归并起来得到最终的排序。找到第(N^2)/2个便是所求。复杂度是O(N^2 * lgN^2)的


    参考文章:

    教你如何迅速秒杀掉:99%的海量数据处理面试题_结构之法 算法之道-CSDN博客


    相关阅读:

    Spring常见面试题总结

    SpringMVC常见面试题总结

    Mybatis常见面试题总结

    MySQL常见面试题总结

    Redis常见面试题总结

    RabbitMQ消息队列常见面试题总结

    ElasticSearch搜索引擎常见面试题总结

    计算机网络常见面试题总结

    操作系统常见面试题总结

    Java基础、集合、多线程常见面试题总结

    Java虚拟机常见面试题总结

    Java常见设计模式总结

    海量数据处理的方法总结

    展开全文
  • 海量数据处理技巧

    万次阅读 2018-08-02 20:07:18
    当高性能硬件的普及还跟不上这样的数据大潮时,如何在有限的时空资源内处理海量数据成为了计算机科学以及数理统计等领域最大的挑战。 所谓“数据处理”,在本文中特指通过计算机技术,对海量数据进行存储、统计、...

    数据时代来临,数据量的爆炸式增长是最为显著的特征。当高性能硬件的普及还跟不上这样的数据大潮时,如何在有限的时空资源内处理海量数据成为了计算机科学以及数理统计等领域最大的挑战。

    所谓“数据处理”,在本文中特指通过计算机技术,对海量数据进行存储、统计、查询等操作。我将在下面介绍一些基本的海量数据处理的方法,供大家参考。需要明确的一点是,现实情况复杂多变,所以对于海量数据处理这样大的主题,是不可能用一篇博客就说清楚的。但方法论可以一通百通,我们通过一些已经被无数次实验证明有效的方法,就能大致理解对此类问题的解决思路,之后在面临新的问题时,至少能找到一个大致的方向。

    1. 海量数据处理的困难

    海量数据处理的困难用一句话概括,就是时空资源不够。具体来说,

    • 时间受限:无法在有限时间内,完成针对海量数据的某项处理工作;
    • 空间受限:无法将海量数据一次性读入内存

    对于时间受限的问题,我们一般的解决办法是高效的算法配合恰当的数据结构,比如哈希表,Bloom Filter,堆,倒排索引,tire树);而对于空间受限的问题,一般的解决办法是“大而化小,分而治之”的策略,既然一次性行不通,那就一部分一部分读,每读入一部分可以生成一个小文件,小文件是可以直接读入内存的,我们这样分割大数据之后,再依次处理小文件的数据。

    注意,本文我只介绍对于海量数据执行一些简单的数据处理(比如存储,查重,排序,统计数量等)时的一些通用的方法,至于更复杂的计算,涉及具体算法性能层面的东西,由于世界上算法以千万记,面对不同情况,又有着无数变形,所以不可能总结出来。

    2. 海量数据处理方法归纳

    July的博客 教你如何迅速秒杀掉:99%的海量数据处理面试题 对海量数据处理的方法进行了细致的总结,这篇文章写的非常全面,建议大家一读。但我读完之后,窃以为许多问题和解决思路有所重复,没必要全部都详细探究。为了理清思路、抓重点,我将那篇文章中涉及的问题以及相应方法更加简化地总结为如下7点。

    2.1 哈希映射 + 统计 + 排序

    解决问题:海量数据不能一次性读入内存,而我们需要对海量数据进行的计数、排序等操作
    使用工具:hash函数(hash表);堆

    这种方法是典型的“分而治之”的策略,也是解决空间限制最常用的方法。基本思路可以用下图表示。先借助哈希算法,计算每一条数据的hash值,按照hash值将海量数据分布存储到多个桶中(所谓桶,一般可以用小文件实现)。根据hash函数的唯一性,相同的数据一定在同一个桶中。如此,我们再依次处理这些小文件,最后做合并运算即可(有点类似于Map-Reduce的思想)。


    注:一般用hash函数将数据映射到桶的方法是:

    bucketID=H(mi)  %  n(35) (35) b u c k e t I D = H ( m i )     %     n

    其中 mi m i 为第 i i 条数据,bucket_ID为桶标号,n为要设置的桶数量。关于桶数量(即小文件数量)设置的基本的原则是:每个小文件的大小比内存限制要小。比如处理1G的大文件,内存限制为1M,那就可以把大文件分成2000个小文件(甚至更多),这样每个小文件的大小约500K(甚至更小),我们就可以轻松读入内存处理了。下面看一些具体的例子:

    问题1 top-k筛选:海量数据存储于多个文件,任何一条数据都可能存在于任何一个文件当中,现需要筛选出现的次数最多的k条数据。
    解决思路

    • 依次遍历这些文件,通过hash映射,将每个文件的每条数据映射到新构造的多个小文件中(设生成了 n n 个小文件);
    • 依次统计每个小文件中出现次数最多的k条数据,构成hash表,hash表中每个键值对的形式为 dataItem: count
    • 利用堆排序,依次遍历这些hash表,在 nk n ∗ k 条数据中,找出count值最大的 k k 个;

    这里之所以使用堆排序,也是为了能尽可能地提高排序效率。就上例而言,堆排序的时间复杂度为nklog(k)

    问题2 对比查重:现有A和B两个大文件,每个文件都存储着海量数据,要求给出A,B中重复的数据。
    解决思路

    • 遍历A中的所有数据,通过hash映射将他们分布存储在 n n 个小文件中,记为{a1,a2,,an}
    • 遍历B中的所有数据,通过hash映射将他们分布存储在 n n 个小文件中,记为{b1,b2,,bn}
    • 根据hash函数性质可知,A和B中的相同数据一定被映射到序号相同的小文件,所以我们依次比较 {ai,bi} { a i , b i } 即可;
    • 如果问题更进一步,要求返回重复次数最多的 k k 条数据,则可以将对比小文件找到的数据存入hash表,键为数据,值为该数据出现的次数。再用大小为k的堆,排序找出即可。

    2.2 Trie树处理海量字符串数据

    解决问题:当需要处理的是海量字符串数据时,有时Trie树会比直接上面说的hash映射的策略更高效。
    使用工具:Trie树;堆

    Trie树是一种非常强大的处理海量字符串数据的工具。尤其是大量的字符串数据中存在前缀时,Trie树特别好用。Trie树在字典的存储,字符串的查找,求取海量字符串的公共前缀,以及字符串统计等方面发挥着重要的作用。用于存储时,Trie树因为不重复存储公共前缀,节省了大量的存储空间;用于以字符串的查找时,Trie树依靠其特殊的性质,实现了在任意数据量的字符串集合中都能以 O(len) O ( l e n ) 的时间复杂度完成查找( len l e n 为要检索的字符串长度);在字符串统计中,Trie树能够快速记录每个字符串出现的次数。下面看几个问题实例。

    注:有关Trie树的详细讲解可以参考我之前的博客 Trie树的构建和应用

    问题3 数据去重:一个超大文件(不能直接读入内存),里面包含海量字符串数据,但字符串数据种类有限(可见含有大量重复),现需要对字符串去重。并统计去重后每个字符串出现的次数
    解决思路

    • 将大文件分割成多个小文件,依次遍历每个小文件,读取其中存储的每一个字符串,构建Trie树,并在每一个终止节点记录该节点代表的字符串(即从根节点到该节点的字符组成的字符串)当前出现的次数,解决问题的时间复杂度为 O(Nlen) O ( N ∗ l e n ) ,其中 N N 为字符串总数,len为字符串的平均长度;

    • 如果问题更进一步,需要排序,那就再建一个堆,读取Trie树,将字符串依次插入堆,时间复杂度为 O(NlenlogN) O ( N ′ ∗ l e n ∗ log ⁡ N ′ ) ,其中 N N ′ 是去重后字符串的数量;

    至于Trie树在存储,求取公共前缀等方面的应用可以参考我上面给出的博客,这里不再赘述。

    总结一下,Trie树对于海量字符串数据,在数据种类有限(构建的Trie树可以完全读入内存)时,能够使我们轻松的进行存储,查找,计数等工作。

    2.3 Bloom Filter

    解决问题:数据字典的构建;判定目标数据是否存在于一个海量数据集;集合求交
    使用工具:Bloom Filter;hash函数

    以存在性判定为例,Bloom Filter通过对目标数据的映射,能够以 O(k) O ( k ) 的时间复杂度判定目标数据的存在性,其中 k k 为使用的hash函数个数。这样就能大大缩减遍历查找所需的时间。

    注:有关Bloom Filter树的详细讲解可以参考我之前的博客 Bloom Filter原理与实现,下面我假设你已经知道了Bloom Filter的工作原理。直接看问题4:

    问题4 集合求交:与上面的问题2类似,只不过现在不是A和B两个大文件,而是A, B, C, D….多个大文件。
    解决思路

    • 依次遍历每个大文件中的每条数据,遍历每条数据时,都将它插入Bloom Filter;
    • 如果已经存在,则在另外的集合(记为S)中记录下来;

    • 如果不存在,则插入Bloom Filter;
    • 最后,得到的 S S 即为所有这些大文件中元素的交

    问题5 unsigned int型整数存在性判定:判定一个unsigned int型整数是否在一个大的unsigned int型整数数据集中。
    解决思路

    • 假设unsigned int型整数数据集长度为N,则申请一个大小为512M的数组作为Bloom Filter;
    • 遍历数据集,按照遍历到的整数(记为 a a )将Bloom Filter的第a位变成1;
    • 检查Bloom Filter中,目标数据所代表的位是0还是1;

    问题5用的其实是一种简化了的Bloom Filter,不再采取hash映射的方式,而是直接根据整数的大小确定要改变的位数,这在某些特殊情况下(比如数据种类不多时)非常有效。

    2.4 多层桶结构

    解决问题:海量数据求取第 k k 大数
    使用工具:hash函数

    多层桶结构其实和最开始我们用hash映射分割大文件的思路是一致的,都是一种“分而治之”的策略。只不过多层桶结构是对有些桶分割之后再分割,构成了一种层次化的结构,它主要应用于一次分割的结果依然不能解决内存限制的情况。比如下面的问题6:

    问题6 求取海量整数的中位数。
    解决思路

    • 依次遍历整数,按照其大小将他们分拣到n个桶中。但是现在出现了一种不好的情况,就是可能有的桶数据量很小,有的则数据量很大,大到内存放不下了;

      • 对于那些太大的桶,我们就再分割成更小的桶,当然分割的准则还是依据数据大小,这样,其实是构成了一种类似于不平衡的多叉树的结构;
      • 根据多叉树第一层的数量统计结果,我们可以知道中位数在哪个节点中,如果该节点还有孩子,就判断在其哪个孩子节点中,直到找到叶子节点,最后找出目标。
      • 2.5 倒排索引

        这个不详细说了,在文档数据的检索,尤其是关键字查询领域有着极为广泛的应用。其实这个思路也可以推广开来,当存在海量的文件,且每个文件包含的数据种类有限,而我们的任务又是依据数据查文件时,倒排索引都可以排上用场。

        2.6 外排序

        解决问题:海量数据的排序
        实用工具:归并算法

        外排序是经典的排序方法之一,主要是针对大数据不能直接读入内存的情况,通过内存与外存之间的数据交换,实现海量数据排序的。我大致介绍一下外排序的算法思路,详细的解释可以参照博客:排序之外部排序

        问题7 海量数据排序。
        解决思路

        • 依次读取数据,将数据按照大小范围,生成一定数量的“归并段”并写入外存,注意归并段中的数据是排好序的;
        • 对归并段执行归并排序,每两个归并段排序之后的结果作为新的归并段写入外存;
        • 重复执行上一步,知道完全排序完毕,最终的排序结果会存在外存中;

        2.7 MapReduce

        MapReduce是一种计算模型,分为”Map”和”Reduce”两个阶段。

        • Map:将大量数据分割后(或者将困难任务分解后)“各个击破”;
        • Reduce:将“各个击破”的结果按照一定的规律进行合并操作;

        这样做的好处是可以在任务被分解后,可以通过大量机器进行并行计算,从而突破时间或者空间的限制。时间上显然更快,空间上,单个机器只需要处理空间允许的数据量即可。举个简单的例子就是归并排序,我们先将数据集分割成小数据集,使用多个机器排序每个分割后的小数据集(Map),再将处理好的归并段依次归并(Reduce)。

        本文求尽量全面总结海量数据处理的思路,不求对每种思路的深入探讨。因为这些方法要么在我之前的博客中已有详细说明,要么比较通用,网上的介绍很充分。

        不得不说海量数据处理时,面临的问题是千变万化的,所以本文也会持续更新,希望读者们也能不断补充我遗漏的知识。

    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 270,708
精华内容 108,283
关键字:

海量数据