江西省上饶市城乡建设网站,河北省住房建设厅政务网站,武城县建设局网站,域名停域免费观看软件现有海量日志数据保存在一个超级大的文件中#xff0c;该文件无法直接读入内存#xff0c;要求从中提取某天出访问百度次数最多的那个IP。 从这一天的日志数据中把访问百度的IP取出来#xff0c;逐个写入到一个大文件中;注意到IP是32位的#xff0c;最多有2^32个IP。同样可…现有海量日志数据保存在一个超级大的文件中该文件无法直接读入内存要求从中提取某天出访问百度次数最多的那个IP。 从这一天的日志数据中把访问百度的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;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;在这1000个最大的IP中找出那个频率最大的IP即为所求。 2. 给定a、b两个文件各存放50亿个url每个url各占用64字节内存限制是4G如何找出a、b文件共同的url 假如每个url大小为10bytes那么可以估计每个文件的大小为50G×64320G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可以采用分治的思想来解决。 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每个小文件约300M);遍历文件b采取和a相同的方式将url分别存储到1000个小文件(记为b0,b1,…,b999);这样处理后所有可能相同的url都被保存在对应的小文件(a0vsb0,a1vsb1,…,a999vsb999)中不对应的小文件不可能有相同的url。然后我们只要求出这个1000对小文件中相同的url即可。求每对小文件ai和bi中相同的url时可以把ai的url存储到hash_set/hash_map中。然后遍历bi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。 3、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。
算法思想 分而治之 hash统计 堆/快速排序 分而治之/hash映射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。hash_map统计对每个小文件采用trie树/hash_map等统计每个文件中出现的词以及相应的频率。堆/归并排序取出出现频率最大的100个词可以用含100个结点的最小堆后再把100个词及相应的频率存入文件这样又得到了5000个文件。最后就是把这5000个文件进行归并类似于归并排序的过程了。 参考资料
