海量数据处理 (一)

  1. 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×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,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

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/385303.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

线程控制原语之pthread_self和pthread_create函数

注意:使用线程库函数用gcc编译时,要加参数:-lpthread(libpthread.so),因为线程库函数属于第三方c库函数,不是标准库函数(/lib、/usr/lib或者/usr/local/lib)。 &#xf…

1005. 继续(3n+1)猜想 (25)

卡拉兹(Callatz)猜想已经在1001中给出了描述。在这个题目里,情况稍微有些复杂。 当我们验证卡拉兹猜想的时候,为了避免重复计算,可以记录下递推过程中遇到的每一个数。例如对n3进行验证的时候,我们需要计算3、5、8、4、2、1&#…

C指针深度解析

(1)指针的概念 指针是一种数据类型,而内存地址是这种数据类型具体的值(注意区分两者的概念)。先说一下什么是内存地址:假设CPU的寻址方式是以字节寻址的,即每一个字节对应一个地址编号&#xf…

1007. 素数对猜想

让我们定义 dn 为&#xff1a;dn pn1 - pn&#xff0c;其中 pi 是第i个素数。显然有 d11 且对于n>1有 dn 是偶数。“素数对猜想”认为“存在无穷多对相邻且差为2的素数”。 现给定任意正整数N (< 105)&#xff0c;请计算不超过N的满足猜想的素数对的个数。 输入格式&…

线程共享全局变量(.data和.bbs)

线程默认共享数据段、代码段等地址空间&#xff0c;常用的是全局变量。而进程不共享全局变量&#xff0c;只能借助mmap。 //代码示例 #include <string.h> #include <stdio.h> #include <pthread.h> #include <stdlib.h> #include <string.h> …

1008 数组元素循环右移问题 (20)

一个数组A中存有N&#xff08;N&gt0&#xff09;个整数&#xff0c;在不允许使用另外数组的前提下&#xff0c;将每个整数循环向右移M&#xff08;M>0&#xff09;个位置&#xff0c;即将A中的数据由&#xff08;A~0~ A~1~……A~N-1~&#xff09;变换为&#xff08;A~N-…

C++设计模式之策略模式(Strategy)

Strategy策略模式作用&#xff1a;定义了算法家族&#xff0c;分别封装起来&#xff0c;让他们之间可以互相替换&#xff0c;此模式让算法的变化&#xff0c;不会影响到使用算法的客户。 UML图&#xff1a; 代码实现 #include <iostream> using namespace std;class St…

pthread_exit函数

void pthread_exit(void *retval); 参数&#xff1a;retval表示线程退出状态&#xff0c;通常传NULL。 作用&#xff1a;将单个线程退出。 注意几点&#xff1a; return的作用是返回到函数的调用点&#xff0c;如果是main函数中的return&#xff0c;则代表该进程结束&#x…

C++面试常见问题

背景色yellow 1 1. c如何防止一个类被其他类继承 >- 如果是仅仅为了达到这个目的可以直接把这个类的构造函数设置成私有的&#xff0c;这样就杜绝了其他类的继承。也相当于毁掉了这个类&#xff08;无法再创造出自己的对象&#xff09;。 那么怎么样既要保证这个类的完整性…

pthread_join函数

int pthread_join(pthread_t thread, void **retval); 作用&#xff1a;阻塞等待线程退出&#xff0c;获取线程退出状态。其作用对应进程中 waitpid() 函数。 成功&#xff1a;0&#xff1b;失败&#xff1a;错误号 strerror函数 参数&#xff1a;thread&#xff1a;线程I…

【C++ Priemr | 15】派生类向基类转换的可访问性

1. 只有当D公有继承B时&#xff0c;用户代码才能使用派生类向基类的转换&#xff1b;如果D私有继承B的方式是受保护的或者私有的&#xff0c;则用户代码不能使用该转换。 class A {}&#xff1b; class B : public A {}void function(const A&) {}int main() {B b;functio…

pthread_detach函数

int pthread_detach(pthread_t thread); 成功&#xff1a;0&#xff1b;失败&#xff1a;错误号 作用&#xff1a;从状态上实现线程分离&#xff0c;注意不是指该线程独自占用地址空间。 线程分离状态&#xff1a;指定该状态&#xff0c;线程主动与主控线程断开关系。线程…

【C++ Primer | 15】面试问题

在成员函数中调用虚函数 #include <iostream> using namespace std; class CBase { public:void func1(){func2();}virtual void func2() {cout << "CBase::func2()" << endl;} }; class CDerived:public CBase { public:virtual void func2() {…

pthread_cancel、pthread_equal函数

&#xff08;1&#xff09;pthread_cancel函数 int pthread_cancel(pthread_t thread); 成功&#xff1a;0&#xff1b;失败&#xff1a;错误号 作用&#xff1a;杀死(取消)线程&#xff0c;其作用对应进程中 kill() 函数。 注意&#xff1a;线程的取消并不是实时的&…

STL源码剖析面试问题

当vector的内存用完了&#xff0c;它是如何动态扩展内存的&#xff1f;它是怎么释放内存的&#xff1f;用clear可以释放掉内存吗&#xff1f;是不是线程安全的&#xff1f; vector内存用完了&#xff0c;会以当前size大小重新申请2* size的内存&#xff0c;然后把原来的元素复制…

线程与进程的控制原语对比

线程与进程的控制原语对比 fork pthead_create exit( int ) pthead_exit(void *); wait(int *) pthread_join&#xff08; ,void **&#xff09; 阻塞 ;分离 22 &#xff1b;cancel -1 kill() pthread_cancel(); 取消点(检查点)&#xff1a;系统调用 getpid() pthrea…

ptmalloc堆内存管理机制(主要讨论Linux x86下32位系统)

bin&#xff08;chunk容器&#xff09; ptmalloc将相似大小的 chunk 用双向链表链接起来&#xff0c;这样的一个链表被称为一个 bin。 Ptmalloc 一共维护了 128 个 bin&#xff0c;并使用一个数组来存储这些 bin&#xff0c;这个数组被成为bin数组。 bin数组结构如下&#xf…

线程属性的修改

&#xff08;1&#xff09;线程属性 Linux下线程的属性是可以根据实际项目需要&#xff0c;进行设置&#xff0c;之前我们讨论的线程都是采用线程的默认属性&#xff0c;默认属性已经可以解决绝大多数开发时遇到的问题。如我们对程序的性能提出更高的要求那么需要设置线程属性…

NPTL(Native POSIX Thread Library)

1.NPTL&#xff08;Native POSIX Thread Library&#xff09;为POSIX标准线程库&#xff0c;查看当前Linux系统的pthread库&#xff08;线程库&#xff09;版本的命令为&#xff1a;getconf GNU_LIBPTHREAD_VERSION。 [rootlocalhost 01_pthread_test]# getconf GNU_LIBPTHREA…

线程使用注意事项

1.主线程退出其他线程不退出&#xff0c;主线程应调用pthread_exit&#xff1b; 2.避免僵尸线程&#xff1a;pthread_join、pthread_detach、pthread_create指定分离属性。被join线程可能在join函数返回前就释放完自己的所有内存资源&#xff0c;所以不应当返回被回收线程栈中…