海量数据处理方法总结

ok,看了上面这么多的面试题，是否有点头晕。是的，需要一个总结。接下来，本文将简单总结下一些处理海量数据问题的常见方法

　　下面的方法，对海量数据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

一。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。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应该大概是n的13倍，这样k大概是8个

二、hashing

　　使用范围：快速查找，删除的基本数据结构，通常需要总数据可以放入内存。

　　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，也称开放地址法，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分配一个哈希函数，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）key比较多。然后将新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。

三、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表示一个数组即可，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

四、堆

使用范围：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元素的大小的最小堆即可