网站开发工作室,创新的沈阳网站建设,成都网站建设企业 排名,江西网站建设哪家专业面试题目 1. 相同URL 题目: 给定a、b两个文件#xff0c;各存放50亿个url#xff0c;每个url各占64字节#xff0c;内存限制是4G#xff0c;让你找出a、b文件共同的url#xff1f; 方案1#xff1a;估计每个文件的大小为50G64320G#xff0c;远远大于内存限制的4G。所以…面试题目 1. 相同URL 题目: 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。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[比如ASCII码值求和], 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个小文件(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(a0 vs b0, a1 vs b1, … , a999 vs b999)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 filter4G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。 2. Query排序 题目: 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。 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(r1,r2…r10)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。 [2G左右的机器] 对r1,r2…r10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(r1,r2…r10). 对(r1,r2…r10)这10个文件归并排序(内排序和外排序结合) 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。 3. Top k 单词
题目: 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。 顺序读文件对每个词x取hash(x)%5000然后按照该值存到5000个小文件(x0, x1, … x4999)中。这样每个文件大概是200k左右如果有的文件超过了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出现的词及相应的频率可以采用trie树/hash_map等并取出现频率最大的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。 4. IP统计 题目: 海量日志数据提取出某日访问百度次数最多的那个IP。 定位到某日并把访问百度的日志中的IP取出来逐个写入到大文件中。注意IP是32位最多有2^32个IP。-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件出现频率最大的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。 5. 不重复的整数 题目: 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。 方案1 采用2-Bitmap每个数分配2bit00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*2bit 1G内存还可以接受。 扫描这2.5亿个整数查看Bitmap中相对应位如果是00变0101变1010保持不变。所描完事后查看bitmap把对应位是01的整数输出即可。 方案2 采用上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. Top K 题目: 海量数据分布在100台电脑中想个办法高校统计出这批数据的TOP10。 mapreduce还没有使用,是不是应该使用下mapreduce, 找key,定value.
