海量数据处理笔试面试题4.doc

海量数据处理专题（一）——开篇
2010-10-0813:03
转载自HYPERLINK"http://hi.baidu.com/08%B5%BD%B1%B1%BE%A9"\t"blank"08到北京
最终编辑HYPERLINK"http://hi.baidu.com/08%B5%BD%B1%B1%BE%A9"\t"blank"08到北京
大数据量的问题是很多面试笔试中经常出现的问题，比如baidugoogle腾讯这样的一些涉及到海量数据的公司经常会问到。
下面的方法是我对海量数据的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，如果你有更好的处理方法，欢迎与我讨论。

本贴从解决这类问题的方法入手，开辟一系列专题来解决海量数据问题。拟包含以下几个方面。
HYPERLINK"http://blog.redfox66.com/post/mass-data-topic-2-bloom-filter.aspx"\t"_blank"BloomFilter
HYPERLINK"http://blog.redfox66.com/post/mass-data-topic-3-hash.aspx"\t"_blank"Hash
HYPERLINK"http://blog.redfox66.com/post/mass-data-4-bitmap.aspx"\t"_blank"Bit-Map
HYPERLINK"http://blog.redfox66.com/post/mass-data-topic-5-heap.aspx"\t"_blank"堆(Heap)
双层桶划分
数据库索引
倒排索引（InvertedIndex）
外排序
Trie树
MapReduce海量数据处理专题（二）——BloomFilter
2010-10-0813:04
转载自HYPERLINK"http://hi.baidu.com/08%B5%BD%B1%B1%BE%A9"\t"blank"08到北京
最终编辑HYPERLINK"http://hi.baidu.com/08%B5%BD%B1%B1%BE%A9"\t"blank"08到北京
【什么是BloomFilter】
BloomFilter是一种空间效率很高的随机数据结构，它利用位数组很简洁地表示一个集合，并能判断一个元素是否属于这个集合。BloomFilter的这种高效是有一定代价的：在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（falsepositive）。因此，BloomFilter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，BloomFilter通过极少的错误换取了存储空间的极大节省。这里有一篇关于HYPERLINK"http://blog.csdn.net/jiaomeng/archive/2007/01/27/1495500.aspx"BloomFilter的详细介绍，不太懂的博友可以看看。
【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】
HYPERLINK"http://blog.redfox66.com/post/mass-data-topic-2-bloom-filter.aspx"\t"_blank"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%正确的。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到其他的关键字。所以一个简单的改进就是countingBloomfilter，用一个counter数组代替位数组，就可以支持删除了。

HYPERLINK"http://blog.redfox66.com/post/mass-data-topic-2-bloom-filter.aspx"\t"_blank"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)。

HYPERLINK"http://blog.redfox6