2023年十道海量數(shù)據(jù)處理面試題

海量數(shù)據(jù)解決面試題TableofContents海量數(shù)據(jù)處理面試題 1第一部分：十道海量數(shù)據(jù)處理面試題 11、海量日志數(shù)據(jù)，提取出某日訪問百度次數(shù)最多的那個IP。 12、搜索引擎會通過日志文件把用戶每次檢索使用的所有檢索串都記錄下來，每個查詢串的長度為1-255字節(jié)。 23、有一個1G大小的一個文件，里面每一行是一個詞，詞的大小不超過16字節(jié)，內(nèi)存限制大小是1M。返回頻數(shù)最高的100個詞。 24、有10個文件，每個文件1G，每個文件的每一行存放的都是用戶的query，每個文件的query都可能重復。要求你按照query的頻度排序。 35、給定a、b兩個文件，各存放50億個url，每個url各占64字節(jié)，內(nèi)存限制是4G，讓你找出a、b文件共同的url？ 36、在2.5億個整數(shù)中找出不重復的整數(shù)，注，內(nèi)存不足以容納這2.5億個整數(shù)。 47、騰訊面試題：給40億個不重復的unsignedint的整數(shù)，沒排過序的，然后再給一個數(shù)，如何快速判斷這個數(shù)是否在那40億個數(shù)當中？ 48、怎么在海量數(shù)據(jù)中找出重復次數(shù)最多的一個？ 59、上千萬或上億數(shù)據(jù)（有重復），統(tǒng)計其中出現(xiàn)次數(shù)最多的錢N個數(shù)據(jù)。 510、一個文本文件，大約有一萬行，每行一個詞，要求統(tǒng)計出其中最頻繁出現(xiàn)的前10個詞，請給出思想，給出時間復雜度分析。 5附、100w個數(shù)中找出最大的100個數(shù)。 5第二部分、十個海量數(shù)據(jù)處理方法大總結 6一、Bloomfilter 6二、Hashing 6三、bit-map 7四、堆 7五、雙層桶劃分其實本質(zhì)上就是【分而治之】的思想，重在“分”的技巧上！ 8六、數(shù)據(jù)庫索引 8七、倒排索引(Invertedindex) 8八、外排序 9九、trie樹 9十、分布式處理mapreduce 10經(jīng)典問題分析 10第一部分：十道海量數(shù)據(jù)解決面試題1、海量日記數(shù)據(jù)，提取出某日訪問百度次數(shù)最多的那個IP。

一方面是這一天，并且是訪問百度的日記中的IP取出來，逐個寫入到一個大文獻中。注意到IP是32位的，最多有個2^32個IP。同樣可以采用映射的方法，比如模1000，把整個大文獻映射為1000個小文獻，再找出每個小文中出現(xiàn)頻率最大的IP（可以采用hash_map進行頻率記錄，然后再找出頻率最大的幾個）及相應的頻率。然后再在這1000個最大的IP中，找出那個頻率最大的IP，即為所求?；蛘呷缦玛U述（雪域之鷹）：

算法思想：分而治之+Hash1.IP地址最多有2^32=4G種取值情況，所以不能完全加載到內(nèi)存中解決；

2.可以考慮采用“分而治之”的思想，按照IP地址的Hash(IP)%1024值，把海量IP日記分別存儲到1024個小文獻中。這樣，每個小文獻最多包含4MB個IP地址；

3.對于每一個小文獻，可以構建一個IP為key，出現(xiàn)次數(shù)為value的Hashmap，同時記錄當前出現(xiàn)次數(shù)最多的那個IP地址；

4.可以得到1024個小文獻中的出現(xiàn)次數(shù)最多的IP，再依據(jù)常規(guī)的排序算法得到總體上出現(xiàn)次數(shù)最多的IP；

2、搜索引擎會通過日記文獻把用戶每次檢索使用的所有檢索串都記錄下來，每個查詢串的長度為1-255字節(jié)。

假設目前有一千萬個記錄（這些查詢串的反復度比較高，雖然總數(shù)是1千萬，但假如除去反復后，不超過3百萬個。一個查詢串的反復度越高，說明查詢它的用戶越多，也就是越熱門。），請你記錄最熱門的10個查詢串，規(guī)定使用的內(nèi)存不能超過1G。

典型的TopK算法，還是在這篇文章里頭有所闡述，詳情請參見：十一、從頭到尾徹底解析Hash表算法。

文中，給出的最終算法是：

第一步、先對這批海量數(shù)據(jù)預解決，在O（N）的時間內(nèi)用Hash表完畢記錄（之前寫成了排序，特此訂正。July、2023.04.27）；

第二步、借助堆這個數(shù)據(jù)結構，找出TopK，時間復雜度為N‘logK。

即，借助堆結構，我們可以在log量級的時間內(nèi)查找和調(diào)整/移動。因此，維護一個K(該題目中是10)大小的小根堆，然后遍歷300萬的Query，分別和根元素進行對比所以，我們最終的時間復雜度是：O（N）+N'*O（logK），（N為1000萬，N’為300萬）。ok，更多，詳情，請參考原文。

或者：采用trie樹，關鍵字域存該查詢串出現(xiàn)的次數(shù)，沒有出現(xiàn)為0。最后用10個元素的最小推來對出現(xiàn)頻率進行排序。

3、有一個1G大小的一個文獻，里面每一行是一個詞，詞的大小不超過16字節(jié)，內(nèi)存限制大小是1M。返回頻數(shù)最高的100個詞。

方案：順序讀文獻中，對于每個詞x，取hash(x)%5000，然后按照該值存到5000個小文獻（記為x0,x1,...x4999）中。這樣每個文獻大約是200k左右。

假如其中的有的文獻超過了1M大小，還可以按照類似的方法繼續(xù)往下分，直到分解得到的小文獻的大小都不超過1M。

對每個小文獻，記錄每個文獻中出現(xiàn)的詞以及相應的頻率（可以采用trie樹/hash_map等），并取出出現(xiàn)頻率最大的100個詞（可以用含100個結點的最小堆），并把100個詞及相應的頻率存入文獻，這樣又得到了5000個文獻。下一步就是把這5000個文獻進行歸并（類似與歸并排序）的過程了。

4、有10個文獻，每個文獻1G，每個文獻的每一行存放的都是用戶的query，每個文獻的query都也許反復。規(guī)定你按照query的頻度排序。

還是典型的TOPK算法，解決方案如下：

方案1：

順序讀取10個文獻，按照hash(query)%10的結果將query寫入到此外10個文獻（記為）中。這樣新生成的文獻每個的大小大約也1G（假設hash函數(shù)是隨機的）。

找一臺內(nèi)存在2G左右的機器，依次對用hash_map(query,query_count)來記錄每個query出現(xiàn)的次數(shù)。運用快速/堆/歸并排序按照出現(xiàn)次數(shù)進行排序。將排序好的query和相應的query_cout輸出到文獻中。這樣得到了10個排好序的文獻（記為）。

對這10個文獻進行歸并排序（內(nèi)排序與外排序相結合）。

方案2：

一般query的總量是有限的，只是反復的次數(shù)比較多而已，也許對于所有的query，一次性就可以加入到內(nèi)存了。這樣，我們就可以采用trie樹/hash_map等直接來記錄每個query出現(xiàn)的次數(shù)，然后按出現(xiàn)次數(shù)做快速/堆/歸并排序就可以了。

方案3：

與方案1類似，但在做完hash，提成多個文獻后，可以交給多個文獻來解決，采用分布式的架構來解決（比如MapReduce），最后再進行合并。

5、給定a、b兩個文獻，各存放50億個url，每個url各占64字節(jié)，內(nèi)存限制是4G，讓你找出a、b文獻共同的url？

方案1：可以估計每個文獻安的大小為5G×64=320G，遠遠大于內(nèi)存限制的4G。所以不也許將其完全加載到內(nèi)存中解決?？紤]采用分而治之的方法。

遍歷文獻a，對每個url求取hash(url)%1000，然后根據(jù)所取得的值將url分別存儲到1000個小文獻（記為a0,a1,...,a999）中。這樣每個小文獻的大約為300M。

遍歷文獻b，采用和a相同的方式將url分別存儲到1000小文獻（記為b0,b1,...,b999）。這樣解決后，所有也許相同的url都在相應的小文獻（a0vsb0,a1vsb1,...,a999vsb999）中，不相應的小文獻不也許有相同的url。然后我們只規(guī)定出1000對小文獻中相同的url即可。

求每對小文獻中相同的url時，可以把其中一個小文獻的url存儲到hash_set中。然后遍歷另一個小文獻的每個url，看其是否在剛才構建的hash_set中，假如是，那么就是共同的url，存到文獻里面就可以了。

方案2：假如允許有一定的錯誤率，可以使用Bloomfilter，4G內(nèi)存大約可以表達340億bit。將其中一個文獻中的url使用Bloomfilter映射為這340億bit，然后挨個讀取此外一個文獻的url，檢查是否與Bloomfilter，假如是，那么該url應當是共同的url（注意會有一定的錯誤率）。

Bloomfilter日后會在本BLOG內(nèi)具體闡述。

6、在2.5億個整數(shù)中找出不反復的整數(shù)，注，內(nèi)存局限性以容納這2.5億個整數(shù)。

方案1：采用2-Bitmap（每個數(shù)分派2bit，00表達不存在，01表達出現(xiàn)一次，10表達多次，11無意義）進行，共需內(nèi)存2^32*2bit=1GB內(nèi)存，還可以接受。然后掃描這2.5億個整數(shù)，查看Bitmap中相相應位，假如是00變01，01變10，10保持不變。所描完事后，查看bitmap，把相應位是01的整數(shù)輸出即可。

方案2：也可采用與第1題類似的方法，進行劃分小文獻的方法。然后在小文獻中找出不反復的整數(shù)，并排序。然后再進行歸并，注意去除反復的元素。

7、騰訊面試題：給40億個不反復的unsignedint的整數(shù)，沒排過序的，然后再給一個數(shù)，如何快速判斷這個數(shù)是否在那40億個數(shù)當中？

與上第6題類似，我的第一反映時快速排序+二分查找。以下是其它更好的方法：

方案1：oo，申請512M的內(nèi)存，一個bit位代表一個unsignedint值。讀入40億個數(shù)，設立相應的bit位，讀入要查詢的數(shù)，查看相應bit位是否為1，為1表達存在，為0表達不存在。

dizengrong：

方案2：這個問題在《編程珠璣》里有很好的描述，大家可以參考下面的思緒，探討一下：

又由于2^32為40億多，所以給定一個數(shù)也許在，也也許不在其中；

這里我們把40億個數(shù)中的每一個用32位的二進制來表達

假設這40億個數(shù)開始放在一個文獻中。

然后將這40億個數(shù)提成兩類:

1.最高位為0

2.最高位為1

并將這兩類分別寫入到兩個文獻中，其中一個文獻中數(shù)的個數(shù)<=20億，而另一個>=20億（這相稱于折半了）；

與要查找的數(shù)的最高位比較并接著進入相應的文獻再查找

再然后把這個文獻為又提成兩類:

1.次最高位為0

2.次最高位為1

并將這兩類分別寫入到兩個文獻中，其中一個文獻中數(shù)的個數(shù)<=10億，而另一個>=10億（這相稱于折半了）；

與要查找的數(shù)的次最高位比較并接著進入相應的文獻再查找。

以此類推，就可以找到了,并且時間復雜度為O(logn)，方案2完。

附：這里，再簡樸介紹下，位圖方法：

使用位圖法判斷整形數(shù)組是否存在反復

判斷集合中存在反復是常見編程任務之一，當集合中數(shù)據(jù)量比較大時我們通常希望少進行幾次掃描，這時雙重循環(huán)法就不可取了。

位圖法比較適合于這種情況，它的做法是按照集合中最大元素max創(chuàng)建一個長度為max+1的新數(shù)組，然后再次掃描原數(shù)組，碰到幾就給新數(shù)組的第幾位置上1，如碰到5就給新數(shù)組的第六個元素置1，這樣下次再碰到5想置位時發(fā)現(xiàn)新數(shù)組的第六個元素已經(jīng)是1了，這說明這次的數(shù)據(jù)肯定和以前的數(shù)據(jù)存在著反復。這種給新數(shù)組初始化時置零其后置一的做法類似于位圖的解決方法故稱位圖法。它的運算次數(shù)最壞的情況為2N。假如已知數(shù)組的最大值即能事先給新數(shù)組定長的話效率還能提高一倍。

歡迎，有更好的思緒，或方法，共同交流。

8、怎么在海量數(shù)據(jù)中找出反復次數(shù)最多的一個？

方案1：先做hash，然后求模映射為小文獻，求出每個小文獻中反復次數(shù)最多的一個，并記錄反復次數(shù)。然后找出上一步求出的數(shù)據(jù)中反復次數(shù)最多的一個就是所求（具體參考前面的題）。

9、上千萬或上億數(shù)據(jù)（有反復），記錄其中出現(xiàn)次數(shù)最多的錢N個數(shù)據(jù)。

方案1：上千萬或上億的數(shù)據(jù)，現(xiàn)在的機器的內(nèi)存應當能存下。所以考慮采用hash_map/搜索二叉樹/紅黑樹等來進行記錄次數(shù)。然后就是取出前N個出現(xiàn)次數(shù)最多的數(shù)據(jù)了，可以用第2題提到的堆機制完畢。

10、一個文本文獻，大約有一萬行，每行一個詞，規(guī)定記錄出其中最頻繁出現(xiàn)的前10個詞，請給出思想，給出時間復雜度分析。

方案1：這題是考慮時間效率。用trie樹記錄每個詞出現(xiàn)的次數(shù)，時間復雜度是O(n*le)（le表達單詞的平準長度）。然后是找出出現(xiàn)最頻繁的前10個詞，可以用堆來實現(xiàn)，前面的題中已經(jīng)講到了，時間復雜度是O(n*lg10)。所以總的時間復雜度，是O(n*le)與O(n*lg10)中較大的哪一個。

附、100w個數(shù)中找出最大的100個數(shù)。

方案1：在前面的題中，我們已經(jīng)提到了，用一個含100個元素的最小堆完畢。復雜度為O(100w*lg100)。

方案2：采用快速排序的思想，每次分割之后只考慮比軸大的一部分，知道比軸大的一部分在比100多的時候，采用傳統(tǒng)排序算法排序，取前100個。復雜度為O(100w*100)。

方案3：采用局部淘汰法。選取前100個元素，并排序，記為序列L。然后一次掃描剩余的元素x，與排好序的100個元素中最小的元素比，假如比這個最小的要大，那么把這個最小的元素刪除，并把x運用插入排序的思想，插入到序列L中。依次循環(huán)，知道掃描了所有的元素。復雜度為O(100w*100)。致謝：。

第二部分、十個海量數(shù)據(jù)解決方法大總結

ok，看了上面這么多的面試題，是否有點頭暈。是的，需要一個總結。接下來，本文將簡樸總結下一些解決海量數(shù)據(jù)問題的常見方法，而日后，本BLOG內(nèi)會具體闡述這些方法。

下面的方法所有來自博客，對海量數(shù)據(jù)的解決方法進行了一個一般性的總結，當然這些方法也許并不能完全覆蓋所有的問題，但是這樣的一些方法也基本可以解決絕大多數(shù)碰到的問題。下面的一些問題基本直接來源于公司的面試筆試題目，方法不一定最優(yōu)，假如你有更好的解決方法，歡迎討論。一、Bloomfilter合用范圍：可以用來實現(xiàn)數(shù)據(jù)字典，進行數(shù)據(jù)的判重，或者集合求交集基本原理及要點：

對于原理來說很簡樸，位數(shù)組+k個獨立hash函數(shù)。將hash函數(shù)相應的值的位數(shù)組置1，查找時假如發(fā)現(xiàn)所有hash函數(shù)相應位都是1說明存在，很明顯這個過程并不保證查找的結果是100%對的的。同時也不支持刪除一個已經(jīng)插入的關鍵字，由于該關鍵字相應的位會牽動到其他的關鍵字。所以一個簡樸的改善就是countingBloomfilter，用一個counter數(shù)組代替位數(shù)組，就可以支持刪除了。尚有一個比較重要的問題，如何根據(jù)輸入元素個數(shù)n，擬定位數(shù)組m的大小及hash函數(shù)個數(shù)。當hash函數(shù)個數(shù)k=(ln2)*(m/n)時錯誤率最小。在錯誤率不大于E的情況下，m至少要等于n*lg(1/E)才干表達任意n個元素的集合。但m還應當更大些，由于還要保證bit數(shù)組里至少一半為0，則m應當>=nlg(1/E)*lge大約就是nlg(1/E)1.44倍(lg表達以2為底的對數(shù))。舉個例子我們假設錯誤率為0.01，則此時m應大約是n的13倍。這樣k大約是8個。注意這里m與n的單位不同，m是bit為單位，而n則是以元素個數(shù)為單位(準確的說是不同元素的個數(shù))。通常單個元素的長度都是有很多bit的。所以使用bloomfilter內(nèi)存上通常都是節(jié)省的。擴展：

Bloomfilter將集合中的元素映射到位數(shù)組中，用k（k為哈希函數(shù)個數(shù)）個映射位是否全1表達元素在不在這個集合中。Countingbloomfilter（CBF）將位數(shù)組中的每一位擴展為一個counter，從而支持了元素的刪除操作。SpectralBloomFilter（SBF）將其與集合元素的出現(xiàn)次數(shù)關聯(lián)。SBF采用counter中的最小值來近似表達元素的出現(xiàn)頻率。問題實例：給你A,B兩個文獻，各存放50億條URL，每條URL占用64字節(jié)，內(nèi)存限制是4G，讓你找出A,B文獻共同的URL。假如是三個乃至n個文獻呢？根據(jù)這個問題我們來計算下內(nèi)存的占用，4G=2^32大約是40億*8大約是340億，n=50億，假如按犯錯率0.01算需要的大約是650億個bit。現(xiàn)在可用的是340億，相差并不多，這樣也許會使犯錯率上升些。此外假如這些urlip是一一相應的，就可以轉(zhuǎn)換成ip，則大大簡樸了。

二、Hashing合用范圍：快速查找，刪除的基本數(shù)據(jù)結構，通常需要總數(shù)據(jù)量可以放入內(nèi)存基本原理及要點：

hash函數(shù)選擇，針對字符串，整數(shù)，排列，具體相應的hash方法。

碰撞解決，一種是openhashing，也稱為拉鏈法；另一種就是closedhashing，也稱開地址法，openedaddressing。

擴展：

d-lefthashing中的d是多個的意思，我們先簡化這個問題，看一看2-lefthashing。2-lefthashing指的是將一個哈希表提成長度相等的兩半，分別叫做T1和T2，給T1和T2分別配備一個哈希函數(shù)，h1和h2。在存儲一個新的key時，同時用兩個哈希函數(shù)進行計算，得出兩個地址h1[key]和h2[key]。這時需要檢查T1中的h1[key]位置和T2中的h2[key]位置，哪一個位置已經(jīng)存儲的（有碰撞的）key比較多，然后將新key存儲在負載少的位置。假如兩邊同樣多，比如兩個位置都為空或者都存儲了一個key，就把新key存儲在左邊的T1子表中，2-left也由此而來。在查找一個key時，必須進行兩次hash，同時查找兩個位置。問題實例：

1).海量日記數(shù)據(jù)，提取出某日訪問百度次數(shù)最多的那個IP。

IP的數(shù)目還是有限的，最多2^32個，所以可以考慮使用hash將ip直接存入內(nèi)存，然后進行記錄。

三、bit-map合用范圍：可進行數(shù)據(jù)的快速查找，判重，刪除，一般來說數(shù)據(jù)范圍是int的10倍以下基本原理及要點：使用bit數(shù)組來表達某些元素是否存在，比如8位電話號碼擴展：bloomfilter可以看做是對bit-map的擴展問題實例：

1)已知某個文獻內(nèi)包含一些電話號碼，每個號碼為8位數(shù)字，記錄不同號碼的個數(shù)。

8位最多99999999，大約需要99m個bit，大約10幾m字節(jié)的內(nèi)存即可。

2)2.5億個整數(shù)中找出不反復的整數(shù)的個數(shù)，內(nèi)存空間局限性以容納這2.5億個整數(shù)。將bit-map擴展一下，用2bit表達一個數(shù)即可，0表達未出現(xiàn)，1表達出現(xiàn)一次，2表達出現(xiàn)2次及以上?；蛘呶覀儾挥?bit來進行表達，我們用兩個bit-map即可模擬實現(xiàn)這個2bit-map。

四、堆合用范圍：海量數(shù)據(jù)前n大，并且n比較小，堆可以放入內(nèi)存基本原理及要點：最大堆求前n小，最小堆求前n大。方法，比如求前n小，我們比較當前元素與最大堆里的最大元素，假如它小于最大元素，則應當替換那個最大元素。這樣最后得到的n個元素就是最小的n個。適合大數(shù)據(jù)量，求前n小，n的大小比較小的情況，這樣可以掃描一遍即可得到所有的前n元素，效率很高。擴展：雙堆，一個最大堆與一個最小堆結合，可以用來維護中位數(shù)。問題實例：

1)100w個數(shù)中找最大的前100個數(shù)。

用一個100個元素大小的最小堆即可。

五、雙層桶劃分其實本質(zhì)上就是【分而治之】的思想，重在“分”的技巧上！合用范圍：第k大，中位數(shù)，不反復或反復的數(shù)字

基本原理及要點：由于元素范圍很大，不能運用直接尋址表，所以通過多次劃分，逐步擬定范圍，然后最后在一個可以接受的范圍內(nèi)進行?？梢酝ㄟ^多次縮小，雙層只是一個例子。擴展：

問題實例：

1).2.5億個整數(shù)中找出不反復的整數(shù)的個數(shù)，內(nèi)存空間局限性以容納這2.5億個整數(shù)。

有點像鴿巢原理，整數(shù)個數(shù)為2^32,也就是，我們可以將這2^32個數(shù)，劃分為2^8個區(qū)域(比如用單個文獻代表一個區(qū)域)，然后將數(shù)據(jù)分離到不同的區(qū)域，然后不同的區(qū)域在運用bitmap就可以直接解決了。也就是說只要有足夠的磁盤空間，就可以很方便的解決。2).5億個int找它們的中位數(shù)。

這個例子比上面那個更明顯。一方面我們將int劃分為2^16個區(qū)域，然后讀取數(shù)據(jù)記錄落到各個區(qū)域里的數(shù)的個數(shù)，之后我們根據(jù)記錄結果就可以判斷中位數(shù)落到那個區(qū)域，同時知道這個區(qū)域中的第幾大數(shù)剛好是中位數(shù)。然后第二次掃描我們只記錄落在這個區(qū)域中的那些數(shù)就可以了。事實上，假如不是int是int64，我們可以通過3次這樣的劃分即可減少到可以接受的限度。即可以先將int64提成2^24個區(qū)域，然后擬定區(qū)域的第幾大數(shù)，在將該區(qū)域提成2^20個子區(qū)域，然后擬定是子區(qū)域的第幾大數(shù)，然后子區(qū)域里的數(shù)的個數(shù)只有2^20，就可以直接運用directaddrtable進行記錄了。

六、數(shù)據(jù)庫索引合用范圍：大數(shù)據(jù)量的增刪改查基本原理及要點：運用數(shù)據(jù)的設計實現(xiàn)方法，對海量數(shù)據(jù)的增刪改查進行解決。

七、倒排索引(Invertedindex)合用范圍：搜索引擎，關鍵字查詢基本原理及要點：為什么叫倒排索引？一種索引方法，被用來存儲在全文搜索下某個單詞在一個文檔或者一組文檔中的存儲位置的映射。以英文為例，下面是要被索引的文本：

T0="itiswhatitis"

T1="whatisit"

T2="itisabanana"我們就能得到下面的反向文獻索引：

"a":

{2}

"banana":{2}

"is":

{0,1,2}

"it":

{0,1,2}

"what":

{0,1}檢索的條件"what","is"和"it"將相應集合的交集。正向索引開發(fā)出來用來存儲每個文檔的單詞的列表。正向索引的查詢往往滿足每個文檔有序頻繁的全文查詢和每個單詞在校驗文檔中的驗證這樣的查詢。在正向索引中，文檔占據(jù)了中心的位置，每個文檔指向了一個它所包含的索引項的序列。也就是說文檔指向了它包含的那些單詞，而反向索引則是單詞指向了包含它的文檔，很容易看到這個反向的關系。擴展：

問題實例：文檔檢索系統(tǒng)，查詢那些文獻包含了某單詞，比如常見的學術論文的關鍵字搜索。

八、外排序合用范圍：大數(shù)據(jù)的排序，去重基本原理及要點：外排序的歸并方法，置換選擇敗者樹原理，最優(yōu)歸并樹擴展：問題實例：

1).有一個1G大小的一個文獻，里面每一行是一個詞，詞的大小不超過16個字節(jié)，內(nèi)存限制大小是1M。返回頻數(shù)最高的100個詞。這個數(shù)據(jù)具有很明顯的特點，詞的大小為16個字節(jié)，但是內(nèi)存只有1m做hash有些不夠，所以可以用來排序。內(nèi)存可以當輸入緩沖區(qū)使用。

九、trie樹合用范圍：數(shù)據(jù)量大，反復多，但是數(shù)據(jù)種類小可以放入內(nèi)存基本原理及要點：實現(xiàn)方式，節(jié)點孩子的表達方式擴展：壓縮實現(xiàn)。問題實例：

1).有10個文獻，每個文獻1G，每個文獻的每一行都存放的是用戶的query，每個文獻的query都也許反復。要你按照query的頻度排序。

2).1000萬字符串，其中有些是相同的(反復),需要把反復的所有去掉，保存沒有反復的字符串。請問怎么設計和實現(xiàn)？

3).尋找熱門查詢：查詢串的反復度比較高，雖然總數(shù)是1千萬，但假如除去反復后，不超過3百萬個，每個不超過255字節(jié)。

十、分布式解決mapreduce合用范圍：數(shù)據(jù)量大，但是數(shù)據(jù)種類小可以放入內(nèi)存基本原理及要點：將數(shù)據(jù)交給不同的機器去解決，數(shù)據(jù)劃分，結果歸約。擴展：

問題實例：

1).ThecanonicalexampleapplicationofMapReduceisaprocesstocounttheappearancesof

eachdifferentwordinaset