阳光网驿-企业信息化交流平台【DTC零售连锁全渠道解决方案】

 找回密码
 注册

QQ登录

只需一步,快速开始

扫描二维码登录本站

手机号码,快捷登录

老司机
查看: 4988|回复: 5

[转帖] finereport爱好者论坛出品--大数据处理

[复制链接]
  • TA的每日心情
    郁闷
    2012-8-20 14:41
  • 签到天数: 22 天

    [LV.4]偶尔看看III

    发表于 2013-4-21 21:03:39 | 显示全部楼层 |阅读模式
    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。
                                                          
    1.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:
    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 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>=nlg(1/E)*lge 大概就是nlg(1/E)1.44(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应大概是n13倍。这样k大概是8个。
    注意这里mn的单位不同,mbit为单位,而n则是以元素个数为单位(准确的说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloom filter内存上通常都是节省的。
    扩展:
    Bloom filter将集合中的元素映射到位数组中,用kk为哈希函数个数)个映射位是否全1表示元素在不在这个集合中。Counting bloom filterCBF)将位数组中的每一位扩展为一个counter,从而支持了元素的删除操作。Spectral Bloom FilterSBF)将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。
    问题实例:给你A,B两个文件,各存放50亿条URL,每条URL占用64字节,内存限制是4G,让你找出A,B文件共同的URL。如果是三个乃至n个文件呢?
    据这个问题我们来计算下内存的占用,4G=2^32大概是40亿*8大概是340亿,n=50亿,如果按出错率0.01算需要的大概是650亿个bit现在可用的是340亿,相差并不多,这样可能会使出错率上升些。另外如果这些urlip是一一对应的,就可以转换成ip,则大大简单了。
    2.Hashing
    适用范围:快速查找,删除的基本数据结构,通常需要总数据量可以放入内存
    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,看一看2-left hashing2-left hashing指的是将一个哈希表分成长度相等的两半,分别叫做T1T2,给T1T2分别配备一个哈希函数,h1h2。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]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(有碰撞的)key比较多,然后将新key存储在负载少的位置。如果两边一样多,比如两个位置都为空或者都存储了一个key,就把新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。
    问题实例:
    1).海量日志数据,提取出某日访问百度次数最多的那个IP
    IP的数目还是有限的,最多2^32个,所以可以考虑使用haship直接存入内存,然后进行统计。
    3.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int10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99mbit,大概10m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。
    bit-map扩展一下,用2bit表示一个数即可,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
    转载自:finereport爱好者论坛。
    9 o6 V" A+ _9 L6 A# r8 ]
    楼主热帖
    启用邀请码注册,提高发帖质量,建设交流社区
  • TA的每日心情
    无聊
    5 天前
  • 签到天数: 2090 天

    [LV.Master]伴坛终老

    发表于 2016-10-29 18:00:12 | 显示全部楼层
    支持一下
      A% D9 F* E2 L, F/ \% d- 本文出自阳光网驿--企业信息化专家,原文地址:http://bbs.sunwy.org/thread-220819-1-1.html
    启用邀请码注册,提高发帖质量,建设交流社区
  • TA的每日心情
    开心
    2016-11-21 14:29
  • 签到天数: 4 天

    [LV.2]偶尔看看I

    发表于 2016-11-15 11:46:25 | 显示全部楼层
    对新人来说有点太贵了.不过对于精品软件来说还是值得的.
    - I6 ^) d* k/ T& B0 ]0 r3 X
    启用邀请码注册,提高发帖质量,建设交流社区
  • TA的每日心情

    2023-9-26 17:03
  • 签到天数: 16 天

    [LV.4]偶尔看看III

    发表于 2017-3-30 15:08:14 | 显示全部楼层
    支持一下 想用用看看。希望可以帮到我啊啊啊
    启用邀请码注册,提高发帖质量,建设交流社区
  • TA的每日心情
    慵懒
    2017-9-21 14:54
  • 签到天数: 4 天

    [LV.2]偶尔看看I

    发表于 2017-7-20 10:42:30 | 显示全部楼层
    支持一下
    0 C- x  q" g' z) u* o- 本文出自阳光网驿--企业信息化专家,原文地址:http://bbs.sunwy.org/thread-163807-1-1.html
    启用邀请码注册,提高发帖质量,建设交流社区
  • TA的每日心情
    擦汗
    2017-12-1 15:28
  • 签到天数: 1 天

    [LV.1]初来乍到

    发表于 2017-12-1 16:09:53 | 显示全部楼层
    支持一下 想用用看看。希望可以帮到我哈
    启用邀请码注册,提高发帖质量,建设交流社区
    您需要登录后才可以回帖 登录 | 注册

    本版积分规则

    快速回复 返回顶部 返回列表