大数据处理问题及解决方法

　　大数据，就是指种类多、流量大、容量大、价值高、处理和分析速度快的真实数据汇聚的产物。

　　通常会需要考虑存储空间是、效率等问题。解决大数据问题一般主要的思想：

　　1.文件切分，（将大文件切成若干个小文件进行处理），

　　2.哈希切分，

　　3.使用位图。

　　以下通过几个实例来进行进一步分析：

　　1、海量日志数据，提取出某日访问百度次数最多的那个IP。（或者：给一个超过100G的文件，文件中存放着iP地址，请找出其中出现次数最多的IP地址）

　　思考：这两个题是同一个题。IP的数目还是有限的，最多有个2^32（42亿）个IP，注意到IP是32位的。

　　1byte = 8位

　　1 KB = 1024 bytes （字节）

　　1MB = 1024 KB

　　1 GB = 1024 MB

　　假设每个IP只出现一次，所需内存大概为（32*2^32）位，约为16个G左右。如果内存足够大，就直接进行统计。但是如果内存没有那么大，）我们可以将大文件切分成若干个小文件（假如为100个小文件），采用映射的方法，比如用IP地址模1000，这样同一个IP地址肯定会出现在同一个小文件中，再找出每个小文中出现频率最大的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。

　　2.给定100亿个整数，设计算法找到只出现一次的整数。

　　思考：如果是有符号整数的话，范围为-2147483648~2147483647无符号整数为0~4294967296 ，有符号的使用两个bitset，一个存放正数，一个负数。 每个数使用两个位来判断其出现几次。00表示出现0次，01出现1次，10出现大于一次。

　　比如说存放整数100，就将bitset的第100*2位设置为+1，当所有数放完之后，对每两位进行测试看其值为多少？若是第i为与i+1为的值为01，则这个整数：i*2，在集合中只出现了1次。需要总共用bitnun=（2^31*2）个位表示，需空间为int[bitnum]，即512M。

　　3.给40亿个不重复的unsigned int的整数，没排过序的，然后再给一个数，如何快速判断这个数是否在那40亿个数当中？

　　方案1：40亿个整数差不多相当于全部整数，需要总共用（2^32）个位表示，需空间为int[bitnum]，即512M。申请512M的内存，一个bit位代表一个unsigned int值。读入40亿个数，设置相应的bit位，读入要查询的数，查看相应bit位是否为1，为1表示存在，为0表示不存在。

　　方案2：因为2^32为40亿多，所以给定一个数可能在，也可能不在其中；这里我们把40亿个数中的每一个用32位的二进制来表示假设这40亿个数开始放在一个文件中。

　　然后将这40亿个数分成两类： 1。最高位为0 2。最高位为1 并将这两类分别写入到两个文件中，其中一个文件中数的个数<=20亿，而另一个>=20亿（这相当于折了）；与要查找的数的最高位比较并接着进入相应的文件再查找，再然后把这个文件为又分成两类： 1。次最高位为0 2。次最高位为1。并将这两类分别写入到两个文件中，其中一个文件中数的个数<=10亿，而另一个>=10亿（这相当于折半了）； 与要查找的数的次最高位比较并接着进入相应的文件再查找。

　　…… 以此类推，就可以找到了，而且时间复杂度为O（logn）。

　　方案3：位图方法，使用位图法判断整形数组是否存在重复 判断集合中存在重复是常见编程任务之一，当集合中数据量比较大时我们通常希望少进行几次扫描，这时双重循环法就不可取了。（　位图法比较适合于这种情况，它的做法是按照集合中最大元素max创建一个长度为max+1的新数组，然后再次扫描原数组，遇到几就给新数组的第几位置上1，如遇到5就给新数组的第六个元素置1，这样下次再遇到5想置位时发现新数组的第六个元素已经是1了，这说明这次的数据肯定和以前的数据存在着重复。它的运算次数最坏的情况为2N。如果已知数组的最大值即能事先给新数组定长的话效率还能提高一倍。）