大量数据处理方法

大数据量，海量数据 处理方法总结 来源： 葛林华的日志 大数据量的问题是很多面试笔试中经常出现的问题，比如baidu google 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。 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： 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 cou nting Bloom filter，用一个 cou nter 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 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)。 举个例子我们假设错误率为 0.01，则此时 m 应大概是n 的13 倍。这样k 大概是8 个。 注意这里 m 与 n 的单位不同，m 是bit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 k（k 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。Cou nting bloom filter（CBF）将位数组中的每一位扩展为一个 cou nter，从而支持了元素的删除操作。Spectral Bloom Filter（SBF）将其与集合元素的出现次数关联。SBF 采用 cou nter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...