海量数据处理¶
海量数据，不能一次加载到内存中
- 海量数据topK(最大和最小k个数)，第k大，第k小的数
- 海量数据判断一个整数是否存在其中
- 海量数据找出不重复的数字
- 找出A,B两个海量url文件中共同的url
海量数据topK¶
最大K使用最小堆，最小K使用最大堆，这里以最大K为例
- 海量数据hash分块
- 维护最小堆的K个数据的数据容器
- 堆中数据是topK大的数据，堆顶的数据是第K大数据
- 先将海量数据hash再取模m，分成m个小文件，hash(num)%m，也可以直接取模
- 在每个小文件中维护K个数据的最小堆，堆顶是当前堆中的最小值
- 遍历每个小文件中剩余的数据，与堆顶的数据进行比较，更新最小堆中的数据
- 生成m * K个数据，然后对这些数据再进行排序，或者再次通过维护最小堆
变形 1. 第K大不只是topK，此时堆顶数据即是 2. 只求最大或最小 3. 海量数据不仅仅是整数，也可以是字符串 4. 海量数据按照出现的次数或者频率排序，topK
- 海量数据按照出现的次数或者频率排序，topK 1. 先将海量数据hash再取模m，分成m个小文件，hash(num)%m 2. 扫描每个小文件的数据，通过hash_map建立值和频率的键值对 3. 以出现的频率维护最小堆的K个数据的数据容器 4. 遍历每个小文件中剩余的数据，与堆顶的数据进行比较，更新最小堆中的数据 5. 生成m * K个数据，然后对这些数据再进行排序，或者再次通过维护最小堆
找出A,B两个海量url文件中共同的url¶
题目：两个文件各存50亿个url，每个url64个字节，内存限制4G，找出A,B共同的url
- 单个文件读取肯定超出内存大小，所以还是采取之前的分治思想，大化小，对A/B分别取模分成1000个文件存储，这样两个文件中相同的url都被分到相同的小文件中，若有一方的小文件还是太大，则可以扩大分块或者通过不同hash函数继续hash（若继续，两方应该一起），50亿url算下来每个文件300M。
- 对小文件求公共url的时候可以使用hash_set去重。A文件Set建立后另外一个文件的内容遍历跟Set中内容比对，如果相等则记录
bitmap¶
bitmap一般是total/32 + 1个数组，从a[0]开始，每组是32bit表示，对应位的0或1表示十进制的0-31是否存在，可以用于快速排序，快速去重，快速查询
海量数据判断一个整数是否存在其中¶
- 分治思想，首先分成小文件，然后建立HashTable进行统计
- 可以使用BitMap，每个数分配1Bit，0不存在，1存在建立完毕扫描数据把对应位置的比特位描成0/1，最后查找整数的位置是否为1（通过商判断在哪个数组中，余数判断哪一位）
海量数据找出不重复的数字/仅出现一次的数据¶
- 可以使用BitMap，每个数分配两Bit，00不存在，01出现一次，10出现多次，11没意义。需要内存2^32 * 8 * 2bit，建立完毕扫描数据把对应位置的比特位描成00/01/10/11，最后查找01