几道大数据面试题

港控/mmm° 2023-05-29 03:41 2阅读 0赞

首先处理大数据的 [面试题][Link 1]，有些基本概念要清楚：

（1）1Gb = 109bytes（1Gb = 10亿字节）：1Gb = 1024Mb，1Mb = 1024Kb，1Kb = 1024bytes；

（2）基本流程是，分解大问题，解决小问题，从局部最优中选择全局最优；（当然，如果直接放内存里就能解决的话，那就直接想办法求解，不需要分解了。）

（3）分解过程常用方法：hash(x)%m。其中x为字符串/url/ip，m为小问题的数目，比如把一个大文件分解为1000份，m=1000；

（4）解决问题辅助数据结构：hash\_map，Trie树，bit map，二叉排序树（AVL，SBT，红黑树）；

（5）top K问题：最大K个用最小堆，最小K个用最大堆。（至于为什么？自己在纸上写个小栗子，试一下就知道了。）

（6）处理大数据常用排序：快速排序/堆排序/归并排序/桶排序

下面是几个例题（每个题的解法都不唯一，下面只列出了众多解法中的一种）：

1. 给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？

每个url大小为64bytes，那么可以估计每个文件的大小为5G×64=320G，远远大于内存限制的4G，所以不可能将其完全加载到内存中处理，可以采用分治的思想来解决。

Step1：遍历文件a，对每个url求取hash(url)%1000，然后根据所取得的值将url分别存储到1000个小文件（记为a0,a1,...,a999 ，每个小文件约300M）；

Step2: 遍历文件b，采取和a相同的方式将url分别存储到1000个小文件（记为b0,b1,...,b999）；

巧妙之处：这样处理后，所有可能相同的url都被保存在对应的小文件（a0 vs b0, a1 vs b1 ,...,a999 vs b999）中，不对应的小文件不可能有相同的url。然后我们只要求出这个1000对小文件中相同的url即可。

Step3：求每对小文件ai和bi中相同的url时，可以把ai的url存储到hash\_set/hash\_map中。然后遍历bi的每个url，看其是否在刚才构建的hash\_set中，如果是，那么就是共同的url，存到文件里面就可以了。

草图如下（左边分解A，右边分解B，中间求解相同url）：

2. 有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16字节，内存限制大小是1M，要求返回频数最高的100个词。

Step1：顺序读文件中，对于每个词x，取hash(x)%5000，然后按照该值存到5000个小文件（记为f0 ,f1 ,... ,f4999）中，这样每个文件大概是200k左右，如果其中的有的文件超过了1M大小，还可以按照类似的方法继续往下分，直到分解得到的小文件的大小都不超过1M；

Step2：对每个小文件，统计每个文件中出现的词以及相应的频率（可以采用trie树/hash\_map等），并取出出现频率最大的100个词（可以用含100个结点的最小堆），并把100词及相应的频率存入文件，这样又得到了5000个文件；

Step3：把这5000个文件进行归并（类似与归并排序）；

草图如下（分割大问题，求解小问题，归并）：

3. 现有海量日志数据保存在一个超级大的文件中，该文件无法直接读入内存，要求从中提取某天出访问百度次数最多的那个IP。

Step1：从这一天的日志数据中把访问百度的IP取出来，逐个写入到一个大文件中；

Step2：注意到IP是32位的，最多有2^32个IP。同样可以采用映射的方法，比如模1000，把整个大文件映射为1000个小文件；

Step3：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；

Step4：在这1000个最大的IP中，找出那个频率最大的IP，即为所求。

草图如下：

[Link 1]: http://www.wityx.com

发表评论取消回复

表情：

评论列表（有 0 条评论，2人围观）

还没有评论，来说两句吧...

相关阅读

相关【面试题】华为20道大数据面试题整理

1、在 HBase 写数据的业务逻辑实现过程中、如下哪个接口或类是不需要涉及的？ A、Put B、HTable C、HBaseAdmin D、PutList

梦里梦外;/ 2023年10月04日 16:01/ 0 赞/ 68 阅读

相关「面试必背」大数据面试题100道（收藏）

前言随着 5G 时代的到来，大数据人工智能产业链又一次迎来了井喷式的爆发，随着岗位需求的不断增加，越来越多的人选择大数据课程，但是没有真正从事大数据工作的人面对企业面试

朱雀/ 2023年09月29日 12:16/ 0 赞/ 28 阅读

相关几道大厂面试经常问到的智力题

这篇文章总结很全，建议看看——https://www.cnblogs.com/XJT2018/p/11539661.html 1、玻璃球与楼层题目：有一栋100层高的大

骑猪看日落/ 2023年07月12日 06:23/ 0 赞/ 30 阅读

相关几道大数据面试题

首先处理大数据的 [面试题][Link 1]，有些基本概念要清楚：（1）1Gb = 109bytes（1Gb = 10亿字节）：1Gb = 1024Mb，1Mb = 102

港控/mmm°/ 2023年05月29日 03:41/ 0 赞/ 3 阅读

相关 JavaScript作用域及几道面试题

我们搞懂了作用域，才能更清楚的知道代码的执行顺序！作用域： // 域：空间、范围、区域…… // 作用：读、写 script 全局变量、全局函数

女爷i/ 2022年09月30日 06:48/ 0 赞/ 222 阅读

相关几道面试题

1：请分别划出OSI的七层网络结构图，和TCP/IP的五层结构图? 2：请你详细的解释一下IP协议的定义，在哪个层上面，主要有什么作用？TCP与UDP呢？ 3：

刺骨的言语ヽ痛彻心扉/ 2022年07月16日 14:10/ 0 赞/ 281 阅读

相关 JavaScript -- 几道面试题

第一题： for (var i = 0; i < 5; i++) { setTimeout(function() { console.log(i); }, 1000

╰+攻爆jí腚メ/ 2022年06月14日 11:59/ 0 赞/ 298 阅读

相关关于数组的几道面试题

有空可以看看： [http://www.cnblogs.com/graphics/archive/2010/08/24/1761620.html\link05][http_w

痛定思痛。/ 2022年05月30日 03:53/ 0 赞/ 231 阅读

相关 Redis几道常见的面试题！

前言 > 只有光头才能变强。 > 文本已收录至我的GitHub仓库，欢迎Star：[https://github.com/ZhongFuCheng3y/3y][http

﹏ヽ暗。殇╰゛Y/ 2021年09月17日 17:54/ 0 赞/ 487 阅读

相关几道常见的SQL面试题，看你能答对几道？

收集了几道比较常见的SQL面试题，在不看底部参考答案的情况下，看自己能做对几道。 1. 用一条SQL语句查询出每门课都大于80 分的学生姓名 ![在这里插入图

红太狼/ 2021年06月26日 16:06/ 0 赞/ 535 阅读